CN105139264A - 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 - Google Patents
一种基于粒子群算法小波神经网络的光伏发电量的预测方法 Download PDFInfo
- Publication number
- CN105139264A CN105139264A CN201510302824.9A CN201510302824A CN105139264A CN 105139264 A CN105139264 A CN 105139264A CN 201510302824 A CN201510302824 A CN 201510302824A CN 105139264 A CN105139264 A CN 105139264A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wavelet neural
- wavelet
- algorithm
- prediction
- 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
Abstract
本发明涉及一种基于粒子群算法小波神经网络的光伏发电量的预测方法。该预测发明实现了太阳能光伏发电量的预测,实现了粒子群算法和小波神经网络学习神经系统的有机结合,该预测系统包括粒子群算法对小波神经网络的模型参数优化的模块、优化后的小波神经网络学习训练模块和训练结束后的小波神经网络预测模块。该预测方法结合粒子群算法和小波神经网络各自的优点,有效地提高了预测精度,减少了预测误差,为光伏发电的大规模并网提供技术支持,而且具有可移植性,只需要进行简单修改,可以为风能和其他新能源提供发电预测。
Description
技术领域
本发明涉及光伏发电技术领域,具体涉及一种基于粒子群算法小波神经网络的光伏发电量的预测方法。
背景技术
可再生能源发电是较为高效和清洁的可再生能源利用方式,也是目前可再生能源使用技术中最成熟、最具有规模化开发条件和商业化发展前景的方式之一。而光伏发电则是可再生能源的主要利用方式,是智能电网的主要组成部分。而短期发电功率的预测则是光伏发电是否能成功推广的关键,也是电力调度部门制定电力调度计划的依据,更是家庭或企业等自建光伏发电系统效益的重要保障。
而目前所有短期太阳能光伏发电预测方法都是基于相同的思路:首先利用数学和物理学理论及相关数据建立预测公式或模型,再通过预测公式或模型对光伏电站发电量进行预测。根据所采用的数学物理理论及其预测输出量,光伏发电预测方法可分为两大类:(1)直接预测光电系统输出功率的直接预测法(又叫统计法);(2)首先对太阳辐射进行预测,然后根据光电转换效率得到光电输出功率的间接预测法(又叫物理法)。
直接预测方法在地理位置、周边环境、光伏面板及逆变系统都确定的前提下,通过统计历史运行数据,进行有效建模,可直接预测光伏系统输出功率,避免了大量的气象统计过程和复杂的建模过程,预测过程更加方便快捷,但它过分依赖于积累的历史输出功率数据,对于模型参数的选择提出了较为苛刻的要求,有概率法、时间序列法和人工智能法等方法。间接预测方法首先根据光伏电站历史观测数据对地表太阳辐射强度进行预测,然后根据光伏发电系统出力模型得到系统的输出功率,该方法建立在较为完善的天气预报系统和较为复杂的太阳辐射模型基础上,不同类型和规模的光伏发电系统安装情况、转换效率等参数不尽相同,要求预测结果越精确,模型越复杂,所需的历史气象数据量和数据类型也越多,这使确定光伏发电系统输出模型的参数值难度提高,功率预测困难,不利于电力系统动态经济调度
目前业内应用较为广泛的是基于BP神经网络的预测方法(人工智能法的一种),但是,基于BP神经网络的预测方法仍存在以下缺陷:
(1)仅有前馈而无反馈,对历史数据的敏感性过差,容易导致已记忆的学习模式的信息消失,不够稳定;
(2)处理动态信息能力过弱,无法直接动态反映动态过程中光伏发电系统的特性,不具备适应时变特性的能力,且预测精度的波动性较大
发明内容
本发明的目的在于针对现有技术的缺陷和不足,提供一种基于粒子群算法小波神经网络的光伏发电量的预测方法,它通过将粒子群算法,小波分析理论和神经网络的结合来对太阳能光伏发电量进行预测,将粒子群算法的全局优化搜索能力和小波良好的时频局部性质相结合,克服神经网络易陷入局部极小和引起振荡效应现象的缺点,该算法可以有效提高预测精度,减少预测误差。
为实现上述目的,本发明采用的技术方案是:一种基于粒子群算法小波神经网络的光伏发电量预测方法,包括:
A、获取发电量的历史数据以及相关的历史天气参数信息;
B、对收集的数据进行归一化处理,设计小波神经网络结构,根据输入的特征向量的维数和最后的输出的光伏发电量的状态数,确定小波神经网络的输入和输出层神经元个数,并通过方法确定隐含层神经元个数,其中隐含层和输出层的激活函数分别用Morlet小波函数和线性Purelin函数;
C、将一种改进的粒子群算法对小波神经的模型参数进行前期优化,是对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值通过粒子群算法得到最优解作为小波神经的初始参数值;
D、通过粒子群算法得到小波神经网络的初始参数值加入到小波神经网络中,再用梯度下降法对建立的神经网络进行训练学习,让预测误差尽可能小,达到理想的标准;
E、将预测日前一日的有效发电时每小时发电量、预测日前一日的天气参数数据和预测日的天气参数数据作为输入,采用训练后的神经网络对预测日的发电量进行预测。
进一步,所述发电量历史数据包括有效发电时间和每小时太阳能光伏发电的发电量,所述历史天气参数信息包括天气类型、辐照强度、温度、相对湿度、云量、雨量。
进一步,所述步骤B,其包括:
根据输入的数据类型和输出的数据类型,确定输入和输出层的神经元个数,将预测日前一日7:00~19:00的13个时刻的发电量,预测日前一日和预测日的天气类型、辐照强度、温度、相对湿度、云量、雨量等12个影响因素,共25个输入层神经元个数,输出的是预测日7:00~19:00的发电量,即13个输出层神经元个数。隐含层的神经元通过试凑法确定。
数据归一化公式为:
x(t)为光伏系统发电量t时刻的原始数据,Xmax、Xmin为原始光伏发电量数据序列中的最大值和最小值,x*(t)为归一化后数据;
进一步,了解小波神经网络的特征,其包括:
小波分析方法通过尺度的伸缩和平移实现对信号的多尺度分析,从而有效地提取信号的局部信息,本发明采用小波函数作为BP神经网络的隐含层激励函数,构成小波神经网络模型,具备更强的逼近、容错能力。
小波神经网络的输入输出动态方程表示为:
其中,Wki(t)为输入层神经元k与隐含层i之间的连接权,Wij(t)为隐含层神经元i与输出层j的连接权,Hi(t)为隐含层神经元i的输出,ψ(·)为小波函数,本文取Morlet小波,设ai为小波伸缩系数,bi为小波平移系数,令Morlet小波母函数表达式为:
进一步,所述步骤C,其包括:
将一种改进的粒子群算法对小波神经的模型参数进行前期优化,是对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值通过粒子群算法得到最优解作为小波神经的初始参数值。
神经网络的训练最常见的训练方法就是梯度下降法,这种经典的算法达到的精度非常依赖于初始权值,且实际运用中训练速度较慢且易陷入局部极小值而达到早熟。粒子群算法的优点在于收敛速度快,不需要计算目标函数的最佳梯度下降,减轻了计算的负担,但是容易陷入局部极小值。针对这个缺陷,将变异进化的思想加入到PSO算法中,根据我们以往的寻最优解的经验,适应度最好的解往往是被包围在大量的次最优解之中,因此很多时候,次最优解被寻找出来而真正的没有被发现的最优解往往就在附近,因此在算法之后加上一步针对局部小范围寻找最优的进化算法就很有必要,这种自适应变异算法可以在有限时间内最大化搜索全局最优值。
对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值进行初始化实数编码,假设在一个N维的目标搜索空间(N维相当于未知因子个数,也就是优化参数个数),有m个粒子组成的一个群体,其中第i个粒子的位置表示为向量
Xi=(xi1,xi2,…,xiN)T,i=1,2,…,m;
f(m)=1/(1+E(m)),
其中E(m)为粒子m对应的网路输出误差,是期望输出值,yk是实际输出值,用向量Pi=(pi1,pi2,…,piN)T表示粒子i到目前为止自身搜索到的最好的适应度位置,记为P(ibest),即个体极值,用向量Pg=(pg1,pg2,…,pgN)T记录全局所有粒子最好的适应度位置,记为P(gbest),即全局最优值,第i个粒子的速度也是一个N维的向量Vi=(vi1,vi2,…,viN)T,每个粒子的速度和位置的调整:
式子中i代表粒子的标号,k代表迭代的次数,学习因子c1=c2=2,r1,r2是分布于[0,1]之间的随机数;
为了控制和在合理的区域内,设定范围,要求指定Vmin、Vmax、Xmax、Xmin来限制,研究发现,惯性因子w对优化性能的影响,其值随着最优适应度值变化率K来改变,二者的表达式为:
r为均匀分布于[0,1]之间的随机数,f(t)为种群第t代的最优适应值,f(t-5)为第(t-5)代的最优适应值,K表示了种群在最近5代内最优适应值的相对变化率,当K≥0.05,种群处于适应值变化较大的探索阶段,此时惯性因子取大有利于算法快速收敛,K<0.05,种群适应值变化较小,惯性因子取小有利于获得跟精确的解;
当粒子群进化到一定的迭代次数以后,若P(gbest)在较长时间内未发生变化时,所有粒子都会向一个具有最优位置的粒子靠拢,此致粒子群表现出强烈的“趋同性”,如果该最优位置为一局部最优点,粒子群就无法在解空间内重新搜索,陷入局部最优,因此当种群进化到一定的程度,执行变异可以提高种群的多样性,而“变异”的粒子进入全局其他区域进行搜索,从而可能发现新的最优解。
定义当粒子的全局极值P(gbest)在连续15次没有变化(或变化很小)时,判断若δi<h,其中δi=|fi-f(Pg)|2/m,h=f(Pg)/m,m为种群规模,对粒子产生新的位置其中fi为粒子i当前的适应值,为当前种群的平均适应值r为[0,1]之间的随机数,Xmax、Xmin为上下界;
当迭代达到预先设定的步数以后,算法结论得到了一个代表最优解的P(gbest),利用公式搜索在P(gbest)的邻域可能的更优解,设n为代表粒子P(gbest)在n代的向量值,m=0.5,g是在[0,0.1]之间的随机数,粒子P(gbest)从第n代进化到n+1代后,若此时的Pn+1的适应值比上一代更好,则用Pn+1代替Pn,否则不变,采用不变的参数进入下一次进化,直至达到进化上限步数为止,公式为:
ΔPn+1=mΔPn+(1-m)gPn
Pn+1=Pn+ΔPn+1;
迭代次数达到上限时,进而得到粒子群算法优化的模型参数初始值;
进一步,通过粒子群算法得到小波神经网络的初始参数值加入到小波神经网络中,用梯度下降法对建立的神经网络进行训练学习,让预测误差尽可能小,达到理想的标准;
所述的步骤D、E包括用梯度下降法进行训练,注意选择较小学习速率和较多训练次数(500次--1000次)避免训练过程发生振荡以便得到更优解;
进一步将训练好的网络进行预测,利用数据对太阳能光伏发电量进行预测。
本发明的有益效果是:通过基于粒子群算法小波神经网络的构建,结合与当地地区的光伏发电量历史数据和相对应的历史天气参数信息,得到预测日的光伏发电量,其中小波神经网络同时具备小波分析和神经网络的优点,对非平稳信号具有良好的时频局部特性和变焦能力,可以提高神经网络对非平稳信号的逼近能力,而小波神经网络常采用梯度下降法训练网络参数,其固定的梯度变化方向限制了参数优化的方向,易陷入局部极小和引起振荡效应,梯度下降法具有收敛速度慢、易陷入局部极小值的缺点,所以利用粒子群算法结构简单、全局寻优性能好优化小波神经网络参数,减少训练时间,提高精度。
具体实施方式
本具体实施方式的一种基于粒子群算法小波神经网络的光伏发电预测方法,包括:
A、获取发电量的历史数据以及相关的历史天气参数信息;
B、对收集的数据进行归一化处理,设计小波神经网络结构,根据输入的特征向量的维数和最后的输出的光伏发电量的状态数,确定小波神经网络的输入和输出层神经元个数,并通过方法确定隐含层神经元个数,其中隐含层和输出层的激活函数分别用Morlet小波函数和线性Purelin函数;
C、将一种改进的粒子群算法对小波神经的模型参数进行前期优化,是对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值通过粒子群算法得到最优解作为小波神经的初始参数值;
D、通过粒子群算法得到小波神经网络的初始参数值加入到小波神经网络中,再用梯度下降法对建立的神经网络进行训练学习,让预测误差尽可能小,达到理想的标准;
E、将预测日前一日的有效发电时每小时发电量、预测日前一日的天气参数数据和预测日的天气参数数据作为输入,采用训练后的神经网络对预测日的发电量进行预测。
进一步,所述发电量历史数据包括有效发电时间和每小时太阳能光伏发电的发电量,所述历史天气参数信息包括天气类型、辐照强度、温度、相对湿度、云量、雨量。
进一步,所述步骤B,其包括:
根据输入的数据类型和输出的数据类型,确定输入和输出层的神经元个数,将预测日前一日7:00~19:00的13个时刻的发电量,预测日前一日和预测日的天气类型、辐照强度、温度、相对湿度、云量、雨量等12个影响因素,共25个输入层神经元个数,输出的是预测日7:00~19:00的发电量,即13个输出层神经元个数。隐含层的神经元通过试凑法确定。
数据归一化公式为:
x(t)为光伏系统发电量t时刻的原始数据,Xmax、Xmin为原始光伏发电量数据序列中的最大值和最小值,x*(t)为归一化后数据;
进一步,了解小波神经网络的特征,其包括:
小波分析方法通过尺度的伸缩和平移实现对信号的多尺度分析,从而有效地提取信号的局部信息,本发明采用小波函数作为BP神经网络的隐含层激励函数,构成小波神经网络模型,具备更强的逼近、容错能力。
小波神经网络的输入输出动态方程表示为:
其中,Wki(t)为输入层神经元k与隐含层i之间的连接权,Wij(t)为隐含层神经元i与输出层j的连接权,Hi(t)为隐含层神经元i的输出,ψ(·)为小波函数,本文取Morlet小波,设ai为小波伸缩系数,bi为小波平移系数,令Morlet小波母函数表达式为:
进一步,所述步骤C,其包括:
将一种改进的粒子群算法对小波神经的模型参数进行前期优化,是对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值通过粒子群算法得到最优解作为小波神经的初始参数值。
神经网络的训练最常见的训练方法就是梯度下降法,这种经典的算法达到的精度非常依赖于初始权值,且实际运用中训练速度较慢且易陷入局部极小值而达到早熟。粒子群算法的优点在于收敛速度快,不需要计算目标函数的最佳梯度下降,减轻了计算的负担,但是容易陷入局部极小值。针对这个缺陷,将变异进化的思想加入到PSO算法中,根据我们以往的寻最优解的经验,适应度最好的解往往是被包围在大量的次最优解之中,因此很多时候,次最优解被寻找出来而真正的没有被发现的最优解往往就在附近,因此在算法之后加上一步针对局部小范围寻找最优的进化算法就很有必要,这种自适应变异算法可以在有限时间内最大化搜索全局最优值。
对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值进行初始化实数编码,假设在一个N维的目标搜索空间(N维相当于未知因子个数,也就是优化参数个数),有m个粒子组成的一个群体,其中第i个粒子的位置表示为向量
Xi=(xi1,xi2,…,xiN)T,i=1,2,…,m;
f(m)=1/(1+E(m)),
其中E(m)为粒子m对应的网路输出误差,是期望输出值,yk是实际输出值,用向量Pi=(pi1,pi2,…,piN)T表示粒子i到目前为止自身搜索到的最好的适应度位置,记为P(ibest),即个体极值,用向量Pg=(pg1,pg2,…,pgN)T记录全局所有粒子最好的适应度位置,记为P(gbest),即全局最优值,第i个粒子的速度也是一个N维的向量Vi=(vi1,vi2,…,viN)T,每个粒子的速度和位置的调整:
式子中i代表粒子的标号,k代表迭代的次数,学习因子c1=c2=2,r1,r2是分布于[0,1]之间的随机数;
为了控制和在合理的区域内,设定范围,要求指定Vmin、Vmax、Xmax、Xmin来限制,研究发现,惯性因子w对优化性能的影响,其值随着最优适应度值变化率K来改变,二者的表达式为:
r为均匀分布于[0,1]之间的随机数,f(t)为种群第t代的最优适应值,f(t-5)为第(t-5)代的最优适应值,K表示了种群在最近5代内最优适应值的相对变化率,当K≥0.05,种群处于适应值变化较大的探索阶段,此时惯性因子取大有利于算法快速收敛,K<0.05,种群适应值变化较小,惯性因子取小有利于获得跟精确的解;
当粒子群进化到一定的迭代次数以后,若P(gbest)在较长时间内未发生变化时,所有粒子都会向一个具有最优位置的粒子靠拢,此致粒子群表现出强烈的“趋同性”,如果该最优位置为一局部最优点,粒子群就无法在解空间内重新搜索,陷入局部最优,因此当种群进化到一定的程度,执行变异可以提高种群的多样性,而“变异”的粒子进入全局其他区域进行搜索,从而可能发现新的最优解。
定义当粒子的全局极值P(gbest)在连续15次没有变化(或变化很小)时,判断若δi<h,其中δi=|fi-f(Pg)|2/m,h=f(Pg)/m,m为种群规模,对粒子产生新的位置其中fi为粒子i当前的适应值,为当前种群的平均适应值r为[0,1]之间的随机数,Xmax、Xmin为上下界;
当迭代达到预先设定的步数以后,算法结论得到了一个代表最优解的P(gbest),利用公式搜索在P(gbest)的邻域可能的更优解,设n为代表粒子P(gbest)在n代的向量值,m=0.5,g是在[0,0.1]之间的随机数,粒子P(gbest)从第n代进化到n+1代后,若此时的Pn+1的适应值比上一代更好,则用Pn+1代替Pn,否则不变,采用不变的参数进入下一次进化,直至达到进化上限步数为止,公式为:
ΔPn+1=mΔPn+(1-m)gPn
Pn+1=Pn+ΔPn+1
迭代次数达到上限时,进而得到粒子群算法优化的模型参数初始值;
进一步作为优选的实施方式,通过粒子群算法得到小波神经网络的初始参数值加入到小波神经网络中,用梯度下降法对建立的神经网络进行训练学习,让预测误差尽可能小,达到理想的标准;用梯度下降法进行训练,注意选择较小学习速率和较多训练次数(500次--1000次)避免训练过程发生振荡以便得到更优解;
进一步作为优选的实施方式,将训练好的网络进行预测,利用数据对太阳能光伏发电量进行预测。
Claims (6)
1.一种基于粒子群算法小波神经网络的光伏发电量的预测方法,其特征在于:包括以下步骤:
A、获取发电量的历史数据以及相关的历史天气参数信息;
B、对收集的数据进行归一化处理,设计小波神经网络结构,根据输入的特征向量的维数和最后的输出的光伏发电量的状态数,确定小波神经网络的输入和输出层神经元个数,并通过方法确定隐含层神经元个数,其中隐含层和输出层的激活函数分别用Morlet小波函数和线性Purelin函数;
C、将一种改进的粒子群算法对小波神经的模型参数进行前期优化,是对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值通过粒子群算法得到最优解作为小波神经的初始参数值;
D、通过粒子群算法得到小波神经网络的初始参数值加入到小波神经网络中,再用梯度下降法对建立的神经网络进行训练学习,让预测误差尽可能小,达到理想的标准;
E、将预测日前一日的有效发电时每小时发电量、预测日前一日的天气参数数据和预测日的天气参数数据作为输入,采用训练后的神经网络对预测日的发电量进行预测。
2.根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方法,其特征在于:所述发电量数据包括有效发电时间和每小时太阳能光伏发电的发电量,所述历史天气参数信息包括天气类型、辐照强度、温度、相对湿度、云量、雨量。
3.根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方法,其特征在于:所述步骤B,其包括:
根据输入的数据类型和输出的数据类型,确定输入和输出层的神经元个数,预测日前一日的有效发电时每小时发电量、预测日前一日的天气参数数据和预测日的天气参数数据作为输入,预测日的每个小时的发电量作为输出;隐含层的神经元个数通过逐渐递增试凑法得出。
4.根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方法,其特征在于:提出了小波神经网络模型的预测方法,其包括:
小波神经网络是神经网络和小波分析理论相结合的产物,他具有小波变换良好的时频局域化特点和传统神经网络的自学习功能,具有很强的泛化能力与自适应数据和函数变化的能力,小波神经网络有着更强的逼近、容错能力和更好的动态预测效果;
神经网络选用3层BP神经网络,其中将隐含层中的激活函数采用时频分辨率都较高的Morlet小波基函数,即表达式为:
其中;为小波伸缩系数,为小波平移系数。
5.根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方法,其特征在于:所述步骤C,包括将一种改进的粒子群算法对小波神经的模型参数进行前期优化,是对网络的输入层与隐含层之间的连接权值、隐含层与输出层之间的连接权值和阈值通过粒子群算法得到最优解作为小波神经的初始参数值;
神经网络的训练最常见的训练方法就是梯度下降法,这种经典的算法达到的精度非常依赖于初始权值,且实际运用中训练速度较慢且易陷入局部极小值而达到早熟;粒子群算法的优点在于收敛速度快,不需要计算目标函数的最佳梯度下降,减轻了计算的负担,但是容易陷入局部极小值;针对这个缺陷,将变异进化的思想加入到PSO算法中,根据我们以往的寻最优解的经验,适应度最好的解往往是被包围在大量的次最优解之中,因此很多时候,次最优解被寻找出来而真正的没有被发现的最优解往往就在附近,因此在算法之后加上一步针对局部小范围寻找最优的进化算法就很有必要,这种自适应变异算法可以在有限时间内最大化搜索全局最优值。
6.根据权利要求1所述的一种基于粒子群算法小波神经网络的光伏发电量的预测方法,其特征在于:所述步骤D和E,其包括:用梯度下降法进行训练,直到误差达到给定的精度,或者达到最大训练步数,停止训练,将训练好的小波神经网络进行样本预测,输出仿真预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510302824.9A CN105139264A (zh) | 2015-06-06 | 2015-06-06 | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510302824.9A CN105139264A (zh) | 2015-06-06 | 2015-06-06 | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105139264A true CN105139264A (zh) | 2015-12-09 |
Family
ID=54724600
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510302824.9A Pending CN105139264A (zh) | 2015-06-06 | 2015-06-06 | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105139264A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
CN106446494A (zh) * | 2016-05-11 | 2017-02-22 | 新疆大学 | 基于小波包‑神经网络的风光功率预测方法 |
CN106815659A (zh) * | 2017-01-20 | 2017-06-09 | 国网浙江省电力公司电力科学研究院 | 一种基于混合模型的超短期太阳辐射预测方法及其装置 |
CN107292764A (zh) * | 2017-05-12 | 2017-10-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 交流滤波器开关选相合闸装置定值自适应选取方法 |
CN107367319A (zh) * | 2017-02-28 | 2017-11-21 | 淮阴师范学院 | 电容称重传感器非线性补偿的小波神经网络方法 |
CN107609774A (zh) * | 2017-09-11 | 2018-01-19 | 华北电力大学 | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 |
CN107798077A (zh) * | 2017-10-09 | 2018-03-13 | 中国电子科技集团公司第二十八研究所 | 一种人口监测方法及系统 |
CN108054781A (zh) * | 2018-01-06 | 2018-05-18 | 东北电力大学 | 一种基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法 |
CN108898223A (zh) * | 2018-07-11 | 2018-11-27 | 国家海洋技术中心 | 一种海洋定点观测设备运行状态异常检测方法及装置 |
CN109492792A (zh) * | 2018-09-28 | 2019-03-19 | 昆明理工大学 | 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法 |
CN109840629A (zh) * | 2019-01-21 | 2019-06-04 | 南京邮电大学 | 基于小波变换-树突状神经元模型的光伏功率预测方法 |
CN109858665A (zh) * | 2018-12-06 | 2019-06-07 | 国网河北省电力有限公司 | 基于特征筛选与anfis-pso的光伏短期功率预测方法 |
CN110287985A (zh) * | 2019-05-15 | 2019-09-27 | 江苏大学 | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 |
CN111221375A (zh) * | 2018-11-27 | 2020-06-02 | 汉能移动能源控股集团有限公司 | Mppt控制方法、装置、光伏发电设备及可读存储介质 |
CN112396203A (zh) * | 2019-08-14 | 2021-02-23 | 海南电网有限责任公司 | 一种基于bp神经网络估计法和改进比例系数法的光伏功率区间预测方法 |
CN112560322A (zh) * | 2020-12-07 | 2021-03-26 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的变电站保护室温度预测方法 |
CN114792174A (zh) * | 2022-06-23 | 2022-07-26 | 国网天津市电力公司电力科学研究院 | 一种基于小波神经网络的配网线路气象预测方法 |
CN115954919A (zh) * | 2023-01-12 | 2023-04-11 | 国网湖北省电力有限公司十堰供电公司 | 一种考虑移动储能车接入的微电网多目标优化调度方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103093288A (zh) * | 2013-02-21 | 2013-05-08 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测系统 |
CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
EP2825895A1 (en) * | 2012-03-13 | 2015-01-21 | Ably AS | Method and apparatus for monitoring electric power transmission, disturbances and forecasts |
-
2015
- 2015-06-06 CN CN201510302824.9A patent/CN105139264A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2825895A1 (en) * | 2012-03-13 | 2015-01-21 | Ably AS | Method and apparatus for monitoring electric power transmission, disturbances and forecasts |
CN103093288A (zh) * | 2013-02-21 | 2013-05-08 | 江苏省电力公司电力科学研究院 | 基于气象信息的分区电网母线负荷预测系统 |
CN104200005A (zh) * | 2014-07-28 | 2014-12-10 | 东北大学 | 基于神经网络的桥梁损伤识别方法 |
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
Non-Patent Citations (2)
Title |
---|
郑金: "短期电力负荷预测方法研究", 《中国优秀硕士学位论文全文数据库》 * |
阳春华: "自适应变异的粒子群优化算法", 《计算机工程》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913151A (zh) * | 2016-04-12 | 2016-08-31 | 河海大学常州校区 | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 |
CN106446494B (zh) * | 2016-05-11 | 2019-01-11 | 新疆大学 | 基于小波包-神经网络的风光功率预测方法 |
CN106446494A (zh) * | 2016-05-11 | 2017-02-22 | 新疆大学 | 基于小波包‑神经网络的风光功率预测方法 |
CN106815659A (zh) * | 2017-01-20 | 2017-06-09 | 国网浙江省电力公司电力科学研究院 | 一种基于混合模型的超短期太阳辐射预测方法及其装置 |
CN106815659B (zh) * | 2017-01-20 | 2020-09-18 | 国网浙江省电力公司电力科学研究院 | 一种基于混合模型的超短期太阳辐射预测方法及其装置 |
CN107367319A (zh) * | 2017-02-28 | 2017-11-21 | 淮阴师范学院 | 电容称重传感器非线性补偿的小波神经网络方法 |
CN107292764A (zh) * | 2017-05-12 | 2017-10-24 | 中国南方电网有限责任公司超高压输电公司广州局 | 交流滤波器开关选相合闸装置定值自适应选取方法 |
CN107609774A (zh) * | 2017-09-11 | 2018-01-19 | 华北电力大学 | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 |
CN107609774B (zh) * | 2017-09-11 | 2023-12-08 | 华北电力大学 | 一种基于思维进化算法优化小波神经网络的光伏功率预测方法 |
CN107798077A (zh) * | 2017-10-09 | 2018-03-13 | 中国电子科技集团公司第二十八研究所 | 一种人口监测方法及系统 |
CN108054781A (zh) * | 2018-01-06 | 2018-05-18 | 东北电力大学 | 一种基于db6离散小波变换的风电集群功率汇聚效应的时频分析方法 |
CN108054781B (zh) * | 2018-01-06 | 2019-08-30 | 东北电力大学 | 一种基于db6小波的风电汇聚效应时频分析方法 |
CN108898223A (zh) * | 2018-07-11 | 2018-11-27 | 国家海洋技术中心 | 一种海洋定点观测设备运行状态异常检测方法及装置 |
CN108898223B (zh) * | 2018-07-11 | 2019-05-31 | 国家海洋技术中心 | 一种海洋定点观测设备运行状态异常检测方法及装置 |
CN109492792A (zh) * | 2018-09-28 | 2019-03-19 | 昆明理工大学 | 一种基于粒子群优化小波神经网络输电线路覆冰预测的方法 |
CN111221375B (zh) * | 2018-11-27 | 2022-10-18 | 东君新能源有限公司 | Mppt控制方法、装置、光伏发电设备及可读存储介质 |
CN111221375A (zh) * | 2018-11-27 | 2020-06-02 | 汉能移动能源控股集团有限公司 | Mppt控制方法、装置、光伏发电设备及可读存储介质 |
CN109858665A (zh) * | 2018-12-06 | 2019-06-07 | 国网河北省电力有限公司 | 基于特征筛选与anfis-pso的光伏短期功率预测方法 |
CN109840629A (zh) * | 2019-01-21 | 2019-06-04 | 南京邮电大学 | 基于小波变换-树突状神经元模型的光伏功率预测方法 |
CN109840629B (zh) * | 2019-01-21 | 2022-07-15 | 南京邮电大学 | 基于小波变换-树突状神经元模型的光伏功率预测方法 |
CN110287985A (zh) * | 2019-05-15 | 2019-09-27 | 江苏大学 | 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法 |
CN112396203A (zh) * | 2019-08-14 | 2021-02-23 | 海南电网有限责任公司 | 一种基于bp神经网络估计法和改进比例系数法的光伏功率区间预测方法 |
CN112560322A (zh) * | 2020-12-07 | 2021-03-26 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的变电站保护室温度预测方法 |
CN112560322B (zh) * | 2020-12-07 | 2023-04-18 | 国网辽宁省电力有限公司锦州供电公司 | 一种基于bp神经网络的变电站保护室温度预测方法 |
CN114792174A (zh) * | 2022-06-23 | 2022-07-26 | 国网天津市电力公司电力科学研究院 | 一种基于小波神经网络的配网线路气象预测方法 |
CN115954919A (zh) * | 2023-01-12 | 2023-04-11 | 国网湖北省电力有限公司十堰供电公司 | 一种考虑移动储能车接入的微电网多目标优化调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139264A (zh) | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 | |
Zhou et al. | Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine | |
Dong et al. | A novel convolutional neural network framework based solar irradiance prediction method | |
Ren et al. | Ensemble methods for wind and solar power forecasting—A state-of-the-art review | |
Chang et al. | An improved neural network-based approach for short-term wind speed and power forecast | |
Wang et al. | Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting | |
Gensler et al. | Deep Learning for solar power forecasting—An approach using AutoEncoder and LSTM Neural Networks | |
CN103164742B (zh) | 一种基于粒子群优化神经网络的服务器性能预测方法 | |
CN108734331A (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
Caputo et al. | Photovoltaic plants predictive model by means of ANN trained by a hybrid evolutionary algorithm | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN109685257A (zh) | 一种基于支持向量机回归的光伏发电功率预测方法 | |
CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
CN104268638A (zh) | 一种基于elman神经网络的光伏发电系统功率预测方法 | |
CN104484833A (zh) | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 | |
CN104978613A (zh) | 一种考虑组件温度的光伏出力短期预测方法 | |
CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN101793907A (zh) | 一种风电场短期风速预测方法 | |
CN109086928A (zh) | 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN105574615A (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151209 |
|
RJ01 | Rejection of invention patent application after publication |