基于改进极限学习机ELM的光伏发电预测方法研究.docx

基于改进极限学习机ELM的光伏发电预测方法研究
摘要
随着光伏发电的普及和应用，预测光伏发电量的准确性越来越受到关注。本文涉及的研究将改进极限学习机(ELM)应用于光伏发电预测中，通过利用时间序列数据进行训练，建立一个能够准确预测光伏发电量的模型。通过实验，结果表明，改进的ELM模型可以有效地提高光伏发电的预测准确性。
关键词：光伏发电预测；ELM模型；时间序列；预测准确性
Abstract
Withthepopularizationandapplicationofphotovoltaicpowergeneration,theaccuracyofpredictingtheamountofphotovoltaicpowergenerationhasattractedmoreandmoreattention.TheresearchcoveredinthispaperappliestheimprovedExtremeLearningMachine(ELM)tophotovoltaicpowergenerationpredictionbyusingtime-seriesdatafortraining,whichestablishesamodelthatcanaccuratelypredictthephotovoltaicpowergenerationamount.ExperimentalresultsshowthattheimprovedELMmodelcaneffectivelyimprovetheaccuracyofphotovoltaicpowergenerationprediction.
Keywords:Photovoltaicpowergenerationprediction;ELMmodel;Timeseries;Predictionaccuracy
一、引言
近年来，光伏发电技术取得了长足的进展，已经成为新能源领域发展最快、应用最广泛、技术最成熟的一种能源形式。在使用光伏发电的过程中，准确预测光伏发电量对于调度、安排发电运行和评价光伏电站效益等方面都有重要意义。因此，提高光伏发电量的准确性成为了一个研究热点。
目前，已经有很多机器学习模型被用于光伏发电预测中，例如支持向量机(SVM)、人工神经网络(ANN)等。其中，极限学习机(ELM)因为模型参数的优越性而受到了越来越多的关注。然而，传统的ELM模型缺乏对于时间序列数据的处理能力。
因此，本文将针对传统ELM模型的缺陷，提出一种改进的ELM模型，通过结合时间序列数据进行训练，以期建立一个能够准确预测光伏发电量的模型。
二、相关工作
近年来，使用机器学习模型进行光伏发电预测已经成为研究热点。SVM是一种常用的机器学习模型，与其相关的预测方法也被广泛应用于光伏发电预测。王茜等人[1]在研究中采用SVM模型进行预测，并将预测结果与支持矢量回归(SVR)模型进行了对比，结果表明，SVM模型的预测效果要优于SVR模型。
除此之外，神经网络模型也是预测光伏发电量的有效工具。Shen等人[2]使用基于多输入神经网络的光伏发电量预测方法，并且使用多个输入变量来提高预测精度。然而，在实际应用中，这些方法在处理时间序列数据时仍然存在一些问题。
三、改进的ELM模型
3.1ELM模型
ELM是一种快速、高效的机器学习模型，其可以产生非常快的隐层特征提取和分类模型训练过程。原始的ELM模型包括输入层、隐层和输出层。其中，输入层接收输入数据，并通过隐层，将数据映射到一个更高维的空间中。输出层的计算通过线性加性模型(connectionweightsbetweeninputsandoutputs)完成。模型参数是随机产生的，并未经过精细调整。ELM只需在随机产生参数之后建立线性模型并解决线性方程组来求解最佳输出权重。
ELM的训练过程包括以下三个步骤：
（1）初始化随机参数W和biasb，其中W的大小为[Dimension(hidden)xDimension(input);
（2）根据随机参数计算隐层结果H；
（3）对输出权重进行计算，其中Y=HW。
3.2改进的ELM模型
然而，ELM模型在处理时间序列数据时会存在一些问题。
因此，本文提出了一种改进的ELM模型，其主要思路包括以下两部分：
（1）使用时间序列数据进行训练，以获得更精确的预测结果；
（2）通过增加隐层神经元数量，有效地提高了模型对序列数据的拟合能力。
为了能够应对时间序列数据的处理需求，本文提出了一种基于ELM的时间序列模型。在训练过程中，将输入数据重组为多个子序列，每个子序列的长度为户选择的窗口大小。接着，将计算出来的隐层加起来，同时将输出矩阵乘以一个补偿矩阵。
3.3时间序列特征提取
使用时间序列数据对ELM模型进行训练的前