CN112330487B - 一种光伏发电短期功率预测方法 - Google Patents
一种光伏发电短期功率预测方法 Download PDFInfo
- Publication number
- CN112330487B CN112330487B CN202011206980.2A CN202011206980A CN112330487B CN 112330487 B CN112330487 B CN 112330487B CN 202011206980 A CN202011206980 A CN 202011206980A CN 112330487 B CN112330487 B CN 112330487B
- Authority
- CN
- China
- Prior art keywords
- particle
- formula
- particles
- algorithm
- updating
- 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
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Abstract
本发明为一种光伏发电短期功率预测方法,该方法包括以下内容:获取光伏电站包括各种气象信息影响因素的历史数据,并应用互信息提取出互信息值大于0.7所对应的主要影响因素,以所提取的主要影响因素构成训练和测试数据样本;建立Elman神经网络,并对网络参数进行初始化,以样本作为神经网络的输入,神经网络的输入向量维度与所提取的主要影响因素的数量一致;利用改进的杂交粒子群‑禁忌搜索混合算法优化神经网络的网络结构单元的连接权值,将互信息提取的主要影响因素输入优化后的Elman神经网络进行最后的预测,得到光伏发电功率。该方法有效的解决易早熟问题,避免了局部收敛和粒子搜索能力的下降,防止陷入局部最优,整体实现了光伏预测的准确性。
Description
技术领域
本发明属于光伏发电领域,具体设计一种光伏发电短期功率预测方法,根据光伏的历史数据,应用基于改进的杂交粒子群-禁忌搜索混合算法对未来数小时的光伏电站功率进行准确地预测。
背景技术
光伏发电已经成为当今中国能源系统重要的一环,如今光伏发电技术已经足够成熟,对光伏功率准确的预测是电网安全调度等的重要依据,对电网安全调度具有重要意义。
光伏发电功率受多种因素影响,具有不稳定性和波动性,所以对于光伏功率的预测较为困难,对于光伏功率的预测,传统的智能方法存在泛化能力不强和易陷入局部最优的问题。因此很难对光伏发电功率进行准确地预测。
然而,为了得到更准确的输出,一般对神经网络进行优化,从而会使预测结果更加精确,误差更小。因此,选择合适的优化方法对神经网络进行优化显得尤为重要,基于此,文献《张佳伟,张自嘉.基于PSO-BP神经网络的短期光伏系统发电预测[J].可再生能源,2012,30(8):28-32.》采用粒子群优化算法对BP神经网络进行了优化,虽然结果更加准确,但粒子群优化算法易陷入局部最优和早熟收敛的问题,可能无法搜索到最优解。
发明内容
本发明的目的在于,提供一种光伏发电短期功率预测方法,该方法基于改进的杂交粒子群-禁忌搜索混合算法利用动态惯性权值w和动态学习因子作为控制群体搜索能力的机制,并将遗传算法的杂交概念引入粒子群优化算法中,再将粒子群优化算法与禁忌搜索算法相结合,最后通过历史数据完成对光伏功率的高准确性预测。
为实现本发明的目的,采用以下技术方案:
一种光伏发电短期功率预测方法,该方法包括以下内容:
获取光伏电站包括各种气象信息影响因素的历史数据,并应用互信息提取出互信息值大于0.7所对应的主要影响因素,以所提取的主要影响因素构成训练和测试数据样本,对样本进行归一化;
建立Elman神经网络,并对网络参数进行初始化,以上述归一化后的样本作为神经网络的输入,神经网络的输入向量维度与所提取的主要影响因素的数量一致;
利用改进的杂交粒子群-禁忌搜索混合算法优化神经网络的网络结构单元的连接权值,将互信息提取的主要影响因素输入优化后的Elman神经网络进行最后的预测,得到光伏发电功率;
改进的杂交粒子群-禁忌搜索混合算法的过程是:
随机初始化每个粒子,然后找到最优配置,再以动态惯性权值和动态学习因子更新粒子群中粒子的速度和位置并找到每个粒子的历史最佳位置,进而更新粒子的全局最优位置;
获取每个粒子的适应度值及粒子的平均适应度值;选取适应度值不大于平均适应度值的粒子进行杂交,产生新的粒子再以动态惯性权值和动态学习因子方式进行速度和位置的更新,记录杂交后粒子速度和位置更新过程中的适应度值,判断杂交更新过程中是否满足禁忌搜索的初始条件,若满足,用禁忌搜索算法进行局部搜索,输出最优解,若不满足,则继续对杂交后粒子进行全局搜索,时刻判断是否满足禁忌搜索的初始条件,直到达到杂交过程的最大迭代次数;
所述动态惯性权值ω包括与迭代次数相关的惯性权值ωt和与距离相关的惯性权值ωd,其表达式为公式(10):
ω=aωt+bωd (10)
其中,a和b都为常数且都位于0和1之间,满足关系a+b=1;
与迭代次数相关的惯性权值ωt获得过程是:首先随机给定初始惯性权值按照粒子群算法更新粒子速度和位置,再随机给定第二次迭代惯性权值,按照粒子群算法更新粒子速度和位置,在以后计算下一次惯性权值时,以t-1次之前的所有迭代次数中的最大惯性权值ωmax和最小惯性权值ωmin为基础获得t次迭代的与迭代次数相关的惯性权值,具体更新公式为公式(8):
式(8)中N为最大迭代次数,t为当前迭代次数;
与距离相关的惯性权值ωd根据距离的变化而变化,表达式为公式(9):
式中,dtj表示在t次迭代后,在粒子群中第j个粒子与其他粒子的平均距离,dmax和dmin分别表示t-1次迭代后所有粒子平均距离的最大值和最小值;
所述动态学习因子包括个体学习因子c1和社会学习因子c2,个体学习因子c1按照公式(11)更新,社会学习因子c2按照公式(12)更新;
c2=4-c1 (12)
式中,cmax和cmin是c1的初始值和最终值,N为最大迭代次数。
与现有方法相比,本发明的有益效果在于:
(1)本方法利用动态惯性权值w作为控制群体搜索能力的机制,获得更符合光伏预测的动态权值和动态学习因子的表达式,实现了在光伏预测情景下全局搜索能力和局部搜索能力的平衡,克服了粒子群算法易早熟和在全局最优解附近容易产生振荡现象的缺点,同时本申请中提取优质个体,再将遗传算法的杂交概念引入粒子群优化算法,令优质个体进行杂交,而非给一个杂交概率随机进行杂交,提高了粒子群的多样性,有效的解决易早熟问题,避免了局部收敛和粒子搜索能力的下降,同时结合禁忌搜索算法,可以防止其陷入局部最优,整体实现了光伏预测的准确性。
(2)本发明方法提取了优质个体进行杂交,从而得到更好的子代质量,禁忌搜索算法模拟了人的记忆函数,避免了搜索过程中的循环,同时设置了阈值条件,提高了算法运行效率及预测精度。
附图说明
图1改进的粒子群优化算法流程图
图2Elman神经网络结构图
图3三种方法对比结果图。
具体实施方式
下面结合实施例及附图进一步解释本发明,但并不以此作为对本申请保护范围的限定。
本发明一种光伏发电短期功率预测方法,该方法包括以下步骤:
步骤一:得到光伏电站近两年的历史数据包括辐照度、温度、湿度等(一般采集周期为10min或15min)。应用互信息提取主要的影响因素(可以是外部因素,也可以是内部因素,外部因素主要指气象因素,包括辐照度、温度、风速、湿度、气压、云量等),确认互信息值大于0.7所对应的因素为主要影响因素,主要影响因素的数量一般为3-6个。如式(1);
式中,p(x)、p(y)分别为两个随机变量x、y的边缘概率密度函数,p(x,y)为x,y的联合概率密度函数,I(x,y)为互信息,可以理解为知道y后对于减少x的不确定性的贡献,两个变量的相关性越强,互信息值也越大;如果两个变量相互独立,则互信息值为0。
步骤二:选取主要影响因素构成训练和测试数据样本,对样本进行归一化,如式(2)
步骤三:建立Elman神经网络,并对网络参数进行初始化。其结构图如图2所示,包括输入层、隐含层、承接层和输出层,其学习过程如式(3)-(5)所示;
y(k)=g(w3x(k)) (3)
x(k)=f(w1xc(k)+w2(u(k-1))) (4)
xc(k)=x(k-1) (5)
式中w1为输入层和隐含层之间的连接权值;w2为承接层和隐含层之间的连接权值;w3为隐含层和输出层之间的连接权值;u为r维输入向量,k为时间,r为筛选后的主要影响因素数量,在本实施例中为3);y为m维输出节点向量,m=1;x为n维中间节点单位向量;xc为n维反馈状态向量,本实施例中n=5;g()为输出层的传递函数,f()为隐含层的传递函数。
步骤四改进的杂交粒子群-禁忌搜索混合算法
4.1动态惯性权值和动态学习因子改进粒子群算法:
标准的Elman神经网络对结构单元的连接权值学习稳定性差,逼近精度不高,使用改进粒子群优化算法优化网络结构单元的连接权值。
随机初始化粒子群,然后找到最优配置,粒子群算法在每次迭代中根据式(6)-(7)更新粒子的速度和位置,
x(t+1)=ωx[t]+c1*rand()(Pb[t]-P[t])+c2*rand()(gb[t]-P[t]) (6)
Pb[t+1]=P[t]+αx[t+1] (7)
式中w为惯性系数,通常在0.1和0.9之间。惯性权值w反映了粒子继承最后一次迭代速度的能力,可以通过对w值大小的调整来调整全局寻优和局部寻优的性能。x[t]为质点速度,p[t]为质点当前位置,pb[t]为个体极值,gb[t]为全局极值。c1、c2为学习因子,前者为个体学习因子,后者为社会学习因子,α为控制速度的约束因子。
在迭代过程中不断更新粒子的速度和位置,直到得到全局最优解。当达到最大循环数或达到最小误差时,迭代终止。但粒子群优化算法的缺点是计算量大,收敛速度慢,不能很好的满足光伏功率预测的要求。
通过对惯性权值和学习因子的动态调整来提高优化速度和准确度。
与迭代次数相关的惯性权值采用线性减权法如式(8)所示,首先随机给定初始惯性权值按照公式(6)-(7)更新粒子速度和位置,再随机给定第二次迭代惯性权值,按照上述公式(6)-(7)更新粒子速度和位置,在以后计算下一次惯性权值时,以t-1次之前的所有迭代中的最大惯性权值和最小惯性权值为基础获得t次迭代的与迭代次数相关的惯性权值,具体更新公式为公式(8)
式(8)中ωmin和ωmax分别为惯性权值的最小值和最大值,根据每次迭代的结果更新,N为最大迭代次数,t为当前迭代次数。
设在粒子群中,dtj表示在t次迭代后,与其他粒子的平均距离,dmax和dmin分别表示t次迭代后所有粒子平均距离的最大值和最小值。其权重根据距离的变化而变化,则与距离相关的惯性权值可以表示为公式(9):
结合与迭代次数相关的惯性权值和与距离相关的惯性权值的变化情况,根据公式(10)可以得到的动态惯性权值为:
ω=aωt+bωd (10)
其中a和b都为常数且都位于0和1之间,满足关系a+b=1。
动态更新学习因子的改进方案如式(11)-(12),与固定的学习因子相比,加快了响应速度。
c2=4-c1 (12)
式中,cmax和cmin是c1的初始值和最终值,cmax和cmin在程序执行之前就已确定,本申请实施例采用的是cmax=2.5,cmin=0.5,t为当前迭代次数,N为最大迭代次数。在优化的初期,促进对整个搜索空间的全局搜索,而在搜索的末期,鼓励粒子收敛到全局优化,且每个粒子的适应度由式(13)计算,且粒子平均适应度值由式(14)可得:
yt表示第t次迭代粒子的位置,yt′表示粒子群的中心位置,
4.2优质粒子群的提取
为了保障进行杂交粒子的质量,提取具有更高适应度的粒子进行杂交,根据式(13)可得到每个粒子的适应度值,将其与平均适应度值进行比较,再挑选适应度值优于平均适应度值的粒子进行下一步的杂交。本实施例中挑选适应度值小于的平均适应度值的粒子作为优质粒子。
4.3对优质粒子群进行杂交更新
再将遗传算法中的杂交概念引入粒子群算法中,避免出现局部收敛和搜索能力下降的问题。将步骤4.2中得到的优质粒子群进行杂交,粒子以2比2进行随机遗传,因此会产生相同数量的子代粒子来代替亲代粒子,从而使总体保持不变,根据式(15-18)来计算子代粒子位置和速度。
Chi1(X)=p*Par1X+(1-p)*Par2X (15)
Chi2(X)=(1-p)*Par1X+p*Par2X (16)
式中Chi(V)和ParV分别表示子代速度和亲代速度,Chi(X)和ParX分别表示子代的位置和亲代的位置。其中p为0到1之间的随机数。该优化方法能很好地提高种群的多样性,防止其陷入局部最优。
对更新后的种群继续采用上述动态惯性权值和动态学习因子方式更新杂交后粒子的位置和速度,记录杂交后粒子速度和位置更新过程中的适应度值,
4.4禁忌搜索
结合禁忌搜索的思想,减少了原算法的往返搜索,禁忌搜索算法对初始解具有有很强的依赖性。而初始解又会影响算法的最终解及其收敛速度。将禁忌搜索算法与粒子群优化算法相结合,可以得到一种改进的混合粒子群优化算法。经过上述杂交更新过程判断是否满足禁忌搜索的初始条件,即判断种群适应度值的变化率是否低于阈值ε,来决定是否开启局部搜索。如果达到初始条件,则改用禁忌搜索算法完成对其的局部搜索,使得粒子群算法能够在良好的初始条件下完成最优解的寻取,禁忌搜索的初始条件如式(19)
c表示禁忌搜索算法开启时杂交粒子更新过程中当前的迭代次数,f(c)表示当前的适应度值,f(c-T)表示在迭代次数T次之前的适应度值,T小于c。
所述阈值ε的大小位于0和1之间优选为0.2,T取值为3。
步骤五:用改进的杂交粒子群-禁忌搜索混合算法优化Elman神经网络的权值,将互信息提取的主要影响因素输入优化后的Elman神经网络进行最后的预测,得到光伏发电功率,并与Elman神经网络及未经改进的杂交粒子群-禁忌搜索混合算法优化的Elman神经网络进行比较,可以发现本发明方法有更高的预测精度。
本发明中的短期预测指下一时刻的功率,比如五分钟或十分钟,根据短期功率预测能够预测未来数小时的功率,比如五分钟一个点,预测接下来几个小时的所有点。
实施例1
步骤一:得到光伏电站近两年的历史数据,该历史数据指气象因素,包括辐照度、温度、风速、湿度、气压,采集周期为10min。应用互信息提取主要的影响因素,如式(1);
式中,p(x)、p(y)分别为两个随机变量x、y的边缘概率密度函数,p(x,y)为x和y的联合概率密度函数;I(x,y)为互信息值,可以理解为知道y后对于减少x的不确定性的贡献,两个变量的相关性越强,互信息值也越大;如果两个变量相互独立,则互信息值为0。
本实施例假设各个气象因素变量Xi=(i=1,2,3,4,5)分别代表辐照度、温度、风速、湿度、气压。利用式(1)计算出各个气象因素与光伏功率之间的相关系数,选取相关性大于0.7的气象因素作为预测模型的输入,结果如表1所示,可以看出辐照度、温度和湿度相关系数较大,因此将这三种气象因素作为预测模型的输入变量。
表1各气象因素与光伏功率之间的相关系数
气象因素 | 相关系数 | <u>Ixy</u>值 |
辐照度F | I<sub>FP</sub> | 0.8270 |
温度T | I<sub>TP</sub> | 0.7947 |
风速W | I<sub>WP</sub> | 0.6715 |
湿度H | I<sub>HP</sub> | 0.7082 |
气压P | I<sub>PP</sub> | 0.6558 |
步骤二:选取训练和测试数据样本,对样本进行归一化,如式(2)
步骤三:建立Elman神经网络,并对网络参数的进行初始化。其结构图如图2所示,其学习过程如式(3-5);
y(k)=g(w3x(k)) (3)
x(k)=f(w1xC(k)+w2(u(k-1))) (4)
xc(k)=x(k-1) (5)
式中w1为输入层和隐含层之间的连接权值;w2为承接层和隐含层之间的连接权值;w3为隐含层和输出层之间的连接权值;u为r维输入向量;y为m维输出节点向量;x为n维中间节点单位向量;x。为n维反馈状态向量;g()为输出层的传递函数f()为隐含层的传递函数。
步骤四改进的杂交粒子群-禁忌搜索混合算法
4.1改进粒子群优化算法
1)随机初始化每个粒子,并对整体或各部分进行评估,从而获得全局历史最优配置。
2)根据式(6)和式(7)更新粒子的速度和位置并找到每个粒子的历史的最佳位置,进而更新粒子的全局最优位置。
x(t+1)=ωx[t]+C1*rand()(Pb[t]-P[t])+C2*rand()(gb[t]-P[t]) (6)
Pb[t+1]=P[t]+αx[t+1] (7)
式中w为惯性系数,x[t]为质点速度,p[t]为质点当前位置,pb[t]为个体极值,gb[t]为全局极值。C1、C2为学习因子,前者为个体学习因子,后者为社会学习因子,α为控制速度的约束因子。
其中,通过对惯性权值和学习因子的动态调整来提高优化速度和准确度,本实施例中采用动态惯性权值和动态学习因子来进行调整,动态惯性权值ω包括与迭代次数相关的惯性权值ωt和与距离相关的惯性权值ωd,结合两种惯性权值的变化情况更新最终的动态惯性权值,
惯性权值为:
ω=aωt+bωd (10)
其中,a和b都为常数且都位于0和1之间,满足关系a+b=1,可随机给定;
与迭代次数相关的惯性权值ωt惯性权值采用线性减权法如式(8)所示
式(8)中ωmin和ωmax分别为惯性权值的最小值和最大值,N为最大迭代次数。
设在粒子群中,dtj表示在t次迭代后,与其他粒子的平均距离,dmax和dmin分别表示t次迭代后所有粒子平均距离的最大值和最小值。其权重根据距离的变化而变化,则其与距离相关的惯性权值ωd可以表示为:
一种动态改变学习因子的改进方案如式(11-12),与固定的学习因子相比,加快了响应速度。
c2=4-c1 (12)
式中,cmax和cmin是c1的初始值和最终值,cmax=2.5,cmin=0.5,t为当前迭代次数,N为最大迭代次数,这里取10000。在优化的初期,促进对整个搜索空间的全局搜索,而在搜索的末期,鼓励粒子收敛到全局优化,且每个粒子的适应度值由式(13)计算,且粒子平均值由式(14)可得:
在迭代过程中不断更新粒子的速度和位置,直到得到全局最优解。当达到最大迭代次数或达到最小误差时,迭代终止。
4.2优质粒子群的提取
为了保障进行杂交粒子的质量,提取具有更高适应度的粒子进行杂交,根据式(13)可得到每个粒子的适应度值,将其与平均适应度值进行比较,再挑选适应度值优于平均适应度值的粒子作为优质粒子,将该优质粒子个体放入杂交池中,进行下一步的杂交。
4.3将遗传算法中的杂交概念引入粒子群算法中,避免出现局部收敛和搜索能力下降的问题。将步骤五中得到的优质粒子个体进入杂交池进行杂交,粒子以2比2进行随机遗传,因此会产生相同数量的子代粒子来代替亲代粒子,从而使总体保持不变,根据式(15-18)来计算子代粒子位置和速度。
Chi1(X)=p*Par1X+(1-p)*Par2X (15)
Chi2(X)=(1-p)*Par1X+p*Par2X (16)
式中Chi(V)和ParV分别表示子代速度和亲代速度,Chi(X)和ParX分别表示子代的位置和亲代的位置。其中p为0到1之间的随机数;下标1和2指的是第一个个体和第二个个体,比如第一个子代第二个子代,第一个亲代,第二个亲代。该优化方法能很好地提高种群的多样性,防止其陷入局部最优。
产生新的粒子再以动态惯性权值和动态学习因子方式进行速度和位置的更新,记录杂交后粒子速度和位置更新过程中的适应度值(该适应度值仍以公式(13)进行计算),判断杂交更新过程中是否满足禁忌搜索的初始条件,
4.4引入禁忌搜索算法
1)判断不相邻的更新次数下的粒子对应的适应度值的变化率是否超过阈值根据式(19)判断是否满足禁忌算法的初始条件,若不满足继续进行全局搜索。
c表示当前的迭代次数,f(c)表示当前的适应度值,f(c-T)表示在迭代次数T次之前的适应度值。
2)因为初始解会影响算法的最终解及其收敛速度,以杂交更新过程中当前迭代次数c下的最优解为初始解作为禁忌算法的初始解,并将禁忌表置空。
3)确定候选解,令禁忌对象的最优解作为当前解,并在最优解产生的邻域中找出最佳的个体作为候选解;
4)判断候选解是否比当前解更优,如果优于当前解,则将该候选解作为当前解,并将该候选解加入禁忌表中,更新禁忌表;
5)判断是否达到禁忌搜索算法的最大迭代步数,如果达到,则输出整个混合算法的最优解,如果不满足,则以当前解重新作为初始解,重复步骤(2)-(5),直到达到禁忌搜索算法的最大迭代步数为止。
步骤五:用改进的粒子群优化算法优化Elman神经网络,将互信息提取的主要影响因素输入,得到光伏发电功率,并与Elman神经网络及未经改进的粒子群优化算法优化的Elman神经网络进行比较,可以发现该方法有更高的预测精度。
以某光伏电站为研究对象,因为夜晚辐照度几乎为零,因此选取7点至20点时段的数据,选取7月的某一日为预测日,选取同年5至8月为筛选区间,同时用K-means聚类完成相似日的筛选,建立Elman神经网络光伏预测模型,预测这一天的光伏功率。根据表1可以得知相关度0.7以上的就有3个因素,因此只输入这3个强相关即可,输入太少会存在波动性,从而会加大误差,输入太多,会输入弱相关从而使结果不太精确;采用互信息提取前三个影响光伏功率的主要影响因素,结果如表1所示,再将这三个主要影响因素作为Elman神经网络光预测模型的输入,另外应用经过本发明中改进的杂交粒子群-禁忌搜索混合算法优化好的神经网络与pso-Elman神经网络和Elman神经网络进行对比,结果如图3所示,可以看出本申请方法在光伏功率预测上具有更好的预测结果,同时由表2的误差对比可以得知该方法具有更高的精度,效果显著。
表2三种方法对比的误差统计
误差指标 | Elman | <u>Pso</u>-Elman | 改进方法 |
MAPE% | 13.9813 | 10.8939 | 7.2304 |
本发明未述及之处适用于现有技术。
Claims (9)
1.一种光伏发电短期功率预测方法,该方法包括以下内容:
获取光伏电站包括各种气象信息影响因素的历史数据,并应用互信息提取出互信息值大于0.7所对应的主要影响因素,以所提取的主要影响因素构成训练和测试数据样本,对样本进行归一化;
建立Elman神经网络,并对网络参数进行初始化,以上述归一化后的样本作为神经网络的输入,神经网络的输入向量维度与所提取的主要影响因素的数量一致;
利用改进的杂交粒子群-禁忌搜索混合算法优化神经网络的网络结构单元的连接权值,将互信息提取的主要影响因素输入优化后的Elman神经网络进行最后的预测,得到光伏发电功率;
改进的杂交粒子群-禁忌搜索混合算法的过程是:
随机初始化每个粒子,找到最优配置,再以动态惯性权值和动态学习因子更新粒子群中粒子的速度和位置并找到每个粒子的历史最佳位置,进而更新粒子的全局最优位置;
获取每个粒子的适应度值及粒子的平均适应度值;选取适应度值不大于平均适应度值的粒子进行杂交,产生新的粒子再以动态惯性权值和动态学习因子方式进行速度和位置的更新,记录杂交后粒子速度和位置更新过程中的适应度值,判断杂交更新过程中是否满足禁忌搜索的初始条件,若满足,用禁忌搜索算法进行局部搜索,输出最优解,若不满足,则继续对杂交后粒子进行全局搜索,时刻判断是否满足禁忌搜索的初始条件,直到达到杂交过程的最大迭代次数;
所述动态惯性权值ω包括与迭代次数相关的惯性权值ωt和与距离相关的惯性权值ωd,其表达式为公式(10):
ω=aωt+bωd (10)
其中,a和b都为常数且都位于0和1之间,满足关系a+b=1;
与迭代次数相关的惯性权值ωt获得过程是:首先随机给定初始惯性权值按照粒子群算法更新粒子速度和位置,再随机给定第二次迭代惯性权值,按照粒子群算法更新粒子速度和位置,在以后计算下一次惯性权值时,以t-1次之前的所有迭代次数中的最大惯性权值ωmax和最小惯性权值ωmin为基础获得t次迭代的与迭代次数相关的惯性权值,具体更新公式为公式(8)
式(8)中N为最大迭代次数,t为当前迭代次数;
与距离相关的惯性权值ωd根据距离的变化而变化,表达式为公式(9):
式中,dtj表示在t次迭代后,在粒子群中第j个粒子与其他粒子的平均距离,dmax和dmin分别表示t-1次迭代后所有粒子平均距离的最大值和最小值;
所述动态学习因子包括个体学习因子c1和社会学习因子c2,个体学习因子c1按照公式(11)更新,社会学习因子c2按照公式(12)更新;
c2=4-c1 (12)
式中,cmax和cmin是c1的初始值和最终值,N为最大迭代次数。
3.根据权利要求2所述的预测方法,其特征在于,所述阈值ε的大小位于0和1之间优选为0.2,T取值为3。
6.根据权利要求1所述的预测方法,其特征在于,所述Elman神经网络的学习过程参见公式(3)-(5);
y(k)=g(w3x(k)) (3)
x(k)=f(w1xC(k)+w2(u(k-1))) (4)
xc(k)=x(k-1) (5)
式中w1为输入层和隐含层之间的连接权值;w2为承接层和隐含层之间的连接权值;w3为隐含层和输出层之间的连接权值;u为r维输入向量;y为m维输出节点向量;x为n维中间节点单位向量;xc为n维反馈状态向量;g()为输出层的传递函数f()为隐含层的传递函数。
8.根据权利要求1所述的预测方法,其特征在于,所述禁忌搜索算法的过程是:
1)根据式(19)判断是否满足禁忌搜索算法的初始条件,若不满足继续进行全局搜索;
c表示禁忌搜索算法开启时杂交粒子更新过程中当前的迭代次数,f(c)表示当前的适应度值,f(c-T)表示在迭代次数T次之前的适应度值;
2)以杂交更新过程中当前迭代次数c下的最优解为初始解作为禁忌算法的初始解,并将禁忌表置空;
3)确定候选解,令禁忌对象的最优解作为当前解,并在最优解产生的邻域中找出最佳的个体作为候选解;
4)判断候选解是否比当前解更优,如果优于当前解,则将该候选解作为当前解,并将该候选解加入禁忌表中,更新禁忌表;
5)判断是否达到禁忌搜索算法的最大迭代步数,如果达到,则输出整个混合算法的最优解,如果不满足,则以当前解重新作为初始解,重复步骤(2)-(5),直到达到禁忌搜索算法的最大迭代步数为止。
9.根据权利要求1所述的预测方法,其特征在于,更新粒子全局最优位置过程中设定的最大迭代次数与杂交更新过程中设定的杂交过程的最大迭代次数、禁忌搜索算法的最大迭代次数设置相同值,均取值为1000以上。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011206980.2A CN112330487B (zh) | 2020-11-03 | 2020-11-03 | 一种光伏发电短期功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011206980.2A CN112330487B (zh) | 2020-11-03 | 2020-11-03 | 一种光伏发电短期功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112330487A CN112330487A (zh) | 2021-02-05 |
CN112330487B true CN112330487B (zh) | 2022-10-04 |
Family
ID=74323000
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011206980.2A Active CN112330487B (zh) | 2020-11-03 | 2020-11-03 | 一种光伏发电短期功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112330487B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906979A (zh) * | 2021-03-19 | 2021-06-04 | 上海电机学院 | 一种发电功率预测方法 |
CN113159437B (zh) * | 2021-04-30 | 2022-03-25 | 河北工业大学 | 一种短期光伏发电输出功率的预测方法 |
CN113205226B (zh) * | 2021-05-28 | 2022-10-14 | 河北工业大学 | 一种结合注意力机制以及误差修正的光伏功率预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631517A (zh) * | 2015-12-17 | 2016-06-01 | 河海大学 | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 |
CN108694467A (zh) * | 2018-05-22 | 2018-10-23 | 中国电力科学研究院有限公司 | 一种对配电网线损率进行预测的方法及系统 |
CN109256790A (zh) * | 2018-10-22 | 2019-01-22 | 暨南大学 | 一种蓄能系统配置方法、装置及存储介质 |
CN109697299A (zh) * | 2017-10-24 | 2019-04-30 | 天津科技大学 | 一种自适应惯性权重混沌粒子群算法 |
CN109978283A (zh) * | 2019-04-25 | 2019-07-05 | 中国人民解放军国防科技大学 | 一种基于分支进化神经网络的光伏发电功率预测方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107546777A (zh) * | 2017-10-26 | 2018-01-05 | 中国电力科学研究院有限公司 | 一种光伏电站等值电势波动系数的预测方法 |
CN109726817A (zh) * | 2018-12-21 | 2019-05-07 | 河北工业大学 | 遗传算法优化bp神经网络的wpt系统阻抗匹配方法 |
-
2020
- 2020-11-03 CN CN202011206980.2A patent/CN112330487B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105631517A (zh) * | 2015-12-17 | 2016-06-01 | 河海大学 | 基于思维进化Elman神经网络的光伏发电功率短期预测方法 |
CN109697299A (zh) * | 2017-10-24 | 2019-04-30 | 天津科技大学 | 一种自适应惯性权重混沌粒子群算法 |
CN108694467A (zh) * | 2018-05-22 | 2018-10-23 | 中国电力科学研究院有限公司 | 一种对配电网线损率进行预测的方法及系统 |
CN109256790A (zh) * | 2018-10-22 | 2019-01-22 | 暨南大学 | 一种蓄能系统配置方法、装置及存储介质 |
CN109978283A (zh) * | 2019-04-25 | 2019-07-05 | 中国人民解放军国防科技大学 | 一种基于分支进化神经网络的光伏发电功率预测方法 |
Non-Patent Citations (1)
Title |
---|
"基于禁忌差分粒子群算法的分布式电源的选址和定容";田颖;《基于禁忌差分粒子群算法的分布式电源的选址和定容》;20120715;第27-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112330487A (zh) | 2021-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112330487B (zh) | 一种光伏发电短期功率预测方法 | |
CN110084424A (zh) | 一种基于lstm与lgbm的电力负荷预测方法 | |
CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN106485262B (zh) | 一种母线负荷预测方法 | |
An et al. | Short-term wind power prediction based on particle swarm optimization-extreme learning machine model combined with AdaBoost algorithm | |
CN111210082B (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
CN113282122B (zh) | 一种商用建筑能耗预测优化方法及系统 | |
CN101414366B (zh) | 基于改进极端学习机方法的电力系统短期负荷预测方法 | |
CN109345027B (zh) | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 | |
CN108932671A (zh) | 一种采用深度q神经网络调参的lstm风电负荷预测方法 | |
CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN111598225B (zh) | 一种基于自适应深度置信网络的空调冷负荷预测方法 | |
CN113762387B (zh) | 一种基于混合模型预测的数据中心站多元负荷预测方法 | |
CN111539511A (zh) | 基于多策略融合的粒子群优化算法 | |
CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
CN107909221A (zh) | 基于组合神经网络的电力系统短期负荷预测方法 | |
CN111355633A (zh) | 一种基于pso-delm算法的比赛场馆内手机上网流量预测方法 | |
CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
CN115907195A (zh) | 一种光伏发电功率预测方法、系统、电子设备及介质 | |
CN113449462B (zh) | 一种基于MALO-BiGRU的超短期风速预测方法及系统 | |
CN115759465A (zh) | 基于多目标协同训练和nwp隐式校正的风电功率预测方法 | |
CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 |
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 |