CN116776935B - 一种基于改进micn的光伏功率预测方法 - Google Patents

一种基于改进micn的光伏功率预测方法 Download PDF

Info

Publication number
CN116776935B
CN116776935B CN202310685035.2A CN202310685035A CN116776935B CN 116776935 B CN116776935 B CN 116776935B CN 202310685035 A CN202310685035 A CN 202310685035A CN 116776935 B CN116776935 B CN 116776935B
Authority
CN
China
Prior art keywords
photovoltaic power
micn
value
prediction
model
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.)
Active
Application number
CN202310685035.2A
Other languages
English (en)
Other versions
CN116776935A (zh
Inventor
葛宜达
彭甜
张楚
陈佳雷
纪捷
陈帅
张学东
王熠炜
陈杰
王政
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202310685035.2A priority Critical patent/CN116776935B/zh
Publication of CN116776935A publication Critical patent/CN116776935A/zh
Application granted granted Critical
Publication of CN116776935B publication Critical patent/CN116776935B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computational Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明公开了一种基于改进MICN的光伏功率预测方法，首先采集光伏电厂的历史光伏功率数据和气象数据，并进行数据预处理；利用自适应啁啾模态分解ACMD把历史光伏功率序列分解成N个子序列；其次，利用相关性分析将得到的多变量气象特征和N个子序列输入到多尺度等距卷积网络MICN模型中；然后，利用改进的原子轨道搜索算法MAOS优化MICN模型的参数，并建立复合损失函数，将准确率、稳定度和合格率三个优化目标同时加入到损失函数中，综合提升模型的预测性能；最后，通过最小二乘支持向量机模型LSSVM对MICN模型的光伏功率预测结果和LSSVM模型的预测误差进行校正，得到光伏功率最终预测输出。本发明可以对光伏电厂的光伏功率实现更精准的预测。

Description

一种基于改进MICN的光伏功率预测方法
技术领域
本发明属于新能源预测技术领域，具体涉及一种基于改进MICN的光伏功率预测方法。
背景技术
太阳能是可再生能源中最丰富、发展潜力最大的清洁能源，其开发与利用已经成为我国能源结构调整的重要方向；光伏功率的预测对电力系统的调度、运行以及新能源技术的互补工作有重大意义，但光伏发电面临间歇性、随机性和波动性等问题，大规模并网可能会给电网运行带来安全性和稳定性挑战。
目前，针对光伏功率预测方法主要有基于历史光伏功率数据预测法、基于云观测数据预测法和考虑气象因素预测法。基于历史光伏功率数据预测法是利用数学或统计学模型将这种周期性规律从过去的时间序列中挖掘出来，常用的预测模型有线性预测模型、自回归滑动平均预测模型、马尔科夫链以及灰色理论模型等，该方法忽略了气象因素对功率的影响，预测的精度整体偏低。基于云观测数据预测法是依托于地基云或卫星云观测资料展开的一种功率预测法，该方法以获取的云观测资料为基础，先通过云识别、云匹配技术实现云团移动轨迹的跟踪预测，通过未来云移动轨迹实现功率预测；但该方法云图监测范围小、空间分辨率有限，云图畸变严重且存在数据缺失，云轨迹难以跟踪预测。考虑气象因素预测法是将气象数据中的特征变量与功率数据相结合，采用物理模型、统计学模型或神经网络模型挖掘出其中的映射关系，实现对未来时刻的光伏功率预测，大大提高了其预测的精度。
光伏功率预测具体的模型有物理模型、统计学模型或神经网络模型。物理模型对气象数据精度要求高、模型参数多和建模过程繁琐导致此类模型预测结果不够理想；统计模型是分析数据内部规律，利用统计方法建模获取光伏功率预测值，但统计模型对数据间的非线性特征难以建模，预测性能会降低；神经网络模型具有强大的计算能力和学习能力，可以对气象数据与功率数据深层特征进行提取，可以解决多变量、非线性复杂建模问题；常用的神经网络模型有GRU、TCN、LSTM等。
发明内容
发明目的：针对现有技术存在的问题，本发明提供一种基于改进MICN的光伏功率预测方法，能有效提高光伏功率的预测精度。
技术方案：本发明提出一种基于改进MICN的光伏功率预测方法，包括以下步骤：
(1)预先获取光伏电厂的历史光伏功率数据和气象数据，并进行数据预处理；
(2)利用自适应啁啾模态分解把历史光伏功率序列分解成N个子序列，并对光伏功率和气象特征进行相关性分析；
(3)构建多尺度等距卷积网络MICN，将步骤(2)得到的具有较强相关性的多变量气象特征和N个光伏功率子序列输入到MICN模型中；
(4)利用改进的原子轨道搜索算法MAOS优化MICN模型的参数；所述MAOS算法是在原AOS算法基础上采用分段线性混沌映射PWLCM初始化策略代替其原来的随机初始化，引入黄金正弦改进策略平衡电子的全局搜索和局部搜索能力；
(5)建立复合损失函数，将准确率、稳定度和合格率三个优化目标同时加入到损失函数中，提升优化后的MICN模型的预测性能；
(6)建立最小二乘支持向量机模型LSSVM，将步骤(1)预处理后的历史光伏功率数据和经步骤(4)优化后的MICN模型的光伏功率预测输出进行差值计算，形成光伏功率误差序列；通过LSSVM模型的预测误差对MICN模型的光伏功率预测输出进行校正，得到光伏功率最终预测输出。
进一步地，步骤(1)所述的气象数据包括气象因素和气象类型；所述气象因素主要包括温度、湿度、气压、风速、风向、太阳辐射强度；所述气象类型主要包括晴天、雨天、阴天。
进一步地，步骤(2)所述利用自适应啁啾模态分解把历史光伏功率序列分解成N个子序列实现过程如下：
使用ACMD处理历史光伏功率信号：
式中：B为信号模式的数量；Ab(t)、fb(t)和分别表示第b个信号模式的瞬时幅值、瞬时频率和初始相位；
通过调制和解调，式(1)改写为：
式中：qb(t)和db(t)为解调算子；表示解调频率；/>为瞬时幅值；当/>时，解调信号中的调频项为0，得到带宽最窄的纯调幅信号；通过对解调信号的带宽最小化，ACMD估计中频，对信号进行分解，并逐个估计信号的分量；
针对第b个信号分量求解：
式中：q”bb(t)、d”bb(t)是解调算子的二阶导数；λ为惩罚因子；和/>表示带宽；
对于t＝t0,…,tK-1时间序列的离散信号，采样点个数为K，则信号分量求解的离散表达形式为：
式中：c＝[c(t0),…,c(tK-1)]T，ub＝[(qb)T,(db)T]T，qb＝[qb(t0),…,qb(tK-1)]T，db＝[db(t0),…,db(tK-1)]T；Fb为频率对角矩阵，A＝diag[Ω,Ω]为分块对角阵；Ω为二阶差分矩阵；
通过交替更新解调信号和频率函数实现对原始信号的逐个分解，在得到第1个信号分量之后，将其从原始信号中减去，然后将剩余分量作为新的初始信号继续分解得到第2个信号分量，反复循环更新，直到获取全部信号分量。
进一步地，步骤(2)所述对光伏功率和气象特征进行相关性分析实现过程如下：
利用皮尔逊相关系数ρ对输入的光伏功率和气象特征进行相关性分析，选取设定值|ρ|>0.8；提取对光伏功率影响大于设定值的气象特征，将相关性分析结果低于设定值的气象特征舍弃，同时选择与输出光伏功率具有较强相关性的历史时间进行时序序列建模。
进一步地，所述步骤(3)实现过程如下：
(31)使用多尺度混合分解将输入X分解成Xt和Xs；
Xt＝mean(AvgPool(Padding(X))kernel) (6)
Xs＝X-Xt (7)
其中，Xt和Xs分别为趋势-周期预测部分和季节性预测部分；AvgPool(·)和Padding操作使序列长度保持不变，kernel为卷积核；
(32)将Xt输入趋势-周期预测部分得到Yt regre，Yt mean：
Yt regre＝regression(Xt) (8)
Yt mean＝mean(Xt) (9)
其中，regression为线性回归策略；Yt regre表示使用线性回归策略对趋势部分的预测；Yt mean表示对趋势部分的预测；
(33)将Xs输入季节性预测部分得到Ys,l，Ys；利用Concat和Embedding分别表示将Xs、Xzero序列先合并后整体嵌入得到
Ys,l＝MIC(Ys,l-1),l∈{1,2,…,N} (12)
Ys＝Truncate(Projection(Ys,N)) (13)
其中，Xzero表示以零填充的占位符，表示Xs的嵌入表示；/>为多尺度等距卷积层初始输入，Ys,l表示第l个多尺度等距卷积层的输出；Ys表示通过Ys,N和Truncate运算进行线性函数Projection后对季节性部分的最终预测；N表示层数；MIC为多尺度等距卷积；
(34)Embedding的实现过程如下：
其中，TFE表示时间特征编码，PE表示位置编码，VE表示数值嵌入；
(36)采用多尺度等距卷积捕捉局部特征和全局相关性，通过不同尺度的分支对时间序列的不同分支进行建模；并将不同分支的结果合并，完成序列的综合信息利用。
进一步地，所述步骤(4)实现过程如下：
(41)设置相关参数，包括：最大迭代次数、电子云数量、维度大小、电子在搜索空间的上界与下界；
(42)使用PWLCM初始化策略代替原AOS算法中的随机初始化方法：
其中，分段控制因子δ∈(0,0.5)，Xi+1∈(0,1)，Xi为混沌映射随机位置；
(43)确定电子的适应度值，即光伏功率预测值和实际值的偏差；E表示适应度值的向量，具有较低适应度值的电子表示光伏功率预测值和实际值的偏差值较小：
Ei＝pw-yw
其中，Ei为第i个电子的适应度值；m是搜索空间内电子的数量；pw、yw分别为第w样本点光伏功率的预测值和实测值；为第k层第i个电子的位置，n为最大虚拟层数，p为第k层电子的总数；
(44)利用每个虚拟层中电子的位置和适应度值的平均值来表示该层电子的结合态和结合能：
其中，BSk和BEk分别为第k层的结合态和结合能，和/>为第k层第i个电子的位置和适应度值；
利用搜索空间中所有电子的位置和适应度值的平均值来确定原子的结合态和结合能：
其中，BS和BE分别为原子的结合态和结合能，Xi和Ei为第i个电子的位置和适应度值；m是搜索空间中电子的总数；
(45)确定电子的位置更新，通过不同位置更新方法搜寻MICN模型最优参数，使得光伏功率预测值和实际值的偏差值降低；
(46)通过给定的最大迭代次数判断是否达到算法终止条件，若未达到则转到步骤(44)，最终在最大迭代次数内输出算法迭代出的MICN模型最优参数，使得光伏功率预测值和实际值的偏差值最低。
进一步地，所述步骤(5)实现过程如下：
L1的优化目标为准确率，具体为光伏功率预测值和真实值之间的均方根误差；L2的优化目标为稳定性，具体为光伏功率预测值和真实值之间的方差；L3的优化目标为合格率；L1、L2和L3目标函数表达式如下：
L3＝max(r1) (33)
L＝L1+aL2+b(1-L3) (34)
其中，L1为优化目标为准确率，具体为光伏功率预测值和真实值之间的均方根误差；L2为优化目标为稳定性，具体为光伏功率预测值和真实值之间的方差；L3为优化目标为合格率，P＝{pw,w＝1,2,3,…,M}为预测功率样本；Y＝{yw,w＝1,2,3,…,M}为实测功率样本；pw为第w个预测功率样本点；yw为第w个实测功率数据样本点；M为样本容量；Ccap为光伏电厂容量；E表示期望，λ取值为0.75；a、b分别表示L2和L3的权重系数；a和b随着MAOS算法迭代的表达式为：
式中，t为当前迭代次数，T为最大迭代次数；a0和b0为L2和L3的初始权重；au和bu为积极因子；amax和bmax为a和b的上限值。
进一步地，所述步骤(6)实现过程如下：
(61)定义样本集为S＝(xi,yi),i＝1,2,…,n，其中x为输入向量，y为输出向量；利用非线性函数将光伏功率序列样本序列数据映射到高维度空间，得到最小二乘支持向量机回归函数为：
g(x)＝ωTο(x)+b (36)
式中，ω为权重值；ο(x)表示非线性函数；b为偏置值；
(62)按照结构风险最小化准则，将回归函数转化为最小化代价函数约束的优化问题：
式中，f表示最小化代价函数；e表示误差向量；α和β均为调整系数；
(63)引入拉格朗日算法对最小化代价函数进行最优解的搜寻，拉格朗日函数表示为：
式中，υi表示第i个拉格朗日乘子；
(64)通过KKT条件对拉格朗日函数各变量求偏导：
式中，φ为可调系数比值，φ＝α/β；
(65)通过方程组线性运算去掉权重值ω和误差向量e：
其中，Ω＝K(x,xi)，表示符合Mercer条件的核函数；
(66)通过线性方程组求解得到光伏功率预测误差序列的最小二乘支持向量机回归函数：
(67)选取径向基核函数作为预测模型的核函数，其表达公式为：
K(x,xi)＝exp(-||x-xi||2/2σ2) (42)
式中，σ是核函数的带宽。
进一步地，所述步骤(31)实现过程如下
局部模块通过avgpool获取相应的单个分支后，采用一维卷积实现降采样：
其中，Ys,l-1表示第l-1个多尺度等距卷积层的输出；表示不同分支对应的不同比例尺寸，I表示输入，为过去的序列长度；Convld表示局部特征的压缩，设置为stride＝kernel＝i；/>表示局部特征压缩得到的结果，是一个短序列；
利用全局模块来对局部模块输出的相关性进行建模：
其中，Norm为标准化操作，表示全局关联建模后的结果，Tanh是激活函数；IsometricConv表示等距卷积，Dropout是以一定概率随机删除输入层和隐藏层中的部分节点；/>表示此分支的结果。
进一步地，所述步骤(45)实现过程如下：
如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值大于等于该层的结合能，则认为电子运动受光子的发射作用影响，其位置更新为：
其中，和/>分别为第k层第i个电子的当前位置和未来位置，LE是原子中适应度值最低的电子，BS是原子的结合态，αi，βi和γi是包含随机生成的数的向量，这些数均匀分布在(0,1)范围内；
如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值小于该层的结合能，则认为电子运动受光子的吸收作用影响，其位置更新为：
其中，LEk是第k层适应度值最低的电子，BSk为第k层的结合态；
如果每个电子的随机生成数小于光子率PR，引入黄金正弦改进策略平衡电子的全局搜索和局部搜索能力，其公式如下：
其中，r1是(0，2π)的随机数，r2是(0，π)的随机数，r1和r2分别确定电子移动的距离和方向；c1和c2是采用黄金分割法产生的系数；Pi是全局最优位置。
有益效果：与现有技术相比，本发明的有益效果：
1.本发明提出利用自适应啁啾模态分解(ACMD)把历史光伏功率序列分解成多个子序列，弱化光伏功率序列的随机波动性对功率预测精度的影响；
2.本发明提出多尺度等距卷积网络(MICN)模型捕捉局部特征和全局相关性，通过不同尺度的分支对时间序列的不同底层模式进行建模；然后将不同分支的结果合并，完成序列的综合信息利用；相比传统多分量多模型，有效降低计算复杂度；
3.针对原子轨道搜索算法(AOS)在寻优过程中，存在收敛速度慢，容易陷入局部最优等问题，本发明采用分段线性混沌映射(PWLCM)策略代替算法原来的随机初始化，避免初始化个体集中分布；在算法位置更新阶段引入黄金正弦改进策略来平衡电子的全局搜索和局部搜索能力，提高算法搜索效率。
4.本发明利用LSSVM模型对光伏功率误差序列进行预测，通过对MICN模型的光伏功率预测输出进行误差校正，有效提升了模型预测的精准度。
附图说明
图1是本发明的流程图；
图2是MICN模型结构示意图；
图3是MAOS算法优化MICN模型流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明提出了一种基于改进MICN的光伏功率预测方法，如图1所示，具体包括以下步骤：
步骤1：采集光伏电厂的历史光伏功率数据和气象数据，并进行数据预处理。
气象数据包括温度、湿度、气压、风速、风向、太阳辐射强度等气象因素和晴天、雨天、阴天等气象类型。清除冗余数据、填充缺失数据和修正异常数据；对数据归一化以便进行比较和分析。
步骤2：利用自适应啁啾模态分解(ACMD)把历史光伏功率序列分解成N个子序列，降低光伏发电功率序列的随机性和波动性；并对光伏功率和气象特征进行相关性分析。
(2.1)自适应啁啾模态分解(ACMD)的步骤如下：
使用ACMD处理历史光伏功率信号：
式中：B为信号模式的数量；Ab(t)、fb(t)和分别表示第b个信号模式的瞬时幅值、瞬时频率和初始相位。
通过调制和解调，式(1)可以改写为
式中：qb(t)和db(t)为解调算子；表示解调频率；/>为瞬时幅值。当/>时，解调信号中的调频项为0，得到带宽最窄的纯调幅信号；通过对解调信号的带宽最小化，ACMD可以估计中频，对信号进行分解，并逐个估计信号的分量。
针对第b个信号分量求解；
式中：q”bb(t)、d”bb(t)是解调算子的二阶导数；λ为惩罚因子；和/>表示带宽。
对于t＝t0,…,tK-1时间序列的离散信号，采样点个数为K，则信号分量求解的离散表达形式为：
其中，c＝[c(t0),…,c(tK-1)]T，ub＝[(qb)T,(db)T]T，qb＝[qb(t0),…,qb(tK-1)]T，db＝[db(t0),…,db(tK-1)]T；Fb为频率对角矩阵，A＝diag[Ω,Ω]为分块对角阵；Ω为二阶差分矩阵。
通过交替更新解调信号和频率函数实现对原始信号的逐个分解，在得到第1个信号分量之后，将其从原始信号中减去，然后将剩余分量作为新的初始信号继续分解得到第2个信号分量，反复循环更新，直到获取全部信号分量。
(2.2)对光伏功率和气象特征进行相关性分析的步骤如下：
为了有效提取特征和控制MICN模型的规模，利用皮尔逊相关系数ρ对输入的光伏功率和气象特征进行相关性分析，选取设定值|ρ|>0.8。提取对光伏功率影响大于设定值的气象特征，将相关性分析结果低于设定值的气象特征舍弃，同时选择与输出光伏功率具有较强相关性的历史时间进行时序序列建模。
步骤3：建立多尺度等距卷积网络(MICN)模型，如图2所示，将得到的具有较强相关性的多变量气象特征和N个光伏功率子序列输入到多尺度等距卷积网络(MICN)模型中。
使用多尺度混合分解将输入X分解成Xt和Xs；
Xt＝mean(AvgPool(Padding(X))kernel) (6)
Xs＝X-Xt (7)
其中，Xt和Xs分别为趋势-周期预测部分和季节性预测部分；AvgPool(·)和Padding操作可以保持序列长度不变，kernel为卷积核。
将Xt输入趋势-周期预测部分得到Yt regre，Yt mean；
Yt regre＝regression(Xt) (8)
Yt mean＝mean(Xt) (9)
其中，regression为线性回归策略；Yt regre表示使用线性回归策略对趋势部分的预测；Yt mean表示对趋势部分的预测。
将Xs输入季节性预测部分得到Ys,l，Ys；利用Concat和Embedding分别表示将Xs、Xzero序列先合并后整体嵌入得到
Ys,l＝MIC(Ys,l-1),l∈{1,2,…,N} (12)
Ys＝Truncate(Projection(Ys,N)) (13)
其中，Xzero表示以零填充的占位符，表示Xs的嵌入表示；Ys 0为多尺度等距卷积层初始输入，Ys,l表示第l个多尺度等距卷积层的输出；Ys表示通过Ys,N和Truncate运算进行线性函数Projection后对季节性部分的最终预测；N表示层数；MIC为多尺度等距卷积。
Embedding的实现过程如下：
其中，TFE表示时间特征编码，PE表示位置编码，VE表示数值嵌入。
采用多尺度等距卷积捕捉局部特征和全局相关性，通过不同尺度的分支对时间序列的不同分支进行建模；并将不同分支的结果合并，完成序列的综合信息利用。
局部模块通过avgpool获取相应的单个分支后，采用一维卷积实现降采样。这个过程如下：
其中，Ys,l-1表示第l-1个多尺度等距卷积层的输出；表示不同分支对应的不同比例尺寸，I表示输入，为过去的序列长度；Convld表示局部特征的压缩，设置为stride＝kernel＝i；/>表示局部特征压缩得到的结果，是一个短序列。
利用全局模块来对局部模块输出的相关性进行建模；全局模块表达形式如下:
其中，Norm为标准化操作，表示全局关联建模后的结果，Tanh是激活函数；IsometricConv表示等距卷积，Dropout是以一定概率随机删除输入层和隐藏层中的部分节点；/>表示此分支的结果。
步骤4：利用改进的原子轨道搜索算法MAOS优化MICN模型的参数(卷积核的权重参数、偏置项参数)，所述对原AOS算法的改进包括采用分段线性混沌映射(PWLCM)初始化策略代替其原来的随机初始化、引入黄金正弦改进策略来平衡电子的全局搜索和局部搜索能力；如图3所示。
(4.1)设置相关参数，包括：最大迭代次数、电子云数量、维度大小、电子在搜索空间的上界与下界。
(4.2)使用分段线性混沌映射(PWLCM)初始化策略代替原AOS算法中的随机初始化方法，PWLCM是一个以位置初始值为分段指标的分段映射函数，对处在不同位置的电子采取不同的计算公式，使电子更为均匀地分布在给定空间内，其公式如下所示：
其中，分段控制因子δ∈(0,0.5)，Xi+1∈(0,1)，Xi为混沌映射随机位置；
(4.3)确定电子的适应度值，即光伏功率预测值和实际值的偏差；E表示适应度值的向量，具有较低适应度值的电子表示光伏功率预测值和实际值的偏差值较小；
Ei＝pw-yw
/>
其中，Ei为第i个电子的适应度值；m是搜索空间内电子的数量；pw、yw分别为第w样本点光伏功率的预测值和实测值；为第k层第i个电子的位置，n为最大虚拟层数，p为第k层电子的总数。
(4.4)利用每个虚拟层中电子的位置和适应度值的平均值来表示该层电子的结合态和结合能：
其中，BSk和BEk分别为第k层的结合态和结合能，和/>为第k层第i个电子的位置和适应度值。
利用搜索空间中所有电子的位置和适应度值的平均值来确定原子的结合态和结合能：
其中，BS和BE分别为原子的结合态和结合能，Xi和Ei为第i个电子的位置和适应度值；m是搜索空间中电子的总数；
(4.5)确定电子的位置更新，通过不同位置更新方法搜寻MICN模型最优参数，使得光伏功率预测值和实际值的偏差值降低。
更新方式1：如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值大于等于该层的结合能，则认为电子运动受光子的发射作用影响，定义其位置更新为方式1，公式如下所示：
/>
其中，和/>分别为第k层第i个电子的当前位置和未来位置，LE是原子中适应度值最低的电子，BS是原子的结合态，αi，βi和γi是包含随机生成的数的向量，这些数均匀分布在(0,1)范围内。
更新方式2：如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值小于该层的结合能，则认为电子运动受光子的吸收作用影响，定义其位置更新为方式2，公式如下所示：
其中，LEk是第k层适应度值最低的电子，BSk为第k层的结合态。
更新方式3：如果每个电子的随机生成数小于光子率PR，引入黄金正弦改进策略平衡电子的全局搜索和局部搜索能力，其公式如下所示：
其中，r1是(0，2π)的随机数，r2是(0，π)的随机数，r1和r2分别确定电子移动的距离和方向；c1和c2是采用黄金分割法产生的系数；Pi是全局最优位置。
(4.6)通过给定的最大迭代次数判断是否达到算法终止条件，若未达到则转到步骤4，最终在最大迭代次数内输出算法迭代出的MICN模型最优参数，使得光伏功率预测值和实际值的偏差值最低。
步骤5：建立复合损失函数，将准确率、稳定度和合格率三个优化目标同时加入到损失函数中，综合提升模型的预测性能。
定义：L1的优化目标为准确率，具体为光伏功率预测值和真实值之间的均方根误差；L2的优化目标为稳定性，具体为光伏功率预测值和真实值之间的方差；L3的优化目标为合格率；L1、L2和L3目标函数表达式如下：
L3＝max(r1) (33)
其中，P＝{pw,w＝1,2,3,…,M}为预测功率样本；Y＝{yw,w＝1,2,3,…,M}为实测功率样本；pw为第w个预测功率样本点；yw为第w个实测功率数据样本点；M为样本容量；Ccap为光伏电厂容量；E表示期望，λ取值为0.75。
通过准确性、稳定性和合格率等优化目标构建复合损失函数，将L1、L2和L3同时加入到损失函数中；函数表达式为：
L＝L1+aL2+b(1-L3) (34)
式中，a、b分别表示L2和L3的权重系数；
通过MAOS算法迭代优化损失函数的权重来提升MICN模型对光伏功率的预测性能。
训练模型时，前J次以优化准确率L1为主，J次迭代以后，增加稳定性L2和合格率L3的权重。a和b随着MAOS算法迭代的表达式为：
式中，t为当前迭代次数，T为最大迭代次数；a0和b0为L2和L3的初始权重；au和bu为积极因子；amax和bmax为a和b的上限值。
步骤6：建立最小二乘支持向量机模型(LSSVM)，将步骤(1)预处理后的历史光伏功率数据和步骤(4)MICN模型的光伏功率预测输出进行差值计算，形成光伏功率误差序列；通过MICN模型的光伏功率预测输出和LSSVM模型的预测误差进行校正，得到光伏功率最终预测输出。
定义样本集为S＝(xi,yi),i＝1,2,…,n，其中x为输入向量，y为输出向量；利用非线性函数将光伏功率序列样本序列数据映射到高维度空间，得到最小二乘支持向量机回归函数为：
g(x)＝ωTο(x)+b (36)
式中，ω为权重值；ο(x)表示非线性函数；b为偏置值。
定义回归函数：
式中，f表示目标函数；e表示目标函数的误差向量；α和β均为调整系数。
引入拉格朗日算法对目标函数进行最优解的搜寻，拉格朗日函数表示为：
式中，υi表示第i个拉格朗日乘子。
通过KKT条件对拉格朗日函数各变量求偏导：
/>
式中，φ为可调系数比值，φ＝α/β。
通过方程组线性运算去掉权重值ω和误差向量e：
其中，Ω＝K(x,xi)，表示符合Mercer条件的核函数；
通过线性方程组求解得到光伏功率预测模型误差序列的最小二乘支持向量机回归函数：
选取径向基核函数作为预测模型的核函数，其表达公式为：
K(x,xi)＝exp(-||x-xi||2/2σ2) (42)
式中，σ是核函数的带宽。
使用绝对平均误差(MAE)、相对百分误差绝对平均值(MAPE)、均方根误差(RMSE)作为对光伏功率预测的评价指标；
式中：pw和yw分别表示第w个样本点预测功率和真实功率，M为样本容量。
光伏功率预测结果中，误差指标MAE、MAPE和RMSE越小，说明预测效果越好，预测精度越高。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (9)

1.一种基于改进MICN的光伏功率预测方法，其特征在于，包括如下步骤：
(1)预先获取光伏电厂的历史光伏功率数据和气象数据，并进行数据预处理；
(2)利用自适应啁啾模态分解把历史光伏功率序列分解成N个子序列，并对光伏功率和气象特征进行相关性分析；
(3)构建多尺度等距卷积网络MICN，将步骤(2)得到的具有较强相关性的多变量气象特征和N个光伏功率子序列输入到MICN模型中；
(4)利用改进的原子轨道搜索算法MAOS优化MICN模型的参数；所述MAOS算法是在原AOS算法基础上采用分段线性混沌映射PWLCM初始化策略代替其原来的随机初始化，引入黄金正弦改进策略平衡电子的全局搜索和局部搜索能力；
(5)建立复合损失函数，将准确率、稳定度和合格率三个优化目标同时加入到损失函数中，提升优化后的MICN模型的预测性能；
(6)建立最小二乘支持向量机模型LSSVM，将步骤(1)预处理后的历史光伏功率数据和经步骤(4)优化后的MICN模型的光伏功率预测输出进行差值计算，形成光伏功率误差序列Γ1；通过LSSVM模型对Γ1再次预测得到预测误差序列Γ2；最后通过Γ2对MICN模型的光伏功率预测输出进行校正，得到光伏功率最终预测输出；
所述步骤(4)实现过程如下：
(41)设置相关参数，包括：最大迭代次数、电子云数量、维度大小、电子在搜索空间的上界与下界；
(42)使用PWLCM初始化策略代替原AOS算法中的随机初始化方法：
其中，分段控制因子δ∈(0,0.5)，Xi+1∈(0,1)，Xi为混沌映射随机位置；
(43)确定电子的适应度值，即光伏功率预测值和实际值的偏差；E表示适应度值的向量，具有较低适应度值的电子表示光伏功率预测值和实际值的偏差值较小：
其中，Ei为第i个电子的适应度值；m是搜索空间内电子的数量；pw、yw分别为第w样本点光伏功率的预测值和实测值；为第k层第i个电子的位置，n为最大虚拟层数，p为第k层电子的总数；
(44)利用每个虚拟层中电子的位置和适应度值的平均值来表示该层电子的结合态和结合能：
其中，BSk和BEk分别为第k层的结合态和结合能，和/>为第k层第i个电子的位置和适应度值；
利用搜索空间中所有电子的位置和适应度值的平均值来确定原子的结合态和结合能：
其中，BS和BE分别为原子的结合态和结合能，Xi和Ei为第i个电子的位置和适应度值；m是搜索空间中电子的总数；
(45)确定电子的位置更新，通过不同位置更新方法搜寻MICN模型最优参数，使得光伏功率预测值和实际值的偏差值降低；
(46)通过给定的最大迭代次数判断是否达到算法终止条件，若未达到则转到步骤(44)，最终在最大迭代次数内输出算法迭代出的MICN模型最优参数，使得光伏功率预测值和实际值的偏差值最低。
2.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，步骤(1)所述的气象数据包括气象因素和气象类型；所述气象因素主要包括温度、湿度、气压、风速、风向、太阳辐射强度；所述气象类型主要包括晴天、雨天、阴天。
3.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，步骤(2)所述利用自适应啁啾模态分解把历史光伏功率序列分解成N个子序列实现过程如下：
使用ACMD处理历史光伏功率信号：
式中：B为信号模式的数量；Ab(t)、fb(t)和分别表示第b个信号模式的瞬时幅值、瞬时频率和初始相位；
通过调制和解调，式(1)改写为：
式中：qb(t)和db(t)为解调算子；表示解调频率；/>为瞬时幅值；当/>时，解调信号中的调频项为0，得到带宽最窄的纯调幅信号；通过对解调信号的带宽最小化，ACMD估计中频，对信号进行分解，并逐个估计信号的分量；
针对第b个信号分量求解：
式中：q”bb(t)、d”bb(t)是解调算子的二阶导数；λ为惩罚因子；和/>表示带宽；
对于t＝t0,…,tK-1时间序列的离散信号，采样点个数为K，则信号分量求解的离散表达形式为：
式中：c＝[c(t0),…,c(tK-1)]T，ub＝[(qb)T,(db)T]T，qb＝[qb(t0),…,qb(tK-1)]T，db＝[db(t0),…,db(tK-1)]T；Fb为频率对角矩阵，A＝diag[Ω,Ω]为分块对角阵；Ω为二阶差分矩阵；
通过交替更新解调信号和频率函数实现对原始信号的逐个分解，在得到第1个信号分量之后，将其从原始信号中减去，然后将剩余分量作为新的初始信号继续分解得到第2个信号分量，反复循环更新，直到获取全部信号分量。
4.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，步骤(2)所述对光伏功率和气象特征进行相关性分析实现过程如下：
利用皮尔逊相关系数ρ对输入的光伏功率和气象特征进行相关性分析，选取设定值|ρ|>0.8；提取对光伏功率影响大于设定值的气象特征，将相关性分析结果低于设定值的气象特征舍弃，同时选择与输出光伏功率具有较强相关性的历史时间进行时序序列建模。
5.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，所述步骤(3)实现过程如下：
(31)使用多尺度混合分解将输入X分解成Xt和Xs；
Xt＝mean(AvgPool(Padding(X))kernel) (6)
Xs＝X-Xt (7)
其中，Xt和Xs分别为趋势-周期预测部分和季节性预测部分；AvgPool(·)和Padding操作使序列长度保持不变，kernel为卷积核；
(32)将Xt输入趋势-周期预测部分得到Yt regre，Yt mean：
Yt regre＝regression(Xt) (8)
Yt mean＝mean(Xt) (9)
其中，regression为线性回归策略；Yt regre表示使用线性回归策略对趋势部分的预测；Yt mean表示对趋势部分的预测；
(33)将Xs输入季节性预测部分得到Ys,l，Ys；利用Concat和Embedding分别表示将Xs、Xzero序列先合并后整体嵌入得到
Ys,l＝MIC(Ys,l-1),l∈{1,2,…,N} (12)
Ys＝Truncate(Projection(Ys,N)) (13)
其中，Xzero表示以零填充的占位符，表示Xs的嵌入表示；/>为多尺度等距卷积层初始输入，Ys,l表示第l个多尺度等距卷积层的输出；Ys表示通过Ys,N和Truncate运算进行线性函数Projection后对季节性部分的最终预测；N表示层数；MIC为多尺度等距卷积；
(34)Embedding的实现过程如下：
其中，TFE表示时间特征编码，PE表示位置编码，VE表示数值嵌入；
(35)采用多尺度等距卷积捕捉局部特征和全局相关性，通过不同尺度的分支对时间序列的不同分支进行建模；并将不同分支的结果合并，完成序列的综合信息利用。
6.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，所述步骤(5)实现过程如下：
L1的优化目标为准确率，具体为光伏功率预测值和真实值之间的均方根误差；L2的优化目标为稳定性，具体为光伏功率预测值和真实值之间的方差；L3的优化目标为合格率；L1、L2和L3目标函数表达式如下：
L3＝max(r1) (33)
L＝L1+aL2+b(1-L3) (34)
其中，L1为优化目标为准确率，具体为光伏功率预测值和真实值之间的均方根误差；L2为优化目标为稳定性，具体为光伏功率预测值和真实值之间的方差；L3为优化目标为合格率，P＝{pw,w＝1,2,3,…,M}为预测功率样本；Y＝{yw,w＝1,2,3,…,M}为实测功率样本；pw为第w个预测功率样本点；yw为第w个实测功率数据样本点；M为样本容量；Ccap为光伏电厂容量；E表示期望，λ取值为0.75；a、b分别表示L2和L3的权重系数；a和b随着MAOS算法迭代的表达式为：
式中，t为当前迭代次数，T为最大迭代次数；a0和b0为L2和L3的初始权重；au和bu为积极因子；amax和bmax为a和b的上限值。
7.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，所述步骤(6)实现过程如下：
(61)定义样本集为S＝(xi,yi),i＝1,2,…,n，其中x为输入向量，y为输出向量；利用非线性函数将光伏功率序列样本序列数据映射到高维度空间，得到最小二乘支持向量机回归函数为：
g(x)＝ωTο(x)+b (36)
式中，ω为权重值；ο(x)表示非线性函数；b为偏置值；
(62)按照结构风险最小化准则，将回归函数转化为最小化代价函数约束的优化问题：
式中，f表示最小化代价函数；e表示误差向量；α和β均为调整系数；
(63)引入拉格朗日算法对最小化代价函数进行最优解的搜寻，拉格朗日函数表示为：
式中，υi表示第i个拉格朗日乘子；
(64)通过KKT条件对拉格朗日函数各变量求偏导：
式中，φ为可调系数比值，φ＝α/β；
(65)通过方程组线性运算去掉权重值ω和误差向量e：
其中，Ω＝K(x,xi)，表示符合Mercer条件的核函数；
(66)通过线性方程组求解得到光伏功率预测误差序列的最小二乘支持向量机回归函数：
(67)选取径向基核函数作为预测模型的核函数，其表达公式为：
K(x,xi)＝exp(-||x-xi||2/2σ2) (42)
式中，σ是核函数的带宽。
8.根据权利要求5所述的一种基于改进MICN的光伏功率预测方法，其特征在于，所述步骤(31)实现过程如下
局部模块通过avgpool获取相应的单个分支后，采用一维卷积实现降采样：
其中，Ys,l-1表示第l-1个多尺度等距卷积层的输出；表示不同分支对应的不同比例尺寸，I表示输入，为过去的序列长度；Convld表示局部特征的压缩，设置为stride＝kernel＝i；/>表示局部特征压缩得到的结果，是一个短序列；
利用全局模块来对局部模块输出的相关性进行建模：
其中，Norm为标准化操作，表示全局关联建模后的结果，Tanh是激活函数；IsometricConv表示等距卷积，Dropout是以一定概率随机删除输入层和隐藏层中的部分节点；/>表示此分支的结果。
9.根据权利要求1所述的一种基于改进MICN的光伏功率预测方法，其特征在于，所述步骤(45)实现过程如下：
如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值大于等于该层的结合能，则认为电子运动受光子的发射作用影响，其位置更新为：
其中，和/>分别为第k层第i个电子的当前位置和未来位置，LE是原子中适应度值最低的电子，BS是原子的结合态，αi，βi和γi是包含随机生成的数的向量，这些数均匀分布在(0,1)范围内；
如果每个电子的随机生成数大于等于光子率PR，且特定层中的电子的适应度值小于该层的结合能，则认为电子运动受光子的吸收作用影响，其位置更新为：
其中，LEk是第k层适应度值最低的电子，BSk为第k层的结合态；
如果每个电子的随机生成数小于光子率PR，引入黄金正弦改进策略平衡电子的全局搜索和局部搜索能力，其公式如下：
其中，r1是(0，2π)的随机数，r2是(0，π)的随机数，r1和r2分别确定电子移动的距离和方向；c1和c2是采用黄金分割法产生的系数；Pi是全局最优位置。
CN202310685035.2A 2023-06-09 2023-06-09 一种基于改进micn的光伏功率预测方法 Active CN116776935B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310685035.2A CN116776935B (zh) 2023-06-09 2023-06-09 一种基于改进micn的光伏功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310685035.2A CN116776935B (zh) 2023-06-09 2023-06-09 一种基于改进micn的光伏功率预测方法

Publications (2)

Publication Number Publication Date
CN116776935A CN116776935A (zh) 2023-09-19
CN116776935B true CN116776935B (zh) 2024-02-23

Family

ID=88010776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310685035.2A Active CN116776935B (zh) 2023-06-09 2023-06-09 一种基于改进micn的光伏功率预测方法

Country Status (1)

Country Link
CN (1) CN116776935B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978613A (zh) * 2015-07-28 2015-10-14 国家电网公司 一种考虑组件温度的光伏出力短期预测方法
CN110046513A (zh) * 2019-04-11 2019-07-23 长安大学 基于Hopfield混沌神经网络的明文关联图像加密方法
CN111079980A (zh) * 2019-11-22 2020-04-28 天合云能源互联网技术(杭州)有限公司 基于自适应分类策略和混合优化svr的光功率预测方法
CN112348271A (zh) * 2020-11-12 2021-02-09 华北电力大学 基于vmd-ipso-gru的短期光伏功率预测方法
US11070056B1 (en) * 2020-03-13 2021-07-20 Dalian University Of Technology Short-term interval prediction method for photovoltaic power output
CN113313306A (zh) * 2021-05-28 2021-08-27 南京航空航天大学 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法
CN114004424A (zh) * 2021-12-21 2022-02-01 南方电网科学研究院有限责任公司 一种光伏功率预测方法、系统、设备及存储介质
CN116187565A (zh) * 2023-02-28 2023-05-30 福州大学 基于改进原子搜索优化bp网络的办公建筑能耗预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104978613A (zh) * 2015-07-28 2015-10-14 国家电网公司 一种考虑组件温度的光伏出力短期预测方法
CN110046513A (zh) * 2019-04-11 2019-07-23 长安大学 基于Hopfield混沌神经网络的明文关联图像加密方法
CN111079980A (zh) * 2019-11-22 2020-04-28 天合云能源互联网技术(杭州)有限公司 基于自适应分类策略和混合优化svr的光功率预测方法
US11070056B1 (en) * 2020-03-13 2021-07-20 Dalian University Of Technology Short-term interval prediction method for photovoltaic power output
CN112348271A (zh) * 2020-11-12 2021-02-09 华北电力大学 基于vmd-ipso-gru的短期光伏功率预测方法
CN113313306A (zh) * 2021-05-28 2021-08-27 南京航空航天大学 一种基于改进灰狼优化算法的弹性神经网络负荷预测方法
CN114004424A (zh) * 2021-12-21 2022-02-01 南方电网科学研究院有限责任公司 一种光伏功率预测方法、系统、设备及存储介质
CN116187565A (zh) * 2023-02-28 2023-05-30 福州大学 基于改进原子搜索优化bp网络的办公建筑能耗预测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
MICN: Multi-scale Local and Global Context Modeling for Long-term Series Forecasting;Huiqiang Wang 等;《ICLR 2023》;全文 *
基于EG-SSMA-DELM的数控铣床刀具RUL预测研究;张天骁 等;《机电工程》;全文 *
基于VMD-SE-LSSVM和迭代误差修正的光伏发电功率预测;余向阳;赵怡茗;杨宁宁;岳同耿日;高春阳;;太阳能学报(02);全文 *
基于一维混沌映射的高效图像加密算法;班多晗;吕鑫;王鑫元;;计算机科学(04);全文 *
基于像素-位水平联合扩散的图像加密算法;吴小博;刘荻;;计算机工程与设计(12);全文 *

Also Published As

Publication number Publication date
CN116776935A (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN111210082B (zh) 一种基于优化的bp神经网络算法的降水量预测方法
CN111859800A (zh) 用于pm2.5浓度分布的时空估算和预测的方法
Zhang et al. Wind speed prediction research considering wind speed ramp and residual distribution
CN113094860B (zh) 一种基于注意力机制的工控网络流量建模方法
CN113205226A (zh) 一种结合注意力机制以及误差修正的光伏功率预测方法
CN113688869B (zh) 一种基于生成对抗网络的光伏数据缺失重构方法
CN112862274A (zh) 一种基于WRF-LES和DeepAR相结合的风功率预测方法
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
Aliberti et al. Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions.
CN114462718A (zh) 基于时间滑动窗口的cnn-gru风电功率预测方法
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
CN113984198B (zh) 一种基于卷积神经网络的短波辐射预测方法及系统
CN114781723A (zh) 一种基于多模型融合的短期光伏出力预测方法
CN113361803A (zh) 基于生成对抗网络的超短期光伏功率预测方法
CN116384583A (zh) 一种基于多神经网络的光伏功率预测方法
CN115561005A (zh) 基于eemd分解和轻量化神经网络的化工过程故障诊断方法
CN114091647A (zh) 一种基于bp神经网络的太阳10.7厘米射电流量预报方法
CN113627674A (zh) 一种分布式光伏电站出力预测方法、装置及存储介质
CN116776935B (zh) 一种基于改进micn的光伏功率预测方法
CN116565864B (zh) 一种基于pca-rbf算法的光伏发电功率预报方法
CN116525135B (zh) 基于气象因素的时空模型对疫情发展态势进行预测的方法
CN113361782A (zh) 基于改进mkpls的光伏发电功率短期滚动预测方法
CN116579509A (zh) 一种基于虚拟现实的光伏发电预测方法
CN116307250A (zh) 一种基于典型日特征选择的短期负荷预测方法及系统
CN112784477A (zh) 一种基于WRF-LES和BP-PSO-Bagging相结合的风功率预测方法

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
GR01 Patent grant
GR01 Patent grant