CN113468817A - 一种基于igoa优化elm的超短期风电功率预测方法 - Google Patents

一种基于igoa优化elm的超短期风电功率预测方法 Download PDF

Info

Publication number
CN113468817A
CN113468817A CN202110788967.0A CN202110788967A CN113468817A CN 113468817 A CN113468817 A CN 113468817A CN 202110788967 A CN202110788967 A CN 202110788967A CN 113468817 A CN113468817 A CN 113468817A
Authority
CN
China
Prior art keywords
wind power
locust
data
elm
formula
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
Application number
CN202110788967.0A
Other languages
English (en)
Other versions
CN113468817B (zh
Inventor
胡浩文
夏鑫
王晓露
张楚
彭甜
刘康
吕文卓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202110788967.0A priority Critical patent/CN113468817B/zh
Publication of CN113468817A publication Critical patent/CN113468817A/zh
Application granted granted Critical
Publication of CN113468817B publication Critical patent/CN113468817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种基于IGOA优化ELM的超短期风电功率预测方法，包括：从风电场数据采集与监视控制***获取到历史风速和风电功率数据，对数据进行预处理，并选取训练数据样本和测试数据样本，建立ELM预测模型；对GOA进行改进，采用Cubic混沌映射方法对GOA的种群进行初始化；通过一种基于正弦函数的调整参数控制策略来更新递减系数；在蝗虫个***置更新处引入柯西变异操作，得到IGOA；利用IGOA优化ELM的参数，获得最优参数；将获得的最优参数和测试数据样本输入到ELM预测模型中得到预测结果，并选取风电预测中常用的三种评价指标：均方根误差RMSE、平均绝对误差MAE和最大绝对值误差Emax，对模型的预测性能进行评价。本发明有效地预测超短期风电功率，提高预测模型精度。

Description

一种基于IGOA优化ELM的超短期风电功率预测方法
技术领域
本发明涉及风电功率预测领域，尤其涉及一种基于IGOA优化ELM的超短期风电功率预测方法。
背景技术
随着风力发电技术日臻成熟，风电单机容量和并网型风电场规模不断扩大，风电占电力***发电总量的比例也逐年增加。风电场穿透功率不断加大，给电力***带来的一系列问题日益突出，严重威肋、电力***安全、稳定、经济、可靠运行。对风电功率进行及时准确的预测，可以显著增强电力***的安全性、稳定性、经济性和可控性。
极限学习机(Extreme Learning Machine，ELM)用来训练单隐藏层前馈神经网络(SLFN)与传统的SLFN训练算法不同，该算法随机产生输入层权重及隐含层偏置，且在训练过中无需调整，只需要设置隐含层神经元的个数便可以获得唯一的最优解。但是由于梯度下降法需要多次迭代，从而达到修正权值和阈值的目的，因此训练过程耗时较长，同时容易陷入局部极小值。为此需要一种更高效的优化算法来提高极限学习机的预测精度。
蝗虫算法(Grasshopper Optimization Algorithm,GOA)是由Saremi等于2017年提出的一种元启发式仿生优化算法，但是在算法后期容易陷入局部极值点，收敛速度变慢，导致预测精度降低。为此引进Cubic混沌映射方法、通过一种基于正弦函数的调整参数控制策略来更新递减系数以及在蝗虫个***置更新处引入柯西变异操作来改进传统蝗虫算法，然后再利用改进蝗虫算法优化极限学习机并获取最优参数，建立新的极限学习机预测模型，实现超短期风电功率预测。
发明内容
发明目的：本发明的目的是针对现有技术的不足，提出一种基于IGOA优化ELM的超短期风电功率预测方法，解决现有ELM预测模型存在参数难以确定，易陷入局部最优等技术问题，提高预测模型精度。
技术方案：一种基于IGOA优化ELM的超短期风电功率预测方法，包括以下步骤：
步骤1：从风电场数据采集与监视控制***获取到历史风速和风电功率数据，对数据进行预处理，并选取训练数据样本和测试数据样本，建立ELM预测模型；
步骤2：对GOA进行改进，采用Cubic混沌映射方法对GOA的种群进行初始化；
步骤3：通过一种基于正弦函数的调整参数控制策略来更新递减系数；
步骤4：在蝗虫个***置更新处引入柯西变异操作，得到IGOA；
步骤5：利用IGOA优化ELM的参数，获得最优参数；
步骤6：将获得的最优参数和测试数据样本输入到ELM预测模型中得到预测结果，并选取风电预测中常用的三种评价指标：均方根误差RMSE、平均绝对误差MAE和最大绝对值误差Emax，对模型的预测性能进行评价。
进一步地，步骤1中对数据预处理具体包括：
步骤1.1.1：如果采集到的功率数据比风电装机容量大，用风电装机容量代替，如果采集到的功率数据是负数，则用零代替；
步骤1.1.2：对于相邻时刻之间缺失的数据，用相邻两数据的平均值替代，对于异常数据，用其前一时刻的数据替代；
步骤1.1.3：根据式(1)对数据进行归一化处理：
Figure BDA0003160127230000021
式中：y为归一化后的数据，x为原始数据，xmax和xmin分别为原始数据中最大值和最小值，归一化范围为[0,1]。
进一步地，步骤1中建立ELM预测模型具体包括：
步骤1.2.1：将训练数据样本
Figure BDA0003160127230000022
其中，xi和ti为训练数据真实值，N为输入层节点数，n和m为向量空间维数，隐含层的激活函数g(·)和隐含层节点数L，输入到算法模型中；
步骤1.2.2：确定输入层权重wi∈[-1,1]和隐含层偏置bi∈[0,1]；
步骤1.2.3：根据式(2)计算隐含层的输出矩阵H，
Figure BDA0003160127230000023
其中，H＝{h1,h2,…,hi}，hi＝g(wixi+bi)为隐含层第i个神经元的输出。
步骤1.2.4：求解输出权值β，通过最小二乘解获得，即式(3)：
Figure BDA0003160127230000031
式中：H*为矩阵H的Moore-Penrose的广义逆；
步骤1.2.5：由输出权值得到ELM预测模型，即式(4)：
Figure BDA0003160127230000032
式中：βi为隐含层第i个节点与输出层之间的连接权值，wi为输入层与隐含层第i个节点之间的连接权值，bi为隐含层第i个节点的偏置。
进一步地，步骤2具体包括：
步骤2.1：设在D维空间中有若干个蝗虫种群中的个体，经过Cubic混沌映射公式(5)产生蝗虫种群中的个体，即Y＝(y1,y2,...,yn)，且其取值范围为yn∈(0,1)；
Figure BDA0003160127230000033
式中，a为控制参数。
步骤2.2：将蝗虫种群的个体每一维进行迭代N-1次，从而产生N-1个人工蝗虫种群的个体；
步骤2.3：当所有的人工蝗虫种群中个体迭代完成，按照式(6)映射到解空间中：
Figure BDA0003160127230000034
式中：N为蝗虫种群数，ubd、lbd为搜索空间的上、下界，
Figure BDA0003160127230000035
是第i个人工蝗虫种群的个体的第d维坐标，
Figure BDA0003160127230000036
是第i个人工蝗虫种群的个体的第d维的位置。
进一步地，步骤2.1中，Cubic映射的混沌性与控制参数的取值有关，a＝2.6时，Cubic映射具有较好的混沌遍历性。
进一步地，步骤3中具体包括：
传统蝗虫算法的递减系数c用于平衡全局搜索和局部开发的作用，且与迭代次数成正比，但是并不能满足算法在不同时期的实际要求：在算法前期要求递减系数c比较大且下降缓慢，能够有能力和时间进行全局搜索到全局最优解的大概范围；在算法后期要求递减系数c较小且下降迅速，算法快速收敛到局部最优解，基于正弦函数的调整参数控制策略如公式(7)所示：
Figure BDA0003160127230000041
式中，t为算法当前迭代次数，T为最大迭代次数，k、u为调节参数。
进一步地，调节参数选用k＝2，u＝2。
进一步地，步骤4中具体包括：
传统算法中蝗虫个体根据当前自身与种群间其他个体间的距离和最优个体的位置来更新下一步自身位置，在后期易陷入局部最优的问题，为此在蝗虫个***置更新处添加柯西变异操作，变异后的蝗虫增加种群多样性，有助于算法跳出局部最优，寻找到新的最优解。根据柯西标准分布函数式(8)，对最优个体构建柯西变异公式(9)，变异后蝗虫个***置更新公式为(10)所示：
Figure BDA0003160127230000042
Figure BDA0003160127230000043
Figure BDA0003160127230000044
式中：
Figure BDA0003160127230000045
为算法迭代到第t次时第d维第i个蝗虫的位置，
Figure BDA0003160127230000046
为算法迭代到第t次时第d维第j个蝗虫的位置，dij(t)是蝗虫种群在第t次迭代时第i个蝗虫和第j个蝗虫之间的距离，
Figure BDA0003160127230000047
是当前最优个***置，
Figure BDA0003160127230000048
是经过柯西变异后的最优蝗虫位置，r是(0,1)上的随机数，p为变异概率，经试验选用p＝0.7。
进一步地，步骤5具体包括：
步骤5.1：初始化相关算法参数：设置蝗虫种群数N、空间维度D，最大迭代次数T、搜索空间的上界ub、下界lb和当前迭代次数t＝1，并采用混沌理论初始化生成当前蝗虫所在的空间位置
Figure BDA0003160127230000051
步骤5.2：通过公式(11)计算经过ELM网络训练的预测值yi与训练样本实际值ti的均方根误差，作为蝗虫适应度值fitness，将当前适应度值最小的蝗虫位置保存到变量
Figure BDA0003160127230000052
Figure BDA0003160127230000053
步骤5.3：判断当前迭代次数t是否达到最大迭代次数T；若达到，则执行步骤5.5，否则执行步骤5.4；
步骤5.4：通过调整参数控制策略(7)更新递减系数c，标准化蝗虫之间的距离于[1,4]，柯西变异公式(9)和(10)更新蝗虫的位置，当前迭代次数t＝t+1，并返回ELM网络训练得到新的预测值，再根据公式(11)更新蝗虫的适应度值，与当前最优解进行比较，若优于当前最优解则更新
Figure BDA0003160127230000054
否则执行步骤5.3；
步骤5.5：输出最优解
Figure BDA0003160127230000055
从中提取出ELM网络所需的输入层权重w和隐含层偏置b。
进一步地，步骤6中RMSE、MAE和Emax三种评价指标公式分别如下：
Figure BDA0003160127230000056
Figure BDA0003160127230000057
Emax＝max(|Pti-Pyi|) (14)
式中：n为样本个数，Pti为i时刻的实际功率，Pyi为i时刻的预测功率，Pcap为风电场开机总容量。
有益效果：与现有技术相比，本发明具有如下显著的优点：首先对GOA采用Cubic混沌映射方法初始化蝗虫的位置
Figure BDA0003160127230000058
构建基于正弦函数的调整参数控制策略的递减系数c和在蝗虫个***置更新处添加柯西变异操作，使变异后的蝗虫可以增加种群多样性，加快收敛速度，帮助算法跳出局部最优，寻找到新的最优解，增强算法可靠性；然后利用IGOA对ELM的参数进行优化，从而达到提高预测模型精度的目的。
附图说明
图1为本发明提供的基于IGOA优化ELM的超短期风电功率预测方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。
针对现有技术的不足，本发明首先对GOA采用Cubic混沌映射方法初始化蝗虫的位置、构建基于正弦函数的调整参数控制策略的递减系数c和在蝗虫个***置更新处添加柯西变异操作，使变异后的蝗虫可以增加种群多样性，加快收敛速度，帮助算法跳出局部最优，寻找到新的最优解，增强算法可靠性，然后利用IGOA对ELM的参数进行优化，建立新的ELM预测模型。
本发明以某风电场2021年5月份连续250h的实测数据为实施例，进行实例仿真，以验证本发明的效果。图1为本发明提供的基于IGOA优化ELM的超短期风电功率预测模型流程图，实施步骤如下：
步骤1：从风电场数据采集与监视控制***获取到5月份连续250h、采样时间分辨率为10min的历史风速和风电功率数据，对数据进行一系列预处理，并选取训练数据样本和测试数据样本，建立ELM预测模型。
其中对数据进行一系列预处理包括：
步骤1.1.1：如果采集到的功率数据比风电装机容量大，用风电装机容量代替，如果采集到的功率数据是负数，则用零代替；
步骤1.1.2：对于相邻时刻之间缺失的数据，用相邻两数据的平均值替代，对于异常数据，用其前一时刻的数据替代；
步骤1.1.3：为了让数据处理更方便，根据式(1)对数据进行归一化处理。
Figure BDA0003160127230000061
式中：y为归一化后的数据，x为原始数据，xmax和xmin分别为原始数据中最大值和最小值，归一化范围为[0，1]。
建立ELM预测模型包括：
步骤1.2.1：将训练数据样本
Figure BDA0003160127230000062
xi和ti为训练数据真实值，N为输入层节点数，n和m为向量空间维数，隐含层的激活函数g(·)和隐含层节点数L，输入到算法模型中；
步骤1.2.2：确定输入层权重wi∈[-1,1]和隐含层偏置bi∈[0,1]；
步骤1.2.3：计算隐含层的输出矩阵H，即式(2)：
Figure BDA0003160127230000071
其中，H＝{h1,h2,…,hi}，hi＝g(wixi+bi)为隐含层第i个神经元的输出。
步骤1.2.4：求解输出权值β，可通过最小二乘解获得，即式(3)：
Figure BDA0003160127230000072
式中：H*为矩阵H的Moore-Penrose的广义逆；
步骤1.2.5：由输出权值得到ELM预测模型，即式(4)：
Figure BDA0003160127230000073
式中：βi为隐含层第i个节点与输出层之间的连接权值，wi为输入层与隐含层第i个节点之间的连接权值，bi为隐含层第i个节点的偏置。
步骤二：对GOA进行改进，采用Cubic混沌映射方法对GOA的种群进行初始化。
其中Cubic混沌映射方法对GOA的种群进行初始化包括：
步骤2.1：设在D维空间中有若干个蝗虫种群中的个体，经过Cubic混沌映射公式(5)产生蝗虫种群中的个体，即Y＝(y1,y2,...,yn)，且其取值范围为yn∈(0,1)；
Figure BDA0003160127230000081
式中a为控制参数；Cubic映射的混沌性与参数a的取值有关，经查阅相关资料和试验，本发明中选用a＝2.6时，Cubic映射具有较好的混沌遍历性。
步骤2.2：然后将蝗虫种群的个体每一维进行迭代N-1次，从而产生N-1个人工蝗虫种群的个体；
步骤2.3：最后当所有的人工蝗虫种群中个体迭代完成时，再按照式(6)映射到解空间中：
Figure BDA0003160127230000082
上式中：N为蝗虫种群数，ubd、lbd为搜索空间的上、下界，
Figure BDA0003160127230000083
是第i个人工蝗虫种群的个体的第d维坐标，
Figure BDA0003160127230000084
是第i个人工蝗虫种群的个体的第d维的位置。
步骤三：然后通过一种基于正弦函数的调整参数控制策略来更新递减系数。
传统蝗虫算法的递减系数c用于平衡全局搜索和局部开发的作用，且与迭代次数成正比，但是并不能满足算法在不同时期的实际要求：在算法前期要求递减系数c比较大且下降缓慢，足够有能力和时间进行全局搜索到全局最优解的大概范围；在算法后期要求递减系数c较小且下降迅速，让算法快速收敛到局部最优解。为此提出一种基于正弦函数的调整参数控制策略，公式如(7)所示：
Figure BDA0003160127230000085
式中，t为算法当前迭代次数，T为最大迭代次数，k、u为调节参数，经试验本发明选用k＝2，u＝2。
步骤四：最后在蝗虫个***置更新处引入柯西变异操作。
传统算法中蝗虫个体根据当前自身与种群间其他个体间的距离和最优个体的位置来更新下一步自身位置，在后期易陷入局部最优的问题，为此在蝗虫个***置更新处添加柯西变异操作，变异后的蝗虫可以增加种群多样性，有助于算法跳出局部最优，寻找到新的最优解。根据柯西标准分布函数式(8)，对最优个体构建柯西变异公式(9)，变异后蝗虫个***置更新公式为(10)所示：
Figure BDA0003160127230000086
Figure BDA0003160127230000091
Figure BDA0003160127230000092
式中：
Figure BDA0003160127230000093
为算法迭代到第t次时第d维第i个蝗虫的位置，
Figure BDA0003160127230000094
为算法迭代到第t次时第d维第j个蝗虫的位置，dij(t)是蝗虫种群在第t次迭代时第i个蝗虫和第j个蝗虫之间的距离，
Figure BDA0003160127230000095
是当前最优个***置，
Figure BDA0003160127230000096
是经过柯西变异后的最优蝗虫位置，r是(0,1)上的随机数，p为变异概率，经试验选用p＝0.7。
步骤五：利用IGOA优化ELM的参数，获得最优参数。
其中利用IGOA优化ELM的参数，获得最优参数包括：
步骤5.1：初始化相关算法参数：设置蝗虫种群数N、空间维度D，最大迭代次数T、搜索空间的上界ub、下界lb和当前迭代次数t＝1，并采用混沌理论初始化生成当前蝗虫所在的空间位置
Figure BDA0003160127230000097
步骤5.2：通过公式(11)计算经过ELM网络训练的预测值yi与训练样本实际值ti的均方根误差，作为蝗虫适应度值fitness，并且将当前适应度值最小的蝗虫位置保存到变量
Figure BDA0003160127230000098
Figure BDA0003160127230000099
步骤5.3：判断当前迭代次数t是否达到最大迭代次数T。若达到，则执行步骤S5，否则执行步骤S4；
步骤5.4：通过调整参数控制策略(7)更新递减系数c，标准化蝗虫之间的距离于[1,4]，柯西变异公式(9)和(10)更新蝗虫的位置，当前迭代次数t＝t+1，并返回ELM网络训练得到新的预测值，再根据公式(11)更新蝗虫的适应度值，与当前最优解进行比较，若优于当前最优解则更新
Figure BDA00031601272300000910
否则执行步骤S3；
步骤5.5：输出最优解
Figure BDA00031601272300000911
并从中提取出ELM网络所需的输入层权重w和隐含层偏置b。
步骤六：将获得的最优参数和测试数据样本输入到ELM预测模型中得到预测结果，并选取风电预测中常用的三种评价指标：均方根误差RMSE、平均绝对误差MAE和最大绝对值误差Emax，对模型的预测性能进行评价。
其中RMSE、MAE和Emax三种评价指标公式分别为(12)～(14)：
Figure BDA0003160127230000101
Figure BDA0003160127230000102
Emax＝max(|Pti-Pyi|) (14)
式中：n为样本个数，Pti为i时刻的实际功率，Pyi为i时刻的预测功率，Pcap为风电场开机总容量。
对获取到的数据进行预处理后，将前175h的1050个样本用于训练，后75h的450个样本用于预测，分别对未优化ELM、GOA-ELM和IGOA-ELM进行误差评价分析，结果如表1所示：
表1
Figure BDA0003160127230000103
由表1可知，IGOA-ELM模型和GOA-ELM模型的RMSE、MAE及Emax都比未优化ELM模型小，说明预测效果比未优化ELM模型好，提高了ELM模型预测精度，有效地对超短期风电功率进行了预测。
本发明针对现有ELM预测模型存在参数难以确定，易陷入局部最优等技术问题，首先对GOA采用Cubic混沌映射方法初始化蝗虫的位置、构建基于正弦函数的调整参数控制策略的递减系数c和在蝗虫个***置更新处添加柯西变异操作，使变异后的蝗虫可以增加种群多样性，加快收敛速度，帮助算法跳出局部最优，寻找到新的最优解，增强算法可靠性，然后利用IGOA对ELM的参数进行优化，建立新的ELM预测模型，并以风电功率预测为实例，有效地对超短期风电功率进行了预测，验证了本发明的效果。
本发明未作详细阐述的内容属于本专业领域技术人员公知的已有技术。

Claims (10)

1.一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，包括以下步骤：
步骤1：从风电场数据采集与监视控制***获取到历史风速和风电功率数据，对数据进行预处理，并选取训练数据样本和测试数据样本，建立ELM预测模型；
步骤2：对GOA进行改进，采用Cubic混沌映射方法对GOA的种群进行初始化；
步骤3：通过基于正弦函数的调整参数控制策略来更新递减系数；
步骤4：在蝗虫个***置更新处引入柯西变异操作，得到IGOA；
步骤5：利用IGOA优化ELM的参数，获得最优参数；
步骤6：将获得的最优参数和测试数据样本输入到ELM预测模型中得到预测结果，并选取风电预测中常用的三种评价指标：均方根误差RMSE、平均绝对误差MAE和最大绝对值误差Emax，对模型的预测性能进行评价。
2.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤1中对数据预处理具体包括：
步骤1.1.1：如果采集到的功率数据比风电装机容量大，用风电装机容量代替，如果采集到的功率数据是负数，则用零代替；
步骤1.1.2：对于相邻时刻之间缺失的数据，用相邻两数据的平均值替代，对于异常数据，用其前一时刻的数据替代；
步骤1.1.3：根据式(1)对数据进行归一化处理：
Figure FDA0003160127220000011
式中：y为归一化后的数据，x为原始数据，xmax和xmin分别为原始数据中最大值和最小值，归一化范围为[0，1]。
3.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤1中建立ELM预测模型具体包括：
步骤1.2.1：将训练数据样本
Figure FDA0003160127220000012
其中，xi和ti为训练数据真实值，N为输入层节点数，n和m为向量空间维数，隐含层的激活函数g(·)和隐含层节点数L，输入到算法模型中；
步骤1.2.2：确定输入层权重wi∈[-1，1]和隐含层偏置bi∈[0，1]；
步骤1.2.3：根据式(2)计算隐含层的输出矩阵H，
Figure FDA0003160127220000021
其中，H＝{h1，h2，…，hi}，hi＝g(wixi+bi)为隐含层第i个神经元的输出；
步骤1.2.4：求解输出权值β，通过最小二乘解获得，即式(3)：
Figure FDA0003160127220000022
式中：H*为矩阵H的Moore-Penrose的广义逆；
步骤1.2.5：由输出权值得到ELM预测模型，即式(4)：
Figure FDA0003160127220000023
式中：βi为隐含层第i个节点与输出层之间的连接权值，wi为输入层与隐含层第i个节点之间的连接权值，bi为隐含层第i个节点的偏置。
4.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤2具体包括：
步骤2.1：设在D维空间中有若干个蝗虫种群中的个体，经过Cubic混沌映射公式(5)产生蝗虫种群中的个体，即Y＝(y1，y2,...，yn)，且其取值范围为yn∈(0,1)；
Figure FDA0003160127220000024
式中，a为控制参数；
步骤2.2：将蝗虫种群的个体每一维进行迭代N-1次，从而产生N-1个人工蝗虫种群的个体；
步骤2.3：当所有的人工蝗虫种群中个体迭代完成，按照式(6)映射到解空间中：
Figure FDA0003160127220000031
式中：N为蝗虫种群数，ubd、lbd为搜索空间的上、下界，
Figure FDA0003160127220000032
是第i个人工蝗虫种群的个体的第d维坐标，
Figure FDA0003160127220000033
是第i个人工蝗虫种群的个体的第d维的位置。
5.根据权利要求4所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤2.1中，Cubic映射的混沌性与所述控制参数的取值有关，a＝2.6时，Cubic映射具有混沌遍历性。
6.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤3中具体包括：
在算法前期递减系数c下降缓慢，能够全局搜索到全局最优解的大概范围；在算法后期递减系数c下降迅速，算法快速收敛到局部最优解，基于正弦函数的调整参数控制策略如公式(7)所示：
Figure FDA0003160127220000034
式中，t为算法当前迭代次数，T为最大迭代次数，k、u为调节参数。
7.根据权利要求6所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述调节参数选用k＝2，u＝2。
8.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤4中具体包括：
在蝗虫个***置更新处添加柯西变异操作，变异后的蝗虫增加种群多样性，根据柯西标准分布函数式(8)，对最优个体构建柯西变异公式(9)，变异后蝗虫个***置更新公式为(10)所示：
Figure FDA0003160127220000035
Figure FDA0003160127220000036
Figure FDA0003160127220000041
式中：
Figure FDA0003160127220000042
为算法迭代到第t次时第d维第i个蝗虫的位置，
Figure FDA0003160127220000043
为算法迭代到第t次时第d维第j个蝗虫的位置，dij(t)是蝗虫种群在第t次迭代时第i个蝗虫和第j个蝗虫之间的距离，
Figure FDA0003160127220000044
是当前最优个***置，
Figure FDA0003160127220000045
是经过柯西变异后的最优蝗虫位置，r是(0，1)上的随机数，p为变异概率，经试验选用p＝0.7。
9.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤5具体包括：
步骤5.1：初始化相关算法参数：设置蝗虫种群数N、空间维度D，最大迭代次数T、搜索空间的上界ub、下界lb和当前迭代次数t＝1，并采用混沌理论初始化生成当前蝗虫所在的空间位置
Figure FDA0003160127220000046
步骤5.2：通过公式(11)计算经过ELM网络训练的预测值yi与训练样本实际值ti的均方根误差，作为蝗虫适应度值fitness，将当前适应度值最小的蝗虫位置保存到变量
Figure FDA0003160127220000047
Figure FDA0003160127220000048
步骤5.3：判断当前迭代次数t是否达到最大迭代次数T；若达到，则执行步骤5.5，否则执行步骤5.4；
步骤5.4：通过调整参数控制策略(7)更新递减系数c，标准化蝗虫之间的距离于[1，4]，柯西变异公式(9)和(10)更新蝗虫的位置，当前迭代次数t＝t+1，并返回ELM网络训练得到新的预测值，再根据公式(11)更新蝗虫的适应度值，与当前最优解进行比较，若优于当前最优解则更新
Figure FDA0003160127220000049
否则执行步骤5.3；
步骤5.5：输出最优解
Figure FDA00031601272200000410
从中提取出ELM网络所需的输入层权重w和隐含层偏置b。
10.根据权利要求1所述的一种基于IGOA优化ELM的超短期风电功率预测方法，其特征在于，所述步骤6中RMSE、MAE和Emax三种评价指标公式分别如下：
Figure FDA0003160127220000051
Figure FDA0003160127220000052
Emax＝max(|Pti-Pyi|) (14)
式中：n为样本个数，Pti为i时刻的实际功率，Pyi为i时刻的预测功率，Pcap为风电场开机总容量。
CN202110788967.0A 2021-07-13 2021-07-13 一种基于igoa优化elm的超短期风电功率预测方法 Active CN113468817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110788967.0A CN113468817B (zh) 2021-07-13 2021-07-13 一种基于igoa优化elm的超短期风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110788967.0A CN113468817B (zh) 2021-07-13 2021-07-13 一种基于igoa优化elm的超短期风电功率预测方法

Publications (2)

Publication Number Publication Date
CN113468817A true CN113468817A (zh) 2021-10-01
CN113468817B CN113468817B (zh) 2023-08-22

Family

ID=77880042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110788967.0A Active CN113468817B (zh) 2021-07-13 2021-07-13 一种基于igoa优化elm的超短期风电功率预测方法

Country Status (1)

Country Link
CN (1) CN113468817B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723217A (zh) * 2022-02-15 2022-07-08 石河子大学 碳中和目标下的综合能源供给侧配置方法和***
CN116031879A (zh) * 2023-02-28 2023-04-28 四川大学 一种适应电力***暂态电压稳定评估的混合智能特征选择方法
CN116526478A (zh) * 2023-07-03 2023-08-01 南昌工程学院 基于改进的蛇群优化算法的短期风电功率预测方法及***
CN117557361A (zh) * 2023-11-10 2024-02-13 纬创软件(武汉)有限公司 基于数据分析的用户信用风险评估方法及***
CN117635245A (zh) * 2023-11-30 2024-03-01 广东电力交易中心有限责任公司 基于多层次频域分解和ibmh优化delm的电价预测方法和***

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516150A (zh) * 2017-08-25 2017-12-26 广东工业大学 一种短期风电功率的预测方法、装置及***
CN110348631A (zh) * 2019-07-09 2019-10-18 武汉四创自动控制技术有限责任公司 一种区域性电力负荷预测方法及***
CN110555548A (zh) * 2019-08-05 2019-12-10 三峡大学 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
CN111105045A (zh) * 2019-11-13 2020-05-05 温州大学 一种基于改进的蝗虫优化算法构建预测模型的方法
CN112686464A (zh) * 2021-01-07 2021-04-20 云南电力技术有限责任公司 短期风电功率预测方法及装置
CN112733462A (zh) * 2021-01-21 2021-04-30 国网辽宁省电力有限公司阜新供电公司 一种结合气象因素的超短期风电场功率预测方法
CN112819238A (zh) * 2021-02-19 2021-05-18 河海大学 基于混沌鸡群优化算法的短期风电功率预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107516150A (zh) * 2017-08-25 2017-12-26 广东工业大学 一种短期风电功率的预测方法、装置及***
CN110348631A (zh) * 2019-07-09 2019-10-18 武汉四创自动控制技术有限责任公司 一种区域性电力负荷预测方法及***
CN110555548A (zh) * 2019-08-05 2019-12-10 三峡大学 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
CN111105045A (zh) * 2019-11-13 2020-05-05 温州大学 一种基于改进的蝗虫优化算法构建预测模型的方法
CN112686464A (zh) * 2021-01-07 2021-04-20 云南电力技术有限责任公司 短期风电功率预测方法及装置
CN112733462A (zh) * 2021-01-21 2021-04-30 国网辽宁省电力有限公司阜新供电公司 一种结合气象因素的超短期风电场功率预测方法
CN112819238A (zh) * 2021-02-19 2021-05-18 河海大学 基于混沌鸡群优化算法的短期风电功率预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CAIYANG YU, MENGXIANG CHEN等: "SGOA: annealing-behaved grasshopper optimizer for global tasks", ENGINEERING WITH COMPUTERS, vol. 38, pages 3761 *
凤志民;田丽;吴道林;李从飞;: "IGSA优化LSSVM的短期风电功率预测研究", 可再生能源, no. 11, pages 123 - 129 *
屈伯阳;付立思;: "基于ADQPSO-KELM风电功率短期预测模型的研究", 水电能源科学, no. 12, pages 196 - 199 *
潘羿龙;丁云飞;: "基于误差修正的极端学习机超短期风速预测", 上海电机学院学报, no. 06, pages 37 - 42 *
王浩;王艳;纪志成;: "基于改进极限学习机的风电功率预测仿真研究", ***仿真学报, no. 11, pages 414 - 424 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114723217A (zh) * 2022-02-15 2022-07-08 石河子大学 碳中和目标下的综合能源供给侧配置方法和***
CN116031879A (zh) * 2023-02-28 2023-04-28 四川大学 一种适应电力***暂态电压稳定评估的混合智能特征选择方法
CN116526478A (zh) * 2023-07-03 2023-08-01 南昌工程学院 基于改进的蛇群优化算法的短期风电功率预测方法及***
CN116526478B (zh) * 2023-07-03 2023-09-19 南昌工程学院 基于改进的蛇群优化算法的短期风电功率预测方法及***
CN117557361A (zh) * 2023-11-10 2024-02-13 纬创软件(武汉)有限公司 基于数据分析的用户信用风险评估方法及***
CN117557361B (zh) * 2023-11-10 2024-04-26 纬创软件(武汉)有限公司 基于数据分析的用户信用风险评估方法及***
CN117635245A (zh) * 2023-11-30 2024-03-01 广东电力交易中心有限责任公司 基于多层次频域分解和ibmh优化delm的电价预测方法和***

Also Published As

Publication number Publication date
CN113468817B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN113468817A (zh) 一种基于igoa优化elm的超短期风电功率预测方法
CN109117951B (zh) 基于bp神经网络的概率潮流在线计算方法
CN111340273A (zh) 一种基于GEP参数优化XGBoost的电力***短期负荷预测方法
CN113326969B (zh) 基于改进的鲸鱼优化算法及elm的短期风速预测方法及***
CN108876054A (zh) 基于改进遗传算法优化极限学习机的短期电力负荷预测方法
CN114970362B (zh) 一种多能源结构下的电网负荷调度预测方法及***
CN110070228B (zh) 一种神经元分支进化的bp神经网络风速预测方法
CN110751318A (zh) 一种基于ipso-lstm的超短期电力负荷预测方法
CN110942205A (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN114970952B (zh) 一种考虑环境因素的光伏出力短期预测方法及***
CN114282646B (zh) 基于两阶段特征提取和改进BiLSTM的光功率预测方法及***
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN107909221A (zh) 基于组合神经网络的电力***短期负荷预测方法
CN114006370B (zh) 一种电力***暂态稳定分析评估方法及***
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
CN117154690A (zh) 一种基于神经网络的光伏发电功率预测方法及***
CN115995810A (zh) 一种考虑气象波动自适应匹配的风电功率预测方法及***
CN116187540A (zh) 一种基于时空偏差修正的风电场站超短期功率预测方法
CN113095477B (zh) 基于de-bp神经网络的风电功率预测方法
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置
CN113435595A (zh) 基于自然进化策略的极限学习机网络参数两阶段优化方法
CN112836876A (zh) 一种基于深度学习的配电网线路负荷预测方法
CN117335425A (zh) 一种基于ga-bp神经网络的潮流计算方法
CN116646929A (zh) 一种基于pso-cnn-bilstm的短期风电功率预测方法
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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20211001

Assignee: Shanghai Yanqiao Information Technology Co.,Ltd.

Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY

Contract record no.: X2023980047724

Denomination of invention: A Ultra Short Term Wind Power Prediction Method Based on IGOA Optimized ELM

Granted publication date: 20230822

License type: Common License

Record date: 20231121