CN116128150A - 一种基于两级优化的光伏智能出力预测方法 - Google Patents
一种基于两级优化的光伏智能出力预测方法 Download PDFInfo
- Publication number
- CN116128150A CN116128150A CN202310186570.3A CN202310186570A CN116128150A CN 116128150 A CN116128150 A CN 116128150A CN 202310186570 A CN202310186570 A CN 202310186570A CN 116128150 A CN116128150 A CN 116128150A
- Authority
- CN
- China
- Prior art keywords
- data
- day
- photovoltaic
- power
- particle
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005457 optimization Methods 0.000 title claims abstract description 24
- 238000010248 power generation Methods 0.000 claims abstract description 16
- 239000002245 particle Substances 0.000 claims description 59
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 210000000349 chromosome Anatomy 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 238000012360 testing method Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000013145 classification model Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 108090000623 proteins and genes Proteins 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000002068 genetic effect Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 2
- 230000014509 gene expression Effects 0.000 description 3
- 238000005065 mining Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003068 static effect Effects 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (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)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于新能源光伏发电技术领域,公开了一种基于两级优化的光伏智能出力预测方法,通过提取光伏历史数据中的典型特征并对历史数据进行分类,使用加权扩展日矩阵确定待预测日的气象相似日序列,选取相似日序列中最为相似的4个历史数据以及靠近待预测日的4个历史数据,将上述8个历史功率数据及原始气象信息作为LSTM神经网络预测模型的输入,使用GEP算法为LSTM神经网络选取合适的初始权值并不断更新其权值,直至算法收敛,后通过粒子种群优化算法,使光伏出力预测模型更加完善。本发明将GEP算法和PSO算法同时运用到光伏出力预测中,实现对光伏出力预测的两级优化,可以有效提高光伏功率预测的速度和精度。
Description
技术领域
本发明属于新能源光伏发电技术领域,具体的说是涉及一种基于两级优化的光伏智能出力预测方法。
背景技术
在世界能源需求量不断增加的背景下,世界能源危机也日趋严重,充分利用可再生能源可以有效缓解能源危机与环境破坏。与水利发电和火力发电等传统发电模式相比,光伏发电具有永久性、清洁性、灵活性、可再生等特点。但由于光伏发电(PV)存在波动性、间歇性等特性,发电功率变化会引起接入点电网电压波动,其大规模接入电网会对电力系统规划、运行与控制带来挑战。因此,研究光伏电站电力输出的不确定性对于电力系统的安全和稳定运行至关重要。
基因表达式编程(Gene Expression Programming,简称GEP)结合了GP与GA的优点,主要应用于函数挖掘、分类、聚类等方面,是一种高效的进化算法,GEP非常适合求解具有高复杂度的非线性系统,特别是复杂未知系统。与传统的函数拟合和回归方法相比,基因表达编程不需要事先规定的函数类型,这增加了模型的智能性和客观性。粒子种群优化算法(Particle Swarm Optimization,简称PSO)是一种基于种群的随机优化技术,其采用种群的方式进行搜索,可以同时搜索待优化目标函数解空间中的较多区域,被广泛应用于各种优化问题。
随着配电网信息化进程的不断加快,影响光伏功率预测的因素不断增加,传统的负荷预测方法已不适用。由于电网负荷所表现出的非线性特点,以静态统计为基础的传统预测方法已不能适应电网负荷预测需求。以遗传算法、粒子群算法、神经网络等为代表的智能算法在负荷预测方面得到广泛应用。然而在实际应用中,其挖掘非线性函数模型的效率并不理想,容易出现训练时间过长、过拟合、陷入局部最优等问题。
鉴于以上问题,一个高效、准确的光伏出力预测方法就显得尤为重要,预测方法主要考虑两个方面的问题:(1)如何同时融合时间、空间双重因素对光伏系统出力预测进行建模;(2)如何减少光照、地理位置、时间段等因素对光伏出力预测精度的影响。
发明内容
为了解决现有技术存在的问题,本发明提供了一种基于两级优化的光伏智能出力预测方法,解决光伏功率预测精度问题,本发明是一种策略性方法,使用这种方法可以对光伏发电进行有效和准确的预测,有效确保配电网的安全和稳定运行。
为了达到上述目的,本发明是通过以下技术方案实现的:
本发明是一种基于两级优化的光伏智能出力预测方法,该方法包括如下步骤:
步骤1:对样本数据进行预处理、对所有历史数据进行规范化处理,使用样本分类器将规范化处理后的历史数据划分为训练集和测试集,训练集用于对分类模型进行训练,测试集用于对分类模型进行测试误差评价。其中,对样本数据进行预处理、对所有历史数据进行规范化处理是指从历史数据中提取典型特征、删除不正确数据、剔除无用数据、对历史数据进行标幺化,在删除不正确数据和剔除无用数据之后,以最大辐照度值和最大光伏输出功率值为基准,对所有历史数据进行规范化处理,所述提取典型特征包括:辐照度数据、温度数据、湿度数据、能见度数据、光伏发电数据、用户用电功率数据;所述不正确数据包括辐照度为负的数据、辐照度明显不符合光伏输出功率的虚假数据;所述无用数据是指夜晚时刻辐照度等于零即光伏输出功率等于零的无用数据。
步骤2:初步计算训练集中的样本数据应属于的类,设置分类评价指标,使用给定评价指标理想期望值及分类模型最大迭代次数,输出最优聚类中心,构建基于历史功率信息的扩展日矩阵,将通过相似日选取器选取的相似日的光伏系统实际输出功率作为LSTM神经网络预测模型的输入,初步确定LSTM神经网络结构;
步骤3:根据步骤2确定的LSTM神经网络结构,采用基因均衡策略形成相应的个体染色体进行种群初始化,种群中的染色体进行解码并构建LSTM神经网络模型,设置适应度函数计算每一个个体的适应度值,保留最优个体,更新GEP种群信息,生成新一代种群,粒子种群优化器从GEP阶段获得基准粒子,构建一个基准粒子的PSO搜索空间,根据适应度函数计算每个基准粒子在E维PSO搜索空间中各个位置的适应度值,更新全局最优位置,输出最优染色体,对染色体进行解码并构建其相对应的神经网络,输出最优神经网络,建立预测模型,完成光伏智能处理预测。
本发明的进一步改进在于:在所述步骤1中,所述样本分类器通过留出法将规范化处理后的历史数据划分为训练集和测试集,并使用基于k均值的层次聚类算法根据历史气象因素数据把得到的光伏功率数据进行归类,具体包括如下步骤:
步骤1-1:假设训练样本为,将样本按每小时天气类型分为晴、多云、雨雪三种日类型,随机选取 个聚类中心,设其分别为,即样本数据分为3类,分别为晴、多云、雨雪;
步骤1-2:利用公式计算训练样本中的每一个属于的类,其中;
步骤1-3:对于每一个类,利用公式重新计算其质心,其中表示类中所含有的样本总数;
步骤1-4:设置评价指标评价其分类效果;
步骤1-5:如果评价指标符合预设值,则输出最优聚类中心,否则重复步骤1-2和步骤1-3,直至达到最大迭代次数,输出最优聚类中心。
本发明的进一步改进在于:步骤2具体包括如下步骤:
步骤2-1:所述相似日选取器构建基于历史功率信息的扩展日矩阵,,其中分别代表预测日全天的温度、湿度、风速、可见度、大气压、天气类型、与待预测日日类型相同的最近历史日全天光伏功率、用户用电功率,将温度、湿度、风速、可见度、大气压、天气类型、光伏功率和用户用电功率的特征归一化维度为均为24的向量;
步骤2-2:根据步骤2-1中提出的温度、湿度、风速、可见度、大气压、天气类型、光伏功率和用户用电功率的8个特征,构建基于其对光伏系统实际输出功率贡献度的相关系数矩阵:
式中-分别代表基于历史功率信息的扩展日矩阵中温度、湿度、风速、可见度、大气压、天气类型、光伏功率和用户用电功率的8个特征的皮尔逊积矩相关系数;
步骤2-3:将步骤2-2中的相关系数矩阵与步骤2-1中的扩展日矩阵相乘得到加权扩展日矩阵:
式中、、分别代表第小时的温度、湿度和用户用电功率;
步骤2-4:通过公式将加权扩展日矩阵中的数值进行归一化,使其始终保持在区间中,并利用欧几里得范数在历史数据中搜索与待预测日的加权扩展日特征矩阵欧式距离最小的历史日作为最近相似日,并根据欧式距离的大小进行升序排列,形成相似日序列,式中为待预测日的加权扩展日矩阵,为历史上某日的加权扩展日矩阵,为其二者之差的欧几里得范数,为矩阵中第行列元素。
步骤2-5:从步骤2-4中形成的相似日序列中选取四个最为相似的历史数据以及靠近待预测日的四个历史数据,将选取的四个最为相似的历史数据以及靠近待预测日的四个历史数据及原始气象信息作为LSTM神经网络预测模型的输入,初步确定LSTM神经网络结构。
本发明的进一步改进在于:步骤3具体包括如下步骤:
步骤3-1:根据LSTM神经网络结构,采用基因均衡策略形成相应的个体染色体,进行种群初始化;
步骤3-2:对种群中的染色体进行解码并构建LSTM神经网络模型;
步骤3-3:设置适应度函数为,并规定期望适应度值及最大迭代次数,其中为实际预测值,为回归值,为预测平均值,计算每一个个体的适应度值,若满足条件,则跳过步骤3-4进入步骤3-5,否则进入步骤3-4;
步骤3-4:保留最优个体,对其余染色体进行选择、交叉、变异的遗传操作,更新GEP种群信息,生成新一代种群,进入步骤3-2;
步骤3-5:粒子种群优化器从GEP阶段输出的最优个体作为基准粒子,设定粒子可偏移量参数,以此确定基准例子的PSO搜索空间,在维PSO搜索空间中建立基准粒子的维向量,表示基准粒子在维搜索空间中所处的位置,依据给定的目标函数,计算在维空间内各位置处的适应度值,假定当前基准粒子的粒子速度,其极值为,粒子种群全局极值为;
步骤3-6:根据适应度函数计算每个粒子在维PSO搜索空间中各个位置的适应度值,更新全局最优位置,若达到终止条件,则跳过步骤3-7进入步骤3-8,否则进入步骤3-7;
步骤3-7:在每次迭代中,粒子通过个体极值和全局极值对其速度和位置进行更新,利用公式对粒子群位置进行更新,利用公式对粒子群速度进行更新,其中为惯性权值,为迭代次数,为粒子速度,和为非负常数即加速度因子,和为间的随机数,输出全局最优位置,进入步骤3-6;
步骤3-8:输出最优染色体,对染色体进行解码并构建其相对应的神经网络,输出最优神经网络,建立预测模型,完成光伏智能出力预测。
本发明的有益效果是:
通过本发明中的方法,可以解决光伏出力预测中存在的高维度、大规模、随机性强等复杂问题;
通过本发明中的方法,可以防止预测模型陷入局部最优,提高光伏出力预测的准确性,并减少负荷预测时间,保证配电网的安全稳定运行。
本发明通过利用GEP算法,克服LSTM神经网络预测模型初始权值难以确定的问题,并使用粒子种群优化算法,防止预测模型陷入局部最优,实现了对光伏发电功率的精准预测;
本发明将GEP算法和PSO算法同时运用到光伏出力预测中,实现对光伏出力预测的两级优化,可以有效提高光伏功率预测的速度和精度。
附图说明
图1是本发明光伏智能出力预测方法的流程图。
图2 是本发明光伏智能出力预测方法的系统结构图。
具体实施方式
以下将以图式揭露本发明的实施方式,为明确说明起见,许多实务上的细节将在以下叙述中一并说明。然而,应了解到,这些实务上的细节不应用以限制本发明。也就是说,在本发明的部分实施方式中,这些实务上的细节是非必要的。
如图2所示,本发明是一种基于两级优化的光伏智能出力预测方法,主要包括样本分类器、相似日选取器、粒子种群优化器。
样本分类器主要用于对历史数据进行预处理并按气象因素进行分类,样本分类器首先从历史数据中提取所需数据,在删除不正确数据和消除无效数据之后,对历史数据进行规范化处理。然后使用留出法将获取到的历史数据划分为训练数据和测试数据,使用均值聚类算法,根据气象因素对历史数据进行分类,分为晴、多云、雨雪三种日类型。
相似日选取器主要用于在历史数据中搜索与待预测日加权扩展日矩阵欧氏距离最小的历史日作为其相似日,将相似日的光伏系统实际输出功率作为功率特征输入预测模型,提高光伏出力预测精度。
粒子种群优化器主要用于将GEP算法寻找到的最优解作为粒子种群优化器的基准粒子,构建一个PSO搜索空间,根据目标函数计算出维空间中每个粒子的适应度值,并通过粒子的个体极值和全局极值更新其速度和位置,在满足约束条件的情况下,输出全局最优解,使预测模型更加精确。
如图2所示,本发明是一种基于两级优化的光伏智能出力预测方法,所述光伏智能处理预测方法,包括如下步骤:
步骤1:读取光伏功率负荷样本数据,对样本数据进行预处理、对所有历史数据进行规范化处理,使用样本分类器将规范化处理后的历史数据划分为训练集和测试集,训练集用于对分类模型进行训练,测试集用于对分类模型进行测试误差评价;
步骤2:初步计算训练集中的样本数据应属于的类,设置分类评价指标,使用给定评价指标理想期望值及分类模型最大迭代次数,输出最优聚类中心,构建基于历史功率信息的扩展日矩阵,将通过相似日选取器选取的相似日的光伏系统实际输出功率作为LSTM神经网络预测模型的输入,初步确定LSTM神经网络结构;
步骤3:根据步骤2确定的LSTM神经网络结构,采用基因均衡策略形成相应的个体染色体进行种群初始化,种群中的染色体进行解码并构建LSTM神经网络模型,设置适应度函数计算每一个个体的适应度值,保留最优个体,更新GEP种群信息,生成新一代种群,粒子种群优化器从GEP阶段获得基准粒子,构建一个基准粒子的PSO搜索空间,根据适应度函数计算每个基准粒子在维PSO搜索空间中各个位置的适应度值,更新全局最优位置,输出最优染色体,对染色体进行解码并构建其相对应的神经网络,输出最优神经网络,建立预测模型,完成光伏智能处理预测。
光伏发电具有高波动性和强随机性等特点,其输出功率受许多因素的影响,例如温度、湿度、可见度、风速、地理位置等,其发电功率的变化将导致接入点处电网电压不断波动,给电网运行增加困难。假设现需要对A、B、C、D四名不同城市用户的光伏发电功率进行预测,通过使用样本分类器、相似日选取器、粒子种群优化器,选取合适的适应度函数,使用GEP算法不断对LSTM神经网络的权重进行迭代更新,并使用PSO算法进一步防止预测模型陷入局部最优,最终输出全局最优预测模型。
具体的执行过程包括如下步骤:
步骤1:读取光伏功率负荷样本数据,对读取到的样本数据进行预处理,对历史数据进行典型特征提取,从样本数据中删除不正确数据和无效数据,将预处理之后的数据进行规范化处理。
步骤2:使用留出法将经过步骤1数据预处理及归一化处理之后的历史数据进行分类,将数据集划分为训练集和测试集,训练集用于对分类模型进行训练,测试集用于对分类模型进行测试误差评价;
步骤3:采用基于均值的层次聚类算法根据历史气象因素数据把得到的光伏功率数据进行归类,假设训练样本为,将样本按每小时天气类型分为晴、多云、雨雪三种日类型,随机选取 个聚类中心,设其分别为,即样本数据分为3类,分别为晴、多云、雨雪;
步骤4:利用公式计算训练样本中的每一个属于的类,其中;
步骤5:对于每一个类,利用公式重新步骤3中的质心,其中表示类中所含有的样本总数;
步骤6:设定分类评价指标,使用给定评价指标理想期望值及分类模型最大迭代次数;
步骤7:若步骤6中的分类评价指标满足理想期望值或达到最大迭代次数,则输出最优聚类中心,进入步骤8,否则重新进入步骤4。
步骤8:相似日选取器构建基于历史功率信息的扩展日矩阵,,其中分别代表预测日全天的温度、湿度、风速、可见度、大气压、天气类型、与待预测日日类型相同的最近历史日全天光伏功率、用户用电功率,将温度、湿度、风速、可见度、大气压、天气类型、光伏功率和用户用电功率的特征归一化维度为均为24的向量;
步骤9:根据步骤8中提出的温度、湿度、风速、可见度、大气压、天气类型、光伏功率和用户用电功率的8个特征,构建基于其对光伏系统实际输出功率贡献度的相关系数矩阵:
式中-分别代表基于历史功率信息的扩展日矩阵中温度、湿度、风速、可见度、大气压、天气类型、光伏功率和用户用电功率的8个特征的皮尔逊积矩相关系数,相关系数矩阵与扩展日矩阵相乘得到加权扩展日矩阵:
式中、、分别代表第小时的温度、湿度和用户用电功率;
步骤10:通过公式将加权扩展日矩阵中的数值进行归一化,使其始终保持在区间中,并利用欧几里得范数在历史数据中搜索与待预测日的加权扩展日特征矩阵欧式距离最小的历史日作为最近相似日,并根据欧式距离的大小进行升序排列,形成相似日序列,式中为待预测日的加权扩展日矩阵,为历史上某日的加权扩展日矩阵,为其二者之差的欧几里得范数,为矩阵中第行列元素。
步骤11:从步骤10中形成的相似日序列中选取四个最为相似的历史数据以及靠近待预测日的四个历史数据,将选取的四个最为相似的历史数据以及靠近待预测日的四个历史数据及原始气象信息作为LSTM神经网络预测模型的输入,初步确定LSTM神经网络结构。
步骤12:根据LSTM神经网络结构,采用基因均衡策略形成相应的个体染色体,进行种群初始化;
步骤13:对种群中的染色体进行解码并构建LSTM神经网络模型;
步骤14:设置适应度函数为,并规定期望适应度值及最大迭代次数,其中为实际预测值,为回归值,为预测平均值,计算每一个个体的适应度值,若满足条件,则进入步骤16,否则进入步骤15;
步骤15:保留最优个体,对其余染色体进行选择、交叉、变异的遗传操作,更新GEP种群信息,生成新一代种群,进入步骤13;
步骤16:将GEP阶段输出的最优个体作为基准粒子,在维PSO搜索空间中建立的维向量,生成初始粒子群,将粒子的当前粒子速度记为,,极值记为,,粒子种群全局极值为,;
步骤17:根据适应度函数计算每个粒子在维PSO搜索空间中各个位置的适应度值,更新全局最优位置,若达到终止条件,则进入步骤19,否则进入步骤17;
步骤18:在每次迭代中,粒子通过个体极值和全局极值对其速度和位置进行更新,利用公式对粒子群位置进行更新,利用公式对粒子群速度进行更新,其中为惯性权值,为迭代次数,为粒子速度,和为非负常数即加速度因子,和为间的随机数,输出全局最优位置,进入步骤17;
步骤19:输出最优染色体,对染色体进行解码并构建其相对应的神经网络,输出最优神经网络,建立预测模型,完成光伏智能出力预测。
本发明将GEP算法和PSO算法同时运用到光伏出力预测中,实现对光伏出力预测的两级优化,可以有效提高光伏功率预测的速度和精度。
以上所述仅为本发明的实施方式而已,并不用于限制本发明。对于本领域技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原理的内所作的任何修改、等同替换、改进等,均应包括在本发明的权利要求范围之内。
Claims (7)
1.一种基于两级优化的光伏智能出力预测方法,其特征在于:所述光伏智能处理预测方法包括如下步骤:
步骤1:读取光伏功率负荷样本数据,对样本数据进行预处理、对所有历史数据进行规范化处理,使用样本分类器将规范化处理后的历史数据划分为训练集和测试集,训练集用于对分类模型进行训练,测试集用于对分类模型进行测试误差评价;
步骤2:初步计算训练集中的样本数据应属于的类,设置分类评价指标,使用给定评价指标理想期望值及分类模型最大迭代次数,输出最优聚类中心,构建基于历史功率信息的扩展日矩阵,将通过相似日选取器选取的相似日的光伏系统实际输出功率作为LSTM神经网络预测模型的输入,初步确定LSTM神经网络结构;
步骤3:根据步骤2确定的LSTM神经网络结构,采用基因均衡策略形成相应的个体染色体进行种群初始化,种群中的染色体进行解码并构建LSTM神经网络模型,设置适应度函数计算每一个个体的适应度值,保留最优个体,更新GEP种群信息,生成新一代种群,粒子种群优化器从GEP阶段获得基准粒子,构建一个基准粒子的PSO搜索空间,根据适应度函数计算每个基准粒子在维PSO搜索空间中各个位置的适应度值,更新全局最优位置,输出最优染色体,对染色体进行解码并构建其相对应的神经网络,输出最优神经网络,建立预测模型,完成光伏智能出力预测。
2.根据权利要求1所述的一种基于两级优化的光伏智能出力预测方法,其特征在于:在所述步骤1中,所述样本分类器通过留出法将规范化处理后的历史数据划分为训练集和测试集,并使用基于均值的层次聚类算法根据历史气象因素数据把得到的光伏功率数据进行归类。
3.根据权利要求2所述的一种基于两级优化的光伏智能出力预测方法,其特征在于:所述基于均值的层次聚类算法根据历史气象因素数据把得到的光伏功率数据进行归类具体包括如下步骤:
步骤1-1:假设训练样本为,将样本按每小时天气类型分为晴、多云、雨雪三种日类型,随机选取 个聚类中心,设其分别为,即样本数据分为3类,分别为晴、多云、雨雪;
步骤1-2:利用公式计算训练样本中的每一个属于的类,其中;
步骤1-3:对于每一个类,利用公式重新计算其质心,其中表示类中所含有的样本总数;
步骤1-4:设置评价指标评价其分类效果;
步骤1-5:如果评价指标符合预设值,则输出最优聚类中心,否则重复步骤1-2和步骤1-3,直至达到最大迭代次数,输出最优聚类中心。
4.根据权利要求2或3所述的一种基于两级优化的光伏智能出力预测方法,其特征在于:所述步骤1中对样本数据进行预处理,对所有历史数据进行规范化处理是指从历史数据中提取典型特征、删除不正确数据、剔除无用数据、对历史数据进行标幺化,在删除不正确数据和剔除无用数据之后,以最大辐照度值和最大光伏输出功率值为基准,对所有历史数据进行规范化处理。
5.根据权利要求4所述的一种基于两级优化的光伏智能出力预测方法,其特征在于:所述提取典型特征包括:辐照度数据、温度数据、湿度数据、能见度数据、光伏发电数据、用户用电功率数据;所述不正确数据包括辐照度为负的数据、辐照度明显不符合光伏输出功率的虚假数据;所述无用数据是指夜晚时刻辐照度等于零即光伏输出功率等于零的无用数据。
6.根据权利要求1所述的一种基于两级优化的光伏智能出力预测方法,其特征在于:所述步骤2具体包括如下步骤:
步骤2-1:所述相似日选取器构建基于历史功率信息的扩展日矩阵,,其中分别代表预测日全天的温度、湿度、风速、可见度、大气压、天气类型、与待预测日日类型相同的最近历史日全天光伏功率、用户用电功率,将温度、湿度、风速、可见度、大气压、天气类型、光伏功率和用户用电功率的特征归一化维度为均为24的向量;
步骤2-2:根据步骤2-1中提出的温度、湿度、风速、可见度、大气压、天气类型、光伏功率和用户用电功率的8个特征,构建基于其对光伏系统实际输出功率贡献度的相关系数矩阵:
,
式中-分别代表基于历史功率信息的扩展日矩阵中温度、湿度、风速、可见度、大气压、天气类型、光伏功率和用户用电功率的8个特征的皮尔逊积矩相关系数;
步骤2-3:将步骤2-2中的相关系数矩阵与步骤2-1中的扩展日矩阵相乘得到加权扩展日矩阵:
,
式中、、分别代表第小时的温度、湿度和用户用电功率;
步骤2-4:通过公式将加权扩展日矩阵中的数值进行归一化,使其始终保持在区间中,并利用欧几里得范数在历史数据中搜索与待预测日的加权扩展日特征矩阵欧式距离最小的历史日作为最近相似日,并根据欧式距离的大小进行升序排列,形成相似日序列,式中为待预测日的加权扩展日矩阵,为历史上某日的加权扩展日矩阵,为其二者之差的欧几里得范数,为矩阵中第行列元素;
步骤2-5:从步骤2-4中形成的相似日序列中选取四个最为相似的历史数据以及靠近待预测日的四个历史数据,将选取的四个最为相似的历史数据以及靠近待预测日的四个历史数据及原始气象信息作为LSTM神经网络预测模型的输入,初步确定LSTM神经网络结构。
7.根据权利要求1所述的一种基于两级优化的光伏智能出力预测方法,其特征在于:所述步骤3具体包括如下步骤:
步骤3-1:根据LSTM神经网络结构,采用基因均衡策略形成相应的个体染色体,进行种群初始化;
步骤3-2:对种群中的染色体进行解码并构建LSTM神经网络模型;
步骤3-3:设置适应度函数为,并规定期望适应度值及最大迭代次数,其中为实际预测值,为回归值,为预测平均值,计算每一个个体的适应度值,若满足条件,则跳过步骤3-4进入步骤3-5,否则进入步骤3-4;
步骤3-4:保留最优个体,对其余染色体进行选择、交叉、变异的遗传操作,更新GEP种群信息,生成新一代种群,进入步骤3-2;
步骤3-5:粒子种群优化器从GEP阶段输出的最优个体作为基准粒子,设定粒子可偏移量参数,以此确定基准粒子的PSO搜索空间,在维PSO搜索空间中建立基准粒子的维向量,表示基准粒子在维搜索空间中所处的位置,依据给定的目标函数,计算在维空间内各位置处的适应度值,假定当前基准粒子的粒子速度,其极值为,粒子种群全局极值为;
步骤3-6:根据适应度函数计算每个粒子在维PSO搜索空间中各个位置的适应度值,更新全局最优位置,若达到终止条件,则跳过步骤3-7进入步骤3-8,否则进入步骤3-7;
步骤3-7:在每次迭代中,粒子通过个体极值和全局极值对其速度和位置进行更新,利用公式对粒子群位置进行更新,利用公式对粒子群速度进行更新,其中为惯性权值,为迭代次数,为粒子速度,和为非负常数即加速度因子,和为间的随机数,输出全局最优位置,进入步骤3-6;
步骤3-8:输出最优染色体,对染色体进行解码并构建其相对应的神经网络,输出最优神经网络,建立预测模型,完成光伏智能出力预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310186570.3A CN116128150B (zh) | 2023-03-02 | 2023-03-02 | 一种基于两级优化的光伏智能出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310186570.3A CN116128150B (zh) | 2023-03-02 | 2023-03-02 | 一种基于两级优化的光伏智能出力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128150A true CN116128150A (zh) | 2023-05-16 |
CN116128150B CN116128150B (zh) | 2023-07-14 |
Family
ID=86306353
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310186570.3A Active CN116128150B (zh) | 2023-03-02 | 2023-03-02 | 一种基于两级优化的光伏智能出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128150B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及系统 |
CN117353359A (zh) * | 2023-12-05 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 电池联合储能供电方法及系统 |
CN117477563A (zh) * | 2023-12-27 | 2024-01-30 | 深圳力高新能技术有限公司 | 一种光伏发电功率预测用样本日搜索方法、系统及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868916A (zh) * | 2016-04-05 | 2016-08-17 | 中山大学 | 基于相似日聚类的微电网光伏出力空间预测方法 |
CN108960491A (zh) * | 2018-06-15 | 2018-12-07 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的光伏发电量预测方法 |
CN110161860A (zh) * | 2019-05-28 | 2019-08-23 | 南通大学 | 一种光伏组件智能清扫策略的方法及控制系统 |
CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
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 |
CN113469426A (zh) * | 2021-06-23 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于改进bp神经网络的光伏输出功率预测方法及系统 |
-
2023
- 2023-03-02 CN CN202310186570.3A patent/CN116128150B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105868916A (zh) * | 2016-04-05 | 2016-08-17 | 中山大学 | 基于相似日聚类的微电网光伏出力空间预测方法 |
CN108960491A (zh) * | 2018-06-15 | 2018-12-07 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的光伏发电量预测方法 |
CN110161860A (zh) * | 2019-05-28 | 2019-08-23 | 南通大学 | 一种光伏组件智能清扫策略的方法及控制系统 |
CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
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 |
CN113469426A (zh) * | 2021-06-23 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于改进bp神经网络的光伏输出功率预测方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117117859A (zh) * | 2023-10-20 | 2023-11-24 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及系统 |
CN117117859B (zh) * | 2023-10-20 | 2024-01-30 | 华能新能源股份有限公司山西分公司 | 基于神经网络的光伏发电功率预测方法及系统 |
CN117353359A (zh) * | 2023-12-05 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 电池联合储能供电方法及系统 |
CN117353359B (zh) * | 2023-12-05 | 2024-04-12 | 国网浙江省电力有限公司宁波供电公司 | 电池联合储能供电方法及系统 |
CN117477563A (zh) * | 2023-12-27 | 2024-01-30 | 深圳力高新能技术有限公司 | 一种光伏发电功率预测用样本日搜索方法、系统及设备 |
CN117477563B (zh) * | 2023-12-27 | 2024-05-24 | 深圳力高新能技术有限公司 | 一种光伏发电功率预测用样本日搜索方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN116128150B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Random forest solar power forecast based on classification optimization | |
CN116128150B (zh) | 一种基于两级优化的光伏智能出力预测方法 | |
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 | |
CN109165774A (zh) | 一种短期光伏功率预测方法 | |
CN109978284B (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
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 | |
CN105701572B (zh) | 一种基于改进高斯过程回归的光伏短期出力预测方法 | |
CN112070311A (zh) | 基于相似日聚类和气象因子赋权的日前光功率预测方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN109492748A (zh) | 一种基于卷积神经网络的电力系统的中长期负荷预测模型建立方法 | |
CN115204444A (zh) | 基于改进聚类分析和融合集成算法的光伏功率预测方法 | |
CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
CN111985678A (zh) | 一种光伏功率短期预测方法 | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
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 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN110570042B (zh) | 一种短期电动汽车充电负荷预测方法及系统 | |
CN116702937A (zh) | 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
Meng et al. | A new PV generation power prediction model based on GA-BP neural network with artificial classification of history day | |
Das et al. | Optimized support vector regression-based model for solar power generation forecasting on the basis of online weather reports | |
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 | |
Omar et al. | Seasonal clustering forecasting technique for intelligent hourly solar irradiance systems | |
CN114358449A (zh) | 基于图神经网络的电动汽车充电负荷时空分布预测方法 | |
CN112688306B (zh) | 基于天气预报和历史功率数据的光伏周出力场景预测方法 |
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 |