Page 82 - 电力与能源2024年第二期

222 孙玉波，等：基于 GA-PSO-BP 与灰色关联的光伏短期功率预测

能够提高算法的全局搜索能力。引入莱维飞行后 （6）迭代寻优找到最优粒子，得到 BP 神经网
粒子的速度、位置表达如下： 络的最优权值与阈值，训练网络进行预测。
v id = wv id + c 1 r 1 ( Levy⊕p id - x id )+ GA-PSO-BP 神经网络算法流程如图 2 所示。
c 2 r 2 ( p gd - x id ) （6） 本文利用通过 GA-PSO 算法优化过程取代原神
x id = x id + ε⊕Levy （7） 经网络学习的过程，以此确定出模型的最优权值
式中 Levy——服从莱维分布的路径；⊕——点
和阈值。首先。生成权值与阈值的初始种群；然
乘； ε——步长因子。
后对初始化个体的速度进行更新；接着，利用遗传
利用混合变异及交叉方式形成新的优化参数
算法中的交叉、变异过程对更新后的粒子进行操
的方式为随机游动，它不仅有助于算法求解逃逸
作；最后，在迭代过程中，以误差最小为目标函数
出局部极值，而且还能加快算法的寻优速度。其
输出最优的权值与阈值。
位置更新如下：
t + 1 t t t t + 1
x id = x id + λ( x jd - x kd )+ v id （8）
t
t
式中 λ——缩放因子；x jd，x kd——第 j 个与第 k 个
粒子的位置。
上述操作对速度与位置进行随机化，丰富了
种群多样性，但是未考虑更新后粒子适应度值问
题 ，为 了 筛 选 优 秀 个 体 ，所 以 建 立 以 遗 传 算 法
（GA）为补充的混合优化算法。该算法巧妙地采
用了细分群体的思想 ［21］ ，对适应度好的粒子进行
重组，对适应度差的粒子进行变异，对算法的收敛
性进行创新和调整，进一步改善算法陷入局部极
值、过早收敛的特点，实现了两种算法优势互补。
GA-PSO-BP 算法的具体步骤如下。

（1）载入经过灰色关联度选择过的数据，并进
行归一化处理。
（2）初始化各种参数，包括 PSO 与 GA 迭代计
算 所 需 要 的 各 种 参 数 ，设 置 种 群 的 规 模 与 进 化
次数。
（3）首先 PSO 算法对种群进行优化，根据式
图 2 GA-PSO-BP 算法流程
（6）和式（8）更新粒子群的速度和位置，然后计算
本 次 试 验 GA-PAO-BP 算 法 所 设 置 的 进 化
每个粒子的适应度值。
次数为 25，在第 25 次时，种群已经接近最优结果。
（4）每次种群迭代更新后，将新的粒子按照适
种群规模的设置由网络阈值与权值两者之和决
应度值进行从大到小排序，分成两组，对适应度好
的粒子进行重组操作，对适应度差的粒子进行突 定，对“基因”好的粒子所设置的交叉概率为 0.7，
变操作来获得更好的个体，以便后续进行处理。 经验值在 0.4~0.9 之间，过大会导致遗传不稳定，
（5）在两组经过变异、重组后的粒子中寻找全 过小会减少种群多样性。“基因”恶劣的粒子设置
局最优与个体最优，将这两个最优粒子与原来的 的变异概率一般取值在 0.1 以下，因为基因突变是
粒子进行比较，择优选择粒子，重复寻找与迭代 小 概 率 事 件 ，其 影 响 与 交 叉 类 似 ，此 试 验 选
操作。 取 0.05。