CN116822331A - 一种多能源融合的风光发电预测方法 - Google Patents
一种多能源融合的风光发电预测方法 Download PDFInfo
- Publication number
- CN116822331A CN116822331A CN202310589853.2A CN202310589853A CN116822331A CN 116822331 A CN116822331 A CN 116822331A CN 202310589853 A CN202310589853 A CN 202310589853A CN 116822331 A CN116822331 A CN 116822331A
- Authority
- CN
- China
- Prior art keywords
- power generation
- wind
- data
- neural network
- algorithm
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004927 fusion Effects 0.000 title claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 51
- 238000013528 artificial neural network Methods 0.000 claims abstract description 44
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000005291 chaos (dynamical) Methods 0.000 description 3
- 230000000739 chaotic effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002028 premature Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N3/0499—Feedforward networks
-
- 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
- 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
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (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
本发明公开了一种多能源融合的风光发电预测方法，属于新能源领域，所述的预测方法包括数据预处理，建立风光发电预测模型，对风光发电功率进行预测；本发明通过改进的BP神经网络预测算法，比以往的风光发电预测算法具有更高的准确性，在整体稳定性和收敛性方面具有十分显著的优势。
Description
技术领域
本发明属于新能源领域，更具体的说涉及一种多能源融合的风光发电预测方法。
背景技术
风电、光伏等新能源电站的发电特性具有波动性、随机性和间歇性特点，为了在确保电网安全稳定的前提下充分吸纳风光电站的电力，电网调控中心不仅需要掌握风光电站的并网功率预测信息，而且要能够对风光电站的并网功率进行实时控制。国家标准化管理委员会颁布的GB/T19963-2011《风电场接入电力***技术规定》明确要求“风电场应配置有功功率控制***，具备有功功率调节能力，接收并自动执行调度部门发送的有功功率及有功功率变化的控制指令，确保风电场有功功率及有功功率变化按照调度部门的给定值运行。在电力***事故或紧急情况下，风电场应根据电力***调度部门的指令快速控制其输出的有功功率”。2012年国家标准《光伏发电站接入电力***技术规定》送审稿已通过专家评审，其中对光伏发电站接入电力***的有功功率和功率预测等也作出了规定。
然而现有的风格发电预测方法的准确性、收敛性以及稳定性均存在一定的问题。
发明内容
本发明将Logistic混沌理论引入ASO中提出LCASO算法，通过初始化原子的种群位置，从中选出适应度最好的种群个体作为初始种群，进一步提高了初始原子种群解的质量，提升其算法效率，并通过与BP神经网络算法的结合，解决了BP神经网络算法易陷入局部最小值，学习效率和收敛速度慢，参数难以设置等问题。
为了实现上述目的，本发明是采用以下技术方案实现的：所述的预测方法包括
S1、数据预处理，包括输入数据集分析，数据检验，数据归一化处理；
S2、建立风光发电预测模型，通过LCASO算法优化基于BP神经网络的预测模型；
S3、对风光发电功率进行预测，通过预测模型对风力发电功率和光伏发电功率进行预测。
进一步地，所述的数据集分析，数据集包括风力发电数据集、光伏发电数据集，风力发电数据集包括空间分辨率、风速、风向、温度、气压、实际发电功率；光伏发电数据集包括太阳总辐射照度、组件温度、环境温度、气压、相对湿度、实际发电功率；
所述的数据校验分为完整性、准确性、有效性；
所述的数据归一化处理采用0均值归一化处理，在预测过程完成后对预测模型输出的的数据值还需要进行反归一化处理，获得带量纲的数据值。
进一步地，所述的建立风光发电预测模型包括以下步骤：
S201、数据导入和预处理；
S202、参数设置；
S203、建立LCASO算法模型；
S204、进行BP神经网络预测。
进一步地，所述的S202参数设置包括LCASO算法参数设置以及BP神经网络参数设置；
所述的BP神经网络参数设置包括激活函数、初始的权值和阈值、学习效率以及训练学习函数，激活函数选择Sigmoid函数，采用混启发式算法获取BP神经网络的最优初始值，采用固定范围内(0.1,1)的学习效率，训练学习函数采用梯度下降法；
所述的LCASO算法参数设置初始种群规模，最大进化代数，自变量个数，自变量上下限深度权重和乘数权重。
进一步地，所述的S203建立LCASO算法模型首先完成LCASO算法参数初始化，初始化的原子种群位置即可确定BP神经网络的权值和阈值个数，然后根据LCASO算法迭代寻优机制，更新其相关变量，整个更新过程即为BP神经网络的权值和阈值调整过程；完成迭代和满足要求后，输出其全局最优个体来获取BP神经网络最优个体权值和阈值；
进一步地，所述的S204进行BP神经网络预测根据S203优化后的BP神经网络不断进行训练和测试，当最终误差满足精度要求或迭代次数大于设定次数最大值时，输出最终的预测目标结果。
进一步地，所述的S3对风光发电功率预测包括以下步骤；
S301、导入数据集数据进行数据处理；
S302、确定BP神经网络的参数设置和LCASO算法的参数设置；
S303、根据经验公式确定预测模型的最佳隐藏层神经元节点个数为9，输入变量依次为风速、风向、温度、气压和湿度，输出变量即为预测输出功率，而根据输入变量和输出变量即可确定输入层和输出层的神经元节点分别为5和1，因此预测模型的结构均采用三层式网络结构。
本发明有益效果：
(1)本发明将Logistic混沌理论引入ASO中提出LCASO算法，通过初始化原子的种群位置，从中选出适应度最好的种群个体作为初始种群，进一步提高了初始原子种群解的质量，提升其算法效率，并通过与BP神经网络算法的结合，解决了BP神经网络算法易陷入局部最小值，学习效率和收敛速度慢，参数难以设置等问题。
(2)本发明通过改进的BP神经网络预测算法，比以往的风光发电预测算法具有更高的准确性，在整体稳定性和收敛性方面具有十分显著的优势。
附图说明
图1为本发明方法流程图；
图2为本发明LCASO算法流程图；
图3为本发明LCASO-BP神经网络预测模型流程图；
图4为本发明基于LCASO-BP神经网络的风电功率预测曲线图；
图5为本发明基于LCASO-BP神经网络的光电功率预测曲线图。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的典型实施例。但是，本发明可以以许多不同的形式来实现，并不限于本发明所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本发明所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本发明中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。
所述的预测方法包括
S1、数据预处理，包括输入数据集分析，数据检验，数据归一化处理；
所述的数据集分析，数据集包括风力发电数据集、光伏发电数据集，某风力发电站A从2017年1月1日到12月31日的全年NWP数据和历史发电功率数据，其中NWP数据中每15min为一个采样点，空间分辨率为1km，共记录了测风塔70m风速(m/s)、测风塔70m风向(度)、温度(℃)，气压(hPa)和实际发电功率(KW)等数据。
光伏发电数据集，某光伏发电站B从2018年1月1日到12月31日的全年气象数据和光伏历史发电功率数据，并且每15min采样太阳总辐照度(W/m2)、组件温度(℃)，环境温度(℃)、气压(hPa)、相对湿度(％)和实际发电功率(kW)等数据。
所述的数据校验分为完整性、准确性、有效性；
数据完整性问题检验。数据不完整问题是指缺少某个数据值、缺少某些重要属性。原因可能是数据采集时收集设备出现***故障、人为操作失误，或者数据采集和数据成分分析时考虑了不同的因素，还有数据存储出现问题等。而数据完整性检验可根据式(1)来进行：
其中、Cdata表示测风数据的完整率，Ndata表示应该测试的全部数据点数目，Nmiss表示缺失测试的数据点数目。
而数据完整性问题处理主要可采用插补法，在保证时间数据完整连续的前提下，缺失点数据一般使用前后相邻采样点(一般以15min为步长)的任一点数据进行插补，也可插补前后两点数据的平均值，或者使用前一天同一时刻的数据进行插补。
数据准确性问题检验。数据准确性问题是指数据值包含异常、错误以及孤立点，比如风速和输出功率为负，输出功率长时间保持不变、突变以及超过额定容量。而这些不准确数据也被称为噪音数据。其原因可能包括数据采集工具或者***的故障、输入数据时的人为或者***的失误以及数据传输中产生的误差。所以数据准确性检验与处理可分为范围检验与处理、相关性检验与处理和趋势性检验与处理。
数据有效性问题检验。按前述标准规定计算测风有效数据的完整率应达到90％，有效数据完整率ηdata可根据以下公式进行计算：
其中、Ninvalid表示无效的数据点数目。
所述的数据归一化处理采用0均值归一化处理，在预测过程完成后对预测模型输出的的数据值还需要进行反归一化处理，获得带量纲的数据值。
此类方法能将原始输入数据样本转化为平均值为0以及方差为1的数据集，转换过程可用如下公式表示：
其中、μ表示输入数据样本中的某一输入变量的均值，σ为输入数据样本中某一输入变量的标准差，x1表示归一化以后的输入数据变量，x表示输入数据变量。
S2、建立风光发电预测模型，通过LCASO算法优化基于BP神经网络的预测模型；
所述的建立风光发电预测模型包括以下步骤：
S201、数据导入和预处理；
首先导入输入数据集，对数据集合的进行一系列预处理，从而提高输入数据集的质量，其次分析并整理输入数据集，划分训练集和测试集，确定预测输入向量和输出向量，以便明确预测研究目标任务。
S202、参数设置；
所述的BP神经网络参数设置包括激活函数、初始的权值和阈值、学习效率以及训练学习函数，激活函数选择Sigmoid函数，其次，初始的权值和阈值对BP神经网络整体的训练学习效果和预测精度影响很大，因此权值和阈值的初始化应该尽量达到随机性、无序性和非零性，基于此问题，不同类型的优化算法如机器学习算法，经典启发式算法，混合启发式算法都可以引进来获取BP神经网络的最优初始值，以便进一步提高预测精度和效率，通常混启发式算法的寻优能力更为显著。一般采用固定范围内(0.1,1)的学习效率会获得一个良好的正常收敛效果，而动态的学习效率也能解决诸如模型发散等问题。最后，训练学习函数可以基于收敛速度，输入数据规模，选择梯度下降法。
所述的LCASO算法参数设置初始种群规模，最大进化代数，自变量个数，自变量上下限深度权重和乘数权重。
S203、建立LCASO算法模型；
所述的S203建立LCASO算法模型首先完成LCASO算法参数初始化，初始化的原子种群位置即可确定BP神经网络的权值和阈值个数，然后根据LCASO算法迭代寻优机制，更新其相关变量，整个更新过程即为BP神经网络的权值和阈值调整过程；完成迭代和满足要求后，输出其全局最优个体来获取BP神经网络最优个体权值和阈值。
原始的ASO算法设计简单，具备良好的适用性，然而其具有以下两个主要缺陷：早熟收敛和容易陷入局部最优。早熟收敛则会影响探索操作，即全局搜索能力，陷入局部最优则会影响开采操作，即局部搜索能力。所有改进方法旨在使原始ASO算法在寻优过程中平衡探索和开采过程。
将Logistic混沌理论引入ASO中提出LCASO算法，通过初始化原子的种群位置，从中选出适应度最好的种群个体作为初始种群，进一步提高了初始原子种群解的质量，提升其算法效率。
LCASO的寻优原理在于对ASO算法寻优得到的群体最优值加入Logistic混沌映射策略，图2即为LCASO算法流程图，其具体算法优化步骤如下：
(1)参数初始化。设置初始种群规模，最大进化代数，自变量个数，自变量上下限深度权重和乘数权重。
(2)种群初始化。采用Logistic混沌映射初始化原子的种群位置，计算初始的原子种群适应度并进行排序，从中选出适应度最好的种群个体作为初始种群，并在解空间内随机生成n个原子。
(3)适应度评价。计算初始种群中的随机生成的n个原子个体适应度，生成原子初始速度，按照原子个体适应度进行排序，更新原子个体历史最优位置和种群历史最优位置；
(4)混沌变异。对原子种群的种群最优位置基于式(4)和式(5)进行混沌迭代和适应度评价，并保留当前最优的可行解，若该可行解优于当前原子种群的全局最优解，则随机从当前原子群中选取一个原子，用该可行解替代。
cn,j＝(xn,j-bn,j)/(vn,j-bn,j) (4)
xn+1,j＝bn,j+cn+1,j(vn,j-bn,j) (5)
其中、cn,j表示混沌序列的初始值，j表示决策变量的维数，vn和bn表示初始决策变量的上限和下限。
(5)基于式(6)、式(7)、式(8)更新原子加速度、原子速度和原子位置。
在ASO算法中，每个原子在相互作用力和几何约束的共同作用下会移动到一个新的位置，根据牛顿第二定律，每个原子的加速度可以计算为：
mi(t)表示第t次迭代时第i个原子的质量。
第i个原子在(t+1)次迭代时的位置和速度可表示为：
vi(t+1)＝c·vi(t)+ai(t) (7)
xi(t+1)＝xi(t)+vi(t+1) (8)
vi(t)表示第t次迭代时第i个原子的速度，c表示一个与xi有相同维度的向量，其中c的每个元素是在[0,1]范围内均匀分布的随机数。
(6)计算原子种群适应度并进行重新排序，更新原子种群位置。
(7)判断改进算法是否达到最大迭代次数以及满足模型误差和精度的要求，满足则循环结束，输出目标函数；否则，返回步骤(3)，直至满足结束条件。
S204、进行BP神经网络预测。
所述的S204进行BP神经网络预测根据S203优化后的BP神经网络不断进行训练和测试，当最终误差满足精度要求或迭代次数大于设定次数最大值时，输出最终的预测目标结果。
S3、对风光发电功率进行预测，通过预测模型对风力发电功率和光伏发电功率进行预测。
所述的S3对风光发电功率预测包括以下步骤；
风力发电站的预测结果与实际结果如图4：
S301、导入数据集数据进行数据处理；导入风力发电站A，将风力发电站A的数据集划分训练集为27990组数据，测试集为50组数据，然后对输入数据集进行线性归一化处理。
S302、确定BP神经网络的参数设置和LCASO算法以及对比算法的参数设置。BP神经网络的参数设置如下：训练次数为1000次，学习效率设为0.1，网络目标精度为0.1％，动量系数为0.8；LCASO算法的参数设置如下：初始种群规模为30，最大迭代次数为50，自变量上下限分别为(1,3)和(-3,1)，深度和乘数权重分别为50和0.2。
S303、根据经验公式确定预测模型的最佳隐藏层神经元节点个数为9，输入变量依次为风速、风向、温度、气压和湿度，输出变量即为预测输出功率，而根据输入变量和输出变量即可确定输入层和输出层的神经元节点分别为5和1，因此预测模型的结构均采用三层式网络结构。
光伏发电站的预测结果与实际结果如图5：
与风电功率预测一致，为了减少不合格数据样本对整体模型预测效果的影响，首先对导入的历史数据集进行数据预处理，其过程包括数据检验和数据归一化，而后划分其中24990组数据和50组数据分别作为训练集和测试集。然后通过试验法确定了当隐藏层神经元为9时，网络的均方差最小，而根据输入变量和输出变量即可确定输入层和输出层的神经元节点分别为5和1，因此整体预测模型结构采用5-9-1的三层式结构。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnlyMemory，ROM)或随机存储记忆体(RandomABBessMemory，RAM)等。
应当理解，以上借助优选实施例对本发明的技术方案进行的详细说明是示意性的而非限制性的。本领域的普通技术人员在阅读本发明说明书的基础上可以对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；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (7)
1.一种多能源融合的风光发电预测方法，其特征在于：所述的预测方法包括：
S1、数据预处理，包括输入数据集分析，数据检验，数据归一化处理；
S2、建立风光发电预测模型，通过LCASO算法优化基于BP神经网络的预测模型；
S3、对风光发电功率进行预测，通过预测模型对风力发电功率和光伏发电功率进行预测。
2.根据权利要求1所述的一种多能源融合的风光发电预测方法，其特征在于：所述的数据集分析，数据集包括风力发电数据集、光伏发电数据集，风力发电数据集包括空间分辨率、风速、风向、温度、气压、实际发电功率；光伏发电数据集包括太阳总辐射照度、组件温度、环境温度、气压、相对湿度、实际发电功率；
所述的数据校验分为完整性、准确性、有效性；
所述的数据归一化处理采用0均值归一化处理，在预测过程完成后对预测模型输出的的数据值还需要进行反归一化处理，获得带量纲的数据值。
3.根据权利要求1所述的一种多能源融合的风光发电预测方法，其特征在于：所述的建立风光发电预测模型包括以下步骤：
S201、数据导入和预处理；
S202、参数设置；
S203、建立LCASO算法模型；
S204、进行BP神经网络预测。
4.根据权利要求3所述的一种多能源融合的风光发电预测方法，其特征在于：所述的S202参数设置包括LCASO算法参数设置以及BP神经网络参数设置；
所述的BP神经网络参数设置包括激活函数、初始的权值和阈值、学习效率以及训练学习函数，激活函数选择Sigmoid函数，采用混启发式算法获取BP神经网络的最优初始值，采用固定范围内(0.1,1)的学习效率，训练学习函数采用梯度下降法；
所述的LCASO算法参数设置初始种群规模，最大进化代数，自变量个数，自变量上下限深度权重和乘数权重。
5.根据权利要求3所述的一种多能源融合的风光发电预测方法，其特征在于：所述的S203建立LCASO算法模型首先完成LCASO算法参数初始化，初始化的原子种群位置即可确定BP神经网络的权值和阈值个数，然后根据LCASO算法迭代寻优机制，更新其相关变量，整个更新过程即为BP神经网络的权值和阈值调整过程；完成迭代和满足要求后，输出其全局最优个体来获取BP神经网络最优个体权值和阈值。
6.根据权利要求3所述的一种多能源融合的风光发电预测方法，其特征在于：所述的S204进行BP神经网络预测根据S203优化后的BP神经网络不断进行训练和测试，当最终误差满足精度要求或迭代次数大于设定次数最大值时，输出最终的预测目标结果。
7.根据权利要求1所述的一种多能源融合的风光发电预测方法，其特征在于：所述的S3对风光发电功率预测包括以下步骤；
S301、导入数据集数据进行数据处理；
S302、确定BP神经网络的参数设置和LCASO算法的参数设置；
S303、根据经验公式确定预测模型的最佳隐藏层神经元节点个数为9，输入变量依次为风速、风向、温度、气压和湿度，输出变量即为预测输出功率，而根据输入变量和输出变量即可确定输入层和输出层的神经元节点分别为5和1，因此预测模型的结构均采用三层式网络结构。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310589853.2A CN116822331A (zh) | 2023-05-22 | 2023-05-22 | 一种多能源融合的风光发电预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310589853.2A CN116822331A (zh) | 2023-05-22 | 2023-05-22 | 一种多能源融合的风光发电预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116822331A true CN116822331A (zh) | 2023-09-29 |
Family
ID=88123146
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310589853.2A Pending CN116822331A (zh) | 2023-05-22 | 2023-05-22 | 一种多能源融合的风光发电预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116822331A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992751A (zh) * | 2024-02-26 | 2024-05-07 | 湖北交投新能源投资有限公司 | 分布式新能源的发电数据预测方法、装置、设备及介质 |
-
2023
- 2023-05-22 CN CN202310589853.2A patent/CN116822331A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992751A (zh) * | 2024-02-26 | 2024-05-07 | 湖北交投新能源投资有限公司 | 分布式新能源的发电数据预测方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN110738344A (zh) | 电力***负荷预测的分布式无功优化方法及装置 | |
| CN110309603A (zh) | 一种基于风速特性的短期风速预测方法及*** | |
| CN112381282B (zh) | 基于宽度学习***的光伏发电功率预测方法 | |
| CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
| CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及*** | |
| CN106446440A (zh) | 基于在线贯序极限学习机的短期光伏发电功率预测方法 | |
| CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| CN116822331A (zh) | 一种多能源融合的风光发电预测方法 | |
| CN114330100A (zh) | 一种短期光伏功率概率区间预测方法 | |
| CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
| 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 | |
| CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN111815051B (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
| CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
| CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN115640916B (zh) | 分布式电源出力和多能负荷态势感知方法及*** | |
| CN116565850A (zh) | 一种基于qr-blstm的风电功率超短期预测方法 | |
| CN115456286A (zh) | 一种短期光伏功率预测方法 | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及*** | |
| CN115764855A (zh) | 一种电动汽车快充站实时可调节能力及可用电量预测方法 | |
| CN114372634A (zh) | 基于神经网络不平衡优化的短期风电功率预测方法及*** | |
| CN113642784A (zh) | 一种计及风机状态的风电功率超短期预测的方法 |
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 |