CN107609774A - 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 - Google Patents
一种基于思维进化算法优化小波神经网络的光伏功率预测方法 Download PDFInfo
- Publication number
- CN107609774A CN107609774A CN201710811772.7A CN201710811772A CN107609774A CN 107609774 A CN107609774 A CN 107609774A CN 201710811772 A CN201710811772 A CN 201710811772A CN 107609774 A CN107609774 A CN 107609774A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- data
- sub
- group
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 25
- 230000007935 neutral effect Effects 0.000 title claims abstract description 10
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000005096 rolling process Methods 0.000 claims abstract description 8
- 238000013519 translation Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 32
- 230000001537 neural effect Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 6
- 235000009413 Ratibida columnifera Nutrition 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 230000035800 maturation Effects 0.000 claims description 3
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 claims description 2
- 230000004807 localization Effects 0.000 claims description 2
- 238000002715 modification method Methods 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 239000013589 supplement Substances 0.000 claims description 2
- 241000510442 Ratibida peduncularis Species 0.000 claims 2
- 230000007812 deficiency Effects 0.000 abstract description 2
- 244000286916 Ratibida columnifera Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000003915 air pollution Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种基于思维进化算法优化小波神经网络的光伏功率预测方法。从光伏功率预测***数据库模块获取光伏历史数据及空气质量数据;对历史数据建立小波神经网络的预测模型,通过引入尺度和平移两个新的参数,提高预测模型的函数逼近能力;并采用思维进化算法对BP神经网络的权值和阈值进行优化,有效的解决了现存预测模型中存在的光伏功率超短期预测精度不足,容易陷入局部极小值问题。同时在权值修正环节采用附加动量项方法进行改进,从而提升收敛速度;将预测好的数据作为输入数据进行滚动预测,从而可以实现跨时间间隔的多步预测。该预测方法与传统光伏预测方法相比,预测精度更高,收敛速度更快。
Description
技术领域
本发明涉及电力***控制与预测技术领域,具体地,涉及一种基于思维进化算法优化小波神经网络的光伏功率预测方法。
背景技术
随着可再生清洁能源发电的大力发展,光伏发电作为最为成熟的可再生能源发电方式之一,已经在世界范围内得到广泛利用。然而由于光伏出力情况受天气因素影响较大且变化较快,光伏出力具有突变性和间歇性,这增加了光伏并网运行调度的难度。光伏出力的超短期预测是指从预报时刻至未来4小时内对光伏并网功率预测,每15分钟一个预测点,每15分钟滚动预测一次,且要满足预测的均方根误差≤10%。因此,准确预测光伏出力对提高***安全性和稳定性和整个电网调度而言具有重要的意义。
近年来国内外广泛使用的光伏出力预测方法大致可以分为两种:一种是直接法(统计法)主要是根据数理统计预测理论及方法;另一种是间接法(物理法)是基于光伏发电***物理发电原理进行预测。这些方法有的不能体现光伏出力的非线性特征;有的需要庞大的数据库作为支撑,代价昂贵且精度有待提高;并且随着空气质量问题的严重性愈发突出,应将空气污染指数AQI 作为需要考虑到的因素进行预测。
理论上来说,通过选取合适的网络结构和隐含层节点数,BP神经网络能够以任意精度逼近给定的函数或信号。然而在实际应用中,难以科学的确定网络结构,学习训练最优权数时,其BP算法存在着收敛速度慢、容易陷入局部极小值等固有缺陷,从而影响了短期负荷预报的可靠性和准确性。
发明内容
为了克服以上现有的技术问题,本发明提供一种光伏出力超短期预测方法,并采用思维进化算法对BP神经网络的权值和阈值进行优化,有效的解决了现存预测模型中存在的光伏功率超短期预测精度不足,容易陷入局部极小值问题。但是进化算法存在缺陷收敛速度慢的缺陷。将小波分析与优化后BP神经网络结合起来,引入尺度和平移两个新的参数,使小波网络具有更高的自由度,从而具有更有效的函数逼近能力,同时在权值修正环节采用附加动量项方法进行改进,从而提升收敛速度,使得该模型预测精度更高,收敛速度更快。
本发明的技术方案如下:
一种基于思维进化算法优化的神经小波网络的光伏出力预测方法,包括如下步骤:
(1)数据的获取和预处理:从光伏功率预测***的数据处理模块中获取指定的时间范围内光伏出力数据和空气质量数据,并由此得到训练集和预测集,并进行归一化处理。
(2)初始权值和阈值的生成
(2.1)随机产生初始种群、优胜子种群和临时子种群。
(2.2)子种群趋同操作:在子群体范围内,个体成为胜者而竞争的过程叫做趋同。一个子群体在趋同的过程中,若不再产生新的胜者,则称该子群体已经成熟。当子群体成熟时,该子群体的趋同过程结束,转到步骤2.3,同时补充新的种群。
(2.3)子种群异化操作:各子群体进行全局竞争,若一个临时子群体的得分高于某个成熟的优胜子群体,则该优胜子群体被获胜的临时子群体替代。原优胜子群体中的个体被释放;若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分,则该临时子群体被废弃,其中的个体被释放。被释放的个体在全局范围内重新进行搜索并形成新的临时群体。在整个解空间中,各子群体为成为胜者而竞争,不断地探测解空间中新的点。
(2.4)当满足迭代停止条件时,思维进化算法结束优化过程。此时,找到最优个体输出,根据编码规则,对寻找到的最优个体进行解析,从而得到对应的神经小波网络的权值和阈值
(3)创建预测小波神经网络进行预测
(3.1)根据上述最优个体提供的阈值和权值信息创建神经小波网络并对其进行初始化,利用经归一化后的训练集数据作为神经小波网络的输入输出数据,采用附加动量优化进一步训练小波神经网络直至收敛。
(3.2)对上述训练好的小波神经网络输入经归一化处理后的预测集数据,对光伏出力进行预测,并对网络输出进行反归一化出力并得到最终预测结果。
(3.3)将预测后得到的数据作为下一个15min时间点的预测输入值之一,修改相应其他预测集输入值,采用此训练好的的神经网络模型进行滚动预测,直至预测完接下来4小时内每15 分钟的数据点的预测。
(4)将此光伏出力预测***所完成的预测数据传输到电网调度***使用。
进一步地,步骤(1)中所述的指定时间范围内的光伏出力和空气质量指数数据是指一定个数的等时间间隔的按时间先后顺序排列的一组数据:
Input=[input(t-(n+r)Δt),input(t-(n+r-1)Δt),input(t-(n+r-2)Δt),...,input(t-Δt)]
其中input=AQId,AQId-1,pd-1,pn-1,pn-2,pn-3,式中AQId为当天空气质量指数,AQId-1为前一天空气质量指数,pd-1为前一天同一时刻光伏出力情况,pn-1,pn-2,pn-3分别表示预测点前三个数据点光伏出力数据;则预测***的训练集输入输出分别为:
输入:
输出:
预测集的输入输出分别为
输入:Pn_prediction=[AQId(t),AQId-1(t),pd-1(t),pn-1(t),pn-2(t),pn-3(t)]
输出:Tn_prediction=pn(d)
所述归一化处理即为把所有数据都转换为[0,1]之间的数,本发明采用最小的最小法归一化处理,函数形式为:
xk=(xk-xmean)/(xmax-xmin)
其中xmean为数据序列的均值,xmax和xmin为数据序列最大最小值,经归一化处理后,消除了各维数据之间的数量级的差别,避免因为输入输出数据数量级差别较大而造成网络预测误差较大。在步骤3.2中,对于预测得到的光伏出力数据同样要采用反归一化得到真实值。
进一步得,步骤2中对不同种群编码并采取思维进化算法操作包括:
1编码并随机产生初始种群,由于小波神经网络结构已经确定为6-10-1,所以权值/阈值总个数已经确定为81个,对于每个权值阈值,在[0,1]之间以均匀分布产生多组随机数,作为初始的权值和阈值群体。
2个体得分函数设定,本发明选择训练集的均方误差的倒数作为各个个体和子种群的得分函数,函数表达式为:
式中yi表示第i个训练样本的网络输出值,ti标志目标输出,p为训练样本数。
3对每个种群分别进行迭代趋同、异化、选择操作生成新种群,并采用2中得分函数进行评估
4优化终止条件判断,判断神经网络优化终止条件是否满足,若优化终止条件满足,则思维进化算法优化过程结束,输出最优个体,并按照编码规则进行解码,产生神经小波网络的初始权值和阈值信息;否则,返回对每个种群进行重新优化,优化条件为进化迭代次数达到上限或者连续若干带思维进化算法优化木匾函数数值没有变化。
步骤3中构建的小波神经网络根据本发明适用情况,采用6-10-1结构。考虑到Mexican Hat 函数为Gauss函数的二阶导数,它在时域和频率都有很好的局部化,本文采用小波基函数Mexican Hat母小波基函数,其数学公式为:
步骤3.1中对神经小波网络采用的附加动量法优化,由于传统神经小波网络采用梯度修正法修正网络的权值和小波基函数参数,容易导致收敛速度慢。可以采用增加动量项的方法提高网络学习效率,增加动量项的权值和参数修正公式为:
ak(i+1)=ak(i)+Δak(i+1)+k·(ak(i)-ak(i-1))
bk(i+1)=bk(i)+Δbk(i+1)+k·(bk(i)-bk(i-1))
式中为小波神经网络权值,aj为小波基函数的伸缩因子,bj为小波基函数的平移因子, k为动量项学习速率。
步骤3.3中滚动预测是指将该预测点的预测值作为下一个预测点的输入值输入,进行滚动预测,直到预测完接下来4小时内所有预测点的预测值,预测采用步骤3.2中训练好的神经小波网络,直接带入预测集输入即可得出预测集输出。
本发明的优点在于:
一、把群体划分成优胜子群体和临时子群体,在此基础上定义的趋同和异化操作,分别进行探测和开发,在***运行中,这两种功能相互协调且保持一定的独立性,便于分别提高效率。同时,思维进化算法可以记忆每一次迭代种群和个体的进化信息,这些信息可以指导趋同和异化向着有利的方向进行。MEA全局搜索能力极强,可以以较高的效率并行地大规模搜索全局最优解,减小了对原始数据准确性的依赖,避免***出现陷入局部极小值现象,使得预测精度提高,稳定性加强。
二、采用优化后的权值阈值作为初始值构建神经小波网络,并通过附加动量法进行优化,使得预测模型具有了更好的函数逼近能力,收敛速度加快,同时提高了预测精度。
附图说明
图1是具体实施方式中所述的光伏预测***构成图
图2是实施方式中思维进化算法***结构图
图3是实施方式中思维进化算法流程图
图4是实施方式中基于神经小波网络的光伏功率预测模型图
图5是实施方式中预测方法的总体流程图
图6为采用本发明实例光伏出力预测结果图
具体实施方式
下面结合附图和实例对本发明进一步说明。
图1是实施方式中预测方法的总体流程图,首先是预测数据的建立,在本发明预测模型中,预测采取的数据来源为SCADA/EMS***采集到的历史光伏出力数据和测量模块测量到的历史空气质量AQI指数。将原始数据在数据处理模块整理后生成预测需要的输入输出数据格式后送入预测***。经预测模块处理后的数据将反馈到数据处理模块经处理后滚动进入下一轮预测,并将预测结果提交到调度中心供调度人员参考。
进一步的:图2,图3分别为思维进化算法***结构图和算法流程图。思维进化算法的基本思路为在解空间内随机生成一定规模的个体,根据得分(对应于遗传算法中的适应度函数值,表征个体对环境的适应能力)搜索出得分最高的若干个优胜个体和临时个体。分别以这些优胜个体和临时个体为中心,在每个个体周围产生一些新的个体,从而得到若干个优胜子群体和临时子群体。在各个子群体内部执行趋同操作,直至该子群体成熟,并以该子群体中最优个体(即中心)的得分作为该子群体的得分。子群体成熟后,将各个子群体的得分在全局公告板上张贴,子群体之间执行异化操作,完成优胜子群体与临时子群体间的替换、废弃、子群体中个体释放的过程,从而计算全局最优个体及其得分。
图4是基于神经小波网络的光伏功率预测模型图,本发明采用的小波神经网络结构为 6-10-1结构,神经网络拓扑结构如图所示。输入输出数据如图,其中AQId为当天空气质量指数,AQId-1为前一天空气质量指数,pd-1为前一天同一时刻光伏出力情况,pn-1,pn-2,pn-3分别表示预测点前三个数据点光伏出力数据。输出即为预测数据点的光伏出力。隐含层节点的传递函数选用小波基函数Mexican Hat母小波基函数,其数学公式为:
图5是预测方法的总体流程图。其设计思路主要是利用思维进化算法对小波神经网络的初始权值和阈值进行优化。首先,根据小波神经网络的拓扑结构,将权值和阈值作为解,将解空间映射到编码空间,每个编码对应一个个体。然后通过得分函数利用思维进化算法,经过不断迭代,输出最优个体,并以此作为初始权值和阈值,进行构建神经小波网络并进行训练,直至收敛。最后用训练好的网络模型对光伏出力进行预测。
为说明本发明的原理,用一个光伏实测数据进行仿真验证分析。采取的数据为某光伏电站 15min时间间隔实测数据。
1、输入数据:输入数据格式如表1所示
表1
经思维进化算法优化阈值结果
利用上述得到的最优解作为初始权值和阈值搭建神经小波网络
神经小波网络参数设置为:
输入节点个数:6;
输出节点个数:1;
隐含节点个数:10;
权值和阈值学习速率:0.01;
尺度参数学习速率:0.001;
网络迭代次数:1000;
输入数据如下所示(部分)
将预测集输入模型,得出预测结果,将结果反归一化,得到预测值,预测结果如表2所示
表2
归一化均方根误差:
预测效果图如图6所示,结合表2和图6,可以看出本仿真模型仿真结果基本实现单数据点误差不超过10%的预测精度,一天总平均相对误差5%左右,且满足权利要求书中提到的预测的均方根误差≤10%要求,预测效果较好。在光伏出力爬坡下降和波动时,均未出现陷入局部最优和过拟合的情况,均能很好的跟踪预测光伏出力变化,本发明预测模型具有很好的实用价值。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的内容和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于思维进化算法优化小波神经网络的光伏功率预测方法,其特征在于,包括如下步骤:
(1)数据的获取和预处理:从光伏功率预测***的数据处理模块中获取指定的时间范围内光伏出力数据和空气质量数据,并由此得到训练集和预测集,并进行归一化处理;
(2)生成初始权值和阈值的;
(3)创建预测小波神经网络进行预测;
(4)将此光伏出力预测***所完成的预测数据传输到电网调度***使用。
2.根据权利要求1所述的一种基于思维进化算法优化小波神经网络的光伏功率预测方法,其特征在于,步骤(2)包括以下步骤:
(2.1)随机产生初始种群、优胜子种群和临时子种群;
(2.2)子种群趋同操作:在子群体范围内,个体成为胜者而竞争的过程叫做趋同;一个子群体在趋同的过程中,若不再产生新的胜者,则称该子群体已经成熟;当子群体成熟时,该子群体的趋同过程结束,转到步骤2.3,同时补充新的种群;
(2.3)子种群异化操作:各子群体进行全局竞争,若一个临时子群体的得分高于某个成熟的优胜子群体,则该优胜子群体被获胜的临时子群体替代;原优胜子群体中的个体被释放;若一个成熟的临时子群体的得分低于任意一个优胜子群体的得分,则该临时子群体被废弃,其中的个体被释放;被释放的个体在全局范围内重新进行搜索并形成新的临时群体;在整个解空间中,各子群体为成为胜者而竞争,不断地探测解空间中新的点;
(2.4)当满足迭代停止条件时,思维进化算法结束优化过程;此时,找到最优个体输出,根据编码规则,对寻找到的最优个体进行解析,从而得到对应的神经小波网络的权值和阈值。
3.根据权利要求1所述的一种基于思维进化算法优化小波神经网络的光伏功率预测方法,其特征在于,步骤(3)包括:
(3.1)根据上述最优个体提供的阈值和权值信息创建神经小波网络并对其进行初始化,利用经归一化后的训练集数据作为神经小波网络的输入输出数据,采用附加动量优化进一步训练小波神经网络直至收敛;
(3.2)对上述训练好的小波神经网络输入经归一化处理后的预测集数据,对光伏出力进行预测,并对网络输出进行反归一化出力,得到最终预测结果;
(3.3)将预测后得到的数据作为下一个15min时间点的预测输入值之一,修正相应其他预测集输入值,采用此训练好的的神经网络模型进行滚动预测,直至预测完接下来4小时内每15 分钟预测点的数据,从而实现跨时间间隔的多步预测;
其中,所述输入输出数据是指一定个数的等时间间隔的按时间先后顺序排列的一组数据:
Input=[input(t-(n+r)Δt),input(t-(n+r-1)Δt),input(t-(n+r-2)Δt),...,input(t-Δt)]其中input=AQId,AQId-1,pd-1,pn-1,pn-2,pn-3,式中AQId为当天空气质量指数,AQId-1为前一天空气质量指数,pd-1为前一天同一时刻光伏出力情况,pn-1,pn-2,pn-3分别表示预测点前三个数据点光伏出力数据;则预测***的训练集输入输出分别为:
输入:
输出:
预测集的输入输出分别为
输入:Pn_prediction=[AQId(t),AQId-1(t),pd-1(t),pn-1(t),pn-2(t),pn-3(t)]
输出:Tn_prediction=pn(d)
所述归一化处理即为把所有数据都转换为[0,1]之间的数,本发明采用最小的最小法归一化处理,函数形式为:
xk=(xk-xmean)/(xmax-xmin)
其中xmean为数据序列的均值,xmax和xmin为数据序列最大最小值,经归一化处理后,消除了各维数据之间的数量级的差别,避免因为输入输出数据数量级差别较大而造成网络预测误差较大;在步骤3.2中,对于预测得到的光伏出力数据同样要采用反归一化得到真实值。
4.根据权利要求2所述的一种基于思维进化算法优化小波神经网络的光伏功率预测方法,其特征在于,所述步骤2中对不同种群编码并采取思维进化算法操作包括:
1)编码并随机产生初始种群,由于小波神经网络结构已经确定为6-10-1,所以权值/阈值总个数已经确定为81个,对于每个权值阈值,在[0,1]之间以均匀分布产生多组随机数,作为初始的权值和阈值群体;
2)个体得分函数设定,本发明选择训练集的均方误差的倒数作为各个个体和子种群的得分函数,函数表达式为:
式中yi表示第i个训练样本的网络输出值,ti标志目标输出,p为训练样本数;
3)对每个种群分别进行迭代趋同、异化、选择操作生成新种群,并采用2中得分函数进行评估
4)优化终止条件判断,判断神经网络优化终止条件是否满足,若优化终止条件满足,则思维进化算法优化过程结束,输出最优个体,并按照编码规则进行解码,产生神经小波网络的初始权值和阈值信息;否则,返回对每个种群进行重新优化,优化条件为进化迭代次数达到上限或者连续若干带思维进化算法优化木匾函数数值没有变化。
5.根据权利要求3所述的一种基于思维进化算法优化小波神经网络的光伏功率预测方法,其特征在于,所述步骤3中构建的小波神经网络根据本发明适用情况,采用6-10-1结构;考虑到Mexican Hat函数为Gauss函数的二阶导数,它在时域和频率都有很好的局部化,本文采用小波基函数Mexican Hat母小波基函数,其数学公式为:
所述步骤3.1中对神经小波网络采用的附加动量法优化,由于传统神经小波网络采用梯度修正法修正网络的权值和小波基函数参数,容易导致收敛速度慢;可以采用增加动量项的方法提高网络学习效率,增加动量项的权值和参数修正公式为:
ak(i+1)=ak(i)+Δak(i+1)+k·(ak(i)-ak(i-1))
bk(i+1)=bk(i)+Δbk(i+1)+k·(bk(i)-bk(i-1))
式中为小波神经网络权值,aj为小波基函数的伸缩因子,bj为小波基函数的平移因子,k为动量项学习速率。
6.根据权利要求3所述的一种基于思维进化算法优化小波神经网络的光伏功率预测方法,其特征在于,所述步骤3.3中滚动预测是指将该预测点的预测值作为下一个预测点的输入值输入,进行滚动预测,直到预测完接下来4小时内所有预测点的预测值,预测采用步骤3.2中训练好的神经小波网络,直接带入预测集输入即可得出预测集输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811772.7A CN107609774B (zh) | 2017-09-11 | 2017-09-11 | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710811772.7A CN107609774B (zh) | 2017-09-11 | 2017-09-11 | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609774A true CN107609774A (zh) | 2018-01-19 |
CN107609774B CN107609774B (zh) | 2023-12-08 |
Family
ID=61063013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710811772.7A Active CN107609774B (zh) | 2017-09-11 | 2017-09-11 | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609774B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165792A (zh) * | 2018-09-14 | 2019-01-08 | 国网天津市电力公司 | 一种基于soa-wnn的光伏短期输出功率预测方法 |
CN109255728A (zh) * | 2018-09-27 | 2019-01-22 | 上海电力学院 | 混沌相空间优化重构的光伏发电功率神经网络预测法 |
CN109818775A (zh) * | 2018-12-14 | 2019-05-28 | 南昌大学 | 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法 |
CN110927584A (zh) * | 2019-12-09 | 2020-03-27 | 天津市捷威动力工业有限公司 | 一种基于神经网络的电池寿命延长预测方法 |
CN111292124A (zh) * | 2020-01-18 | 2020-06-16 | 河北工程大学 | 一种基于优化组合神经网络的需水预测方法 |
CN114154583A (zh) * | 2021-12-08 | 2022-03-08 | 深圳博沃智慧科技有限公司 | 一种小波分析耦合lstm神经网络的水质预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139264A (zh) * | 2015-06-06 | 2015-12-09 | 安徽工程大学 | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 |
CN105375507A (zh) * | 2015-07-10 | 2016-03-02 | 华北电力大学(保定) | 雾霾环境下虚拟电厂的电力两级交互优化调度*** |
CN105631517A (zh) * | 2015-12-17 | 2016-06-01 | 河海大学 | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 |
WO2016210102A1 (en) * | 2015-06-23 | 2016-12-29 | Qatar Foundation For Education, Science And Community Development | Method of forecasting for solar-based power systems |
-
2017
- 2017-09-11 CN CN201710811772.7A patent/CN107609774B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139264A (zh) * | 2015-06-06 | 2015-12-09 | 安徽工程大学 | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 |
WO2016210102A1 (en) * | 2015-06-23 | 2016-12-29 | Qatar Foundation For Education, Science And Community Development | Method of forecasting for solar-based power systems |
CN105375507A (zh) * | 2015-07-10 | 2016-03-02 | 华北电力大学(保定) | 雾霾环境下虚拟电厂的电力两级交互优化调度*** |
CN105631517A (zh) * | 2015-12-17 | 2016-06-01 | 河海大学 | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 |
Non-Patent Citations (2)
Title |
---|
刘爱国等: "基于遗传算法小波神经网络的光伏微网发电预测", 《电测与仪表》 * |
杨文海等: "计及雾霾影响的短期光伏出力预测和负荷预测", 《中国电力》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165792A (zh) * | 2018-09-14 | 2019-01-08 | 国网天津市电力公司 | 一种基于soa-wnn的光伏短期输出功率预测方法 |
CN109255728A (zh) * | 2018-09-27 | 2019-01-22 | 上海电力学院 | 混沌相空间优化重构的光伏发电功率神经网络预测法 |
CN109255728B (zh) * | 2018-09-27 | 2021-09-07 | 上海电力学院 | 混沌相空间优化重构的光伏发电功率神经网络预测法 |
CN109818775A (zh) * | 2018-12-14 | 2019-05-28 | 南昌大学 | 基于自适应微分进化算法优化小波神经网络的短期网络流量预测方法 |
CN109818775B (zh) * | 2018-12-14 | 2021-09-28 | 南昌大学 | 一种短期网络流量预测方法 |
CN110927584A (zh) * | 2019-12-09 | 2020-03-27 | 天津市捷威动力工业有限公司 | 一种基于神经网络的电池寿命延长预测方法 |
CN110927584B (zh) * | 2019-12-09 | 2022-05-10 | 天津市捷威动力工业有限公司 | 一种基于神经网络的电池寿命延长预测方法 |
CN111292124A (zh) * | 2020-01-18 | 2020-06-16 | 河北工程大学 | 一种基于优化组合神经网络的需水预测方法 |
CN114154583A (zh) * | 2021-12-08 | 2022-03-08 | 深圳博沃智慧科技有限公司 | 一种小波分析耦合lstm神经网络的水质预测方法 |
CN114154583B (zh) * | 2021-12-08 | 2024-05-24 | 深圳博沃智慧科技有限公司 | 一种小波分析耦合lstm神经网络的水质预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107609774B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609774A (zh) | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 | |
CN103324980B (zh) | 一种风电场风速预测方法 | |
CN102129511B (zh) | 一种基于matlab的风电场短期风速预测*** | |
CN102102626B (zh) | 风电场短期功率预测方法 | |
CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN104077632B (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
CN105631517A (zh) | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 | |
CN107358294A (zh) | 一种基于Elman神经网络的需水预测方法 | |
CN110866640A (zh) | 一种基于深度神经网络的电力负荷预测方法 | |
CN105787592A (zh) | 基于改进rbf网络的风电机组超短期风功率预测方法 | |
CN107909221A (zh) | 基于组合神经网络的电力***短期负荷预测方法 | |
CN101719193B (zh) | 一种制动闸寿命的预测方法 | |
CN110365041A (zh) | 基于gan场景模拟的风电多场景鲁棒调度方法 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN113555881A (zh) | 一种风电场调频风机排序方法 | |
CN101710062B (zh) | 一种闸瓦摩擦系数的预测方法 | |
CN113095477A (zh) | 基于de-bp神经网络的风电功率预测方法 | |
CN112686472B (zh) | 一种分布式光伏等效电站的功率预测方法 | |
Cao et al. | Solar energy forecasting in short term based on the ASO-BPNN model | |
Xing et al. | Intelligent Diagnosis Method of Distribution Network Fault for Construction of Digital Twin Coordination System | |
CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
Zhou et al. | Short-term power forecast of wind power generation based on genetic algorithm optimized neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |