基于改进麻雀算法的深度信念网络短期光伏功率预测

为进一步提高光伏发电预测精度,提出了一种改进麻雀算法(ISSA)优化深度信念网络(DBN)的预测模型。首先,为提高麻雀算法的收敛速度和避免陷入局部最优,将精英反向学习策略和Metropolis准则引入麻雀算法用于初始化SSA种群和改进SSA更新策略。其次为提高DBN模型的性能,运用ISSA对DBN模型的权值进行优化选择,同时为避免冗余的气象因子影响光伏输出,采用最大相关信息系数的特征选择法(NFCBF),选择与光伏输出相关性最好的气象特征向量作为模型输入;基于NFCBF法选好的特征向量,采用一种结合欧氏距离和灰色关联度的综合相似指数法,选择相似日作为训练集。最后建立ISSA-DBN预测模型,并利用新疆某光伏电站的实际数据进行实验分析。结果表明在训练集的选择方法相同的情况下,与DBN模型、PSO-DBN模型、SSA-DBN模型相比,ISSA-DBN的平均绝对百分比误差指标在晴天仅为3.69%,晴转多云天为5.23%,雨天为9.53%,预测精度均高于其他三种模型。由此验证了ISSA-DBN模型良好的预测精度。