一種基于IGWO-SNN的光伏出力短期預(yù)測(cè)方法

董志強(qiáng)，鄭凌蔚，蘇 然，武 浩，羅 平

一種基于IGWO-SNN的光伏出力短期預(yù)測(cè)方法

董志強(qiáng)，鄭凌蔚，蘇 然，武 浩，羅 平

(杭州電子科技大學(xué)自動(dòng)化學(xué)院，浙江 杭州 310018)

光伏出力短期預(yù)測(cè)對(duì)于電網(wǎng)或微電網(wǎng)的能量管理和優(yōu)化調(diào)度具有重要意義。構(gòu)建了一種基于改進(jìn)灰狼學(xué)習(xí)算法(improved grey wolf optimization, IGWO)的脈沖神經(jīng)網(wǎng)絡(luò)(spiking neural network, SNN)，并將其應(yīng)用到光伏出力短期預(yù)測(cè)中。首先，利用灰色關(guān)聯(lián)分析法選取相似日。然后，提出一種IGWO算法用于SNN模型訓(xùn)練，通過(guò)引入基于三角函數(shù)規(guī)律變化的非線性下降收斂因子和動(dòng)態(tài)權(quán)重更新策略，提升SNN的編碼和預(yù)測(cè)的性能。最后，利用實(shí)證系統(tǒng)對(duì)所提方法進(jìn)行了評(píng)估，并與其他3種模型進(jìn)行了對(duì)比研究。結(jié)果表明，所提方法預(yù)測(cè)性能提升明顯。

光伏出力短期預(yù)測(cè)；脈沖神經(jīng)網(wǎng)絡(luò)；改進(jìn)灰狼優(yōu)化算法；收斂因子；動(dòng)態(tài)權(quán)重更新策略

0 引言

以光伏發(fā)電為代表的可再生新能源(以下簡(jiǎn)稱(chēng)“新能源”)大規(guī)模利用已成為解決碳排放問(wèn)題的關(guān)鍵途徑[1-2]。隨著光伏組件成本降低以及逆變器轉(zhuǎn)換效率提升，光伏能源大規(guī)模接入電網(wǎng)正逐漸被應(yīng)用。但光伏出力高度依賴(lài)于天氣條件，存在高度不確定性，這給含光伏的電網(wǎng)或微電網(wǎng)的安全運(yùn)行帶來(lái)了威脅[3]。對(duì)光伏出力進(jìn)行預(yù)測(cè)，不僅有利于加強(qiáng)電力系統(tǒng)運(yùn)行時(shí)的安全性，也可以在一定程度上改善電力系統(tǒng)的靈活性能和調(diào)節(jié)能力[4-5]。

目前，光伏出力預(yù)測(cè)主要采用以神經(jīng)網(wǎng)絡(luò)為代表的機(jī)器學(xué)習(xí)方法，其中應(yīng)用最為廣泛的是以BP為代表的人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)[6-9]。例如，為了有效應(yīng)對(duì)突變天氣對(duì)光伏出力預(yù)測(cè)的影響，文獻(xiàn)[10]采用改進(jìn)平均影響值算法計(jì)算出與輸出變量關(guān)聯(lián)度最大的氣象因素，減少BP神經(jīng)網(wǎng)絡(luò)的輸入維數(shù)，利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的尋優(yōu)效果，提高了預(yù)測(cè)模型準(zhǔn)確度。文獻(xiàn)[11]構(gòu)建了一種主成分分析法(principal factor analysis, PFA)和天牛須搜索 (beetle antennae search, BAS) 算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的光伏出力預(yù)測(cè)模型，通過(guò)PFA有效降低了模型的輸入變量，同時(shí)利用BAS算法優(yōu)異的搜索性能，使得BP神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)可以獲得最優(yōu)的權(quán)值和閾值，有效縮短模型的計(jì)算時(shí)長(zhǎng)，較大提升了其準(zhǔn)確度。文獻(xiàn)[12]提出一種基于LVQ-GA-BP的光伏出力預(yù)測(cè)方法，將LVQ神經(jīng)網(wǎng)絡(luò)思想引入樣本數(shù)據(jù)分類(lèi)中，利用GA-BP神經(jīng)網(wǎng)絡(luò)分別建立了對(duì)應(yīng)的預(yù)測(cè)模型，有效提升了模型預(yù)測(cè)準(zhǔn)確度。上述人工神經(jīng)網(wǎng)絡(luò)利用了神經(jīng)元之間的復(fù)雜連接關(guān)系，但考慮到權(quán)值更新的梯度算法可行性，引入的理想化激活函數(shù)完全改變了神經(jīng)元脈沖的離散性。而SNN所特有的多突觸連接和脈沖時(shí)間編碼方式，使其不僅具有強(qiáng)大的計(jì)算能力和較好的適用性，而且特別善于處理基于時(shí)間的問(wèn)題。

近年來(lái)，以脈沖時(shí)序代替頻率編碼的脈沖神經(jīng)網(wǎng)絡(luò)(spiking neural network, SNN)備受關(guān)注，SNN所特有的多突觸結(jié)構(gòu)以及時(shí)序編碼，使其在預(yù)測(cè)精度方面得到較大提升[13]。但目前SNN的應(yīng)用仍受限于其訓(xùn)練和學(xué)習(xí)算法，尤其是在網(wǎng)絡(luò)參數(shù)優(yōu)化方面。SNN傳統(tǒng)學(xué)習(xí)規(guī)則利用突觸前膜和突觸后膜之間的脈沖時(shí)序差，來(lái)進(jìn)行突觸連接的優(yōu)化調(diào)整。隨著網(wǎng)絡(luò)規(guī)模的增加，如何協(xié)調(diào)局部突觸參數(shù)與系統(tǒng)整體性能之間的關(guān)系，已經(jīng)變得越來(lái)越困難。針對(duì)上述問(wèn)題，各種元啟發(fā)式算法被廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)的權(quán)值優(yōu)化，受灰狼群體捕食行為的啟發(fā)，文獻(xiàn)[14]提出了灰狼算法(grey wolf optimizer, GWO)。但標(biāo)準(zhǔn)GWO在參數(shù)優(yōu)化方面仍然存在收斂精度偏低、很難脫離局部最優(yōu)解等問(wèn)題。為了克服上述缺點(diǎn)，學(xué)者們提出了許多改進(jìn)方法，例如：文獻(xiàn)[15]提出一種利用正弦函數(shù)規(guī)律改進(jìn)GWO收斂因子的方法，提高了算法的全局搜索性能，缺點(diǎn)是沒(méi)有對(duì)位置更新進(jìn)行改進(jìn)，使得該算法收斂精度不高；文獻(xiàn)[16]將差分進(jìn)化的思想引入到GWO中，加快了算法收斂速度，但基本差分進(jìn)化算法變異率很難確定，影響了算法搜索效率；文獻(xiàn)[17]利用非線性控制參數(shù)思想，平衡了GWO的整體搜索能力，同時(shí)引入了粒子群算法來(lái)更新灰狼位置信息，但忽略了粒子群算法自身也存在陷入局部最優(yōu)、收斂準(zhǔn)確度達(dá)不到預(yù)期等問(wèn)題。

綜上，目前用于光伏出力預(yù)測(cè)的神經(jīng)網(wǎng)絡(luò)方法中，普遍存在難以尋找最優(yōu)權(quán)值的問(wèn)題，導(dǎo)致預(yù)測(cè)效果不理想。為此，本文提出了一種基于IGWO- SNN的光伏出力預(yù)測(cè)方法，利用IGWO有效增強(qiáng)了SpikeProp算法擺脫局部最優(yōu)的能力[18]。研究結(jié)果表明，所提IGWO-SNN模型較基本SNN模型在預(yù)測(cè)準(zhǔn)確度方面有了明顯提升。

1 基于脈沖神經(jīng)網(wǎng)絡(luò)的光伏發(fā)電預(yù)測(cè)模型

1.1 脈沖神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

受大腦和神經(jīng)元二者之間信息交流的啟發(fā)，第三代神經(jīng)網(wǎng)絡(luò)的SNN被提出，其基本單元是以生物突觸結(jié)構(gòu)為基礎(chǔ)構(gòu)建的脈沖神經(jīng)元。如圖1所示，本文選用3層前饋型神經(jīng)網(wǎng)絡(luò)作為研究對(duì)象，模型采用的是脈沖響應(yīng)模型(spike response model, SRM)[19]。

圖1 多突觸連接的SNN

表1 各變量對(duì)應(yīng)關(guān)系

在編碼方式上，SNN采用的是更接近真實(shí)神經(jīng)元的脈沖時(shí)序編碼，能較為完全地捕捉神經(jīng)元內(nèi)部的信息。在對(duì)輸入信息進(jìn)行編碼時(shí)，首先對(duì)輸入層神經(jīng)元變量進(jìn)行歸一化處理，然后利用SNN特有的時(shí)間編碼方式對(duì)輸入層變量進(jìn)行編碼，得到其脈沖時(shí)間序列形式。與傳統(tǒng)ANN網(wǎng)絡(luò)不同的是，本文采用脈沖響應(yīng)函數(shù)(spike response function, SRF)來(lái)表示PSP的性能，其數(shù)學(xué)表達(dá)式為[20]

在得到輸出層實(shí)際脈沖發(fā)放時(shí)間序列之后，為了得到所需的模擬量數(shù)據(jù)，還需要對(duì)其進(jìn)行反編碼操作，然后再與目標(biāo)值進(jìn)行比較。

此外，SNN采用的是基于梯度下降的SpikeProp算法進(jìn)行權(quán)值調(diào)整，故其存在易陷入局部最優(yōu)值的缺點(diǎn)。

1.2 預(yù)測(cè)模型的輸入、輸出編碼

將脈沖發(fā)放時(shí)間轉(zhuǎn)化為模擬量，如式(6)所示。

2 基于IGWO的學(xué)習(xí)規(guī)則

2.1 灰狼算法

2.2 改進(jìn)灰狼算法(IGWO)

傳統(tǒng)GWO常應(yīng)用于解決非線性參數(shù)優(yōu)化問(wèn)題[22]，但也暴露了一些缺點(diǎn)，即在參數(shù)尋優(yōu)過(guò)程中收斂因子是線性下降的，且灰狼位置無(wú)更新， GWO在研究高維問(wèn)題時(shí)往往達(dá)不到全局最優(yōu)。本文通過(guò)引入基于三角函數(shù)規(guī)律變化的收斂因子，結(jié)合動(dòng)態(tài)權(quán)重策略，提出了IGWO，有效平衡GWO的全局和局部搜索能力。

2.2.1 基于非線性收斂因子的參數(shù)尋優(yōu)

圖2 收斂因子的下降過(guò)程對(duì)比

Fig. 2 Descent process comparison of convergence factors

2.2.2 基于動(dòng)態(tài)權(quán)重調(diào)整的權(quán)值更新

在改進(jìn)粒子群算法中采用非線性下降權(quán)重法策略，通過(guò)引入慣性因子可有效平衡算法的搜索能力[23]。受此啟發(fā)，本文提出了一種基于權(quán)重非線性下降的灰狼權(quán)值更新方法，如式(14)、式(15)所示，旨在提高灰狼跳出局部最優(yōu)的能力。

2.3 基于IGWO-SNN的訓(xùn)練算法

采用IGWO優(yōu)化SNN，實(shí)際上可以看作一個(gè)高維非線性參數(shù)優(yōu)化問(wèn)題。本文通過(guò)引入IGWO優(yōu)化SNN網(wǎng)絡(luò)連接權(quán)值，提升尋優(yōu)準(zhǔn)確度。

首先采用灰色關(guān)聯(lián)分析法選取預(yù)測(cè)日的相似日；然后利用Time-to-first-spike方法對(duì)模型輸入、輸出數(shù)據(jù)進(jìn)行編碼；接著將SNN中各層的連接權(quán)值映照為IGWO中的灰狼，通過(guò)灰狼之間的信息互換與傳遞，逐步修正連接權(quán)值以減小適應(yīng)度值，使其達(dá)到最??；最后基于IGWO-SNN模型進(jìn)行光伏出力短期預(yù)測(cè)。本文選取式(16)作為適應(yīng)度函數(shù)。

綜上所述，基于IGWO-SNN的光伏出力預(yù)測(cè)方法流程如圖3所示。

2.4 誤差評(píng)價(jià)指標(biāo)

為了評(píng)估預(yù)測(cè)模型的準(zhǔn)確性，本文采用平均絕對(duì)百分比誤差 (mean absolute percent error, MAPE)和均方根誤差 (root mean squared error, RMSE)兩種評(píng)價(jià)指標(biāo)對(duì)預(yù)測(cè)模型進(jìn)行性能評(píng)估[24-25]。

3 算例分析

圖3 IGWO-SNN模型訓(xùn)練方法流程圖

3.1 參數(shù)設(shè)置

本文所提IGWO-SNN模型參數(shù)如表2所示。

3.2 預(yù)測(cè)結(jié)果及分析

為了更加詳盡全面地了解BP、SNN、GWO- SNN、IGWO-SNN等模型的預(yù)測(cè)性能，本文將4種模型分別在晴天、多云天和陰雨天下各進(jìn)行了5天的預(yù)測(cè)，MAPE和RMSE如表3所示。

表3分別比較了4種模型在3種天氣類(lèi)型下各5天的預(yù)測(cè)誤差指標(biāo)，從表中可以看出，晴天下4種模型的MAPE值均保持在10%以下，表明各模型在晴天條件下的預(yù)測(cè)效果相對(duì)較好。而在多云天和陰雨天下，4種模型預(yù)測(cè)誤差均較為明顯，其中所提模型在陰雨天MAPE和RMSE最大分別達(dá)到29.32%和8.02 kW，其主要原因是這兩種天氣下云層變化劇烈，致使模型適應(yīng)性有所下降。

以2018年4月18日(晴天)、2019年9月4日(多云天)和2019年10月17日(陰雨天)為例，圖4分別給出了4種模型在晴天、多云天與陰雨天3種天氣類(lèi)型下的預(yù)測(cè)功率與實(shí)際功率的對(duì)比結(jié)果。

從圖4(a)可以看到，總體上晴天的光伏出力曲線波動(dòng)較為平緩，4種模型的預(yù)測(cè)曲線均接近實(shí)際曲線，表明晴天預(yù)測(cè)效果較好。其中IGWO-SNN模型預(yù)測(cè)曲線更加貼合實(shí)際曲線，尤其是在08：00—13：30、14：30—16：30時(shí)間段，說(shuō)明IGWO-SNN模型在晴天功率波動(dòng)幅度較緩時(shí)預(yù)測(cè)準(zhǔn)確度更優(yōu)。

從圖4(b)可以看到，相對(duì)于晴天來(lái)說(shuō)，多云天由于云團(tuán)厚薄程度和移動(dòng)路線都難以進(jìn)行準(zhǔn)確的預(yù)測(cè)，致使多云天的預(yù)測(cè)誤差偏大。但在08：00—10：30、14：00—16：30時(shí)間段，相比于BP、SNN、GWO-SNN等模型，IGWO-SNN模型的預(yù)測(cè)曲線與實(shí)際曲線更貼合，這也說(shuō)明了IGWO-SNN模型在對(duì)局部進(jìn)行預(yù)測(cè)時(shí)效果更加出色，可有效減小預(yù)測(cè)誤差。

表3 預(yù)測(cè)結(jié)果對(duì)比統(tǒng)計(jì)

從圖4(c)可以看出，由于陰雨天樣本數(shù)不多且天氣具有易變性，如出現(xiàn)小雨轉(zhuǎn)陰、陰轉(zhuǎn)小雨、陰轉(zhuǎn)晴等情況，都會(huì)對(duì)預(yù)測(cè)結(jié)果帶來(lái)巨大的影響。在實(shí)際曲線出現(xiàn)波動(dòng)較為明顯的10：30—16：30時(shí)間段，IGWO-SNN模型在整體預(yù)測(cè)上效果更好，說(shuō)明IGWO-SNN模型有更好的學(xué)習(xí)和映射能力。

綜上所述，IGWO-SNN模型的總體預(yù)測(cè)效果優(yōu)于其他3種，更加適用于不確定天氣類(lèi)型的功率預(yù)測(cè)。

4 結(jié)論

為了提高光伏出力預(yù)測(cè)模型的準(zhǔn)確度，本文在基于灰色關(guān)聯(lián)分析法選取相似日的基礎(chǔ)上，提出了一種基于IGWO-SNN的光伏出力短期預(yù)測(cè)方法。利用實(shí)證系統(tǒng)對(duì)該方法進(jìn)行多次實(shí)驗(yàn)研究，從對(duì)比研究結(jié)果可以得到以下結(jié)論：

1) 經(jīng)過(guò)驗(yàn)證，相比于BP神經(jīng)網(wǎng)絡(luò)(第二代人工神經(jīng)網(wǎng)絡(luò))，被稱(chēng)為“第三代神經(jīng)網(wǎng)絡(luò)”的Spiking神經(jīng)網(wǎng)絡(luò)獨(dú)有的多突觸結(jié)構(gòu)及精確脈沖時(shí)間編碼方式，使其預(yù)測(cè)性能更優(yōu)。

2) 改進(jìn)后的灰狼算法比傳統(tǒng)灰狼算法在SNN網(wǎng)絡(luò)權(quán)值尋優(yōu)方面有著更好的預(yù)測(cè)精度，說(shuō)明改進(jìn)型灰狼算法的全局搜索能力和局部搜索能力均更強(qiáng)，賦予了灰狼算法具有跳出局部最優(yōu)的能力。

3) 實(shí)驗(yàn)結(jié)果表明，相比于基本SNN、GWO-SNN等模型，IGWO-SNN預(yù)測(cè)模型有著更高的預(yù)測(cè)精度，尤其對(duì)多云天和陰雨天而言，預(yù)測(cè)誤差均有顯著提高。

[1] 張運(yùn)洲, 張寧, 代紅才, 等. 中國(guó)電力系統(tǒng)低碳發(fā)展分析模型構(gòu)建與轉(zhuǎn)型路徑比較[J]. 中國(guó)電力, 2021, 54(3): 1-11.

ZHANG Yunzhou, ZHANG Ning, DAI Hongcai, et al. Model construction and pathways of low-carbon transition of China's power system[J]. Electric Power, 2021, 54(3): 1-11.

[2] MADHIARASAN M. Accurate prediction of different forecast horizons wind speed using a recursive radial basis function neural network[J]. Protection and Control of Modern Power Systems, 2020, 5(3): 230-238.

[3] 張俊, 賀旭, 陸春良, 等. 基于數(shù)值天氣預(yù)報(bào)的光伏功率短期預(yù)測(cè)分類(lèi)組合算法[J]. 廣東電力, 2019, 32(6): 55-60.

ZHANG Jun, HE Xu, LU Chunliang, et al. Classification and combination algorithm for photovoltaic power short- term forecasting based on numerical weather prediction[J]. Guangdong Electric Power, 2019, 32(6): 55-60.

[4] 張翰霆, 陳俊, 陳根永. 基于SEELM多專(zhuān)家模型的分布式光伏系統(tǒng)負(fù)荷預(yù)測(cè)方法[J]. 電力系統(tǒng)保護(hù)與控制, 2022, 50(10): 69-75.

ZHANG Hanting, CHEN Jun, CHEN Genyong. An SEELM-based ensemble method for load forecasting in a distributed photovoltaic systems[J]. Power System Protection and Control, 2022, 50(10): 69-75.

[5] 賈德香, 呂干云, 林芬, 等. 基于SAPSO-BP和分位數(shù)回歸的光伏功率區(qū)間預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(10): 20-26.

JIA Dexiang, Lü Ganyun, LIN Fen, et al. Photovoltaic power interval prediction based on SAPSO-BP and quantile regression[J]. Power System Protection and Control, 2021, 49(10): 20-26.

[6] 王鑫, 李慧, 葉林, 等. 考慮風(fēng)速波動(dòng)特性的VMD-GRU短期風(fēng)電功率預(yù)測(cè)[J]. 電力科學(xué)與技術(shù)學(xué)報(bào), 2021, 36(4): 20-28.

WANG Xin, LI Hui, YE Lin, et al. VMD-GRU based short-term wind power forecast considering wind speed fluctuation characteristics[J]. Journal of Electric Power Science and Technology, 2021, 36(4): 20-28.

[7] 劉文杰, 劉禾, 王英男, 等. 基于完整自適應(yīng)噪聲集成經(jīng)驗(yàn)?zāi)B(tài)分解的LSTM-Attention網(wǎng)絡(luò)短期電力負(fù)荷預(yù)測(cè)方法[J]. 電力建設(shè), 2022, 43(2): 98-108.

LIU Wenjie, LIU He, WANG Yingnan, et al. Short-term power load forecasting method based on CEEMDAN and LSTM-Attention network[J]. Electric Power Construction, 2022, 43(2): 98-108.

[8] 黃樹(shù)幫, 陳耀, 金宇清. 碳中和背景下多通道特征組合超短期風(fēng)電功率預(yù)測(cè)[J]. 發(fā)電技術(shù), 2021, 42(1): 60-68.

HUANG Shubang, CHEN Yao, JIN Yuqing. A multi- channel feature combination model for ultra-short-term wind power prediction under carbon neutral background[J]. Power Generation Technology, 2021, 42(1): 60-68.

[9] 梁恩豪, 孫軍偉, 王延峰. 基于自適應(yīng)樽海鞘算法優(yōu)化BP的風(fēng)光互補(bǔ)并網(wǎng)發(fā)電功率預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(24): 114-120.

LIANG Enhao, SUN Junwei, WANG Yanfeng. Wind and solar complementary grid-connected power generation prediction based on BP optimized by a swarm intelligence algorithm[J]. Power System Protection and Control, 2021, 49(24): 114-120.

[10]王英立, 陶帥, 候曉曉, 等. 基于MIV分析的GA-BP神經(jīng)網(wǎng)絡(luò)光伏短期發(fā)電預(yù)測(cè)[J]. 太陽(yáng)能學(xué)報(bào), 2020, 41(8): 236-242.

WANG Yingli, TAO Shuai, HOU Xiaoxiao, et al. GA-BP neural network photovoltaic power generation short-term forecast based on MIV analysis[J]. Acta Energiae Solaris Sinica, 2020, 41(8): 236-242.

[11]左遠(yuǎn)龍, 黃玉水, 楊曉輝, 等. 基于PFA-MBAS-BP神經(jīng)網(wǎng)絡(luò)模型的光伏發(fā)電短期預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2020, 48(15): 84-91.

ZUO Yuanlong, HUANG Yushui, YANG Xiaohui, et al. Short-term prediction of photovoltaic power generation based on a PFA-MBAS-BP neural network model[J]. Power System Protection and Control, 2020, 48(15): 84-91.

[12] 羅建春, 晁勤, 羅紅, 等. 基于LVQ-GA-BP神經(jīng)網(wǎng)絡(luò)光伏電站出力短期預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(13): 89-94.

LUO Jianchun, CHAO Qin, LUO Hong, et al. PV short- term output forecasting based on LVQ-GA-BP neural network[J]. Power System Protection and Control, 2014, 42(13): 89-94.

[13] WEI D X, WANG J Z, NIU X S, et al. Wind speed forecasting system based on gated recurrent units and convolutional spiking neural networks[J]. Applied Energy, 2021, 292.

[14] MIRJALILI S, MIRJALILI S M, LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69: 46-61.

[15] YANG J C, LONG W. Improved grey wolf optimization algorithm for constrained mechanical design problems[J]. Applied Mechanics and Materials, 2016, 851: 553-558.

[16] ZHU A J, XU C P, LI Z, et al. Hybridizing grey wolf optimization with differential evolution for global optimization and test scheduling for 3D stacked SoC[J]. Journal of Systems Engineering and Electronics, 2015, 26(2): 317-328.

[17] TENG Z, Lü J, GUO L. An improved hybrid grey wolf optimization algorithm[J]. Soft Computing, 2019, 23(15): 6617-6631.

[18]陳通, 孫國(guó)強(qiáng), 衛(wèi)志農(nóng), 等. 基于相似日和CAPSO- SNN的光伏發(fā)電功率預(yù)測(cè)[J]. 電力自動(dòng)化設(shè)備, 2017, 37(3): 66-71.

CHEN Tong, SUN Guoqiang, WEI Zhinong, et al. Photovoltaic power generation forecasting based on similar day and CAPSO-SNN[J]. Electric Power Automation Equipment, 2017, 37(3): 66-71.

[19] 程龍, 劉洋. 脈沖神經(jīng)網(wǎng)絡(luò): 模型、學(xué)習(xí)算法與應(yīng)用[J]. 控制與決策, 2018, 33(5): 923-937.

CHENG Long, LIU Yang. Spiking neural networks: model, learning algorithms and applications[J]. Control and Decision, 2018, 33(5): 923-937.

[20] 陳通, 孫國(guó)強(qiáng), 衛(wèi)志農(nóng), 等. 基于Spiking神經(jīng)網(wǎng)絡(luò)的光伏系統(tǒng)發(fā)電功率預(yù)測(cè)[J]. 電力系統(tǒng)及其自動(dòng)化學(xué)報(bào), 2017, 29(6): 7-12, 44.

CHEN Tong, SUN Guoqiang, WEI Zhinong, et al. Power generation forecasting for photovoltaic system based on spiking neural network[J]. Proceedings of the CSU-EPSA, 2017, 29(6): 7-12, 44.

[21] GUO W, FOUDA M E, ELTAWIL A, et al. Neural coding in spiking neural networks: a comparative study for robust neuromorphic systems[J]. Frontiers in Neuroscience, 2021, 15: 212.

[22]王靜, 李維德. 基于CEEMD和GWO的超短期風(fēng)速預(yù)測(cè)[J]. 電力系統(tǒng)保護(hù)與控制, 2018, 46(9): 69-74.

WANG Jing, LI Weide. Ultra-short-term forecasting of wind speed based on CEEMD and GWO[J]. Power System Protection and Control, 2018, 46(9): 69-74.

[23] 郝少偉, 李勇軍, 趙尚弘, 等. 基于改進(jìn)粒子群算法的多載波NOMA功率分配策略[J]. 電子學(xué)報(bào), 2020, 48(10): 2009-2016.

HAO Shaowei, LI Yongjun, ZHAO Shanghong, et al. Multicarrier NOMA power allocation strategy based on improved particle swarm optimization algorithm[J]. Acta Electronica Sinica, 2020, 48(10): 2009-2016.

[24] 孫榮富, 王隆揚(yáng), 王玉林, 等. 基于數(shù)字孿生的光伏發(fā)電功率超短期預(yù)測(cè)[J]. 電網(wǎng)技術(shù), 2021, 45(4): 1258-1264.

SUN Rongfu, WANG Longyang, WANG Yulin, et al. Ultra-short-term prediction of photovoltaic power generation based on digital twins[J]. Power System Technology, 2020, 45(4): 1258-1264.

[25] 崔佳豪, 畢利. 基于混合神經(jīng)網(wǎng)絡(luò)的光伏電量預(yù)測(cè)模型的研究[J]. 電力系統(tǒng)保護(hù)與控制, 2021, 49(13): 142-149.

CUI Jiahao, BI Li. Research on photovoltaic power forecasting model based on hybrid neural network[J]. Power System Protection and Control, 2021, 49(13): 142-149.

An IGWO-SNN-based method for short-term forecast of photovoltaic output

DONG Zhiqiang, ZHENG Lingwei, SU Ran, WU Hao, LUO Ping

(School of Automation, Hangzhou Dianzi University, Hangzhou 310018, China)

Short-term forecasting of photovoltaic (PV) output is of great significance for energy management and optimal scheduling of power grids or microgrids. A spiking neural network (SNN) based on an improved grey wolf optimization (IGWO) algorithm is constructed and applied to short-term forecasting of PV output. First, the grey relation analysis method is used to select similar days. Then, an IGWO algorithm is proposed for SNN model training, and the performance of SNN coding and forecasting is improved by introducing a nonlinear descent convergence factor and updating strategy of dynamic weight based on the regular changes of trigonometric functions. Finally, the performance of the proposed method is evaluated using a demonstration system, and compared with three other models. The results show that the proposed method significantly improves prediction performance.

short-term forecast of photovoltaic output; spiking neural network; improved grey wolf optimization algorithm; convergence factor; updating strategy of dynamic weight

10.19783/j.cnki.pspc.220459

浙江省自然科學(xué)基金項(xiàng)目資助(LY20E070004)

This work is supported by Natural Science Foundation of Zhejiang Province (No. LY20E070004).

2022-03-31；

2022-06-10

董志強(qiáng)(1995—)，男，碩士，主要研究方向?yàn)榭稍偕茉搭A(yù)測(cè)；E-mail1: 1217327656@qq.com

鄭凌蔚(1978—)，女，通信作者，博士，副教授，主要研究方向?yàn)榫C合能源系統(tǒng)優(yōu)化調(diào)度與可再生能源發(fā)電預(yù)測(cè)。E-mail: zhenglw@hdu.edu.cn

(編輯 姜新麗)