CN112085272A - 一种风功率预测方法 - Google Patents
一种风功率预测方法 Download PDFInfo
- Publication number
- CN112085272A CN112085272A CN202010937652.3A CN202010937652A CN112085272A CN 112085272 A CN112085272 A CN 112085272A CN 202010937652 A CN202010937652 A CN 202010937652A CN 112085272 A CN112085272 A CN 112085272A
- Authority
- CN
- China
- Prior art keywords
- wind power
- value
- training
- characteristic information
- particle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000007637 random forest analysis Methods 0.000 claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 42
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 4
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010606 normalization Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 238000005259 measurement Methods 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241001669679 Eleotris Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening 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
- 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
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Development Economics (AREA)
Abstract
本发明公开了一种风功率预测方法,包括有两个部分:第一个部分是基于随机森林的特征信息选择,首先利用风电功率的特征信息(风速、风向、气温、气压、湿度、风电功率历史数值等)的历史样本训练随机森林模型,求出所有特征信息对应的预测重要性指标PI,之后以PI的大小为依据,选择出风电功率最优的特征信息集合Q;第二个部分是基于DNN模型的风电功率预测,也就是将风电功率最优的特征信息集合历史值作为输入,通过RBM的逐步训练与PSO的精调操作后,构建出合理的DNN网络,最后将集合Q的历史值组成的测试数据集作为DNN模型输入,通过计算得到待预测的风电功率数值,这个方法提高风功率的预测精度。
Description
技术领域
本发明属于新能源技术领域,涉及一种风功率预测方法。
背景技术
21世纪以来,随着传统化石能源日渐枯竭,以风电为代表的可再生能源开始 成为世界能源开发的趋势与潮流。可再生能源在以下几个方面有不可替代的作用: 由于在发电过程中没有污染气体的排放,有效的保护了生态环境,其次也保证了 确保国家的能源安全,最后由于它的成本一般较低,具有无可比拟的经济性。
目前常用的风电功率预测方法存在一定不足,其体现在预测过程中,多数预 测模型将风电场的所有历史数据作为模型输入,未能对特征信息(风电功率、风 速、气温、气压等)进行重要性的排序与筛选,从而降低了预测精度与效果。此 外相对优秀的启发式预测方法也存在着隐含层不足,无法深度捕捉模型输入与输 出关系的问题。再次,风电功率数据受到风速、风向和气压等气象因素的影响, 一些模型在对风功率数据进行分解的时候忽略了这些影响因素对风功率数据的 影响,使得预测效果不佳。
发明内容
本发明的目的是提供一种风功率预测方法,解决了现有技术中存在的风功率 的预测精度低的问题。
本发明所采用的技术方案是,一种风功率预测方法,包括以下步骤:
步骤1、将风电功率历史值、天气因素(风向、风速、气温、气压、湿度等) 历史值等特征信息作为训练数据集用于训练随机森林RF;
步骤2、计算出所有特征信息的PI值,利用序列的反向搜索方法挑选出风电 功率最优特征信息集合Q;
步骤3、将最优特征信息集合Q的历史值作为训练DNN网络的数据集,输入 至DNN模型,完成DNN的初始化;
步骤4、采用“逐层初始化”的思想,使用受限玻尔兹曼机(restricted Boltzmannmachine,RBM)逐层对DNN网络进行粗略的预训练,通过RBM的计算 得到与收敛解近似的隐含层权重系数w与阈值系数b。
步骤5、通过粒子群优化算法(Particle Swarm Optimization,PSO)对权 重系数与阈值系数进行更为精细的调整,得到参数优良的DNN网络。
步骤6、将最优特征信息集合Q组成的预测数据集作为DNN模型输入,通过 计算得到待预测的风电功率数值。
本发明的有益效果是:
本发明是一种风功率预测方法,其预测模型主要有两个部分:第一个部分是 基于随机森林的特征信息选择,首先利用风电功率的特征信息(风速、风向、气 温、气压、湿度、风电功率历史数值等)的历史样本训练随机森林模型,求出所 有特征信息对应的预测重要性指标PI,之后以PI的大小为依据,选择出风电功 率最优的特征信息集合Q;第二个部分是基于DNN模型的风电功率预测,也就是 将风电功率最优的特征信息集合历史值作为输入,通过RBM的逐步训练与PSO的 精调操作后,构建出合理的DNN网络,最后将集合Q的历史值组成的测试数据集 作为DNN模型输入,通过计算得到待预测的风电功率数值。该预测效果好,精度 高。
附图说明
图1是本发明一种风功率预测方法的技术路线图。
图2是本发明一种风功率预测方法中DNN模型的结构示意图。
图3是本发明一种风功率预测方法中粒子群算法的流程示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种风功率预测方法,如图1所示,包括以下步骤:
步骤1.1、以初始风电功率特征信息集合作为输入,以此训练随机森林。待 训练完成后,可以得到所有特征信息的PI值,此时利用测试集评估随机森林算 法的预测精度Pall,并把这个值设定为预测阈值。
步骤1.2、把所有特征信息的PI值按从大到小的顺序进行排序。排序完成后, 将前10个PI值对应的特征信息导入至初始为空集合的粗选特征信息集合Qpre中, 同时把这些特征信息从初始的特征集合M中删除。
步骤1中特征信息Fj在第i颗决策树的PI值:
PIi(Fj)=OOBerrori'-OOBerrori (1)
按照同样的原理对随机森林中的每一颗决策树求取对应的PI值,最后对所 有求得的PI值进行平均处理,其结果就是特征信息Fj的PI值:
袋外数据误差(OOBerror),如式(3):
式中:n是数据样本的总个数;yr是数据样本的实际值;yp是数据样本的预测值。
步骤2、建立特征集合;
如表1所示。风功率的大小会受到风速、温度和风向等特征因素的影响,因 此,风功率经会受到不同特征的影响;
表1影响特征名称及表示方法
表中温度、湿度、气压、风向正弦、风向余弦为预测时刻的测量值,St与Pt为 历史值,代表t分钟前的风速或风电功率,例如S0代表t时刻的风速测量值(需 要注意的是,待预测时刻记为t+1),S30代表30分钟前的风速测量值,P30代表 30分钟前的风电功率测量值。
步骤3.1、在利用DNN网络进行风电功率预测时,风能与空气密度之间密不 可分,大气温度、湿度与气压以及其他参数又会影响到空气密度,故DNN模型输 入数据应该含有风速,风向,温度,气压和湿度等数据。那么首先需要对所有数 据进行归一化处理,
(1)风速归一化
一般情况下,风机在3米/秒至25米/秒之间的风速区间运行,并且陆地上 的最大风速通常小于等于30米/秒。显然,不同区域的最大风速不同。风速可以 归一化如下:
式中:Vg——经规范化以后获得的风速值,Vt——从数值天气预报得到的风 速值,Vmax——实际运行的最大风速值。
(2)风向归一化
风向规范化的方法如图1-3所示:以北方向为x轴正方向,东方向为y轴正 方向。风向的sin在0°至180°之间为正,从180°至360°为负;风向的cos 在0°至90°和270°至360°之间为正,在90°至270°之间为负。据此,组 合正弦风向以及余弦风向后即可表示全部的风向。
(3)气温归一化
气温规范化的措施与风速规范化的措施大体相同,如下式所示
式中:Tg——规范化后的气温值,Tt——数值天气预报得到的气温,|Tt|max— —对气温取绝对值后的最大值。
(4)气压归一化
气压归一化与风速、气温归一化的途径相同,如下式所示
式中:Prg——归一化后的气压值;Prt——是从数值天气预报得到的气压值,Prmax——气象观测的最高气压。
(5)湿度值的标准化
对湿度值进行标准化的方法与上述几个变量的标准化方法基本一致:
式中:Hg——Ht经过标准化后的值,Ht——从数值天气预报得到的湿度值,Hmax——最大湿度值。
之后将所有测试数据输入至DNN网络,通过两步构造出合适的结构。第一步 使用受限玻尔兹曼机(restricted Boltzmann machine,RBM)逐层对DNN网络 进行粗略的预训练,通过RBM的计算得到与收敛解近似的隐含层权重系数w与阈 值系数b。第二步通过粒子群优化算法(Particle Swarm Optimization,PSO) 对权重系数与阈值系数进行更为精细的调整,这一步也可认为是“微调”。通过 这两个步骤,可以极大地提升DNN网络的精细程度。
步骤3.2、在使用受限玻尔兹曼机(RBM)时,采用目前常用的单步长交替 GIbbs采样的对比散度算法(Contrastive Divergence)进行训练,从而大大的提 升RBM的训练速度。算法一开始的初值是已知的训练样本值,以此作为可见节点 单元向量的初值状态,并记为vdata,之后使用式(8)计算出隐含层的初始状态值 hdata:
式中:m——可见层的可见单元的个数。
在第一次对隐含层的所有单元完成迭代计算后,进行一次整体的交替GIbbs采样,也就是利用式(9)对所有可见单元的状态进行调整,从而得到vnew,之后利用之 前的式(8)对隐含单元的状态进行调整,得到hnew。
由此,可以得到可见节点单元与隐含节点单元的权值更新公式、可见节点单元与隐含节点单元的阈值更新公式为:
Δwij=s·(<vi·hj>data-<vi·hj>new) (10)
Δbi=s·(<vi>data-<vi>new) (11)
Δcj=s·(<hj>data-<hj>new) (12)
式中:S——学习速率,一般取s为0.004
通过受限玻尔兹曼机的预训练,得到与收敛解近似的隐含层权重系数w与阈 值系数b,之后使用粒子群优化算法对DNN的权值阈值进行更为精细的调整,也 就是参数值的“微调”。
步骤3.3、粒子群优化算法(Particle Swarm Optimization,PSO)的数学 模型可以表示为:存在一个粒子群x=[x1,x2,x3,…xm](式中m为这个粒子群中总体的 粒子个数),这个粒子群存在于一个n维的空间,寻优过程也在这个空间内进行。 第i个粒子的空间位置表示为xi=[xi1,xi2,xi3,…xin],与此对应的第i个粒子搜索速度 为vi=[vi1,vi2,vi3,…vin],而第i个粒子历史最优空间位置为pi=[pi1,pi2,pi3,…pin],所有粒 子的全局空间最优位置为pg=[pg1,pg2,pg3,…pgn],在算法运行过程中,粒子的搜索速 度与空间位置会按式(13)和式(14)发生变化:
vid(k+1)=ωvid(k)+c1r1(pid-xid(k))+c2r2(pgd-xid(k)) (13)
xid(k+1)=xid(k)+vid(k+1) (14)
式中:vid(k)——第i个粒子对应于第d维上的第k次变化时的速度;xid(k)——第i个粒子对应于第d维上的第k次变化时的位置;ω——惯性系数;c1,c2——加 速系数;r1,r2——位于0到1之间随机数;pid——第i个粒子对应于第d维上的 历史最优位置;pgd——所有粒子对应于第d维上的历史最优位置。
在式(14)中,惯性系数ω起到了非常重要的最用,它反映了历史的粒子速 度与最新的粒子速度之间的关系,通过控制惯性系数ω的大小可以调整粒子群算 法的搜索速度与寻优速度,影响局部寻优与全局寻优的结果。一般来说,惯性系 数越大,代表新的粒子速度更快,搜索速度得到提高,全局的搜索能力较强但局 部搜索能力较弱。与此相反,惯性系数越小,新的粒子速度会变慢,搜索速度降 低,全局搜索能力较弱但局部搜索能力较强。为了更好的平衡惯性系数对局部搜 索与全局搜索的影响,提出采用动态的惯性系数,其迭代过程如式(15)所示:
式中:ωmax——惯性系数的最大值;ωmin——惯性系数的最小值;kmax——迭代次数的最大值;k——当前的迭代次数。
步骤3.4、将这个DNN网络用于预测风电功率,图2就是构造出的模型结构, 其含有1个输入层,多个隐含层及一个输出层。在已知历史风电功率数值与天气 情况的条件下,就可以通过DNN网络得到待预测时期的风电功率。
步骤4、对预测结果进行评价。
采用(1)平均绝对误差MAE(2)平均绝对百分比误差MAPE(3)均方误差 MSE(4)均方根误差RMSE,四个评价指标分别对风功率预测值进行评价:
式中:PMi——i时刻的风电功率实际值,PPi——i时刻的风电功率预测值,n——预测期内预测点的个数
实施例
为验证本章提出的预测模型的有效性,将该方法应用到两个不同的风电场, 分别记为风电场1与风电场2,每个风电场的风功率数据分辨率为10分钟,风电 场每天有144个数据点。
风电场1位于中国甘肃省,地处40°11'22.5"N,96°59'27.5"E,名为洁源 地卧铺风电场,总装机容量为49.5MW,在建立DNN风电功率预测模型时,采用 2017年8月1日到25日共计3600个数据点进行建模,利用26日-31日共计864 个数据点进行测试,验证预测模型的效果。
风电场2位于中国甘肃省,地处40°36'17.9"N,95°48'23.5"E,名为向阳 风电场,总装机容量为49.5MW,在建立DNN风电功率预测模型时,采用2017年 8月1日到25日共计3600个数据点进行建模,利用26日-31日共计864个数据 点进行测试,验证预测模型的效果。
为了与RF-DNN网络进行对比,选取SVM、ARMA算法进行结果对比,验证提 出的DNN网络风电功率预测模型的有效性,其中SVM选取RBF核函数,损失函数 P=0.1,终止判据e=0.001;ARMA算法中P=2,Q=5;根据以上设定,得到风电场1 与风电场2预测时段的风电功率,对比结果表1所示;
表2 4同方法在2个风电场下的预测结果
从表中可以看到,RF-DNN风电功率预测方法的MAE、MAPE、MSE、RMSE指标 都比其他的预测算法小,说明提出的方法预测效果要明显好于其他的三种对比算 法;总体上来看,由于特征信息输入DNN预测模型前经过了RF算法的筛选,有 效降低了预测时段的误差。所提出的RF-DNN预测模型精度最高,预测效果最好。
Claims (5)
1.一种风功率预测方法,其特征在于,包括以下步骤:
步骤1、将风电功率历史值、天气因素即风向、风速、气温、气压、湿度历史值特征信息作为训练数据集用于训练随机森林RF,计算出所有特征信息的PI值,利用序列的反向搜索方法挑选出风电功率最优特征信息集合Q;
步骤2、将最优特征信息集合Q的历史值作为训练DNN网络的数据集,输入至DNN模型,完成DNN的初始化;使用受限玻尔兹曼机逐层对DNN网络进行粗略的预训练,通过RBM的计算得到与收敛解近似的隐含层权重系数w与阈值系数b;
步骤3、通过粒子群优化算法对权重系数与阈值系数进行更为精细的调整,得到参数优良的DNN网络;
步骤4、将最优特征信息集合Q组成的预测数据集作为DNN模型输入,通过计算得到待预测的风电功率数值。
2.根据权利要求1所述的一种风功率预测方法,其特征在于,所述步骤1具体包括:
步骤1.1、以初始风电功率特征信息集合作为输入,以此训练随机森林。待训练完成后,可以得到所有特征信息的PI值,此时利用测试集评估随机森林算法的预测精度Pall,并把这个值设定为预测阈值;
步骤1.2、把所有特征信息的PI值按从大到小的顺序进行排序。排序完成后,将前10个PI值对应的特征信息导入至初始为空集合的粗选特征信息集合Qpre中,同时把这些特征信息从初始的特征集合M中删除;
3.根据权利要求1所述的一种风功率预测方法,其特征在于,所述步骤2具体包括:
步骤2.1、使用受限玻尔兹曼机时,采用目前常用的单步长交替GIbbs采样的对比散度算法(Contrastive Divergence)进行训练,从而大大的提升RBM的训练速度。算法一开始的初值是已知的训练样本值,以此作为可见节点单元向量的初值状态,并记为vdata,之后使用式(20)计算出隐含层的初始状态值hdata:
式中:m——可见层的可见单元的个数;
在第一次对隐含层的所有单元完成迭代计算后,进行一次整体的交替GIbbs采样,也就是利用式(21)对所有可见单元的状态进行调整,从而得到vnew,之后利用之前的式(20)对隐含单元的状态进行调整,得到hnew;
由此,可以得到可见节点单元与隐含节点单元的权值更新公式、可见节点单元与隐含节点单元的阈值更新公式为:
Δwij=s·(<vi·hj>data-<vi·hj>new) (22)
Δbi=s·(<vi>data-<vi>new) (23)
Δcj=s·(<hj>data-<hj>new) (24)
式中:S——学习速率,一般取s为0.004
通过受限玻尔兹曼机的预训练,得到与收敛解近似的隐含层权重系数w与阈值系数b,之后使用粒子群优化算法对DNN的权值阈值进行更为精细的调整,也就是参数值的“微调”;
步骤2.2、粒子群优化算法(Particle Swarm Optimization,PSO)的数学模型可以表示为:存在一个粒子群x=[x1,x2,x3,…xm](式中m为这个粒子群中总体的粒子个数),这个粒子群存在于一个n维的空间,寻优过程也在这个空间内进行。第i个粒子的空间位置表示为xi=[xi1,xi2,xi3,…xin],与此对应的第i个粒子搜索速度为vi=[vi1,vi2,vi3,…vin],而第i个粒子历史最优空间位置为pi=[pi1,pi2,pi3,…pin],所有粒子的全局空间最优位置为pg=[pg1,pg2,pg3,…pgn],在算法运行过程中,粒子的搜索速度与空间位置会按式(25)和式(26)发生变化:
vid(k+1)=ωvid(k)+c1r1(pid-xid(k))+c2r2(pgd-xid(k)) (25)
xid(k+1)=xid(k)+vid(k+1) (26)
式中:vid(k)——第i个粒子对应于第d维上的第k次变化时的速度;xid(k)——第i个粒子对应于第d维上的第k次变化时的位置;ω——惯性系数;c1,c2——加速系数;r1,r2——位于0到1之间随机数;pid——第i个粒子对应于第d维上的历史最优位置;pgd——所有粒子对应于第d维上的历史最优位置;
在式(26)中,惯性系数ω起到了非常重要的最用,它反映了历史的粒子速度与最新的粒子速度之间的关系,通过控制惯性系数ω的大小可以调整粒子群算法的搜索速度与寻优速度,影响局部寻优与全局寻优的结果;为了更好的平衡惯性系数对局部搜索与全局搜索的影响,提出采用动态的惯性系数,其迭代过程如式(27)所示:
式中:ωmax——惯性系数的最大值;ωmin——惯性系数的最小值;kmax——迭代次数的最大值;k——当前的迭代次数。
4.根据权利要求1所述的一种风功率预测方法,其特征在于,所述步骤4的DNN网络含有1个输入层,多个隐含层及一个输出层。在已知历史风电功率数值与天气情况的条件下,就可以通过DNN网络得到待预测时期的风电功率。
5.根据权利要求1所述的一种风功率预测方法,其特征在于,采用平均绝对误差、平均绝对百分比误差、均方误差、均方根误差、对分别所述风功率预测值进行评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010937652.3A CN112085272A (zh) | 2020-09-07 | 2020-09-07 | 一种风功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010937652.3A CN112085272A (zh) | 2020-09-07 | 2020-09-07 | 一种风功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112085272A true CN112085272A (zh) | 2020-12-15 |
Family
ID=73732208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010937652.3A Pending CN112085272A (zh) | 2020-09-07 | 2020-09-07 | 一种风功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112085272A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580874A (zh) * | 2020-12-21 | 2021-03-30 | 中国矿业大学(北京) | 一种基于随机森林算法和tcn的短期风电功率预测方法 |
CN116050666A (zh) * | 2023-03-20 | 2023-05-02 | 中国电建集团江西省电力建设有限公司 | 一种辐照特征聚类的光伏发电功率预测方法 |
-
2020
- 2020-09-07 CN CN202010937652.3A patent/CN112085272A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112580874A (zh) * | 2020-12-21 | 2021-03-30 | 中国矿业大学(北京) | 一种基于随机森林算法和tcn的短期风电功率预测方法 |
CN116050666A (zh) * | 2023-03-20 | 2023-05-02 | 中国电建集团江西省电力建设有限公司 | 一种辐照特征聚类的光伏发电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109802430B (zh) | 一种基于LSTM-Attention网络的风电电网控制方法 | |
CN111310889B (zh) | 一种基于深度神经网络的蒸发波导剖面估计方法 | |
CN108491970B (zh) | 一种基于rbf神经网络的大气污染物浓度预测方法 | |
CN108197744B (zh) | 一种光伏发电功率的确定方法及系统 | |
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN112288164A (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN110264002B (zh) | 基于聚类分析的风电场微观选址方案评价方法 | |
CN105354620A (zh) | 一种风机发电功率的预测方法 | |
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 | |
CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN112085272A (zh) | 一种风功率预测方法 | |
CN109146192B (zh) | 一种考虑风电机组运行工况的风电功率预测方法 | |
CN114298140A (zh) | 一种考虑机组分类的风电短期功率预测校正方法 | |
CN105138729B (zh) | 基于pso‑grnn风电场风电机缺损风速值填充方法 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN113705922A (zh) | 一种改进的超短期风电功率预测算法及模型建立方法 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及系统 | |
CN111062516A (zh) | 一种基于gmdh多变量处理的风机出力预测的方法 | |
CN107527093B (zh) | 一种风电机组运行状态诊断方法及装置 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN117370766A (zh) | 一种基于深度学习的卫星任务规划方案评估方法 | |
CN113095547A (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络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 |