CN112507613A - 一种秒级超短期光伏功率预测方法 - Google Patents
一种秒级超短期光伏功率预测方法 Download PDFInfo
- Publication number
- CN112507613A CN112507613A CN202011385741.8A CN202011385741A CN112507613A CN 112507613 A CN112507613 A CN 112507613A CN 202011385741 A CN202011385741 A CN 202011385741A CN 112507613 A CN112507613 A CN 112507613A
- Authority
- CN
- China
- Prior art keywords
- population
- value
- prediction
- algorithm
- optimization
- 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 64
- 238000005457 optimization Methods 0.000 claims abstract description 115
- 230000003044 adaptive effect Effects 0.000 claims abstract description 108
- 241000282461 Canis lupus Species 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 25
- 230000000739 chaotic effect Effects 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims description 23
- 239000000126 substance Substances 0.000 claims description 17
- 238000010606 normalization Methods 0.000 claims description 14
- 230000008602 contraction Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 241000717544 Aconitum lycoctonum subsp. vulparia Species 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000009897 systematic effect Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 11
- 238000010248 power generation Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 19
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 3
- 230000002028 premature Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Nonlinear Science (AREA)
- Game Theory and Decision Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
Abstract
本发明提供了一种秒级超短期光伏功率预测方法,属于光伏发电技术领域。本发明采用LSSVM算法建立预测模型,介于LSSVM算法的超参数对预测性能影响较大,采用混沌立方映射产生更具随机性的混沌数,优化初始种群位置计算,结合混沌数初始化种群;采用单次迭代灰狼优化算法第一次优化LSSVM的超参数,得到较优解;第二次优化以改进的Griewank函数为扰动函数的迭代局部搜索搜寻较优解,得到更优解;第三次优化以局部自适应差分算法LSaDE搜寻更优解,得到最优解;确定超参数,对预测模型进行训练,得到预测值。根据精度评价结果确定模型精度,不达标重新进行参数优化。本发明实现了预测时间短、预测精度高的预测效果。
Description
技术领域
本发明涉及光伏发电技术领域,尤其涉及一种秒级超短期光伏功率预测方法。
背景技术
近些年来,光伏新增装机量逐年剧增,光伏发电在整个电网体系中的渗透率越来越高,然而在大规模光伏并网过程中,由于光伏电站的输出功率受环境影响较大,具有随机性和间断性的特点,使得光伏输出功率产生较大波动,对电网造成较大冲击。预测和储能技术是稳定光伏输出功率波动的关键技术。
在光伏发电过程中,功率波动是正常现象,然而一般情况下,功率波动的平均变化率不超过3%/s,但是在复杂天气情况下,由于云层的运动,其瞬时输出功率变化率最高可达75%/s。随着配有超级电容的混合储能技术的发展,使得在超短的时间内完成充放电成为可能。与之对应的,在超短的时间尺度内完成具有高精度预测成为稳定瞬时光伏功率波动的关键。
中国专利申请文献CN106372749A中公开了一种基于云变分析的超短期光伏功率预测方法,该方法通过光伏电站上空的气象条件进行预测,并将预测值作为修正参数加入到光伏发电模型中,进而得到光伏电站输出功率的预测值。以该方法为代表的间接预测,往往只关注影响广泛发电的主要因素,而忽略其他的次要因素的影响,最终导致输出功率预测值与实际值之间存在较大偏差。此外,类似这种间接预测方法往往还会存在预测时间偏长的问题。
中国专利申请文献CN106503828A中,公开了一种光伏输出功率超短期混沌预测方法,该方法通过重构光伏输出功率时间序列相空间,确定中心相空间点和邻近相空间点,并计算其权值,建立光伏出力加权一阶局域线性回归模型,计算最优线性拟合系数矩阵,得到光伏输出功率预测值。该方法可以在短时间内获得具有较高精度的预测值,但是该方法和许多其他预测算法一样,预测精度对天气状况比较敏感,在晴天预测效果好,但在阴雨天气下,预测效果较差。在复杂天气情况下,表现不佳。
现有技术至少存在以下不足:
1.预测时间与预测精度的矛盾。较短预测时间的预测算法,在预测精度上损失较为严重;较高预测精度的预测算法,其运行时间较长,无法满足秒级超短期功率预测的要求。
2.关键参数设定的难度大。现有技术或采用人工经验,或采取寻优周期较长的优化算法,耗时长,且效果不明显。
3.样本数据获取困难。现有技术大多选用综合天气、云层信息和历史输出功率作为输入样本,天气和云层信息获取精度不高且较昂贵,不符合经济运行要求。
发明内容
针对现有技术存在的问题,本发明提出一种秒级超短期光伏功率预测方法,预测精度高、预测时间短且具有较高的普适性,可以达到秒级预测,同时本发明中样本数据获取相对容易。本发明采用LSSVM算法建立预测模型,共采用三次优化对对LSSVM预测模型的超参数进行优化寻优,采用混沌立方映射产生随机性更强的混沌数,优化种群位置初始化计算公式,初始化种群位置,采用单次迭代灰狼算法进行LSSVM算法参数第一次优化,缩短优化迭代时间,第二次优化采用改进的迭代局部搜索C-ILS对单次迭代灰狼优化算法S-GWO得到的较优适应值fitness进行第二次优化,并以改进的Griewank函数作为改进的迭代局部搜索C-ILS的扰动函数,扰动适应值,得到第二次优化参数,采用局部自适应差分算法LSaDE对种群位置进行更新,对预测模型参数进行第三次优化。本发明针对秒级超短期光伏功率预测对时间和精度的要求,提出了一种秒级超短期光伏功率预测方法,实现了预测时间短、预测精度高的预测效果。
本发明从缩短预测时间、提高预测精度以及数据样本获取容易三个方面考虑,提出了秒级超短期光伏功率预测方法。
本发明提供了一种秒级超短期光伏功率预测方法,包括如下步骤:
S100:数据采集步骤,从光伏电站预测时刻前的历史数据中等间隔采集光伏输出功率数据,作为样本数据,组成一维数组;
S200:构建训练数据与测试数据步骤,从样本数据中剔除夜间数据,将数据划分成两个部分,一部分作为训练数据,一部分作为测试数据,并对数据进行归一化处理;
S300:LSSVM预测模型构建步骤,构建LSSVM预测模型,所述LSSVM预测模型采用LSSVM算法,采用RBF函数作为核函数,选取function estimation为算法类型;
S400:LSSVM算法的超参数第一次优化步骤,包括如下步骤:
S401:采用混沌立方映射产生用于初始化的混沌数hi,对种群进行初始化,种群位置
初始化采用如下公式:
Position=hi·(ub-lb) (1)
其中,
Position是初始化种群位置;
hi是混沌立方映射产生的混沌数;
ub是LSSVM算法中的超参数的取值上界;
lb是LSSVM算法中的超参数的取值下界;
S402:以单次迭代灰狼优化算法S-GWO对LSSVM算法中的超参数进行第一次优化,得到种群初步适应值fitness和初步种群位置Xpos;
S500:LSSVM算法的超参数第二次优化步骤,采用改进的迭代局部搜索C-ILS对步骤S400中得到的种群初步适应值fitness进行第二次优化,得到第二次优化的种群适应值betterfitness和最优种群位置betterpos,所述改进的迭代局部搜索在第一次优化搜索范围的基础上,进一步缩小了更优值搜索范围;
S600:LSSVM算法的超参数第三次优化步骤,采用局部自适应差分算法LSaDE对第二次优化后得到的种群适应值betterfitness进行第三次优化,更新种群位置,获得种群最优适应值bestfitness和其对应的最优种群位置bestpos,所述局部自适应差分算法LSaDE在第二次优化搜索范围的基础上,进一步缩小了最优值搜索范围;
S700:确定LSSVM算法超参数的最优值步骤,根据种群最优适应值bestfitness确定α狼位置,从α狼位置信息获取LSSVM算法超参数的最优参数信息,作为LSSVM算法超参数的最优值;
S800:预测模型训练步骤,将得到的LSSVM算法超参数的最优值带入到LSSVM算法中,输入训练数据对LSSVM预测模型进行训练,并开始计时,得到训练好的LSSVM预测模型;S900:预测模型精度评估步骤,输入测试数据,预测出T时间内的输出功率,所述T时间从预测时刻开始计算,记录预测模型从训练到得到预测结果所需的预测时间t1,计算预测结果与测试数据的误差值,误差值的大小用于评价预测模型的预测精度。
优选地,步骤S500中,采用改进的Griewank函数作为改进的迭代局部搜索C-ILS的扰动函数,扰动种群初步适应值,进行第二次优化,所述改进的Griewank函数的表达式如下:
xi=Xpos*rand() (2)
其中,
i是灰狼种群序号,取值为0,1,2,...,n;
n是总的灰狼种群数;
rand()是***随机函数,产生[0,1]之间的随机数;
xi是第i个灰狼种群的随机化位置;
G是种群位置适应值的扰动值,是长度为n的一维数列。
优选地,步骤S500中,其中利用扰动值进行第二次优化的过程包括如下步骤:
随机化S-GWO算法得到的种群位置;
将随机化的种群位置代入改进的Griewank函数,输出值作为扰动适应值;
将扰动适应值与S-GWO算法得到的种群适应值比较,选择更小的值作为betterfitness;
更新种群位置,得到更优种群位置betterpos。
优选地,步骤S600中所述的局部自适应差分算法LSaDE的变异收缩因子数学表达式如下:
其中,
dd是为缩小搜索范围所设置的自定义参数;
Max_iteration是最大迭代次数;
F是当前种群的收缩因子;
F0是初始收缩因子;
i是当前种群序号,取值范围是[1,sizepop],其中sizepop是自定义参数,称为种群数量或种群规模;
betterpos:是第二次优化得到的更优种群位置;
bestpos:是第三次优化得到的最优种群位置。
优选地,步骤S600中,通过对第二次优化得到的种群适应值betterfitness进行变异和交叉操作,更新种群位置betterpos,再比较当前适应值和betterfitness的大小,得出种群最优适应值bestfitness和其对应的最优种群位置bestpos。
优选地,步骤S700中,对得到的最优种群适应值bestfitness进行排序,其中最小的适应值作为最优种群的α狼的适应值,并从最佳种群的α狼的位置信息中获取LSSVM算法超参数的最优值。
优选地,在S900中,同时采用MSE、MAE和RMSE作误差评估,评价预测模型的精度,方均根误差RMSE是衡量预测值与真实值之间的偏差;均方误差MSE是真实值与预测值差值的平方然后求和平均;平均绝对误差MAE是绝对误差的平均值。
优选地,在S900中,同时采用MSE、MAE和MAPE作误差评估,评价预测模型的精度。
优选地,步骤S100中,数据进行归一化处理具体包括:
选用min-max标准化,也称为离差标准化,对原始数据进行线性变换,使结果值映射到[0,1]之间,转换函数如下:
其中,
xmin为样本数据的最小值;
xmax为样本数据的最大值;
x*为归一后的值。
优选地,在S900中,还通过记录的预测时间t1,评价预测模型的实效性,当预测时间t1小于预设的预测时间阈值t_thred,认为预测满足实效性要求;当预测时间t1大于等于预设的预测时间阈值t_thred,认为预测模型预测不满足实效性要求,重新进行预测模型参数优化。
与现有技术相对比,本发明的有益效果如下:
(1)本发明优化传统灰狼优化算法(GWO)中的耗费大量时间的反复迭代过程,采用单次迭代找到相对较优种群位置和种群适应值,简化迭代过程,缩短寻优时间,实现了超短期功率预测对时间的要求;
(2)本发明为弥补灰狼优化算法中单次迭代在精度上的损失,第二次优化采用迭代局部搜索算法来使搜索的LSSVM超参数进一步接近最优值,实现了对功率预测精度的要求;
(3)本发明在第二次优化中使用改进的迭代局部搜索算法,在单次迭代灰狼优化算法(S-GWO)得到的较优种群位置适应值的基础上加入扰动,使用改进的Griewank函数作为适应值的扰动函数,使局部搜索得到更优的适应值,实现了对功率预测精度的要求;
(4)本发明在LSSVM算法参数的第一次优化前,对种群进行初始化,优化了初始化种群位置计算公式,在使用混沌立方映射产生更具随机性和均匀性的混沌数的基础上,使用全新的计算公式,得到了更优的初始化种群位置,实现了对功率预测精度的要求;
(5)本发明在迭代局部搜索得到更优种群位置的基础上,为实现更小的范围内的局部搜索,缩小搜索因子以增强局部搜索能力。在第三次优化中,选用局部自适应差分算法(LSaDE),是精度的再优化,得到最优种群位置和种群适应值。
附图说明
图1是本发明的一个实施例的适应值搜索曲线图;
图2是本发明的一个实施例的实际数据与预测数据的拟合曲线图;
图3是本发明的一个实施例的预测流程图;
图4是本发明的一个实施例的预测模型超参数优化流程图,是预测流程中LLSVM算法超参数优化的具体过程;
图5是本发明的一个实施例的预测流程图;
图6是本发明的一个实施例的预测模型超参数优化过程实现伪代码。
具体实施方式
下面结合附图1-5,对本发明的具体实施方式作详细的说明。
本发明提供了一种秒级超短期光伏功率预测方法,包括如下步骤:
S100:数据采集步骤,从光伏电站预测时刻前的历史数据中等间隔采集光伏输出功率数据,作为样本数据,组成一维数组;
由于第三方机构的数值天气预报和太阳辐照度是按照地区进行汇报的,与具体光伏电站所在地的数值天气和太阳辐照度存在一定的误差,且气象数据处于实时变化的过程中,难以获取具有较高精度的样本数据,因此本发明选择相对容易得到的光伏电站历史输出功率作为样本数据。
S200:构建训练数据与测试数据步骤,从样本数据中剔除夜间数据,将数据划分成两个部分,一部分作为训练数据,一部分作为测试数据,并对数据进行归一化处理;
光伏发电需要足够的光照条件,因此光伏电站在夜间不会进行发电工作,光伏电站输出功率具有昼夜交替性。针对光伏发电的特征,本发明取日出到日落时间段内等间隔采样的输出功率数据作为样本数据。
S300:LSSVM预测模型构建步骤,构建LSSVM预测模型,所述LSSVM预测模型采用LSSVM算法,采用RBF函数作为核函数,选取function estimation为算法类型;后续的LSSVM算法超参数优化选取正则化参数C和核参数σ。LSSVM算法的正则化参数C和核参数σ蕴藏在GWO算法的种群最优位置信息中,在GWO算法的初始参数定义中有维度dim值,此处LSSVM需要寻优的参数有两个,所以定义dim=2。
核函数可以有效处理非线性问题,将原始数据映射到Hilbert空间,并在高维空间中进行学习,核函数的作用就是在低维中计算高维的点积,空间是样本数据从低维映射到高维产生的。本发明选取径向基函数RBF作为本发明的核函数。RBF函数的表达式为:
其中,
K(x,xc)是RBF函数的输出;
x是空间中任意一点;
xc为核函数中心;
σ是核参数;
LSSVM算法有两种函数模型,function estimation是回归模型多用于回归拟合;classification是分类模型多用于分类,本发明采用function estimation作为算法类型。
S400:LSSVM算法的超参数第一次优化步骤,包括如下步骤:
在群体智能算法中,对种群进行初始化处理,可以避免初始种群过于集中,加速种群收敛,提高最终解的精度,本发明以混沌立方映射产生的混沌数代替传统灰狼优化算法(GWO)的初始化中伪随机数产生,优化初始化种群位置计算,得到混沌立方映射下的初始种群位置。本发明以单次迭代灰狼优化算法(S-GWO)实现对LSSVM算法中影响预测精度的超参数正则化参数C和核参数σ进行快速相对寻优,找出相对较优的种群位置及其较优适应值。
在传统的灰狼优化算法(GWO)中,种群的初始化随机性和均匀性的特点表征不明显,增加了算法陷入局部最优的风险。灰狼优化算法(GWO)原有的初始化过于随意,种群分布不理想,其寻优结果自然会不理想。初始种群随机性越好,收敛速度越快,最终解精度越高,越不易陷入局部最优。本发明对原始的种群位置公式进行了改进,用混沌立方映射产生的混沌数替代原初始化中的伪随机数,可以得到更随机的初始种群位置。
S401:采用混沌立方映射产生用于初始化的混沌数hi,对种群进行初始化,种群位置初始化采用如下公式:
Position=hi·(ub-lb) (1)
其中,
Position是初始化种群位置;
hi是混沌立方映射产生的混沌数;
ub是LSSVM算法中的超参数的取值上界;
lb是LSSVM算法中的超参数的取值下界;
ub是LSSVM算法中的超参数的取值上界,在具体应用时,可以如下取值:ub=[1000,1000],上界参数的定义不唯一,界限可以更大;
lb是LSSVM算法中的超参数的取值下界,在具体应用时,可以如下取值:lb=[0.01,0.01],下界参数的定义不唯一,界限可以更大;
sizepop是种群数量;
dim是优化参数个数;因为我们需要对正则化参数C和核参数σ两个参数进行寻优,因此dim取2,对于每个参数都有一个上下界。
S402:以单次迭代灰狼优化算法S-GWO对LSSVM算法中的超参数进行第一次优化,得到种群初步适应值fitness和初步种群位置Xpos;
混沌映射也可以放在第一次优化中,混沌映射是对初始灰狼种群的优化,单次迭代灰狼优化算法S-GWO的寻优结果是种群初步适应值fitness和初步种群位置Xpos。
在传统的灰狼优化算法(GWO)中,整个寻优过程需要对灰狼种群进行反复迭代搜索,耗费了大量的时间在迭代过程中。为满足秒级超短期功率预测对时间的要求,本发明只对灰狼优化算法(GWO)进行一次搜索,提出了单次迭代灰狼优化算法(S-GWO),大大缩短了LSSVM算法超参数的搜索时间。
S500:LSSVM算法的超参数第二次优化步骤,采用改进的迭代局部搜索C-ILS对步骤S400中得到的种群初步适应值fitness进行第二次优化,得到第二次优化的种群适应值betterfitness和最优种群位置betterpos,所述改进的迭代局部搜索在第一次优化搜索范围的基础上,进一步缩小了更优值搜索范围;
为弥补S400步骤中单次迭代造成的预测精度损失,本发明在第二次优化中采用改进的迭代局部搜索(C-ILS)对单次迭代灰狼优化算法(S-GWO)得到的较优适应值进行再寻优,并以改进的Griewank函数作为迭代局部搜索(ILS)的扰动函数,扰动适应值,使之跳出局部最优,寻找出更优适应值betterfitness和更优种群位置betterpos。
S600:LSSVM算法的超参数第三次优化步骤,采用局部自适应差分算法LSaDE对第二次优化后得到的种群适应值betterfitness进行第三次优化,更新种群位置,获得种群最优适应值bestfitness和其对应的最优种群位置bestpos,所述局部自适应差分算法LSaDE在第二次优化搜索范围的基础上,进一步缩小了最优值搜索范围,在极小的局部范围内进行最优值搜索;
为进一步提高搜索速度,本发明采用了缩小最优值搜索范围的局部自适应差分算法LSaDE进行第三次优化,局部自适应差分算法LSaDE是对传统自适应差分算法的改进,大大缩小了搜索的范围,可以提供优化速度。
以上,本发明的三次优化过程,每次优化都在前一次优化的基础上,采用了改进算法,在前一次优化搜索范围的基础上,进一步缩小搜索范围,在第三次优化中,搜索范围已经缩小到极小的范围,大大提高了搜索速度。
参数最优是通过种群适应值比较得出,经过多次的优化得到种群位置和种群适应值,每次都比较适应值大小,选取出种群适应值最小的那个值,与之对应的就是种群最佳位置。
S700:确定LSSVM算法超参数的最优值步骤,根据种群最优适应值bestfitness确定α狼位置,从α狼位置信息获取LSSVM算法超参数的最优参数信息,作为LSSVM算法超参数的最优值;
从灰狼优化算法(GWO)的定义中,可以确定LSSVM算法的最佳参数信息藏在最佳种群的α狼的位置信息中,因此确定了α狼位置信息,也就确定了LSSVM算法超参数的最优值。
S800:预测模型训练步骤,将得到的LSSVM算法超参数的最优值带入到LSSVM算法中,输入训练数据对LSSVM预测模型进行训练,并开始计时,得到训练好的LSSVM预测模型;
本发明将样本数据分成训练数据和测试数据两组,通过预测算法对训练数据进行训练,进而得到预测数据,限定预测数据的输出值个数与测试数据等同,方便对预测效果进行比较。预测数据的偏离程度会随着距预测时间点时间的增加而降低。
S900:预测模型精度评估步骤,输入测试数据,预测出T时间内的输出功率,所述T时间从预测时刻开始计算,记录预测模型从训练到得到预测结果所需的预测时间t1,计算预测结果与测试数据的误差值,误差值的大小用于评价预测模型的预测精度。
作为优选实施方式,步骤S500中,采用改进的Griewank函数作为改进的迭代局部搜索C-ILS的扰动函数,扰动种群初步适应值,进行第二次优化,所述改进的Griewank函数的表达式如下:
xi=Xpos*rand() (2)
其中,
i是灰狼种群序号,取值为0,1,2,...,n;
n是总的灰狼种群数;
rand()是***随机函数,产生[0,1]之间的随机数;
xi是第i个灰狼种群的随机化位置;
G是种群位置适应值的扰动值,是长度为n的一维数列。
Griewank函数是常见的适应值扰动函数,其原始公式为:
本发明对原有的Griewank函数进行了改进,目的是为了跳出局部最优,在较大范围内的搜索最优值。(3)式中等式右边最前面的负号是为了将适应值统一到y轴的负半轴。4000是原始函数定义的,数值也可以改变,但是系数变化过大,易使得迭代局部搜索跳出搜索范围。因此本发明仅增加了(3)式中的1.1倍累乘,1.1是根据测试得出的较优结果,当然根据实际测试的结果,也可以由其他数值替代1.1,以取得更好的效果。
除了本发明采用的改进的Griewank函数,还有Rastrigin函数、Schaffer函数、Ackley函数、Rosenbrock函数等扰动函数及这些函数的改进函数均可用于扰动。
在单次全局搜索得到的全局较优解的基础上,加入扰动,对全局较优解进行局部再寻优。迭代局部搜索(ILS)的基本思想是物以类聚,较优解间存在一定的共性。迭代局部搜索是LSSVM算法超参数精度初步优化,在一个相对较大范围内的搜索更优的适应值。此处改进的Griewank函数的目的是将最优解的搜索集中到一个较小范围内。
作为优选实施方式,步骤S500中,其中利用扰动值进行第二次优化的过程包括如下步骤:
随机化S-GWO算法得到的种群位置;
将随机化的种群位置代入改进的Griewank函数,输出值作为扰动适应值;
将扰动适应值与S-GWO算法得到的种群适应值比较,选择更小的值作为betterfitness;
更新种群位置,得到更优种群位置betterpos。
作为优选实施方式,步骤S600中所述的局部自适应差分算法LSaDE的变异收缩因子数学表达式如下:
其中,
dd是为缩小搜索范围所设置的自定义参数;
Max_iteration是最大迭代次数;
F是当前种群的收缩因子;
F0是初始收缩因子;
i是当前种群序号,取值范围是[1,sizepop],其中sizepop是自定义参数,称为种群数量或种群规模;
betterpos:是第二次优化得到的更优种群位置;
bestpos:是第三次优化得到的最优种群位置。
局部自适应差分算法LSaDE对初步优化后得到的适应值betterfitness进行再寻优,在改进的迭代局部搜索(ILS)的基础上再次进行局部搜索,是小范围内的最优解逼近过程。
差分进化算法(DE)具有较强的局部开采能力,收敛速度快和稳定性好的特点,但是传统的差分进化算法(DE)易陷入局部最优,发生早熟收敛现象。虽然可以通过增加种群数量适当解决早熟收敛,但这会增加处理器的运算时间,与秒级超短期功率预测对时间的要求相悖。
针对差分进化算法(DE)在局部开采能力的优势和早熟收敛的问题,本发明选用局部自适应差分算法(LSaDE)对种群位置进行更新,获得最优种群位置和其对应的最优适应值。该方法进一步缩小了搜索范围,提高了搜索的速度。
作为优选实施方式,步骤S600中,通过对第二次优化得到的种群适应值betterfitness进行变异和交叉操作,更新种群位置betterpos,再比较当前适应值和betterfitness的大小,得出种群最优适应值bestfitness和其对应的最优种群位置bestpos。
作为优选实施方式,步骤S700中,对得到的最优种群适应值bestfitness进行排序,其中最小的适应值作为最优种群的α狼的适应值,并从最佳种群的α狼的位置信息中获取LSSVM算法超参数的最优值。
作为优选实施方式,在S900中,同时采用MSE、MAE和RMSE作误差评估,评价预测模型的精度,方均根误差RMSE是衡量预测值与真实值之间的偏差;均方误差MSE是真实值与预测值差值的平方然后求和平均;平均绝对误差MAE是绝对误差的平均值。
作为优选实施方式,在S900中,同时采用MSE、MAE和MAPE作误差评估,评价预测模型的精度。
作为优选实施方式,步骤S100中,数据进行归一化处理具体包括:
选用min-max标准化,也称为离差标准化,对原始数据进行线性变换,使结果值映射到[0,1]之间,转换函数如下:
其中,
xmin为样本数据的最小值;
xmax为样本数据的最大值;
x*为归一后的值。
作为优选实施方式,在S900中,还通过记录的预测时间t1,评价预测模型的实效性,当预测时间t1小于预设的预测时间阈值t_thred,认为预测满足实效性要求;当预测时间t1大于等于预设的预测时间阈值t_thred,认为预测模型预测不满足实效性要求,重新进行预测模型参数优化。
实施例1
根据本发明的一个具体实施方案,下面对本发明的秒级超短期光伏功率预测方法进行详细说明。
本发明提供了一种秒级超短期光伏功率预测方法,包括如下步骤:
S100:数据采集步骤,从光伏电站预测时刻前的历史数据中等间隔采集光伏输出功率数据,作为样本数据,组成一维数组;
步骤S100中,数据进行归一化处理具体包括:
选用min-max标准化,也称为离差标准化,对原始数据进行线性变换,使结果值映射到[0,1]之间,转换函数如下:
其中,
xmin为样本数据的最小值;
xmax为样本数据的最大值;
x*为归一后的值。
S200:构建训练数据与测试数据步骤,从样本数据中剔除夜间数据,将数据划分成两个部分,一部分作为训练数据,一部分作为测试数据,并对数据进行归一化处理;
S300:LSSVM预测模型构建步骤,构建LSSVM预测模型,所述LSSVM预测模型采用LSSVM算法,采用RBF函数作为核函数,选取function estimation为算法类型;
S400:LSSVM算法的超参数第一次优化步骤,包括如下步骤:
S401:采用混沌立方映射产生用于初始化的混沌数hi,对种群进行初始化,种群位置初始化采用如下公式:
Position=hi·(ub-lb) (1)
其中,
Position是初始化种群位置;
hi是混沌立方映射产生的混沌数;
ub是LSSVM算法中的超参数的取值上界;
lb是LSSVM算法中的超参数的取值下界;
S402:以单次迭代灰狼优化算法S-GWO对LSSVM算法中的超参数进行第一次优化,得到种群初步适应值fitness和初步种群位置Xpos;
S500:LSSVM算法的超参数第二次优化步骤,采用改进的迭代局部搜索C-ILS对步骤S400中得到的种群初步适应值fitness进行第二次优化,得到第二次优化的种群适应值betterfitness和最优种群位置betterpos,所述改进的迭代局部搜索在第一次优化搜索范围的基础上,进一步缩小了更优值搜索范围;
步骤S500中,采用改进的Griewank函数作为改进的迭代局部搜索C-ILS的扰动函数,扰动种群初步适应值,进行第二次优化,所述改进的Griewank函数的表达式如下:
xi=Xpos*rand() (2)
其中,
i是灰狼种群序号,取值为0,1,2,...,n;
n是总的灰狼种群数;
rand()是***随机函数,产生[0,1]之间的随机数;
xi是第i个灰狼种群的随机化位置;
G是种群位置适应值的扰动值,是长度为n的一维数列。
步骤S500中,其中利用扰动值进行第二次优化的过程包括如下步骤:
随机化S-GWO算法得到的种群位置;
将随机化的种群位置代入改进的Griewank函数,输出值作为扰动适应值;
将扰动适应值与S-GWO算法得到的种群适应值比较,选择更小的值作为betterfitness;
对种群位置进行更新,得到更优种群位置betterpos。
S600:LSSVM算法的超参数第三次优化步骤,采用局部自适应差分算法LSaDE对第二次优化后得到的种群适应值betterfitness进行第三次优化,更新种群位置,获得种群最优适应值bestfitness和其对应的最优种群位置,所述局部自适应差分算法LSaDE在第二次优化搜索范围的基础上,进一步缩小了最优值搜索范围;
步骤S600中所述的局部自适应差分算法LSaDE的变异收缩因子数学表达式如下:
其中,
dd是为缩小搜索范围所设置的自定义参数;
Max_iteration是最大迭代次数;
F是当前种群的收缩因子;
F0是初始收缩因子;
i是当前种群序号,取值范围是[1,sizepop],其中sizepop是自定义参数,称为种群数量或种群规模;
betterpos:是第二次优化得到的更优种群位置;
bestpos:是第三次优化得到的最优种群位置。
步骤S600中,通过对第二次优化得到的种群适应值betterfitness进行变异和交叉操作,更新种群位置betterpos,再比较当前适应值和betterfitness的大小,得出种群最优适应值bestfitness和其对应的最优种群位置bestpos。
S700:确定LSSVM算法超参数的最优值步骤,根据种群最优适应值bestfitness确定α狼位置,从α狼位置信息获取LSSVM算法超参数的最优参数信息,作为LSSVM算法超参数的最优值;
步骤S700中,对得到的最优种群适应值bestfitness进行排序,其中最小的适应值作为最优种群的α狼的适应值,并从最佳种群的α狼的位置信息中获取LSSVM算法超参数的最优值。
S800:预测模型训练步骤,将得到的LSSVM算法超参数的最优值带入到LSSVM算法中,输入训练数据对LSSVM预测模型进行训练,并开始计时,得到训练好的LSSVM预测模型;S900:预测模型精度评估步骤,输入测试数据,预测出T时间内的输出功率,所述T时间从预测时刻开始计算,记录预测模型从训练到得到预测结果所需的预测时间t1,计算预测结果与测试数据的误差值,误差值的大小用于评价预测模型的预测精度。
在S900中,同时采用MSE、MAE和RMSE作误差评估,评价预测模型的精度,方均根误差RMSE是衡量预测值与真实值之间的偏差;均方误差MSE是真实值与预测值差值的平方然后求和平均;平均绝对误差MAE是绝对误差的平均值。
或者,还可以根据需要在S900中,同时采用MSE、MAE和MAPE作误差评估,评价预测模型的精度。
在S900中,通过记录的预测时间t1,评价预测模型的实效性,当预测时间t1小于预设的预测时间阈值t_thred,认为预测满足实效性要求;当预测时间t1大于等于预设的预测时间阈值t_thred,认为预测模型预测不满足实效性要求,重新进行预测模型参数优化。
实施例2
根据本发明的一个具体实施方案,下面对本发明的秒级超短期光伏功率预测方法的效果进行详细说明。
图1给出了采用本发明的LLSVM算法参数优化流程过程中,适应值的变化曲线,从图中可以看到,由于取消了大量的迭代过程,采用单次迭代,种群适应值不再呈现递增递减的特性,采用单次迭代的全局搜索和两次局部搜索,使得种群的适应值变化较大,在不同搜索范围内搜索最优解。
实施例3
根据本发明的一个具体实施方案,下面对本发明的秒级超短期光伏功率预测方法的效果进行详细说明。
图2为该实施例中采用预测模型进行预测结果与实际数据的拟合图。该实施例中,将样本数据划分为训练数据和测试数据,测试数据不参与预测算法训练,仅用来与预测数据进行对比。此处测试数据采用48个样本,采用五分钟作为时间节点,在实际应用中,参考预测时间,采样间隔可以缩短至15-60秒。
实施例4
根据本发明的一个具体实施方案,下面对本发明的秒级超短期光伏功率预测方法的效果进行详细说明。
如表1给出了某地9月6日到10日的基本天气信息。
表1某地9月6日到10日基本天气信息
下表2给出了在上述条件下采集的样本数据,采用不同预测模型的预测精度的评价指标以及预测运行时间,用于体现本发明采用的灰狼算法中采用单次迭代、对种群位置初始化采用混沌立方映射产生的混沌数作为随机数,迭代局部搜索算法进行第二次优化,局部自适应差分算法LSaDE等一系列提供快速、准确确定种群最优适应值的方法,所带来的效果。
表2各预测模型的预测精度评价指标和预测时间
从表2可以看出,采用传统GWO算法对LSSVM算法进行参数寻优的GWO-LSSVM算法预测精度差,易陷入局部最优,且预测时间长。
针对预测精度差的问题,选用SaDE算法对传统GWO算法对LSSVM算法进行寻优的GWO-LSSVM算法进行优化,得到SaDE-GWO-LSSVM算法,其预测精度较高,但是由于传统GWO的反复迭代,其预测时间还是偏长。
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,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均包含在本发明的保护范围之内。
Claims (10)
1.一种秒级超短期光伏功率预测方法,其特征在于,包括如下步骤:
S100:数据采集步骤,从光伏电站预测时刻前的历史数据中等间隔采集光伏输出功率数据,作为样本数据,组成一维数组;
S200:构建训练数据与测试数据步骤,从样本数据中剔除夜间数据,将数据划分成两个部分,一部分作为训练数据,一部分作为测试数据,并对数据进行归一化处理;
S300:LSSVM预测模型构建步骤,构建LSSVM预测模型,所述LSSVM预测模型采用LSSVM算法,采用RBF函数作为核函数,选取function estimation为算法类型;
S400:LSSVM算法的超参数第一次优化步骤,包括如下步骤:
S401:采用混沌立方映射产生用于初始化的混沌数hi,对种群进行初始化,种群位置初始化采用如下公式:
Position=hi·(ub-lb) (1)
其中,
Position是初始化种群位置;
hi是混沌立方映射产生的混沌数;
ub是LSSVM算法中的超参数的取值上界;
lb是LSSVM算法中的超参数的取值下界;
S402:以单次迭代灰狼优化算法S-GWO对LSSVM算法中的超参数进行第一次优化,得到种群初步适应值fitness和初步种群位置Xpos;
S500:LSSVM算法的超参数第二次优化步骤,采用改进的迭代局部搜索C-ILS对步骤S400中得到的种群初步适应值fitness进行第二次优化,得到第二次优化的种群适应值betterfitness和更优种群位置betterpos,所述改进的迭代局部搜索在第一次优化搜索范围的基础上,进一步缩小了更优值搜索范围;
S600:LSSVM算法的超参数第三次优化步骤,采用局部自适应差分算法LSaDE对第二次优化后得到的种群适应值betterfitness进行第三次优化,更新种群位置,获得种群最优适应值bestfitness和其对应的最优种群位置bestpos,所述局部自适应差分算法LSaDE在第二次优化搜索范围的基础上,进一步缩小了最优值搜索范围;
S700:确定LSSVM算法超参数的最优值步骤,根据种群最优适应值bestfitness排序确定α狼位置,从α狼位置信息获取LSSVM算法超参数的最优参数信息,作为LSSVM算法超参数的最优值;
S800:预测模型训练步骤,将得到的LSSVM算法超参数的最优值带入到LSSVM预测模型中,输入训练数据对LSSVM预测模型进行训练,并开始计时,得到训练好的LSSVM预测模型;
S900:预测模型精度评估步骤,输入测试数据,预测出T时间内的输出功率,所述T时间从预测时刻开始计算,记录预测模型从训练到得到预测结果所需的预测时间t1,计算预测结果与测试数据的误差值,误差值的大小用于评价预测模型的预测精度。
3.根据权利要求2所述的秒级超短期光伏功率预测方法,其特征在于,步骤S500中,利用扰动值进行第二次优化的过程包括如下步骤:
随机化S-GWO算法得到的种群位置;
将随机化的种群位置代入改进的Griewank函数,输出值作为扰动适应值;
将扰动适应值与S-GWO算法得到的种群适应值比较,选择更小的值作为betterfitness;
更新种群位置,得到更优种群位置betterpos。
4.根据权利要求1所述的秒级超短期光伏功率预测方法,其特征在于,步骤S600中所述的局部自适应差分算法LSaDE的变异收缩因子数学表达式如下:
其中,
dd是为缩小搜索范围所设置的自定义参数;
Max_iteration是最大迭代次数;
F是当前种群的收缩因子;
F0是初始收缩因子;
i是当前种群序号,取值范围是[1,sizepop],其中sizepop是自定义参数,称为种群数量或种群规模;
betterpos:是第二次优化得到的更优种群位置;
bestpos:是第三次优化得到的最优种群位置。
5.根据权利要求4所述的秒级超短期光伏功率预测方法,其特征在于,步骤S600中,通过对第二次优化得到的种群适应值betterfitness进行变异和交叉操作,更新种群位置betterpos,再比较当前适应值和betterfitness的大小,得出种群最优适应值bestfitness和其对应的最优种群位置bestpos。
6.根据权利要求1所述的秒级超短期光伏功率预测方法,其特征在于,步骤S700中,对得到的最优种群适应值bestfitness进行排序,其中最小的适应值作为最优种群的α狼的适应值,并从最佳种群的α狼的位置信息中获取LSSVM算法超参数的最优值。
7.根据权利要求1所述的秒级超短期光伏功率预测方法,其特征在于,在S900中,同时采用MSE、MAE和RMSE作误差评估,评价预测模型的精度,方均根误差RMSE是衡量预测值与真实值之间的偏差;均方误差MSE是真实值与预测值差值的平方然后求和平均;平均绝对误差MAE是绝对误差的平均值。
8.根据权利要求1所述的秒级超短期光伏功率预测方法,其特征在于,在S900中,同时采用MSE、MAE和MAPE作误差评估,评价预测模型的精度。
10.根据权利要求1所述的秒级超短期光伏功率预测方法,其特征在于,在S900中,还通过记录的预测时间t1,评价预测模型的实效性,当预测时间t1小于预设的预测时间阈值t_thred,认为预测满足实效性要求;当预测时间t1大于等于预设的预测时间阈值t_thred,认为预测模型预测不满足实效性要求,重新进行预测模型参数优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011385741.8A CN112507613B (zh) | 2020-12-01 | 2020-12-01 | 一种秒级超短期光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011385741.8A CN112507613B (zh) | 2020-12-01 | 2020-12-01 | 一种秒级超短期光伏功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112507613A true CN112507613A (zh) | 2021-03-16 |
CN112507613B CN112507613B (zh) | 2022-05-10 |
Family
ID=74969784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011385741.8A Active CN112507613B (zh) | 2020-12-01 | 2020-12-01 | 一种秒级超短期光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112507613B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114662393A (zh) * | 2022-03-25 | 2022-06-24 | 湖南工程学院 | 一种基于天气条件的光伏功率预测误差补偿方法 |
CN114706445A (zh) * | 2022-03-10 | 2022-07-05 | 三峡大学 | 基于de-gwo算法的光伏最大功率点跟踪方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978613A (zh) * | 2015-07-28 | 2015-10-14 | 国家电网公司 | 一种考虑组件温度的光伏出力短期预测方法 |
US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
CN107992645A (zh) * | 2017-10-30 | 2018-05-04 | 嘉兴学院 | 基于混沌-烟花混合算法的污水处理过程软测量建模方法 |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN109635506A (zh) * | 2019-01-10 | 2019-04-16 | 浙江大学 | 自适应混沌树和种子算法的光伏电池模型参数辨识方法 |
KR20190123040A (ko) * | 2018-04-23 | 2019-10-31 | 한국전자통신연구원 | 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법 |
CN110942205A (zh) * | 2019-12-05 | 2020-03-31 | 国网安徽省电力有限公司 | 一种基于himvo-svm的短期光伏发电功率预测方法 |
CN111709524A (zh) * | 2020-07-03 | 2020-09-25 | 江苏科技大学 | 一种基于改进gwo算法的rbf神经网络优化方法 |
-
2020
- 2020-12-01 CN CN202011385741.8A patent/CN112507613B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104978613A (zh) * | 2015-07-28 | 2015-10-14 | 国家电网公司 | 一种考虑组件温度的光伏出力短期预测方法 |
US20180046924A1 (en) * | 2015-08-31 | 2018-02-15 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Whole-life-cycle power output classification prediction system for photovoltaic systems |
CN107992645A (zh) * | 2017-10-30 | 2018-05-04 | 嘉兴学院 | 基于混沌-烟花混合算法的污水处理过程软测量建模方法 |
KR20190123040A (ko) * | 2018-04-23 | 2019-10-31 | 한국전자통신연구원 | 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법 |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN109635506A (zh) * | 2019-01-10 | 2019-04-16 | 浙江大学 | 自适应混沌树和种子算法的光伏电池模型参数辨识方法 |
CN110942205A (zh) * | 2019-12-05 | 2020-03-31 | 国网安徽省电力有限公司 | 一种基于himvo-svm的短期光伏发电功率预测方法 |
CN111709524A (zh) * | 2020-07-03 | 2020-09-25 | 江苏科技大学 | 一种基于改进gwo算法的rbf神经网络优化方法 |
Non-Patent Citations (1)
Title |
---|
ZHAO ZHENXING,ET AL.: "Analysis,Design,and Implementation of Improved LLC Resonant Transformer for Efficiency Enhancement", 《ENERGIES》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114706445A (zh) * | 2022-03-10 | 2022-07-05 | 三峡大学 | 基于de-gwo算法的光伏最大功率点跟踪方法 |
CN114706445B (zh) * | 2022-03-10 | 2023-08-01 | 三峡大学 | 基于de-gwo算法的光伏最大功率点跟踪方法 |
CN114662393A (zh) * | 2022-03-25 | 2022-06-24 | 湖南工程学院 | 一种基于天气条件的光伏功率预测误差补偿方法 |
CN114662393B (zh) * | 2022-03-25 | 2023-06-30 | 湖南工程学院 | 一种基于天气条件的光伏功率预测误差补偿方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112507613B (zh) | 2022-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487702B (zh) | 一种锂离子电池剩余使用寿命预测方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN109871977A (zh) | 基于离散小波变换和优化最小支持向量机的负荷预测方法 | |
CN111667098B (zh) | 一种基于多模型组合优化的风力电站输出功率预测方法 | |
Yang et al. | Hybrid prediction method for wind speed combining ensemble empirical mode decomposition and Bayesian ridge regression | |
CN110555548B (zh) | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 | |
Zhang et al. | Wind speed prediction research considering wind speed ramp and residual distribution | |
CN112507613B (zh) | 一种秒级超短期光伏功率预测方法 | |
Senthil Kumar | Improved prediction of wind speed using machine learning. | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN114169434A (zh) | 一种负荷预测方法 | |
CN115310669A (zh) | 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 | |
CN114648147A (zh) | 一种基于ipso-lstm的风电功率预测方法 | |
CN116578551A (zh) | 一种基于gru-gan的电网数据修复方法 | |
CN114219126B (zh) | 基于残差修正的小水电渗透地区网供负荷预测方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN110276478B (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
Kumar | Improved Prediction of Wind Speed using Machine Learning. | |
CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
CN116316542A (zh) | 区域分布式光伏功率预测方法、装置、计算机设备及存储介质 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |