CN116992779B - 基于数字孪生模型的光伏储能***仿真方法及*** - Google Patents
基于数字孪生模型的光伏储能***仿真方法及*** Download PDFInfo
- Publication number
- CN116992779B CN116992779B CN202311226758.2A CN202311226758A CN116992779B CN 116992779 B CN116992779 B CN 116992779B CN 202311226758 A CN202311226758 A CN 202311226758A CN 116992779 B CN116992779 B CN 116992779B
- Authority
- CN
- China
- Prior art keywords
- wolf
- energy storage
- storage system
- wolves
- 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.)
- Active
Links
- 238000004146 energy storage Methods 0.000 title claims abstract description 75
- 238000004088 simulation Methods 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 30
- 241000282461 Canis lupus Species 0.000 claims abstract description 99
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 76
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 13
- 241000282421 Canidae Species 0.000 claims description 62
- 230000006870 function Effects 0.000 claims description 29
- 210000002569 neuron Anatomy 0.000 claims description 16
- 238000012952 Resampling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000000276 sedentary effect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 4
- 238000012549 training Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及***仿真技术领域，尤其为基于数字孪生模型的光伏储能***仿真方法及***，包括如下步骤：S1：采集光伏储能***各能源设备历史数据；S2：基于改进的CNN‑BP神经网络搭建光伏储能***的数值孪生模型；S3：输入光伏储能***各能源设备更新的数据至数值孪生模型中进行仿真；S4：基于仿真结果进行数值孪生模型的修正。本发明通过改进灰狼优化算法改进的CNN算法采集光伏储能***历史数据，能够维持算法的全局搜索和局部开发的平衡，并且提升算法的动态调整能力，能够满足光伏储能***的高维、复杂的多模态问题；再通过BP神经网络对CNN算法的输出进行拟合修正，能够提升数字孪生模型的精度，降低模型的预测误差。
Description
技术领域
本发明涉及***仿真技术领域，尤其是基于数字孪生模型的光伏储能***仿真方法及***。
背景技术
以电力为核心的综合能源***包括多种能量生产、传输、存储和消费网络，结构复杂、设备繁多、技术庞杂，具有典型的非线性随机特征与多尺度动态特征。然而，传统数学模型已经难以满足现有技术的规划设计、监测分析和运行优化的要求，需要进一步提高数学模型中能源设备的建模精度；通过人工智能算法对海量***数据进行分析，能够实现光伏储能***能源设备的高精度建模并能通过采集物理设备的实时数据对仿真模型不断优化。人工智能算法是构建光伏储能***数字孪生模型的重要支撑技术，为精确构建光伏储能***能源设备的数字孪生仿真模型提供了数字化与智能化基础。
现有技术基于CNN-BP神经网络进行能源设备数据的训练和建模，基于CNN的深层网络组合预测模型的预测效果在预测时的精度较高，但是CNN的权重训练影响模型的预测效果，且权重训练不当易导致模型的过拟合，降低模型的精度，增大模型的预测误差。
发明内容
本发明的目的是通过提出基于数字孪生模型的光伏储能***仿真方法及***，以解决上述背景技术中提出的缺陷。
本发明采用的技术方案如下：
提供基于数字孪生模型的光伏储能***仿真方法，包括如下步骤：
S1：采集光伏储能***各能源设备历史数据；
S2：基于改进的CNN-BP神经网络搭建光伏储能***的数值孪生模型；
S3：输入光伏储能***各能源设备更新的数据至数值孪生模型中进行仿真；
S4：基于仿真结果进行数值孪生模型的修正；
所述S2中将历史数据实体映射至改进的CNN-BP神经网络中搭建数值孪生模型；所述改进的CNN-BP神经网络中，在CNN算法中，基于具有自调整功能的重采样算法进行光伏储能***各能源设备历史数据的自编码采集。
作为本发明的一种优选技术方案：所述历史数据包括光伏设备对应的光照强度及温度，储能设备对应的储能状态及储能容量。
作为本发明的一种优选技术方案：所述重采样算法具体如下：
w0＝w1·γe+w2(1-γe)
其中，w2为获取的光伏储能***各能源设备历史数据权重值，w1为权重平衡值，w0为最终权重，γe为权重因子的索引参数，e为权重因子的索引次数。
作为本发明的一种优选技术方案：所述重采样算法中，将历史数据中的各个数据的最终权重w0引入时间步t进行更新，得到各个数据的实时权重。
作为本发明的一种优选技术方案：所述引入时间步t进行更新具体如下：
计算梯度：
更新一阶矩估计和二阶矩估计：
计算偏差修正的一阶矩估计和二阶矩估计：
更新权重：
其中，gt为时间步t的梯度，wt为t时刻的实际权重，ft为t时刻的权重梯度函数，β1为一阶矩估计的指数衰减率，β2为二阶矩估计的指数衰减率，mt为一阶矩估计在t时刻的值，mt-1为一阶矩估计在t-1时刻的值，vt为二阶矩估计在t时刻的值，vt-1为二阶矩估计在t-1时刻的值，wt+1为更新后的t+1时刻的权重，为偏差修正后的一阶矩估计在t时刻的值，vt为偏差修正后的二阶矩估计在t时刻的值，α为学习率。
作为本发明的一种优选技术方案：所述S2中，所述改进的CNN-BP神经网络中，所述CNN算法具体如下：
设样本在网络输出层的损失函数L为：
其中，m为网络输出层神经元的个数，oj为第j个神经元上的输出，yj为目标函数的理想输出；
将损失函数L对第j个神经元输出oj求偏导：
将损失函数对特征层求偏导：
其中，pk为最后的特征层，ωkj为隐含层输入的权重；
调整算子ΔBias为：
其中，pi为对应层输出，Biasi为对应层偏置；
卷积核的计算本质上就是相乘求和加权的过程，对卷积层中卷积核的调整算子ΔBias′为：
其中，pi-1为上一层的输出。
作为本发明的一种优选技术方案：所述CNN算法中，基于改进灰狼优化算法进行权重的优化。
作为本发明的一种优选技术方案：所述改进灰狼优化算法具体如下：
设定CNN网络的输出误差为适应度函数，当误差最小时为适应度函数最优值，设定α狼为头狼，β狼为狼群下任继承者，为第二等级，听从于头狼，γ狼为第三等级，将α狼设为最优候选解；在α狼、β狼、γ狼的带领下狼群想狩猎包围猎物，捕食过程中灰狼搜寻猎物的行为如下所示：
D＝|2r1Xp(h)-X(h)|
X(h+1)＝Xp(h)-AD
其中，D为猎物的距离，Xp(h)为第h次算法迭代时猎物的位置，X(h)、X(h+1)分别为第h次算法迭代、第h+1次算法迭代时灰狼的位置，h为算法迭代次数；r1为(0，1)间的随机向量，A为系数向量；
A＝2ar2-a
其中，r2为(0，1)间的随机向量，a为收敛因子，T为最大迭代次数；
发现猎物位置时，β狼和γ狼在α狼的带领下逐渐包围猎物，对于每一只狼，根据下式计算其位置更新方向：
Dα＝|C1Xα-X|
Dβ＝|C2Xβ-X|
Dγ＝|C3Xγ-X|
X1＝Xα-ADα
X2＝Xβ-ADβ
X3＝Xγ-ADγ
其中，Dα、Dβ、Dγ分别为α狼、β狼、γ狼与其他个体间的距离；C1、C2、C3为随机变量，Xα、Xβ、Xγ分别为α狼、β狼、γ狼的当前位置，X为位置向量，X1、X2、X3分别为α狼、β狼和γ狼前进的补偿及方向；
根据上式动态更新α狼、β狼、γ狼的位置比例权重及下一步位置：
其中，W1、W2、W3分别为α狼、β狼、γ狼的位置比例权重，Xg(h+1)为包围猎物过程中第h+1次算法迭代时灰狼个体更新的位置；
按照上式更新其他灰狼位置，判断是否满足终止条件，不满足则继续迭代，直到满足结束条件，输出最优灰狼个体α狼的位置，并输出对应的权重值。
作为本发明的一种优选技术方案：所述改进的CNN-BP神经网络中，将经过改进灰狼优化算法优化的CNN算法的输出输入至BP神经网络中，各层神经元通过权值和阈值形成全互联连接，基于改进灰狼优化算法调整权值和阈值，使得改进的CNN-BP神经网络的输出值和期望值的误差最小，并通过回归层输出最终结果进行修正。
提供基于数字孪生模型的光伏储能***仿真***，基于上述的基于数字孪生模型的光伏储能***仿真方法，包括：
数据采集模块：用于采集光伏储能***各能源设备历史数据；
模型搭建模块：用于基于改进的CNN-BP神经网络搭建光伏储能***的数值孪生模型；
***仿真模块：用于输入光伏储能***各能源设备更新的数据至数值孪生模型中进行仿真；
模型修正模块：用于基于仿真结果进行数值孪生模型的修正。
本发明提供的基于数字孪生模型的光伏储能***仿真方法及***，与现有技术相比，其有益效果有：
本发明基于改进的CNN-BP神经网络搭建光伏储能***的数字孪生模型，其中，通过改进灰狼优化算法改进的CNN算法采集光伏储能***各能源设备历史数据，能够维持算法的全局搜索和局部开发的平衡，并且提升算法的动态调整能力，能够满足光伏储能***的高维、复杂的多模态问题；再通过BP神经网络对CNN算法的输出进行拟合修正，能够提升数字孪生模型的精度，降低模型的预测误差。
附图说明
图1为本发明优选实施例的方法流程图；
图2为本发明优选实施例中***框图。
图中各个标记的意义为：100、数据采集模块；200、模型搭建模块；300、***仿真模块；400、模型修正模块。
具体实施方式
需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图1，本发明优选实施例提供了基于数字孪生模型的光伏储能***仿真方法，包括如下步骤：
S1：采集光伏储能***各能源设备历史数据；
S2：基于改进的CNN-BP神经网络搭建光伏储能***的数值孪生模型；
S3：输入光伏储能***各能源设备更新的数据至数值孪生模型中进行仿真；
S4：基于仿真结果进行数值孪生模型的修正。
所述历史数据包括光伏设备对应的光照强度及温度，储能设备对应的储能状态及储能容量。
所述S2中将历史数据实体映射至改进的CNN-BP神经网络中搭建数值孪生模型。
所述改进的CNN-BP神经网络中，在CNN算法中，基于具有自调整功能的重采样算法进行光伏储能***各能源设备历史数据的自编码采集。
所述重采样算法具体如下：
w0＝w1·γe+w2(1-γe)
其中，w2为获取的光伏储能***各能源设备历史数据权重值，w1为权重平衡值，w0为最终权重，γe为权重因子的索引参数，e为权重因子的索引次数。
所述重采样算法中，将历史数据中的各个数据的最终权重w0引入时间步t进行更新，得到各个数据的实时权重。
进一步地，引入时间步t进行更新具体如下：
计算梯度：
更新一阶矩估计和二阶矩估计：
计算偏差修正的一阶矩估计和二阶矩估计：
更新权重：
其中，gt为时间步t的梯度，wt为t时刻的实际权重，ft为t时刻的权重梯度函数，β1为一阶矩估计的指数衰减率，β2为二阶矩估计的指数衰减率，mt为一阶矩估计在t时刻的值，mt-1为一阶矩估计在t-1时刻的值，vt为二阶矩估计在t时刻的值，vt-1为二阶矩估计在t-1时刻的值，wt+1为更新后的t+1时刻的权重，为偏差修正后的一阶矩估计在t时刻的值，/>为偏差修正后的二阶矩估计在t时刻的值，α为学习率。
所述S2中，所述改进的CNN-BP神经网络中，所述CNN算法具体如下：
设样本在网络输出层的损失函数L为：
其中，m为网络输出层神经元的个数，oj为第j个神经元上的输出，yj为目标函数的理想输出；
将损失函数L对第j个神经元输出oj求偏导：
将损失函数对特征层求偏导：
其中，pk为最后的特征层，ωkj为隐含层输入的权重；
调整算子ΔBias为：
其中，pi为对应层输出，Biasi为对应层偏置。
卷积核的计算本质上就是相乘求和加权的过程，对卷积层中卷积核的调整算子ΔBias′为：
其中，pi-1为上一层的输出。
所述CNN算法中，基于改进灰狼优化算法进行权重的优化。
所述改进灰狼优化算法具体如下：
设定CNN网络的输出误差为适应度函数，当误差最小时为适应度函数最优值，设定α狼为头狼，β狼为狼群下任继承者，为第二等级，听从于头狼，γ狼为第三等级，将α狼设为最优候选解；在α狼、β狼、γ狼的带领下狼群想狩猎包围猎物，捕食过程中灰狼搜寻猎物的行为如下所示：
D＝|2riXp(h)-X(h)|
X(h+1)＝Xp(h)-AD
其中，D为猎物的距离，Xp(h)为第h次算法迭代时猎物的位置，X(h)、X(h+1)分别为第h次算法迭代、第h+1次算法迭代时灰狼的位置，h为算法迭代次数；r1为(0，1)间的随机向量，A为系数向量；
A＝2ar2-a
其中，r2为(0，1)间的随机向量，a为收敛因子，T为最大迭代次数；
发现猎物位置时，β狼和γ狼在α狼的带领下逐渐包围猎物，对于每一只狼，根据下式计算其位置更新方向：
Dα＝|C1Xα-X|
Dβ＝|C2Xβ-X|
Dγ＝|C3Xγ-X|
X1＝Xα-ADα
X2＝Xβ-ADβ
X3＝Xγ-ADγ
其中，Dα、Dβ、Dγ分别为α狼、β狼、γ狼与其他个体间的距离；C1、C2、C3为随机变量，Xα、Xβ、Xγ分别为α狼、β狼、γ狼的当前位置，X为位置向量，X1、X2、X3分别为α狼、β狼和γ狼前进的补偿及方向；
根据上式动态更新α狼、β狼、γ狼的位置比例权重及下一步位置：
其中，W1、W2、W3分别为α狼、β狼、γ狼的位置比例权重，Xg(h+1)为包围猎物过程中第h+1次算法迭代时灰狼个体更新的位置；
按照上式更新其他灰狼位置，判断是否满足终止条件，不满足则继续迭代，直到满足结束条件，输出最优灰狼个体α狼的位置，并输出对应的权重值。
所述改进的CNN-BP神经网络中，将经过改进灰狼优化算法优化的CNN算法的输出输入至BP神经网络中，各层神经元通过权值和阈值形成全互联连接，基于改进灰狼优化算法调整权值和阈值，使得改进的CNN-BP神经网络的输出值和期望值的误差最小，并通过回归层输出最终结果进行修正。
参照图2，提供基于数字孪生模型的光伏储能***仿真***，基于上述的基于数字孪生模型的光伏储能***仿真方法，包括：
数据采集模块100：用于采集光伏储能***各能源设备历史数据；
模型搭建模块200：用于基于改进的CNN-BP神经网络搭建光伏储能***的数值孪生模型；
***仿真模块300：用于输入光伏储能***各能源设备更新的数据至数值孪生模型中进行仿真；
模型修正模块400：用于基于仿真结果进行数值孪生模型的修正。
本实施例中，数据采集模块100采集光伏储能***各能源设备历史数据，包括光伏设备对应的光照强度及温度，储能设备对应的储能状态及储能容量等。模型搭建模块200将采集的历史数据实体映射至改进的CNN-BP神经网络中搭建数值孪生模型。改进的CNN-BP神经网络中，CNN算法中，基于具有自调整功能的重采样算法进行光伏储能***各能源设备历史数据的自编码采集：
w0＝w1·γe+w2(1-γe)
其中，w2为获取的光伏储能***各能源设备历史数据权重值，w1为权重平衡值，w0为最终权重，γe为权重因子的索引参数，e为权重因子的索引次数。
CNN算法模型还加入了自调整功能的重采样算法，能够更准确地处理接收到的光伏储能***各能源设备历史数据。通过加入自编码神经模型，为不同的数据包赋予了不同的加权值，使得光伏储能***各能源设备历史数据更加精准，同时提高了光伏储能***各能源设备历史数据的分析能力。通过自适应***检测光伏储能***各能源设备历史数据，在采用自调整采样算法模型时，能够妥善平衡多种数据信息，平衡光伏储能***各能源设备需求。
因考虑到数据是各能源设备的历史数据，如果不引入时间概念，在历史数据中的变化则会很难进行更新，鉴于此，重采样算法中，将历史数据中的各个数据的最终权重w0引入时间步t进行更新，得到各个数据的实时权重。
作为本发明的一种优选技术方案：所述引入时间步t进行更新具体如下：
计算梯度：
更新一阶矩估计和二阶矩估计：
计算偏差修正的一阶矩估计和二阶矩估计：
更新权重：
其中，gt为时间步t的梯度，wt为t时刻的实际权重，ft为t时刻的权重梯度函数，β1为一阶矩估计的指数衰减率，β2为二阶矩估计的指数衰减率，mt为一阶矩估计在t时刻的值，mt-1为一阶矩估计在t-1时刻的值，vt为二阶矩估计在t时刻的值，vt-1为二阶矩估计在t-1时刻的值，wt+1为更新后的t+1时刻的权重，为偏差修正后的一阶矩估计在t时刻的值，/>为偏差修正后的二阶矩估计在t时刻的值，α为学习率。
这样一来，可以根据梯度的大小和噪声水平来动态地调整实际权重。这有助于提高CNN模型的训练速度和收敛性能。在计算梯度的一阶矩估计和二阶矩估计时，采用了指数衰减平均的方法，可以减小梯度估计的方差，加快模型的收敛速度。
CNN算法具体如下：
设样本在网络输出层的损失函数L为：
其中，m为网络输出层神经元的个数，oj为第j个神经元上的输出，yj为目标函数的理想输出；
将损失函数L对第j个神经元输出oj求偏导：
将损失函数对特征层求偏导：
其中，pk为最后的特征层，ωkj为隐含层输入的权重；
调整算子ΔBias为：
其中，pi为对应层输出，Biasi为对应层偏置。
卷积核的计算本质上就是相乘求和加权的过程，对卷积层中卷积核的调整算子ΔBias′为：
其中，pi-1为上一层的输出。
基于改进灰狼优化算法进行权重的优化：
设定CNN网络的输出误差为适应度函数，当误差最小时为适应度函数最优值，设定α狼为头狼，β狼为狼群下任继承者，为第二等级，听从于头狼，γ狼为第三等级，将α狼设为最优候选解；在α狼、β狼、γ狼的带领下狼群想狩猎包围猎物，捕食过程中灰狼搜寻猎物的行为如下所示，以第3次迭代为例：
D＝|2r1Xp(3)-X(3)|
X(4)＝Xp(3)-AD
其中，D为猎物的距离，Xp(3)为第3次算法迭代时猎物的位置，X(3)、X(4)分别为第3次算法迭代、第4次算法迭代时灰狼的位置；r1为(0，1)间的随机向量，A为系数向量；
A＝2ar2-a
其中，r2为(0，1)间的随机向量，a为收敛因子，T为最大迭代次数；
发现猎物位置时，β狼和γ狼在α狼的带领下逐渐包围猎物，对于每一只狼，根据下式计算其位置更新方向：
Dα＝|C1Xα-X|
Dβ＝|C2Xβ-X|
Dγ＝|C3Xγ-X|
X1＝Xα-ADα
X2＝Xβ-ADβ
X3＝Xγ-ADγ
其中，Dα、Dβ、Dγ分别为α狼、β狼、γ狼与其他个体间的距离；C1、C2、C3为随机变量，Xα、Xβ、Xγ分别为α狼、β狼、γ狼的当前位置，X为位置向量，X1、X2、X3分别为α狼、β狼和γ狼前进的补偿及方向；
根据上式动态更新α狼、β狼、γ狼的位置比例权重及下一步位置：
其中，W1、W2、W3分别为α狼、β狼、γ狼的位置比例权重，Xg(4)为包围猎物过程中第4次算法迭代时灰狼个体更新的位置；
按照上式更新其他灰狼位置，判断是否满足终止条件，不满足则继续迭代，直到满足结束条件，输出最优灰狼个体α狼的位置，并输出对应的权重值。
改进灰狼算法对收敛因子a进行改进，在迭代初期减小得更慢，使A能够保持较大值的时间长，增强算法的全局搜索能力；而在迭代后期减小得快，使A能够快速地减小，增强算法的局部开发能力。通过改进收敛因子a改善算法全局搜索和局部开发的平衡。还对α狼、β狼、γ狼的位置基于比例权重进行动态调整，能够满足光伏储能***的高维、复杂的多模态问题。
***仿真模块300将经过改进灰狼优化算法优化的CNN算法的输出输入至BP神经网络中，各层神经元通过权值和阈值形成全互联连接，基于改进灰狼优化算法调整权值和阈值，使得改进的CNN-BP神经网络的输出值和期望值的误差最小，模型修正模块400通过回归层输出最终结果进行修正。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (7)
1.基于数字孪生模型的光伏储能***仿真方法，其特征在于，包括如下步骤：
S1：采集光伏储能***各能源设备历史数据；
S2：基于改进的CNN-BP神经网络搭建光伏储能***的数值孪生模型；
S3：输入光伏储能***各能源设备更新的数据至数值孪生模型中进行仿真；
S4：基于仿真结果进行数值孪生模型的修正；
所述S2中将历史数据实体映射至改进的CNN-BP神经网络中搭建数值孪生模型；所述改进的CNN-BP神经网络中，在CNN算法中，基于具有自调整功能的重采样算法进行光伏储能***各能源设备历史数据的自编码采集；
所述重采样算法具体如下：
w0＝w1·γe+w2(1-γe)
其中，w2为获取的光伏储能***各能源设备历史数据权重值，w1为权重平衡值，w0为最终权重，γe为权重因子的索引参数，e为权重因子的索引次数；
所述重采样算法中，将历史数据中的各个数据的最终权重w0引入时间步t进行更新，得到各个数据的实时权重；
所述引入时间步t进行更新具体如下：
计算梯度：
更新一阶矩估计和二阶矩估计：mt＝β1mt-1+(1-β1)gt，
计算偏差修正的一阶矩估计和二阶矩估计：
更新权重：
其中，gt为时间步t的梯度，wt为t时刻的实际权重，ft为t时刻的权重梯度函数，β1为一阶矩估计的指数衰减率，β2为二阶矩估计的指数衰减率，mt为一阶矩估计在t时刻的值，mt-1为一阶矩估计在t-1时刻的值，vt为二阶矩估计在t时刻的值，vt-1为二阶矩估计在t-1时刻的值，wt+1为更新后的t+1时刻的权重，为偏差修正后的一阶矩估计在t时刻的值，/>为偏差修正后的二阶矩估计在t时刻的值，α为学习率。
2.根据权利要求1所述的基于数字孪生模型的光伏储能***仿真方法，其特征在于：所述历史数据包括光伏设备对应的光照强度及温度，储能设备对应的储能状态及储能容量。
3.根据权利要求2所述的基于数字孪生模型的光伏储能***仿真方法，其特征在于：所述S2中，所述改进的CNN-BP神经网络中，所述CNN算法具体如下：
设样本在网络输出层的损失函数L为：
其中，m为网络输出层神经元的个数，oj为第j个神经元上的输出，yj为目标函数的理想输出；
将损失函数L对第j个神经元输出oj求偏导：
将损失函数对特征层求偏导：
其中，pk为最后的特征层，ωkj为隐含层输入的权重；
调整算子ΔBias为：
其中，pi为对应层输出，Biasi为对应层偏置；
卷积核的计算本质上就是相乘求和加权的过程，对卷积层中卷积核的调整算子ΔBias′为：
其中，pi-1为上一层的输出。
4.根据权利要求3所述的基于数字孪生模型的光伏储能***仿真方法，其特征在于：所述CNN算法中，基于改进灰狼优化算法进行权重的优化。
5.根据权利要求4所述的基于数字孪生模型的光伏储能***仿真方法，其特征在于：所述改进灰狼优化算法具体如下：
设定CNN网络的输出误差为适应度函数，当误差最小时为适应度函数最优值，设定α狼为头狼，β狼为狼群下任继承者，为第二等级，听从于头狼，γ狼为第三等级，将α狼设为最优候选解；在α狼、β狼、γ狼的带领下狼群想狩猎包围猎物，捕食过程中灰狼搜寻猎物的行为如下所示：
D＝|2r1Xp(h)-X(h)|
X(h+1)＝Xp(h)-AD
其中，D为猎物的距离，Xp(h)为第h次算法迭代时猎物的位置，X(th)、X(h+1)分别为第h次算法迭代、第h+1次算法迭代时灰狼的位置，h为算法迭代次数；r1为(0，1)间的随机向量，A为系数向量；
A＝2ar2-a
其中，r2为(0，1)间的随机向量，a为收敛因子，T为最大迭代次数；
发现猎物位置时，β狼和γ狼在α狼的带领下逐渐包围猎物，对于每一只狼，根据下式计算其位置更新方向：
Dα＝|C1Xα-X|
Dβ＝|C2Xβ-X|
Dγ＝|C3Xγ-X|
X1＝Xα-ADα
X2＝Xβ-ADβ
X3＝Xγ-ADγ
其中，Dα、Dβ、Dγ分别为α狼、β狼、γ狼与其他个体间的距离；C1、C2、C3为随机变量，Xα、Xβ、Xγ分别为α狼、β狼、γ狼的当前位置，X为位置向量，X1、X2、X3分别为α狼、β狼和γ狼前进的补偿及方向；
根据上式动态更新α狼、β狼、γ狼的位置比例权重及下一步位置：
其中，W1、W2、W3分别为α狼、β狼、γ狼的位置比例权重，Xg(h+1)为包围猎物过程中第h+1次算法迭代时灰狼个体更新的位置；
按照上式更新其他灰狼位置，判断是否满足终止条件，不满足则继续迭代，直到满足结束条件，输出最优灰狼个体α狼的位置，并输出对应的权重值。
6.根据权利要求5所述的基于数字孪生模型的光伏储能***仿真方法，其特征在于：所述改进的CNN-BP神经网络中，将经过改进灰狼优化算法优化的CNN算法的输出输入至BP神经网络中，各层神经元通过权值和阈值形成全互联连接，基于改进灰狼优化算法调整权值和阈值，使得改进的CNN-BP神经网络的输出值和期望值的误差最小，并通过回归层输出最终结果进行修正。
7.基于数字孪生模型的光伏储能***仿真***，基于权利要求1-6任意一项所述的基于数字孪生模型的光伏储能***仿真方法，其特征在于，包括：
数据采集模块(100)：用于采集光伏储能***各能源设备历史数据；
模型搭建模块(200)：用于基于改进的CNN-BP神经网络搭建光伏储能***的数值孪生模型；
***仿真模块(300)：用于输入光伏储能***各能源设备更新的数据至数值孪生模型中进行仿真；
模型修正模块(400)：用于基于仿真结果进行数值孪生模型的修正。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226758.2A CN116992779B (zh) | 2023-09-22 | 2023-09-22 | 基于数字孪生模型的光伏储能***仿真方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311226758.2A CN116992779B (zh) | 2023-09-22 | 2023-09-22 | 基于数字孪生模型的光伏储能***仿真方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992779A CN116992779A (zh) | 2023-11-03 |
| CN116992779B true CN116992779B (zh) | 2024-01-05 |
Family
ID=88525046
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311226758.2A Active CN116992779B (zh) | 2023-09-22 | 2023-09-22 | 基于数字孪生模型的光伏储能***仿真方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992779B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117314128B (zh) * | 2023-11-29 | 2024-02-02 | 河北友蓝科技有限公司 | 一种基于数字孪生技术的智慧城市能源管理方法及*** |
| CN117852849A (zh) * | 2024-03-08 | 2024-04-09 | 华能山东发电有限公司众泰电厂 | 基于数字孪生技术的大型农光互补光伏园区安全管理*** |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210144415A (ko) * | 2020-05-22 | 2021-11-30 | 라온프렌즈 주식회사 | 태양전지의 디지털 트윈 생성 방법 |
| WO2022257243A1 (zh) * | 2021-06-07 | 2022-12-15 | 西安邮电大学 | 一种水质预警方法及*** |
| CN115587329A (zh) * | 2022-09-28 | 2023-01-10 | 山东大学 | 基于卷积神经网络提取特征的配电网故障分类方法及*** |
| CN115689008A (zh) * | 2022-10-27 | 2023-02-03 | 国网安徽省电力有限公司六安供电公司 | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其*** |
| CN115693757A (zh) * | 2022-09-14 | 2023-02-03 | 国网浙江省电力有限公司嘉善县供电公司 | 一种基于数字孪生技术的光伏能源优化调控方法 |
| CN116050628A (zh) * | 2023-02-07 | 2023-05-02 | 浙江大学 | 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法 |
| CN116128094A (zh) * | 2022-11-18 | 2023-05-16 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于数字孪生的工业园区能量管理***及方法 |
| CN116451826A (zh) * | 2023-01-20 | 2023-07-18 | 西北工业大学 | 一种基于改进长短期记忆神经网络的光伏发电预测方法 |
| CN116506307A (zh) * | 2023-06-21 | 2023-07-28 | 大有期货有限公司 | 全链路的网络延时情况分析*** |
| CN116522795A (zh) * | 2023-05-18 | 2023-08-01 | 国网山东综合能源服务有限公司 | 基于数字孪生模型的综合能源***仿真方法及*** |
-
2023
- 2023-09-22 CN CN202311226758.2A patent/CN116992779B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20210144415A (ko) * | 2020-05-22 | 2021-11-30 | 라온프렌즈 주식회사 | 태양전지의 디지털 트윈 생성 방법 |
| WO2022257243A1 (zh) * | 2021-06-07 | 2022-12-15 | 西安邮电大学 | 一种水质预警方法及*** |
| CN115693757A (zh) * | 2022-09-14 | 2023-02-03 | 国网浙江省电力有限公司嘉善县供电公司 | 一种基于数字孪生技术的光伏能源优化调控方法 |
| CN115587329A (zh) * | 2022-09-28 | 2023-01-10 | 山东大学 | 基于卷积神经网络提取特征的配电网故障分类方法及*** |
| CN115689008A (zh) * | 2022-10-27 | 2023-02-03 | 国网安徽省电力有限公司六安供电公司 | 基于集合经验模态分解的CNN-BiLSTM短期光伏功率预测方法及其*** |
| CN116128094A (zh) * | 2022-11-18 | 2023-05-16 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于数字孪生的工业园区能量管理***及方法 |
| CN116451826A (zh) * | 2023-01-20 | 2023-07-18 | 西北工业大学 | 一种基于改进长短期记忆神经网络的光伏发电预测方法 |
| CN116050628A (zh) * | 2023-02-07 | 2023-05-02 | 浙江大学 | 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法 |
| CN116522795A (zh) * | 2023-05-18 | 2023-08-01 | 国网山东综合能源服务有限公司 | 基于数字孪生模型的综合能源***仿真方法及*** |
| CN116506307A (zh) * | 2023-06-21 | 2023-07-28 | 大有期货有限公司 | 全链路的网络延时情况分析*** |
Non-Patent Citations (2)
| Title |
|---|
| 基于模拟退火优化BP算法的指纹地图构建方法;王存华;王伟;;国外电子测量技术(03);全文 * |
| 能源互联网数字孪生及其应用;沈沉;贾孟硕;陈颖;黄少伟;向月;;全球能源互联网(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992779A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116992779B (zh) | 基于数字孪生模型的光伏储能***仿真方法及*** | |
| Liang et al. | A novel wind speed prediction strategy based on Bi-LSTM, MOOFADA and transfer learning for centralized control centers | |
| CN111047085B (zh) | 一种基于元学习的混合动力车辆工况预测方法 | |
| CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
| CN110751318B (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
| CN108596327B (zh) | 一种基于深度学习的地震速度谱人工智能拾取方法 | |
| CN108764568B (zh) | 一种基于lstm网络的数据预测模型调优方法及装置 | |
| CN114912077B (zh) | 一种融合随机搜索与混合分解误差订正的海浪预报方法 | |
| CN115511177A (zh) | 基于ingo-swgmn混合模型的超短期风速预测方法 | |
| CN112130086A (zh) | 一种动力电池剩余寿命预测方法及*** | |
| CN112861982A (zh) | 一种基于梯度平均的长尾目标检测方法 | |
| CN112686376A (zh) | 一种基于时序图神经网络的节点表示方法及增量学习方法 | |
| CN111859264A (zh) | 一种基于贝叶斯优化及小波分解的时序预测方法及装置 | |
| CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
| CN112465160A (zh) | 一种基于vr的车辆维修保养辅助*** | |
| CN111210089A (zh) | 基于kalman滤波的门控循环单元神经网络的股票价格预测方法 | |
| WO2024113782A1 (zh) | 一种图像实例分割方法、***、设备以及非易失性可读存储介质 | |
| CN114964313A (zh) | 一种基于rvm的光纤陀螺温度补偿方法 | |
| CN116432037A (zh) | 一种在线迁移学习方法、装置、设备和存储介质 | |
| CN115062528A (zh) | 一种针对工业过程时序数据的预测方法 | |
| CN112766537B (zh) | 一种短期电负荷预测方法 | |
| CN114638358A (zh) | 消光系数转颗粒物浓度方法、设备以及计算机存储介质 | |
| CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
| CN111476402A (zh) | 耦合气象信息与emd技术的风电发电能力预测方法 | |
| CN110826614A (zh) | 一种构造逆标签及其损失函数的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |