CN115271254A - 一种基于海鸥算法优化极限学习机的短期风功率预测方法 - Google Patents

一种基于海鸥算法优化极限学习机的短期风功率预测方法 Download PDF

Info

Publication number
CN115271254A
CN115271254A CN202211104512.3A CN202211104512A CN115271254A CN 115271254 A CN115271254 A CN 115271254A CN 202211104512 A CN202211104512 A CN 202211104512A CN 115271254 A CN115271254 A CN 115271254A
Authority
CN
China
Prior art keywords
gull
wind power
algorithm
population
individual
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
Application number
CN202211104512.3A
Other languages
English (en)
Inventor
陈国初
徐云彤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN202211104512.3A priority Critical patent/CN115271254A/zh
Publication of CN115271254A publication Critical patent/CN115271254A/zh
Pending legal-status Critical Current

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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于海鸥算法优化极限学习机的短期风功率预测方法，包括：获取气象数据，将该气象数据载入预先建立并训练好的风功率预测模型中，得到风功率预测结果，所述风功率预测模型为基于改进海鸥算法优化的极限学习机，所述改进海鸥算法采用Tent映射对种群进行初始化，采用t‑分布变异策略对海鸥的位置进行更新，采用加入自我认知的海鸥全局攻击行为，获取当次迭代中最优海鸥。与现有技术相比，本发明改善了海鸥算法求解精度较低、迭代后期收敛速度慢、易陷入早熟的缺点，提高了风功率的预测精度。

Description

一种基于海鸥算法优化极限学习机的短期风功率预测方法
技术领域
本发明涉及短期风功率预测技术领域，尤其是涉及一种基于海鸥算法优化极限学习机的短期风功率预测方法。
背景技术
风功率预测的精度不仅仅取决于预测模型的选择，模型参数的选取也至关重要。而通常情况下，预测模型的参数都是依靠人为经验选取的，其过程繁琐且预测效果不佳。因此，优化预测模型的参数，是提高风电功率预测精度的有效方法。目前常用的智能优化算法是群智能算法，该类算法是模仿群居动物的生理习性而提出的，比如：粒子群算法，蚁群算法，蛙跳算法。
粒子群优化算法搜索速度快，效率高但是其在处理离散问题时效果不佳，后期搜索速度慢且易陷入局部最优；蚁群算法易与其他方法相结合，具有强鲁棒性，但是仍存在着易陷入局部最优和收敛速度慢的问题；蛙跳算法
需要调整的参数少，计算速度快，全局寻优能力强等优点。但是其求解精度低，收敛速度慢，容易陷入局部最优。因此对于风功率的预测精度都有待提高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于海鸥算法优化极限学习机的短期风功率预测方法，提高模型预测精度。
风能是一种发展迅速、应用范围广、取之不尽的可再生能源。随着人们对风力发电需求的日益增加，风电场的数量也逐渐增加。然而，风能的随机性和间歇性给风电并网的可靠性和电力系统的安全稳定运行带来了不小的挑战，所以提高功率预测的准确性具有重要意义。
本发明的目的可以通过以下技术方案来实现：
一种基于海鸥算法优化极限学习机的短期风功率预测方法，包括：获取气象数据，将该气象数据载入预先建立并训练好的风功率预测模型中，得到风功率预测结果，所述风功率预测模型为基于改进海鸥算法优化的极限学习机，所述改进海鸥算法采用Tent映射对种群进行初始化，采用t-分布变异策略对海鸥的位置进行更新，采用加入自我认知的海鸥全局攻击行为，获取当次迭代中最优海鸥。
进一步地，采用Tent映射对种群进行初始化具体为：
根据输入数据获取混沌序列，对混沌序列进行Tent映射，对Tent映射后的混沌序列进行逆映射到搜索空间中，得到初始化的种群。
进一步地，所述Tent映射的表达式为：
Figure BDA0003840990780000021
式中，i＝1，2，...，N表示种群规模，t＝1，2，...，d为控制变量的个数，
Figure BDA0003840990780000022
为i种群的第t个控制标量的混沌序列；
Figure BDA0003840990780000023
为i种群的第t+1个控制标量的混沌序列。
进一步地，所述初始种群的计算表达式为：
Figure BDA0003840990780000024
式中，
Figure BDA0003840990780000025
为第t个控制标量的第i个种群，lbi为
Figure BDA0003840990780000026
搜索的下界，ubi为
Figure BDA0003840990780000027
搜索的上界，
Figure BDA0003840990780000028
为i种群的第t个控制标量的混沌序列。
进一步地，采用t-分布变异策略对海鸥的位置进行更新具体为：
设置每个海鸥的概率密度函数，得到变异概率，对每只海鸥均生成一个在0-1范围以内的随机数，若海鸥的随机数小于变异概率，则进行位置更新。
进一步地，所述概率密度函数为：
Figure BDA0003840990780000029
式中，pt(x)为，n为自由度参数，x为海鸥的当前位置，t为迭代次数，pt(x)为海鸥在第t次迭代下x位置下的概率密度函数。
进一步地，所述位置更新的表达式为：
Figure BDA00038409907800000210
式中，
Figure BDA00038409907800000211
为第i只经过t-分布扰动后的海鸥个体位置，Xi为第i只海鸥个体位置。
进一步地，所述加入自我认知的海鸥全局攻击行为具体为，计算每只海鸥的记忆个体，若海鸥的当前个体的适应度值大于上一代个体的自适应值，则将上一代个体的自适应值替换记忆个体的位置，否则保持记忆个体的位置不变，最红根据记忆个体的位置得到海鸥种群的最佳位置。
进一步地，所述记忆个体的计算表达式为：
Pm(t)＝ds(t)×x×y×z+Pts(t)+(Pg(t)-Ps(t))×r1×w1+(Pbs(t)-Ps(t))×r2×w2
式中，r1和r2均为设置为0和1之间的随机数，w1和w2均为学习因子，Pg(t)表示海鸥个体的历史最优位置，Pm(t)为记忆个体，Ps(t)为上一代个体。
进一步地，所述学习因子w1和w2均在0.8-0.95范围以内。
与现有技术相比，本发明具有以下优点：
(1)为了提高风功率的预测精度。本发明提出一种基于改进海鸥算法优化极限学习机的风功率预测模型。首先针对海鸥算法求解精度较低、迭代后期收敛速度慢、易陷入早熟等缺点，提出采用混沌映射、t-分布变异和自我记忆策略来对算法进行优化，提高算法的搜索能力。然后，用改进的海鸥算法对极限学习机模型进行优化，建立新的风功率预测模型；改善了海鸥算法求解精度较低、迭代后期收敛速度慢、易陷入早熟的缺点；提高了风功率的预测精度。
(2)本发明将相混沌映射、t-分布变异和自我记忆策略与海鸥算法想结合，提高了海鸥算法的寻优性能以及收敛精度，并将改进的海鸥算法用于优化极限学习机模型，实现最优网络结构，更准确的对风功率进行预测。
(3)对风力发电功率进行有效预测可以提高电网消纳能力，减少弃风现象，还可以帮助电网调度部门做好各类电源的调度计划，提高电网运行的稳定性。风电功率预测不仅为电网的调度计划提供依据，同时也为风电场的管理工作提供辅助手段并且增加风电场投资回报率。
附图说明
图1为本发明实施例中提供的一种基于海鸥算法优化极限学习机的短期风功率预测方法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
实施例1
本实施例提供一种基于海鸥算法优化极限学习机的短期风功率预测方法，包括：获取气象数据，将该气象数据载入预先建立并训练好的风功率预测模型中，得到风功率预测结果，所述风功率预测模型为基于改进海鸥算法优化的极限学习机，所述改进海鸥算法采用Tent映射对种群进行初始化，采用t-分布变异策略对海鸥的位置进行更新，采用加入自我认知的海鸥全局攻击行为，获取当次迭代中最优海鸥。
具体地，I、首先对海鸥算法进行优化。首先基于混沌对种群初始化。混沌具有规律性、随机性和遍历性。利用混沌的特性进行搜索可以提高搜索的遍历性，扩大全局搜索范围。Tent映射具有很好的均匀遍历性。所以本发明将Tent映射加入到种群初始化进行中，其具体数学模型是公式：
Figure BDA0003840990780000041
式中，i＝1，2，...，N表示种群规模，t＝1，2，...，d为控制变量的个数，
Figure BDA0003840990780000042
为i种群的第t个控制标量的混沌序列；
Figure BDA0003840990780000043
为i种群的第t+1个控制标量的混沌序列。
并通过下式逆映射到搜索空间中，得到初始化的种群。
Figure BDA0003840990780000044
式中，
Figure BDA0003840990780000045
为第t个控制标量的第i个种群，lbi为
Figure BDA0003840990780000046
搜索的下界，ubi为
Figure BDA0003840990780000047
搜索的上界，
Figure BDA0003840990780000048
为i种群的第t个控制标量的混沌序列。
II、为了提高种群的遍历性，增强搜索空间的多样性。文中采用t-分布变异策略，其概率密度函数为：
Figure BDA0003840990780000049
式中，pt(x)为，n为自由度参数，x为海鸥的当前位置，t为迭代次数，pt(x)为海鸥在第t次迭代下x位置下的概率密度函数。
当自由度参数n＝1时，t-分布呈现Cauchy分布；随着参数n的增大，t-分布会逐渐趋向正态分布；当参数n→∞时，t(n→∞)→N(0,1)，此时t-分布近似为Gaussian分布。
设置t-分布变异概率为0.5。针对每只海鸥，都生成一个[0,1]的随机数，执行变异的海鸥为随机数小于变异概率的海鸥，执行t-分布扰动，位置更新公式如下：
Figure BDA0003840990780000051
式中，
Figure BDA0003840990780000052
为第i只经过t-分布扰动后的海鸥个体位置，Xi为第i只海鸥个体位置。
III、本发明在海鸥算法海鸥群体进行攻击行为的基础上进行改进，加入海鸥种群的最佳位置和个体的历史最优值的比较。一方面，算法使得海鸥向个体历史最优位置学习；另一方面，它又增强了向群体最佳位置的学习，避免种群会陷入局部最优区域，增强种群的寻优性能。自我认知的公式如下所示：
Pm(t)＝ds(t)×x×y×z+Pts(t)+(Pg(t)-Ps(t))×r1×w1+(Pbs(t)-Ps(t))×r2×w2
式中：随机因子r1和r2设置为0和1之间的随机数，从而增强海鸥飞行过程中的随机性。学习因子w1、w2的值设置为0.9，从而保证算法能够更好收敛，增强了海鸥向个体学习以及群体学习的能力，Pg(t)表示海鸥个体的历史最优位置，Pm(t)为记忆个体，Ps(t)为上一代个体。为了增强算法的求解能力，需要将迭代出来的海鸥位置与上一代个体位置的适应度进行比较，选出最优的位置。判断如下所示：
如果
个体的适应度值＞上一代个体的适应度；
上一代个体位置替换记忆个体位置；
否则
记忆个体的位置保持不变。
IV、采用改进的海鸥算法对极限学习机的权值和阈值进行优化,将得到的权值和阈值用于极限学习机的训练,得到最终的极限学习机网络结构。预测模型的步骤如图1。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于海鸥算法优化极限学习机的短期风功率预测方法，其特征在于，包括：获取气象数据，将该气象数据载入预先建立并训练好的风功率预测模型中，得到风功率预测结果，所述风功率预测模型为基于改进海鸥算法优化的极限学习机，所述改进海鸥算法采用Tent映射对种群进行初始化，采用t-分布变异策略对海鸥的位置进行更新，采用加入自我认知的海鸥全局攻击行为，获取当次迭代中最优海鸥。
2.根据权利要求1所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法，其特征在于，采用Tent映射对种群进行初始化具体为：
根据输入数据获取混沌序列，对混沌序列进行Tent映射，对Tent映射后的混沌序列进行逆映射到搜索空间中，得到初始化的种群。
3.根据权利要求2所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法，其特征在于，所述Tent映射的表达式为：
Figure FDA0003840990770000011
式中，i＝1，2，...，N表示种群规模，t＝1，2，...，d为控制变量的个数，
Figure FDA0003840990770000012
为i种群的第t个控制标量的混沌序列；
Figure FDA0003840990770000013
为i种群的第t+1个控制标量的混沌序列。
4.根据权利要求2所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法，其特征在于，所述初始种群的计算表达式为：
Figure FDA0003840990770000014
式中，
Figure FDA0003840990770000015
为第t个控制标量的第i个种群，lbi为
Figure FDA0003840990770000016
搜索的下界，ubi为
Figure FDA0003840990770000017
搜索的上界，
Figure FDA0003840990770000018
为i种群的第t个控制标量的混沌序列。
5.根据权利要求1所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法，其特征在于，采用t-分布变异策略对海鸥的位置进行更新具体为：
设置每个海鸥的概率密度函数，得到变异概率，对每只海鸥均生成一个在0-1范围以内的随机数，若海鸥的随机数小于变异概率，则进行位置更新。
6.根据权利要求5所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法，其特征在于，所述概率密度函数为：
Figure FDA0003840990770000021
式中，pt(x)为，n为自由度参数，x为海鸥的当前位置，t为迭代次数，pt(x)为海鸥在第t次迭代下x位置下的概率密度函数。
7.根据权利要求5所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法，其特征在于，所述位置更新的表达式为：
Figure FDA0003840990770000022
式中，
Figure FDA0003840990770000023
为第i只经过t-分布扰动后的海鸥个体位置，Xi为第i只海鸥个体位置。
8.根据权利要求1所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法，其特征在于，所述加入自我认知的海鸥全局攻击行为具体为，计算每只海鸥的记忆个体，若海鸥的当前个体的适应度值大于上一代个体的自适应值，则将上一代个体的自适应值替换记忆个体的位置，否则保持记忆个体的位置不变，最红根据记忆个体的位置得到海鸥种群的最佳位置。
9.根据权利要求8所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法，其特征在于，所述记忆个体的计算表达式为：
Pm(t)＝ds(t)×x×y×z+Pts(t)+(Pg(t)-Ps(t))
×r1×w1+(Pbs(t)-Ps(t))×r2×w2
式中，r1和r2均为设置为0和1之间的随机数，w1和w2均为学习因子，Pg(t)表示海鸥个体的历史最优位置，Pm(t)为记忆个体，Ps(t)为上一代个体。
10.根据权利要求9所述的一种基于海鸥算法优化极限学习机的短期风功率预测方法，其特征在于，所述学习因子w1和w2均在0.8-0.95范围以内。
CN202211104512.3A 2022-09-09 2022-09-09 一种基于海鸥算法优化极限学习机的短期风功率预测方法 Pending CN115271254A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211104512.3A CN115271254A (zh) 2022-09-09 2022-09-09 一种基于海鸥算法优化极限学习机的短期风功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211104512.3A CN115271254A (zh) 2022-09-09 2022-09-09 一种基于海鸥算法优化极限学习机的短期风功率预测方法

Publications (1)

Publication Number Publication Date
CN115271254A true CN115271254A (zh) 2022-11-01

Family

ID=83757998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211104512.3A Pending CN115271254A (zh) 2022-09-09 2022-09-09 一种基于海鸥算法优化极限学习机的短期风功率预测方法

Country Status (1)

Country Link
CN (1) CN115271254A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117459250A (zh) * 2023-09-22 2024-01-26 广州大学 一种基于海鸥优化极限学习机的网络入侵检测方法、系统、介质及设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117459250A (zh) * 2023-09-22 2024-01-26 广州大学 一种基于海鸥优化极限学习机的网络入侵检测方法、系统、介质及设备

Similar Documents

Publication Publication Date Title
Yu et al. Unit commitment using Lagrangian relaxation and particle swarm optimization
CN110188880A (zh) 一种深度神经网络的量化方法及装置
CN109523097A (zh) 一种改进遗传算法的多微电网优化调度方法
CN113722980A (zh) 海洋浪高预测方法、系统、计算机设备、存储介质、终端
CN115271254A (zh) 一种基于海鸥算法优化极限学习机的短期风功率预测方法
Goh et al. Hybrid SDS and WPT-IBBO-DNM based model for ultra-short term photovoltaic prediction
CN117595392A (zh) 计及光伏消纳与光储充配置的配电网联合优化方法及系统
CN115169754B (zh) 能源调度方法、装置、电子设备及存储介质
CN117291390A (zh) 一种基于SumTree-TD3算法的调度决策模型建立方法
CN116722541A (zh) 一种基于卷积神经网络的电力系统负荷预测方法及装置
CN116345450A (zh) 一种基于深度强化学习的风光水互补系统智能调度方法
CN115146936A (zh) 梯级水光蓄互补调度模型求解的动态调整学习因子算法
CN114897220A (zh) 一种基于gru神经网络的微电网短期负荷预测方法
CN115150335A (zh) 一种基于深度强化学习的最优流量分割的方法和系统
CN114626622A (zh) 一种光伏功率预测方法、系统、装置及存储介质
CN114493090A (zh) 工业园区综合能源智能管控方法及装置
Zhang et al. A Novel Combined Model Based on Hybrid Data Decomposition, MSWOA and ENN for Short-Term Wind Speed Forecasting
CN113076696A (zh) 基于ipso-混沌bp网络的负荷短期预测方法及预测系统
CN111859780A (zh) 一种微电网运行优化方法和系统
CN117293825B (zh) 考虑风电爬坡的风速及功率混合预测方法及装置
Salama et al. Short term pumped storage scheduling using two proposed techniques
Chen et al. Application of particle swarm optimization to hydro generation scheduling
CN117013557A (zh) 一种计及电网碳排放流的多目标无功优化方法、系统及介质
Wan Design of Intelligent Political Test Paper Generation Method Based on Improved Intelligent Optimization Algorithm
CN118199050A (zh) 基于改进麻雀搜索算法的短期海上风电功率预测方法

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