CN110263915A - 一种基于深度信念网络的风电功率预测方法 - Google Patents
一种基于深度信念网络的风电功率预测方法 Download PDFInfo
- Publication number
- CN110263915A CN110263915A CN201910472010.8A CN201910472010A CN110263915A CN 110263915 A CN110263915 A CN 110263915A CN 201910472010 A CN201910472010 A CN 201910472010A CN 110263915 A CN110263915 A CN 110263915A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- forecasting
- limited boltzmann
- wind power
- belief network
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 18
- 241000544061 Cuculus canorus Species 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 21
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000009826 distribution Methods 0.000 claims description 27
- 238000005215 recombination Methods 0.000 claims description 15
- 230000006798 recombination Effects 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 12
- 244000000626 Daucus carota Species 0.000 claims description 6
- 235000005770 birds nest Nutrition 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 235000005765 wild carrot Nutrition 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000009795 derivation Methods 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 10
- 230000005611 electricity Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Control Of Eletrric Generators (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度信念网络的风电功率预测方法，通过采集历史风速数据并进行归一化处理，得到历史风速数据的风速时间序列；将归一化处理后的历史风速数据平均划分为训练样本以及预测样本；对所述风速时间序列添加白噪声序列后进行集合经验模态分解得到本征模函数分量和剩余分量；利用深度信念网络建立分解得到的各分量的风速预测模型；通过布谷鸟算法优化所述风速预测模型的初始权重；将所述训练样本输入初始权重优化完毕的风速预测模型进行训练；将所述预测样本输入训练完毕的风速预测模型进行预测，得到预测日的风速从而得到预测的风电功率结果。本发明方法解决了现有的风电功率预测方法存在模型参数难以选择，预测精度低等问题。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及一种基于深度信念网络的风电功率预测方法。
背景技术
随着化石能源的逐渐减少以及所带来日益严重的环境问题，无污染、可持续的清洁能源引起了广泛的重视，而其中的风能作为技术最为成熟的可再生能源，已经得到了大量学者的研究，并大规模接入电网。由于风速具有随机性、波动性和间歇性等不确定性因素，大规模的风电并入电网会给电力系统安全和稳定运行带来一系列问题，如可能会出现电压和频率发生偏差、电压波动及脱网。因此，准确的风电功率预测将有利于大规模风电并网，减小风电并网带来的危害，而准确的风速预测是风电功率预测的基础，具有重要的价值和意义。
基于统计方法的风电功率预测方法通过建立历史数据与预测值之间的映射关系，代入实测值进行预测，包括有时间序列法、神经网络法、卡尔曼滤波等；其中时间序列法常利用自身历史风速数据构建线性风速预测模型，但其低阶模型预测精度不高，高阶模型参数难以估计；卡尔曼滤波法开展风速预测时，由于风速的噪声统计特性难以估计，造成其状态方程和特征方程不易建立；神经网络由于结构相对比较简单，且伴随着风速随机性与不稳定性，预测精度不高。
综上所述，由于风速的随机性和不稳定性，现有的风电功率预测方法普遍存在模型参数难以选择，预测精度低等问题。
发明内容
本发明为解决现有的风电功率预测方法存在模型参数难以选择，预测精度低等问题，提供了一种基于深度信念网络的风电功率预测方法。
为实现以上发明目的，而采用的技术手段是：
一种基于深度信念网络的风电功率预测方法，包括以下步骤：
S1.采集历史风速数据并进行归一化处理，得到历史风速数据的风速时间序列；同时将归一化处理后的历史风速数据平均划分为训练样本以及预测样本；
S2.对所述风速时间序列添加白噪声序列后进行集合经验模态分解，得到风速时间序列分解的本征模函数分量和剩余分量；
S3.利用深度信念网络建立分解得到的各分量的风速预测模型；
S4.通过布谷鸟算法优化所述风速预测模型的初始权重；
S5.将所述训练样本输入初始权重优化完毕的风速预测模型进行训练；
S6.将所述预测样本输入训练完毕的风速预测模型进行预测，得到预测日的风速；将预测日的风速转换为风电功率从而得到预测结果。
上述方案中，对历史风速数据进行归一化处理后，对其进行集合经验模态分解，并添加白噪声在待分解的信号中，得到若干本征模函数分量和一个剩余分量，利用深度信念网络建立分解得到的各分量的风速预测模型；针对深度信念网络初始权重容易出现局部最优解情况，采用布谷鸟算法对初始权重进行优化寻求最优权重，将样本数据输入优化完毕的预测模型中训练，并对预测样本进行预测，对预测风速进行转换得到风电预测功率。
优选的，所述步骤S2具体包括：
S21.在所述风速时间序列中加入高斯白噪声序列，得到复合时间序列；
x0(t)＝x(t)+e(t)
其中x0(t)为复合时间序列，x(t)为风速时间序列，e(t)为高斯白噪声序列；
S22.对复合时间序列进行集合经验模态分解，得到m个本征模函数分量和一个剩余分量；
其中x0(t)为复合时间序列，cj(t)为本征模函数分量，r0(t)为剩余分量；
其中对时间序列进行集合经验模态分解时需要满足两个条件：对整个时间序列来说，极值点和过零点的个数必须相等或者相差1；对在任意一点，连接时间序列中所有的局部极大值点和局部最小值点所形成的上、下包络线的平均值为0；
S23.重复执行N次步骤S21和步骤S22，其中重复执行步骤S21时每次加入均方根相等的不同高斯白噪声序列；其中N为正整数；
S24.对步骤S23得到的所有本征模函数分量求平均值，得到所述风速时间序列分解的本征模函数分量和剩余分量；
其中cj(t)为本征模函数分量，r0(t)为剩余分量，N为正整数，表示N组复合时间序列。
优选的，步骤S3中所述的深度信念网络为包括若干受限玻尔兹曼机栈式堆叠而成的神经网络模型。
优选的，所述步骤S3具体包括：
S31.引入受限玻尔兹曼机，确定状态为(v,h)的受限玻尔兹曼机具有的能量表示E(v,h|θ)；
其中θ＝(ωij,ai,bj)为受限玻尔兹曼机参数，n和m分别为受限玻尔兹曼机中可见层和隐含层的神经元数目；
S32.计算能量函数所确定状态为(v,h)的受限玻尔兹曼机的概率分布p(v,h|θ)；
其中为归一化因子；
S33.计算每个受限玻尔兹曼机第j个隐元的激活概率及第i个显元的激活概率；
其中p(hj＝1|v,θ)为第j个隐元的激活概率，p(vi＝1|h,θ)为第i个显元的激活概率，θ＝(ωij,ai,bj)，ωij,ai,bj为受限玻尔兹曼机参数；
S34.引入对比散度训练显元与隐元的状态；
对于对数似然函数相对模型参数的θ求导：
其中ωij为权重参数，<vihj>data为数据分布的期望，<vihj>data为受限玻尔兹曼机定义的期望；
更新受限玻尔兹曼机各参数变化量计算准则：
更新考虑学习率ξ的参数更新准则：
S35.重复执行步骤S31～S34，实现对所有受限玻尔兹曼机的训练，从而建立所述风速预测模型。
优选的，所述步骤S4具体包括：
S41.布谷鸟标准化公式：
其中，为点对点的乘法；a为步长控制量，控制步长的大小和方向；Levy(λ)为随机搜索变量，且步长服从莱维分布；
其中莱维分布为Levy(s,λ)≈s-λ；1＜λ≤3，s为莱维飞行得到的随机步长；
S42.通过布谷鸟算法优化若干受限玻尔兹曼机的初始化权重，并通过受限玻尔兹曼机自身的训练及BP神经网络反向传播的微调得到每个受限玻尔兹曼机的最优解。其中通过布谷鸟算法寻优需满足三个规则：对整个世界序列来说每只布谷鸟每次只下一个蛋，并随机的选取一个宿主进行孵化；最好的宿主中的那只布谷鸟蛋可以保存到下一代；宿主的总数保持不变。
在本优选方案中，由于深度信念网络的初始权重是随机确定的，存在容易陷入局部最优解的情况，而布谷鸟算法作为一种启发式搜索算法，具有较强的寻优能力，其存在步长调节系数，并满足重尾的稳定分布，使得搜索寻优的效率大为提升，再采用经布谷鸟优化后的深度信念网络对分解后的每个分量进行回归预测，从而有效解决深度信念网络容易陷入局部最优解的问题。
优选的，步骤S4中所述的通过布谷鸟算法优化若干受限玻尔兹曼机的初始化权重具体步骤包括：
布谷鸟算法中Levy随机数的产生方法：
其中，β＝C为固定值，一般取值为1.5，为概率分布，a为关系系数，u和v为标准正态分布的参数；
的概率分布为：
其中，β＝C为固定值，一般取值为1.5，Γ为Γ分布；
初始权重产生的计算公式为：
其中，u＝0,nin＝C,C为固定值，根据样本数量决定；
通过布谷鸟算法优化所述风速预测模型的初始权重：
其中，ωi+1为优化后的权重值；ωi为初始权重值，为概率分布，Xi为初始鸟巢的位置距离，Xbest为最优鸟巢的位置距离，u和v为标准正态分布的参数，β＝C为固定值。
优选的，步骤S6中所述的将预测日的风速转换为风电功率具体为：
P＝2CpAρ2v3/5
其中，P为预测日风机输出的风电功率；A为风轮扫掠面积，Cp为风机的功率系数，ρ2为空气密度，v为预测日的风速。
与现有技术相比，本发明技术方案的有益效果是：
本发明方法考虑了风速存在的随机性和不稳定性，对历史风速数据进行归一化处理后，对其进行集合经验模态分解，并添加高斯白噪声在待分解的信号中，得到若干本征模函数分量和一个剩余分量，利用深度信念网络建立分解得到的各分量的风速预测模型；针对深度信念网络初始权重容易出现局部最优解情况，采用布谷鸟算法对初始权重进行优化寻求最优权重，经布谷鸟优化后的深度信念网络对分解后的每个分量进行回归预测，将样本数据输入优化完毕的预测模型中训练，并对预测样本进行预测，对预测风速进行转换得到风电预测功率。
本发明方法解决了由于风速的随机性和不稳定性，而导致风电功率预测方法普遍存在模型参数难以选择，预测精度低等问题，实现对风电功率的准确预测。
附图说明
图1为本发明方法的流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
如图1所示，一种基于深度信念网络的风电功率预测方法，包括以下步骤：
S1.以15分钟为时间间隔采集历史风速数据并进行归一化处理，得到历史风速数据的风速时间序列；同时将归一化处理后的历史风速数据平均划分为训练样本以及预测样本；其中一个自然日作为一个样本；
在本实施例1中，对于历史风速数据中缺少或错误的数据利用平均插值法进行处理，归一化为：
其中表示归一化值，xi表示原风速值，xmin表示一个样本中原风速序列最小值，xmax表示一个样本中原风速序列最大值；
S2.对所述风速时间序列添加白噪声序列后进行集合经验模态分解，得到风速时间序列分解的本征模函数分量和剩余分量；其中对风速时间序列进行集合经验模态分解时需要满足两个条件：对整个风速时间序列来说，极值点和过零点的个数必须相等或者相差1；对在任意一点，连接时间序列中所有的局部极大值点和局部最小值点所形成的上、下包络线的平均值为0；该步骤S2的具体步骤为：
S21.在所述风速时间序列中加入高斯白噪声序列，得到复合时间序列；
x0(t)＝x(t)+e(t)
其中x0(t)为复合时间序列，x(t)为风速时间序列，e(t)为高斯白噪声序列；
S22.对复合时间序列进行集合经验模态分解，得到m个本征模函数分量和一个剩余分量；
其中x0(t)为复合时间序列，cj(t)为本征模函数分量，r0(t)为剩余分量；
S23.重复执行N次步骤S21和步骤S22，其中重复执行步骤S21时每次加入均方根相等的不同高斯白噪声序列；其中N为正整数；
S24.对步骤S23得到的所有本征模函数分量求平均值，得到所述风速时间序列分解的本征模函数分量和剩余分量；
其中cj(t)为本征模函数分量，r0(t)为剩余分量，N为正整数，表示N组复合时间序列。
S3.利用深度信念网络建立分解得到的各分量的风速预测模型；其中深度信念网络为包括若干受限玻尔兹曼机栈式堆叠而成的神经网络模型；
S31.引入受限玻尔兹曼机，确定状态为(v,h)的受限玻尔兹曼机具有的能量表示E(v,h|θ)；
其中θ＝(ωij,ai,bj)为受限玻尔兹曼机参数，n和m分别为受限玻尔兹曼机中可见层和隐含层的神经元数目；
S32.计算能量函数所确定状态为(v,h)的受限玻尔兹曼机的概率分布p(v,h|θ)；
其中为归一化因子；
S33.计算每个受限玻尔兹曼机第j个隐元的激活概率及第i个显元的激活概率；
其中p(hj＝1|v,θ)为第j个隐元的激活概率，p(vi＝1|h,θ)为第i个显元的激活概率，θ＝(ωij,ai,bj)，ωij,ai,bj为受限玻尔兹曼机参数；
S34.引入对比散度训练显元与隐元的状态；
对于对数似然函数相对模型参数的θ求导：
其中ωij为权重参数，<vihj>data为数据分布的期望，<vihj>data为受限玻尔兹曼机定义的期望；
更新受限玻尔兹曼机各参数变化量计算准则：
更新考虑学习率ξ的参数更新准则：
S35.重复执行步骤S31～S34，实现对所有受限玻尔兹曼机的训练，从而建立所述风速预测模型。
S4.通过布谷鸟算法优化所述风速预测模型的初始权重：
其中通过布谷鸟算法寻优需满足三个规则：对整个世界序列来说每只布谷鸟每次只下一个蛋，并随机的选取一个宿主进行孵化；最好的宿主中的那只布谷鸟蛋可以保存到下一代；宿主的总数保持不变；寻优的具体步骤为：
S41.布谷鸟标准化公式：
其中，为点对点的乘法；a为步长控制量，控制步长的大小和方向；Levy(λ)为随机搜索变量，且步长服从莱维分布；
其中莱维分布为Levy(s,λ)≈s-λ；1＜λ≤3，s为莱维飞行得到的随机步长；
S42.通过布谷鸟算法优化若干受限玻尔兹曼机的初始化权重，并通过受限玻尔兹曼机自身的训练及BP神经网络反向传播的微调得到每个受限玻尔兹曼机的最优解：
其中布谷鸟算法中Levy随机数的产生方法：
其中，β＝C为固定值，为概率分布，a为关系系数，u和v为标准正态分布的参数；
的概率分布为：
其中，β＝C为固定值，Γ为Γ分布；
初始权重产生的计算公式为：
其中，u＝0,nin＝C,C为固定值，根据样本数量决定；
通过布谷鸟算法优化所述风速预测模型的初始权重：
其中，ωi+1为优化后的权重值；ωi为初始权重值，为概率分布，Xi为初始鸟巢的位置距离，Xbest为最优鸟巢的位置距离，u和v为标准正态分布的参数，β＝C为固定值。
S5.将所述训练样本输入初始权重优化完毕的风速预测模型进行训练；
S6.将所述预测样本输入训练完毕的风速预测模型进行预测，得到预测日的风速；将预测日的风速转换为风电功率从而得到预测结果；
其中将预测日的风速转换为风电功率具体为：
P＝2CpAρ2v3/5
其中，P为预测日风机输出的风电功率；A为风轮扫掠面积，Cp为风机的功率系数，ρ2为空气密度，v为预测日的风速。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
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。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (7)
1.一种基于深度信念网络的风电功率预测方法，其特征在于，包括以下步骤：
S1.采集历史风速数据并进行归一化处理，得到历史风速数据的风速时间序列；同时将归一化处理后的历史风速数据平均划分为训练样本以及预测样本；
S2.对所述风速时间序列添加白噪声序列后进行集合经验模态分解，得到风速时间序列分解的本征模函数分量和剩余分量；
S3.利用深度信念网络建立分解得到的各分量的风速预测模型；
S4.通过布谷鸟算法优化所述风速预测模型的初始权重；
S5.将所述训练样本输入初始权重优化完毕的风速预测模型进行训练；
S6.将所述预测样本输入训练完毕的风速预测模型进行预测，得到预测日的风速；将预测日的风速转换为风电功率从而得到预测结果。
2.根据权利要求1所述的基于深度信念网络的风电功率预测方法，其特征在于，所述步骤S2具体包括：
S21.在所述风速时间序列中加入高斯白噪声序列，得到复合时间序列；
x0(t)＝x(t)+e(t)
其中x0(t)为复合时间序列，x(t)为风速时间序列，e(t)为高斯白噪声序列；
S22.对复合时间序列进行集合经验模态分解，得到m个本征模函数分量和一个剩余分量；
其中x0(t)为复合时间序列，cj(t)为本征模函数分量，r0(t)为剩余分量；
S23.重复执行N次步骤S21和步骤S22，其中重复执行步骤S21时每次加入均方根相等的不同高斯白噪声序列；其中N为正整数；
S24.对步骤S23得到的所有本征模函数分量求平均值，得到所述风速时间序列分解的本征模函数分量和剩余分量；
其中cj(t)为本征模函数分量，r0(t)为剩余分量，N为正整数，表示N组复合时间序列。
3.根据权利要求2所述的基于深度信念网络的风电功率预测方法，其特征在于，步骤S3中所述的深度信念网络为包括若干受限玻尔兹曼机栈式堆叠而成的神经网络模型。
4.根据权利要求3所述的基于深度信念网络的风电功率预测方法，其特征在于，所述步骤S3具体包括：
S31.引入受限玻尔兹曼机，确定状态为(v,h)的受限玻尔兹曼机具有的能量表示E(v,h|θ)；
其中θ＝(ωij,ai,bj)为受限玻尔兹曼机参数，n和m分别为受限玻尔兹曼机中可见层和隐含层的神经元数目；
S32.计算能量函数所确定状态为(v,h)的受限玻尔兹曼机的概率分布p(v,h|θ)；
其中为归一化因子；
S33.计算每个受限玻尔兹曼机第j个隐元的激活概率及第i个显元的激活概率；
其中p(hj＝1|v,θ)为第j个隐元的激活概率，p(vi＝1|h,θ)为第i个显元的激活概率，θ＝(ωij,ai,bj)，ωij,ai,bj为受限玻尔兹曼机参数；
S34.引入对比散度训练显元与隐元的状态；
对于对数似然函数相对模型参数的θ求导：
其中ωij为权重参数，<vihj>data为数据分布的期望，<vihj>data为受限玻尔兹曼机定义的期望；
更新受限玻尔兹曼机各参数变化量计算准则：
更新考虑学习率ξ的参数更新准则：
S35.重复执行步骤S31～S34，实现对所有受限玻尔兹曼机的训练，从而建立所述风速预测模型。
5.根据权利要求1所述的基于深度信念网络的风电功率预测方法，其特征在于，所述步骤S4具体包括：
S41.布谷鸟标准化公式：
其中，为点对点的乘法；a为步长控制量，控制步长的大小和方向；Levy(λ)为随机搜索变量，且步长服从莱维分布；
其中莱维分布为Levy(s,λ)≈s-λ；1＜λ≤3，s为莱维飞行得到的随机步长；
S42.通过布谷鸟算法优化若干受限玻尔兹曼机的初始化权重，并通过受限玻尔兹曼机自身的训练及BP神经网络反向传播的微调得到每个受限玻尔兹曼机的最优解。
6.根据权利要求5所述的基于深度信念网络的风电功率预测方法，其特征在于，步骤S4中所述的通过布谷鸟算法优化若干受限玻尔兹曼机的初始化权重具体步骤包括：
布谷鸟算法中Levy随机数的产生方法：
其中，β＝C为固定值，为概率分布，a为关系系数，u和v为标准正态分布的参数；
的概率分布为：
其中，β＝C为固定值，Γ为Γ分布；
初始权重产生的计算公式为：
其中，u＝0,nin＝C,C为固定值，根据样本数量决定；
通过布谷鸟算法优化所述风速预测模型的初始权重：
其中，ωi+1为优化后的权重值；ωi为初始权重值，为概率分布，Xi为初始鸟巢的位置距离，Xbest为最优鸟巢的位置距离，u和v为标准正态分布的参数，β＝C为固定值。
7.根据权利要求1所述的基于深度信念网络的风电功率预测方法，其特征在于，步骤S6中所述的将预测日的风速转换为风电功率具体为：
P＝2CpAρ2v3/5
其中，P为预测日风机输出的风电功率；A为风轮扫掠面积，Cp为风机的功率系数，ρ2为空气密度，v为预测日的风速。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910472010.8A CN110263915A (zh) | 2019-05-31 | 2019-05-31 | 一种基于深度信念网络的风电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910472010.8A CN110263915A (zh) | 2019-05-31 | 2019-05-31 | 一种基于深度信念网络的风电功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110263915A true CN110263915A (zh) | 2019-09-20 |
Family
ID=67916293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910472010.8A Pending CN110263915A (zh) | 2019-05-31 | 2019-05-31 | 一种基于深度信念网络的风电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110263915A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766200A (zh) * | 2019-09-23 | 2020-02-07 | 广东工业大学 | 一种基于K-means均值聚类的风电机组发电功率预测方法 |
| CN111734772A (zh) * | 2020-06-16 | 2020-10-02 | 大连理工大学 | 一种薄壁件加工中的磁流变抑振方法 |
| CN112418504A (zh) * | 2020-11-17 | 2021-02-26 | 西安热工研究院有限公司 | 一种基于混合变量选择优化深度信念网络风速预测方法 |
| CN112465225A (zh) * | 2020-11-27 | 2021-03-09 | 云南电网有限责任公司电力科学研究院 | 基于二次模态分解和级联深度学习的风电功率预测方法 |
| CN112561200A (zh) * | 2020-12-22 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
| CN112819246A (zh) * | 2021-02-25 | 2021-05-18 | 广东电网有限责任公司 | 基于布谷鸟算法优化神经网络的能源需求预测方法 |
| CN115049024A (zh) * | 2022-08-15 | 2022-09-13 | 国能日新科技股份有限公司 | 风速预测模型的训练方法、装置、电子设备和存储介质 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120157176A1 (en) * | 2010-12-20 | 2012-06-21 | Kabushiki Kaisha Square Enix (Also Trading As Square Enix Co., Ltd.) | Artificial intelligence for games |
| CN102880810A (zh) * | 2012-10-25 | 2013-01-16 | 山东电力集团公司电力科学研究院 | 基于时间序列和神经网络法的风电功率预测方法 |
| CN107909209A (zh) * | 2017-11-16 | 2018-04-13 | 东华大学 | 完备总体经验模态分解和深度信念网络的风速预测方法 |
| CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
| CN109376897A (zh) * | 2018-08-29 | 2019-02-22 | 广东工业大学 | 一种基于混合算法的短期风电功率预测方法 |
| CN109635915A (zh) * | 2019-01-15 | 2019-04-16 | 华侨大学 | 一种基于均衡单进化布谷鸟算法的迭代学习控制方法 |
| CN109636003A (zh) * | 2018-11-14 | 2019-04-16 | 北京电力经济技术研究院有限公司 | 一种高预测精度的电力系统短期负荷预测方法 |
-
2019
- 2019-05-31 CN CN201910472010.8A patent/CN110263915A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120157176A1 (en) * | 2010-12-20 | 2012-06-21 | Kabushiki Kaisha Square Enix (Also Trading As Square Enix Co., Ltd.) | Artificial intelligence for games |
| CN102880810A (zh) * | 2012-10-25 | 2013-01-16 | 山东电力集团公司电力科学研究院 | 基于时间序列和神经网络法的风电功率预测方法 |
| CN107909209A (zh) * | 2017-11-16 | 2018-04-13 | 东华大学 | 完备总体经验模态分解和深度信念网络的风速预测方法 |
| CN109376897A (zh) * | 2018-08-29 | 2019-02-22 | 广东工业大学 | 一种基于混合算法的短期风电功率预测方法 |
| CN109242878A (zh) * | 2018-10-29 | 2019-01-18 | 安徽理工大学 | 一种基于自适应布谷鸟优化法的图像多阈值分割方法 |
| CN109636003A (zh) * | 2018-11-14 | 2019-04-16 | 北京电力经济技术研究院有限公司 | 一种高预测精度的电力系统短期负荷预测方法 |
| CN109635915A (zh) * | 2019-01-15 | 2019-04-16 | 华侨大学 | 一种基于均衡单进化布谷鸟算法的迭代学习控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨健等: "基于布谷鸟搜索和深度信念网络的肺部肿瘤图像识别算法", 《计算机应用》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110766200A (zh) * | 2019-09-23 | 2020-02-07 | 广东工业大学 | 一种基于K-means均值聚类的风电机组发电功率预测方法 |
| CN111734772A (zh) * | 2020-06-16 | 2020-10-02 | 大连理工大学 | 一种薄壁件加工中的磁流变抑振方法 |
| CN112418504A (zh) * | 2020-11-17 | 2021-02-26 | 西安热工研究院有限公司 | 一种基于混合变量选择优化深度信念网络风速预测方法 |
| CN112418504B (zh) * | 2020-11-17 | 2023-02-28 | 西安热工研究院有限公司 | 一种基于混合变量选择优化深度信念网络风速预测方法 |
| CN112465225A (zh) * | 2020-11-27 | 2021-03-09 | 云南电网有限责任公司电力科学研究院 | 基于二次模态分解和级联深度学习的风电功率预测方法 |
| CN112561200A (zh) * | 2020-12-22 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 基于完备集合经验模态分解和改进蚁群优化的长短期记忆网络的风电站出力混合预测技术 |
| CN112819246A (zh) * | 2021-02-25 | 2021-05-18 | 广东电网有限责任公司 | 基于布谷鸟算法优化神经网络的能源需求预测方法 |
| CN115049024A (zh) * | 2022-08-15 | 2022-09-13 | 国能日新科技股份有限公司 | 风速预测模型的训练方法、装置、电子设备和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263915A (zh) | 一种基于深度信念网络的风电功率预测方法 | |
| 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 | |
| CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
| CN110336298A (zh) | 一种基于混合智能算法的含分布式电源配网无功规划方法 | |
| CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
| CN106446494A (zh) | 基于小波包‑神经网络的风光功率预测方法 | |
| CN110334870B (zh) | 基于门控循环单元网络的光伏电站短期功率预测方法 | |
| CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
| CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
| CN111786420A (zh) | 一种考虑再生能源混合发电的电力系统经济调度的方法 | |
| 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 | |
| CN102509026A (zh) | 基于最大信息熵原理的风电场短期输出功率预测综合模型 | |
| CN111555368B (zh) | 一种综合能源系统的深度生成式对抗网络调度与控制方法 | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| Chen et al. | An improved brain storm optimization for a hybrid renewable energy system | |
| CN105741192B (zh) | 一种风电场风电机机舱短期风速组合预报方法 | |
| CN107274012B (zh) | 基于云进化粒子群算法的短期风电功率预测方法 | |
| CN117039852A (zh) | 风光水互补电站的功率预测方法、装置、设备及存储介质 | |
| CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及系统 | |
| Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
| CN110059871A (zh) | 光伏发电功率预测方法 | |
| CN107453366B (zh) | 计及风电决策风险的含upfc多目标最优潮流计算方法 | |
| Zhang et al. | Real-time prediction of solar radiation based on online sequential extreme learning machine | |
| Nair et al. | An efficient maximum power point tracking in hybrid solar and wind energy system: a combined MDA-RNN technique | |
| CN108460501A (zh) | 一种基于组合模型的风力电站输出功率预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190920 |