基于LIESN的光伏功率预测研究
孙鹏1，张依强1，焦程炜2
（1 国网山东省电力公司菏泽供电公司，山东 菏泽 274000；2 国网山东省电力公司莱芜供电公司，山东 莱芜 271100）
摘 要：为了光伏功率预测结果有更好的准确性与普适性，提出基于泄漏积分型回声状态网络（LIESN） 的具有在线学习功能的预测方法。在回声状态网络（ESN） 中引入泄漏积分型神经元，增强储备池的短期记忆能力；分析了LIESN的参数对其光伏功率预测性能的影响，得到优化后的预测模型；利用最小二乘在线学习算法对模型实施训练，得到最终的在线学习LIESN预测模型。实例证明，该算法可完成复杂的建模且适用于多种天气情况，预测精度优于BP神经网络、经典ESN及LIESN模型，验证了方法的有效性。
关键词：回声状态网络；泄漏积分；神经元；光伏功率预测；在线学习
中图分类号：TM615 文献标识码：A 文章编号：1007-3175(2018)04-0018-06
Online-Learning PV Power Forecasting Based on Leaky-Integrator ESN
SUN Peng1, ZHANG Yi-qiang1, JIAO Cheng-wei2
（1 Heze Power Supply Company, Heze 274000, China; 2 Laiwu Power Supply Company, Laiwu 2711 00, China）
Abstract: In order to enhance computing accuracy and universality of photovoltaic (PV) power forecasting, this paper proposed a online-learning method based on leaky-integrator echo state network(LIESN). Leaky-integrator neurons were introduced to plain ESN and the short-term memory ability was promoted. The impact of parameters of LIESN on PV power forecasting performance was analyzed and an optimized model was obtained. The model was trained by least squares online learning algorithm and final forecasting was obtained. By practical examples, complicated model can be established and applied to various weather conditions. The forecasting accuracy was superior to the BP neural network and plain ESN and the validity of proposed method is testified.
Key words: echo state network; leaky-integarator; neurons; photovoltaic power forecasting; online learning
参考文献
[1] FERNANDEZ-JIMENEZ L A, MUNOZ-JIMENEZ A, FALCES A, et al. Short-term power forecasting system for photovoltaic plants[J]. Renewable Energy，2012，44(4)：311-317.
[2] 龚莺飞，鲁宗相，乔颖，等. 光伏功率预测技术[J]. 电力系统自动化，2016，40(4)：140-151.
[3] 陈昌松，段善旭，殷进军. 基于神经网络的光伏阵列发电预测模型的设计[J]. 电工技术学报，2009，24(9)：153-158.
[4] 李鹏梅，臧传治，王侃侃. 基于相似日和神经网络的光伏发电预测[J]. 可再生能源，2013，31(10)：1-4．
[5] 黄磊，舒杰，姜桂秀，等. 基于多维时间序列局部支持向量回归的微网光伏发电预测[J]. 电力系统自动化，2014，38(5)：19-24.
[6] SHI J, LEE W J, LIU Y, et al.Forecasting Power Output of Photovoltaic Systems Based on Weather Classification and Support Vector Machines[J].IEEE Transactions on Industry Applications，2012，48(3)：1064-1069.
[7] LI Y T, SU Y, SHU L J.An ARMAX model for forecasting the power output of a grid connected photovoltaic system[J].Renewable Energy，2014，66(6)：78-89．
[8] JAYAWARDENE I, VENAYAGAMOORTHY G K.Comparisonof echo state network and extreme learning machine for PV power prediction[C]//2014 IEEE Symposium on Computational Intelligence Applications in Smart Grid (CIASG)，2014.
[9] JAEGER H. The “echo state” approach to analysing and training recurrent neural networks[J].Uberwachtes Lernen，2001：1-47.
[10] JAEGER H, LUKOSEVICIUS M, DAN P, et al. Optimization and applications of echo state networks with leaky-integrator neurons[J]. Neural Networks，2007，20(3)：335-352.
[11] 罗熊，黎江，孙增圻. 回声状态网络的研究进展[J].北京科技大学学报，2012，34(2)：217-222.
[12] 彭宇，王建民，彭喜元. 基于回声状态网络的时间序列预测方法研究[J]. 电子学报，2010，38(B2)：148-154.
[13] 伦淑娴，林健，姚显双. 基于小世界回声状态网的时间序列预测[J]. 自动化学报，2015，41(9)：1669-1679.
[14] LUN S X, YAO X S, QI H Y, HU H F. A novel model of leaky integrator echo state network for time-series prediction[J].Neurocomputing，2015，159(1)：58-66.
[15] 李军，岳文琦. 基于泄漏积分型回声状态网络的软测量动态建模方法及应用[J]. 化工学报，2014，65(10)：4004-4014.
[16] 张浩然， 汪晓东. 回归最小二乘支持向量机的增量和在线式学习算法[J]. 计算机学报，2006，29(3)：400-406.
[17] 郭振凯，宋召青，毛剑琴. 一种改进的在线最小二乘支持向量机回归算法[J]. 控制与决策，2009，24(1)：145-148.
[18] 叶林，陈政，赵永宁，等. 基于遗传算法—模糊径向基神经网络的光伏发电功率预测模型[J]. 电力系统自动化，2015，39(16)：16-22.
