基于近邻传播聚类和回声状态网络的光伏预测

分析了天气因素对光伏出力的影响,选择预报技术较为成熟的气象信息和能反映光伏变化趋势的波动分量作为分类特征。针对传统预测算法在突变天气条件下预测精度较低的问题,提出基于近邻传播聚类和回声状态网络的组合算法,通过近邻传播算法对光伏出力进行分类,并根据预测日所属的类别建立回声网络状态方程进行光伏出力预测。仿真表明所提算法不仅能满足非突变型天气下的光伏预测要求,还能较好地跟踪突变型天气下光伏出力变化,具有更高的准确度和通用性。

一种回声状态网络的权值初始化方法

为了避免奇异解,提高网络性能,给出一种回声状态网络的权值初始化方法(WIESN).利用柯西不等式和线性代数确定优化的初始权值的范围与输入维数、储备池维数、输入变量和储备池状态相关,从而确保神经元的输出位于sigmoid函数的激活区域.实验结果表明,权值初始化方法的精度和训练时间要优于随机初始化方法,且相比于训练时间,权值初始化的时间是可以忽略不计的.