CN107330248A - 一种基于改进型神经网络的短期风功率预测方法 - Google Patents
一种基于改进型神经网络的短期风功率预测方法 Download PDFInfo
- Publication number
- CN107330248A CN107330248A CN201710429519.5A CN201710429519A CN107330248A CN 107330248 A CN107330248 A CN 107330248A CN 201710429519 A CN201710429519 A CN 201710429519A CN 107330248 A CN107330248 A CN 107330248A
- Authority
- CN
- China
- Prior art keywords
- wind power
- msub
- prediction
- mrow
- neutral net
- 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
Links
Classifications
-
- 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
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Wind Motors (AREA)
Abstract
本发明公开了一种基于改进型神经网络的短期风功率预测方法。本发明选择神经网络算法和粒子群算法相结合,构建了一种基于改进型神经网络的短期风功率预测方法,包含离线参数寻优和预测算法主体两部分。离线参数寻优的历史数据集包含两个月的历史数据,每周更新一次,并将输出的最优参数传递给预测算法主体;预测算法主体的风功率预测模型结合预测风速风向和离线寻优参数,完成短期风功率预测,并输出风功率预测结果。本发明所提的方法实用性强,具有收敛速度快、精度高、全局最优的特点。
Description
技术领域
本发明属于风功率预测技术领域,具体涉及一种基于改进型神经网络的短期风功率预测方法。
背景技术
全球气候变暖以及常规化石能源的日益枯竭等一系列的全球性问题,引起了人们对新能源的广泛关注。风电相比其他可再生能源而言,技术更成熟,其效率也更高,发展迅速。截至2014年底,全球风电累计装机容量达到359.7GW。预计2018年以后,伴随着市场的良性发展,全球陆上风电年新增装机容量将超过55GW。
然而,风电具有波动性、间歇性,随着并网风电系统在电网中的比例不断增大,给电力系统的安全稳定运行带来严峻的挑战。做好风力发电预测工作,可有效提高整个电力系统运行的可靠性和安全性,对我国未来更好地开发利用风力发电具有十分重要的意义。
目前应用于短期风功率预测的方法主要有以下几种:持续法、卡尔曼滤波法、遗传算法、神经网络法。持续法简单易操作,但适合用于超短期预测,应用范围窄;卡尔曼滤波法,适合实时在线预测,但需要假定己知噪声统计特性,实用性差;神经网络法具有非线性、容错性、自学习和自适应等能力,但本质上属于局部优化搜索,可能陷入局部极值;遗传算法具有全局优化能力,但需要选择、杂交、变异、评价等操作,计算复杂。
发明内容
本发明的主要目的在于,针对上述现有技术中的不足,提出一种基于改进型神经网络的短期风功率预测方法。
本发明至少通过如下技术方案之一实现。、
一种基于改进型神经网络的短期风功率预测方法,包含离线参数寻优和预测算法主体两部分;离线参数寻优的历史数据集包含两个月的历史数据,每周更新一次,选择神经网络算法和粒子群算法相结合,并将输出的最优参数传递给预测算法主体;预测算法主体的风功率预测模型结合预测风速风向和离线寻优参数,完成短期风功率预测,并输出风功率预测结果。
(1)离线参数寻优步骤如下:
步骤1:将收集的两个月历史数据分成历史风速风向X、历史风功率Y两部分;
步骤2:历史风速风向X、历史风功率Y输入到基于神经网络的风功率预测模型中,得到神经网络预测风功率O,作为粒子群算法的输入;
步骤3:计算历史风功率Y与神经网络预测风功率O的平均绝对百分比误差ε,作为粒子群算法的目标函数,神经网络算法的连接权值w、隐含层阀值a和输出层阀值b作为粒子群算法的解;
步骤4:精度达到要求或者达到迭代次数时,输出粒子群算法的最优解,作为离线参数寻优的最优参数。
(2)预测算法主体如下:
将离线参数寻优的最优参数和未来三天的预测风速风向输入到风功率预测模型中,输出未来三天风功率的预测结果。
(3)基于神经网络的风功率预测模型步骤如下:
步骤1:根据系统的输入确定网络参数,网络参数包括输入层节点数n、隐含层节点数l,输出层节点数m,初始化各层之间的连接权值w,以及隐含层阀值a,输出层阀值b,确定传递函数;
步骤2:由系统输入的风速风向X,各层之间连接权值以及隐含层阀值,计算隐含层第j节点的值Hj如下式所示:
其中,aj表示隐含层第j节点的阀值,xi表示输入层第i节点的值,wij表示输入层第i节点与隐含层第j节点之间的连接权值,f为隐含层传递函数;
步骤3:由步骤2计算得到的隐含层,连接权值wjk和阀值b,按照下式计算神经网络输出层第k节点的值Ok:
其中,bk表示输出层第k节点的阀值,wjk表示隐含层第j节点与输出层第k节点之间的连接权值。
(4)所述的平均绝对百分比误差,采用如下计算方法:
其中,Ok为第k个神经网络预测风功率,Yk为第k个历史风功率,PM为被预测风电场的额定容量。
相比于现有技术,本发明构建了一种基于改进型神经网络的短期风功率预测方法,包含离线参数寻优和预测算法主体两部分。离线参数寻优的历史数据集包含两个月的历史数据,每周更新一次,并将输出的最优参数传递给预测算法主体;预测算法主体的风功率预测模型结合预测风速风向和离线寻优参数,完成短期风功率预测,并输出风功率预测结果。本发明既保留了神经网络非线性、容错性、自适应等优点,又利用了离子群算法的并行全局收索策略,具有收敛速度快、精度高、全局最优的特点。
附图说明
图1是本发明一种基于改进型神经网络的短期风功率预测方法流程图。
图2是本发明算例的实际预测效果。
具体实施方式
下面结合实施例及附图,对本发明作进一步详细的说明,但本发明的实施方式不限于此。
参照图1所示,其为一种基于改进型神经网络的短期风功率预测方法,包含离线参数寻优和预测算法主体两部分;离线参数寻优的历史数据集包含两个月的历史数据,每周更新一次,选择神经网络算法和粒子群算法相结合,并将输出的最优参数传递给预测算法主体;预测算法主体的风功率预测模型结合预测风速风向和离线寻优参数,完成短期风功率预测,并输出风功率预测结果。
(1)离线参数寻优步骤如下:
步骤1:将收集的两个月历史数据分成历史风速风向X、历史风功率Y两部分;
步骤2:历史风速风向X、历史风功率Y输入到基于神经网络的风功率预测模型中,得到神经网络预测风功率O,作为粒子群算法的输入;
步骤3:计算历史风功率Y与神经网络预测风功率O的平均绝对百分比误差ε,作为粒子群算法的目标函数;神经网络算法的连接权值w、隐含层阀值a和输出层阀值b作为粒子群算法的解;
步骤4:精度达到要求或者达到迭代次数时,输出粒子群算法的最优解,作为离线参数寻优的最优参数。
(2)预测算法主体如下:
将离线参数寻优的最优参数和未来三天的预测风速风向输入到风功率预测模型中,输出未来三天风功率的预测结果。
(3)基于神经网络的风功率预测模型步骤如下:
步骤1:根据系统的输入确定网络参数,网络参数包括输入层节点数n、隐含层节点数l,输出层节点数m,初始化各层之间的连接权值w,以及隐含层阀值a,输出层阀值b,确定传递函数;
步骤2:由系统输入的风速风向X,各层之间连接权值以及隐含层阀值,计算隐含层第j节点的值Hj如下式所示:
其中,aj表示隐含层第j节点的阀值,xi表示输入层第i节点的值,wij表示输入层第i节点与隐含层第j节点之间的连接权值,f为隐含层传递函数;
步骤3:由步骤2计算得到的隐含层,连接权值wjk和阀值b,按照下式计算神经网络输出层第k节点的值Ok:
其中,bk表示输出层第k节点的阀值,wjk表示隐含层第j节点与输出层第k节点之间的连接权值。
(4)所述的平均绝对百分比误差,采用如下计算方法:
其中,Ok为第k个神经网络预测风功率,Yk为第k个历史风功率,PM为被预测风电场的额定容量。
图2为短期风功率预测的实际预测效果,虚线为预测功率,实线为实际功率。原始数据为2015-09-15到2016-09-30某地区风电场的风速、风向、风功率。从图2可以看出,本发明提出的短期风功率预测方法能够较好地预测风电场的功率,经误差分析可得,其平均绝对百分比误差为7.38%,预测精度较高。
以上所述仅为本发明的优选实施例,并非因此限制其专利范围,凡是利用本发明说明书及附图内容所作的等效结构变换,直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于改进型神经网络的短期风功率预测方法,其特征在于,包含离线参数寻优和预测算法主体两部分;离线参数寻优的历史数据集包含两个月的历史数据,每周更新一次,选择神经网络算法和粒子群算法相结合,并将输出的最优参数传递给预测算法主体;预测算法主体的风功率预测模型结合预测风速风向和离线寻优参数,完成短期风功率预测,并输出风功率预测结果。
2.根据权利要求1所述的一种基于改进型神经网络的短期风功率预测方法,其特征在于,离线参数寻优步骤如下:
步骤1:将收集的两个月历史数据分成历史风速风向X、历史风功率Y两部分;
步骤2:历史风速风向X、历史风功率Y输入到基于神经网络的风功率预测模型中,得到神经网络预测风功率O,作为粒子群算法的输入;
步骤3:计算历史风功率Y与神经网络预测风功率O的平均绝对百分比误差ε,作为粒子群算法的目标函数,神经网络算法的连接权值w、隐含层阀值a和输出层阀值b作为粒子群算法的解;
步骤4:精度达到设定的要求或者达到设定的迭代次数时,输出粒子群算法的最优解,作为离线参数寻优的最优参数。
3.根据权利要求1所述的一种基于改进型神经网络的短期风功率预测方法,其特征在于,预测算法主体包括:将离线参数寻优的最优参数和未来三天的预测风速风向输入到所述风功率预测模型中,输出未来三天风功率的预测结果。
4.根据权利要求1所述的一种基于改进型神经网络的短期风功率预测方法,其特征在于,基于神经网络的风功率预测模型的预测步骤如下:
步骤1:根据神经网络的输入确定网络参数,网络参数包括输入层节点数n、隐含层节点数l,输出层节点数m,初始化各层之间的连接权值w,以及隐含层阀值a,输出层阀值b,确定传递函数;
步骤2:由输入的风速风向X,各层之间连接权值以及隐含层阀值,计算隐含层第j节点的值Hj如下式所示:
<mrow>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<mo>=</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>a</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>l</mi>
</mrow>
其中,aj表示隐含层第j节点的阀值,xi表示输入层第i节点的值,wij表示输入层第i节点与隐含层第j节点之间的连接权值,f为隐含层传递函数;
步骤3:由步骤2计算得到的隐含层,连接权值wjk和阀值b,按照下式计算神经网络输出层第k节点的值Ok:
<mrow>
<msub>
<mi>O</mi>
<mi>k</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>H</mi>
<mi>j</mi>
</msub>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>b</mi>
<mi>k</mi>
</msub>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>m</mi>
</mrow>
其中,bk表示输出层第k节点的阀值,wjk表示隐含层第j节点与输出层第k节点之间的连接权值。
5.根据权利要求2所述的一种基于改进型神经网络的短期风功率预测方法,其特征在于,所述的离线参数寻优中,平均绝对百分比误差采用如下计算方法:
<mrow>
<mi>&epsiv;</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>m</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>Y</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>O</mi>
<mi>k</mi>
</msub>
</mrow>
<msub>
<mi>P</mi>
<mi>M</mi>
</msub>
</mfrac>
<mo>|</mo>
<mo>&times;</mo>
<mn>100</mn>
<mi>%</mi>
</mrow>
1
其中,Ok为第k个神经网络预测风功率,Yk为第k个历史风功率,PM为被预测风电场的额定容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429519.5A CN107330248B (zh) | 2017-06-08 | 2017-06-08 | 一种基于改进型神经网络的短期风功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710429519.5A CN107330248B (zh) | 2017-06-08 | 2017-06-08 | 一种基于改进型神经网络的短期风功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107330248A true CN107330248A (zh) | 2017-11-07 |
CN107330248B CN107330248B (zh) | 2020-06-19 |
Family
ID=60194643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710429519.5A Active CN107330248B (zh) | 2017-06-08 | 2017-06-08 | 一种基于改进型神经网络的短期风功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330248B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
CN110210657A (zh) * | 2019-05-22 | 2019-09-06 | 国网冀北电力有限公司 | 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 |
CN111062509A (zh) * | 2019-11-12 | 2020-04-24 | 国电陕西新能源有限公司 | 一种基于改进神经网络的风功率中短期预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
US20150292485A1 (en) * | 2012-12-12 | 2015-10-15 | State Grid Corporation Of China | Extremum seeking-based control method for maximum output tracking of a wind turbine generator |
CN105512745A (zh) * | 2015-11-05 | 2016-04-20 | 天津大学 | 基于粒子群—bp神经网络的风电功率区间预测方法 |
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 |
CN106529719A (zh) * | 2016-11-08 | 2017-03-22 | 中国地质大学(武汉) | 基于粒子群优化算法风速融合的风电功率预测的方法 |
-
2017
- 2017-06-08 CN CN201710429519.5A patent/CN107330248B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150292485A1 (en) * | 2012-12-12 | 2015-10-15 | State Grid Corporation Of China | Extremum seeking-based control method for maximum output tracking of a wind turbine generator |
CN103729695A (zh) * | 2014-01-06 | 2014-04-16 | 国家电网公司 | 基于粒子群和bp神经网络的短期电力负荷预测方法 |
CN104361393A (zh) * | 2014-09-06 | 2015-02-18 | 华北电力大学 | 基于粒子群优化算法改进的神经网络模型用于数据预测方法 |
CN105512745A (zh) * | 2015-11-05 | 2016-04-20 | 天津大学 | 基于粒子群—bp神经网络的风电功率区间预测方法 |
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 |
CN106529719A (zh) * | 2016-11-08 | 2017-03-22 | 中国地质大学(武汉) | 基于粒子群优化算法风速融合的风电功率预测的方法 |
Non-Patent Citations (4)
Title |
---|
ABINET TESFAYE ESEYE ET AL;: "《A Double-Stage Hierarchical Hybrid PSO-ANN Model for Short-Term Wind Power Prediction》", 《2017 THE 2ND IEEE INTERNATIONAL CONFERENCE ON CLOUD COMPUTING AND BIG DATA ANALYSIS》 * |
杨志凌 等;: "《应用粒子群优化算法的短期风电功率预测》", 《电网技术》 * |
王贺: "《基于集合经验模态分解和小波神经网络的短期风功率组合预测》", 《电工技术学报》 * |
郝海霞: "《用粒子群算法优化BP 神经网络进行函数拟合》", 《山西师范大学学报( 自然科学版)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
CN110210657A (zh) * | 2019-05-22 | 2019-09-06 | 国网冀北电力有限公司 | 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 |
CN111062509A (zh) * | 2019-11-12 | 2020-04-24 | 国电陕西新能源有限公司 | 一种基于改进神经网络的风功率中短期预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107330248B (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tang et al. | Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting | |
CN103049798B (zh) | 一种应用于光伏发电系统的短期发电功率预测方法 | |
CN107316125A (zh) | 一种基于经济运行域的主动配电网经济运行评价方法 | |
CN106487005A (zh) | 一种考虑输配电价的电网规划方法 | |
CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN105186499A (zh) | 一种配电网多目标概率最优潮流模糊建模与求解方法 | |
CN107292502A (zh) | 一种配电网可靠性评估方法 | |
CN103501008B (zh) | 基于偏好决策理论的智能avc系统在线控制方法 | |
CN104050517A (zh) | 基于grnn神经网络的光伏发电预测方法 | |
CN109818347B (zh) | 一种电力系统风电消纳能力的评估方法 | |
CN104866919A (zh) | 基于改进nsga-ii的含风电场电网多目标规划方法 | |
CN107330248A (zh) | 一种基于改进型神经网络的短期风功率预测方法 | |
CN103793887A (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN112329979A (zh) | 一种基于自适应深度残差网络的超短期风电功率预测方法 | |
CN105654224A (zh) | 一种计及风电不确定性的省级电网月度购电风险管理方法 | |
CN112508279A (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
Yang et al. | Deep learning-based distributed optimal control for wide area energy Internet | |
CN104112237A (zh) | 一种基于wams的改进遗传算法的电网无功容量优化配置方法 | |
CN105354628A (zh) | 一种输电系统鲁棒可用输电能力评估方法 | |
CN113344283A (zh) | 基于边缘智能的能源互联网新能源消纳能力评估方法 | |
CN116415708B (zh) | 考虑置信水平的电网鲁棒规划方法 | |
CN111262275A (zh) | 一种模拟空间太阳能电站的全局协同控制方法 | |
CN106655266A (zh) | 一种接入新能源的地区电网可灵活调节电源配置方法 | |
Kaysal et al. | Comparison the performance of different optimization methods in artificial intelligence based electricity production forecasting | |
CN112465271B (zh) | 一种面向储能平抑风电波动场景的储能电池选型方法 |
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 |
Application publication date: 20171107 Assignee: Guangzhou Development Zone Yuedian new energy Co.,Ltd. Assignor: SOUTH CHINA University OF TECHNOLOGY Contract record no.: X2023980036273 Denomination of invention: A short-term wind power prediction method based on improved neural network Granted publication date: 20200619 License type: Common License Record date: 20230615 |
|
EE01 | Entry into force of recordation of patent licensing contract |