青岛大学学报（工程技术版）
青島大學學報（工程技術版）
청도대학학보（공정기술판）
Journal of Qingdao University(Engineering & Technology Edition)
2015年
3期
12-15,32
,共5页
彭光虎%马景超%龚文杰%段晓燕%张智晟
彭光虎%馬景超%龔文傑%段曉燕%張智晟
팽광호%마경초%공문걸%단효연%장지성
光伏发电功率预测%回声状态网络%储备池计算%新能源
光伏髮電功率預測%迴聲狀態網絡%儲備池計算%新能源
광복발전공솔예측%회성상태망락%저비지계산%신능원
photovoltaic power prediction%ESN%computing of reserve pool%new energy
针对传统神经网络学习算法复杂且稳定性差的问题,本文基于回声状态神经网络,提出了光伏发电功率预测模型.回声状态神经网络的隐含层是一种动态储备池结构,具有回声状态属性,不仅增强了网络预测的稳定性,而且只需采用线性算法即可求得网络输出权值,简化了训练过程,同时克服了传统神经网络收敛速度慢和易陷入局部极小的问题.并利用实际光伏发电站的历史数据和气象数据进行仿真验证.仿真结果表明,ESN预测模型的平均预测误差和最大预测误差分别比BP-NN预测模型提高了13.52％和102.26％,表明ESN预测模型的预测精度明显高于BP-NN预测模型;而且无论从预测精度还是稳定性,ESN预测模型都好于BP-NN预测模型,从而验证了ESN预测模型的可行性.该研究为光伏发电功率模型的实用化提供了理论基础.
針對傳統神經網絡學習算法複雜且穩定性差的問題,本文基于迴聲狀態神經網絡,提齣瞭光伏髮電功率預測模型.迴聲狀態神經網絡的隱含層是一種動態儲備池結構,具有迴聲狀態屬性,不僅增彊瞭網絡預測的穩定性,而且隻需採用線性算法即可求得網絡輸齣權值,簡化瞭訓練過程,同時剋服瞭傳統神經網絡收斂速度慢和易陷入跼部極小的問題.併利用實際光伏髮電站的歷史數據和氣象數據進行倣真驗證.倣真結果錶明,ESN預測模型的平均預測誤差和最大預測誤差分彆比BP-NN預測模型提高瞭13.52％和102.26％,錶明ESN預測模型的預測精度明顯高于BP-NN預測模型;而且無論從預測精度還是穩定性,ESN預測模型都好于BP-NN預測模型,從而驗證瞭ESN預測模型的可行性.該研究為光伏髮電功率模型的實用化提供瞭理論基礎.
침대전통신경망락학습산법복잡차은정성차적문제,본문기우회성상태신경망락,제출료광복발전공솔예측모형.회성상태신경망락적은함층시일충동태저비지결구,구유회성상태속성,불부증강료망락예측적은정성,이차지수채용선성산법즉가구득망락수출권치,간화료훈련과정,동시극복료전통신경망락수렴속도만화역함입국부겁소적문제.병이용실제광복발전참적역사수거화기상수거진행방진험증.방진결과표명,ESN예측모형적평균예측오차화최대예측오차분별비BP-NN예측모형제고료13.52％화102.26％,표명ESN예측모형적예측정도명현고우BP-NN예측모형;이차무론종예측정도환시은정성,ESN예측모형도호우BP-NN예측모형,종이험증료ESN예측모형적가행성.해연구위광복발전공솔모형적실용화제공료이론기출.
