CN113159437B - 一种短期光伏发电输出功率的预测方法 - Google Patents
一种短期光伏发电输出功率的预测方法 Download PDFInfo
- Publication number
- CN113159437B CN113159437B CN202110477946.7A CN202110477946A CN113159437B CN 113159437 B CN113159437 B CN 113159437B CN 202110477946 A CN202110477946 A CN 202110477946A CN 113159437 B CN113159437 B CN 113159437B
- Authority
- CN
- China
- Prior art keywords
- slime
- value
- power generation
- vector machine
- data
- 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.)
- Expired - Fee Related
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 89
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 48
- 238000010606 normalization Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 5
- 241000894006 Bacteria Species 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000005286 illumination Methods 0.000 claims description 13
- 241000863434 Myxococcales Species 0.000 claims description 5
- 230000001174 ascending effect Effects 0.000 claims description 5
- 241001467460 Myxogastria Species 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000006870 function Effects 0.000 description 30
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Biophysics (AREA)
Abstract
本发明涉及一种短期光伏发电输出功率的预测方法，其技术特点：获取光伏发电的数据，并将数据分为输入数据和输出数据，并对数据进行归一化处理；设置改进黏菌优化算法和相关向量机模型的参数；运行改进黏菌优化算法，获得相关向量机模型中的高斯核函数的最优参数；将优化得到的最优参数带入到相关向量机模型中；将预测数据输入到改进黏菌优化算法优化的相关向量机模型中得到预测结果，并对预测结果进行反归一化。本发明能够对短期光伏发电输出功率进行准确预测，提高预测的精度，能够避免地具有波动性和随机性的光伏发电接入电网时，对电网带来的冲击，使电力系统安全可靠运行。
Description
技术领域
本发明属于光伏发电技术领域，尤其是一种短期光伏发电输出功率的预测方法。
背景技术
随着全球能源需求的不断增加，可再生能源的开发和利用在当今能源行业中的地位越来越重要。太阳能是具吸引力的可再生能源，具有绿色环保、无需运输、成本低廉以及可再生的特点。因此，开发新型光伏发电技术被认为是满足当今能源需求的重要解决方案。近几十年来，光伏发电在世界范围内迅速发展，2016年光伏年发电量首次高于风电，并于该年底全球光伏系统装机容量比上一年增长48％。虽然光伏发电具有很多优点，但是在其利用过程中仍存在一些缺点和局限，光照强度的不确定性和昼夜变化的周期性导致光伏发电站是一个典型的波动性和间歇性电源。此外，光伏发电系统的输出受气候、天气和其他因素的影响，会增加光伏并网的难度和电网调度的复杂性。从经济效益和方法可行性层面考虑，可以利用预测技术提前获知未来光伏发电情况，能够通过预测结果为电网的发电规划以及电力系统经济调度提供重要的参考信息。因此，对光伏发电系统进行功率预测是解决光伏系统发电存在波动以及功率不确定问题的最有效、最经济的方法之一。
按照预测时间长短的不同，光伏输出功率的预测方法可以分类为：短期预测——以小时或一天为单位，用于电力部门安排合理的日发电量。超短期预测——以分钟或一小时为单位，用于电网的实时调度。中长期预测——以周为单位，用于光伏电站的维护与运行管理。其中，短期光伏发电功率预测对电力部门制定日常发电安排、提高经济调度效率至关重要。在实时电网的经济调度方面，以小时或一天为单位的短期预测发挥着决定性作用，并且直接影响系统运行的安全性和稳定性。光伏系统进行短期预测与相关规划可实现电力系统的经济有效运行，并确保供电的可靠性。
发明内容
本发明的目的在于克服现有技术的不足，提出一种短期光伏发电输出功率的预测方法，构建基于改进黏菌优化算法的相关向量机模型对短期光伏发电输出功率进行预测，解决了当具有波动性和随机性的光伏发电接入电网时，对电网安全稳定运行造成冲击的问题。
本发明解决其技术问题是采取以下技术方案实现的：
一种短期光伏发电输出功率的预测方法，包括以下步骤：
步骤1，将光伏发电数据划分为训练数据和预测数据，并对数据进行归一化处理；
步骤2，设置和初始化改进黏菌优化算法和相关向量机模型的参数；
步骤3，使用训练数据训练相关向量机模型；
步骤4，计算每一个黏菌的适应度值，记录其中的最优适应度值和对应的黏菌位置；
步骤5，更新黏菌的位置；
步骤6，重复步骤3和步骤4计算每一个黏菌的适应度值；
步骤7，比较选出最优适应度值，并记录最优解；
步骤8，判断是否达到设定的最大迭代次数；
步骤9，输出具有最优适应度值的黏菌位置，并将黏菌位置带入相关向量机模型；
步骤10，使用相关向量机模型对预测数据进行预测；
步骤11，输出预测结果，预测结果反归一化；
步骤1，光伏发电输出功率预测的训练数据和预测数据都包含输入和输出数据，输入数据包括温度、湿度、光照强度，输出数据是光伏发电的输出功率；使用式(1)对数据进行归一化，
式(1)中Pscale，i表示光伏发电输出功率归一化后的数据值，Pi表示光伏发电输出功率的真实值，Pmin表示光伏发电输出功率的最小值，Pmax表示光伏发电输出功率的最大值；
步骤2，设置改进黏菌优化算法的迭代次数、种群中的黏菌数量、种群的维度，初始化黏菌位置；相关向量机模型设置的高斯核函数关键参数η的范围，即上界和下届；其中改进黏菌优化算法中黏菌的位置的范围即为相关向量机模型高斯核函数关键参数η的范围；
高斯核函数如式(2)所示：
K(xi，xj)表示高斯核函数，η表示核函数的宽度，也是高斯核函数关键参数；
其中，初始化黏菌位置的初始化位置公式如式3所示：
式(3)中，
表示每一个黏菌的初始位置，rand表示属于0到1之间的随机数，UB表示相关向量机模型中高斯核函数关键参数η的上界，LB表示相关向量机模型中高斯核函数关键参数η的下届；
步骤3，将训练数据中的温度、湿度、光照强度作为相关向量机模型的输入，训练数据中的光伏发电的输出功率作为相关向量机模型的输出，用于训练相关向量机模型，并输出一组光伏发电功率预测结果；其中，相关向量机模型的高斯核函数关键参数η是黏菌优化算法初始化或更新后的黏菌的位置；
步骤4，使用适应度函数计算公式计算每一个黏菌的适应度值，适应度函数选取均方根误差MSE，表达式如下所示：
式(4)中，N为输出数据中光伏输出功率个数，Pi为输出数据中光伏发电输出功率真实值，Yi为步骤3中输出的一组光伏发电输出功率的预测预测结果；MSE计算结果即为适应度值，将当前适应度值S(i)按从大到小的顺序排列，其中记最优适应度值为bF，记最差适应度值为wF，将当前最优适应度值bF与全局最优适应度值DF作比较，将DF更新为二者中最优适应度值，并保存该最优黏菌个体位置；
步骤5，黏菌位置的更新是根据改进黏菌优化算法的原理进行的，按步骤4中适应度值的大小排列顺序计算每个黏菌个体的权重
此处对原有权重计算公式进行了改进，改进前后的权重计算公式如式(5)和式(6)所示：
改进前：
按适应度值的大小排列顺序，case1表示S(i)排在总体的前1/2部分，case2表示S(i)排在总体的后1/2部分，r表示在[0，1]区间内的随机值，SmellIndex表示适应度值排序顺序，sort(S)表示适应度值按升序排列；
改进后：
按适应度值的大小排列顺序，case1表示S(i)排在总体的前3/7部分，case2表示S(i)排在总体的中间1/7部分，case3表示S(i)排在总体的后3/7部分，r表示在[0，1]区间内的随机值，SmellIndex表示适应度值排序顺序，sort(S)表示适应度值按升序排列；
通过更加细致的划分，赋予每一个黏菌个体适合的权重，使黏菌更精确的搜寻到食物的位置，提高算法的寻优能力；
结合计算得到的每个黏菌的权重值，更新黏菌的位置，位置更新式(7)所示：
其中，z取0.03，
是范围为[-a，a]的参数，
从1线性减小到0；t代表当前迭代次数，
代表当前发现的最高气味浓度的单个位置，
代表黏菌的位置，
和
代表从黏菌中随机选择的两个个体，
代表黏菌的权重；p的计算方法如式(8)所示：
p＝tanh|S(i)-DF| (8)
其中i∈(1，2，...，n)，S(i)表示
的适应度，tanh表示双曲正切函数，DF表示在所有迭代中获得的最佳适应度；
的计算方法如式(9)和式(10)所示：
式(10)中max_t为最大迭代次数，arc tanh表示反双曲正切；
按照以上情况可以对黏菌的位置进行更新；
步骤6，重复步骤3和4，再次计算黏菌的适应度函数值；
步骤7，将步骤6得出的黏菌的适应度值与上一次记录的黏菌适应度进行比较，全局最优适应度值DF，并记录最优黏菌个体所在位置；
步骤8，根据步骤2中设定的改进黏菌优化算法最大迭代次数判定是否结束改进黏菌优化算法的优化过程，如果此时的迭代次数小于设定的迭代次数，则再次进行步骤5更新黏菌位置；如果此时的迭代次数大于设定的迭代次数，则进行步骤9；
步骤9，具有最优适应度值的黏菌的位置对应着相关向量机模型高斯核函数关键参数η的最优值，将此时的相关向量机高斯核函数关键参数η的最优值带入相关向量机模型；
步骤10，将预测数据中的温度、湿度、光照强度作为相关向量机模型的输入，预测数据中的光伏发电的输出功率作为相关向量机模型的输出，并输出一组光伏发电功率预测结果；
步骤11，将步骤10中得到的预测结果进行反归一化，反归一化公式如式(11)所示：
Pi＝Pscale，i×(Pmax-Pmin)+Pmin (11)
反归一化是按照归一化的计算规则进行，经过反归一化后获得与归一化之前的数据相同的上下界范围，便于预测结果的比较；
借助MATLB软件在计算机的显示器中显示步骤11中反归一化后的光伏发电输出功率预测结果与实际光伏发电输出功率的对比图。
上述的一种短期光伏发电输出功率预测方法，所述的黏菌优化算法以及相关向量机模型是已有技术，是为本技术领域技术人员所熟知的；
上述的一种短期光伏发电输出功率预测方法，所述的光伏发电输出功率的训练数据和预测数据输入计算机中的方法是公知的方法；
上述的一种短期光伏发电输出功率预测方法，所述的预测所用的光伏发电输出功率、温度、湿度和光照强度是为本技术领域技术人员所熟知的；
上述的一种短期光伏发电输出功率预测方法，所述的计算机、显示器和MATLAB计算机软件均是通过商购获得的。
本发明的优点和积极效果是：
1、本发明不仅可以用于短期光伏发电输出功率预测，而且也可以扩展用于其他领域的预测；
2、本发明使用改进黏菌优化算法优化相关向量机模型，是一种人工智能的组合方法；通过本发明对短期光伏发电输出功率预测能够提高具有随机性和波动性的短期光伏发电输出功率的预测准确性，准确预测光伏发电量能够提高新能源发电的使用率，有助于提高电网稳定性，对光伏发电系统安全接入电网和电力系统经济运行具有重要意义；
3、本发明使用的改进黏菌优化算法，对黏菌个体权重进行了细致的划分，赋予每个个体更适合的权重值，可以使黏菌更快的搜索到食物的位置，进而提高了算法的搜索能力。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是改进黏菌优化算法优化相关向量机模型进行光伏发电输出功率预测的流程示意图；
图2是改进黏菌优化算法优化相关向量机模型与黏菌优化算法优化相关向量机模型的光伏发电输出功率预测结果对比图。
具体实施方式
图1表明一种短期光伏发电输出功率的预测方法的流程是：开始→数据分组→数据归一化→设定和初始化参数→使用训练数据训练相关向量机模型→计算每一个黏菌的适应度值→更新黏菌的位置→计算每一个黏菌的适应度值→比较选出最优适应度值，并记录最优参数值；判断是否达到最大迭代次数→输出最优黏菌位置对应的最优参数值→将最优参数值输入相关向量机模型→使用具有最优参数值的相关向量机模型进行光伏发电输出功率预测→输出预测结果→预测结果反归一化→结束；
图2表明真实值、前馈神经网络、极限学习机、支持向量机、改进黏菌优化算法优化相关向量机模型的光伏发电输出功率预测结果对比图，横坐标是光伏发电预测数据标号，纵坐标是光伏发电输出功率，曲线包括真实值、前馈神经网络、极限学习机、支持向量机、改进黏菌优化算法优化相关向量机模型的预测值。
实施例
本发明提出一种短期光伏发电输出功率预测方法，采用PC机作为平台进行模型搭建，其中CPU为i5-8300H 2.3GHz，安装内存为8G，操作系统为Windows 10-64位，使用MATLABR2016a版本。
步骤1，将光伏发电数据划分为训练数据和预测数据，并对数据进行归一化处理；
步骤2，设置和初始化改进黏菌优化算法和相关向量机模型的参数；
步骤3，使用训练数据训练相关向量机模型；
步骤4，计算每一个黏菌的适应度值，记录其中的最优适应度值和对应的黏菌位置；
步骤5，更新黏菌的位置；
步骤6，重复步骤3和步骤4计算每一个黏菌的适应度值；
步骤7，比较选出最优适应度值，并记录最优解；
步骤8，判断是否达到设定的最大迭代次数；
步骤9，输出具有最优适应度值的黏菌位置，并将黏菌位置带入相关向量机模型；
步骤10，使用相关向量机模型对预测数据进行预测；
步骤11，输出预测结果，预测结果反归一化；
步骤1，将光伏发电数据划分为训练数据和预测数据，并对数据进行归一化处理；
光伏发电输出功率预测的训练数据和预测数据都包含输入和输出数据，输入数据包括温度、湿度、光照强度，输出数据是光伏发电的输出功率；使用式(1)对数据进行归一化；式(1)中Pscale，i表示光伏发电输出功率归一化后的数据值，Pi表示光伏发电输出功率的真实值，Pmin表示光伏发电输出功率的最小值，Pmax表示光伏发电输出功率的最大值；
在本实施例中，数据来源于澳大利亚的Desert Knowledge Australia SolarCenter；数据记录了9：00-16：00的输出功率、湿度、温度和光照强度，每5分钟记录一次，选取多云样本数据作为研究数据，选取5天；多云天气的样本数据以前4天作为训练数据，最后1天作为预测数据，并以温度、光照强度和湿度作为预测模型的输入，以光伏发电输出功率作为预测模型的输出；
步骤2，设置和初始化改进黏菌优化算法和相关向量机模型的参数；
在本实施例中，改进黏菌优化算法的黏菌数量为70个，改进黏菌优化算法的最大迭代次数为100次，改进黏菌优化算法的维度为1维，相关向量机模型高斯核函数参数η的范围为[0.01，100]，黏菌优化算法和相关向量机模型的其他参数为默认值；其中，改进黏菌优化算法中黏菌的位置的范围即为相关向量机模型高斯核函数关键参数η的范围；高斯核函数如式(2)所示；K(xi，xj)表示高斯核函数，η表示核函数的宽度，也是高斯核函数关键参数；按照黏菌位置的初始化公式式(3)初始化黏菌位置；式(3)中，
表示每一个黏菌的初始位置，rand表示属于0到1之间的随机数，UB表示相关向量机模型中高斯核函数关键参数η的上界，UB＝100；LB表示相关向量机模型中高斯核函数关键参数η的下届，LB＝0.01；
步骤3，使用训练数据训练相关向量机模型；
将训练数据中的温度、湿度、光照强度作为相关向量机模型的输入，训练数据中的光伏发电的输出功率作为相关向量机模型的输出，用于训练相关向量机模型，并输出一组光伏发电功率预测结果；其中，相关向量机模型的高斯核函数关键参数η是黏菌优化算法初始化或更新后的黏菌的位置；
步骤4，计算每一个黏菌的适应度值，记录其中的最优适应度值和对应的黏菌位置；
使用适应度函数计算公式计算每一个黏菌的适应度值，选取均方根误差MSE如式(4)为适应度函数；式(4)中，N为输出数据中光伏输出功率个数85，Pi为输出数据中光伏发电输出功率真实值，Yi为步骤3中输出的一组光伏发电输出功率的预测预测结果；MSE计算结果即为适应度值，将当前适应度值S(i)按从大到小的顺序排列，其中记最优适应度值为bF，记最差适应度值为wF，将当前最优适应度值bF与全局最优适应度值DF作比较，将DF更新为二者中最优适应度值，并保存该最优黏菌个体位置；
步骤5，更新黏菌的位置；
黏菌位置的更新是根据改进黏菌优化算法的原理进行的，按步骤4中适应度值的大小排列顺序计算每个黏菌个体的权重
使用式(6)计算黏菌的权重；按适应度值的大小排列顺序，式(6)中case1表示S(i)排在总体的前3/7部分，case2表示S(i)排在总体的中间1/7部分，case3表示S(i)排在总体的后3/7部分，r表示在[0，1]区间内的随机值，SmellIndex表示适应度值排序顺序，sort(S)表示适应度值按升序排列；
通过更加细致的划分，赋予每一个黏菌个体适合的权重，使黏菌更精确的搜寻到食物的位置，提高算法的寻优能力；
结合计算得到的每个黏菌的权重值，按式(7)更新黏菌的位置；式(7)中，z取0.03，
是范围为[-a，a]的参数，
从1线性减小到0；t代表当前迭代次数，
代表当前发现的最高气味浓度的单个位置，
代表黏菌的位置，
和
代表从黏菌中随机选择的两个个体，
代表黏菌的权重；按式(8)计算p的值；式(8)中i∈(1，2，...，n)，S(i)表示
的适应度，DF表示在所有迭代中获得的最佳适应度；按式(9)和式(10)计算
的值；
按照以上流程可以对黏菌的位置进行更新；
步骤6，重复步骤3和4，再次计算黏菌的适应度函数值；
步骤7，比较选出最优适应度值，并记录最优解；
将步骤6得出的黏菌的适应度值与上一次记录的黏菌适应度进行比较，全局最优适应度值DF，并记录最优黏菌个体所在位置；
步骤8，判断是否达到设定的最大迭代次数；
根据步骤2中设定的改进黏菌优化算法最大迭代次数判定是否结束改进黏菌优化算法的优化过程，如果此时的迭代次数小于设定的迭代次数100时，则再次进行步骤5更新黏菌位置；如果此时的迭代次数大于设定的迭代次数100时，则进行步骤9；
步骤9，输出具有最优适应度值的黏菌位置，并将黏菌位置带入相关向量机模型；
具有最优适应度值的黏菌的位置对应着相关向量机模型高斯核函数关键参数η的最优值，将此时的相关向量机高斯核函数关键参数η的最优值带入相关向量机模型；
步骤10，使用相关向量机模型对预测数据进行预测；
将预测数据中的温度、湿度、光照强度作为相关向量机模型的输入，预测数据中的光伏发电的输出功率作为相关向量机模型的输出，并输出一组光伏发电功率预测结果；
步骤11，输出预测结果，预测结果反归一化；
将步骤10中得到的预测结果进行反归一化，按照式(11)对预测结果进行反归一化；
借助MATLB软件在计算机的显示器中显示步骤11中反归一化后的光伏发电输出功率预测结果与实际光伏发电输出功率的对比图；
通过以上步骤，完成了本发明的短期光伏发电输出功率的预测功能。
在本实施例中，为了更好地展示改进黏菌优化算法优化的相关向量机模型的性能，借助MATLAB软件在计算机的显示屏上显示，将真实值、前馈神经网络、极限学习机、支持向量机与改进黏菌优化算法优化相关向量机模型的预测效果进行比较；在计算机的显示屏上显示输出前馈神经网络、极限学习机、支持向量机与改进黏菌优化算法优化相关向量机模型的预测结果对比图，如图(2)；
为了进一步验证改进黏菌优化算法优化相关向量机模型的预测效果，选取平均绝对误差(Mean Absolute Error，MAE)、均方根误差(Root-mean-square error，RMSE)和决定系数(coefficient of determination，R2)作为预测效果的评价指标；
在相同的条件和参数下，选取指标MAE、RMSE和R2对前馈神经网络、极限学习机、支持向量机与改进黏菌优化算法优化相关向量机模型的预测结果进行评价，评价结果如表1；
表1光伏发电输出功率预测结果评估
从表1中可以看出，改进黏菌优化算法优化相关向量机模型无论是平均绝对误差、均方根误差和决定系数都优于前馈神经网络、极限学习机、支持向量机模型。
上述所有实施例中，所述黏菌优化算法以及相关向量机模型是已有技术，是为本技术领域技术人员所熟知的；所述预测所用的光伏发电输出功率、温度、湿度和光照强度是为本技术领域技术人员所熟知的；将所获取的光伏发电输出功率的训练数据和预测数据输入计算机中的方法是公知的方法；所述计算机、显示器和MATLAB计算机软件均是通过商购获得的。
需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。
Claims (2)
1.一种短期光伏发电输出功率的预测方法，其特征在于：
包括以下步骤：
步骤1，将光伏发电数据划分为训练数据和预测数据，并对数据进行归一化处理；
步骤2，设置和初始化改进黏菌优化算法和相关向量机模型的参数；
步骤3，使用训练数据训练相关向量机模型；
步骤4，计算每一个黏菌的适应度值，记录其中的最优适应度值和对应的黏菌位置；
步骤5，更新黏菌的位置；
步骤6，重复步骤3和步骤4计算每一个黏菌的适应度值；
步骤7，比较选出最优适应度值，并记录最优解；
步骤8，判断是否达到设定的最大迭代次数；
步骤9，输出具有最优适应度值的黏菌位置，并将黏菌位置带入相关向量机模型；
步骤10，使用相关向量机模型对预测数据进行预测；
步骤11，输出预测结果，预测结果反归一化；
所述步骤1光伏发电输出功率预测的训练数据和预测数据都包含输入和输出数据，输入数据包括温度、湿度、光照强度，输出数据是光伏发电的输出功率；使用公式(1)对数据进行归一化，
式(1)中Pscale，i表示光伏发电输出功率归一化后的数据值，Pi表示光伏发电输出功率的真实值，Pmin表示光伏发电输出功率的最小值，Pmax表示光伏发电输出功率的最大值；
所述步骤2设置改进黏菌优化算法的迭代次数、种群中的黏菌数量、种群的维度，初始化黏菌位置；相关向量机模型设置的高斯核函数关键参数η的范围，即上界和下届；其中改进黏菌优化算法中黏菌的位置的范围即为相关向量机模型高斯核函数关键参数η的范围；
高斯核函数如式(2)所示：
K(xi，xj)表示高斯核函数，η表示核函数的宽度，也是高斯核函数关键参数；
其中，初始化黏菌位置的初始化位置公式如式(3)所示：
式(3)中，
表示每一个黏菌的初始位置，rand表示属于0到1之间的随机数，UB表示相关向量机模型中高斯核函数关键参数η的上界，LB表示相关向量机模型中高斯核函数关键参数η的下届；
所述步骤3将训练数据中的温度、湿度、光照强度作为相关向量机模型的输入，训练数据中的光伏发电的输出功率作为相关向量机模型的输出，用于训练相关向量机模型，并输出一组光伏发电功率预测结果；其中，相关向量机模型的高斯核函数关键参数η是黏菌优化算法初始化或更新后的黏菌的位置；
所述步骤4使用适应度函数计算公式计算每一个黏菌的适应度值，适应度函数选取均方根误差MSE，表达式如式(4)所示：
式(4)中，N为输出数据中光伏输出功率个数，Pi为输出数据中光伏发电输出功率真实值，Yi为步骤3中输出的一组光伏发电输出功率的预测预测结果；MSE计算结果即为适应度值，将当前适应度值S(i)按从大到小的顺序排列，其中记最优适应度值为bF，记最差适应度值为wF，将当前最优适应度值bF与全局最优适应度值DF作比较，将DF更新为二者中最优适应度值，并保存该最优黏菌个体位置；
所述步骤5黏菌位置的更新是根据改进黏菌优化算法的原理进行的，按步骤4中适应度值的大小排列顺序计算每个黏菌个体的权重
此处对原有权重计算公式进行了改进，改进前后的权重计算公式如式(5)和式(6)所示：
改进前：
按适应度值的大小排列顺序，case1表示S(i)排在总体的前1/2部分，case2表示S(i)排在总体的后1/2部分，r表示在[0，1]区间内的随机值，SmellIndex表示适应度值排序顺序，sort(S)表示适应度值按升序排列；
改进后：
按适应度值的大小排列顺序，case1表示S(i)排在总体的前3/7部分，case2表示S(i)排在总体的中间1/7部分，case3表示S(i)排在总体的后3/7部分，r表示在[0，1]区间内的随机值，SmellIndex表示适应度值排序顺序，sort(S)表示适应度值按升序排列；
通过更加细致的划分，赋予每一个黏菌个体适合的权重，使黏菌更精确的搜寻到食物的位置，提高算法的寻优能力；
结合计算得到的每个黏菌的权重值，更新黏菌的位置，位置更新式(7)所示：
其中，z取0.03，
是范围为[-a，a]的参数，
从1线性减小到0；t代表当前迭代次数，
代表当前发现的最高气味浓度的单个位置，
代表黏菌的位置，
和
代表从黏菌中随机选择的两个个体，
代表黏菌的权重；p的计算方法如式(8)所示：
p＝tanh|S(i)-DF| (8)
其中i∈(1，2，...，n)，S(i)表示
的适应度，tanh表示双曲正切函数，DF表示在所有迭代中获得的最佳适应度；
的计算方法如式(9)和式(10)所示：
式(10)中max_t为最大迭代次数，arc tanh表示反双曲正切函数；
按照以上情况可以对黏菌的位置进行更新；
所述步骤6重复步骤3和4，再次计算黏菌的适应度函数值；
所述步骤7将步骤6得出的黏菌的适应度值与上一次记录的黏菌适应度进行比较，全局最优适应度值DF，并记录最优黏菌个体所在位置；
所述步骤8根据步骤2中设定的改进黏菌优化算法最大迭代次数判定是否结束改进黏菌优化算法的优化过程，如果此时的迭代次数小于设定的迭代次数，则再次进行步骤5更新黏菌位置；如果此时的迭代次数大于设定的迭代次数，则进行步骤9；
所述步骤9具有最优适应度值的黏菌的位置对应着相关向量机模型高斯核函数关键参数η的最优值，将此时的相关向量机高斯核函数关键参数η的最优值带入相关向量机模型；
所述步骤10将预测数据中的温度、湿度、光照强度作为相关向量机模型的输入，预测数据中的光伏发电的输出功率作为相关向量机模型的输出，并输出一组光伏发电功率预测结果；
所述步骤11将步骤10中得到的预测结果进行反归一化，反归一化公式如式(11)所示：
Pi＝Pscale，i×(Pmax-Pmin)+Pmin (11)
反归一化是按照归一化的计算规则进行，经过反归一化后获得与归一化之前的数据相同的上下界范围，便于预测结果的比较；
借助MATLB软件在计算机的显示器中显示步骤11中反归一化后的光伏发电输出功率预测结果与实际光伏发电输出功率的对比图。
2.按照权利要求1所述一种短期光伏发电输出功率的 预测方法，其特征在于：所述的光伏发电输出功率是光伏电厂的光伏发电输出功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110477946.7A CN113159437B (zh) | 2021-04-30 | 2021-04-30 | 一种短期光伏发电输出功率的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110477946.7A CN113159437B (zh) | 2021-04-30 | 2021-04-30 | 一种短期光伏发电输出功率的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113159437A CN113159437A (zh) | 2021-07-23 |
| CN113159437B true CN113159437B (zh) | 2022-03-25 |
Family
ID=76872652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110477946.7A Expired - Fee Related CN113159437B (zh) | 2021-04-30 | 2021-04-30 | 一种短期光伏发电输出功率的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113159437B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115564139B (zh) * | 2022-10-31 | 2023-09-29 | 淮阴工学院 | 基于能值评估的能源系统运行状态优化方法及装置 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9660576B2 (en) * | 2010-05-04 | 2017-05-23 | Solmetric Corporation | Predicting production of photovoltaic systems |
| CN103729685A (zh) * | 2013-12-02 | 2014-04-16 | 国电南瑞科技股份有限公司 | 基于改进rbf神经网络的光伏电站群区域功率预测方法 |
| FR3028115B1 (fr) * | 2014-11-03 | 2016-12-23 | Commissariat Energie Atomique | Diagnostic d'un systeme photovoltaique par un systeme multi-agents |
| CN104979912A (zh) * | 2015-07-22 | 2015-10-14 | 中国华能集团清洁能源技术研究院有限公司 | 一种光伏发电系统的监控方法与系统 |
| CN105140968B (zh) * | 2015-10-23 | 2017-11-14 | 武汉大学 | 一种基于故障限流‑快速储能协调控制的微电网暂态性能强化装置及方法 |
| CN106295908A (zh) * | 2016-08-24 | 2017-01-04 | 上海电机学院 | 一种svm风电功率预测方法 |
| CN106971237B (zh) * | 2017-02-27 | 2018-04-24 | 中国水利水电科学研究院 | 一种基于细菌觅食优化算法的中长期径流预报方法 |
| CN110705640A (zh) * | 2019-09-30 | 2020-01-17 | 温州大学 | 一种基于黏菌算法构建预测模型的方法 |
| CN110956304A (zh) * | 2019-10-17 | 2020-04-03 | 国网河南省电力公司鹤壁供电公司 | 一种基于ga-rbm的分布式光伏发电量短期预测方法 |
| CN111832838B (zh) * | 2020-07-24 | 2022-03-01 | 河北工业大学 | 一种短期风力发电输出功率的预测方法 |
| CN111898825A (zh) * | 2020-07-31 | 2020-11-06 | 天津大学 | 一种光伏发电功率短期预测方法及装置 |
| CN112330487B (zh) * | 2020-11-03 | 2022-10-04 | 河北工业大学 | 一种光伏发电短期功率预测方法 |
-
2021
- 2021-04-30 CN CN202110477946.7A patent/CN113159437B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN113159437A (zh) | 2021-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111260126B (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
| CN110729764B (zh) | 一种含光伏发电系统的优化调度方法 | |
| CN103049798A (zh) | 一种应用于光伏发电系统的短期发电功率预测方法 | |
| CN112232575B (zh) | 一种基于多元负荷预测的综合能源系统调控方法和装置 | |
| CN104978613A (zh) | 一种考虑组件温度的光伏出力短期预测方法 | |
| CN111859283B (zh) | 一种考虑多能源荷时序性、相关性的场景生成方法 | |
| Malakouti et al. | Evaluation of the application of computational model machine learning methods to simulate wind speed in predicting the production capacity of the Swiss basel wind farm | |
| CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
| CN114330100A (zh) | 一种短期光伏功率概率区间预测方法 | |
| CN113159437B (zh) | 一种短期光伏发电输出功率的预测方法 | |
| CN115021331A (zh) | 基于贡献系数法的清洁能源基地水风光一体化补偿方法 | |
| Dong et al. | Day-ahead prediction of wind power based on conditional generative adversarial network | |
| CN110909310A (zh) | 一种基于模型参数优化的光伏短期发电量预测方法及系统 | |
| CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
| CN116683530A (zh) | 风-光-含混合式抽蓄电站梯级水库随机优化调度方法 | |
| CN115456286A (zh) | 一种短期光伏功率预测方法 | |
| CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
| CN114977324A (zh) | 能源基地多能互补运行中多主体效益变化的量化方法 | |
| CN114282336A (zh) | 一种新能源电站出力场景生成方法及系统 | |
| Huang et al. | Predicting of the short term wind speed by using a real valued genetic algorithm based least squared support vector machine | |
| Khan et al. | Short Term Power Forecasting of Wind Energy System using Deep Neural Network (DNN) Trained by a Novel Meta-Heuristic Optimization Algorithm | |
| Islam et al. | Deep Learning Technique for Forecasting Solar Radiation and Wind Speed for Dynamic Microgrid Analysis. | |
| CN116742624B (zh) | 一种光伏发电量预测方法及系统 | |
| Li et al. | Short-term LOAD Forecasting Method of TPA-LSTNet Model Based on Time Series Clustering | |
| CN117293818A (zh) | 基于高斯建模注意力机制及lstm的光伏发电预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220325 |