针对最大功率点跟踪(maximum power point tracking,MPPT)技术在局部荫遮条件下不能精确找到最大功率点的问题,提出一种改进金枪鱼算法(tuna swarm optimization,TSO)结合极限学习机(extreme learning machine,ELM)的光伏功率预测模型...针对最大功率点跟踪(maximum power point tracking,MPPT)技术在局部荫遮条件下不能精确找到最大功率点的问题,提出一种改进金枪鱼算法(tuna swarm optimization,TSO)结合极限学习机(extreme learning machine,ELM)的光伏功率预测模型。首先,通过改进线性权重系数、建立高斯变异-最优领域机制策略对TSO进行联合改进,平衡全局勘探和局部开发过程,进一步增强算法跳出局部最优的能力。其次,基于改进TSO算法对ELM的相关参量进行寻优,构建光伏功率预测模型。仿真结果表明,与其他标准优化算法相比,ITSO在4个经典基准函数上表现出更优的寻优精度和收敛速度;与ELM、PSO-ELM、WOA-ELM以及TSO-ELM模型相比,ITSO-ELM在预测光伏功率时具有最高的精度,平均绝对误差为0.032 5,验证了所提出模型的有效性。展开更多
文摘针对最大功率点跟踪(maximum power point tracking,MPPT)技术在局部荫遮条件下不能精确找到最大功率点的问题,提出一种改进金枪鱼算法(tuna swarm optimization,TSO)结合极限学习机(extreme learning machine,ELM)的光伏功率预测模型。首先,通过改进线性权重系数、建立高斯变异-最优领域机制策略对TSO进行联合改进,平衡全局勘探和局部开发过程,进一步增强算法跳出局部最优的能力。其次,基于改进TSO算法对ELM的相关参量进行寻优,构建光伏功率预测模型。仿真结果表明,与其他标准优化算法相比,ITSO在4个经典基准函数上表现出更优的寻优精度和收敛速度;与ELM、PSO-ELM、WOA-ELM以及TSO-ELM模型相比,ITSO-ELM在预测光伏功率时具有最高的精度,平均绝对误差为0.032 5,验证了所提出模型的有效性。
