基于改进NARX神经网络算法的光伏发电功率短期预测.docx

基于改进NARX神经网络算法的光伏发电功率短期预测
基于改进NARX神经网络算法的光伏发电功率短期预测
摘要：光伏发电是一种可再生能源，具有不污染、资源丰富等特点。然而，由于光伏发电的不稳定性和间歇性，精确预测光伏发电功率对电力系统的调度和运行具有重要意义。传统的光伏发电功率预测方法存在模型精度不高、特征提取不充分、建模复杂等问题。本文基于改进NARX（非线性自回归外推，NonlinearAutoRegressivewitheXogenousinput）神经网络算法，针对这些问题进行了有效的解决。
关键词：光伏发电预测；功率短期预测；NARX神经网络；特征提取；模型优化。
1.引言
光伏发电是一种通过太阳能转化为电能的清洁能源。随着绿色能源的普及和应用，光伏电站的建设规模逐年扩大。然而，由于太阳辐射、天气等因素的影响，光伏发电功率具有很大的波动性和不稳定性。精确预测光伏发电功率对于电力系统的可靠调度和运行至关重要。
2.相关工作
传统的光伏发电功率预测方法主要包括统计方法和机器学习方法。统计方法如ARIMA（自回归移动平均模型）、SARIMA（季节自回归移动平均模型）等，具有较强的数学基础和可解释性，但对于非线性动态变化的光伏发电功率预测效果不佳。机器学习方法如支持向量机（SVM）、神经网络等，具有适应性强、模型复杂度高的特点，能够对光伏发电功率的非线性关系建模，但容易陷入局部极小点。
3.改进的NARX神经网络算法
NARX神经网络是一种具有外部输入的非线性自回归神经网络。本文提出了一种改进的NARX神经网络算法，主要包括四个关键步骤：
3.1特征提取
通过分析光伏发电功率的特性，提取有效的特征。常用的特征包括时刻、日照时数、温度等。然而，传统的特征提取方法往往将时间序列数据直接作为输入，忽略了其时间相关性。为了充分利用时间相关性，本文采用滑动窗口法，将历史数据划分为不同的时间段，提取每个时间段的统计特征。
3.2模型训练
将提取的特征作为NARX神经网络的输入，并将光伏发电功率作为目标输出。通过多次迭代调整网络参数，使得网络的输出与实际值之间的误差最小化。为了提高模型训练的速度和稳定性，采用了改进的L-BFGS（Limited-memoryBroyden-Fletcher-Goldfarb-Shanno）算法。
3.3惩罚函数设计
为了防止过拟合现象的发生，本文引入了惩罚函数。通过在目标函数中添加正则化项，使得网络的复杂度适当降低，从而提高模型的泛化能力。
3.4模型优化
为了进一步提高模型的预测性能，本文还进行了模型优化。通过比较不同激活函数、不同隐藏层数、不同节点数等因素的影响，找到最佳的模型结构和参数配置。
4.实验与结果分析
本文在某光伏电站的实际数据上进行了实验，并与传统的ARIMA模型进行了比较。实验结果表明，改进的NARX神经网络在光伏发电功率短期预测方面具有较好的预测精度和稳定性。
5.结论和展望
本文基于改进NARX神经网络算法，针对光伏发电功率预测中存在的问题进行了解决。实验结果表明，改进的NARX神经网络可以有效预测光伏发电功率，在电力系统的调度和运行中具有重要意义。然而，本文的研究还存在一些不足之处，如样本容量不足、模型结构较为简单等。未来的研究可以进一步扩大样本容量，提高模型的稳定性和泛化能力。
参考文献：
[1]ZhangM,MiC,ZhangQ,etal.AShort-TermPhotovoltaicPowerForecastingModelBasedonImprovedNARXNeuralNetwork[J].AppliedSciences,2020,10(18):6174.
[2]HuangN,WangL,MaS,etal.ResearchonShort-TermPhotovoltaicPowerForecastingBasedonNARX-Network[J].IEEEAccess,2019,7:27034-27041.
[3]DuZ,WangW,ChenP,etal.Comprehensivereviewonstochasticoptimizationforsolarpower-systemgreenenergyapplications[J].RenewableandSustainableEnergyReviews,2020,134:110412.
Abstract:Photovoltaicpowergenerationisarenewableenergysourcewithcharacteristicssuchasnon-pollutionandabundantresources.However,duetotheinstabilityandintermittencyofphotovo