CN116796194A - 基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法 - Google Patents
基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法 Download PDFInfo
- Publication number
- CN116796194A CN116796194A CN202310771035.4A CN202310771035A CN116796194A CN 116796194 A CN116796194 A CN 116796194A CN 202310771035 A CN202310771035 A CN 202310771035A CN 116796194 A CN116796194 A CN 116796194A
- Authority
- CN
- China
- Prior art keywords
- data
- power station
- idbo
- kelm
- distributed photovoltaic
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000011159 matrix material Substances 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000006243 chemical reaction Methods 0.000 claims abstract description 23
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000010219 correlation analysis Methods 0.000 claims abstract description 8
- 241000254173 Coleoptera Species 0.000 claims description 79
- 210000003608 fece Anatomy 0.000 claims description 79
- 238000005457 optimization Methods 0.000 claims description 42
- 238000012360 testing method Methods 0.000 claims description 27
- 238000001228 spectrum Methods 0.000 claims description 18
- 238000009826 distribution Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 9
- 230000002550 fecal effect Effects 0.000 claims description 6
- 230000002431 foraging effect Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 3
- 101100123117 Nicotiana plumbaginifolia MSR-1 gene Proteins 0.000 claims description 3
- 241000251555 Tunicata Species 0.000 claims description 3
- 229940060587 alpha e Drugs 0.000 claims description 3
- 230000019637 foraging behavior Effects 0.000 claims description 3
- 229940050561 matrix product Drugs 0.000 claims description 3
- 239000008188 pellet Substances 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 241000364483 Lipeurus epsilon Species 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000013480 data collection Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised learning
Abstract
本发明提供基于IDBO‑KELM‑BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法,属于分布式光伏运维数据采集技术领域。包括:根据地理位置进行虚拟采集区域的网格初步划分;利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法,选取出相似电站;建立IDBO‑KELM‑BiGRU神经网络、并进行自监督训练,得到电流‑功率数据转换模型;将待采集分布式光伏电站的待采集电站历史电流数据转换为待采集电站历史光伏输出功率预测数据、并进一步训练IDBO‑KELM‑BiGRU神经网络模型,得到有功功率数据虚拟采集模型;输入待采集分布式光伏电站的采集日实时电流数据,利用有功功率数据虚拟采集模型进行数据拟合,实时得出待采集分布式光伏电站的采集日光伏输出功率预测数据。
Description
技术领域
本发明涉及分布式光伏运维数据采集技术领域,尤其涉及一种基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法。
背景技术
分布式光伏系统由于其安装灵活、环境效益突出、发电与消费并存等特点得到了迅速发展。2023年分布式光伏新增装机容量大大超过集中式光伏。然而,分布式光伏出力具有间歇性强、随机性强的特点,光伏出力特征不光会受到光照等环境条件的影响,还会受到季节、地理区域、时间等其他相关因素的影响,还会与相连的临近光伏形成电力负荷制约,大规模分散无序的接入配电网,仅仅通过增配采集传输控制装备,不仅极大增加了电网和用户的建设成本,也会后续的运维管理增加极大的工作量,如何通过装设有限的分布式光伏采集装备实现全域范围内分布式光伏运行数据“实时+虚拟”采集,达成分布式光伏运行数据的高精度获取是关键点和难点。
当前的分布式光伏功率数据采集方案仅仅针对未来功率的预测与历史数据的修复,对于部分分布式光伏电站只安装了电流采集终端、未安装功率采集终端的情况,现有技术并未涉及基于实时电流数据的有功功率虚拟采集与预测。
发明内容
有鉴于此,本发明提供一种基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法,提供对于只安装了电流采集终端、未安装功率采集终端的分布式光伏电站的实施有功功率预测方案。
本发明实施例解决其技术问题所采用的技术方案是:
一种基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法,包括:
步骤S1,根据地理位置,进行虚拟采集区域的网格初步划分;
步骤S2,利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法,选取出待采集分布式光伏电站的相似电站;
步骤S3,建立IDBO-KELM-BiGRU神经网络、并利用各个所述相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据进行自监督训练,得到电流-功率数据转换模型,所述IDBO-KELM-BiGRU神经网络中采用改进的蜣螂优化算法IDBO优化KELM神经网络的超参数;
步骤S4,利用所述电流-功率数据转换模型,将所述待采集分布式光伏电站的待采集电站历史电流数据转换为待采集电站历史光伏输出功率预测数据、并进一步训练所述IDBO-KELM-BiGRU神经网络模型,得到有功功率数据虚拟采集模型;
步骤S5,输入所述待采集分布式光伏电站的采集日实时电流数据,利用所述有功功率数据虚拟采集模型进行数据拟合,实时得出所述待采集分布式光伏电站的采集日光伏输出功率预测数据。
较优地,所述步骤S1根据地理位置,进行虚拟采集区域的网格初步划分,划分规则为:
所述虚拟采集区域中,对于位于海拔1公里以下的分布式光伏电站区域,按照单位面积为1km×1km进行划分;对于位于海拔1.5公里以上的分布式光伏电站区域,按照单位面积为3km×3km进行划分;所述虚拟采集区域被初步划分为A个子区域。
较优地,所述步骤S2利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法,选取出待采集分布式光伏电站的相似电站,具体步骤包括:
步骤S21,创建所述待采集分布式光伏电站所在的子区域中各分布式光伏电站的电流数据的随机矩阵Z:
其中,历史日数量为n,m为历史电流数据时间序列总长度,每个历史日各采集时刻的电流数据分别为z11,z12,…,z1n,…,zm1,zm2,…,zmn,m取值为96;
步骤S22,基于所述矩阵Z选取实时滑动时间窗,得到的时间窗矩阵Zi,其中,实时滑动时间窗口长度为Nw、宽度为Iw,即每次采样向后平移一个采样点,i时刻的实时滑动时间窗包含i时刻的当前数据和Iw-1个相邻的历史数据:
式中表示i时刻采集到的第Nw个电流数据,Nw=n,Iw=m;
步骤S23,将所述矩阵Zi进行标准化处理得到标准化矩阵标准化处理规则为:
式中,为所述标准矩阵/>的第i行j列的元素,zi,j表示所述矩阵Zi第i行j列的光伏输出功率实际值,μ(zj)和σ(zj)分别为zj的均值与标准差,/>和/>分别为/>的均值与标准差,且/>zj表示所述矩阵Zi的第j列矩阵,/>表示所述矩阵/>的第j列矩阵;
步骤S24,根据所述矩阵得出奇异值等价矩阵并作标准化操作,得到n个标准矩阵Zu;
式中,表示标准化矩阵/>的共轭转置矩阵,U为Haar酉矩阵;
步骤S25,计算出n个标准矩阵Zu的乘积即标准非Hermitian矩阵积
步骤S26,计算出所述标准非Hermitian矩阵积的标准矩阵S,其中:
式中,j∈[1,n]表示所述矩阵积的列数,sj表示所述标准矩阵S的各列元素,/>表示所述矩阵积/>的各列元素,/>表示所述矩阵积/>第j列元素的标准差;
步骤S27,计算所述标准矩阵S在i时刻的平均谱半径MSR统计量RMSR,i:
式中,q∈[1,N],N代表特征根的数量;λq表示所述标准矩阵S的特征根;
步骤S28,按照时序滑动时间窗,构建所述分布式光伏电站的实时平均谱半径特征数据集RMSR-c,其中,RMSR-c={RMSR-c,1,RMSR-c,2,…,RMSR-c,m},c∈[1,r],所述子区域中分布式光伏电站的数量为r;得到所述子区域的平均谱半径特征数据集R’,R’={RMSR-1,RMSR-2,…,RMSR-r};
步骤S29,将所述平均谱半径特征数据集R’中各个元素均作为时间序列,令时间序列o代表所述待采集分布式光伏电站所对应的时间序列,时间序列e代表所述平均谱半径特征数据集R’中的一个非待采集分布式光伏电站所对应的时间序列:
步骤S210,根据欧式距离度量找到规整路径W,其中,o和e的欧式距离度量表示为:
τ(m,m)=(om-em)2
W={w1,w2,...,wk}
式中wk为平均谱半径特征数据时序曲线中各点对的最短距离点对;
步骤S211,计算所述时间序列o和所述时间序列e的相似度DTW(o,e):
步骤S212,将计算出的各个相似度值进行从大到小排序,选取前十个相似度值所对应非待采集分布式光伏电站作为所述相似电站。
较优地,所述步骤S3中所述KELM神经网络的超参数包括KELM的内部正则化系数和核函数参数。
较优地,所述步骤S3建立IDBO-KELM-BiGRU神经网络、并利用各个所述相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据进行自监督训练,得到电流-功率数据转换模型包括:
步骤S31,建立电流-功率数据转换模型数据集并分为第一训练集、第一验证集和第一测试集,所述电流-功率数据转换模型数据集包括所有所述相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据;
步骤S32,利用所述第一训练集对所述KELM-BiGRU神经网络模型进行自监督训练,其中,所述相似电站历史电流数据作为输入数据,所述相似电站历史光伏输出功率数据作为模型输出的预测功率数据的参照对象;
步骤S33,利用所述第一验证集预测结果的均方根误差作为适应度函数,通过所述改进的蜣螂优化算法IDBO对进行超参数优化,使均方根误差最小;
步骤S34,初始化蜣螂种群规模,蜣螂种群维度,确定最大迭代次数以及内部正则化系数和核函数参数的搜索范围;
步骤S35,随机产生蜣螂种群位置,计算各个蜣螂种群对应的适应度值,选取适应度最优的蜣螂个体位置,并更新当前蜣螂位置;
步骤S36,重复步骤S35直至到达最大迭代次数,记录最佳位置,此时蜣螂最佳位置坐标为通过所述改进的蜣螂优化算法IDBO得到的最佳超参数;
步骤S37,将利用所述改进的蜣螂优化算法IDBO优化得到的KELM神经网络超参数代入所述第一测试集,利用所述第一测试集测试所述IDBO-KELM-BiGRU神经网络模型,当平均绝对百分比误差小于等于5%时,完成训练,得到所述电流-功率数据转换模型;
步骤S38,输出平均绝对百分比误差γMAPE以评估效果,其中:
式中,NT表示测试样本的数量;和yi分别表示分布式光伏输出功率的虚拟采集数值和真实值。
较优地,所述步骤S32利用改进的蜣螂优化算法IDBO优化KELM网络神经参数包括:
步骤S321,设置改进蜣螂算法初始值:最大迭代次数IMAX,种群规模N,种群维度Dim;
步骤S322:模拟滚球行为,位置更新公式为:
xi(g+1)=xi(g)+α×k×xi(g-1)+b×Δx,
Δx=|xi(g)-Xworst|
式中g为当前迭代次数;xi(g)为第i只蜣螂在第g次迭代中的位置;k为偏转系数常量,k∈(0,0.2];α是自然系数,α∈(0,1);b为一个常量,b∈(0,1);Xworst为全局最差解;△x模拟光强的变化;
步骤S323,模拟舞蹈行为,位置更新公式为:
式中,θ为偏转角,θ∈[0,π];Levy分布模拟公式如下式所示:
其中,u和v均服从正态分布,β=1.5;
步骤S324,模拟蜣螂产卵的区域边界选择策略:
Lb*=max(X*×(1-R),Lb)
Ub*=min(X*×(1+R),Ub)
式中X*为当前最优的位置;Ub*和Lb*为雌蜣螂产卵区的上边界与下边界;Gmax为最大迭代次数;Ub和Lb为优化问题的上边界与下边界;
步骤S325,受到樽海鞘群算法的启发,模拟繁殖行为,其中,使用牛顿运动定律更新策略代替随机数,粪球的位置更新公式为:
式中Bi(g)为第i个粪球在第g次迭代中的位置;b1和b2为两个独立的大小为的随机向量;D为优化问题的维度;l∈random(-1,1);k=5;
步骤S326:模拟蜣螂觅食区域边界选择策略,定义为:
Lbb=max(Xb×(1-R),Lb)
Ubb=min(Xb×(1+R),Ub)
式中Xb为全局最优的位置;Ubb和Lbb为最佳觅食区域的上边界与下边界;
步骤S327,模拟觅食行为,引入自适应权重因子,蜣螂觅食者的位置更新公式为:
xi(g+1)=xi(g)+C1×ω×(xi(g)-Lbb)+C2×ω×(xi(g)-Ubb)
式中xi(g)为第i个蜣螂觅食者在第g次迭代中的位置;C1为服从正态分布的随机数;C2为(0,1)范围内的随机向量;
步骤S328,模拟偷窃行为,位置更新公式为:
xi(g+1)=Xb+S×m×(|xi(g)-X*|+|xi(g)-Xb|)
式中xi(g)为第i个蜣螂偷窃者在第g次迭代中的位置;S为常量;m为大小为1×D的服从正态分布的随机向量;
步骤S329,根据蜣螂群体适应度值,找出优化后蜣螂个体的最佳位置;
步骤S3210,判断是否达到最大搜索次数或者满足搜索精度,若达到最大搜索次数或者满足搜索精度,则转入步骤S3211,否则返回至执行步骤S322;
步骤S3211,输出全局最优解,算法结束。
较优地,所述步骤S4包括:
步骤S41,利用所述电流-功率数据转换模型将所述待采集分布式光伏电站的待采集电站历史电流数据转换为待采集电站历史功率预测数据,建立有功功率数据虚拟采集模型数据集并分为第二训练集、第二验证集和第二测试集,所述有功功率数据虚拟采集模型数据集包括所有所述相似电站历史电流数据、所有所述相似电站历史光伏输出功率数据、所述待采集电站历史电流数据、所述待采集电站历史光伏输出功率预测数据;
步骤S42,利用所述第二训练集对所述KELM-BiGRU神经网络模型进行自监督训练,得到所述第二训练集下的预测误差;
步骤S43,利用所述第二验证集预测结果的均方根误差作为适应度函数,利用所述改进的蜣螂优化算法IDBO进行优化,使均方根误差最小;
步骤S44,重复步骤S33-步骤S36得到所述改进的蜣螂优化算法IDBO优化后的最佳超参数;
步骤S45,将利用所述改进的蜣螂优化算法IDBO优化得到的KELM神经网络超参数代入所述第二测试集,利用所述第二测试集测试所述IDBO-KELM-BiGRU神经网络模型,当平均绝对百分比误差小于等于3%时,完成训练,得到所述有功功率数据虚拟采集模型,并得到最后的预测结果。
由上述技术方案可知,本发明实施例提供的基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法,首先根据地理位置,进行虚拟采集区域的网格初步划分;利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法,选取出待采集分布式光伏电站的相似电站;建立IDBO-KELM-BiGRU神经网络、并利用各个相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据进行自监督训练,得到电流-功率数据转换模型;利用电流-功率数据转换模型,将待采集分布式光伏电站的待采集电站历史电流数据转换为待采集电站历史光伏输出功率预测数据、并进一步训练IDBO-KELM-BiGRU神经网络模型,得到有功功率数据虚拟采集模型;输入待采集分布式光伏电站的采集日实时电流数据,利用有功功率数据虚拟采集模型进行数据拟合,实时得出待采集分布式光伏电站的采集日光伏输出功率预测数据。本发明可实现对于只安装了电流采集终端、未安装功率采集终端的分布式光伏电站的实施有功功率预测,达成区域、台区、小区等范围内有限个智能融合终端完成全范围数据采集,降低采集成本。
附图说明
图1为本法明的基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法的流程图。
图2为本发明的基于随机矩阵理论与IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集框架图。
图3为本发明的改进的蜣螂优化算法流程图。
具体实施方式
以下结合本发明的附图,对本发明的技术方案以及技术效果做进一步的详细阐述。
针对于部分分布式光伏电站具备电流采集终端、但不具备功率采集终端的情况,即文中的待采集的分布式光伏电站,不能支持系统直接采集功率数据,本发明针对无法直接系统采集功率数据的问题而提出的系统化虚拟采集方案,借鉴以上经验并结合实际项目工程的需求,提出一种基于随机矩阵理论与IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集技术。
如图1所示的基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法的流程图,以及一并参照图2所示的框架图,本发明的实施步骤具体包括:
步骤S1,根据地理位置,进行虚拟采集区域的网格初步划分;
步骤S2,利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法,选取出待采集分布式光伏电站的相似电站;
步骤S3,建立IDBO-KELM-BiGRU神经网络、并利用各个相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据进行自监督训练,得到电流-功率数据转换模型,IDBO-KELM-BiGRU神经网络中采用改进的蜣螂优化算法IDBO优化KELM神经网络的超参数,以实现相似电站的历史电流数据与历史光伏输出功率数据的拟合;这里,IDBO-KELM-BiGRU神经网络模型是指蜣螂优化算法模型和KELM-BiGRU神经网络模型的结合,IDBO用于优化超参数,KELM-BiGRU用于训练;
步骤S4,利用电流-功率数据转换模型,将待采集分布式光伏电站的待采集电站历史电流数据转换为待采集电站历史光伏输出功率预测数据、并进一步训练IDBO-KELM-BiGRU神经网络模型,得到有功功率数据虚拟采集模型;
步骤S5,输入待采集分布式光伏电站的采集日实时电流数据,利用有功功率数据虚拟采集模型进行数据拟合,实时得出待采集分布式光伏电站的采集日光伏输出功率预测数据。
步骤S1基于地理位置划分虚拟采集区域,划分规则为:
虚拟采集区域中,对于位于海拔1公里以下的分布式光伏电站区域,按照单位面积为1km×1km进行划分;对于位于海拔1.5公里以上的分布式光伏电站区域,按照单位面积为3km×3km进行划分;虚拟采集区域被初步划分为A个子区域。待采集的分布式光伏电站即位于其中一个子区域中。
步骤S2利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法,选取出待采集分布式光伏电站的相似电站,具体步骤包括:
步骤S21,创建待采集分布式光伏电站所在的子区域中各分布式光伏电站的电流数据的随机矩阵Z:
其中,历史日数量为n,m为历史电流数据时间序列总长度,每个历史日各采集时刻的电流数据分别为z11,z12,…,z1n,…,zm1,zm2,…,zmn,m取值为96;
步骤S22,基于矩阵Z选取实时滑动时间窗,得到的时间窗矩阵Zi,其中,实时滑动时间窗口长度为Nw、宽度为Iw,即每次采样向后平移一个采样点,i时刻的实时滑动时间窗包含i时刻的当前数据和Iw-1个相邻的历史数据:
式中表示i时刻采集到的第Nw个电流数据,Nw=n,Iw=m;
步骤S23,将矩阵Zi进行标准化处理得到标准化矩阵标准化处理规则为:
式中,为标准矩阵/>的第i行j列的元素,zi,j表示矩阵Zi第i行j列的光伏输出功率实际值,μ(zj)和σ(zj)分别为zj的均值与标准差,/>和/>分别为/>的均值与标准差,且/>zj表示矩阵Zi的第j列矩阵,/>表示矩阵/>的第j列矩阵;
步骤S24,根据矩阵得出奇异值等价矩阵并作标准化操作,得到n个标准矩阵Zu;
式中,表示标准化矩阵/>的共轭转置矩阵,U为Haar酉矩阵;
步骤S25,计算出n个标准矩阵Zu的乘积即标准非Hermitian矩阵积
步骤S26,计算出标准非Hermitian矩阵积的标准矩阵S,其中:
式中,j∈[1,n]表示矩阵积的列数,sj表示标准矩阵S的各列元素,/>表示矩阵积的各列元素,/>表示矩阵积/>第j列元素的标准差;
步骤S27,计算标准矩阵S在i时刻的平均谱半径MSR统计量RMSR,i:
式中,q∈[1,N],N代表特征根的数量;λq表示标准矩阵S的特征根;
步骤S28,按照时序滑动时间窗,构建分布式光伏电站的实时平均谱半径特征数据集RMSR-c,其中,RMSR-c={RMSR-c,1,RMSR-c,2,…,RMSR-c,m},c∈[1,r],子区域中分布式光伏电站的数量为r;得到子区域的平均谱半径特征数据集R’,R’={RMSR-1,RMSR-2,…,RMSR-r};
步骤S29,将平均谱半径特征数据集R’中各个元素均作为时间序列,令时间序列o代表待采集分布式光伏电站所对应的时间序列,时间序列e代表平均谱半径特征数据集R’中的一个非待采集分布式光伏电站所对应的时间序列:
步骤S210,根据欧式距离度量找到规整路径W,其中,o和e的欧式距离度量表示为:
τ(m,m)=(om-em)2 (10)
W={w1,w2,...,wk} (11)
式中wk为平均谱半径特征数据时序曲线中各点对的最短距离点对;
步骤S211,计算时间序列o和时间序列e的相似度DTW(o,e):
步骤S212,将计算出的各个相似度值进行从大到小排序,选取前十个相似度值所对应非待采集分布式光伏电站作为相似电站。
步骤S3中KELM神经网络的超参数包括KELM的内部正则化系数和核函数参数。步骤S3建立IDBO-KELM-BiGRU神经网络、并利用各个相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据进行自监督训练,得到电流-功率数据转换模型包括:
步骤S31,建立电流-功率数据转换模型数据集并分为第一训练集、第一验证集和第一测试集,电流-功率数据转换模型数据集包括所有相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据;由于邻近的区域内电压等级几乎相同,所以分布式光伏电站的电流数据变化趋势与输出功率变化趋势相似;
步骤S32,利用第一训练集对KELM-BiGRU神经网络模型进行自监督训练,其中,相似电站历史电流数据作为输入数据,相似电站历史光伏输出功率数据作为模型输出的预测功率数据的参照对象;
步骤S33,利用第一验证集预测结果的均方根误差作为适应度函数,通过改进的蜣螂优化算法IDBO对进行超参数优化,使均方根误差最小;
步骤S34,初始化蜣螂种群规模,蜣螂种群维度,确定最大迭代次数以及内部正则化系数和核函数参数的搜索范围;
步骤S35,随机产生蜣螂种群位置,计算各个蜣螂种群对应的适应度值,选取适应度最优的蜣螂个体位置,并更新当前蜣螂位置;
步骤S36,重复步骤S35直至到达最大迭代次数,记录最佳位置,此时蜣螂最佳位置坐标为通过改进的蜣螂优化算法IDBO得到的最佳参数;
步骤S37,将利用改进的蜣螂优化算法IDBO优化得到的KELM神经网络超参数代入第一测试集,利用第一测试集测试IDBO-KELM-BiGRU神经网络模型,当平均绝对百分比误差小于等于5%时,完成训练,得到电流-功率数据转换模型。
步骤S38,输出平均绝对百分比误差γMAPE以评估效果,其中:
式中,NT表示测试样本的数量;和yi分别表示分布式光伏输出功率的虚拟采集数值和真实值。
请一并参照图3,步骤S32利用改进的蜣螂优化算法IDBO优化KELM网络神经参数包括:
步骤S321,设置改进蜣螂算法初始值:最大迭代次数IMAX,种群规模N,种群维度Dim;
步骤S322:模拟滚球行为,位置更新公式为:
xi(g+1)=xi(g)+α×k×xi(g-1)+b×Δx,
Δx=|xi(g)-Xworst| (14)
式中g为当前迭代次数;xi(g)为第i只蜣螂在第g次迭代中的位置;k为偏转系数常量,k∈(0,0.2];α是自然系数,α∈(0,1);b为一个常量,b∈(0,1);Xworst为全局最差解;△x模拟光强的变化;
步骤S323,模拟舞蹈行为,位置更新公式为:
式中,θ为偏转角,θ∈[0,π];Levy分布模拟公式如下式所示:
其中,u和v均服从正态分布,β=1.5;
步骤S324,模拟蜣螂产卵的区域边界选择策略:
式中X*为当前最优的位置;Ub*和Lb*为雌蜣螂产卵区的上边界与下边界;Gmax为最大迭代次数;Ub和Lb为优化问题的上边界与下边界;
步骤S325,受到樽海鞘群算法的启发,模拟繁殖行为,其中,使用牛顿运动定律更新策略代替随机数,粪球的位置更新公式为:
式中Bi(g)为第i个粪球在第g次迭代中的位置;b1和b2为两个独立的大小为的随机向量;D为优化问题的维度;l∈random(-1,1);k=5;
步骤S326:模拟蜣螂觅食区域边界选择策略,定义为:
式中Xb为全局最优的位置;Ubb和Lbb为最佳觅食区域的上边界与下边界;
步骤S327,模拟觅食行为,引入自适应权重因子,蜣螂觅食者的位置更新公式为:
xi(g+1)=xi(g)+C1×ω×(xi(g)-Lbb)+C2×ω×(xi(g)-Ubb) (23)
式中xi(g)为第i个蜣螂觅食者在第g次迭代中的位置;C1为服从正态分布的随机数;C2为(0,1)范围内的随机向量。
步骤S328,模拟偷窃行为,位置更新公式为:
xi(g+1)=Xb+S×m×(|xi(g)-X*|+|xi(g)-Xb|) (24)
式中xi(g)为第i个蜣螂偷窃者在第g次迭代中的位置;S为常量;m为大小为1×D的服从正态分布的随机向量。
步骤S329,根据蜣螂群体适应度值,找出优化后蜣螂个体的最佳位置;
步骤S3210,判断是否达到最大搜索次数或者满足搜索精度,若达到最大搜索次数或者满足搜索精度,则转入步骤S3211,否则返回至执行步骤S322;
步骤S3211:输出全局最优解,算法结束。
进一步地,步骤S4的具体实施包括:
步骤S41,利用电流-功率数据转换模型将待采集分布式光伏电站的待采集电站历史电流数据转换为待采集电站历史功率预测数据,建立有功功率数据虚拟采集模型数据集并分为第二训练集、第二验证集和第二测试集,有功功率数据虚拟采集模型数据集包括所有相似电站历史电流数据、所有相似电站历史光伏输出功率数据、待采集电站历史电流数据、待采集电站历史光伏输出功率预测数据;
步骤S42,利用第二训练集对KELM-BiGRU神经网络模型进行自监督训练,得到第二训练集下的预测误差;
步骤S43,利用第二验证集预测结果的均方根误差作为适应度函数,利用改进的蜣螂优化算法IDBO进行优化,使均方根误差最小;
步骤S44,重复步骤S33-步骤S36得到改进的蜣螂优化算法IDBO优化后的最佳超参数;
步骤S45,将利用改进的蜣螂优化算法IDBO优化得到的KELM神经网络超参数代入第二测试集,利用第二测试集测试IDBO-KELM-BiGRU神经网络模型,当平均绝对百分比误差小于等于3%时,完成训练,得到有功功率数据虚拟采集模型,并得到最后的预测结果。
综上所述,本发明提出了一种基于随机矩阵理论与IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集技术。首先通过划分网格化区域,消除了外界环境对虚拟采集的影响,在仅标杆电站配置功率采集装置,其他分布式光伏电站功率测量装置与环境信息不完备的前提下,通过IDBO-KELM-BiGRU神经网络预测标杆电站功率,并基于随机矩阵理论预测网格区域其他分布式光伏电站的功率,解决了分布式光伏出力间歇性强、随机性强,以及与相连的临近光伏形成电力负荷制约的问题,降低了电网和用户的建设成本,也大大减少了后续的运维管理工作量。针对蜣螂优化算法,提出了一种改进蜣螂优化算法,分别引入levy飞行策略、螺旋位置更新策略、自适应权重因子以及t分布变异策略,有效解决了粒子因陷入局部最优而早熟收敛的问题,解决了传统蜣螂优化算法优化KELM-BiGRU神经网络神经网络的权值与阈值精度低的问题。
本发明的方案能够实现分布式光伏运行数据的低成本、高效率获取,达成区域、台区、小区等范围内有限个智能融合终端完成全范围数据采集,降低采集成本。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (7)
1.一种基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法,其特征在于,包括:
步骤S1,根据地理位置,进行虚拟采集区域的网格初步划分;
步骤S2,利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法,选取出待采集分布式光伏电站的相似电站;
步骤S3,建立IDBO-KELM-BiGRU神经网络、并利用各个所述相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据进行自监督训练,得到电流-功率数据转换模型,所述IDBO-KELM-BiGRU神经网络中采用改进的蜣螂优化算法IDBO优化KELM神经网络的超参数;
步骤S4,利用所述电流-功率数据转换模型,将所述待采集分布式光伏电站的待采集电站历史电流数据转换为待采集电站历史光伏输出功率预测数据、并进一步训练所述IDBO-KELM-BiGRU神经网络模型,得到有功功率数据虚拟采集模型;
步骤S5,输入所述待采集分布式光伏电站的采集日实时电流数据,利用所述有功功率数据虚拟采集模型进行数据拟合,实时得出所述待采集分布式光伏电站的采集日光伏输出功率预测数据。
2.如权利要求1所述的基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法,其特征在于,所述步骤S1根据地理位置,进行虚拟采集区域的网格初步划分,划分规则为:
所述虚拟采集区域中,对于位于海拔1公里以下的分布式光伏电站区域,按照单位面积为1km×1km进行划分;对于位于海拔1.5公里以上的分布式光伏电站区域,按照单位面积为3km×3km进行划分;所述虚拟采集区域被初步划分为A个子区域。
3.如权利要求2所述的基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法,其特征在于,所述步骤S2利用随机矩阵理论及动态时间规整DTW聚类算法的相关性分析方法,选取出待采集分布式光伏电站的相似电站,具体步骤包括:
步骤S21,创建所述待采集分布式光伏电站所在的子区域中各分布式光伏电站的电流数据的随机矩阵Z:
其中,历史日数量为n,m为历史电流数据时间序列总长度,每个历史日各采集时刻的电流数据分别为z11,z12,…,z1n,…,zm1,zm2,…,zmn,m取值为96;
步骤S22,基于所述矩阵Z选取实时滑动时间窗,得到的时间窗矩阵Zi,其中,实时滑动时间窗口长度为Nw、宽度为Iw,即每次采样向后平移一个采样点,i时刻的实时滑动时间窗包含i时刻的当前数据和Iw-1个相邻的历史数据:
式中表示i时刻采集到的第Nw个电流数据,Nw=n,Iw=m;
步骤S23,将所述矩阵Zi进行标准化处理得到标准化矩阵标准化处理规则为:
式中,为所述标准矩阵/>的第i行j列的元素,zi,j表示所述矩阵Zi第i行j列的光伏输出功率实际值,μ(zj)和σ(zj)分别为zj的均值与标准差,/>和/>分别为/>的均值与标准差,且/>zj表示所述矩阵Zi的第j列矩阵,/>表示所述矩阵/>的第j列矩阵;
步骤S24,根据所述矩阵得出奇异值等价矩阵并作标准化操作,得到n个标准矩阵Zu;
式中,表示标准化矩阵/>的共轭转置矩阵,U为Haar酉矩阵;
步骤S25,计算出n个标准矩阵Zu的乘积即标准非Hermitian矩阵积
步骤S26,计算出所述标准非Hermitian矩阵积的标准矩阵S,其中:
式中,j∈[1,n]表示所述矩阵积的列数,sj表示所述标准矩阵S的各列元素,/>表示所述矩阵积/>的各列元素,/>表示所述矩阵积/>第j列元素的标准差;
步骤S27,计算所述标准矩阵S在i时刻的平均谱半径MSR统计量RMSR,i:
式中,q∈[1,N],N代表特征根的数量;λq表示所述标准矩阵S的特征根;
步骤S28,按照时序滑动时间窗,构建所述分布式光伏电站的实时平均谱半径特征数据集RMSR-c,其中,RMSR-c={RMSR-c,1,RMSR-c,2,…,RMSR-c,m},c∈[1,r],所述子区域中分布式光伏电站的数量为r;得到所述子区域的平均谱半径特征数据集R’,R’={RMSR-1,RMSR-2,…,RMSR-r};
步骤S29,将所述平均谱半径特征数据集R’中各个元素均作为时间序列,令时间序列o代表所述待采集分布式光伏电站所对应的时间序列,时间序列e代表所述平均谱半径特征数据集R’中的一个非待采集分布式光伏电站所对应的时间序列:
步骤S210,根据欧式距离度量找到规整路径W,其中,o和e的欧式距离度量表示为:
τ(m,m)=(om-em)2
W={w1,w2,...,wk}
式中wk为平均谱半径特征数据时序曲线中各点对的最短距离点对;
步骤S211,计算所述时间序列o和所述时间序列e的相似度DTW(o,e):
步骤S212,将计算出的各个相似度值进行从大到小排序,选取前十个相似度值所对应非待采集分布式光伏电站作为所述相似电站。
4.如权利要求3所述的基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法,其特征在于,所述步骤S3中所述KELM神经网络的超参数包括KELM的内部正则化系数和核函数参数。
5.如权利要求4所述的基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法,其特征在于,所述步骤S3建立IDBO-KELM-BiGRU神经网络、并利用各个所述相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据进行自监督训练,得到电流-功率数据转换模型包括:
步骤S31,建立电流-功率数据转换模型数据集并分为第一训练集、第一验证集和第一测试集,所述电流-功率数据转换模型数据集包括所有所述相似电站的相似电站历史电流数据和相似电站历史光伏输出功率数据;
步骤S32,利用所述第一训练集对所述KELM-BiGRU神经网络模型进行自监督训练,其中,所述相似电站历史电流数据作为输入数据,所述相似电站历史光伏输出功率数据作为模型输出的预测功率数据的参照对象;
步骤S33,利用所述第一验证集预测结果的均方根误差作为适应度函数,通过所述改进的蜣螂优化算法IDBO对进行超参数优化,使均方根误差最小;
步骤S34,初始化蜣螂种群规模,蜣螂种群维度,确定最大迭代次数以及内部正则化系数和核函数参数的搜索范围;
步骤S35,随机产生蜣螂种群位置,计算各个蜣螂种群对应的适应度值,选取适应度最优的蜣螂个体位置,并更新当前蜣螂位置;
步骤S36,重复步骤S35直至到达最大迭代次数,记录最佳位置,此时蜣螂最佳位置坐标为通过所述改进的蜣螂优化算法IDBO得到的最佳超参数;
步骤S37,将利用所述改进的蜣螂优化算法IDBO优化得到的KELM神经网络超参数代入所述第一测试集,利用所述第一测试集测试所述IDBO-KELM-BiGRU神经网络模型,当平均绝对百分比误差小于等于5%时,完成训练,得到所述电流-功率数据转换模型;
步骤S38,输出平均绝对百分比误差γMAPE以评估效果,其中:
式中,NT表示测试样本的数量;和yi分别表示分布式光伏输出功率的虚拟采集数值和真实值。
6.如权利要求5所述的基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法,其特征在于,所述步骤S32利用改进的蜣螂优化算法IDBO优化KELM网络神经参数包括:
步骤S321,设置改进蜣螂算法初始值:最大迭代次数IMAX,种群规模N,种群维度Dim;
步骤S322:模拟滚球行为,位置更新公式为:
xi(g+1)=xi(g)+α×k×xi(g-1)+b×Δx,
Δx=|xi(g)-Xworst|
式中g为当前迭代次数;xi(g)为第i只蜣螂在第g次迭代中的位置;k为偏转系数常量,k∈(0,0.2];α是自然系数,α∈(0,1);b为一个常量,b∈(0,1);Xworst为全局最差解;△x模拟光强的变化;
步骤S323,模拟舞蹈行为,位置更新公式为:
式中,θ为偏转角,θ∈[0,π];Levy分布模拟公式如下式所示:
其中,u和v均服从正态分布,β=1.5;
步骤S324,模拟蜣螂产卵的区域边界选择策略:
Lb*=max(X*×(1-R),Lb)
Ub*=min(X*×(1+R),Ub)
式中X*为当前最优的位置;Ub*和Lb*为雌蜣螂产卵区的上边界与下边界;Gmax为最大迭代次数;Ub和Lb为优化问题的上边界与下边界;
步骤S325,受到樽海鞘群算法的启发,模拟繁殖行为,其中,使用牛顿运动定律更新策略代替随机数,粪球的位置更新公式为:
式中Bi(g)为第i个粪球在第g次迭代中的位置;b1和b2为两个独立的大小为的随机向量;D为优化问题的维度;l∈random(-1,1);k=5;
步骤S326:模拟蜣螂觅食区域边界选择策略,定义为:
Lbb=max(Xb×(1-R),Lb)
Ubb=min(Xb×(1+R),Ub)
式中Xb为全局最优的位置;Ubb和Lbb为最佳觅食区域的上边界与下边界;
步骤S327,模拟觅食行为,引入自适应权重因子,蜣螂觅食者的位置更新公式为:
xi(g+1)=xi(g)+C1×ω×(xi(g)-Lbb)+C2×ω×(xi(g)-Ubb)
式中xi(g)为第i个蜣螂觅食者在第g次迭代中的位置;C1为服从正态分布的随机数;C2为(0,1)范围内的随机向量;
步骤S328,模拟偷窃行为,位置更新公式为:
xi(g+1)=Xb+S×m×(|xi(g)-X*|+|xi(g)-Xb|)
式中xi(g)为第i个蜣螂偷窃者在第g次迭代中的位置;S为常量;m为大小为1×D的服从正态分布的随机向量;
步骤S329,根据蜣螂群体适应度值,找出优化后蜣螂个体的最佳位置;
步骤S3210,判断是否达到最大搜索次数或者满足搜索精度,若达到最大搜索次数或者满足搜索精度,则转入步骤S3211,否则返回至执行步骤S322;
步骤S3211,输出全局最优解,算法结束。
7.如权利要求6所述的基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法,其特征在于,所述步骤S4包括:
步骤S41,利用所述电流-功率数据转换模型将所述待采集分布式光伏电站的待采集电站历史电流数据转换为待采集电站历史功率预测数据,建立有功功率数据虚拟采集模型数据集并分为第二训练集、第二验证集和第二测试集,所述有功功率数据虚拟采集模型数据集包括所有所述相似电站历史电流数据、所有所述相似电站历史光伏输出功率数据、所述待采集电站历史电流数据、所述待采集电站历史光伏输出功率预测数据;
步骤S42,利用所述第二训练集对所述KELM-BiGRU神经网络模型进行自监督训练,得到所述第二训练集下的预测误差;
步骤S43,利用所述第二验证集预测结果的均方根误差作为适应度函数,利用所述改进的蜣螂优化算法IDBO进行优化,使均方根误差最小;
步骤S44,重复步骤S33-步骤S36得到所述改进的蜣螂优化算法IDBO优化后的最佳超参数;
步骤S45,将利用所述改进的蜣螂优化算法IDBO优化得到的KELM神经网络超参数代入所述第二测试集,利用所述第二测试集测试所述IDBO-KELM-BiGRU神经网络模型,当平均绝对百分比误差小于等于3%时,完成训练,得到所述有功功率数据虚拟采集模型,并得到最后的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771035.4A CN116796194A (zh) | 2023-06-27 | 2023-06-27 | 基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310771035.4A CN116796194A (zh) | 2023-06-27 | 2023-06-27 | 基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116796194A true CN116796194A (zh) | 2023-09-22 |
Family
ID=88039816
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310771035.4A Pending CN116796194A (zh) | 2023-06-27 | 2023-06-27 | 基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796194A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117039894A (zh) * | 2023-10-09 | 2023-11-10 | 国家电投集团江西电力工程有限公司 | 基于改进蜣螂优化算法的光伏功率短期预测方法及系统 |
-
2023
- 2023-06-27 CN CN202310771035.4A patent/CN116796194A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117039894A (zh) * | 2023-10-09 | 2023-11-10 | 国家电投集团江西电力工程有限公司 | 基于改进蜣螂优化算法的光伏功率短期预测方法及系统 |
CN117039894B (zh) * | 2023-10-09 | 2024-04-05 | 国家电投集团江西电力工程有限公司 | 基于改进蜣螂优化算法的光伏功率短期预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109711620B (zh) | 一种基于gru神经网络和迁移学习的短期电力负荷预测方法 | |
CN109492822B (zh) | 空气污染物浓度时空域关联预测方法 | |
CN113762603B (zh) | 基于改进麻雀算法优化的光伏基站短期光伏功率预测方法 | |
CN110866592B (zh) | 模型训练方法、装置、能效预测方法、装置和存储介质 | |
CN110751318A (zh) | 一种基于ipso-lstm的超短期电力负荷预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN116796194A (zh) | 基于IDBO-KELM-BiGRU神经网络的分布式光伏电站有功功率虚拟采集方法 | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
CN115310782A (zh) | 一种基于神经图灵机的电力用户需求响应潜力评估方法及装置 | |
Li et al. | A dual-optimization wind speed forecasting model based on deep learning and improved dung beetle optimization algorithm | |
CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
CN108537581B (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
CN117039894B (zh) | 基于改进蜣螂优化算法的光伏功率短期预测方法及系统 | |
CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
CN117313795A (zh) | 一种基于改进dbo-lstm的智慧楼宇能耗预测方法 | |
CN116167508B (zh) | 一种基于气象因素分解的短期光伏出力快速预测方法及系统 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
Wang et al. | Ultra-short-term regional PV power forecasting based on fluctuation pattern recognition with satellite images | |
Zhang et al. | Short-Term Load Forecasting Based on DBO-LSTM Model | |
Lv et al. | Research on short-term load forecasting approach for smart grid | |
CN110991083B (zh) | 一种光伏电站模型确定方法、装置、设备及储存介质 | |
CN113283638A (zh) | 一种基于融合模型的负荷极值曲线预测方法及系统 | |
Dunea et al. | Artificial neural networks as support for leaf area modelling in crop canopies |
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 |