CN110852902A - 一种基于bas-bp的光伏发电功率预测方法 - Google Patents

一种基于bas-bp的光伏发电功率预测方法 Download PDF

Info

Publication number
CN110852902A
CN110852902A CN201911109789.3A CN201911109789A CN110852902A CN 110852902 A CN110852902 A CN 110852902A CN 201911109789 A CN201911109789 A CN 201911109789A CN 110852902 A CN110852902 A CN 110852902A
Authority
CN
China
Prior art keywords
bas
power generation
photovoltaic power
neural network
generation power
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
Application number
CN201911109789.3A
Other languages
English (en)
Inventor
丁明
虞海彪
张超
高平平
刘练
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hefei University of Technology
Original Assignee
Hefei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hefei University of Technology filed Critical Hefei University of Technology
Priority to CN201911109789.3A priority Critical patent/CN110852902A/zh
Publication of CN110852902A publication Critical patent/CN110852902A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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"
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于BAS‑BP的光伏发电功率预测方法，按下述步骤进行：a、获取光伏电站的历史光伏发电功率和气象数据，并对所述历史光伏发电功率和气象数据进行归一化处理形成数据集，将数据集分为训练样本集和测试样本集；b、初始化BP神经网络，其拓扑结构确定为M‑N‑1形式，其中M、N、1分别代表3层BP神经网络的输入层、隐含层、输出层的节点数；初始化BAS算法并计算天牛的空间位置x处的适应度函数，BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置xbest，将xbest作为BP神经网络的初始权重，实现BAS‑BP模型的构建；c、利用训练样本集对构建好的BAS‑BP进行训练，获得最优BAS‑BP预测模型，再利用测试样本集的相应数据作为最优BAS‑BP预测模型的输入，进而预测光伏发电功率。本发明能够极大提高BP神经网络的运行速度和光伏发电功率预测的准确性。

Description

一种基于BAS-BP的光伏发电功率预测方法
技术领域
本发明涉及光伏技术领域，具体为一种基于BAS-BP的光伏发电功率预测方法。
背景技术
随着化石能源的日益枯竭，太阳能作为一种取之不尽、用之不竭的新型清洁能源愈来愈受到人们的关注。太阳能光伏发电技术的迅速发展，导致光伏发电系统在电力系统的比重不断提升。光伏发电功率受气象因素影响表现出较强的随机性、波动性，这些特性会使得大规模光伏电站并网对电网的安全稳定运行造成巨大挑战。因此，有必要及时、准确地预测光伏发电功率，这对电力系统和光伏电站的安全稳定运行有着重要意义，同时也有利于电力系统调度部门制定合理的调度计划。
在诸多的光伏发电功率预测方法中，以BP神经网络为代表的机器学习预测方法是近些年来的研究热点。该方法在训练过程中，通过误差反向传播，不断修正权值，直至神经网络的误差达到预定的精度，从而获得较为理想的预测效果。但BP神经网络存在收敛速度慢、易陷入局部最小值等问题。为解决这一问题，许多学者采用启发式算法来优化BP神经网络，包括遗传算法(GA)、粒子群算法(PSO)、蝙蝠算法(BA)等。这些优化算法虽然能够解决BP神经网络存在的问题，但在实际中往往需要设置较大的种群规模和较高的迭代次数来保证优化效果，这就会导致算法整体的寻优速度较慢。天牛须搜索(beetle antennae search，BAS)是2017年提出的一种有效的启发式搜索算法，与GA、PSO等传统寻优算法类似，BAS无需知道函数的具体形式就可完成自动寻优，且BAS最大的优点是其寻优个体仅为一个，运算量大大降低，相应的搜索速度大幅提高。因此，如何将BP神经网络和BAS相结合，并运用在光伏发电功率预测上是本领域技术人员亟待解决的技术问题。
发明内容
本发明的目的在于，提供一种基于BAS-BP的光伏发电功率预测方法。本发明能够通过BAS不断迭代寻找BP神经网络的最优初始权重，从而解决BP神经网络存在的收敛速度慢、易陷入局部最小值问题，极大地提高了BP神经网络的运行速度和光伏发电功率预测的准确性。
本发明的技术方案：一种基于BAS-BP的光伏发电功率预测方法，按下述步骤进行：
a、获取光伏电站的历史光伏发电功率和气象数据，并对所述历史光伏发电功率和气象数据进行归一化处理形成数据集，将数据集分为训练样本集和测试样本集；
b、初始化BP神经网络，其拓扑结构确定为M-N-1形式，其中M、N、1分别代表3层BP神经网络的输入层、隐含层、输出层的节点数；初始化BAS算法并计算天牛的空间位置x处的适应度函数，BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置xbest，将xbest作为BP神经网络的初始权重，实现BAS-BP模型的构建；
c、利用训练样本集对构建好的BAS-BP模型进行训练，获得最优BAS-BP预测模型，再利用测试样本集的相应数据作为最优BAS-BP预测模型的输入，进而实现光伏发电功率的精准预测。
上述的基于BAS-BP的光伏发电功率预测方法，步骤b中，运用初始化后的BP神经网络进行光伏发电功率的拟合，得到光伏发电功率的拟合值；将光伏发电功率的拟合值和期望值的均方误差作为BAS算法的适应度函数fitnessx：
Figure BDA0002272394820000031
式中：M为训练样本集的总个数，
Figure BDA0002272394820000032
和y分别为BP神经网络的拟合值和期望值。
前述的基于BAS-BP的光伏发电功率预测方法，所述的BP神经网络包括输入层、隐含层和输出层，各层节点数分别为K、J、1；
设其输入为x1,x2,…,xk，则第j个隐含层节点输出为
Figure BDA0002272394820000033
式中：
Figure BDA0002272394820000034
为隐含层权重；aj为隐含层偏置；f为隐含层转换函数，取
输出层的输出为
Figure BDA0002272394820000036
式中：
Figure BDA0002272394820000041
为输出层权重；b为输出层偏置；
根据实际输出O和期望输出H，BP神经网络的误差确定为：
Figure BDA0002272394820000042
根据误差E，以α统一表示BP神经网络权重和偏置aj、b的更新公式：
式中：η为BP神经网络学习率；
BP神经网络通过梯度下降法不断修正权重，直至总误差达到设定的精度或迭代次数超过最大迭代次数为止。
前述的基于BAS-BP的光伏发电功率预测方法，步骤b中，所述BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置xbest的过程如下：
S1:定义天牛朝向的随机方向向量并作归一化处理：
Figure BDA0002272394820000046
式中：n为搜索空间的维数；
S2:创建天牛左右须空间位置：
式中：xrt为t次迭代时右须的空间位置，xlt为t次迭代时左须的空间位置，xt为t次迭代时天牛质心的空间位置，dt为t次迭代时两须之间的距离；
S3:计算左右两须适应度函数值f(xl)和f(xr)，并判断两者大小，更新天牛的空间位置为
式中：δt为t次迭代时的步长，sign()为符号函数。
S4:更新两须之间的步长和距离：
式中：etaδ是步长的衰减系数；c为常数；
最后判断BAS算法的适应度函数值是否达到设定的精度fbest或者迭代次数Iter是否超过最大迭代次数Itermax；若满足条件，则停止迭代，将此时的天牛空间位置xbest作为BP神经网络的最优初始权重，否则按S1-S4继续迭代。
前述的基于BAS-BP的光伏发电功率预测方法，所述步骤a中的气象数据包括太阳辐射强度I、温度T、风速v，对所述历史光伏发电功率P、太阳辐射强度I、温度T和风速v均进行归一化处理，其归一化处理的公式如下：
Figure BDA0002272394820000053
式中：X为归一化前的变量；max(X)、min(X)分别为X的最大值和最小值；Y为归一化后的变量，归一化后历史光伏发电功率、太阳辐射强度、温度、风速仍用P、I、T、v表示。
前述的基于BAS-BP的光伏发电功率预测方法，所述步骤a中，构造训练样本集Train和测试样本集Test的输入输出矩阵：
Figure BDA0002272394820000061
式中：Input为Train或Test的输入；Output为Train或Test的输出，P、I、T、v分别为历史光伏发电功率、太阳辐射强度、温度、风速。
前述的基于BAS-BP的光伏发电功率预测方法，步骤c中，利用训练样本集Train的Input、Output对构建好的BAS-BP模型进行训练，获得最优BAS-BP预测模型，再采用测试样本集Test的Input作为最优BAS-BP预测模型的输入，进而实现光伏发电功率的精准预测。
与现有技术相比，本发明提出一种基于BAS-BP的光伏发电功率预测方法，通过构建相应的BAS-BP模型，并将获取的光伏电站历史光伏发电功率和气象数据进行归一化处理形成数据集，以减小后续训练、预测过程中不同量纲以及不同取值范围的数据对BAS-BP模型的影响；利用数据集划分出的训练集对BAS-BP模型进行自主训练学习，最后再通过获得的最优BAS-BP预测模型进行光伏发电功率的预测。本发明通过初始化BP神经网络和初始化BAS算法并计算天牛的空间位置x处的适应度函数，利用BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置xbest，将其作为BP神经网络的初始权重，从而解决BP神经网络存在的收敛速度慢、易陷入局部最小值问题，同时BAS算法的寻优个体仅为一个，会大幅提高BAS-BP模型的整体运行速度，由此本发明可以极大提升光伏发电功率预测的准确度和鲁棒性；本发明实用性强，预测数据稳定而又准确，能够充分保证电网的安全稳定运行，为电力系统调度部门制定合理的调度计划提供合理的数据依据。
附图说明
图1为本发明的预测方法流程图；
图2为本发明的BAS算法运行步骤图；
图3为本发明实施例的光伏发电功率预测结果图。
具体实施方式
下面结合附图和实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
实施例1：一种基于BAS-BP的光伏发电功率预测方法，其流程如图1所示，并按下述步骤进行：
a、获取光伏电站30天的历史光伏发电功率和气象数据，并对所述历史光伏发电功率和气象数据进行归一化处理形成数据集，其中气象数据包括太阳辐射强度I、温度T、风速v，对所述历史光伏发电功率P、太阳辐射强度I、温度T和风速v均进行归一化处理，其归一化处理的公式如下：
式中：X为归一化前的变量；max(X)、min(X)分别为X的最大值和最小值；Y为归一化后的变量，归一化后的历史光伏发电功率、太阳辐射强度、温度、风速仍用P、I、T、v表示。
将数据集的前20天数据作为训练样本集，后10天数据作为测试样本集，然后构造训练样本集Train和测试样本集Test的输入输出矩阵：
式中：Input为Train或Test的输入；Output为Train或Test的输出，P、I、T、v分别为历史光伏发电功率、太阳辐射强度、温度、风速。
b、初始化BP神经网络，其拓扑结构确定为3-8-1形式，其中3、8、1分别代表3层BP神经网络的输入层、隐含层、输出层的节点数，迭代次数为1000，精度为10-6，学习率为0.01；初始化BAS算法，其空间维度为3*8+8+8*1+1＝41，初始步长δ0设置为3，常数c为5，步长的衰减系数etaδ设置为0.95，BAS算法的最大训练次数为200次，运用初始化后的BP神经网络进行光伏发电功率的拟合，得到光伏发电功率的拟合值；将光伏发电功率的拟合值和期望值的均方误差作为BAS算法的适应度函数fitnessx
Figure BDA0002272394820000082
式中：M为训练样本集的总个数，
Figure BDA0002272394820000083
和y分别为BP神经网络的拟合值和期望值；
BP神经网络具有强大的非线性处理能力，已经被应用于模式识别、回归预测等各个领域。其中3层BP神经网络包含输入层、隐含层、输出层，各层节点数分别为K、J、1。
设其输入为x1,x2,…,xk，则第j个隐含层节点输出为
Figure BDA0002272394820000084
式中：
Figure BDA0002272394820000085
为隐含层权重；aj为隐含层偏置；f为隐含层转换函数，取
Figure BDA0002272394820000091
输出层的输出为
Figure BDA0002272394820000092
式中：
Figure BDA0002272394820000093
为输出层权重；b为输出层偏置；
根据实际输出O和期望输出H，BP神经网络的误差确定为：
Figure BDA0002272394820000094
根据误差E，以α统一表示BP神经网络权重
Figure BDA0002272394820000095
和偏置aj、b的更新公式：
Figure BDA0002272394820000096
式中：η为BP神经网络学习率；
BP神经网络通过梯度下降法不断修正权重，直至总误差达到设定的精度或迭代次数超过最大迭代次数为止；
BAS是根据天牛觅食行为而设计的算法，其生物原理是：天牛在觅食时，无法知道食物在哪里。如果天牛左须感知食物气味强度比右须大，则天牛下一步往左边飞，否则往右边飞，直至找到食物为止。在n维寻优问题中，BAS将天牛抽象为一个质心，左右两须位于质心的两边，天牛下一步飞行后，天牛的朝向是随机的。图2给出了BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置x的过程，并按下述步骤进行：
S1:定义天牛朝向的随机方向向量
Figure BDA0002272394820000097
并作归一化处理：
式中：n为搜索空间的维数；
S2:创建天牛左右须空间位置：
Figure BDA0002272394820000102
式中：xrt为t次迭代时右须的空间位置，xlt为t次迭代时左须的空间位置，xt为t次迭代时天牛质心的空间位置，dt为t次迭代时两须之间的距离；
S3:计算左右两须适应度函数值f(xl)和f(xr)，并判断两者大小，更新天牛的空间位置为
Figure BDA0002272394820000103
式中：δt为t次迭代时的步长，sign()为符号函数。
S4:更新两须之间的步长和距离：
式中：etaδ是步长的衰减系数；c为常数；
最后判断BAS算法的适应度函数值是否达到设定的精度fbest或者迭代次数Iter是否超过最大迭代次数Itermax；若满足条件，则停止迭代，将此时的天牛空间位置xbest作为BP神经网络的最优初始权重，否则按S1-S4继续迭代。
c、利用训练样本集Train的Input、Output对构建好的BAS-BP模型进行训练，获得最优BAS-BP预测模型，再采用测试样本集Test的Input作为最优BAS-BP预测模型的输入，进而实现光伏发电功率的精准预测。
其中，本实施例中最优BAS-BP预测模型的预测结果如图3所示，前132个点为晴天预测结果，后132个点为非晴天预测结果。从图3中可以看出，本发明BAS-BP预测值与实际值非常的吻合，而且即使在非晴天的情况下，本发明也可以准确的预测出光伏发电功率，受外界的影响小。
综上所述，本发明利用BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置xbest，将其作为BP神经网络的初始权重，从而解决BP神经网络存在的收敛速度慢、易陷入局部最小值问题，同时BAS算法的寻优个体仅为一个，会大幅提高BAS-BP模型的整体运行速度，由此本发明可以大大提升光伏发电功率预测准确度和鲁棒性；本发明实用性强，预测数据稳定而又准确，能够充分保证电网的安全稳定运行，为电力系统调度部门制定合理的调度计划提供合理的数据依据。

Claims (7)

1.一种基于BAS-BP的光伏发电功率预测方法，其特征在于：按下述步骤进行：
a、获取光伏电站的历史光伏发电功率和气象数据，并对所述历史光伏发电功率和气象数据进行归一化处理形成数据集，将数据集分为训练样本集和测试样本集；
b、初始化BP神经网络，其拓扑结构确定为M-N-1形式，其中M、N、1分别代表3层BP神经网络的输入层、隐含层、输出层的节点数；初始化BAS算法并计算天牛的空间位置x处的适应度函数，BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置xbest，将xbest作为BP神经网络的初始权重，实现BAS-BP模型的构建；
c、利用训练样本集对构建好的BAS-BP模型进行训练，获得最优BAS-BP预测模型，再利用测试样本集的相应数据作为最优BAS-BP预测模型的输入，进而实现光伏发电功率的精准预测。
2.根据权利要求1所述的基于BAS-BP的光伏发电功率预测方法，其特征在于：步骤b中，运用初始化后的BP神经网络进行光伏发电功率的拟合，得到光伏发电功率的拟合值；将光伏发电功率的拟合值和期望值的均方误差作为BAS算法的适应度函数fitnessx：
式中：M为训练样本集的总个数，和y分别为BP神经网络的拟合值和期望值。
3.根据权利要求2所述的基于BAS-BP的光伏发电功率预测方法，其特征在于：所述的BP神经网络包括输入层、隐含层和输出层，各层节点数分别为K、J、1；
设其输入为x1,x2,…,xk，则第j个隐含层节点输出为
Figure FDA0002272394810000021
式中：
Figure FDA0002272394810000022
为隐含层权重；aj为隐含层偏置；f为隐含层转换函数，取
Figure FDA0002272394810000023
输出层的输出为
Figure FDA0002272394810000024
式中：
Figure FDA0002272394810000025
为输出层权重；b为输出层偏置；
根据实际输出O和期望输出H，BP神经网络的误差确定为：
Figure FDA0002272394810000026
根据误差E，以α统一表示BP神经网络权重
Figure FDA0002272394810000027
和偏置aj、b的更新公式：
式中：η为BP神经网络学习率；
BP神经网络通过梯度下降法不断修正权重，直至总误差达到设定的精度或迭代次数超过最大迭代次数为止。
4.根据权利要求1-3任一项所述的基于BAS-BP的光伏发电功率预测方法，其特征在于：步骤b中，所述BAS算法通过不断迭代寻找适应度函数最小时的天牛空间位置xbest的过程如下：
S1:定义天牛朝向的随机方向向量
Figure FDA0002272394810000031
并作归一化处理：
Figure FDA0002272394810000032
式中：n为搜索空间的维数；
S2:创建天牛左右须空间位置：
Figure FDA0002272394810000033
式中：xrt为t次迭代时右须的空间位置，xlt为t次迭代时左须的空间位置，xt为t次迭代时天牛质心的空间位置，dt为t次迭代时两须之间的距离；
S3:计算左右两须适应度函数值f(xl)和f(xr)，并判断两者大小，更新天牛的空间位置为
Figure FDA0002272394810000034
式中：δt为t次迭代时的步长，sign()为符号函数。
S4:更新两须之间的步长和距离：
Figure FDA0002272394810000035
式中：etaδ是步长的衰减系数；c为常数；
最后判断BAS算法的适应度函数值是否达到设定的精度fbest或者迭代次数Iter是否超过最大迭代次数Itermax；若满足条件，则停止迭代，将此时的天牛空间位置xbest作为BP神经网络的最优初始权重，否则按S1-S4继续迭代。
5.根据权利要求1所述的基于BAS-BP的光伏发电功率预测方法，其特征在于：所述步骤a中的气象数据包括太阳辐射强度I、温度T、风速v，对所述历史光伏发电功率P、太阳辐射强度I、温度T和风速v均进行归一化处理，其归一化处理的公式如下：
Figure FDA0002272394810000041
式中：X为归一化前的变量；max(X)、min(X)分别为X的最大值和最小值；Y为归一化后的变量，归一化后的历史光伏发电功率、太阳辐射强度、温度、风速仍用P、I、T、v表示。
6.根据权利要求5所述的基于BAS-BP的光伏发电功率预测方法，其特征在于：所述步骤a中，构造训练样本集Train和测试样本集Test的输入输出矩阵：
Figure FDA0002272394810000042
式中：Input为Train或Test的输入；Output为Train或Test的输出，P、I、T、v分别为历史光伏发电功率、太阳辐射强度、温度、风速。
7.根据权利要求6所述的基于BAS-BP的光伏发电功率预测方法，其特征在于：步骤c中，利用训练样本集Train的Input、Output对构建好的BAS-BP模型进行训练，获得最优BAS-BP预测模型，再采用测试样本集Test的Input作为最优BAS-BP预测模型的输入，进而实现光伏发电功率的精准预测。
CN201911109789.3A 2019-11-14 2019-11-14 一种基于bas-bp的光伏发电功率预测方法 Pending CN110852902A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911109789.3A CN110852902A (zh) 2019-11-14 2019-11-14 一种基于bas-bp的光伏发电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911109789.3A CN110852902A (zh) 2019-11-14 2019-11-14 一种基于bas-bp的光伏发电功率预测方法

Publications (1)

Publication Number Publication Date
CN110852902A true CN110852902A (zh) 2020-02-28

Family

ID=69600420

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911109789.3A Pending CN110852902A (zh) 2019-11-14 2019-11-14 一种基于bas-bp的光伏发电功率预测方法

Country Status (1)

Country Link
CN (1) CN110852902A (zh)

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507044A (zh) * 2020-03-30 2020-08-07 江苏益邦电力科技有限公司 一种手工多芯线束rlcg参数矩阵预测方法
CN111612733A (zh) * 2020-04-02 2020-09-01 杭州电子科技大学 一种面向医学影像数据分析的卷积神经网络优化方法
CN112163376A (zh) * 2020-10-09 2021-01-01 江南大学 一种基于天牛须搜索的极端随机树炉温预测控制方法
CN112215412A (zh) * 2020-09-27 2021-01-12 中国农业大学 溶解氧预测方法及装置
CN112418495A (zh) * 2020-11-10 2021-02-26 江苏农林职业技术学院 一种基于天牛须优化算法和神经网络的建筑能耗预测方法
CN112669169A (zh) * 2020-12-15 2021-04-16 国网辽宁省电力有限公司阜新供电公司 一种短期光伏功率预测装置及方法
CN112926117A (zh) * 2021-03-01 2021-06-08 郑州大学 一种基于bas-bp的桩基水平承载力预测方法
CN113177675A (zh) * 2021-05-28 2021-07-27 西安建筑科技大学 一种基于天牛群算法优化神经网络的空调冷负荷预测方法
CN113469426A (zh) * 2021-06-23 2021-10-01 国网山东省电力公司东营供电公司 基于改进bp神经网络的光伏输出功率预测方法及系统
CN113486573A (zh) * 2021-06-18 2021-10-08 国网江西省电力有限公司电力科学研究院 电缆线芯温度预测方法
CN113705891A (zh) * 2021-08-27 2021-11-26 南京林业大学 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法
CN114697200A (zh) * 2022-03-30 2022-07-01 合肥工业大学 一种5g配网分布式保护系统的保护装置配比优化方法
CN116245259A (zh) * 2023-05-11 2023-06-09 华能山东发电有限公司众泰电厂 基于深度特征选择的光伏发电预测方法、装置和电子设备
CN117039894A (zh) * 2023-10-09 2023-11-10 国家电投集团江西电力工程有限公司 基于改进蜣螂优化算法的光伏功率短期预测方法及系统
CN117117859A (zh) * 2023-10-20 2023-11-24 华能新能源股份有限公司山西分公司 基于神经网络的光伏发电功率预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913150A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 一种基于遗传算法的bp神经网络光伏电站发电量预测方法
CN109255490A (zh) * 2018-09-28 2019-01-22 西安建筑科技大学 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法
CN110222888A (zh) * 2019-05-27 2019-09-10 深圳供电局有限公司 一种基于bp神经网络的日平均电力负荷预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105913150A (zh) * 2016-04-12 2016-08-31 河海大学常州校区 一种基于遗传算法的bp神经网络光伏电站发电量预测方法
CN109255490A (zh) * 2018-09-28 2019-01-22 西安建筑科技大学 一种基于kpca-bas-grnn的埋地管道外腐蚀速率预测方法
CN110222888A (zh) * 2019-05-27 2019-09-10 深圳供电局有限公司 一种基于bp神经网络的日平均电力负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨洁等: "基于BAS-BP神经网络的遮盖干扰信号识别", 《西安邮电大学学报》 *
王甜甜等: "基于BAS-BP模型的风暴潮灾害损失预测", 《海洋环境科学》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507044B (zh) * 2020-03-30 2023-10-20 江苏益邦电力科技有限公司 一种手工多芯线束rlcg参数矩阵预测方法
CN111507044A (zh) * 2020-03-30 2020-08-07 江苏益邦电力科技有限公司 一种手工多芯线束rlcg参数矩阵预测方法
CN111612733A (zh) * 2020-04-02 2020-09-01 杭州电子科技大学 一种面向医学影像数据分析的卷积神经网络优化方法
CN112215412A (zh) * 2020-09-27 2021-01-12 中国农业大学 溶解氧预测方法及装置
CN112215412B (zh) * 2020-09-27 2023-12-22 中国农业大学 溶解氧预测方法及装置
CN112163376A (zh) * 2020-10-09 2021-01-01 江南大学 一种基于天牛须搜索的极端随机树炉温预测控制方法
CN112163376B (zh) * 2020-10-09 2024-03-12 江南大学 一种基于天牛须搜索的极端随机树炉温预测控制方法
CN112418495A (zh) * 2020-11-10 2021-02-26 江苏农林职业技术学院 一种基于天牛须优化算法和神经网络的建筑能耗预测方法
CN112669169A (zh) * 2020-12-15 2021-04-16 国网辽宁省电力有限公司阜新供电公司 一种短期光伏功率预测装置及方法
CN112669169B (zh) * 2020-12-15 2024-04-30 国网辽宁省电力有限公司阜新供电公司 一种短期光伏功率预测装置及方法
CN112926117A (zh) * 2021-03-01 2021-06-08 郑州大学 一种基于bas-bp的桩基水平承载力预测方法
CN113177675B (zh) * 2021-05-28 2023-05-23 西安建筑科技大学 一种基于天牛群算法优化神经网络的空调冷负荷预测方法
CN113177675A (zh) * 2021-05-28 2021-07-27 西安建筑科技大学 一种基于天牛群算法优化神经网络的空调冷负荷预测方法
CN113486573A (zh) * 2021-06-18 2021-10-08 国网江西省电力有限公司电力科学研究院 电缆线芯温度预测方法
CN113469426A (zh) * 2021-06-23 2021-10-01 国网山东省电力公司东营供电公司 基于改进bp神经网络的光伏输出功率预测方法及系统
CN113705891B (zh) * 2021-08-27 2024-02-13 南京林业大学 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法
CN113705891A (zh) * 2021-08-27 2021-11-26 南京林业大学 基于mra-bas-bp算法的城市商办综合体建筑停车需求预测方法
CN114697200A (zh) * 2022-03-30 2022-07-01 合肥工业大学 一种5g配网分布式保护系统的保护装置配比优化方法
CN116245259B (zh) * 2023-05-11 2023-10-31 华能山东泰丰新能源有限公司 基于深度特征选择的光伏发电预测方法、装置和电子设备
CN116245259A (zh) * 2023-05-11 2023-06-09 华能山东发电有限公司众泰电厂 基于深度特征选择的光伏发电预测方法、装置和电子设备
CN117039894A (zh) * 2023-10-09 2023-11-10 国家电投集团江西电力工程有限公司 基于改进蜣螂优化算法的光伏功率短期预测方法及系统
CN117039894B (zh) * 2023-10-09 2024-04-05 国家电投集团江西电力工程有限公司 基于改进蜣螂优化算法的光伏功率短期预测方法及系统
CN117117859A (zh) * 2023-10-20 2023-11-24 华能新能源股份有限公司山西分公司 基于神经网络的光伏发电功率预测方法及系统
CN117117859B (zh) * 2023-10-20 2024-01-30 华能新能源股份有限公司山西分公司 基于神经网络的光伏发电功率预测方法及系统

Similar Documents

Publication Publication Date Title
CN110852902A (zh) 一种基于bas-bp的光伏发电功率预测方法
CN110059878B (zh) 基于cnn lstm光伏发电功率预测模型及其构建方法
CN108053061B (zh) 一种基于改进卷积神经网络的太阳能辐照度预测方法
CN108564206B (zh) 一种基于分布式优化和空间相关性的风电功率预测方法
CN110942205B (zh) 一种基于himvo-svm的短期光伏发电功率预测方法
CN103489038A (zh) 基于lm-bp神经网络的光伏超短期功率预测方法
CN106447098A (zh) 一种光伏超短期功率预测方法及装置
CN110443725A (zh) 基于cnn+lstm的风电功率预测模型
CN109523084A (zh) 一种基于主元分析和机器学习的风电功率超短期预测方法
CN111260126A (zh) 计及天气与气象因子关联度的短期光伏发电预测方法
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN107103154A (zh) 一种光伏组件模型参数辨识方法
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
Chitsazan et al. Wind speed forecasting using an echo state network with nonlinear output functions
CN112149883A (zh) 基于fwa-bp神经网络的光伏功率预测方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
Wang et al. Ultra-short-term wind power forecasting based on deep belief network
CN108468622B (zh) 基于极限学习机的风电机组叶根载荷估计方法
CN116629416A (zh) 光伏电站功率预测方法及装置
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN106100582A (zh) 基于带遗忘因子的递推最小二乘光伏电池参数辨识方法
Sun et al. Short-term photovoltaic power prediction modeling based on AdaBoost algorithm and Elman
CN110276478B (zh) 基于分段蚁群算法优化svm的短期风电功率预测方法
Wang et al. Accurate solar cell modeling via genetic Neural network-based Meta-Heuristic algorithms
CN105956720A (zh) 一种基于t-s模糊模型的风电功率超短期预测方法

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