CN109242136A - 一种微电网风电功率混沌遗传-bp神经网络预测方法 - Google Patents
一种微电网风电功率混沌遗传-bp神经网络预测方法 Download PDFInfo
- Publication number
- CN109242136A CN109242136A CN201810783679.4A CN201810783679A CN109242136A CN 109242136 A CN109242136 A CN 109242136A CN 201810783679 A CN201810783679 A CN 201810783679A CN 109242136 A CN109242136 A CN 109242136A
- Authority
- CN
- China
- Prior art keywords
- neural network
- chaos
- micro
- genetic
- capacitance sensor
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000010606 normalization Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 11
- 239000000203 mixture Substances 0.000 claims abstract description 10
- 238000012360 testing method Methods 0.000 claims abstract description 3
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000000739 chaotic effect Effects 0.000 claims description 11
- 108090000623 proteins and genes Proteins 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 238000012886 linear function Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000012545 processing Methods 0.000 description 8
- 230000007774 longterm Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012031 short term test Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H02J3/386—
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种微电网风电功率混沌遗传‑BP神经网络预测方法，包括以下步骤：S1：收集微电网内风电机组输出功率的历史数据，将数据集划分为训练数据和测试数据；S2：针对数据集的分布特性进行混合归一化预处理，使数据分布变得均匀；S3：构建BP神经网络，并初始化神经网络的权值、阈值和其他参数值；S4：使用混沌遗传算法优化神经网络的权值和阈值，寻找最优的神经网络参数；S5：使用处理后的训练数据对混沌遗传‑BP神经网络进行训练，然后输出预测数据，并计算预测的误差。本发明能减少模型受数据分布特性的影响，提高微电网内风机出力的预测精度，为微电网准确的风电功率预测提供了一定参考。
Description
技术领域
本发明涉及微电网风电功率预测的技术领域，尤其涉及到一种微电网风电功率混沌遗传-BP神经网络预测方法。
背景技术
随着微电网技术的发展，可再生领域中技术最为成熟且无污染的风电机组被应用到微网中。与此同时，接入风机的微电网更容易受到风力发电随机性、间歇性、功率分布不均匀特性的影响，在运行和配置方面产生困难。因此，准确预测微电网风电的出力是有效减少风能对微电网影响的重要手段，能保证微电网***安全、可靠和经济运行。
风电预测是指对未来一段时间内风电输出功率的大小进行预测，当前主要有基于时间序列和基于数值气象预报两种方法。通常我们使用数值气象预报方法中基于功率的预测方法，主要利用历史数据对各类神经网络进行训练以准确预测未来风电出力，其中对历史数据的采集、处理和整理方法对预测精度起着决定性的作用。近年来，在电力***中，已有一些关于风电功率预测的研究，并取得了一定进展。比如，提出了BP神经网络预测模型、小波-BP神经网络预测模型、脊波神经网络预测模型和遗传-神经网络风电功率预测模型等。
微电网***中风电机组出力的典型分布特性为：由于微电网内的风机安装位置较为集中，与大型风电场中安装较分散的风机相比，其出力处于低功率状态的时间更多，即低功率区间中的样本个数明显高于高功率区间中的样本个数。在低功率区间，样本之间的差异不明显，该区间内不同输入的输出可能造成混淆，从而产生误差，这将降低较低功率区间预测准确性。在较高功率区间，样本之间差异过大，容易产生过训练。以上方法中对历史数据的处理上均为没有考虑到样本数据分布特性对预测模型准确度的影响，因而降低了预测模型的精度。
发明内容
本发明的目的在于克服现有技术的不足，提供一种能有效地避免预测模型受历史数据分布特性的影响、解决使用遗传算法进行优化参数值时容易陷入局部最优的早熟问题、提高微电网内风机出力的预测精度的微电网风电功率混沌遗传-BP神经网络预测方法。
为实现上述目的，本发明所提供的技术方案为：
一种微电网风电功率混沌遗传-BP神经网络预测方法，包括以下步骤：
S1：收集微电网内风电机组输出功率的历史数据，将数据集划分为训练数据和测试数据；
S2：针对数据集的分布特性进行混合归一化预处理，使数据分布变得均匀；
S3：构建BP神经网络，并初始化神经网络的权值、阈值和其他参数值；
S4：使用混沌遗传算法优化神经网络的权值和阈值，寻找最优的神经网络参数；
S5：使用处理后的训练数据对混沌遗传-BP神经网络进行训练，然后输出预测数据，并计算预测的误差。
进一步地，所述步骤S2针对数据集的分布特性进行混合归一化预处理，使数据分布变得均匀的具体过程如下：
S2-1：进行均匀分布函数归一化：
式中，k，y分别为线性函数归一化前后的值，b、a分别为训练数据集合中最大值与最小值，f(x)为训练数据的均匀分布概率密度函数，x为积分变量；
S2-2：进行正弦函数变换：
式中，y为线性函数归一化的值，ysf为正弦函数归一化的值；
S2-3：进行正弦函数的反归一化：
式中，yout为训练数据输出结果，y'为正弦函数的反归一化值；
S2-4：进行均匀分布函数反归一化：
式中，y'out为最终归一化值。
进一步地，所述步骤S4使用混沌遗传算法优化神经网络的权值和阈值，寻找最优的神经网络参数的具体步骤如下：
S4-1：设定种群规模、交叉概率、混沌迭代次数；
S4-2：混沌优化生成初始种群；
S4-3：根据所设定的目标函数得到个体的适应值；
S4-4：在当前的最优解附近进行混沌扰动，对最优解进行细搜索；
S4-5：进行选择复制、交叉和变异操作；
S4-6：中止条件：若达到了规定的进化次数，或经过了n次迭代搜索后，最优个体都不变，则算法中止；否则进行下一次的迭代运算。
进一步地，所述步骤S4-2由Logistic映射产生的随机数生成初始种群，其数学方程为：
μ∈[0,4],x∈(0,1),n＝1,2,…N,m＝1,2,…M
式中，μ为混沌吸引子，x为混沌变量，n为混沌变量的序号，N为种群个体染色体的长度，m为染色体序号，M为种群规模。
进一步地，所述步骤S4-4在当前的最优解附近进行混沌扰动，对最优解进行细搜索的计算公式如下：
δ′k＝(1-α)δ*+αδk
式中，δ*为当前最优解所对应的实数向量，称为最优混沌向量δk；为迭代k次后的当前混沌向量；δ'k为进行混沌扰动后的当前混沌向量；k为迭代次数；α为自适应参数，随着迭代次数的增加而增大；m为一整数，由具体目标函数确定。
进一步地，所述步骤S4-5中进行交叉操作的计算公式如下：
式中，aij为第k个体的第j位；alj为第l个体的第j位；b为[0,1]间的随机数；
变异操作的计算公式如下：
f(g)＝r2(1-g/Gmax)2
式中，aij为第i个体的第j个基因；amax为基因aij的上界；amin为基因aij的下界；g为当前迭代次数,Gmax为最大迭代次数；r1为[0,1]间的随机数；r2为另一随机数。
进一步地，所述步骤S5误差的计算公式如下：
式中，r为预测曲线准确率；PMk为时段k的实际平均功率；PPk为k时段的预测平均功率；N为考核总时段数；Cap为风电开机容量。
与现有技术相比，本方案原理和优点如下：
本方案以微电网风机的历史功率数据为训练样本，先对训练样本的数据分布特性进行分析，使用混合归一化方法处理样本数据的分布特性，然后建立混沌遗传-BP神经网络模型，该模型使用混沌遗传算法优化BP神经网络的权值和阈值，最后用处理后的均匀数据对神经网络进行训练。本方案能减少模型受数据分布特性的影响，提高微电网内风机出力的预测精度，为微电网准确的风电功率预测提供了一定参考。
附图说明
图1为本发明一种微电网风电功率混沌遗传-BP神经网络预测方法的流程框图；
图2为本发明分别使用线性归一化、混合归一化处理数据后的分布特性图；
图3为本发明的适应度函数进化曲线图；
图4为本发明实施例中对PA风机出力的短期预测曲线图；
图5为本发明实施例对PA风机出力的长期期预测曲线图；
图6为对比方法对PA风机出力的短期预测曲线图；
图7为对比方法对PA风机出力的长期预测曲线图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
参见附图1所示，本实施例所述的一种微电网风电功率混沌遗传-BP神经网络预测方法，包括以下步骤：
S1：收集微网内A、B、C、D四台风机26天的输出功率数据，每15min记录一次，将数据集的前20天作为训练数据，将第21天的数据作为短期测试数据，22天-26天的数据作为长期测试数据。
S2：针对数据集的分布特性进行混合归一化预处理，使数据分布变得均匀；具体步骤分为均匀分布函数归一化、正弦函数变换处理、正弦函数反归一化处理和均匀分布函数反归一化：
S2-1：均匀分布函数归一化：
式中，k，y分别为线性函数归一化前后的值，b、a分别为训练数据集合中最大值与最小值，f(x)为训练数据的均匀分布概率密度函数，x为积分变量；
S2-2：正弦函数变换：
式中，y为线性函数归一化的值，ysf为正弦函数归一化的值；
S2-3：正弦函数的反归一化：
式中，yout为训练数据输出结果，y'为正弦函数的反归一化值；
S2-4：均匀分布函数反归一化：
式中，y'out为最终归一化值。
如图2所示，为混合归一化处理结果和线性归一化处理结果的对比图，与线性归一化相比，混合归一化使样本的分布变得更为均匀。
S3：构建合适的BP神经网络，初始化神经网络参数。由Kolmogorov定理可知，一个三层的BP神经网络，在隐含层节点充足的情况下，可以以任意精度逼近任何非线性映射关系。因此，本实施例所用的神经网络采用三层神经元结构。
本实施例对微网内的输出功率进行实时预测，即滚动地预测未来4小时内16个时刻的风电输出功率。为了方便动态自适应调节，使BP神经网络输入层节点为16个，隐含层节点为20个，输出层节点为1个。隐含层和输出层的激活函数分别为tansig函数和purelin函数，网络训练函数为trainlm函数，训练速率为0.0001，目标误差为0.001。
S4：使用混沌遗传算法优化神经网络的权值和阈值，寻找最优的神经网络参数，具体步骤如下：
S4-1：编码及参数设定；混沌遗传算法初始种群大小为100，选择轮盘赌抽样；算术交叉概率为0.9，变异概率为0.09，最大进化代数为100代；
S4-2：混沌优化生成初始种群：
由Logistic映射产生的随机数生成初始种群，其数学方程为：
μ∈[0,4],x∈(0,1),n＝1,2,…N,m＝1,2,…M
式中，μ为混沌吸引子，x为混沌变量，n为混沌变量的序号，N为种群个体染色体的长度，m为染色体序号，M为种群规模；
S4-3：适应度值计算；将实际输出和预测输出之间的误差绝对值和的k倍作为个体适应度值F，其计算公式为
S4-4：在当前的最优解附近进行混沌扰动，对最优解进行细搜索，公式如下：
δ′k＝(1-α)δ*+αδk
式中，δ*为当前最优解所对应的实数向量，称为最优混沌向量δk；为迭代k次后的当前混沌向量；δ'k为进行混沌扰动后的当前混沌向量；k为迭代次数；α为自适应参数，随着迭代次数的增加而增大；m为一整数，由具体目标函数确定；
S4-5：进行选择复制、交叉和变异操作：
进行交叉操作的计算公式如下：
式中，aij为第k个体的第j位；alj为第l个体的第j位；b为[0,1]间的随机数；
变异操作的计算公式如下：
f(g)＝r2(1-g/Gmax)2
式中，aij为第i个体的第j个基因；amax为基因aij的上界；amin为基因aij的下界；g为当前迭代次数,Gmax为最大迭代次数；r1为[0,1]间的随机数；r2为另一随机数；
S4-6：设定gen＝100为目标程序的中止条件，当代数超过100时，输出优化后的权值和阈值。
如图3所示为使用混沌遗传算法优化BP神经网络的进化曲线图。
S5：用经过以上方法处理的功率数据对混沌遗传算法优化权值和阈值的BP神经网络进行训练，然后输出预测数据，并计算预测误差。所得A风机的长期和短期预测曲线如图4和图5所示，各机组预测曲线准确率如表1所示(表中PA、PB、PC、PD分别表示风机A、B、C、D的预测功率，P4表示四台风机的总预测功率)。
表1
预测误差的计算公式为：
式中，r为预测曲线准确率；PMk为时段k的实际平均功率；PPk为k时段的预测平均功率；N为考核总时段数；Cap为风电开机容量。
若将步骤S2中的数据处理改为常规的线性的归一化处理，其余步骤均不改变，再做一次风电功率预测。所得A风机的长期和短期预测曲线图6和图7所示，各机组预测曲线准确率如表2所示；
表2
通过比较两种方式下A风机的长期和短期预测曲线、各机组预测曲线准确率，说明本实施例提出的方法可以解决微网内风电机组出力预测精度低的问题，为微电网内风机的预测模型建立提供参考。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (7)
1.一种微电网风电功率混沌遗传-BP神经网络预测方法，其特征在于：包括以下步骤：
S1：收集微电网内风电机组输出功率的历史数据，将数据集划分为训练数据和测试数据；
S2：针对数据集的分布特性进行混合归一化预处理，使数据分布变得均匀；
S3：构建BP神经网络，并初始化神经网络的权值、阈值和其他参数值；
S4：使用混沌遗传算法优化神经网络的权值和阈值，寻找最优的神经网络参数；
S5：使用处理后的训练数据对混沌遗传-BP神经网络进行训练，然后输出预测数据，并计算预测的误差。
2.根据权利要求1所述的一种微电网风电功率混沌遗传-BP神经网络预测方法，其特征在于：所述步骤S2针对数据集的分布特性进行混合归一化预处理，使数据分布变得均匀的具体过程如下：
S2-1：进行均匀分布函数归一化：
式中，k，y分别为线性函数归一化前后的值，b、a分别为训练数据集合中最大值与最小值，f(x)为训练数据的均匀分布概率密度函数，x为积分变量；
S2-2：进行正弦函数变换：
式中，y为线性函数归一化的值，ysf为正弦函数归一化的值；
S2-3：进行正弦函数的反归一化：
式中，yout为训练数据输出结果，y'为正弦函数的反归一化值；
S2-4：进行均匀分布函数反归一化：
式中，y'out为最终归一化值。
3.根据权利要求1所述的一种微电网风电功率混沌遗传-BP神经网络预测方法，其特征在于：所述步骤S4使用混沌遗传算法优化神经网络的权值和阈值，寻找最优的神经网络参数的具体步骤如下：
S4-1：设定种群规模、交叉概率、混沌迭代次数；
S4-2：混沌优化生成初始种群；
S4-3：根据所设定的目标函数得到个体的适应值；
S4-4：在当前的最优解附近进行混沌扰动，对最优解进行细搜索；
S4-5：进行选择复制、交叉和变异操作；
S4-6：中止条件：若达到了规定的进化次数，或经过了n次迭代搜索后，最优个体都不变，则算法中止；否则进行下一次的迭代运算。
4.根据权利要求3所述的一种微电网风电功率混沌遗传-BP神经网络预测方法，其特征在于：所述步骤S4-2由Logistic映射产生的随机数生成初始种群，其数学方程为：
μ∈[0,4],x∈(0,1),n＝1,2,…N,m＝1,2,…M
式中，μ为混沌吸引子，x为混沌变量，n为混沌变量的序号，N为种群个体染色体的长度，m为染色体序号，M为种群规模。
5.根据权利要求3所述的一种微电网风电功率混沌遗传-BP神经网络预测方法，其特征在于：所述步骤S4-4在当前的最优解附近进行混沌扰动，对最优解进行细搜索的计算公式如下：
δ′k＝(1-α)δ*+αδk
式中，δ*为当前最优解所对应的实数向量，称为最优混沌向量δk；为迭代k次后的当前混沌向量；δ′k为进行混沌扰动后的当前混沌向量；k为迭代次数；α为自适应参数，随着迭代次数的增加而增大；m为一整数，由具体目标函数确定。
6.根据权利要求3所述的一种微电网风电功率混沌遗传-BP神经网络预测方法，其特征在于：所述步骤S4-5中进行交叉操作的计算公式如下：
式中，aij为第k个体的第j位；alj为第l个体的第j位；b为[0,1]间的随机数；
变异操作的计算公式如下：
f(g)＝r2(1-g/Gmax)2
式中，aij为第i个体的第j个基因；amax为基因aij的上界；amin为基因aij的下界；g为当前迭代次数,Gmax为最大迭代次数；r1为[0,1]间的随机数；r2为另一随机数。
7.根据权利要求1所述的一种微电网风电功率混沌遗传-BP神经网络预测方法，其特征在于：所述步骤S5误差的计算公式如下：
式中，r为预测曲线准确率；PMk为时段k的实际平均功率；PPk为k时段的预测平均功率；N为考核总时段数；Cap为风电开机容量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810783679.4A CN109242136A (zh) | 2018-07-17 | 2018-07-17 | 一种微电网风电功率混沌遗传-bp神经网络预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810783679.4A CN109242136A (zh) | 2018-07-17 | 2018-07-17 | 一种微电网风电功率混沌遗传-bp神经网络预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109242136A true CN109242136A (zh) | 2019-01-18 |
Family
ID=65071935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810783679.4A Pending CN109242136A (zh) | 2018-07-17 | 2018-07-17 | 一种微电网风电功率混沌遗传-bp神经网络预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109242136A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110108509A (zh) * | 2019-04-28 | 2019-08-09 | 西安建筑科技大学 | 一种污水源热泵机组智能故障诊断方法 |
| CN111105100A (zh) * | 2020-01-10 | 2020-05-05 | 昆明理工大学 | 一种基于神经网络的多微电网调度机制的优化方法及*** |
| CN111144633A (zh) * | 2019-12-19 | 2020-05-12 | 广东工业大学 | 一种cchp微电网运行优化方法 |
| CN111461318A (zh) * | 2019-01-22 | 2020-07-28 | 斯特拉德视觉公司 | 利用网格生成器的神经网络运算方法及使用该方法的装置 |
| CN114021471A (zh) * | 2021-11-16 | 2022-02-08 | 江苏科技大学 | 基于改进rao算法与bp神经网络继电器寿命预测方法 |
| CN117577247A (zh) * | 2024-01-16 | 2024-02-20 | 山东省科院易达信息科技有限公司 | 一种预测锡碲化物热电材料合成参数的方法和*** |
| CN114021471B (zh) * | 2021-11-16 | 2024-06-28 | 江苏科技大学 | 基于改进rao算法与bp神经网络继电器寿命预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
| CN104423707A (zh) * | 2013-09-06 | 2015-03-18 | 意美森公司 | 使用分段和组合的触觉转换*** |
| CN104636985A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种改进bp神经网络的输电线路无线电干扰预测方法 |
| CN106056233A (zh) * | 2016-05-11 | 2016-10-26 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种电力负荷预测的方法 |
| CN107328990A (zh) * | 2017-07-12 | 2017-11-07 | 广东工业大学 | 一种水冷却光伏‑光热发电***输出功率计算方法及装置 |
-
2018
- 2018-07-17 CN CN201810783679.4A patent/CN109242136A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101706335A (zh) * | 2009-11-11 | 2010-05-12 | 华南理工大学 | 一种基于遗传算法优化bp神经网络的风电功率预测方法 |
| CN104423707A (zh) * | 2013-09-06 | 2015-03-18 | 意美森公司 | 使用分段和组合的触觉转换*** |
| CN104636985A (zh) * | 2013-11-08 | 2015-05-20 | 国家电网公司 | 一种改进bp神经网络的输电线路无线电干扰预测方法 |
| CN106056233A (zh) * | 2016-05-11 | 2016-10-26 | 广东顺德中山大学卡内基梅隆大学国际联合研究院 | 一种电力负荷预测的方法 |
| CN107328990A (zh) * | 2017-07-12 | 2017-11-07 | 广东工业大学 | 一种水冷却光伏‑光热发电***输出功率计算方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 孟栋 等: ""混沌遗传算法对 BP 神经网络的改进研究"", 《数学理论与应用》 * |
| 韩爽 等: ""增量处理双隐层 BP神经网络风电功率预测模型"", 《太阳能学报》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111461318A (zh) * | 2019-01-22 | 2020-07-28 | 斯特拉德视觉公司 | 利用网格生成器的神经网络运算方法及使用该方法的装置 |
| CN111461318B (zh) * | 2019-01-22 | 2023-10-17 | 斯特拉德视觉公司 | 利用网格生成器的神经网络运算方法及使用该方法的装置 |
| CN110108509A (zh) * | 2019-04-28 | 2019-08-09 | 西安建筑科技大学 | 一种污水源热泵机组智能故障诊断方法 |
| CN111144633A (zh) * | 2019-12-19 | 2020-05-12 | 广东工业大学 | 一种cchp微电网运行优化方法 |
| CN111105100A (zh) * | 2020-01-10 | 2020-05-05 | 昆明理工大学 | 一种基于神经网络的多微电网调度机制的优化方法及*** |
| CN114021471A (zh) * | 2021-11-16 | 2022-02-08 | 江苏科技大学 | 基于改进rao算法与bp神经网络继电器寿命预测方法 |
| CN114021471B (zh) * | 2021-11-16 | 2024-06-28 | 江苏科技大学 | 基于改进rao算法与bp神经网络继电器寿命预测方法 |
| CN117577247A (zh) * | 2024-01-16 | 2024-02-20 | 山东省科院易达信息科技有限公司 | 一种预测锡碲化物热电材料合成参数的方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine | |
| Song et al. | Hourly heat load prediction model based on temporal convolutional neural network | |
| CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
| CN112348271A (zh) | 基于vmd-ipso-gru的短期光伏功率预测方法 | |
| CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
| CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
| CN110309603A (zh) | 一种基于风速特性的短期风速预测方法及*** | |
| Kolhe et al. | GA-ANN for short-term wind energy prediction | |
| CN114970362B (zh) | 一种多能源结构下的电网负荷调度预测方法及*** | |
| 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 | |
| CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN105701572A (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
| CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
| CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
| CN114492922A (zh) | 一种中长期发电量预测方法 | |
| CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
| Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
| CN115759458A (zh) | 基于综合能源数据处理和多任务深度学习的负荷预测方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
| CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 | |
| Wu et al. | Combined IXGBoost-KELM short-term photovoltaic power prediction model based on multidimensional similar day clustering and dual decomposition | |
| CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
| CN110059871A (zh) | 光伏发电功率预测方法 | |
| CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
| CN112633565B (zh) | 一种光伏功率集合区间预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190118 |
|
| RJ01 | Rejection of invention patent application after publication |