CN113449466A - 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 - Google Patents
基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 Download PDFInfo
- Publication number
- CN113449466A CN113449466A CN202110665417.XA CN202110665417A CN113449466A CN 113449466 A CN113449466 A CN 113449466A CN 202110665417 A CN202110665417 A CN 202110665417A CN 113449466 A CN113449466 A CN 113449466A
- Authority
- CN
- China
- Prior art keywords
- relm
- solar radiation
- chaos
- gwo
- 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.)
- Granted
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000000513 principal component analysis Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract 2
- 241000282461 Canis lupus Species 0.000 claims description 29
- 239000013598 vector Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000000739 chaotic effect Effects 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012821 model calculation Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 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
- 230000005540 biological transmission Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 241000717544 Aconitum lycoctonum subsp. vulparia Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于PCA和混沌GWO优化RELM的太阳辐射预测方法及系统,所述方法包括:S1,对数据进行标准化处理;S2,将处理后的数据进行PCA降维;S3,建立混沌GWO‑RELM模型,找到RELM的最优隐含层节点个数node和正则化系数C;S4,将测试样本送入含有最优隐含层节点个数node和正则化系数C的RELM中进行计算,得到待预测站点未来的太阳辐射预报值。本发明针对太阳辐射数据的不连续性和高频特性致使太阳辐射预测精度低的问题,采用混沌灰狼算法与正则化极限学习机相结合构成混沌GWO‑RELM模型对太阳辐射数据进行预测,克服了传统时间序列模型的缺点,使得太阳辐射预测的精度得到了提高。
Description
技术领域
本发明属于太阳辐射预测技术领域,具体涉及一种基于PCA和混沌GWO优化RELM的太阳辐射预测方法及系统。
背景技术
随着经济的快速发展,石油、煤炭等不可再生资源急剧消耗,且石油和煤炭等不可再生资源的使用造成了严重的环境污染和温室效应,为了适应经济的快速发展和保护环境的需求,再生能源的开发利用在世界范围内得到广泛的关注与研究。太阳能是可再生能源的重要来源,其太阳辐射能在光伏发电中得到广泛应用。然而,由于环境和天气的影响,太阳能具有随机性、波动性等特点,使得大规模光伏并网存在大量的困难。因此,准确可靠的太阳辐射预测方法对电网安全可靠运行具有十分重要的意义。
国内外专家学者对太阳辐射预测模型进行了大量的研究,将现有太阳辐射预测模型分为以下几个方面,即物理辐射传输模型、数值天气预报模型、基于图像的模型、机器学习模型和时间序列模型等。在上述太阳辐射预测模型中,物理辐射传输模型与数值天气预报模型的输入数据难以获得,且计算成本较高;而基于图像的模型,由于图像采集设备昂贵,限制了其在太阳辐射的广泛运用。传统时间序列模型较上述太阳辐射预测模型计算成本较低,然而对于太阳辐射序列的不连续性和高频特性,使得其在太阳辐射预测上的能力有限,降低了太阳辐射预测的精确度。
发明内容
发明目的:针对现有技术的不足,本发明将混沌灰狼算法(CGWO,Chaos Grey WolfOptimization)与正则化极限学习机(RELM,Regularized Extreme Learning Machine)相结合,提出一种基于主成分析法(PCA,Principal Component Analysis)和混沌GWO优化RELM的太阳辐射预测方法及系统,选出适于太阳辐射预测的最优隐含层节点个数node和正则化系数C,获得太阳辐射的高精度预测。
技术方案:本发明提出一种基于PCA和混沌GWO优化RELM的太阳辐射预测方法,具体包括以下步骤:
(1)选定待测站点,收集并记录待测站点之前的太阳辐射历史数据,建立相应的历史数据库并对数据进行标准化处理;
(2)将标准化后的太阳辐射历史数据进行PCA降维,取变换后能反映原始数据方差特征的前六维数据,作为RELM的输入数据,并将输入数据划分为训练样本和测试样本;
(3)建立混沌GWO-RELM模型,利用混沌GWO-RELM模型找出RELM的最优隐含层节点个数node和正则化系数C,将所述的最优隐含层节点个数node和正则化系数C送入RELM中;
(4)将测试样本送入带有最优隐含层节点个数node和正则化系数C的RELM中进行计算,得到的输出数据即为模型预测的待预测站点未来的太阳辐射预报值;
(5)对经混沌GWO-RELM模型得到的待预测站点未来的太阳辐射预报值的准确性进行分析预测。
进一步地,所述步骤(1)通过以下公式实现:
进一步地,所述步骤(2)包括以下步骤:
(21)构建样本矩阵[z1,z2,…,zn],式中n代表各样本的维数,zi为第i维上各样本的列向量;
(22对样本矩阵中的单元进行标准化处理;
(24)计算相关系数矩阵R特征值和特征向量ξ;
其中,λ1,λ2,…,λm为R的m个特征值,ξ1,ξ2,…,ξm为λ1,λ2,…,λm对应的特征向量;
(24)对特征值进行降序排列,选取前k(k<m)个特征向量构建新的线性变换矩阵X=[ξ1,ξ2,…,ξk]。
进一步地,所述步骤(3)包括以下步骤:
(31)构建RELM模型,同时设置正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数C的取值范围;将训练样本送入RELM模型;
(32)初始化灰狼算法的参数,包括最大迭代次数tmax和种群大小N,搜索空间的维度dim,搜索空间的上界ub和下界lb,设置迭代次数t=0,随机初始化个体位置后,开始进行迭代搜索;
(33)计算适应度值:通过计算当前种群个体的适应度值,得到当前种群中适应度值最好的三个灰狼个体α、β、δ;
(34)个体更新:其余个体根据前三个灰狼个体α、β、δ的位置更新自身位置;
(35)通过局部混沌搜索在最优个体xα(t)附近产生新个体xm(t),再次计算适应度值,保存适应度值最好的三个灰狼个体α、β、δ,判断是否达到最大迭代次数,若达到,则输出经混沌GWO-RELM模型训练得到的最优隐含层节点个数node和正则化系数C,否则,跳转步骤(34);
(36)利用经混沌GWO-RELM模型训练得到的最优隐含层节点个数node和正则化系数C送入RELM中,并将测试样本送入带有最优隐含层节点个数node和正则化系数C的RELM中进行计算,计算得到的输出数据即为待预测站点未来的太阳辐射预报值。
进一步地,步骤(35)中所述的局部混沌搜索采用Tent混沌映射:
其中,xn取值范围为[0,1]。
基于相同的发明构思,本发明还提供一种基于PCA和混沌GWO优化RELM的太阳辐射预测系统,包括数据收集模块、PCA降维模块、混沌GWO-RELM模型计算模块和性能分析模块;
所述数据收集模块获取待测站点待测日的太阳辐射历史数据及其影响太阳辐射数据因素的历史数据;
所述PCA降维模块将原有高维数据投影到低维空间,保留信息量最大的主成分;
所述混沌GWO-RELM模型计算模块用于混沌GWO算法寻找RELM模型的最优隐含层节点个数node和正则化系数C,将相应的测试样本送入含有最优隐含层节点个数node和正则化系数C的RELM中进行计算,输出数据即为待预测站点未来的太阳辐射预报值;
所述性能分析模块将得到的待预测站点未来的太阳辐射预测值进行准确度分析。
有益效果:与现有技术相比,本发明的有益效果:1、本发明针对太阳辐射的太阳辐射序列的不连续性和高频特性致使太阳辐射预测精度低的问题,采用混沌灰狼算法与正则化极限学习机相结合构成混沌GWO-RELM模型神经网络模型对太阳辐射数据进行预测,克服了传统时间序列模型的缺点,提高了太阳辐射预测的准确度;2、本发明在标准灰狼算法的基础上引入了混沌局部搜索策略,与原来标准灰狼算法相较,加入混沌局部搜索策略后,提高了灰狼算法的收敛速度,增加了种群的多样性,使得搜索过程避免陷入局部最优;将其与正则化极限学习机相结合后,加入混沌局部搜索策略的灰狼算法与正则化极限学习机相结合的神经网络模型寻找到最优隐含层节点个数node和正则化系数C的能力更为优越。
附图说明
图1为基于PCA和混沌GWO-RELM的太阳辐射预测方法流程图;
图2为基于PCA和混沌GWO-RELM的太阳辐射预测方法的实验结果示意图;
图3为基于PCA和混沌GWO-RELM的太阳辐射预测系统结构示意图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提供一种基于PCA和混沌GWO优化RELM的太阳辐射预测方法,如图1所示,具体包括以下步骤:
步骤1:选定待测站点,收集并记录待测站点之前的太阳辐射历史数据,建立相应的历史数据库并对数据进行标准化处理。
将收集到的待预测站点的太阳辐射历史数据及其影响因素的历史数据进行标准化处理:
本发明以国家数据浮标中心(NDBC)2019年6月5日至6月29日共25天每半小时太阳辐射数据为实施例,进行实例仿真,以验证本发明的效果,因为夜间太阳辐射值较低,实施例收集了从早上5:00到下午8:30太阳辐射观测值(每天30次数据观测点,共750个数据点);站点编号为45013,每半小时记录一次的太阳辐射实测数据作为样本数据,采用前70%的数据集作为训练数据集,后30%的数据集作为测试数据集。
步骤2:将标准化后的太阳辐射历史数据进行主成分析法(PCA)降维,取变换后能反映原始数据方差特征的前六维数据,作为RELM的输入数据,并将输入数据划分为训练样本和测试样本。
经PCA降维处理的数据在保持各数据维度内方差最大的前提下,通过寻找新的向量基,将原有高维数据投影到低维空间,通过选取方差大的特征向量,保留原有数据中信息量最大的主成分。具体包括:
2.1:构建样本矩阵[z1,z2,…,zn],式中n代表各样本的维数,zi为第i维上各样本的列向量。
2.2:对样本矩阵中的单元进行标准化处理:
2.3:计算相关系数矩阵R特征值和特征向量ξ:
式中,λ1,λ2,…,λm为R的m个特征值,ξ1,ξ2,…,ξm为λ1,λ2,…,λm对应的特征向量。
2.4:对特征值进行降序排列,选取前k(k<m)个特征向量构建新的线性变换矩阵X=[ξ1,ξ2,…,ξk]。
步骤3:建立混沌GWO-RELM模型,利用混沌GWO-RELM模型找出RELM的最优隐含层节点个数node和正则化系数C,将所述的最优隐含层节点个数node和正则化系数C送入RELM中。具体包括以下步骤:
3.1:构建RELM模型,同时设置正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数C的取值范围;将训练样本送入RELM模型。
3.2:初始化灰狼算法的参数,包括最大迭代次数tmax和种群大小N,搜索空间的维度dim,搜索空间的上界ub和下界lb,设置迭代次数t=0,随机初始化个体位置后,开始进行迭代搜索。
3.3:计算适应度值:通过计算当前种群个体的适应度值,得到当前种群中适应度最好的三个灰狼个体α、β、δ。
3.4:个体更新:其余个体根据前三个灰狼个体α、β、δ的位置更新自身位置,灰狼个体与猎物的位置更新公式为D=|Cxp(t)-x(t)|,距离更新公式为:
x(t+1)=xp(t)-AD
式中,D为灰狼与猎物的位置,C为摆动因子,其区间范围为[0,2],xp(t)为猎物的位置,A为收敛因子,t为当前迭代次数,x(t)为第t次迭代时灰狼个体的位置。摆动因子C由式C=2r1表示,收敛因子A由式A=2ar2-a表示,r1为[0,1]之间的随机数,a从2逐渐减小到0,r2为[0,1]之间的随机数。
其余个体与前三头狼的距离以及向猎物移动的方向,可根据下式获得:
x(t+1)=(x1+x2+x3)/3
式中,xα(t),xβ(t),xδ(t)分别为当前种群α,β,δ狼的位置,C1,C2,C3为α,β,δ狼的摆动因子,A1,A2,A3为α,β,δ狼的收敛因子,Dα,Dβ,Dδ分别表示当前候选区域灰狼与最优三条狼之间的距离;当|A|>1时,灰狼之间尽量分散在各区域并搜寻猎物,当|A|<1时,灰狼将集中搜索某个或某些区域的猎物。
1)记P=(x1,x2,…,xn)为当前的位置,适应度值为当前α狼的位置,设置最大混沌搜索次数mmax,以及初始混沌次数为m=1;
2)利用Tent映射产生一个混沌序列,序列中的混沌变量记为yi,其中i=1,2,…,n,n为变量个数;
3)对于当前α狼的位置根据式xr i=xi+ω·R×f×yi进行更新;式中,f为随机方向因子,取值范围(-1,1);R为搜索半径,可用于控制局部搜索范围;ω为衰减因子;
4)计算(x1 r,x2 r,…,xn r)的适应度值fitnessm,:
式中,N为样本个数,yi_predict为CGWO-RELM模型预测输出值,yi_actually为样本真实值。若fitnessm<fitness,则fitness=fitnessm+1,P=(x1 r,x2 r,…,xn r),m=m+1;
5)若m≤mmax,跳转步骤3),若m>mmax,则跳转6);
6)输出混沌搜索后α狼的位置,即为xm(t)的位置。
3.6:若t<tmax,设置迭代次数t=t+1,然后转到步骤3.4,否则跳转至步骤3.7。
3.7:输出混沌GWO-RELM模型的最优隐含层节点个数node和正则化系数C。
步骤4:将经过混沌GWO-RELM模型训练得到的最优隐含层节点个数node和正则化系数C送入到RELM中,并将测试样本送入到该含有最优隐含层节点个数node和正则化系数C的RELM模型中进行计算,得到待测站点未来的太阳辐射预报值;
步骤5:对经混沌GWO-RELM模型得到的待预测站点未来的太阳辐射预报值的准确性进行分析预测.
利用平均绝对百分误差MAPE、均方根误差RMSE评价所提出的太阳辐射预测方法的性能。平均绝对百分误差MAPE表达式为:
均方根误差RMSE表达式为:
式中,vf(i)、vo(i)为第i个样本的预测值与实测值,N为样本集大小。
此外除了所提出的CGWO-RELM模型,还选取了PSO-BP、GWO-BP和GWO-ELM三个基准模型进行对比,其测试结果如表1所示:
表1同一数据不同模型预测性能分析
从表1中可以看到不同模型的性能指标数值,通过比较四种性能指标的数值,可以发现的是所提出的CGWO-RELM模型与PSO-BP、GWO-BP、GWO-ELM相比,其预测精度和性能在进一步中得到了提高。
图2为基于PCA和混沌GWO-RELM的太阳辐射预测方法的结果示意图。数据来自于国家数据浮标中心(NDBC)2019年6月5日至6月29日共25天每半小时太阳辐射数据,因为夜间太阳辐射值较低,主要收集了从早上5:00到下午8:30太阳辐射观测值(每天30次数据观测点,共750个数据点)。RELM模型的训练数据从2019年6月5日的早上5:00到下午8:30至6月21日早上5:00到下午8:30,30min的预测结果如图2所述。从图中可以看出,太阳辐射的预测值与太阳辐射的真实值吻合程度高,说明所提出的基于PCA和混沌GWO-RELM的太阳辐射预测方法准确率高。
基于相同的发明构思,本发明还提供一种基于混沌GWO-RELM模型的太阳辐射预测系统,如图3所示,包括数据收集模块、PCA降维模块、混沌GWO-RELM模块和性能分析模块。其中:
数据收集模块,用于获取待测站点待测日的太阳辐射历史数据及其影响太阳辐射数据因素的历史数据;
PCA降维模块,用于将原有高维数据投影到低维空间,保留信息量最大的主成分;
混沌GWO-RELM模型计算模块,用于混沌GWO算法寻找RELM模型的最优隐含层节点个数node和正则化系数C,将相应的测试样本送入含有最优隐含层节点个数node和正则化系数C的RELM模型进行计算,输出数据即为待预测站点未来的太阳辐射预报值;
性能分析模块,用于将所述的待预测站点未来的太阳辐射预测值进行准确度分析。
以上对本发明实施例所提供的一种基于混沌GWO-RELM模型的太阳辐射预测方法及其装置进行了详细介绍。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围。
Claims (6)
1.一种基于PCA和混沌GWO优化RELM的太阳辐射预测方法,其特征在于,包括以下步骤:
(1)选定待测站点,收集并记录待测站点之前的太阳辐射历史数据,建立相应的历史数据库并对数据进行标准化处理;
(2)将标准化后的太阳辐射历史数据进行PCA降维,取变换后能反映原始数据方差特征的前六维数据,作为RELM的输入数据,并将输入数据划分为训练样本和测试样本;
(3)建立混沌GWO-RELM模型,利用混沌GWO-RELM模型找出RELM的最优隐含层节点个数node和正则化系数C,将所述的最优隐含层节点个数node和正则化系数C送入RELM中;
(4)将测试样本送入带有最优隐含层节点个数node和正则化系数C的RELM中进行计算,得到的输出数据即为模型预测的待预测站点未来的太阳辐射预报值;
(5)对经混沌GWO-RELM模型得到的待预测站点未来的太阳辐射预报值的准确性进行分析预测。
3.根据权利要求1所述的基于PCA和混沌GWO优化RELM的太阳辐射预测方法,其特征在于,所述步骤(2)包括以下步骤:
(21)构建样本矩阵[z1,z2,…,zn],式中n代表各样本的维数,zi为第i维上各样本的列向量;
(22对样本矩阵中的单元进行标准化处理;
(23)计算相关系数矩阵R特征值和特征向量ξ;
其中,λ1,λ2,…,λm为R的m个特征值,ξ1,ξ2,…,ξm为λ1,λ2,…,λm对应的特征向量;
(24)对特征值进行降序排列,选取前k(k<m)个特征向量构建新的线性变换矩阵X=[ξ1,ξ2,…,ξk]。
4.根据权利要求1所述的基于PCA和混沌GWO优化RELM的太阳辐射预测方法,其特征在于,所述步骤(3)包括以下步骤:
(31)构建RELM模型,同时设置正则化极限学习机隐含层节点个数、隐含层激活函数和正则化系数C的取值范围;将训练样本送入RELM模型;
(32)初始化灰狼算法的参数,包括最大迭代次数tmax和种群大小N,搜索空间的维度dim,搜索空间的上界ub和下界lb,设置迭代次数t=0,随机初始化个体位置后,开始进行迭代搜索;
(33)计算适应度值:通过计算当前种群个体的适应度值,得到当前种群中适应度值最好的三个灰狼个体α、β、δ;
(34)个体更新:其余个体根据前三个灰狼个体α、β、δ的位置更新自身位置;
(35)通过局部混沌搜索在最优个体xα(t)附近产生新个体xm(t),再次计算适应度值,保存适应度值最好的三个灰狼个体α、β、δ,判断是否达到最大迭代次数,若达到,则输出经混沌GWO-RELM模型训练得到的最优隐含层节点个数node和正则化系数C,否则,跳转步骤(34);
(36)利用经混沌GWO-RELM模型训练得到的最优隐含层节点个数node和正则化系数C送入RELM中,并将测试样本送入带有最优隐含层节点个数node和正则化系数C的RELM中进行计算,计算得到的输出数据即为待预测站点未来的太阳辐射预报值。
6.一种采用如权利要求1-5任一所述方法的基于PCA和混沌GWO优化RELM的太阳辐射预测系统,其特征在于,包括数据收集模块、PCA降维模块、混沌GWO-RELM模型计算模块和性能分析模块;
所述数据收集模块获取待测站点待测日的太阳辐射历史数据及其影响太阳辐射数据因素的历史数据;
所述PCA降维模块将原有高维数据投影到低维空间,保留信息量最大的主成分;
所述混沌GWO-RELM模型计算模块用于混沌GWO算法寻找RELM模型的最优隐含层节点个数node和正则化系数C,将相应的测试样本送入含有最优隐含层节点个数node和正则化系数C的RELM中进行计算,输出数据即为待预测站点未来的太阳辐射预报值;
所述性能分析模块将得到的待预测站点未来的太阳辐射预测值进行准确度分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110665417.XA CN113449466B (zh) | 2021-06-16 | 2021-06-16 | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110665417.XA CN113449466B (zh) | 2021-06-16 | 2021-06-16 | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449466A true CN113449466A (zh) | 2021-09-28 |
CN113449466B CN113449466B (zh) | 2023-12-01 |
Family
ID=77811523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110665417.XA Active CN113449466B (zh) | 2021-06-16 | 2021-06-16 | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449466B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776921A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于改进patch-informer的太阳辐射预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160092611A1 (en) * | 2014-09-26 | 2016-03-31 | State Grid Corporation Of China | Method for constructing real-time solar irradiation metering network of gigawatts level photovoltaic power generation base |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN109252009A (zh) * | 2018-11-20 | 2019-01-22 | 北京科技大学 | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 |
-
2021
- 2021-06-16 CN CN202110665417.XA patent/CN113449466B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160092611A1 (en) * | 2014-09-26 | 2016-03-31 | State Grid Corporation Of China | Method for constructing real-time solar irradiation metering network of gigawatts level photovoltaic power generation base |
CN108510074A (zh) * | 2018-05-30 | 2018-09-07 | 江苏理工学院 | 一种改进gwo算法的实现方法 |
CN109252009A (zh) * | 2018-11-20 | 2019-01-22 | 北京科技大学 | 基于正则化极限学习机的转炉炼钢终点锰含量预测方法 |
Non-Patent Citations (4)
Title |
---|
HUI LIU,ET AL: "Smart wind speed forecasting using EWT decomposition, GWO evolutionary optimization, RELM learning and IEWT reconstruction", 《》ENERGY CONVERSION AND MANAGEMENT, pages 266 - 283 * |
刘鑫 等: "基于QPSO正则化极限学习机的轴承故障诊断", 《组合机床与自动化加工技术》, pages 36 - 39 * |
李成县: "基于混沌灰狼算法的氧化铝焙烧质量预测与优化控制策略研究", 《中国优秀硕士学位论文全文数据库》, pages 19 - 40 * |
郑丹 等: "基于PCA的太阳辐射观测算法研究", 《成都信息工程大学学报》, pages 584 - 588 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116776921A (zh) * | 2023-06-09 | 2023-09-19 | 淮阴工学院 | 一种基于改进patch-informer的太阳辐射预测方法及装置 |
CN116776921B (zh) * | 2023-06-09 | 2024-04-19 | 淮阴工学院 | 一种基于改进patch-informer的太阳辐射预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113449466B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Photovoltaic power forecasting with a hybrid deep learning approach | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
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 | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN110866633B (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN114219181A (zh) | 基于迁移学习的风电功率概率预测方法 | |
CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN114119273A (zh) | 一种园区综合能源系统非侵入式负荷分解方法及系统 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
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 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN116629428A (zh) | 一种基于特征选择和SSA-BiLSTM的建筑能耗预测方法 | |
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 | |
CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
CN113297805A (zh) | 一种风电功率爬坡事件间接预测方法 | |
CN111950696A (zh) | 一种基于降维和改进神经网络的短期电力负荷预测方法 | |
CN116502074A (zh) | 一种基于模型融合的光伏发电功率预测方法及系统 | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
CN110276478A (zh) | 基于分段蚁群算法优化svm的短期风电功率预测方法 | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及系统 | |
CN115481788A (zh) | 相变储能系统负荷预测方法及系统 |
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 |