基于遗传学算法改进的RBF-BP神经网络的光伏发电输出功率追踪算法

摘要

本发明公开了基于遗传学算法改进的RBF-BP神经网络的光伏发电输出功率追踪算法，通过建立一个RBF-BP神经网络，将光伏发电输出功率预测输出和期望输出之间的误差绝对值作为适应度，再运用遗传学算法对光伏发电设备所采集到的数据进行选择、交叉和变异操作找到最优适应度对应的个体。结合了RBF神经网络收敛速度快、群分类性能好和BP神经网络自学、自适应能力强等优点，具有泛化性能更好、收敛速度更快、预测精度更高等特点。

主权项

一种基于遗传学算法改进的RBF‑BP神经网络的光伏发电输出功率追踪算法，其特征在于，包括步骤：1)根据光伏发电输出特性，选取日常天气状况下统计并采集一天之中各个时段影响光伏发电电池板发电的因素，将光伏电池板工作温度、光伏发电设备工作时的光照强度作为RBF‑BP神经网络训练的输入，将光伏发电输出功率作为RBF‑BP神经网络训练的输出，另选取同等条件下各个时段的样本数据作为RBF‑BP神经网络的测试数据；2)建立RBF‑BP神经网络用于训练归一化后的样本数据，所述RBF‑BP神经网络是由RBF子网和BP子网两部分构成双隐层RBF‑BP组合神经网络，分为：输入层、隐含层和输出层，各层的节点数设计如下：输入层：针对光伏发电最大功率的预测，在不考虑突变的天气情况和局部光照不均匀的情况下对光伏发电最大功率点影响的情况下，神经网络输入量的选取主要考虑两个部分，即光伏电池板工作温度和光伏发电设备工作时的光照强度；隐含层：本发明涉及到的RBF‑BP神经网络在隐含层加入了RBF神经网络作为子层，输入步骤1)中的样本先经过RBF神经网络子网进行训练，再将训练结果作为BP子网的输入对其进行训练；输出层：输出层的节点个数可根据情况来定，但为了简化神经网络的设计，本发明选择了一个输出节点，即最大功率点处的电压；3)将步骤1)采集到的数据带入步骤2)中建立的RBF‑BP神经网络中，得到实际输出与期望输出的误差E，作为用于遗传算法的适应度值；4)根据步骤2)中构建的RBF‑BP神经网络的拟合函数输入输出参数个数确定RBF‑BP神经网络的网络结构，确定RBF‑BP神经网络中的阈值和权值的个数，进而确定遗传算法的个体的长度；5)将步骤1)采集到的数据用遗传学算法进行优化，具体实施步骤：A.种群初始化种群中的每个个体都包含整个RBF‑BP神经网络的所有权值和阈值，个体编码方法为实数编码，每个个体均为一个实数串，个体通过遗传算法适应度函数计算个体的适应度值；B.适应度函数根据步骤1)的个体得到RBF‑BP神经网络的初始权值和阈值，用步骤3)中得到的绝对 误差值E作为个体适应度值F；C.选择操作遗传算法选择操作有轮盘赌法、锦标赛等多种方法，本发明选择轮盘赌法，每个个体i的选择概率p_i为公式(6)：式中F_i为个体i的适应度值，由于适应度值越小越好，所以在个体选择前对适应度值求倒数；k为系数；N为种群个体数目；D.交叉操作由于个体采用实数编码，所以交叉操作方法也采用相应的实数交叉法，第k个染色体a_k和l个染色体a_l在j位的交叉操作方法如公式(7)：其中b为[0，1]间的随机数；E.变异操作选取第i个个体的第j个基因a_ij进行变异，变异操作的个公式如(8)：公式(8)中，a_max为基因a_ij的上界；a_min为基因a_ij的下界；f(g)＝r₂(1‑g/G_max)²；r₂为一个随机数；g为当前迭代次数；G_max是最大进化次数；r为[0，1]间的随机数。