CN109165792B - 一种基于soa-wnn的光伏短期输出功率预测方法 - Google Patents
一种基于soa-wnn的光伏短期输出功率预测方法 Download PDFInfo
- Publication number
- CN109165792B CN109165792B CN201811072221.4A CN201811072221A CN109165792B CN 109165792 B CN109165792 B CN 109165792B CN 201811072221 A CN201811072221 A CN 201811072221A CN 109165792 B CN109165792 B CN 109165792B
- Authority
- CN
- China
- Prior art keywords
- neural network
- wavelet
- function
- wavelet neural
- membership
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 238000010845 search algorithm Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 46
- 230000009471 action Effects 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于SOA‑WNN的光伏短期输出功率预测方法,其技术特点在于:包括以下步骤:步骤1、构建基于皮尔森相似系数的相似日选取原则,确定小波神经网络的拓扑结构;步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化;步骤3、基于步骤2的小波神经网络参数优化,将相似日数据样本带入小波神经网络中进行建模,得到光伏短期输出功率预测值。本发明将小波分析与BP神经网络进行融合,可以改善原有算法的固有缺陷,并利用人群搜索法在速度及全局搜索上的优势对小波神经网络进行改进。
Description
技术领域
本发明属于光伏技术领域,涉及光伏短期输出功率预测方法,尤其是一种基于SOA-WNN的光伏短期输出功率预测方法。
背景技术
随着社会经济的快速发展,能源消耗剧增,化石能源日趋枯竭,加之与日俱增的化石燃料燃烧所造成的环境污染,给地球的生态平衡和人类的生活带来了严重的威胁,所以建设大型的光伏电站来满足人类对能源的需求是当前的发展趋势。太阳能作为一种新型的绿色可再生能源,与其他新能源相比是最理想的可再生能源。特别是近几十年来,随着科学技术的不断进步,光伏及其相关产业成为世界发展最快的行业之一。因为它具有以下的特点:
(1)结构简单,体积小且轻;
(2)容易安装运输,建设周期短;
(3)维护简单,使用方便;
(4)清洁、安全、无噪声;
(5)可靠性高,寿命长,并且应用范围广。
但是由于光伏发电受太阳辐射强度电池组件温度天气云层和一些随机的因素的影响,系统运行过程是一个非平衡的随机过程,其发电量和输出电功率随机性强波动大不可控制,在天气突变时表现得尤为突出这种发电方式在接入电网后必会对电网的安全和管理带来一系列的问题,所以能较为准确的提前对光伏系统的出力做出预测变得尤为重要。
目前,光伏功率预测技术是国内外学者研究的热点问题,采用的方法主要有物理方法和统计方法两大类。在这些算法中,神经网络算法自身的学习能力、泛化能力应用最为广泛,但神经网络算法本身容易陷入局部最小,通常情况下需要进行改进或与其他方法进行组合以得到更好的预测性能。
发明内容
本发明的目的在于克服现有技术中的缺陷,提供一种设计合理、稳定性强、准确性高且能够明显提升小波神经网络预测算法的精度的基于SOA-WNN的光伏短期输出功率预测方法。
本发明解决其现实问题是采取以下技术方案实现的:
一种基于SOA-WNN的光伏短期输出功率预测方法,包括以下步骤:
步骤1、构建基于皮尔森相似系数的相似日选取原则,确定小波神经网络的拓扑结构;
步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化;
步骤3、基于步骤2的小波神经网络参数优化,将相似日数据样本带入小波神经网络中进行建模,得到光伏短期输出功率预测值。
而且,所述步骤1的具体步骤包括:
(1)基于皮尔森相似系数的相似日选取原则采用距离分析法中皮尔森相似系数计算光伏出力与温度、风速、湿度、大气压各影响因素的相关性系数,并由此确定相似日选取。
(2)将小波分析和神经网络相结合,并采用紧密型结合的方式,建立小波神经网络。
而且,所述步骤2的具体步骤包括:
(1)初始化小波神经网络的权值与小波因子参数及优化算法中各参数;
(2)随机函数生成s个初始种群;
(3)评价适应度函数值F,计算个体位置,并进行种群间学习;
(4)计算个体搜索方向和搜索步长:
①采用高斯隶属函数表示搜索步长模糊变量:
uA(x)=exp[-(x-u)2/2δ2] (1)
式中,uA为高斯隶属度;x为输入变量;u、δ为隶属函数参数;当输出变量超过[u-3δ,u+3δ]时,若隶属度小于0.0111,则可以忽略;故设定umin=0.0111
采用线性隶属度时,在最佳位置有最大隶属度umax=1.0;最差位置有最小隶属度,当隶属度在[umin,umax]时,隶属度则有:
uij=rand(ui,1),j=1,2,…,D (3)
式中,ui为适应度函数i的隶属度;uij为j维搜索空间适应度函数i的隶属度;D为搜索空间维度数;Ii是种群适应度函数值按降序排列后xi(t)的序列编号;
②得出隶属度uij后,由不确定推理的行为推出搜索步长:
式中,δij为高斯隶属函数参数;αij为j维搜索空间搜索步长;
δij=ω|xmax-xmin| (5)
ω=(Tmax-t)/Tmax (6)
式中,xmin和xmax分别为同一个子群中最小、最大函数值的位置;ω是惯性取值,由0.9递减为0.1;t为当前迭代次数;Tmax为最大迭代次数;
③由利己行为、利他行为和预动行为三个方向加权确定搜索方向
式中,为利己方向、为利他方向、为预动方向;和分别为中的最佳位置;为第i个搜寻个体的最佳位置,为第i个搜寻个体所在种群的历史最佳位置;sign(·)为符号函数;为已知区间[0,1]内均匀随机选择的实数;
④确定搜索方向和步长后,进行位置更新,其公式为:
Δxij(t+1)=αij(t)dij(t) (11)
xij(t+1)=xij(t)+Δxij(t+1) (12)
⑤更新个体位置,若满足条件,其个体作为最优解输出,若不满足条件,则返回步骤(3)。
而且,所述步骤3的具体方法为:
所述步骤3在通过步骤2人群搜索算法进行的小波神经网络参数优化,得到小波神经网络的最优小波因子及网络权值初值后,输入步骤1所得基于皮尔森相似系数的相似日数据和优化参数进行小波神经网络建模,即可得到基于SOA-WNN的光伏短期输出功率预测模型;最后,将被预测日的温度、风速、湿度、大气压等数据输入模型之中,获得被预测日的基于SOA-WNN的光伏短期输出功率预测值。
本发明的优点和有益效果:
1、本发明利用小波分析具有较强的时频信号处理能力的特性,将小波分析与BP神经网络进行融合,可以改善原有算法的固有缺陷,使其具有更高效的函数逼近能力,小波神经网络中权值与小波因子的初值较为敏感,因此利用人群搜索法在速度及全局搜索上的优势对小波神经网络进行改进。
2、本发明采用人群搜索法对小波神经网络的权值及小波基函数中的参数处置进行优化,可明显提升小波神经网络预测算法的精度,且在优化速度的和全局搜索上有较强的优势。
3、本发明提出了一种基于人群搜索算法优化小波神经网络的光伏短期输出功率预测方法,首先以相似日样本为基础,利用小波神经网络搭建预测模型,对其权值与小波因子各参数利用人群搜索算法进行全局优化,以误差最小为适应度函数,逐步调整各参数,确定预测模型。本发明有效地提高了光伏短期输出功率预测的稳定性与准确性。
4、本发明的步骤1的小波神经网络将小波分析和神经网络相结合,结合了小波分析良好的时频分析能力和神经网络强大的自学习能力,改善了神经网络固有缺陷,具有较强的非线性拟合能力和模式识别能力,对于非线性较强的光伏输出功率预测更为适用。
附图说明
图1是本发明的SOA-WNN预测算法流程图;
图2是本发明的小波神经网络拓扑结构示意图。
具体实施方式
以下结合附图对本发明实施例作进一步详述:
一种基于SOA-WNN的光伏短期输出功率预测方法,如图1所示,包括以下步骤:
步骤1、构建基于皮尔森相似系数的相似日选取原则,确定小波神经网络的拓扑结构;
在本实施例中,所述步骤1的基于皮尔森相似系数的相似日选取原则采用距离分析法中皮尔森相似系数计算光伏出力与温度、风速、湿度、大气压各影响因素的相关性系数,并由此确定相似日选取。具体来说,是将相关系数进行排序,选择相关系数较大的数据作为特征向量。利用“欧式距离”确定与预测日相似的气象条件的日期组成时间序列,并由此确定相似日选取。
所述步骤1中的小波神经网络将小波分析和神经网络相结合,并采用紧密型结合的方式,其小波神经网络结构图如图2所示。
步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化;
小波神经网络具有强大的函数逼近能力,兼具时域局部分析能力及自我学习能力,对非线性较强的光出输出功率数据进行预测时较为适宜,但小波神经网络对于结构中的权值和小波基函数中初值较为敏感容易陷入局部最小,因此采用人群搜索算法进行改进。
所述步骤2的具体步骤包括:
(1)初始化小波神经网络的权值与小波因子参数及优化算法中各参数;
(2)随机函数生成s个初始种群;
(3)评价适应度函数值F,计算个体位置,并进行种群间学习;
(4)计算个体搜索方向和搜索步长:
①采用高斯隶属函数表示搜索步长模糊变量:
uA(x)=exp[-(x-u)2/2δ2] (1)
式中,uA为高斯隶属度;x为输入变量;u、δ为隶属函数参数;当输出变量超过[u-3δ,u+3δ]时,若隶属度小于0.0111,则可以忽略;故设定umin=0.0111
采用线性隶属度时,在最佳位置有最大隶属度umax=1.0;最差位置有最小隶属度,当隶属度在[umin,umax]时,隶属度则有:
uij=rand(ui,1),j=1,2,…,D (3)
式中,ui为适应度函数i的隶属度;uij为j维搜索空间适应度函数i的隶属度;D为搜索空间维度数;Ii是种群适应度函数值按降序排列后xi(t)的序列编号;
②得出隶属度uij后,由不确定推理的行为推出搜索步长:
式中,δij为高斯隶属函数参数;αij为j维搜索空间搜索步长;
δij=ω|xmax-xmin| (5)
ω=(Tmax-t)/Tmax (6)
式中,xmin和xmax分别为同一个子群中最小、最大函数值的位置;ω是惯性取值,由0.9递减为0.1;t为当前迭代次数;Tmax为最大迭代次数;
③由利己行为、利他行为和预动行为三个方向加权确定搜索方向
式中,为利己方向、为利他方向、为预动方向;和分别为中的最佳位置;为第i个搜寻个体的最佳位置,为第i个搜寻个体所在种群的历史最佳位置;sign(·)为符号函数;为已知区间[0,1]内均匀随机选择的实数;
④确定搜索方向和步长后,进行位置更新,其公式为:
Δxij(t+1)=αij(t)dij(t) (11)
xij(t+1)=xij(t)+Δxij(t+1) (12)
⑤更新个体位置,若满足条件,其个体作为最优解输出,若不满足条件,则返回步骤(3)。
通过以上步骤,即可得到小波神经网络的最优小波因子及网络权值初值,从而完成小波神经网络参数优化。
步骤3、基于步骤2的小波神经网络参数优化,将相似日数据样本带入小波神经网络中进行建模,得到光伏短期输出功率预测值。
在本实施例中,所述步骤3的具体方法为:
所述步骤3在通过步骤2人群搜索算法进行的小波神经网络参数优化,得到小波神经网络的最优小波因子及网络权值初值后,输入步骤1所得基于皮尔森相似系数的相似日数据和优化参数进行小波神经网络建模,即可得到基于SOA-WNN的光伏短期输出功率预测模型;最后,将被预测日的温度、风速、湿度、大气压等数据输入模型之中,获得被预测日的基于SOA-WNN的光伏短期输出功率预测值。
本发明的总体步骤如下:
(1)进行相似日选取及确定小波神经网络的拓扑结构;
(2)将相似日样本分为训练和测试样本分别进行训练和测试;
(3)以输出误差最小为适应度函数对各参数利用人群搜索算法进行优化;
(4)将最优初值带入网络中进行建模并训练;
(5)输出预测值,计算预测误差;
(6)更新权值;
(7)判断算法是否结束,若未结束,返回步骤(5)。
本发明的人群搜索算法进行优化的步骤如下:
(1)初始化小波神经网络的权值与小波因子参数及优化算法中各参数;
(2)随机函数生成s个初始种群;
(3)评价适应度函数值F,计算个体位置,并进行种群间学习;
(4)计算个体搜索方向和搜索步长;
(5)更新个体位置,若满足条件,其个体作为最优解输出,若不满足条件,则返回步骤(3)。
需要强调的是,本发明所述实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (3)
1.一种基于SOA-WNN的光伏短期输出功率预测方法,其特征在于:包括以下步骤:
步骤1、构建基于皮尔森相似系数的相似日选取原则,确定小波神经网络的拓扑结构;
步骤2、采用人群搜索算法以输出误差最小为适应度函数对小波神经网络的权值及小波基函数中的参数进行优化;
步骤3、基于步骤2的小波神经网络参数优化,将相似日数据样本带入小波神经网络中进行建模,得到光伏短期输出功率预测值;
所述步骤1的具体步骤包括:
(1)基于皮尔森相似系数的相似日选取原则采用距离分析法中皮尔森相似系数计算光伏出力与温度、风速、湿度、大气压各影响因素的相关性系数,并由此确定相似日选取;
(2)将小波分析和神经网络相结合,并采用紧密型结合的方式,建立小波神经网络。
2.根据权利要求1所述的一种基于SOA-WNN的光伏短期输出功率预测方法,其特征在于:所述步骤2的具体步骤包括:
(1)初始化小波神经网络的权值与小波因子参数及优化算法中各参数;
(2)随机函数生成s个初始种群;
(3)评价适应度函数值F,计算个体位置,并进行种群间学习;
(4)计算个体搜索方向和搜索步长:
①采用高斯隶属函数表示搜索步长模糊变量:
uA(x)=exp[-(x-u)2/2δ2]
式中,uA为高斯隶属度;x为输入变量;u、δ为隶属函数参数;当输出变量超过[u-3δ,u+3δ]时,若隶属度小于0.0111,则可以忽略;故设定umin=0.0111
采用线性隶属度时,在最佳位置有最大隶属度umax=1.0;最差位置有最小隶属度,当隶属度在[umin,umax]时,隶属度则有:
uij=rand(ui,1),j=1,2,…,D
式中,ui为适应度函数i的隶属度;uij为j维搜索空间适应度函数i的隶属度;D为搜索空间维度数;Ii是种群适应度函数值按降序排列后xi(t)的序列编号;
②得出隶属度uij后,由不确定推理的行为推出搜索步长:
式中,δij为高斯隶属函数参数;αij为j维搜索空间搜索步长;
δij=ω|xmax-xmin|
ω=(Tmax-t)/Tmax
式中,xmin和xmax分别为同一个子群中最小、最大函数值的位置;ω是惯性取值,由0.9递减为0.1;t为当前迭代次数;Tmax为最大迭代次数;
③由利己行为、利他行为和预动行为三个方向加权确定搜索方向
式中,为利己方向、为利他方向、为预动方向;和分别为中的最佳位置;为第i个搜寻个体的最佳位置,为第i个搜寻个体所在种群的历史最佳位置;sign(·)为符号函数;为已知区间[0,1]内均匀随机选择的实数;
④确定搜索方向和步长后,进行位置更新,其公式为:
Δxij(t+1)=αij(t)dij(t)
xij(t+1)=xij(t)+Δxij(t+1)
⑤更新个体位置,若满足条件,其个体作为最优解输出,若不满足条件,则返回步骤(3)。
3.根据权利要求1所述的一种基于SOA-WNN的光伏短期输出功率预测方法,其特征在于:所述步骤3的具体方法为:
所述步骤3在通过步骤2人群搜索算法进行的小波神经网络参数优化,得到小波神经网络的最优小波因子及网络权值初值后,输入步骤1所得基于皮尔森相似系数的相似日数据和优化参数进行小波神经网络建模,即可得到基于SOA-WNN的光伏短期输出功率预测模型;最后,将被预测日的温度、风速、湿度、大气压等数据输入模型之中,获得被预测日的基于SOA-WNN的光伏短期输出功率预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811072221.4A CN109165792B (zh) | 2018-09-14 | 2018-09-14 | 一种基于soa-wnn的光伏短期输出功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811072221.4A CN109165792B (zh) | 2018-09-14 | 2018-09-14 | 一种基于soa-wnn的光伏短期输出功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165792A CN109165792A (zh) | 2019-01-08 |
CN109165792B true CN109165792B (zh) | 2021-09-21 |
Family
ID=64879318
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811072221.4A Active CN109165792B (zh) | 2018-09-14 | 2018-09-14 | 一种基于soa-wnn的光伏短期输出功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109165792B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111680826A (zh) * | 2020-05-14 | 2020-09-18 | 沂南力诺太阳能电力工程有限公司 | 一种光伏发电量预测分析方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117975A (zh) * | 2015-08-06 | 2015-12-02 | 国家电网公司 | 一种光伏输出功率值的分频预测方法 |
CN108197744A (zh) * | 2018-01-02 | 2018-06-22 | 华北电力大学(保定) | 一种光伏发电功率的确定方法及系统 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303268A (zh) * | 2015-11-25 | 2016-02-03 | 国家电网公司 | 基于相似度理论的风力发电输出功率预测方法 |
CN107358323A (zh) * | 2017-07-13 | 2017-11-17 | 上海交通大学 | 一种短期光伏发电的功率预测方法 |
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 |
CN107843879A (zh) * | 2017-11-13 | 2018-03-27 | 浙江大学 | 基于自由搜索算法优化小波神经网络的海杂波最优软测量仪表及方法 |
CN107942313A (zh) * | 2017-11-13 | 2018-04-20 | 浙江大学 | 基于自适应变异果蝇优化算法优化小波神经网络的海杂波最优软测量仪表及方法 |
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
-
2018
- 2018-09-14 CN CN201811072221.4A patent/CN109165792B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105117975A (zh) * | 2015-08-06 | 2015-12-02 | 国家电网公司 | 一种光伏输出功率值的分频预测方法 |
CN108197744A (zh) * | 2018-01-02 | 2018-06-22 | 华北电力大学(保定) | 一种光伏发电功率的确定方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于SOA-SVM预测分布式电源出力和电力负荷的微网经济运行优化的研究;魏立兵;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20170415(第04期);第14-17、31页 * |
基于灰色系统校正-小波神经网络的光伏功率预测;丁明等;《电网技术》;20150930;第39卷(第9期);第2438-2443页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109165792A (zh) | 2019-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN105426956B (zh) | 一种超短期光伏预测方法 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN109002948B (zh) | 基于cda-bp的微电网短期光伏发电功率预测方法 | |
CN109165774A (zh) | 一种短期光伏功率预测方法 | |
Dou et al. | Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition | |
CN105701572A (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
Hu et al. | Short-term photovoltaic power prediction based on similar days and improved SOA-DBN model | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
Zhang et al. | Short-term forecasting of wind power generation based on the similar day and Elman neural network | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
Bou-Rabee et al. | One-month-ahead wind speed forecasting using hybrid AI model for coastal locations | |
CN112052913A (zh) | 一种分布式光伏电站功率数据虚拟采集方法 | |
Luo et al. | Short-term photovoltaic generation forecasting based on similar day selection and extreme learning machine | |
Xin | Forecast of photovoltaic generated power based on WOA-LSTM | |
CN109165792B (zh) | 一种基于soa-wnn的光伏短期输出功率预测方法 | |
CN112132344A (zh) | 一种基于相似日和frs-svm的短期风电功率预测方法 | |
Wang et al. | An experimental investigation of FNN model for wind speed forecasting using EEMD and CS | |
Iqbal et al. | Solar radiation prediction using ant colony optimization and artificial neural network | |
CN116341717A (zh) | 一种基于误差补偿的风速预测方法 | |
CN111310974A (zh) | 一种基于ga-elm的短期需水预测方法 | |
CN116632823A (zh) | 基于功率转换模型与多层感知机的短期光伏功率预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
Xu et al. | One-day ahead forecast of PV output based on deep belief network and weather classification |
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 |