[发明专利]一种基于BAS-BP的光伏发电功率预测方法

权利要求书

1.一种基于BAS-BP的光伏发电功率预测方法，其特征在于：按下述步骤进行：

a、获取光伏电站的历史光伏发电功率和气象数据，并对所述历史光伏发电功率和气象数据进行归一化处理形成数据集，将数据集分为训练样本集和测试样本集；

b、初始化BP神经网络，其拓扑结构确定为M-N-1形式，其中M、N、1分别代表3层BP神经网络的输入层、隐含层、输出层的节点数；初始化BAS算法并计算天牛的空间位置x处的适应度函数，BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置x_best，将x_best作为BP神经网络的初始权重，实现BAS-BP模型的构建；

c、利用训练样本集对构建好的BAS-BP模型进行训练，获得最优BAS-BP预测模型，再利用测试样本集的相应数据作为最优BAS-BP预测模型的输入，进而实现光伏发电功率的精准预测。

2.根据权利要求1所述的基于BAS-BP的光伏发电功率预测方法，其特征在于：步骤b中，运用初始化后的BP神经网络进行光伏发电功率的拟合，得到光伏发电功率的拟合值；将光伏发电功率的拟合值和期望值的均方误差作为BAS算法的适应度函数fitness_x：

式中：M为训练样本集的总个数，和y分别为BP神经网络的拟合值和期望值。

3.根据权利要求2所述的基于BAS-BP的光伏发电功率预测方法，其特征在于：所述的BP神经网络包括输入层、隐含层和输出层，各层节点数分别为K、J、1；

设其输入为x₁,x₂,…,x_k，则第j个隐含层节点输出为

式中：为隐含层权重；a_j为隐含层偏置；f为隐含层转换函数，取

输出层的输出为

式中：为输出层权重；b为输出层偏置；

根据实际输出O和期望输出H，BP神经网络的误差确定为：

根据误差E，以α统一表示BP神经网络权重和偏置a_j、b的更新公式：

式中：η为BP神经网络学习率；

BP神经网络通过梯度下降法不断修正权重，直至总误差达到设定的精度或迭代次数超过最大迭代次数为止。

4.根据权利要求1-3任一项所述的基于BAS-BP的光伏发电功率预测方法，其特征在于：步骤b中，所述BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置x_best的过程如下：

S1:定义天牛朝向的随机方向向量并作归一化处理：

式中：n为搜索空间的维数；

S2:创建天牛左右须空间位置：

式中：x_rt为t次迭代时右须的空间位置，x_lt为t次迭代时左须的空间位置，x^t为t次迭代时天牛质心的空间位置，d^t为t次迭代时两须之间的距离；

S3:计算左右两须适应度函数值f(x_l)和f(x_r)，并判断两者大小，更新天牛的空间位置为

式中：δ^t为t次迭代时的步长，sign()为符号函数。

S4:更新两须之间的步长和距离：

式中：etaδ是步长的衰减系数；c为常数；

最后判断BAS算法的适应度函数值是否达到设定的精度fbest或者迭代次数Iter是否超过最大迭代次数Itermax；若满足条件，则停止迭代，将此时的天牛空间位置x_best作为BP神经网络的最优初始权重，否则按S1-S4继续迭代。