CN109002948A - 基于cda-bp的微电网短期光伏发电功率预测方法 - Google Patents
基于cda-bp的微电网短期光伏发电功率预测方法 Download PDFInfo
- Publication number
- CN109002948A CN109002948A CN201811270305.9A CN201811270305A CN109002948A CN 109002948 A CN109002948 A CN 109002948A CN 201811270305 A CN201811270305 A CN 201811270305A CN 109002948 A CN109002948 A CN 109002948A
- Authority
- CN
- China
- Prior art keywords
- dragonfly
- individual
- population
- cda
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000010248 power generation Methods 0.000 title claims abstract description 23
- 241000238633 Odonata Species 0.000 claims abstract description 87
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000005457 optimization Methods 0.000 claims abstract description 10
- 235000013305 food Nutrition 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 5
- 241001269238 Data Species 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000005070 sampling Methods 0.000 claims 1
- 238000003062 neural network model Methods 0.000 abstract description 2
- 238000007619 statistical method Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000036642 wellbeing Effects 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Photovoltaic Devices (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种基于CDA‑BP的微电网短期光伏发电功率预测方法，属于光伏发电技术领域。光伏发电功率的随机性和波动性使得光伏功率预测难以达到理想的精度，而提高预测精度是微电网进行负荷最优分配的前提。因此本发明提出了一种基于混沌蜻蜓算法优化BP神经网络(CDA‑BP神经网络)的微电网短期光伏功率预测方法。基于太阳辐照变化率和温度变化率对光伏输出功率的影响，利用混沌蜻蜓算法(CDA)优化BP神经网络模型的连接权重系数和阈值，得到最优光伏发电功率预测模型。CDA采用混沌搜索防止算法陷入局部最优，并使用自适应惯性加权因子提高收敛速度。本发明对于微电网短期光伏发电有很好的预测精度。
Description
技术领域
本发明属于光伏发电技术领域，涉及基于CDA-BP的微电网短期光伏发电功率预测方法。
背景技术
微电网能促进分布式清洁能源接入，减少环境污染并降低电能传输损耗，通过孤/并网模式切换提高用户的供电可靠性。光伏发电功率预测是微电网能量管理系统的重要组成部分，是对微燃气轮机、柴油机及储能等可控微源进行优化调度和负荷最优分配的基础，预测结果将直接影响微电网运行策略与电能交易。相关研究表明，较高的微电网光伏发电功率预测精度能够提高微电网整体的经济收益能力。
微电网中光伏发电功率预测的方法可分为物理方法和统计学方法两大类。物理方法是利用天气预报为输入、太阳位置模型、光伏电池模型、逆变器效率模型等物理模型，最终得到了光伏电站的输出功率。物理方法不需要历史运行数据，投产后即可预测，预测精度受所建模型的影响很大，预测精度较低，因此在微电网中应用较少。统计方法是通过对历史运行数据进行统计分析，进而找出光伏输出功率与各影响因素的内在规律进行预测，如灰色预测、马尔科夫链、人工神经网络、支持向量机等。统计方法几乎都是找待预测日的历史相似日为参考，将待预测日与历史相似日的气温信息、辐照信息和湿度等信息为输入，待测日光伏发电功率作为输出进行预测。但这种寻找最大相似日的方法历史数据组成越复杂。近年来，随着智能优化技术的快速发展，越来越多的智能优化算法和统计方法相结合被运用于负荷预测中，使得预测精度越来越高。
蜻蜓算法是美国学者SeyedaliMirjalili在2015年提出的元启发式新型智能优化算法，具有很强的优化求解能力，近年来越来越受到学者们的关注。BP神经网络是一种基于误差反传的多层前馈神经网络，具有较强的鲁棒性，能对非线性进行无限的逼近且学习能力强，但收敛速度慢，受权重系数和阈值参数的影响较大，同时也可能收敛至局部最优点。
发明内容
有鉴于此，本发明的目的在于提供一种基于CDA-BP的微电网短期光伏发电功率预测方法。该方法以一个小时为预测周期，对每天八点到二十点之间的每个整点时刻进行光伏发电功率预测。
为达到上述目的，本发明提供如下技术方案：
基于CDA-BP的微电网短期光伏发电功率预测方法，该方法包括以下步骤：
S1：对近三个月内每天8点到20点整点时刻的太阳辐照(L)、温度(T)和发电功率(P)进行采样，得到光伏发电历史数据；
S2：根据步骤S1采集得到的样本进行预处理，添加缺失数据和更正异常数据；
S3：对步骤S2中的预处理后的值进行编码；
S4：对编码的数据求取变化率，并对每天的数据进行计算，得到新的数据集K；
S5：根据S4得到的数据集K中的70％作为训练集，30％作为测试集；将训练集中的太阳辐照变化率和温度变化率作为输入量，发电功率变化率作为输出量，运用混沌蜻蜓算法(Chaotic DragonflyAlgorithm,CDA)优化后的BP(Back Propagation)神经网络进行离线训练，得到最优回归模型；
S6：根据最优回归模型对下一时刻的光伏发电功率进行实时预测。
进一步，所述步骤S3具体为：
对第一天8点采集的数据编为L0、T0、P0；9点采集的数据编为L1、T1、P1；…；20点数据编为L11、T11、P11，并对每天的数据进行编码。
进一步，所述步骤S4具体为：
对编码的数据求取变化率：对第一天的数据L'1＝L1-L0，L'2＝L2-L1，…，L'11＝L11-L10；T1'＝T1-T0,T2'＝T2-T1，…，T′11＝T11-T10；P1'＝P1-P0，P2'＝P2-P1，…，P′11＝P11-P10；并对每天的数据进行计算，得到新的数据集K。
进一步，所述混沌蜻蜓算法(CDA)具体为：
首先对在蜻蜓算法(Dragonfly Algorithm,DA)进行改进，在蜻蜓算法中加入混沌搜索，得到改进后的混沌蜻蜓算法，避免算法陷入局部最优；同时为加快蜻蜓算法搜索速度和对全局和局部的搜索速度，采用自适应惯性加权因子，惯性加权因子w的表达式为：
式中，wmax、wmin分别为w的最大值和最小值，J是蜻蜓个体当前的适应度函数值；Javg和Jmin分别是当前所有蜻蜓个体的平均舒适度函数值和最小适应度函数值。
进一步，所述混沌蜻蜓算法(CDA)优化后的BP神经网络具体为：利用混沌蜻蜓算法(CDA)对BP神经网络模型的连接权重系数和阈值进行实时的寻优，来得到最优的预测回归模型。
进一步，所述运用混沌蜻蜓算法(CDA)优化后的BP神经网络进行离线训练，得到最优回归模型具体为：
(a)初始化核参数及DA参数，设置权重系数参数C和阈值g的上限及下限，以及DA位置参数X、位置变化步长ΔX；
(b)更新DA权重参数，相邻半径r，惯性权重w，分离度权重s，对齐度权重a，内聚度权重c，食物因子f，天敌因子e；
(c)根据式计算蜻蜓适应度，其中：y(j)是模型的预测输出值，yd(j)是期望输出值，并对比所有蜻蜓个体的适应度值选出最优个体XBest；
(d)根据适应度函数值对种群个体进行排序，筛选出部分最佳蜻蜓个体进行保留操作，作为每次迭代的精英种群JS；
(e)对(d)中所选精英种群按照公式zj,k+1＝μzj,k(1-zj,k)，k＝0,1,2,...,0≤zj,0≤1和k＝0,1,2,...执行混沌局部搜索，式中：zj,k是扩充的混沌变量序列，k是根据所取精英种群的数量来取值，即k＝1/B，B是所取精英种群数量占整个种群数量的百分比；以保证种群的总数量不变，不因每次迭代而减少；μ是控制变量，当μ＝4时， 是当前精英种群中的分子个体；
然后对经混沌序列的精英种群计算适应值，并执行精英保留操作，保存种群的最优个体；
(f)寻找相邻蜻蜓，利用欧氏距离判断蜻蜓与蜻蜓间是否存在相邻蜻蜓；
(g)位置和位置步长更新，蜻蜓个体位置更新行为的数学表达式为：
①分离度式中Xj表示第j个相邻蜻蜓个体的位置；N表示与第i个蜻蜓个体相邻的个体数量；
②对齐度式中Vj表示第j个相邻蜻蜓个体的速度；
③内聚度式中Xj表示第j个相邻蜻蜓个体的位置；
④食物吸引力Fi＝X+-X，式中X+表示食物源的位置；
⑤Ei＝X--X，式中X-表示天敌的位置；
根据(f)判断结果，若存在相邻蜻蜓，则下一代蜻蜓的位置更新步长计算为VXt+1＝(sSi+aAi+cCi+fFi+eEi)+wVXi，下一代蜻蜓位置计算为Xt+1＝Xt+VXi+1，式中：t表示当前迭代次数；i表示第i个蜻蜓个体；Xt表示当前t代种群个体位置；VXi+1表示下一代种群位置更新步长；Xi+1表示下一代种群个体位置；s表示分离度权重；Si表示第i个个体的分离度；a表示对齐度权重；Ai表示第i个个体的对齐度；c表示内聚度权重；Ci表示第i个个体的内聚度；f表示食物因子；Fi表示食物位置对第i个个体的吸引力；e表示天敌因子；Ei表示天敌位置对第i个个体的排斥力；w表示自适应惯性权重系数值，根据公式更新自适应惯性权值w，式中，wmax、wmin分别为w的最大值和最小值，J是蜻蜓个体当前的适应度函数值；Javg和Jmin分别是当前所有蜻蜓个体的平均舒适度函数值和最小适应度函数值；
若不存在相邻蜻蜓，则下一代蜻蜓的位置更新为Xt+1＝Xt+Levy(d)×Xt，式中：d表示位置向量维数；
(h)对每次迭代的精英种群中最优个体进行精英保留操作；精英保留策略具体操作为：假设第t代种群最优个体为XKBest＝Xi，即计算所得的适应函数值f(Xi)＝minf(Xj)，j＝{1,2,3,…,Size}，其中Size是整个种群规模，算法完成一次迭代后的种群最优个体为Xp，并与第t代中的种群最优个体进行对比，若f(Xp)＞f(Xi)，则认为种群最优个体丢失，此时需要实施精英保留操作，即令Xi＝XKBest，进而确保种群的最优个体不会丢失；
(i)判断是否满足终止条件，若是，则执行下一步；否则跳转到(c)；
(j)输出全局最优个体和适应值，算法结束；
(k)将得到的最优权重系数参数C和阈值g带入到BP神经网络中进行训练，得到最优预测模型。
进一步，所述步骤S6具体为：首先根据气象信息得到下一时刻太阳辐照度和温度的信息，计算出下一时刻的太阳辐照度的变化率L't+1和温度的变化率T′t+1，将L't+1和T′t+1作为S5得到最优预测模型的输入，预测出下一时刻发电功率的变化率P′t+1，将其与当前时刻的发电功率P′t相加，得到下一时刻光伏发电功率P′t+1；同时在下一时刻将光伏发电功率的实际值加入数据库中，删除数据库中最远时刻数据；
判断预测是否结束，未结束则重复步骤S5直到预测结束。
本发明的有益效果在于本发明历史数据构成简单，预测训练方法简便，具有较高的预测精度。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：
图1为本发明的预测流程图；
图2为算法离线训练的流程图。
具体实施方式
下面将结合附图，对本发明的优选实施例进行详细的描述。
参照图1，本发明实施一种基于CDA-BP神经网络的微电网短期光伏发电功率预测方法，具体步骤如下：
S1：对近三个月内每天8点到20点整点时刻的太阳辐照(L)、温度(T)和发电功率(P)进行采样得到光伏发电历史数据。
S2：根据步骤S1采集得到的样本进行预处理，添加缺失数据和更正异常数据。
S3：对步骤S2中的预处理后的值进行编码，具体编码方法为：对第一天8点采集的数据编为L0、T0、P0，9点采集的数据编为L1、T1、P1，…，20点数据编为L11、T11、P11，同理对每天的数据进行编码。
S4：对编码的数据求取变化率：对第一天的数据L'1＝L1-L0，L'2＝L2-L1，…，L'11＝L11-L10；T1'＝T1-T0,T2'＝T2-T1，…，T′11＝T11-T10；P1'＝P1-P0，P2'＝P2-P1，…，P′11＝P11-P10。同理对每天的数据进行计算，得到新的数据集K。
S5：根据S4得到的数据集K中70％作为训练集，30％作为测试集。将训练集中的太阳辐照变化率和温度变化率作为输入量，发电功率变化率作为输出量，运用CDA-BP神经网络进行离线训练，得到最优回归模型。离线训练的流程图如图2所示，具体步骤如下：
(a)初始化核参数及DA参数，设置权重系数参数C和阈值g的上限及下限，以及DA位置参数X、位置变化步长ΔX；
(b)更新DA权重参数，相邻半径r，惯性权重w，分离度权重s，对齐度权重a，内聚度权重c，食物因子f，天敌因子e。
(c)根据式计算蜻蜓适应度，其中：y(j)是模型的预测输出值，yd(j)是期望输出值。并对比所有蜻蜓个体的适应度值选出最优个体XBest。
(d)根据适应度函数值对种群个体进行排序，筛选出部分最佳蜻蜓个体进行保留操作，作为每次迭代的精英种群JS。
(e)对(d)中所选精英种群按照公式zj,k+1＝μzj,k(1-zj,k)，k＝0,1,2,...,0≤zj,0≤1和k＝0,1,2,…执行混沌局部搜索，式中：zj,k是扩充的混沌变量序列，k是根据所取精英种群的数量来取值(即k＝1/B，B是所取精英种群数量占整个种群数量的百分比)，从而保证种群的总数量不变，不因每次迭代而减少；μ是控制变量，当μ＝4时， 是当前精英种群中的分子个体。然后对经混沌序列的精英种群计算适应值，并执行精英保留操作，保存种群的最优个体。
(f)寻找相邻蜻蜓，利用欧氏距离判断蜻蜓与蜻蜓间是否存在相邻蜻蜓；
(g)位置和位置步长更新，蜻蜓个体位置更新行为的数学表达式为：①分离度式中Xj表示第j个相邻蜻蜓个体的位置；N表示与第i个蜻蜓个体相邻的个体数量；②对齐度式中Vj表示第j个相邻蜻蜓个体的速度；③内聚度式中Xj表示第j个相邻蜻蜓个体的位置；④食物吸引力Fi＝X+-X，式中X+表示食物源的位置；⑤Ei＝X--X，式中X-表示天敌的位置。根据(f)判断结果，若存在相邻蜻蜓，则下一代蜻蜓的位置更新步长计算为VXt+1＝(sSi+aAi+cCi+fFi+eEi)+wVXi，下一代蜻蜓位置计算为Xt+1＝Xt+VXi+1，式中：t表示当前迭代次数；i表示第i个蜻蜓个体；Xt表示当前t代种群个体位置；VXi+1表示下一代种群位置更新步长；Xi+1表示下一代种群个体位置；s表示分离度权重；Si表示第i个个体的分离度；a表示对齐度权重；Ai表示第i个个体的对齐度；c表示内聚度权重；Ci表示第i个个体的内聚度；f表示食物因子；Fi表示食物位置对第i个个体的吸引力；e表示天敌因子；Ei表示天敌位置对第i个个体的排斥力；w表示自适应惯性权重系数值，根据公式更新自适应惯性权值w，式中，wmax、wmin分别为w的最大值和最小值，J是蜻蜓个体当前的适应度函数值；Javg和Jmin分别是当前所有蜻蜓个体的平均舒适度函数值和最小适应度函数值。
若不存在相邻蜻蜓，则下一代蜻蜓的位置更新为Xt+1＝Xt+Levy(d)×Xt，式中：d表示位置向量维数。
(h)对每次迭代的精英种群中最优个体进行精英保留操作。精英保留策略具体操作为：假设第t代种群最优个体为XKBest＝Xi，即计算所得的适应函数值f(Xi)＝minf(Xj)，j＝{1,2,3,…,Size}，其中Size是整个种群规模，算法完成一次迭代后的种群最优个体为Xp，并与第t代中的种群最优个体进行对比，若f(Xp)＞f(Xi)，则认为种群最优个体丢失，此时需要实施精英保留操作，即令Xi＝XKBest，进而确保种群的最优个体不会丢失。
(i)判断是否满足终止条件，若是，则执行下一步；否则跳转到(c)。
(j)输出全局最优个体和适应值，算法结束。
将得到的最优权重系数参数C和阈值g带入到BP神经网络中进行训练，得到最优预测模型。
S6：根据S5得到的最优预测模型进行下一时刻的预测。首先根据气象信息得到下一时刻太阳辐照度和温度的信息，计算出下一时刻的太阳辐照度的变化率L't+1和温度的变化率T′t+1，将L't+1和T′t+1作为S5得到最优预测模型的输入，可预测出下一时刻发电功率的变化率P′t+1，将其与当前时刻的发电功率Pt'相加，得到下一时刻光伏发电功率P′t+1；同时在下一时刻将光伏发电功率的实际值加入数据库中，删除数据库中最远时刻数据。
S7：判断预测是否结束，未结束则重复步骤S5直到预测结束。
最后说明的是，以上优选实施例仅用以说明本发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。
Claims (7)
1.基于CDA-BP的微电网短期光伏发电功率预测方法，其特征在于：该方法包括以下步骤：
S1：对近三个月内每天8点到20点整点时刻的太阳辐照(L)、温度(T)和发电功率(P)进行采样，得到光伏发电历史数据；
S2：根据步骤S1采集得到的样本进行预处理，添加缺失数据和更正异常数据；
S3：对步骤S2中的预处理后的值进行编码；
S4：对编码的数据求取变化率，并对每天的数据进行计算，得到新的数据集K；
S5：根据S4得到的数据集K中的70％作为训练集，30％作为测试集；将训练集中的太阳辐照变化率和温度变化率作为输入量，发电功率变化率作为输出量，运用混沌蜻蜓算法(CDA)优化后的BP神经网络进行离线训练，得到最优回归模型；
S6：根据最优回归模型对下一时刻的光伏发电功率进行实时预测。
2.根据权利要求1所述的基于CDA-BP的微电网短期光伏发电功率预测方法，其特征在于：所述步骤S3具体为：
对第一天8点采集的数据编为L0、T0、P0；9点采集的数据编为L1、T1、P1；…；20点数据编为L11、T11、P11，并对每天的数据进行编码。
3.根据权利要求1所述的基于CDA-BP的微电网短期光伏发电功率预测方法，其特征在于：所述步骤S4具体为：
对编码的数据求取变化率：对第一天的数据L'1＝L1-L0，L'2＝L2-L1，…，L'11＝L11-L10；T1'＝T1-T0,T′2＝T2-T1，…，T′11＝T11-T10；P1'＝P1-P0，P′2＝P2-P1，…，P′11＝P11-P10；并对每天的数据进行计算，得到新的数据集K。
4.根据权利要求1所述的基于CDA-BP的微电网短期光伏发电功率预测方法，其特征在于：所述混沌蜻蜓算法(CDA)具体为：
首先对在蜻蜓算法(DA)进行改进，在蜻蜓算法中加入混沌搜索，得到改进后的混沌蜻蜓算法，避免算法陷入局部最优；同时为加快蜻蜓算法搜索速度和对全局和局部的搜索速度，采用自适应惯性加权因子，惯性加权因子w的表达式为：
式中，wmax、wmin分别为w的最大值和最小值，J是蜻蜓个体当前的适应度函数值；Javg和Jmin分别是当前所有蜻蜓个体的平均舒适度函数值和最小适应度函数值。
5.根据权利要求1所述的基于CDA-BP的微电网短期光伏发电功率预测方法，其特征在于：所述混沌蜻蜓算法(CDA)优化后的BP神经网络具体为：利用混沌蜻蜓算法(CDA)对BP神经网络模型的连接权重系数和阈值进行实时的寻优，来得到最优的预测回归模型。
6.根据权利要求1所述的基于CDA-BP的微电网短期光伏发电功率预测方法，其特征在于：所述运用混沌蜻蜓算法(CDA)优化后的BP神经网络进行离线训练，得到最优回归模型具体为：
(a)初始化核参数及DA参数，设置权重系数参数C和阈值g的上限及下限，以及DA位置参数X、位置变化步长ΔX；
(b)更新DA权重参数，相邻半径r，惯性权重w，分离度权重s，对齐度权重a，内聚度权重c，食物因子f，天敌因子e；
(c)根据式计算蜻蜓适应度，其中：y(j)是模型的预测输出值，yd(j)是期望输出值，并对比所有蜻蜓个体的适应度值选出最优个体XBest；
(d)根据适应度函数值对种群个体进行排序，筛选出部分最佳蜻蜓个体进行保留操作，作为每次迭代的精英种群JS；
(e)对(d)中所选精英种群按照公式zj,k+1＝μzj,k(1-zj,k)，k＝0,1,2,...,0≤zj,0≤1和执行混沌局部搜索，式中：zj,k是扩充的混沌变量序列，k是根据所取精英种群的数量来取值，即k＝1/B，B是所取精英种群数量占整个种群数量的百分比；以保证种群的总数量不变，不因每次迭代而减少；μ是控制变量，当μ＝4时， 是当前精英种群中的分子个体；
然后对经混沌序列的精英种群计算适应值，并执行精英保留操作，保存种群的最优个体；
(f)寻找相邻蜻蜓，利用欧氏距离判断蜻蜓与蜻蜓间是否存在相邻蜻蜓；
(g)位置和位置步长更新，蜻蜓个体位置更新行为的数学表达式为：
①分离度式中Xj表示第j个相邻蜻蜓个体的位置；N表示与第i个蜻蜓个体相邻的个体数量；
②对齐度式中Vj表示第j个相邻蜻蜓个体的速度；
③内聚度式中Xj表示第j个相邻蜻蜓个体的位置；
④食物吸引力Fi＝X+-X，式中X+表示食物源的位置；
⑤Ei＝X--X，式中X-表示天敌的位置；
根据(f)判断结果，若存在相邻蜻蜓，则下一代蜻蜓的位置更新步长计算为VXt+1＝(sSi+aAi+cCi+fFi+eEi)+wVXi，下一代蜻蜓位置计算为Xt+1＝Xt+VXi+1，式中：t表示当前迭代次数；i表示第i个蜻蜓个体；Xt表示当前t代种群个体位置；VXi+1表示下一代种群位置更新步长；Xi+1表示下一代种群个体位置；s表示分离度权重；Si表示第i个个体的分离度；a表示对齐度权重；Ai表示第i个个体的对齐度；c表示内聚度权重；Ci表示第i个个体的内聚度；f表示食物因子；Fi表示食物位置对第i个个体的吸引力；e表示天敌因子；Ei表示天敌位置对第i个个体的排斥力；w表示自适应惯性权重系数值，根据公式更新自适应惯性权值w，式中，wmax、wmin分别为w的最大值和最小值，J是蜻蜓个体当前的适应度函数值；Javg和Jmin分别是当前所有蜻蜓个体的平均舒适度函数值和最小适应度函数值；
若不存在相邻蜻蜓，则下一代蜻蜓的位置更新为Xt+1＝Xt+Levy(d)×Xt，式中：d表示位置向量维数；
(h)对每次迭代的精英种群中最优个体进行精英保留操作；精英保留策略具体操作为：假设第t代种群最优个体为XKBest＝Xi，即计算所得的适应函数值f(Xi)＝minf(Xj)，j＝{1,2,3,…,Size}，其中Size是整个种群规模，算法完成一次迭代后的种群最优个体为Xp，并与第t代中的种群最优个体进行对比，若f(Xp)＞f(Xi)，则认为种群最优个体丢失，此时需要实施精英保留操作，即令Xi＝XKBest，进而确保种群的最优个体不会丢失；
(i)判断是否满足终止条件，若是，则执行下一步；否则跳转到(c)；
(j)输出全局最优个体和适应值，算法结束；
(k)将得到的最优权重系数参数C和阈值g带入到BP神经网络中进行训练，得到最优预测模型。
7.根据权利要求1所述的基于CDA-BP的微电网短期光伏发电功率预测方法，其特征在于：所述步骤S6具体为：首先根据气象信息得到下一时刻太阳辐照度和温度的信息，计算出下一时刻的太阳辐照度的变化率L't+1和温度的变化率T′t+1，将L't+1和T′t+1作为S5得到最优预测模型的输入，预测出下一时刻发电功率的变化率P′t+1，将其与当前时刻的发电功率Pt'相加，得到下一时刻光伏发电功率P′t+1；同时在下一时刻将光伏发电功率的实际值加入数据库中，删除数据库中最远时刻数据；
判断预测是否结束，未结束则重复步骤S5直到预测结束。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811270305.9A CN109002948B (zh) | 2018-10-29 | 2018-10-29 | 基于cda-bp的微电网短期光伏发电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811270305.9A CN109002948B (zh) | 2018-10-29 | 2018-10-29 | 基于cda-bp的微电网短期光伏发电功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109002948A true CN109002948A (zh) | 2018-12-14 |
| CN109002948B CN109002948B (zh) | 2021-06-08 |
Family
ID=64590090
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811270305.9A Active CN109002948B (zh) | 2018-10-29 | 2018-10-29 | 基于cda-bp的微电网短期光伏发电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109002948B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109685285A (zh) * | 2019-01-11 | 2019-04-26 | 中冶赛迪工程技术股份有限公司 | 一种基于多目标蜻蜓算法的微电网负荷用电优化调度新方法 |
| CN109726870A (zh) * | 2018-12-29 | 2019-05-07 | 南通理工学院 | 一种基于深度学习的光伏发电功率预测方法 |
| CN109980700A (zh) * | 2019-04-09 | 2019-07-05 | 广东电网有限责任公司 | 一种分布式电源多目标优化规划方法、装置和设备 |
| CN110929464A (zh) * | 2019-11-20 | 2020-03-27 | 燕山大学 | 一种基于改进蜻蜓算法的蓄电池参数辨识方法 |
| CN112327997A (zh) * | 2020-10-29 | 2021-02-05 | 国网宁夏电力有限公司电力科学研究院 | 基于改进蜻蜓算法的光伏全局最大功率追踪控制方法 |
| CN112734126A (zh) * | 2021-01-18 | 2021-04-30 | 武汉烽火技术服务有限公司 | 一种热点预测方法、装置、设备及可读存储介质 |
| CN113191524A (zh) * | 2021-01-29 | 2021-07-30 | 河北建投新能源有限公司 | 风速预测方法、装置、存储介质及处理器 |
| CN115983434A (zh) * | 2022-12-07 | 2023-04-18 | 广州番禺职业技术学院 | 一种基于神经网络的短期风场风速预测方法及系统 |
| CN117584136A (zh) * | 2024-01-18 | 2024-02-23 | 泰山学院 | 基于人工智能的机器人故障检测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002102995A1 (en) * | 2001-06-20 | 2002-12-27 | Insect Biotech Co., Ltd. | A novel microorganism of serratia family, isolation method and the preparation method of lignin lyases using this |
| US20040018508A1 (en) * | 2002-02-19 | 2004-01-29 | Syntherica Corporation | Surrogate antibodies and methods of preparation and use thereof |
| CN101785704A (zh) * | 2010-01-15 | 2010-07-28 | 广东工业大学 | 一种主从式微创手术机器人系统的自适应滤波装置 |
| CN107609633A (zh) * | 2017-05-03 | 2018-01-19 | 同济大学 | 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法 |
| CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
-
2018
- 2018-10-29 CN CN201811270305.9A patent/CN109002948B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002102995A1 (en) * | 2001-06-20 | 2002-12-27 | Insect Biotech Co., Ltd. | A novel microorganism of serratia family, isolation method and the preparation method of lignin lyases using this |
| US20040018508A1 (en) * | 2002-02-19 | 2004-01-29 | Syntherica Corporation | Surrogate antibodies and methods of preparation and use thereof |
| CN101785704A (zh) * | 2010-01-15 | 2010-07-28 | 广东工业大学 | 一种主从式微创手术机器人系统的自适应滤波装置 |
| CN107609633A (zh) * | 2017-05-03 | 2018-01-19 | 同济大学 | 车联网复杂网络中基于深度学习的车辆行驶影响因素的位置预测模型构造方法 |
| CN108280545A (zh) * | 2018-01-19 | 2018-07-13 | 上海电力学院 | 一种基于k均值聚类神经网络的光伏功率预测方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109726870A (zh) * | 2018-12-29 | 2019-05-07 | 南通理工学院 | 一种基于深度学习的光伏发电功率预测方法 |
| CN109685285A (zh) * | 2019-01-11 | 2019-04-26 | 中冶赛迪工程技术股份有限公司 | 一种基于多目标蜻蜓算法的微电网负荷用电优化调度新方法 |
| CN109980700A (zh) * | 2019-04-09 | 2019-07-05 | 广东电网有限责任公司 | 一种分布式电源多目标优化规划方法、装置和设备 |
| CN110929464A (zh) * | 2019-11-20 | 2020-03-27 | 燕山大学 | 一种基于改进蜻蜓算法的蓄电池参数辨识方法 |
| CN110929464B (zh) * | 2019-11-20 | 2022-06-03 | 燕山大学 | 一种基于改进蜻蜓算法的蓄电池参数辨识方法 |
| CN112327997A (zh) * | 2020-10-29 | 2021-02-05 | 国网宁夏电力有限公司电力科学研究院 | 基于改进蜻蜓算法的光伏全局最大功率追踪控制方法 |
| CN112734126A (zh) * | 2021-01-18 | 2021-04-30 | 武汉烽火技术服务有限公司 | 一种热点预测方法、装置、设备及可读存储介质 |
| CN113191524A (zh) * | 2021-01-29 | 2021-07-30 | 河北建投新能源有限公司 | 风速预测方法、装置、存储介质及处理器 |
| CN113191524B (zh) * | 2021-01-29 | 2023-07-11 | 河北建投新能源有限公司 | 风速预测方法、装置、存储介质及处理器 |
| CN115983434A (zh) * | 2022-12-07 | 2023-04-18 | 广州番禺职业技术学院 | 一种基于神经网络的短期风场风速预测方法及系统 |
| CN117584136A (zh) * | 2024-01-18 | 2024-02-23 | 泰山学院 | 基于人工智能的机器人故障检测方法及系统 |
| CN117584136B (zh) * | 2024-01-18 | 2024-03-29 | 泰山学院 | 基于人工智能的机器人故障检测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109002948B (zh) | 2021-06-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109002948A (zh) | 基于cda-bp的微电网短期光伏发电功率预测方法 | |
| CN114725936B (zh) | 基于多智能体深度强化学习的配电网优化方法 | |
| CN109449971B (zh) | 一种新能源消纳的多目标电力系统源荷互动优化调度方法 | |
| CN106529166B (zh) | 一种基于maepso算法的区域水资源优化配置方法 | |
| CN109615011A (zh) | 一种基于lstm的中小河流短期洪水预报方法 | |
| CN105527965A (zh) | 基于遗传蚁群算法的路径规划方法及系统 | |
| Kassa et al. | A GA-BP hybrid algorithm based ANN model for wind power prediction | |
| CN106712075B (zh) | 一种考虑风电并网系统安全约束的调峰策略优化方法 | |
| CN105509749A (zh) | 基于遗传蚁群算法的移动机器人路径规划方法及系统 | |
| CN104037776B (zh) | 随机惯性因子粒子群优化算法的电网无功容量配置方法 | |
| CN105631517A (zh) | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 | |
| CN110222883A (zh) | 基于风驱动优化bp神经网络的电力系统负荷预测方法 | |
| CN106532778A (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
| CN110148068A (zh) | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 | |
| CN108446808A (zh) | 一种萤火虫算法优化神经网络的短期负荷预测方法 | |
| CN108985524A (zh) | 一种多能互补系统的协调控制方法 | |
| Zhang et al. | Ultra-short term wind power prediction model based on modified grey model method for power control in wind farm | |
| CN117039981A (zh) | 一种面向含新能源的大规模电网优化调度方法、装置、存储介质 | |
| CN116667325A (zh) | 一种基于改进布谷鸟算法的微电网并网运行优化调度方法 | |
| CN114741960A (zh) | 一种综合能源经济环境调度优化方法及系统 | |
| CN106951988B (zh) | 一种用于求解电力系统经济调度问题的人工记忆分子动理论优化方法 | |
| CN109213104B (zh) | 基于启发式动态规划的储能系统的调度方法及调度系统 | |
| CN116128154A (zh) | 一种农业园区综合能源系统的能源优化配置方法及装置 | |
| CN109726849A (zh) | 一种花授粉算法优化神经网络的楼宇微网负荷预测方法 | |
| CN115271254A (zh) | 一种基于海鸥算法优化极限学习机的短期风功率预测方法 |
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 |