CN114444755A - 一种风电短期功率预测方法、装置及可读存储介质 - Google Patents
一种风电短期功率预测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN114444755A CN114444755A CN202111408490.5A CN202111408490A CN114444755A CN 114444755 A CN114444755 A CN 114444755A CN 202111408490 A CN202111408490 A CN 202111408490A CN 114444755 A CN114444755 A CN 114444755A
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- power
- elm
- prediction method
- 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 52
- 238000003860 storage Methods 0.000 title claims description 12
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004140 cleaning Methods 0.000 claims abstract description 9
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 13
- 238000010187 selection method Methods 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 12
- 239000011159 matrix material Substances 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 241000288673 Chiroptera Species 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Neurology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种风电短期功率预测方法,包括以下步骤:采集风电场的运行数据,且按照季节让所述运行数据分为四组;对所述运行数据进行清洗;对清洗后的数据进行变分模态分解;将分解后的数据进行归一化处理,构造训练数据和验证数据;选择与所述风电场每天的功率最相关的特征;建立不同季节下的风电场功率的ELM模型,对于所述ELM模型中的初始权重和阈值,选用改进的蝙蝠算法进行优化;训练所述ELM模型;基于所述ELM模型预测所述风电短期功率。本发明使用改进的蝙蝠算法优化ELM的权重和偏置相比传统ELM预测风电功率的方法,能够有效提升风电短期功率预测的准确率。
Description
技术领域
本发明涉及风电短期功率预测,更具体的是一种基于VMD和ELM相结合的风电短期功率预测方法。
背景技术
由于火力发电机组的高污染程度及其对环境的负面影响,风能、太阳能、波浪能等可再生能源现已被认真考虑为电能的可行替代能源。在上述资源中,风力发电在电力系统中增长率最高。风电场的发电量影响着电力系统的规划、调度和调度。但由于风速随机性大、波动性和间歇性较强的特点,容易对电网的安全和稳定运行造成巨大的影响。风速过大直接影响风电穿越功率较大时,将严重影响电力系统的安全。在实际风电并网与电力系统调度中,可靠的风电功率预测既可降低风电波动性对经济性的影响,又能保证风电接入后电力系统运行的安全性和稳定性。因此风力发电的预测是一个很大的挑战,一个准确的风电功率预报对系统操作人员具有重要意义。
发明内容
针对现有技术的技术问题,本发明拟提出一种基于VMD和ELM相结合的风电短期功率预测方法,具体地,本发明的技术方案如下:
一种风电短期功率预测方法,包括以下步骤:
采集风电场的运行数据,且按照季节让所述运行数据分为四组;
对所述运行数据进行清洗,所述清洗包括对四组数据进行空缺值以及异常数值处理;
对清洗后的数据进行变分模态分解,所述变分模态分解是对每一天的数据进行分解,分解为不同的模式;
将分解后的数据进行归一化处理,构造训练数据和验证数据;
选择与所述风电场每天的功率最相关的特征,所述选择基于GSO特征选择方法进行;建立不同季节下的风电场功率的ELM模型,对于所述ELM模型中的初始权重和阈值,选用改进的蝙蝠算法进行优化;
训练所述ELM模型;
基于所述ELM模型预测所述风电短期功率。
可选地,所述改进的蝙蝠算法是在基础蝙蝠算法中引入差分进化算法用于更新蝙蝠群体的位置。
可选地,所述优化过程中选用适应度为均方根误差,其中RMSE的公式如下:
其中yi为真实风电功率,y′i为经ELM预测的风电功率,N为预测的风电功率点数。
可选地,所述构造训练数据和验证数据包括将前一周的功率历史数据作为训练数据的输入,将一周后一天的风力发电数据作为训练数据的输出。
可选地,训练所述ELM模型过程中,将最后一天的预测的风电功率和风电功率的真实值的RMSE作为适应度函数,用于优化ELM的初始权重和阈值。
可选地,所述基于GSO特征选择方法包括:
选择变分模态分解处理后特征与原数据相关性强的数据作为ELM的训练数据;
可选地,所述采集风电场的运行数据包括采集风电场的输出功率数据,数据间隔为15 min。
可选地,所述清洗采用插补法。
本发明还提出一种电子设备,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现本发明所提出的风电短期功率预测方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时能实现本发明所提出的风电短期功率预测方法。
本发明有益效果:
本发明提供一种有效的提取风电功率特征的方法,使用改进的蝙蝠算法优化ELM的权重和偏置相比传统ELM预测风电功率的方法,能够有效提升风电短期功率预测的准确率。
附图说明
图1为本发明其中一实施例的风电短期功率预测方法示意图;
图2为本发明其中一实施例的极限学习机结构示意图;
图3为本发明其中一实施例的电子设备结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
本发明针对现有技术的缺陷,拟解决以下几个问题:
(1)如何对风电功率的数据进行特征提取;
(2)如何构造训练模式
(3)如何对风电功率进行预测。
如图1所示,本发明所提出的基于VMD和ELM相结合的风电短期功率预测方法,包括以下步骤:
S1:采集风电场的运行数据,本实施例例如选择某50MW的风电场的输出功率数据,其中数据间隔为15min,将全年数据分为春、夏、秋、冬四个季度。
S2:对所述运行数据进行清洗,所述清洗包括对四组数据进行空缺值以及异常数值处理;对原始四个季度的风电功率数据进行预处理,采用插值法对异常数据进行剔除、对空缺数据进行填补。
S3:对清洗后的数据进行变分模态分解,所述变分模态分解是对每一天的数据进行分解,分解为不同的模式。
S4:将分解后的数据进行归一化处理,构造训练数据和验证数据;例如:将前一周的功率历史数据作为训练数据的输入。对于一周后一天的风力发电数据作为训练数据的输出,这样,训练输入矩阵的每一列都是历史数据的时间序列。
S5:选择与所述风电场每天的功率最相关的特征,具体地,例如基于GSO特征选择方法进行;选择VMD处理后特征与原数据相关性强的数据作为ELM的训练数据。
S6:建立不同季节下的风电场功率的ELM模型,对于所述ELM模型中的初始权重和阈值,选用改进的蝙蝠算法进行优化;并使用预测值与实际值的均方根误差作为适应度函数。
S7:训练所述ELM模型;
S8:基于所述ELM模型预测所述风电短期功率。
具体地:
变分模态分解(Variational Mode Decomposition,VMD)是一种自适应信号处理方法,其在EMD和局部均值分解(Local Mean Decomposition,LMD)基础上有效减少了模态混叠现象,具有较好的理论基础。VMD整体框架是变分问题,据预设模态分量个数对原始信号p进行分解,得到本征模态函数。
式中,{u}为分解得到的K个模态分量,{u}={u1,…,uk};{ω}为各模态的中心频率, {ω}={ω1,…,ωk};k=1,2,3,...,K。
通过引入拉格朗日乘子λ(t)和二次惩罚因子α,将约束变分问题变为非约束变分问题。其中α保证信号在高斯噪声存在情况下的重构精度,λ(t)使得变分问题的求解保持严格的约束性。延伸后的拉格朗日表达式如下:
基于Gram-Schmidt正交化的特征选择方法
GSO过程是一种简单的前向选择方法,它可以根据特征与目标的正交性对特征进行排序。假设表示了M个模式的第k个特征Xk=[xk1,xk2,...,xkM]T,Y=[y1,y2,...,yM]T表示输出目标的向量。为了选择与输出最优相关的特征,计算每个输入特征Xk与目标夹角的余弦值Y作为评价标准:
其中为向量的输入第k个特征Xk与输出目标Y的夹角,N为所有特征的个数,<Xk,Y> 为与的内积。如果输出Xk与输入Y完全成比例,则为零;反之,如果输出Y与输入Xk完全不相关,则为π/2。因此,在迭代过程中,将上述评价准则最大化的特征作为与目标最相关的特征。
正交化的特征选择的流程是在选择下一个特征时,将输出向量和所有其他候选特征映射到所选特征的零空间,然后用新的数据更新输入特征和输出向量。排序过程重复进行,直到所有候选特征被排序完毕,或者满足预定的停止条件。
蝙蝠算法(Bat Algorithm,BA)是Xin-she Yang在2010年提出的一种新型群智能优化算法。其模拟自然界中蝙蝠的回声定位行为,在搜索过程中不断调整搜索频率,加快了算法的收敛速度。同时,蝙蝠个体通过调节声波脉冲频度和脉冲响度的变化来协调算法的探索与开采,增强了算法的搜索能力和鲁棒性,此外,它还具有模型简单、潜在的并行性和分布式等特点。蝙蝠算法自提出以来备受广大学者的关注,经过近几年的研究,其理论和应用得到了很大的发展。
算法的思想是利用微型蝙蝠的一些超声波特征研究出新的启发式算法,其基于以下理想规则:
(1)所有的蝙蝠判断食物和障碍物之间的差异采用的是回声定位的方法;
(2)在位置xi处每只蝙蝠以速度vi进行随机飞行,并采取不同的频率fi和音强Ai对猎物进行搜索。它们会根据接近目标的程度自动调整所发出脉冲频率,脉冲频率f的范围是[fmin,fmax];
(3)虽然脉冲响度在不同形式下变化不同,但这里假设其响度是随着代数的增大而减小的,从最大值Amax减到最小值Amin。
设定义域为D维搜索空间,在t+1时刻蝙蝠i的速度及位置更新方式为:
fi=fmin+(fmax-fmin)·B
其中,β是介于[0,1]之间的随机数。
为了使算法具有更好的搜索性能,蝙蝠算法设计了如下的局部搜索方式:
蝙蝠在搜索猎物初期所发出的声波脉冲音强较大,且具有较小的频度,可以进行大范围搜索,当发现猎物后就减小脉冲音强和增大脉冲频度,从而更加准确定位猎物位置。用下列公式来模拟这一搜索过程。
算法流程:
Step1:确定目标函数并设置种群规模、算法迭代次数等相关参数;
Step5:计算所有蝙蝠个体新位置的适应值;
Step7:更新全局最优解并判断终止条件,是则输出x*,否则转入Step3。
本实施例对于ELM模型中的初始权重和阈值,选用改进的蝙蝠算法进行优化。
以蝙蝠算法为基本算法,提出的改进蝙蝠算法,以期进一步改善蝙蝠算法性能使其应用范围更广阔。在基础蝙蝠算法中引入差分进化算法的思想用于更新蝙蝠群体的位置,一方面是为了提高蝙蝠算法的遍历性,另外还可以减小蝙蝠算法陷入局部最优解的可能性。
差分进化算法(DE):
变异:
DE算法通过差分策略实现个体变异,常见的差分策略是随机选取种群中两个不同的个体,将其向量差缩放后与待变异个体进行向量运算,生成新的个体:
Vi(g+1)=Xr1(g)+F×(Xr2(g)-Xr1(g))
其中,r1,r2和r3是三个随机数,区间为[1,N]之间的随机数,F称为缩放因子,g表示进化代数,xi(g)表示第g代的第i个个体。
通过变异后,第g代种产生一个新的中间种群:
{Vi(g+1),i=1,2,...,NP}
交叉:
交叉操作的目的是随机选择个体,因为差分进化也是一种随机算法,交叉操作的方法是,对第g代种群以及其变异的中间种群进行相应个体间的交叉操作。
其中,CR称为交叉概率,jrand为区间[1,D]内的随机整数,通过概率的方式随机生成新的个体。这种交叉策略可以保证交叉之后的种群中至少有一个分量由生成的新的中间种群构成。
选择:
在DE中采用的是贪婪选择的策略,根据即选择较优的个体作为新的个体,根据目标函数的大小来选择进入新种群中的个体
当蝙蝠种群的位置更新后,引入差分进化算法,生成新的种群位置,使用贪心策略选择适应度值更优的个体作为新一代的种群。
如图2所示,一种基于前馈神经网络构建的机器学习方法,即极限学习机(ExtremeLearning Machine,ELM),其目的是为了对反向传播算法(Backward Probagation,BP)进行改进,以提高机器学习的效率相较于传统神经网络,ELM在训练过程中,输入权值和隐含层偏置值是随机得到的,输出权值根据输入权值和偏置值的变化而变化。因此,该模型具有泛化能力强、结构简单、易于训练等优点,能够取得较好的预测效果。极限学习机与传统神经网络不同,其网络结构图如2图所示。
对于N个任意不同样本(xi,ti),其中输入数据量为xi=[xi1,xi2,...,xiN]T∈Rn,期望输出为 ti=[ti1,ti2,...,tiN]T∈Rm,定义g(x)为激活函数,为隐含层神经元个数,则标准的SLFNs的数学模型表示为:
式中bi为第i个隐含层神经元的偏置值,ωi=[ωi1,ωi2,...,ωin]T为连接第i个隐含层神经元与输入神经元的权重向量,βi=[βi1,βi2,...,βim]T为连接第i个隐含层神经元与输出神经元的权重向量。
通常,具有个隐含层神经元和g(x)激活函数的SLFNs输出函数Oj,在隐含层神经元个数与训练集样本个数相等时,对于随机选择的ω和b,SLFNs都可以零误差逼近训练样本,即则N个随机样本的ELM输出函数为
将上述公式写成矩阵形式,可表示为
Hβ=T
H被称为隐含层的输出矩阵,具体形式如下:
因此,学习过程进而转为上式中的线性系统的最小二乘解,即隐含层与输出层间的连接权值β可以通过求解以下方程组的最小二乘解获得:
其解为
其中,H+为隐含层输出矩阵H的Moore-Penrose广义逆矩阵。
在ELM中使用改进的蝙蝠算法对ELM的权重和偏置进行优化,优化过程选用的适应度为均方根误差(RMSE),其中RMSE的公式如下:
其中yi为真实风电功率,y′i为经ELM预测的风电功率,N为预测的风电功率点数。
实施例1:
选择某50MW的风电场的输出功率数据,其中数据间隔为15min,将全年数据分为春、夏、秋、冬四个季度,对原始四个季度的风电功率数据进行预处理,采用插值法对异常数据进行剔除、对空缺数据进行填补。
对数据进行变分模态分解,将风电历史数据分解为不同的模式。
将分解后的数据进行归一化处理。并且,构造训练数据和验证数据,将前一周的功率历史数据作为训练数据的输入。对于一周后一天的风力发电数据作为训练数据的输出,这样,训练输入矩阵的每一列都是历史数据的时间序列。
由于输入矩阵的维数会影响ELM的预测精度,因此需要消除冗余数据。采用基于GSO的特征选择方法选择信息量最大、维数最小的特征子集。
基于GSO的特征选择方法如下,选择VMD处理后特征与原数据相关性强的数据作为ELM 的训练数据。
分别建立不同季节下的ELM预测模型,对于ELM中的初始权重和阈值,选用改进的蝙蝠算法对ELM中的初始权重和阈值进行优化,并使用预测值与实际值的均方根误差作为适应度函数。
改进的蝙蝠短发确定了目标函数并设置种群规模、算法迭代次数等相关参数;
在生成新的蝙蝠种群后,加入差分进化算法,进行变异操作
Vi(g+1)=Xr1(g)+F×(Xr2(g)-Xr1(g))
其中,r1,r2和r3是三个随机数,区间为[1,N]之间的随机数,F称为缩放因子,g表示进化代数,xi(g)表示第g代的第i个个体。
通过变异后,第g代种产生一个新的中间种群:
{Vi(g+1),i=1,2,...,NP}
进行交叉操作;
其中,CR称为交叉概率,jrand为区间[1,D]内的随机整数,通过概率的方式随机生成新的个体。这种交叉策略可以保证交叉之后的种群中至少有一个分量由生成的新的中间种群构成。
进行选择操作:在DE中采用的是贪婪选择的策略,根据即选择较优的个体作为新的个体,根据目标函数的大小来选择进入新种群中的个体
当蝙蝠种群的位置更新后,引入差分进化算法,生成新的种群位置,使用贪心策略选择适应度值更优的个体作为新一代的种群。
更新全局最优解并判断终止条件,是则输出x,否则转入步骤8。
输出经改进蝙蝠算法寻优得到的ELM的最优权重和偏置
使用训练数据对ELM进行训练,并使用模型进行验证准确度。
如图3所示,本申请实施例还提供一种电子设备900,包括处理器901,存储器902,存储在存储器902上并可在所述处理器901上运行的程序或指令,该程序或指令被处理器901执行时实现上述风电短期功率预测方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本申请实施例还提供一种可读存储介质,所述可读存储介质上存储有程序或指令,该程序或指令被处理器执行时实现上述风电短期功率预测实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
其中,计算机可读介质可以是本发明/实用新型的装置、设备、系统中所包含的,也可以是单独存在。
其中,计算机可读存储介质可是任何包含或存储程序的有形介质,其可以是电、磁、光、电磁、红外线、半导体的系统、装置、设备,更具体的例子包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、光纤、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器 (CD-ROM)、光存储器件、磁存储器件,或它们任意合适的组合。
其中,计算机可读存储介质也可包括在基带中或作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码,其具体的例子包括但不限于电磁信号、光信号,或它们任意合适的组合。
综上:
(1)本发明提供一种有效的提取风电功率特征的方法。
(2)本发明提及的使用改进的蝙蝠算法优化ELM的权重和偏置相比传统ELM预测风电功率的方法,能够有效提升风电短期功率预测的准确率。
可以理解的是,以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式,然而本发明并不局限于此。对于本领域内的普通技术人员而言,在不脱离本发明的精神和实质的情况下,可以做出各种变型和改进,这些变型和改进也视为本发明的保护范围。
Claims (10)
1.一种风电短期功率预测方法,其特征在于,包括以下步骤:
采集风电场的运行数据,且按照季节让所述运行数据分为四组;
对所述运行数据进行清洗,所述清洗包括对四组数据进行空缺值以及异常数值处理;
对清洗后的数据进行变分模态分解,所述变分模态分解是对每一天的数据进行分解,分解为不同的模式;
将分解后的数据进行归一化处理,构造训练数据和验证数据;
选择与所述风电场每天的功率最相关的特征,所述选择基于GSO特征选择方法进行;
建立不同季节下的风电场功率的ELM模型,对于所述ELM模型中的初始权重和阈值,选用改进的蝙蝠算法进行优化;
训练所述ELM模型;
基于所述ELM模型预测所述风电短期功率。
2.根据权利要求1所述的风电短期功率预测方法,其特征在于,所述改进的蝙蝠算法是在基础蝙蝠算法中引入差分进化算法用于更新蝙蝠群体的位置。
4.根据权利要求1所述的风电短期功率预测方法,其特征在于,所述构造训练数据和验证数据包括将前一周的功率历史数据作为训练数据的输入,将一周后一天的风力发电数据作为训练数据的输出。
5.根据权利要求4所述的风电短期功率预测方法,其特征在于,训练所述ELM模型过程中,将最后一天的预测的风电功率和风电功率的真实值的RMSE作为适应度函数,用于优化ELM的初始权重和阈值。
7.根据权利要求1所述的风电短期功率预测方法,其特征在于,所述采集风电场的运行数据包括采集风电场的输出功率数据,数据间隔为15min。
8.根据权利要求1所述的风电短期功率预测方法,其特征在于,所述清洗采用插补法。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储单元,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行时,能使得所述一个或多个处理器实现根据权利要求1至8中任意一项所述的风电短期功率预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时能实现根据权利要求1至8中任意一项所述的风电短期功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111408490.5A CN114444755A (zh) | 2021-11-24 | 2021-11-24 | 一种风电短期功率预测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111408490.5A CN114444755A (zh) | 2021-11-24 | 2021-11-24 | 一种风电短期功率预测方法、装置及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114444755A true CN114444755A (zh) | 2022-05-06 |
Family
ID=81363875
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111408490.5A Pending CN114444755A (zh) | 2021-11-24 | 2021-11-24 | 一种风电短期功率预测方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114444755A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777055A (zh) * | 2023-06-09 | 2023-09-19 | 海南电网有限责任公司电力科学研究院 | 一种配电网下分布式风电场的功率预测方法 |
CN117674143A (zh) * | 2024-02-01 | 2024-03-08 | 西华大学 | 基于回声脉冲神经p系统的短期光伏功率预测方法及装置 |
-
2021
- 2021-11-24 CN CN202111408490.5A patent/CN114444755A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116777055A (zh) * | 2023-06-09 | 2023-09-19 | 海南电网有限责任公司电力科学研究院 | 一种配电网下分布式风电场的功率预测方法 |
CN117674143A (zh) * | 2024-02-01 | 2024-03-08 | 西华大学 | 基于回声脉冲神经p系统的短期光伏功率预测方法及装置 |
CN117674143B (zh) * | 2024-02-01 | 2024-04-12 | 西华大学 | 基于回声脉冲神经p系统的短期光伏功率预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728401B (zh) | 基于松鼠杂草混合算法的神经网络短期电力负荷预测方法 | |
CN109871977A (zh) | 基于离散小波变换和优化最小支持向量机的负荷预测方法 | |
CN114444755A (zh) | 一种风电短期功率预测方法、装置及可读存储介质 | |
CN106529732A (zh) | 基于神经网络与随机前沿分析的碳排放效率预测方法 | |
Syama et al. | A hybrid extreme learning machine model with lévy flight chaotic whale optimization algorithm for wind speed forecasting | |
CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
CN108983180A (zh) | 一种群智能高精度的雷达海杂波预报系统 | |
CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
Han et al. | Multi-step short-term wind power prediction based on three-level decomposition and improved grey wolf optimization | |
CN115310669A (zh) | 一种基于二次分解和iwoa-lssvm的超短期风电功率预测方法 | |
CN116454863A (zh) | 一种基于改进天鹰优化算法的风电功率组合预测模型的最优权重确定方法 | |
CN112699596A (zh) | 一种基于学习的广域电磁法激电信息非线性提取方法 | |
Xia et al. | Combined framework based on data preprocessing and multi-objective optimizer for electricity load forecasting | |
Panda et al. | Reduction of linear time-invariant systems using Routh-approximation and PSO | |
CN117374941A (zh) | 一种基于神经网络的光伏发电功率预测方法 | |
CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
Su et al. | Hybrid GA based online support vector machine model for short-term traffic flow forecasting | |
Su et al. | A combined model based on secondary decomposition technique and grey wolf optimizer for short-term wind power forecasting | |
CN116451859A (zh) | 一种基于贝叶斯优化的生成对抗网络股票预测方法 | |
CN116628488A (zh) | 风电功率预测模型的训练方法、风电功率预测方法及设备 | |
CN115713144A (zh) | 基于组合cgru模型的短期风速多步预测方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
Zhang et al. | A Novel Combined Model Based on Hybrid Data Decomposition, MSWOA and ENN for Short-Term Wind Speed Forecasting | |
CN110991712B (zh) | 一种空间碎片清除任务的规划方法及装置 |
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 |