CN107230003A - 一种新能源发电系统的功率预测方法 - Google Patents
一种新能源发电系统的功率预测方法 Download PDFInfo
- Publication number
- CN107230003A CN107230003A CN201710497175.1A CN201710497175A CN107230003A CN 107230003 A CN107230003 A CN 107230003A CN 201710497175 A CN201710497175 A CN 201710497175A CN 107230003 A CN107230003 A CN 107230003A
- Authority
- CN
- China
- Prior art keywords
- generation system
- power generation
- new energy
- energy power
- parameter
- 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 87
- 238000013277 forecasting method Methods 0.000 title abstract 2
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000012706 support-vector machine Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 34
- 238000010845 search algorithm Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 23
- 239000003016 pheromone Substances 0.000 claims description 18
- 241000257303 Hymenoptera Species 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 230000009191 jumping Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims description 2
- 239000011664 nicotinic acid Substances 0.000 claims description 2
- 230000005611 electricity Effects 0.000 abstract 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 125000004432 carbon atom Chemical group C* 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- 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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种新能源发电系统的功率预测方法，包括如下步骤：S1、对新能源发电系统的历史数据进行归一化处理，并将归一化处理后的新能源发电系统历史数据作为支持向量机的训练样本；S2、根据支持向量机的训练样本进行支持向量机的训练并利用一种网格蚁群搜索算法进行参数优化，得到参数优化后的新能源发电系统的功率预测模型；S3、对新能源发电系统的气象预报数据进行归一化处理；S4、将归一化处理后的新能源发电系统的气象预报数据作为参数优化后的发电系统的功率预测模型的输入变量，计算得到发电系统的功率预测值。本发明可实现快速精确的新能源发电系统的功率预测。
Description
技术领域
本发明涉及新能源发电技术领域。更具体地，涉及一种新能源发电系统的功率预测方法。
背景技术
大规模发展新能源是国家经济和社会可持续发展的战略需求。太阳能（光伏）和风能是公认的分布广泛、使用安全的优质新能源，而新能源发电作为高效利用新能源的方式，其研究和应用日益得到重视和推广，成为传统能源的有益补充。然而新能源发电不同于传统发电的最大特点在于其受光照强度及温度、风速等外界环境影响而产生的随机波动性，因此，利用现有新能源发电系统的历史数据，根据气象预报可得的光照强度、温度、风速等预测数据，进行新能源发电系统输出功率的预测，是一项极具意义的课题，对于优化新能源发电系统运行，改善新能源与其他能源接口配置，具有较高参考价值。相应地，如何利用这些数据，实现高效、精确的预测，成为重要的研究课题。
针对新能源发电系统输出功率预测，目前已有较多方法。从时间间隔角度，大致分为长时预测（小时级以上）及短时预测（分钟级）两类。其中短时预测对算法的实时性要求较高。从数学算法角度，应用较多的包括数学统计方法和人工智能方法两类。从系统实现角度，基于模型的需要综合考虑系统位置、环境、气象等因素，基于数据的则需要辅以充足的数据集和数据处理算法。但现有的输出功率预测在高效和实用性上均存在不足。
有学者将支持向量机（SVM）引入预测，但其两个核心参数的选择是关键。对此，经典的穷举搜索法如网格算法模式简单易行，但效率不能保证；仿生智能算法如蚁群算法、粒子群算法、遗传算法等在近似最优区域内进行局部搜索时步骤过于繁琐，降低了寻优效率。
因此，需要提供一种利用新能源发电系统历史数据及气象预报数据，简单但高效、实用的新能源发电系统的功率预测方法。
发明内容
本发明的目的在于提供一种新能源发电系统的功率预测方法，实现新能源发电系统短时输出功率的准确、快速预测。本发明适用于风能、光伏等随机波动大、气象预测数据可粗略预制的新能源系统。本发明以光伏发电系统为例，进行实施步骤描述。
本发明采用下述技术方案：
一种新能源发电系统的功率预测方法，包括如下步骤：
S1、对新能源发电系统的历史数据进行归一化处理，并将归一化处理后的新能源发电系统历史数据作为支持向量机的训练样本；
S2、根据支持向量机的训练样本进行支持向量机的训练并利用网格蚁群搜索进行参数优化，得到参数优化后的新能源发电系统的功率预测模型；
S3、对新能源发电系统的气象预报数据进行归一化处理；
S4、将归一化处理后的新能源发电系统的气象预报数据作为参数优化后的新能源发电系统的功率预测模型的输入变量，计算得到新能源发电系统的功率预测值。
优选地，所述新能源发电系统的历史数据包新能源发电系统所处地区的外界温度，光照强度，以及根据光照强度和现有的基本新能源模型推算出的功率输出。
优选地，步骤S2进一步包括如下子步骤：
S2.1、根据支持向量机的训练样本进行支持向量机的训练，得到新能源发电系统的功率预测模型，新能源发电系统的功率预测模型为：
其中，为模型输入变量；
为模型输出变量；
N是训练样本维数；
和 是拉格朗日乘子，满足
,, ，参数为惩罚因子；
为第i个训练样本，为第j个训练样本；
为支持向量机的核函数：
表示指数函数；参数为该核函数的临界参数；
为偏置项；
S2.2、采用网格蚁群搜索算法，对新能源发电系统的功率预测模型中的参数和进行优化，得到参数优化后的新能源发电系统的功率预测模型。
优选地，步骤S2.2进一步包括如下子步骤：
S2.2.1、设置蚁群算法基本参数，包括种群数量，种群移动次数，转移概率常数，挥发系数等；
S2.2.2、设定参数范围，初始化蚂蚁位置。首先，确定SVM的惩罚因子和核函数参数的搜索范围，分别以和的数值为横、纵坐标轴确定一个蚁群活动的搜索区域，将只蚂蚁随机洒落到该搜索区域内。可知，第只蚂蚁的坐标即对应一组SVM参数；
S2.2.3、根据公知的蚁群算法理论，计算只蚂蚁的适应度值，使用均方差（MSE）作为目标函数值，对应确定各蚂蚁的信息素浓度；
S2.2.4、 基于信息素浓度计算转移概率，并将与转移概率常数比较，决定各蚂蚁下一步的移动策略。若，则转至S2.2.5做局部搜索；否则转至S2.2.6做全局搜索；
S2.2.5、进行局部搜索：在各蚂蚁附近以较小步长划分网格，分别计算网格交点处参数组合对应的MSE值，选取其中MSE最小的点作为最优点，令各蚂蚁向该点聚集，从而完成一次寻优。而后转至S2.2.7；
S2.2.6、进行全局搜索：各蚂蚁根据自身及附近蚂蚁信息素浓度，做出行动方向的判断，并以较大步长向信息素浓度高的蚂蚁聚集，从而完成一次寻优。而后转至S2.2.7；
S2.2.7、根据寻优后的MSE值，并根据该MSE值和信息素挥发概率更新信息素，判断是否满足中止条件，如果满足则完成寻优，转至S2.2.8，如果不满足则跳回S2.2.4继续下一次寻优循环；
S2.2.8、输出寻优后的参数组合，作为SVM的最优模型参数，从而完成对参数和的优化。
优选地，所述新能源发电系统的气象预报数据包括天气预报给出的新能源发电系统所处地区的环境温度、光照强度以及风速预测值。
本发明的有益效果如下：
本发明所述技术方案针对新能源发电系统历史数据和气象预报数据，采用网格蚁群这种混合搜索算法对支持向量机的最优参数进行寻优，从而实现全局智能快速搜索与局部精确搜索相结合，避免了传统支持向量机参数寻优算法精度和速度的矛盾。进而，将最优支持向量机模型应用至新能源发电系统，可实现快速精确的功率输出预测。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出新能源发电系统的功率预测方法的流程图。
图2示出新能源发电系统的功率预测方法中的数据流及参数寻优示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本实施例提供的新能源发电系统的功率预测方法包括如下步骤：
S1、对新能源发电系统的历史数据进行归一化处理，并将归一化处理后的新能源发电系统历史数据作为支持向量机的训练样本；
S2、根据支持向量机的训练样本进行支持向量机的训练并利用网格蚁群搜索进行参数优化，得到参数优化后的新能源发电系统的功率预测模型；
S3、对新能源发电系统的气象预报数据进行归一化处理；
S4、将归一化处理后的新能源发电系统的气象预报数据作为参数优化后的新能源发电系统的功率预测模型的输入变量，计算得到新能源发电系统的功率预测值。
其中
步骤S1中新能源发电系统的历史数据包括三类：新能源发电系统所处地区的外界温度，光照强度，风速等。这里的历史数据间隔通常为分钟级，例如5分钟间隔。
以光伏发电系统为例，根据历史数据，以及基于光照强度和现有的基本新能源模型推算出功率输出，具体公式如下式（1）-（3）。
基本光伏模型公式如（1）-（3）式所描述：
（1）
上式（1）中，为光伏阵列输出功率；为光伏阵列输出电压；为光伏阵列短路电流；为光伏阵列开路电压；参数、、及的计算式如下：
（2）
上式（2）中，和为最大功率点电流和电压；
（3）
上式（3）中，为光照强度；和分别为光照强度和外界温度的参考值，一般可取为1， ；和分别为参考光照强度下电流及电压变化温度系数；为光伏阵列的串联电阻；为光伏电池板温度。
风力发电系统实施方式与上述光伏发电类同，区别仅在于式(1)-(3)所描述的输出计算模型。此处不再详述。
步骤S2进一步包括如下子步骤：
S2.1、根据支持向量机的训练样本进行支持向量机的训练，得到新能源发电系统的功率预测模型，训练过程为：
确定支持向量机实施凸优化的目标函数，即最小化二次型函数：
（4）
并同时满足下列条件：
,, （5）
上两式中，N是训练样本维数， 和 是拉格朗日乘子（Lagrange multipliers）；为损失函数；和为输入变量，即训练样本，为第i个训练样本，为第j个训练样本；为输出变量；参数为惩罚因子；表示支持向量机的核函数，且考虑新能源预测特性，取为高斯函数，即：
（6）
上式中，表示指数函数；参数为该核函数的临界参数；为支持向量机预测的输入变量。
进而，支持向量机预测的输出变量可描述为：
（7）
上式即为新能源发电系统的功率预测模型，上式中为偏置项。
在支持向量机的上述描述中，参数（惩罚因子）和对于预测精度起着至关重要的影响，因此被作为训练优化的目标参数。通过训练优化，和可选择为一对最优的常数参数，为预测模型所用。
S2.2、采用网格蚁群搜索算法，对新能源发电系统的功率预测模型中的参数和进行优化，得到参数优化后的新能源发电系统的功率预测模型。
步骤S2.2进一步包括如下子步骤：
S2.2.1、设置蚁群算法基本参数，包括种群数量，种群移动次数，转移概率常数，挥发系数等；
S2.2.2、设定参数范围，初始化蚂蚁位置。首先，确定SVM的惩罚因子和核函数参数的搜索范围，分别以和的数值为横、纵坐标轴确定一个蚁群活动的搜索区域，将只蚂蚁随机洒落到该搜索区域内。可知，第只蚂蚁的坐标即对应一组SVM参数。
S2.2.3、根据公知的蚁群算法理论，计算只蚂蚁的适应度值，使用均方差（MSE）作为目标函数值，对应确定各蚂蚁的信息素浓度。
S2.2.4、 基于信息素浓度计算转移概率，并将与转移概率常数比较，决定各蚂蚁下一步的移动策略。若，则转至S2.2.5做局部搜索；否则转至S2.2.6做全局搜索。
S2.2.5、进行局部搜索：在各蚂蚁附近以较小步长划分网格，分别计算网格交点处参数组合对应的MSE值，选取其中MSE最小的点作为最优点，令各蚂蚁向该点聚集，从而完成一次寻优。而后转至S2.2.7。
S2.2.6、进行全局搜索：各蚂蚁根据自身及附近蚂蚁信息素浓度，做出行动方向的判断，并以较大步长向信息素浓度高的蚂蚁聚集，从而完成一次寻优。而后转至S2.2.7。
S2.2.7、根据寻优后的MSE值，并根据该MSE值和信息素挥发概率更新信息素，判断是否满足中止条件，如果满足则完成寻优，转至S2.2.8，如果不满足则跳回S2.2.4继续下一次寻优循环。
S2.2.8、输出寻优后的参数组合，作为SVM的最优模型参数，从而完成对参数和的优化。
至此，支持向量机的关键参数的最优值得解，完成对参数和的优化，得到参数优化后的新能源发电系统的功率预测模型。
新能源发电系统的气象预报数据即未来几天范围内待预测新能源发电系统的相关气象数据，包括天气预报给出的新能源发电系统所处地区的环境温度，以及光照强度预测值。
如图2所示，本实施例提供的光伏发电系统的功率预测方法中的数据流及参数寻优的主要思路为：
本实施例所用到的数据分为两类：1）历史数据，用于支持向量机的训练，包括三部分：新能源发电系统所处地区的外界温度，光照强度，以及PV功率输出。对于短时预测，PV功率输出通常为分钟级，其具体计算可根据光照强度和基本新能源模型推算出）。2）气象预报数据，用于支持向量机的预测，包括两部分：新能源发电系统所处地区环境温度预测值，以及光照强度预测值。这些数据即未来几天范围内待预测新能源发电系统的相关数据，多由天气预报给出。
历史数据归一化后，送入网格蚁群支持向量机，进行模型训练。其核心思想是引入网格蚁群搜索：将和待搜索区域在对数单位上进行划分；然后将蚁群算法和网格算法相结合，用于全局搜索和局部搜索，得到全局最优值。从而得到最优的支持向量机模型。
气象预报数据输入最优支持向量机模型，进行未来新能源功率输出的预测，且可根据真实功率输出，进行预测精度的计算和分析。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (5)
1.一种新能源发电系统的功率预测方法，其特征在于，该方法包括如下步骤：
S1、对新能源发电系统的历史数据进行归一化处理，并将归一化处理后的新能源发电系统历史数据作为支持向量机的训练样本；
S2、根据支持向量机的训练样本进行支持向量机的训练并利用网格蚁群搜索进行参数优化，得到参数优化后的新能源发电系统的功率预测模型；
S3、对新能源发电系统的气象预报数据进行归一化处理；
S4、将归一化处理后的新能源发电系统的气象预报数据作为参数优化后的新能源发电系统的功率预测模型的输入变量，计算得到新能源发电系统的功率预测值。
2.根据权利要求1所述的新能源发电系统的功率预测方法，其特征在于，所述新能源发电系统的历史数据包新能源发电系统所处地区的环境参数，例如对光伏发电、风力发电而言，包括外界温度，光照强度，风速，以及根据光照强度和现有的基本新能源模型推算出的功率输出。
3.根据权利要求1所述的新能源发电系统的功率预测方法，其特征在于，步骤S2进一步包括如下子步骤：
S2.1、根据支持向量机的训练样本进行支持向量机的训练，得到新能源发电系统的功率预测模型，新能源发电系统的功率预测模型为：
其中，为模型输入变量；
为模型输出变量；
N是训练样本维数；
和 是拉格朗日乘子，满足
,, ，参数为惩罚因子；
为第i个训练样本，为第j个训练样本；
为支持向量机的核函数：
表示指数函数；参数为该核函数的临界参数；
为偏置项；
S2.2、采用网格蚁群仿生搜索算法，对新能源发电系统的功率预测模型中的参数和进行优化，得到参数优化后的新能源发电系统的功率预测模型。
4.根据权利要求3所述的新能源发电系统的功率预测方法，其特征在于，步骤S2.2进一步包括如下子步骤：
S2.2.1、设置蚁群算法基本参数，包括种群数量，种群移动次数，转移概率常数，挥发系数等；
S2.2.2、设定参数范围，初始化蚂蚁位置,首先，确定SVM的惩罚因子和核函数参数的搜索范围，分别以和的数值为横、纵坐标轴确定一个蚁群活动的搜索区域，将只蚂蚁随机洒落到该搜索区域内,可知，第只蚂蚁的坐标即对应一组SVM参数；
S2.2.3、根据公知的蚁群算法理论，计算只蚂蚁的适应度值，使用均方差（MSE）作为目标函数值，对应确定各蚂蚁的信息素浓度；
S2.2.4、 基于信息素浓度计算转移概率，并将与转移概率常数比较，决定各蚂蚁下一步的移动策略,若，则转至S2.2.5做局部搜索；否则转至S2.2.6做全局搜索；
S2.2.5、进行局部搜索：在各蚂蚁附近以较小步长划分网格，分别计算网格交点处参数组合对应的MSE值，选取其中MSE最小的点作为最优点，令各蚂蚁向该点聚集，从而完成一次寻优,而后转至S2.2.7；
S2.2.6、进行全局搜索：各蚂蚁根据自身及附近蚂蚁信息素浓度，做出行动方向的判断，并以较大步长向信息素浓度高的蚂蚁聚集，从而完成一次寻优,而后转至S2.2.7；
S2.2.7、根据寻优后的MSE值，并根据该MSE值和信息素挥发概率更新信息素，判断是否满足中止条件，如果满足则完成寻优，转至S2.2.8，如果不满足则跳回S2.2.4继续下一次寻优循环；
S2.2.8、输出寻优后的参数组合，作为SVM的最优模型参数，从而完成对参数和的优化。
5.根据权利要求1所述的新能源发电系统的功率预测方法，其特征在于，所述新能源发电系统的气象预报数据包括天气预报给出的新能源发电系统所处地区的环境温度、风速、光照强度预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710497175.1A CN107230003A (zh) | 2017-06-27 | 2017-06-27 | 一种新能源发电系统的功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710497175.1A CN107230003A (zh) | 2017-06-27 | 2017-06-27 | 一种新能源发电系统的功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107230003A true CN107230003A (zh) | 2017-10-03 |
Family
ID=59935611
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710497175.1A Pending CN107230003A (zh) | 2017-06-27 | 2017-06-27 | 一种新能源发电系统的功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107230003A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108054665A (zh) * | 2017-12-21 | 2018-05-18 | 平高集团有限公司 | 气体绝缘金属封闭开关设备处理方法及设备 |
| CN108844624A (zh) * | 2018-06-01 | 2018-11-20 | 北京科技大学 | 一种基于温度场的slm过程激光功率监测方法 |
| CN108921339A (zh) * | 2018-06-22 | 2018-11-30 | 南京工程学院 | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 |
| CN110276478A (zh) * | 2019-05-31 | 2019-09-24 | 南京理工大学 | 基于分段蚁群算法优化svm的短期风电功率预测方法 |
| CN110348615A (zh) * | 2019-06-27 | 2019-10-18 | 西安工程大学 | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440527A (zh) * | 2013-07-29 | 2013-12-11 | 辽宁大学 | 一种改进蚁群算法优化支持向量机参数的方法 |
| CN105512775A (zh) * | 2016-02-01 | 2016-04-20 | 北京交通大学 | 一种光伏发电系统的功率预测方法 |
| CN105760954A (zh) * | 2016-02-15 | 2016-07-13 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
| CN106096780A (zh) * | 2016-06-13 | 2016-11-09 | 浙江万里学院 | 蚁群算法优化最小二乘支持向量机的溶解氧预测方法 |
-
2017
- 2017-06-27 CN CN201710497175.1A patent/CN107230003A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103440527A (zh) * | 2013-07-29 | 2013-12-11 | 辽宁大学 | 一种改进蚁群算法优化支持向量机参数的方法 |
| CN105512775A (zh) * | 2016-02-01 | 2016-04-20 | 北京交通大学 | 一种光伏发电系统的功率预测方法 |
| CN105760954A (zh) * | 2016-02-15 | 2016-07-13 | 南通大学 | 一种基于改进蚁群算法的泊车系统路径规划方法 |
| CN106096780A (zh) * | 2016-06-13 | 2016-11-09 | 浙江万里学院 | 蚁群算法优化最小二乘支持向量机的溶解氧预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 庄严 等: "基于蚁群算法的支持向量机参数选择方法研究", 《计算机仿真》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108054665A (zh) * | 2017-12-21 | 2018-05-18 | 平高集团有限公司 | 气体绝缘金属封闭开关设备处理方法及设备 |
| CN108844624A (zh) * | 2018-06-01 | 2018-11-20 | 北京科技大学 | 一种基于温度场的slm过程激光功率监测方法 |
| CN108844624B (zh) * | 2018-06-01 | 2020-01-21 | 北京科技大学 | 一种基于温度场的slm过程激光功率监测方法 |
| CN108921339A (zh) * | 2018-06-22 | 2018-11-30 | 南京工程学院 | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 |
| CN108921339B (zh) * | 2018-06-22 | 2021-08-10 | 南京工程学院 | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 |
| CN110276478A (zh) * | 2019-05-31 | 2019-09-24 | 南京理工大学 | 基于分段蚁群算法优化svm的短期风电功率预测方法 |
| CN110276478B (zh) * | 2019-05-31 | 2022-08-16 | 南京理工大学 | 基于分段蚁群算法优化svm的短期风电功率预测方法 |
| CN110348615A (zh) * | 2019-06-27 | 2019-10-18 | 西安工程大学 | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 |
| CN110348615B (zh) * | 2019-06-27 | 2023-05-16 | 西安工程大学 | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107230003A (zh) | 一种新能源发电系统的功率预测方法 | |
| Tang et al. | Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting | |
| CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
| CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
| CN107506843A (zh) | 一种短期负荷预测方法及装置 | |
| Squartini et al. | Optimization algorithms for home energy resource scheduling in presence of data uncertainty | |
| JP2017135964A (ja) | 太陽光発電システムの動作 | |
| CN105512775A (zh) | 一种光伏发电系统的功率预测方法 | |
| Jian et al. | Parameters identification of photovoltaic models using modified Rao-1 optimization algorithm | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| Li et al. | Photovoltaic array prediction on short-term output power method in centralized power generation system | |
| CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
| CN116070769A (zh) | 一种超短期风电场功率多步区间预测模块化方法及其设备 | |
| Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
| Gao et al. | A hybrid improved whale optimization algorithm with support vector machine for short-term photovoltaic power prediction | |
| CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
| Xu et al. | Influence of different optimization aalgorithms on prediction accuracy of photovoltaic output power based on BP neural network | |
| CN116167508B (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
| Zhang et al. | Joint forecasting of regional wind and solar power based on attention neural network | |
| Yong et al. | Short-term building load forecasting based on similar day selection and LSTM network | |
| Xiyun et al. | A combination method in photovoltaic power forecasting based on the correlation coefficient | |
| Jiang et al. | Short-term power load forecasting based on PSO-GRU | |
| Ren et al. | Short-Term PV Power Forecasting Based on BP Network Optimized by Logistic Improved ASO | |
| Zhang et al. | A comprehensive wind speed prediction system based on intelligent optimized deep neural network and error analysis | |
| Wang et al. | A comprehensive survey of the application of swarm intelligent optimization algorithm in photovoltaic energy storage systems |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171003 |
|
| WD01 | Invention patent application deemed withdrawn after publication |