CN112884238A - 光伏发电功率预测方法及装置 - Google Patents
光伏发电功率预测方法及装置 Download PDFInfo
- Publication number
- CN112884238A CN112884238A CN202110268121.4A CN202110268121A CN112884238A CN 112884238 A CN112884238 A CN 112884238A CN 202110268121 A CN202110268121 A CN 202110268121A CN 112884238 A CN112884238 A CN 112884238A
- Authority
- CN
- China
- Prior art keywords
- power generation
- neural network
- photovoltaic power
- day
- predicted
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 61
- 241000287127 Passeridae Species 0.000 claims abstract description 69
- 238000013528 artificial neural network Methods 0.000 claims abstract description 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000012549 training Methods 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 20
- 230000002431 foraging effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 244000062645 predators Species 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013459 approach Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 235000003642 hunger Nutrition 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004459 forage Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012795 verification 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
- G06N3/004—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
- 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
-
- 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
-
- 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)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种光伏发电功率预测方法及装置,该方法包括:获取待预测日的气象数据;将所述气象数据输入到预设的神经网络预测模型中,得到所述待预测日的光伏发电功率预测值,其中,所述神经网络预测模型为根据训练数据采用Elman神经网络训练得出的,在训练时采用改进的麻雀算法优化Elman神经网络的初始权值。本发明实现了较为准确的预测光伏发电功率的技术效果。
Description
技术领域
本发明涉及光伏发电技术领域,具体而言,涉及一种光伏发电功率预测方法及装置。
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,对光伏发电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。因此,现有技术缺少一种更为准确的对光伏发电功率进行准确的方法。
发明内容
本发明为了解决上述背景技术中的至少一个技术问题,提出了一种光伏发电功率预测方法及装置。
为了实现上述目的,根据本发明的一个方面,提供了一种光伏发电功率预测方法,该方法包括:
获取待预测日的气象数据;
将所述气象数据输入到预设的神经网络预测模型中,得到所述待预测日的光伏发电功率预测值,其中,所述神经网络预测模型为根据训练数据采用Elman神经网络训练得出的,在训练时采用改进的麻雀算法优化Elman神经网络的初始权值。
可选的,该光伏发电功率预测方法,还包括:
获取所述待预测日的温湿度特征向量;
分别计算所述待预测日的温湿度特征向量与多个预设的历史日的温湿度特征向量的关联系数;
根据所述关联系数从所述多个预设的历史日中筛选出多个所述待预测日的相似日;
根据每个所述相似日的气象数据和光伏发电功率数据,生成所述训练数据。
可选的,所述改进的麻雀算法的发现者更新位置的策略为,若觅食环境周围没有捕食者,更新位置为乘以一个均值为1且方差为1的正态分布随机数,若觅食环境周围存在捕食者,更新位置为加上一个标准的正态分布随机数。
可选的,所述改进的麻雀算法的加入者更新位置的策略为,若加入者处于非饥饿状态,则随机决定是否向发现者移动,并在移动时移动随机距离。
可选的,所述改进的麻雀算法的侦察者的位置更新策略为,若侦察者处于最优位置则会逃到最优位置和最差位置之间的随机位置,若侦察者不是处于最优位置则会逃到自身和最优位置之间的一个随机位置。
可选的,该光伏发电功率预测方法,还包括:
采用改进的麻雀算法优化Elman神经网络的初始权值;
根据所述训练数据以及所述Elman神经网络进行模型训练,得到所述神经网络预测模型。
可选的,所述温湿度特征向量中包含:平均温度、平均湿度、最高温度、最高湿度、最低温度以及最低湿度。
为了实现上述目的,根据本发明的另一方面,提供了一种光伏发电功率预测装置,该装置包括:
待预测日气象数据获取模块,用于获取待预测日的气象数据;
光伏发电功率预测模块,用于将所述气象数据输入到预设的神经网络预测模型中,得到所述待预测日的光伏发电功率预测值,其中,所述神经网络预测模型为根据训练数据采用Elman神经网络训练得出的,在训练时采用改进的麻雀算法优化Elman神经网络的初始权值。
可选的,该光伏发电功率预测装置,还包括:
温湿度特征向量获取模块,用于获取所述待预测日的温湿度特征向量;
关联系数计算模块,用于分别计算所述待预测日的温湿度特征向量与多个预设的历史日的温湿度特征向量的关联系数;
相似日确定模块,用于根据所述关联系数从所述多个预设的历史日中筛选出多个所述待预测日的相似日;
训练数据生成模块,用于根据每个所述相似日的气象数据和光伏发电功率数据,生成所述训练数据。
可选的,该光伏发电功率预测装置,还包括:
初始权值优化模块,用于采用改进的麻雀算法优化Elman神经网络的初始权值;
模型训练模块,用于根据所述训练数据以及所述Elman神经网络进行模型训练,得到所述神经网络预测模型。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述光伏发电功率预测方法中的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述光伏发电功率预测方法中的步骤。
本发明的有益效果为:本发明实施例通过采用改进的麻雀算法优化Elman神经网络的初始权值,进而根据Elman神经网络训练得出神经网络预测模型,以根据神经网络预测模型对待预测日的光伏发电功率进行预测,实现了准确、高效的对光伏发电功率进行预测的有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例光伏发电功率预测方法的第一流程图;
图2是本发明实施例光伏发电功率预测方法的第二流程图;
图3是本发明实施例光伏发电功率预测方法的第三流程图;
图4是本发明实施例光伏发电功率预测装置的第一结构框图;
图5是本发明实施例光伏发电功率预测装置的第二结构框图;
图6是本发明实施例光伏发电功率预测装置的第三结构框图;
图7是本发明实施例改进的麻雀算法的流程图;
图8是本发明实施例Elman神经网络结构图;
图9是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
本发明提供一种通过改进的麻雀算法来优化神经网络进行光伏功率预测的方法,该方法通过减少向最优位置的跳跃,改进发现者和加入者的位置更新公式,最后通过历史数据及相似日的选取完成对光伏功率的高准确性预测。
图1是本发明实施例光伏发电功率预测方法的第一流程图,如图1所示,在本发明一个实施例中,本发明的光伏发电功率预测方法包括步骤S101至步骤S102。
步骤S101,获取待预测日的气象数据。
步骤S102,将所述气象数据输入到预设的神经网络预测模型中,得到所述待预测日的光伏发电功率预测值,其中,所述神经网络预测模型为根据训练数据采用Elman神经网络训练得出的,在训练时采用改进的麻雀算法优化Elman神经网络的初始权值。
在本发明一个实施例中,本发明改进的麻雀算法的发现者更新位置的策略为,若觅食环境周围没有捕食者,更新位置为乘以一个均值为1且方差为1的正态分布随机数,若觅食环境周围存在捕食者,更新位置为加上一个标准的正态分布随机数。
在本发明一个实施例中,本发明改进的麻雀算法的加入者更新位置的策略为,若加入者处于非饥饿状态,则随机决定是否向发现者移动,并在移动时移动随机距离。
在本发明一个实施例中,本发明改进的麻雀算法的侦察者的位置更新策略为,若侦察者处于最优位置则会逃到最优位置和最差位置之间的随机位置,若侦察者不是处于最优位置则会逃到自身和最优位置之间的一个随机位置。
图2是本发明实施例光伏发电功率预测方法的第二流程图,如图2所述,在本发明一个实施例中,本发明的训练数据具体是通过步骤S201至步骤S204得到的。
步骤S201,获取所述待预测日的温湿度特征向量。
因为无法在天气预报中得到待预测日的辐照度,因此本发明选取了平均温度、平均湿度、最高温度、最高湿度、最低温度以及最低湿度构成特征向量D即:
D=[Ta,Ha,Th,T1,Hh,H1] (1)
在式(1)中,Ta、Th和Tl分别为每日的平均、最高和最低温度;Ha、Hh和Hl分别为每日的平均、最高和最低湿度。
步骤S202,分别计算所述待预测日的温湿度特征向量与多个预设的历史日的温湿度特征向量的关联系数。
在本发明实施例中,本发明在得到特征向量之后,还对特征向量中的所有数据进行归一化处理,如式(2)所示,并将归一化后的待预测日和历史日的特征向量名为x0和xi。
进而本步骤计算x0和xi在每个分量上的关联系数,如式(3)所示:
在式(3)中,x0(k)表示待测日第k个气象因素;xi(k)表示第i个历史日的第k个气象因素。ρ为分辨系数,取值范围在0到1之间,本发明可以文取0.5。
步骤S203,根据所述关联系数从所述多个预设的历史日中筛选出多个所述待预测日的相似日。
在本发明实施例中,本发明综合各个关联系数,采用连乘方式定义关联度,对关联度进行排序。将关联度最高的预设数量个历史日作为待预测日的相似日。本发明对同一时期的历史日的样本按着关联度递减的顺序排序,选取关联度较高的历史日作为相似日,
步骤S204,根据每个所述相似日的气象数据和光伏发电功率数据,生成所述训练数据。
本发明的每个训练数据包含气象数据和光伏发电功率数据。本发明根据多个相似日的气象数据和光伏发电功率数据生成训练数据集以及验证数据集。
由此可见,本发明获取光伏电站包括各种气象信息影响因素的历史数据,通过特征选取选择与预测日特征相似的日期为相似日,进而根据相似日的气象数据和光伏发电功率数据构成训练和测试数据样本。
图3是本发明实施例光伏发电功率预测方法的第三流程图,如图3所述,在本发明一个实施例中,上述步骤S102中的神经网络预测模型具体的训练流程包括步骤S301和步骤S302。
步骤S301,采用改进的麻雀算法优化Elman神经网络的初始权值。
在本发明一个实施例中,本步骤首先建立Elman神经网络,并对网络参数(权值)进行初始化。Elman神经网络的结构图如图8所示,其学习过程如式(4-6):
y(k)=g(w3x(k)) (4)
x(k)=f(w1xc(k)+w2(u(k-1))) (5)
xc(k)=x(k-1) (6)
在式(4-6)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;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。
下面对麻雀算法以及本发明的改进的麻雀算法进行介绍。
首先对现有的麻雀算法进行介绍:
麻雀算法是一种新兴的智能优化算法。模拟了自然界中麻雀作为群居鸟类的特点,具有记忆力强和分工明确的特点。麻雀算法主要法模拟了麻雀的觅食和反捕食的过程,在该算法中每只麻雀对应一个解,且存在三种行为:一个是寻找食物的发现者;一个是跟随发现者觅食的加入者;以及决定种群是否放弃食物的侦察者。
在麻雀算法中,具有较好适应度值的发现者在搜索过程中会优先获取食物。此外,因为发现者负责为整个麻雀种群寻找食物并为所有加入者提供觅食的方向。因此,发现者可以获得比加入者更大的觅食搜索范围。在每次迭代的过程中,发现者的位置更新描述如下:
其中,t代表当前迭代数,itermax是一个常数,表示最大的迭代次数。Xi,j表示第i个麻雀在第j维中的位置信息。α∈(0,1]是一个随机数。R2(R2∈[0,1])和ST(ST∈[0.5,1])分别表示预警值和安全值。Q是服从正态分布的随机数。L表示一个1×d的矩阵,其中该矩阵内每个元素全部为1。当R2<ST时,这意味着此时的觅食环境周围没有捕食者,发现者可以执行广泛的搜索操作。当R2≥ST,这表示种群中的一些麻雀已经发现了捕食者,并向种群中其它麻雀发出了警报,此时所有麻雀都需要迅速飞到其它安全的地方进行觅食。
加入者位置更新如式(8)所示:
其中,Xp是目前发现者所占据的最优位置,Xworst则表示当前全局最差的位置。A表示一个1×d的矩阵,其中每个元素随机赋值为1或-1,并且A+=AT(AAT)-1。当i>n/2时,这表明,适应度值较低的第i个加入者没有获得食物,处于十分饥饿的状态,此时需要飞往其它地方觅食,以获得更多的能量。
在麻雀觅食的同时他们中的部分会负责警戒,当危险靠近时,他们会放弃当前的食物,即无论该麻雀是发现者还是加入者,都将放弃当前的食物而移动到一个新的位置。当意识到危险时,无论该麻雀是发现者还是加入者此时变为侦察者,其位置更新的表达式如式(9)所示:
其中,其中Xbest是当前的全局最优位置。β作为步长控制参数,是服从均值为0,方差为1的正态分布的随机数。K∈[-1,1]是一个随机数,fi则是当前麻雀个体的适应度值。fg和fw分别是当前全局最佳和最差的适应度值。ε是最小的常数,以避免分母出现零。
为简单起见,当fi>fg表示此时的麻雀正处于种群的边缘,极其容易受到捕食者的攻击。fi=fg时,这表明处于种群中间的麻雀意识到了危险,需要靠近其它的麻雀以此尽量减少它们被捕食的风险。K表示麻雀移动的方向同时也是步长控制参数。
下面对本发明的改进的麻雀算法进行介绍:
麻雀算法和其他智能算法一样,在解决复杂优化问题的时候具有早熟所导致的精度不高,易陷入局部最优解的问题。因为麻雀算法收敛于当前最优解的方式是直接跳跃到最优解附近而不是像其他算法一样向最优解移动。所以本发明主要改动为减少了向最优位置的跳跃,换成向最优位置的移动并使加入者以一定概率向发现者靠拢,保障了全局收敛,同时又解决了传统麻雀算法加入者全维度向最佳位置靠近而造成的种群多样性缺失的缺点。
具体改动如下式所示:
即发现者更新位置的策略为,当R2<ST时乘以一个均值为1,方差为1的正态分布随机数(1+Q),当R2≥ST时加上一个标准的正态分布随机数Q。
同时,麻雀算法中的加入者在全维度向最佳位置靠近时,虽然能够达到快速收敛的效果,但是却减少了种群多样性,算法容易陷入局部最优。而BSA中的加入者是以一定概率向发现者靠拢,既保证了全局收敛,又不失种群多样性,有效跳出局部最优。本发明可以基于BSA的思想对麻雀算法中的加入者的位置更新方法进行改进,本发明改进的麻雀算法中加入者的位置更新公式如下:
式中:rand(0,1)代表产生服从期望值为0,标准差为1的高斯分布的一个随机数;FL∈[0,1],FL为向发现者移动的概率。即若加入者处于十分饥饿的状态,此时需要飞往其它地方觅食,以获得更多的能量,若加入者处于非饥饿状态,则随机决定是否向发现者移动,并在移动时移动随机距离。
本发明改进的麻雀算法的侦察者位置更新公式如下:
即如果该麻雀是最优位置的麻雀,他会逃到最优位置和最差位置之间的随机位置。否则它会逃到自己和最优位置之间的一个随机位置,β为标准正态分布的随机数。即若侦察者处于最优位置则会逃到最优位置和最差位置之间的随机位置,若侦察者不是处于最优位置则会逃到自身和最优位置之间的一个随机位置。
在本发明一个实施例中,本发明的改进的麻雀算法简单流程可以见图7,如图7所示,本发明的改进的麻雀算法简单流程包含以下步骤:
步骤1,初始化麻雀数量,定义各相关参数。
步骤2,计算麻雀种群中个体适应度。
步骤3,对适应度进行排序,得到最佳适应度个体和最差适应度个体。
步骤4,根据式(10-12)依次更新发现者、加入者和侦察者的信息。
步骤5,如果得到的新位置优于旧位置则更新旧位置。
步骤6,重复进行步骤3到步骤5,直到达到最大迭代次数。
步骤7,输出最优解。
本发明具体可以根据上述步骤1至步骤7得到Elman神经网络的优化的初始权值。
步骤S302,根据所述训练数据以及所述Elman神经网络进行模型训练,得到所述神经网络预测模型。
本发明用改进的麻雀算法优化Elman神经网络的初始权值,进而根据Elman神经网络进行模型训练,训练出神经网络预测模型,以根据神经网络预测模型进行光伏功率预测。
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5点至21点时段的数据,选取7月的某一日为预测日,选取待预测日前30天和后30天共计60天作为历史样本,其中历史日数据由实际测量得到,待预测日数据由天气预报获得,用式(3)对每个历史日求取关联度,对关联度进行降序排序,选取关联度前20的日期作为相似日,其数据作为训练集和测试集。进行神经网络训练,构建神经网络预测称模型,最后将待预测日的气象数据作为输入变量,得到待预测日的输出功率。
在本发明一个实施例中,为验证训练出神经网络预测模型的有效性,本发明还采用平均绝对百分比误差(mean absolute percentage error,MAPE)以及决定系数(thecoefficient of determination,R2)作为评估预测效果的评价指标,即:
结果如表1所示,可以看出,本发明通过对麻雀算法进行改进,使训练出的模型具有更高的预测精度,效果显著。
表1两种方法对比的误差统计
由以上实施例可以看出,本发明相比现有技术至少实现了以下有益效果:
1、减少了向最优位置的跳跃,换成向最优位置的移动。改变了传统的麻雀算法收敛于当前最优解的方式是直接跳跃到当前最优解附近的方式,避免了传统麻雀算法所导致的易陷入局部最优且全局搜索能力较弱的缺点。
2、使加入者以一定概率向发现者靠拢,保障了全局收敛,同时又解决了传统麻雀算法加入者全维度向最佳位置靠近而造成的种群多样性缺失的缺点。能有效的跳出局部最优。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思,本发明实施例还提供了一种光伏发电功率预测装置,可以用于实现上述实施例所描述的光伏发电功率预测方法,如下面的实施例所述。由于光伏发电功率预测装置解决问题的原理与光伏发电功率预测方法相似,因此光伏发电功率预测装置的实施例可以参见光伏发电功率预测方法的实施例,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图4是本发明实施例光伏发电功率预测装置的第一结构框图,如图4所示,在本发明一个实施例中,本发明的光伏发电功率预测装置包括:
待预测日气象数据获取模块1,用于获取待预测日的气象数据;
光伏发电功率预测模块2,用于将所述气象数据输入到预设的神经网络预测模型中,得到所述待预测日的光伏发电功率预测值,其中,所述神经网络预测模型为根据训练数据采用Elman神经网络训练得出的,在训练时采用改进的麻雀算法优化Elman神经网络的初始权值。
图5是本发明实施例光伏发电功率预测装置的第二结构框图,如图5所示,在本发明一个实施例中,本发明的光伏发电功率预测装置还包括:
温湿度特征向量获取模块3,用于获取所述待预测日的温湿度特征向量;
关联系数计算模块4,用于分别计算所述待预测日的温湿度特征向量与多个预设的历史日的温湿度特征向量的关联系数;
相似日确定模块5,用于根据所述关联系数从所述多个预设的历史日中筛选出多个所述待预测日的相似日;
训练数据生成模块6,用于根据每个所述相似日的气象数据和光伏发电功率数据,生成所述训练数据。
图6是本发明实施例光伏发电功率预测装置的第三结构框图,如图6所示,在本发明一个实施例中,本发明的光伏发电功率预测装置还包括:
初始权值优化模块7,用于采用改进的麻雀算法优化Elman神经网络的初始权值;
模型训练模块8,用于根据所述训练数据以及所述Elman神经网络进行模型训练,得到所述神经网络预测模型。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备。如图9所示,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述光伏发电功率预测方法中的步骤。本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,本领域的技术人员应该明白,上述的本发明的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种光伏发电功率预测方法,其特征在于,包括:
获取待预测日的气象数据;
将所述气象数据输入到预设的神经网络预测模型中,得到所述待预测日的光伏发电功率预测值,其中,所述神经网络预测模型为根据训练数据采用Elman神经网络训练得出的,在训练时采用改进的麻雀算法优化Elman神经网络的初始权值。
2.根据权利要求1所述的光伏发电功率预测方法,其特征在于,还包括:
获取所述待预测日的温湿度特征向量;
分别计算所述待预测日的温湿度特征向量与多个预设的历史日的温湿度特征向量的关联系数;
根据所述关联系数从所述多个预设的历史日中筛选出多个所述待预测日的相似日;
根据每个所述相似日的气象数据和光伏发电功率数据,生成所述训练数据。
3.根据权利要求1所述的光伏发电功率预测方法,其特征在于,所述改进的麻雀算法的发现者更新位置的策略为,若觅食环境周围没有捕食者,更新位置为乘以一个均值为1且方差为1的正态分布随机数,若觅食环境周围存在捕食者,更新位置为加上一个标准的正态分布随机数。
4.根据权利要求1所述的光伏发电功率预测方法,其特征在于,所述改进的麻雀算法的加入者更新位置的策略为,若加入者处于非饥饿状态,则随机决定是否向发现者移动,并在移动时移动随机距离。
5.根据权利要求1所述的光伏发电功率预测方法,其特征在于,所述改进的麻雀算法的侦察者的位置更新策略为,若侦察者处于最优位置则会逃到最优位置和最差位置之间的随机位置,若侦察者不是处于最优位置则会逃到自身和最优位置之间的一个随机位置。
6.根据权利要求2所述的光伏发电功率预测方法,其特征在于,还包括:
采用改进的麻雀算法优化Elman神经网络的初始权值;
根据所述训练数据以及所述Elman神经网络进行模型训练,得到所述神经网络预测模型。
7.根据权利要求1所述的光伏发电功率预测方法,其特征在于,所述温湿度特征向量中包含:平均温度、平均湿度、最高温度、最高湿度、最低温度以及最低湿度。
8.一种光伏发电功率预测装置,其特征在于,包括:
待预测日气象数据获取模块,用于获取待预测日的气象数据;
光伏发电功率预测模块,用于将所述气象数据输入到预设的神经网络预测模型中,得到所述待预测日的光伏发电功率预测值,其中,所述神经网络预测模型为根据训练数据采用Elman神经网络训练得出的,在训练时采用改进的麻雀算法优化Elman神经网络的初始权值。
9.根据权利要求8所述的光伏发电功率预测装置,其特征在于,还包括:
温湿度特征向量获取模块,用于获取所述待预测日的温湿度特征向量;
关联系数计算模块,用于分别计算所述待预测日的温湿度特征向量与多个预设的历史日的温湿度特征向量的关联系数;
相似日确定模块,用于根据所述关联系数从所述多个预设的历史日中筛选出多个所述待预测日的相似日;
训练数据生成模块,用于根据每个所述相似日的气象数据和光伏发电功率数据,生成所述训练数据。
10.根据权利要求8所述的光伏发电功率预测装置,其特征在于,所述改进的麻雀算法的发现者更新位置的策略为,若觅食环境周围没有捕食者,更新位置为乘以一个均值为1且方差为1的正态分布随机数,若觅食环境周围存在捕食者,更新位置为加上一个标准的正态分布随机数。
11.根据权利要求8所述的光伏发电功率预测装置,其特征在于,所述改进的麻雀算法的加入者更新位置的策略为,若加入者处于非饥饿状态,则随机决定是否向发现者移动,并在移动时移动随机距离。
12.根据权利要求8所述的光伏发电功率预测装置,其特征在于,所述改进的麻雀算法的侦察者的位置更新策略为,若侦察者处于最优位置则会逃到最优位置和最差位置之间的随机位置,若侦察者不是处于最优位置则会逃到自身和最优位置之间的一个随机位置。
13.根据权利要求9所述的光伏发电功率预测装置,其特征在于,还包括:
初始权值优化模块,用于采用改进的麻雀算法优化Elman神经网络的初始权值;
模型训练模块,用于根据所述训练数据以及所述Elman神经网络进行模型训练,得到所述神经网络预测模型。
14.根据权利要求8所述的光伏发电功率预测装置,其特征在于,所述温湿度特征向量中包含:平均温度、平均湿度、最高温度、最高湿度、最低温度以及最低湿度。
15.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法。
16.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序在计算机处理器中执行时实现如权利要求1至7任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268121.4A CN112884238A (zh) | 2021-03-12 | 2021-03-12 | 光伏发电功率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110268121.4A CN112884238A (zh) | 2021-03-12 | 2021-03-12 | 光伏发电功率预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112884238A true CN112884238A (zh) | 2021-06-01 |
Family
ID=76040866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110268121.4A Pending CN112884238A (zh) | 2021-03-12 | 2021-03-12 | 光伏发电功率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112884238A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392972A (zh) * | 2021-06-23 | 2021-09-14 | 广东工业大学 | 一种光伏短期功率预测模型训练方法、预测方法及装置 |
CN113762603A (zh) * | 2021-08-13 | 2021-12-07 | 广西大学 | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 |
CN113862691A (zh) * | 2021-09-18 | 2021-12-31 | 河北建投新能源有限公司 | 光伏制氢的控制方法、装置、存储介质及电子设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106058914A (zh) * | 2016-05-27 | 2016-10-26 | 国电南瑞科技股份有限公司 | 基于Elman算法的配网发电预测技术的电压优化方法 |
CN106228278A (zh) * | 2016-08-19 | 2016-12-14 | 长园深瑞继保自动化有限公司 | 光伏功率预测系统 |
WO2017035884A1 (zh) * | 2015-08-31 | 2017-03-09 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN108876013A (zh) * | 2018-05-29 | 2018-11-23 | 福州大学 | 一种基于最佳相似日和Elman神经网络实现光伏电站短期功率预测方法 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
CN111695601A (zh) * | 2020-05-15 | 2020-09-22 | 特变电工西安电气科技有限公司 | 光伏功率预测方法、装置、设备及可读存储介质 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
CN112418256A (zh) * | 2019-08-21 | 2021-02-26 | 阿里巴巴集团控股有限公司 | 分类、模型训练、信息搜索方法、系统及设备 |
CN112465119A (zh) * | 2020-12-08 | 2021-03-09 | 武汉理工光科股份有限公司 | 一种基于深度学习的消防险情预警方法及装置 |
-
2021
- 2021-03-12 CN CN202110268121.4A patent/CN112884238A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017035884A1 (zh) * | 2015-08-31 | 2017-03-09 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学(保定) | 一种考虑气象因素的短期电力负荷预测方法 |
CN106058914A (zh) * | 2016-05-27 | 2016-10-26 | 国电南瑞科技股份有限公司 | 基于Elman算法的配网发电预测技术的电压优化方法 |
CN106228278A (zh) * | 2016-08-19 | 2016-12-14 | 长园深瑞继保自动化有限公司 | 光伏功率预测系统 |
CN108876013A (zh) * | 2018-05-29 | 2018-11-23 | 福州大学 | 一种基于最佳相似日和Elman神经网络实现光伏电站短期功率预测方法 |
CN112418256A (zh) * | 2019-08-21 | 2021-02-26 | 阿里巴巴集团控股有限公司 | 分类、模型训练、信息搜索方法、系统及设备 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
CN111695601A (zh) * | 2020-05-15 | 2020-09-22 | 特变电工西安电气科技有限公司 | 光伏功率预测方法、装置、设备及可读存储介质 |
CN112329934A (zh) * | 2020-11-17 | 2021-02-05 | 江苏科技大学 | 一种基于改进麻雀搜索算法的rbf神经网络优化算法 |
CN112465119A (zh) * | 2020-12-08 | 2021-03-09 | 武汉理工光科股份有限公司 | 一种基于深度学习的消防险情预警方法及装置 |
AU2020104000A4 (en) * | 2020-12-10 | 2021-02-18 | Guangxi University | Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model |
Non-Patent Citations (2)
Title |
---|
吕鑫,慕晓冬,张钧: "基于改进麻雀搜索算法的多阈值图像分割", 系统工程与电子技术, vol. 43, no. 2 * |
智能算法研学社(JACK旭): "基于麻雀搜索算法优化的Elman神经网络数据预测 - 附代码", CSDN,URL:HTTPS://BLOG.CSDN.NET/U011835903/ARTICLE/DETAILS/111411127 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113392972A (zh) * | 2021-06-23 | 2021-09-14 | 广东工业大学 | 一种光伏短期功率预测模型训练方法、预测方法及装置 |
CN113762603A (zh) * | 2021-08-13 | 2021-12-07 | 广西大学 | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 |
CN113762603B (zh) * | 2021-08-13 | 2023-08-22 | 广西大学 | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 |
CN113862691A (zh) * | 2021-09-18 | 2021-12-31 | 河北建投新能源有限公司 | 光伏制氢的控制方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112884238A (zh) | 光伏发电功率预测方法及装置 | |
US20210381712A1 (en) | Determining demand curves from comfort curves | |
CN113516316B (zh) | 基于麻雀搜索优化的Attention-GRU短期负荷预测方法 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
CN113177673B (zh) | 一种空调冷负荷预测优化方法、系统及设备 | |
Wu et al. | A hybrid XGBoost-ISSA-LSTM model for accurate short-term and long-term dissolved oxygen prediction in ponds | |
CN113469426A (zh) | 基于改进bp神经网络的光伏输出功率预测方法及系统 | |
Song et al. | Optimized XGBoost based sparrow search algorithm for short-term load forecasting | |
CN114912673A (zh) | 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法 | |
CN112070241A (zh) | 基于机器学习模型的植物生长预测方法、装置和设备 | |
Brito Lopes et al. | Improving genomic prediction accuracy for meat tenderness in Nellore cattle using artificial neural networks | |
CN116562514B (zh) | 基于神经网络的企业生产状况即时分析方法及系统 | |
CN114118634B (zh) | 一种土壤水分预测方法和装置 | |
CN115470987A (zh) | 基于改进长短期记忆神经网络的短期光伏发电预测方法 | |
Liu et al. | An optimized short-term wind power interval prediction method considering NWP accuracy | |
CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
CN114117787A (zh) | 基于ssa优化bp神经网络的短期风功率预测方法 | |
CN116562455A (zh) | 风力发电机的气温预报数据处理方法、装置、计算机设备 | |
CN111612246A (zh) | 农田土壤的重金属含量预测方法、装置、设备及存储介质 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN112836885B (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
CN114091745A (zh) | 基于改进多存储池回声状态网络的行业用电量预测方法 | |
CN114511078A (zh) | 基于多策略麻雀搜索算法的bp神经网络预测方法及装置 | |
CN113254857A (zh) | 一种基于ssa-elm的短期电力负荷预测方法 |
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 |