考虑特征提取和优化LSSVM的短期光伏功率预测_岳有军.pdf
《考虑特征提取和优化LSSVM的短期光伏功率预测_岳有军.pdf》由会员分享,可在线阅读,更多相关《考虑特征提取和优化LSSVM的短期光伏功率预测_岳有军.pdf(8页珍藏版)》请在咨信网上搜索。
1、第4 1卷 第3期 陕西科技大学学报 V o l.4 1N o.3 2 0 2 3年6月 J o u r n a l o fS h a a n x iU n i v e r s i t yo fS c i e n c e&T e c h n o l o g y J u n.2 0 2 3*文章编号:2 0 9 6-3 9 8 X(2 0 2 3)0 3-0 2 0 0-0 8考虑特征提取和优化L S S VM的短期光伏功率预测岳有军,刘金林,赵 辉,王红君(天津理工大学 电气工程与自动化学院 天津市复杂系统控制理论及应用重点实验室,天津 3 0 0 3 8 4)摘 要:针对传统光伏功率预测因特
2、征提取不足导致预测精度不高的问题,提出一种基于卷积神经网络(C o n v o l u t i o n a lN e u r a lN e t w o r k,C NN)和长短期记忆网络(L o n gS h o r t-T e r m M e m-o r y,L S TM)进行特征提取以及改进麻雀算法(I m p r o v eS p a r r o wS e a r c hA l g o r i t h m,I S S A)优化最小二乘支持向量机(L e a s tS q u a r e sS u p p o r tV e c t o rM a c h i n e,L S S VM)的短期
3、光伏功率预测模型.该模型首先结合C NN、L S TM的优点构成C NN-L S TM特征提取模型,用于提取光伏发电功率数据中的隐藏特征和长期依赖性特征,然后将提取出的特征向量输入到经I S S A优化的L S S VM模型中进行预测,得到最终的预测结果.实验结果表明,所提出的C NN-L S TM-I S S A-L S S VM模型能取得很好的预测精度,且明显高于其它模型,验证了其有效性.关键词:光伏功率预测;卷积神经网络;长短期记忆网络;麻雀搜索算法;最小二乘支持向量机中图分类号:TM 6 1 5 文献标志码:AS h o r t-t e r mP Vp o w e rp r e d i
4、 c t i o nc o n s i d e r i n gf e a t u r ee x t r a c t i o na n do p t i m i s e dL S S VMYU EY o u-j u n,L I UJ i n-l i n,Z HAO H u i,WANG H o n g-j u n(C o l l e g eo fE l e c t r i c a lE n g i n e e r i n ga n dA u t o m a t i o n,T i a n j i nK e yL a b o r a t o r yo fC o n t r o lT h e o r
5、 ya n dA p p l i c a t i o nf o rC o m p l e xS y s t e m s,T i a n j i nU n i v e r s i t yo fT e c h n o l o g y,T i a n j i n3 0 0 3 8 4,C h i n a)A b s t r a c t:T os o l v e t h ep r o b l e mt h a t t h ep r e d i c t i o na c c u r a c yo f t r a d i t i o n a l p h o t o v o l t a i cp o w e
6、 rp r e d i c t i o n i sn o th i g hd u et oi n s u f f i c i e n tf e a t u r ee x t r a c t i o n,ac o n v o l u t i o n a ln e u r a ln e t w o r k(C NN)a n d l o n gs h o r t-t e r m m e m o r y(L S TM)f o rf e a t u r ee x t r a c t i o na n di m p r o v e ds p a r r o ws e a r c ha l g o r i
7、t h m(I S S A)a r ep r o p o s e d.O p t i m i z et h es h o r t-t e r mp h o t o v o l t a i cp o w e rp r e d i c-t i o nm o d e l o f t h e l e a s t s q u a r e ss u p p o r tv e c t o rm a c h i n e(L S S VM).T h em o d e l f i r s tc o m b i n e st h ea d v a n t a g e so fC NNa n dL S TMt of
8、o r maC NN-L S TMf e a t u r ee x t r a c t i o nm o d e l,w h i c h i su s e dt oe x t r a c t h i d d e n f e a t u r e s a n d l o n g-t e r md e p e n d e n c e f e a t u r e s i np h o t o v o l t a i cp o w e rg e n-e r a t i o nd a t a,a n d t h e n i n p u t t h e e x t r a c t e d f e a t u
9、 r ev e c t o r s i n t o t h eL S S VM m o d e l o p t i m i z e db yI S S Af o rp r e d i c t i o n,a n do b t a i nt h ef i n a lp r e d i c t i o nr e s u l t s.E x p e r i m e n t a lr e s u l t ss h o wt h a tt h ep r o p o s e dC NN-L S TM-I S S A-L S S VM m o d e l c a na c h i e v eg o o dp
10、 r e d i c t i o na c c u r a c y,w h i c hi ss i g n i f i c a n t l yh i g h e r t h a no t h e rm o d e l s,w h i c hv e r i f i e s i t se f f e c t i v e n e s s.K e yw o r d s:p h o t o v o l t a i cp o w e rf o r e c a s t i n g;c o n v o l u t i o n a ln e u r a ln e t w o r k s;l o n gs h o
11、 r t-t e r mm e m o r y;s p a r r o ws e a r c ha l g o r i t h m;l e a s t s q u a r e ss u p p o r tv e c t o rm a c h i n e*收稿日期:2 0 2 2-1 1-2 8基金项目:天津市自然科学基金重点项目(0 8 J C Z D J C 1 8 6 0 0);天津市教委重点基金项目(2 0 0 6 Z D 3 2)作者简介:岳有军(1 9 7 0),男,天津人,教授,研究方向:复杂系统建模及智能控制、机器人导航与控制技术、电力电子技术及应用DOI:10.19481/ki
12、.issn2096-398x.2023.03.009第3期岳有军等:考虑特征提取和优化L S S VM的短期光伏功率预测0 引言光伏发电作为重要的清洁可再生能源,近年来得到迅速发展,世界范围内制定了许多法规和激励措施来提高光伏发电量1.由于光伏发电受到天气因素的影响,其输出功率具有随机性、波动性和间歇性的特点,大规模并网会对电网的稳定性造成很大的冲击2,3.因此,准确而有效的光伏发电功率预测信息能够为电网安全稳定的调度提供保障4.光伏发电功率预测方法可分为物理法和统计法两类5,7.物理法根据光伏电站的地理位置,综合分析光伏电池板、逆变器等多种设备的特性,得到光伏发电输出功率与数值天气预报的物理
13、关系,对光伏发电输出功率进行预测.物理法虽然不需要历史数据的支持,但其对光伏电站地理信息以及气象数据可靠性要求较高,且易受外界条件的影响,抗干扰能力差,因此应用较少8.统计法主要包括时间序列法9、支持向量机1 0、人工神经网络1 1、组合预测法1 2等.针对光伏数据随机性、波动性较强的特点,为提高预测的准确性,许多学者会对原始数据进行 特征提取.文 献 1 3 通 过 一 个 一 维C NN网络对多个关键气象变量进行特性转换,然后构造双向L S TM进行预测.文献1 4 使用两个并行的C NN网络进行特征提取,然后将提取的特征融合后送入L S TM中进行光伏功率预测,实验结果表明进行特征提取可
14、以有效提高预测精度.支持向量机(S u p p o r tV e c t o rM a c h i n e s,S VM)是一种基于监督学习的用于数据二元分类的广义线性分类器,可以有效地解决传统神经网络结果容易陷入局部极小值以及过拟合等问题.最小二乘支持向量机是在S VM基础上的改进,降低了求解难度,提高了运行速度.文献1 5 使用改进蝙蝠算法优化L S S VM,有效的提高了预测精度,但没有考虑输入特征对预测效果的影响.文献1 6 采用集合经验模态分解(E n s e m b l eE m p i r i c a lM o d eD e c o m-p o s i t i o n,E EMD
15、)将历史功率序列分解,然后将不同频率的分量放入L S S VM进行预测,采用集合经验模态分解可以有效降低光伏功率序列的非平稳性,但没有对L S S VM的参数进行寻优,会影响预测的精度.文献1 7 采用互补式集合模态分解将负荷序列分解,然后采用S S A算法对L S S VM模型参数进行寻优,实验结果表明可以有效提高负荷预测的精度,但S S A算法迭代后期容易陷入局部最优,影响寻优的效果.综合 上 述 分 析,本 文 提 出 一 种 基 于C NN-L S TM-I S S A-L S S VM短期功率预测的组合模型.首先,为更好的提取数据中的隐藏特征和长期依赖性特征,结合了C NN和L S
16、TM的优点构成C NN-L S TM特征提取模型;然后将提取出的特征向量输入到L S S VM模型中进行预测;对S S A算法的不足进行了改进,并采用I S S A算法对L S S VM的参数进行寻优;最后通过与C NN、L S TM、C NN-L S TM、S S A-L S S VM、C NN-L S TM-L S S VM、C NN-L S TM-S S A-L S S VM模型的 预测结果进 行对比,验证了C NN-L S TM-I S S A-L S S VM模型的有效性和优越性.1 C NN-L S TM特征提取1.1 卷积神经网络C NN主要由输入层、卷积层、池化层、全连接层和输
17、出层组成,被广泛应用于图像处理、视频处理等领域.其中输入层主要对输入的数据进行预处理,包括去均值、归一化等.卷积层是C NN中最重要的一层,包括局部感知、参数共享机制、窗口滑动、卷积计算等.池化层主要对数据进行压缩,可以降低维度,在一定程度上防止过拟合的发生.全连接层对前面的输出进行重新组合.由于C NN使用局部感知和参数共享机制,所以它对较大的数据集处理能力较高,对高维的数据处理也没有压力.其结构如图1所示.图1 C NN结构1.2 长短期记忆网络L S TM在R NN的基础上加入了门控结构,解决了R NN容易出现梯度消失和梯度爆炸的缺点,可以适用于长期依赖性问题,并广泛应用于股票预测、功率
18、预测等场景.L S TM单个细胞结构如图2所示,主要由遗忘门ft、输入门it和输出门ot组成1 8.遗忘门决定上一时刻单元状态的遗忘程度,输入门决定让多少新信息加入到细胞状态中,输出门将基于细胞状态确定输出值.L S TM的主要计算公式如下所示:ft=(Wfht-1,xf+bf)(1)it=(Wiht-1,xt+bi)(2)102陕西科技大学学报第4 1卷ct=t a n h(Wcht-1,xt+bc)(3)ct=ftct-1+itct(4)ot=(Woht-1,xt+bo)(5)ht=ott a n h(ct)(6)式(1)(6)中:Wf、Wt、Wo分别为ft、it、ot的权重矩阵;bf、b
19、i、bo分别为ft、it、ot的偏置;为s i g m o i d激活函数.图2 L S TM细胞结构1.3 C NN-L S TM特征提取模型C NN虽在数据特征提取方面具有明显的优势,但在处理具有长期依赖性数据时具有不足,而L S TM擅长处理长期依赖性数据,因此本文将结合C NN与L S TM的优点构成C NN-L S TM特征提取模 型,然后将提 取出来的特 征向量输 入到L S S VM模型中进行训练与预测,不仅能提升训练速度,而且能提高预测精度.C NN-L S TM特征提取模型如图3所示.输入数据首先经过两个C NN层提取隐藏特征,其次经过展平层对数据进行展平化处理,然后经过两层
20、L S TM层提取数据中的长期依赖性特征,最后经过全连接层输出预测结果.将L S TM第二层输出的向量作为C NN-L S TM模型提取出的具有隐藏特征和长期依赖性特征的特征向量.图3 C NN-L S TM特征提取模型2 改进麻雀搜索算法优化最小二乘支持向量机2.1 最小二乘支持向量机L S S VM采用最小二乘线性系统作为损失函数,用等式约束代替了S VM的不等式约束,将原问题转变为解线性方程组问题,降低了求解难度,提高了运行速度1 9.L S S VM的优化问题可以转变为:m i nJ(,)=12T+12Cni=12is.t.yi=T(xi)+b+i(7)式(7)中:为权向量;C为惩罚因
21、子;i为松弛变量;b为偏置.引入拉格朗日函数将上述优化问题转化为对参数求极值问题:L(,b,)=J(,)-ni=1iT(xi)+b+i-yi(8)对式(8)中的,b,a求偏导,并令四个偏导数等于0,消除和i,可以得到:0ETE+-1Ib=0y(9)式(9)中:E=1,1,1T;为核映射矩阵,i j=(xi)T(xj);I为单位矩阵;y=y1,y2,ynT.最终得到L S S VM分类函数为:f(x)=ni=1iK(x,xi)+b(1 0)L S S VM的回归性能受到核函数类型及其参数的影响,本文选择径向基核函数(r a d i a lb a s i sf u n c t i o n,R B
22、F),其表达式为:K(x,xi)=e x p1-122x-xi22(1 1)式(1 1)中:为R B F核函数参数.从L S S VM建模过程可知,惩罚因子C和核函数参数对预测结果有较大的影响,因此本文选择用I S S A搜索算法对两个参数进行优化.2.2 麻雀搜索算法及其改进2.2.1 麻雀搜索算法S S A是一种新提出的群体智能算法,相较于传统的粒子群等优化算法,该算法的收敛速度更快,寻优精度更高.S S A算法受到麻雀捕食与反捕食过程的启发,将麻雀个体分为发现者、加入者和警戒者.设麻雀初始种群位置为Xi j=(xi1,xi2,xi D),其中D表示D维搜索空间,Xi j表示第i只麻雀在第
23、j维的位置.S S A算法将容易找到食物的个体称为发现者,其本身具有较高的适应度值,主要负责确定觅食方向.发现者的位置关系可以表示为:202第3期岳有军等:考虑特征提取和优化L S S VM的短期光伏功率预测Xt+1i,j=Xti,je x p-i Tm a x,R2STXti,j+Q L,R2ST(1 2)式(1 2)中:t为当前迭代次数;Tm a x为最大迭代次数;0,1 为一个随机数;Q为一个服从高斯分布的随机数;L为元素均为1的1d的矩阵;R2和ST分别为麻雀种群的预警值和安全值;当R2n2Xt+1P+|Xti,j-Xt+1P|A+L,其他(1 3)式(1 3)中:Xw o r s t
24、为麻雀种群最差位置;XP为发现者所占据的最佳位置;A为各元素是1或-1的1d矩阵,A+=AT(A AT)-1.当in2时,表示第i个适应度较低的加入者需飞往其他地方觅食,以获得更多的能量.麻雀种群中存在一定比例的警戒者,当意识到危险时将做出反捕行为.警戒者的位置更新可以表示为:Xti,j=Xtb e s t+|Xti,j-Xtb e s t|,fifbXti,j+K|Xti,j-Xtw o r s t|(fi-fw)+,fi=fb(1 4)式(1 4)中:Xb e s t为麻雀种群最佳位置,为服从正态分布的随机数,用于步长控制;K-1,1 的一个随机数;为避免分母为0的最小常数;fi为当前麻雀
25、适应度值;fb和fw分别为当前最佳和最差的适应度值.当fifb时,表示麻雀个体处于种群的边缘位置,极易受到捕食者的捕食;当fi=fb时,表示麻雀中的个体感知到了危险的存在,需要靠近其他麻雀来提高自身的安全性.2.2.2 麻雀搜索算法的改进(1)C i r c l e混沌初始化策略基础麻雀算法采用随机生成的方式对种群进行初始化,这种方式会导致种群分布不均匀,影响后期的迭代寻优.而C i r c l e映射具有随机性和遍历性的特点,可以用于提高种群的多样性.C i r c l e映射表达式如下:xi+1=m o dxi+0.2-0.52 s i n(2 xi),1(1 5)式(1 5)中:i为维度
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 考虑 特征 提取 优化 LSSVM 短期 功率 预测 岳有军
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。