买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西北工业大学

摘要：本发明涉及一种基于神经网络和蜜罐优化的光伏功率预测方法，针对随机初始权重和偏置严重影响BP神经网络性能的不完善性，所提出的基于蜜獾算法和增强型反向传播神经网络的光伏发电预测模型。将珀斯的每小时太阳辐照度和环境温度用作预测模型的输入数据，并将历史每小时发电量功率用作预期输出。在BP神经网络中引入HBA来对初始权重和偏置进行优化。各种指标的仿真结果说明相对于BP预测模型，HBA‑BP神经网络的预测精度得到了一定程度上的提升。

主权项：1.一种基于神经网络和蜜罐优化的光伏功率预测方法，其特征在于步骤如下：步骤1：对三类原始数据分别进行归一化处理，三类原始数据包括光照强度y1、环境温度y2和功率y3，得到三类原始数据归一化后的参数数据yn； 其中，ynn＝1，2，3表示对应原始数据ymm＝1，2，3的归一化数据-1＜yn＜1；ym，min和ym，max分别是三类对应原始数据的下边界和上边界；将归一化后的每类数据，随机的分为两个组为训练数据和测试数据；步骤2：对BP神经网络初始化参数，参数定义为权重和偏置所构成的向量：xi＝lbi+rand×ubi-lbi；rand∈[0，1]其中，ubi为参数的上边界，lbi为参数的下边界；rand是[0，1]内的随机值，i表示第i个参数；将三类训练数据输入BP神经网络，BP神经网络输出与参数对应的功率值；步骤3：对所有参数下的功率值进行评估： 最小均方误差为最佳参数值即对应权重和偏置所构成的向量保存到Tpos；步骤4：计算强度I即参数集中度： 其中：取值为2，Ii表示参数集中度，di表示参数与其他参数之间差的距离；更新递减因子α：其中：t表示当前迭代次数，C为常数，tmax为最大迭代次数；步骤5：更新参数xnew，返回步骤3；所述参数xnew的计算为：当R＜0.5时：xnew＝xprey+βIFxprey+r1αdiF|cos2πr2×[1-cos2πr3]|当R≥0.5时：xnew＝xprey+βIFxprey+r4αdiF其中，xnew表示新的参数，求解最佳参数的能力定义为β≥1，R、r1、r2、r3和r4是介于0和1之间的独立随机数，xprey表示当前最好的参数；所述F用于改变参数值更新的方向： 步骤6：对Tpos内的权重和偏置进行训练： 其中，Tpos表示最佳的那一组权重和偏置，Wt+1表示t+1次训练的权重，所定义的学习率lr也称为步长；Loss是训练中期望与预测值差异的度量，Wt表示t次训练的权重；步骤7：将以上训练得到的权重和偏置带入下式，输出预测值Yp： 其中，wij和bj是输入层到隐含层节点的权重和偏置参数；wjk和bk表示从隐藏层节点到输出层节点的权重和偏置，Yp表示预测值，即，预测的功率；是隐含层中节点的激活函数，为输出层节点的激活函数，m为输出层节点数，n是输入层的节点数，i是输入层的网络节点，j是隐藏层的网络节点，k是输出层的网络节点。

全文数据：

权利要求：

百度查询： 西北工业大学 一种基于神经网络和蜜罐优化的光伏功率预测方法