Hybrid Improved Bird Swarm Algorithm with Extreme Learning Machine for Short-Term Power Prediction in Photovoltaic Power Generation System
Cuando un sistema fotovoltaico (FV) se conecta a la red eléctrica, la fiabilidad del sistema eléctrico puede estar expuesta a una amenaza debido a su inherente aleatoriedad y volatilidad. En consecuencia, la predicción de la generación de energía fotovoltaica se hace necesaria para una programación razonable de la distribución de energía. En este estudio se desarrolló un modelo híbrido basado en un algoritmo de enjambre de aves mejorado (IBSA) con un algoritmo de máquina de aprendizaje extremo (ELM), es decir, IBSAELM, para una mejor predicción de la potencia de salida fotovoltaica a corto plazo. El modelo IBSA se utilizó inicialmente para optimizar el umbral de la capa oculta y el peso de entrada del modelo ELM. Además, los parámetros óptimos obtenidos se introdujeron en el modelo ELM para predecir la potencia fotovoltaica a corto plazo. Los resultados revelaron que el modelo IBSAELM es superior en términos de precisión de la predicción en comparación con los métodos existentes, como la máquina de vectores de apoyo (SVM), la red neuronal de propagación posterior (BP), la regresión del proceso gaussiano (GPR) y los modelos de algoritmo de enjambre de aves con máquina de aprendizaje extremo (BSAELM). De este modo, se lograron grandes beneficios en cuanto a la eficiencia de utilización de la generación de energía en su conjunto. Además, la estabilidad de la red eléctrica se mantuvo bien, lo que dio lugar a un equilibrio en la generación, la transmisión y el consumo de electricidad.
Fuente:
Revista Virtual Pro
Formatos de contenido:
Otros
