CN117217374A - 基于dbo-elm的短期风电功率预测方法 - Google Patents
基于dbo-elm的短期风电功率预测方法 Download PDFInfo
- Publication number
- CN117217374A CN117217374A CN202311163859.XA CN202311163859A CN117217374A CN 117217374 A CN117217374 A CN 117217374A CN 202311163859 A CN202311163859 A CN 202311163859A CN 117217374 A CN117217374 A CN 117217374A
- Authority
- CN
- China
- Prior art keywords
- elm
- dung
- output
- hidden layer
- wind power
- 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 53
- 210000003608 fece Anatomy 0.000 claims abstract description 116
- 241000254173 Coleoptera Species 0.000 claims abstract description 109
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 239000013598 vector Substances 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 28
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 235000013305 food Nutrition 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000005096 rolling process Methods 0.000 claims description 12
- 235000013601 eggs Nutrition 0.000 claims description 11
- 241001229848 Aphodius granarius Species 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012804 iterative process Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000017448 oviposition Effects 0.000 claims description 3
- 230000006872 improvement Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力系统功率预测技术领域，具体地说，涉及基于DBO‑ELM的短期风电功率预测方法。包括：将历史风速和风向作为输入数据，短期风电功率作为输出数据，构建ELM模型；将ELM模型随机初始化；通过蜣螂算法生成一组随机权重矩阵和阈值向量作为ELM模型的隐含层，求其适应度值；计算ELM模型的输出权重值；满足要求为止，输出最优解；求出ELM模型输出值，得到短期风电功率预测结果。本发明设计选用ELM简化了算法结构，提升计算速度；DBO算法操作简单可靠，具有寻优能力强，收敛速度快的特点；DBO算法可增强ELM模型预测结果的精确度与平稳性；DBO结构简单，易于实现，可扩展性强，可以有效优化ELM模型的参数，提升风电功率预测的精确度。
Description
技术领域
本发明涉及电力系统功率预测技术领域，具体地说，涉及基于DBO-ELM的短期风电功率预测方法。
背景技术
如今经济飞速发展，世界对于能源的消耗量日益剧增，因而可持续能源的开发利用呈现出迅猛发展的势态，其在能源结构上的占比逐渐增高。风能在技术与成本上相较于其他可持续能源都表现出了极大的优势，是最有前景的能源之一。因此对于许多常年多风的地带，风能是最理想的可持续能源。然而风能资源本身具有很多不确定性，风能收益普遍不高，风电预测技术不够成熟，为更好地满足对电能的现实需求，需要提升预测的精确度，减小风电随机性和波动性给电网带来的危害。
风电出力的随机性和波动性较强，给电网运行调度带来较大的挑战。如何准确预测风电功率，对电网的供电可靠性具有重要意义。基于启发式的算法能够灵活地改变预测模型选择权重和偏差，因此通常可利用各种优化算法来优化预测模型，提升预测结果精度值。
鉴于此，为了提升短期风电功率预测精确度，我们提出了基于DBO-ELM的短期风电功率预测方法。
发明内容
本发明的目的在于提供基于DBO-ELM的短期风电功率预测方法，以解决上述背景技术中提出的问题。
为实现上述技术问题的解决，本发明的目的之一在于，提供了基于DBO-ELM的短期风电功率预测方法，其基于蜣螂优化器DBO来优化极限学习机ELM实现短期风电功率预测，以提高ELM进行短期风电功率优化预测的适应性和准确性；具体预测方法包括如下步骤：
S1、将历史风速和风向作为输入数据，短期风电功率作为输出数据，构建关于风电预测的ELM模型框架；
S2、将ELM模型进行随机初始化；
S3、通过蜣螂算法生成一组随机权重矩阵和阈值向量作为ELM模型的隐含层，求其适应度值；
S4、使用隐含层的输出和训练数据集的输出，计算ELM模型的输出权重值；
S5、重复上述步骤S3-S4，直到满足要求为止；输出最优解，即连接权值；
S6、求出ELM模型输出值，得到短期风电功率预测结果。
作为本技术方案的进一步改进，所述步骤S1中，构建关于风电预测的ELM模型框架的具体方法包括：
选取某地方风电场的历史检测数据作为样本，随机选取某时间段中影响风电场的各种因素，例如风速、风向、温度与气压等记为D个变量作为ELM模型的输入变量，则第i个输入变量为xi＝[xi1，xi2，...，xN]，xi∈RD，令输出变量为当前时间段所对应的输出风电功率，即y＝[y11，y12，...，y1N]，其中，R表示风电场的额定阻值，N表示输入变量、输出变量的变量个数；
然后设具有Q个样本的训练集输入矩阵X和输出矩阵Y，其分别表示为：
式(1)、式(2)中，n、m分别表示输入矩阵X和输出矩阵Y的输入样本组数、输出样本组数，每组输入样本组数、输出样本组数均包含Q个样本；
记隐含层的输出函数为H(x)，设ω为输入层与隐含层中各神经元之间的连接权值，l表示输入层与隐含层中各神经元之间的连接权值的组数，表示为如下：
b为隐含层神经元的阈值，其表示为：
隐含层的输出函数H(x)＝[h1(x)，h2(x)，...，hL(x)]，通常在实际应用中，hi(x)用如下公式表示：
hi(x)＝g(ωi，bj，x)＝g(ωi·xj+bi) (5)
式(5)中，g(ωi，bj，x)是激活函数，ωi和bj均是隐藏层节点参数；bi为第i个隐含层神经元的阈值，bi＝[bi1，bi2，...，bin]T，T表示转置；
经过隐藏层进入输出层后，ELM模型输出值yi的值为：
式(6)中，ωi＝[ωi1，ωi2，...，ωin]T为输入层与隐含层第i个节点的连接权值矩阵，xj为第j个隐含层节点的阈值，βi＝[βi1，βi2，...，βim]T为隐含层与输出层之间的第i个连接权值，β＝[β1，...，βL]T是隐藏层(L个节点)与输出层(m个节点)之间的输出权重；
其中，i是隐藏层的输出函数H(x)的第i个输出值，j则为隐含层的第j个隐含层节点阈值，i与j的取值范围都为1到N；L表示隐藏层的输出函数的个数(隐藏层节点的输出函数不是唯一的，不同的输出函数可以用于不同的隐藏层神经元，因此i和j并不一定为一一对应，L也不一定等于N)；
将上述输出函数写为矩阵形式，可表示为：
yi＝Hβ (7)
式(7)中，yi为ELM的输出层矩阵，H为ELM的隐含层输出矩阵，具体形式可表示为：
其中，隐含层与输出层间的连接权值β可以通过最小二乘法解获得。
最后将选定好的样本集按照定义好的容量分别放置在训练集和样本集中并进行预处理。
作为本技术方案的进一步改进，所述步骤S3中，通过蜣螂算法生成一组随机权重矩阵和阈值向量作为ELM模型的隐含层的具体方法包括如下步骤：
S3.1、初始化ELM模型中的权重值、阈值，初始化蜣螂群体，即随机生成ELM模型的一组隐含层权重值和阈值量作为初始群体，并将迭代次数初始化为t＝0；
S3.2、设计适应度函数并初始化适应度函数值，选择合适的适应度函数，并计算每个个体的适应度；
S3.3、初始化优化目标的位置和速度，选择全局最优解，更新所有蜣螂的位置，即每个个体的位置与速度，并判断每个个体是否超出边界；
S3.4、选择最优个体，即在每次迭代中，选择适应度最优的个体，并记录其隐含层权重和阈值量；
S3.5、判断终止条件，即判断是否达到最大迭代次数，在达到最大迭代次数或达到设定的精度要求后，停止计算；
S3.6、输出适应度最优的个体的隐含层权重和阈值量作为ELM模型的隐含层参数，并求解。
作为本技术方案的进一步改进，所述步骤S3.3中，更新所有蜣螂的位置的具体方法包括：
在模仿蜣螂滚动的过程中滚球蜣螂的位置更新，可以表示为：
xi(t+1)＝xi(t)+α×k×xi(t-1)+b×Δx (9)
Δx＝|xi(t)-Xω| (10)
式(9)、式(10)中，t表示当前迭代次数，xi(t)表示第i只蜣螂在第t次迭代时的位置信息，k∈(0，0.2)，α表示自然系数，赋值为-1或1，b表示∈(0，1)的定值，Xω表示全局最差位置，Δx用于模拟上次迭代与这次迭代时蜣螂的位置变化。
作为本技术方案的进一步改进，所述步骤S3.3中，更新所有蜣螂的位置的过程中，还需要根据蜣螂的不同行为和身份分别进行分析；当蜣螂遇到障碍物无法前进时，就需要通过跳舞来重新定位，目的是获得新的路线；
为了模拟舞蹈行为，用切线函数得到新的滚动方向；一旦蜣螂成功确定了一个新的方向，它继续把球向后滚；因此，将蜣螂的位置更新，并定义如下：
xi(t+1)＝xi(t)+tanθ|xi(t)-xi(t-1)| (11)
式(11)中，xi(t)-xi(t-1)表示第i只蜣螂在第t次迭代时的位置与其在第t-1次迭代时的位置之差；θ∈[0，π]，如果θ＝0、θ＝π/2、θ＝π，蜣螂的位置不更新。
作为本技术方案的进一步改进，所述步骤S3.3中，更新所有蜣螂的位置的过程中，在自然界中，粪球是被蜣螂滚到安全的地方藏起来的，为了给它们的后代提供安全的环境，选择合适的产卵地点对蜣螂来说至关重要，因此模拟雌蜣螂产卵的区域边界选择策略，其定义为：
式(12)中，X*为当前局部最佳位置，Lb*和Ub*分别为产卵区下界和上界，Lb和Ub分别代表优化问题的下界和上界，R＝1-t/Tmax，Tmax表示最大迭代次数：
一旦确定了产卵区域，雌性蜣螂就会选择这个区域产卵，卵球的位置在迭代过程中也是动态的，其表示为：
Bi(t+1)＝X*+b1×(Bi(t)-Lb*)+b2×(Bi(t)-Ub*) (13)
式(13)中，Bi(t)为第t次迭代时第i个卵球的位置信息，b1和b2表示大小为1×D的两个独立随机向量，D表示优化问题的维数。卵球的位置被严格限制在一定范围内。
作为本技术方案的进一步改进，所述步骤S3.3中，更新所有蜣螂的位置的过程中，一些已经长成成虫的蜣螂会从地下钻出来受食，称为小蜣螂，针对小蜣螂还需要建立最优受食的区域来引导蜣螂受食，最佳受食区的边界定义与小蜣螂位置更新如下：
xi(t+1)＝xi(t)+C1×(xi(t)-Lbb+C2×(xi(t)-Ubb) (15)
式(14)、式(15)中，C1为服从正态分布的随机数，即C1～N(0，1)，C2为1×D的属于(0，1)之间的随机向量。
作为本技术方案的进一步改进，所述步骤S3.3中，更新所有蜣螂的位置的过程中，还有一些蜣螂被称为偷窃蜣螂，会从其他蜣螂那里偷粪球，假设Xb为最优的食物来源位置，在迭代过程中，偷窃蜣螂的位置更新信息如下：
xi(t+1)＝Xb+S×G×(|xi(t)-X*|+|xi(t)-Xb|) (16)
式(16)中，S表示一个常数值；G表示大小为1×D的随机向量，服从正态分布。
作为本技术方案的进一步改进，所述步骤S3.5中，输出适应度最优的个体的隐含层权重和阈值量作为ELM模型的隐含层参数时，对于ELM模型，隐含层的节点数和激活函数的选择也会影响模型的性能，因此在使用蜣螂算法生成隐含层参数时，需要根据具体问题的特点进行适当的调整。
本发明的目的之二在于，提供了一种短期风电功率预测平台装置，包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序，处理器用于执行计算机程序时实现上述的基于DBO-ELM的短期风电功率预测方法的步骤。
本发明的目的之三在于，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于DBO-ELM的短期风电功率预测方法的步骤。
与现有技术相比，本发明的有益效果：
1.该基于DBO-ELM的短期风电功率预测方法中，ELM以其调节参数少、计算速度快被广泛运用在风电功率预测上，但ELM隐含层权重和阈值的调整对输出结果具有较大的影响，为优化对ELM权重和阈值的选择而采用蜣螂优化器，该算法主要模拟蜣螂在生态系统中的滚球、跳舞、觅食和偷窃行为去优化ELM模型在样本训练中由于输入层-隐藏层权重和阈值导致输出结果相差较大的问题，通过不断地更新优化，获得全局最优解；
2.该基于DBO-ELM的短期风电功率预测方法中，相比传统BP神经网络、支持向量机等，选用ELM大大的简化了算法结构，提升计算速度，可同时用非线性函数、不可微函数、不连续函数作为激活函数，面对风能的波动性处理能力更强；
3.该基于DBO-ELM的短期风电功率预测方法中，DBO算法通过研究蜣螂的滚球、跳舞、觅食、偷窃和繁殖行为，来进行全局搜索和局部利用，操作简单可靠，具有寻优能力强，收敛速度快的特点；
4.该基于DBO-ELM的短期风电功率预测方法中，DBO算法优化ELM模型中的连接权重与偏值置，可大大增强ELM模型预测结果的精确度与平稳性；DBO结构简单，易于实现，可扩展性强，能够发现各种类型的离群点，可以有效优化ELM模型的参数，提升风电功率预测的精确度。
附图说明
图1为本发明中示例性的DBO优化ELM的执行构成流程图；
图2为本发明中示例性的ELM结构图；
图3为本发明中示例性的ELM测试集输出曲线图；
图4为本发明中示例性的ELM测试集预测误差曲线图；
图5为本发明中示例性的DBO-ELM收敛曲线图；
图6为本发明中示例性的电子计算机平台装置结构示意图。
具体实施方式
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、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
实施例1
如图1-图5所示，本实施例提供了基于DBO-ELM的短期风电功率预测方法，其基于蜣螂优化器DBO来优化极限学习机ELM实现短期风电功率预测，以提高ELM进行短期风电功率优化预测的适应性和准确性；首先利用风电厂的历史数据，建立ELM预测模型；设置初始化参数；然后利用DBO算法优化ELM模型，即优化ELM模型中的权值和阈值，根据适应度不断循环调整参数，直到满足收敛条件为止；最后计算得出预测风电功率结果值。具体预测方法包括如下步骤。
S1、将历史风速和风向作为输入数据，短期风电功率作为输出数据，构建关于风电预测的ELM模型框架。
首先，ELM具有调节参数少、计算速度快等特点。如图2所示，ELM模型具有输入层、隐含层与输出层，依据图2的ELM结构图从左到右来看，该神经网络的输入是训练样本集xi，中间是隐藏层，从输入层到隐藏层之间是全连接，隐藏层的输出是输入乘上对应权值加上偏差，再经过一个非线性函数的所有节点结果求和得到。在训练阶段采用随机输入层权值和偏差，对于输出层权重则通过广义逆矩阵理论计算得到。
本步骤中，构建关于风电预测的ELM模型框架的具体方法包括：
选取某地方风电场的历史检测数据作为样本，随机选取某时间段中影响风电场的各种因素，例如风速、风向、温度与气压等记为D个变量作为ELM模型的输入变量，则第i个输入变量为xi＝[xi1，xi2，...，xN]，xi∈RD，令输出变量为当前时间段所对应的输出风电功率，即y＝[y11，y12，...，y1N]，其中，R表示风电场的额定阻值，N表示输入变量、输出变量的变量个数；
然后设具有Q个样本的训练集输入矩阵X和输出矩阵Y，其分别表示为：
式(1)、式(2)中，n、m分别表示输入矩阵X和输出矩阵Y的输入样本组数、输出样本组数，每组输入样本组数、输出样本组数均包含Q个样本；
记隐含层的输出函数为H(x)，设ω为输入层与隐含层中各神经元之间的连接权值，l表示输入层与隐含层中各神经元之间的连接权值的组数，表示为如下：
b为隐含层神经元的阈值，其表示为：
隐含层的输出函数H(x)＝[h1(x)，h2(x)，...，hL(x)]，通常在实际应用中，hi(x)用如下公式表示：
hi(x)＝g(ωi，bj，x)＝g(ωi·xj+bi) (5)
式(5)中，g(ωi，bj，x)是激活函数，ωi和bj均是隐藏层节点参数；bi为第i个隐含层神经元的阈值，bi＝[bi1，bi2，...，bin]T，T表示转置；
经过隐藏层进入输出层后，ELM模型输出值yi的值为：
式(6)中，ωi＝[ωi1，ωi2，...，ωin]T为输入层与隐含层第i个节点的连接权值矩阵，xj为第j个隐含层节点的阈值，βi＝[βi1，βi2，...，βim]T为隐含层与输出层之间的第i个连接权值，β＝[β1，...，βL]T是隐藏层(L个节点)与输出层(m个节点)之间的输出权重；
其中，i是隐藏层的输出函数H(x)的第i个输出值，j则为隐含层的第j个隐含层节点阈值，i与j的取值范围都为1到N；L表示隐藏层的输出函数的个数(隐藏层节点的输出函数不是唯一的，不同的输出函数可以用于不同的隐藏层神经元，因此i和j并不一定为一一对应，L也不一定等于N)；
将上述输出函数写为矩阵形式，可表示为：
yi＝Hβ (7)
式(7)中，yi为ELM的输出层矩阵，H为ELM的隐含层输出矩阵，具体形式可表示为：
其中，隐含层与输出层间的连接权值β可以通过最小二乘法解获得。
最后将选定好的样本集按照定义好的容量分别放置在训练集和样本集中并进行预处理。
S2、将ELM模型进行随机初始化。
S3、通过蜣螂算法生成一组随机权重矩阵和阈值向量作为ELM模型的隐含层，求其适应度值。
本步骤中，通过蜣螂算法生成一组随机权重矩阵和阈值向量作为ELM模型的隐含层的具体方法包括如下步骤：
S3.1、初始化ELM模型中的权重值、阈值，初始化蜣螂群体，即随机生成ELM模型的一组隐含层权重值和阈值量作为初始群体，并将迭代次数初始化为t＝0。
S3.2、设计适应度函数并初始化适应度函数值，选择合适的适应度函数，并计算每个个体的适应度。
S3.3、初始化优化目标的位置和速度，选择全局最优解，更新所有蜣螂的位置，即每个个体的位置与速度，并判断每个个体是否超出边界。
其中，更新所有蜣螂的位置的具体方法包括：
在模仿蜣螂滚动的过程中滚球蜣螂的位置更新，可以表示为：
xi(t+1)＝xi(t)+α×k×xi(t-1)+b×Δx (9)
Δx＝|xi(t)-Xω| (10)
式(9)、式(10)中，t表示当前迭代次数，xi(t)表示第i只蜣螂在第t次迭代时的位置信息，k∈(0，0.2)，α表示自然系数，赋值为-1或1，b表示∈(0，1)的定值，Xω表示全局最差位置，Δx用于模拟上次迭代与这次迭代时蜣螂的位置变化。
进一步地，更新所有蜣螂的位置的过程中，还需要根据蜣螂的不同行为和身份分别进行分析；当蜣螂遇到障碍物无法前进时，就需要通过跳舞来重新定位，目的是获得新的路线；
为了模拟舞蹈行为，用切线函数得到新的滚动方向；一旦蜣螂成功确定了一个新的方向，它继续把球向后滚；因此，将蜣螂的位置更新，并定义如下：
xi(t+1)＝xi(t)+tanθ|xi(t)-xi(t-1)| (11)
式(11)中，xi(t)-xi(t-1)表示第i只蜣螂在第t次迭代时的位置与其在第t-1次迭代时的位置之差；θ∈[0，π]，如果θ＝0、θ＝π/2、θ＝π，蜣螂的位置不更新。
进一步地，在自然界中，粪球是被蜣螂滚到安全的地方藏起来的，为了给它们的后代提供安全的环境，选择合适的产卵地点对蜣螂来说至关重要，因此模拟雌蜣螂产卵的区域边界选择策略，其定义为：
式(12)中，X*为当前局部最佳位置，Lb*和Ub*分别为产卵区下界和上界，Lb和Ub分别代表优化问题的下界和上界，R＝1-t/Tmax，Tmax表示最大迭代次数；
一旦确定了产卵区域，雌性蜣螂就会选择这个区域产卵，卵球的位置在迭代过程中也是动态的，其表示为：
Bi(t+1)＝X*+b1×(Bi(t)-Lb*)+b2×(Bi(t)-Ub*) (13)
式(13)中，Bi(t)为第t次迭代时第i个卵球的位置信息，b1和b2表示大小为1×D的两个独立随机向量，D表示优化问题的维数。卵球的位置被严格限制在一定范围内。
另外，一些已经长成成虫的蜣螂会从地下钻出来受食，我们称它们为小蜣螂，针对小蜣螂还需要建立最优受食的区域来引导蜣螂受食，最佳受食区的边界定义与小蜣螂位置更新如下：
xi(t+1)＝xi(t)+C1×(xi(t)-Lbb+C2×(xi(t)-Ubb) (15)
式(14)、式(15)中，C1为服从正态分布的随机数，即C1～N(0，1)，C2为1×D的属于(0，1)之间的随机向量。
此外，还有一些蜣螂被称为偷窃蜣螂，会从其他蜣螂那里偷粪球，因此我们假设Xb为最优的食物来源位置，在迭代过程中，偷窃蜣螂的位置更新信息如下：
xi(t+1)＝Xb+S×G×(|xi(t)-X*|+|xi(t)-Xb|) (16)
式(16)中，S表示一个常数值；G表示大小为1×D的随机向量，服从正态分布。
S3.4、选择最优个体，即在每次迭代中，选择适应度最优的个体，并记录其隐含层权重和阈值量。
S3.5、判断终止条件，即判断是否达到最大迭代次数，在达到最大迭代次数或达到设定的精度要求后，停止计算。
S3.6、输出适应度最优的个体的隐含层权重和阈值量作为ELM模型的隐含层参数，并求解。
其中，对于ELM模型，隐含层的节点数和激活函数的选择也会影响模型的性能，因此在使用蜣螂算法生成隐含层参数时，需要根据具体问题的特点进行适当的调整。
S4、使用隐含层的输出和训练数据集的输出，计算ELM模型的输出权重值；
S5、重复上述步骤S3-S4，直到满足要求为止；输出最优解，即连接权值；
S6、求出ELM模型输出值，得到短期风电功率预测结果。
具体地，如图3-图5所示，本方案引入了ELM模型来计算短期风电功率预测，其中以风电输出功率的影响因素为输入数据，风电输出功率为输出数据，确定好ELM结构后，利用蜣螂算法优化ELM模型中的参数，即初始化蜣螂群体和ELM参数(包括节点数，连接权重与阈值)，计算每个蜣螂个体的适应度，选择最优值，根据蜣螂适应度，更新最优ELM参数，生成新的蜣螂群体，检测迭代次数是否达到最大，若满足条件，则计算出最优连接权值与阈值，并得到ELM模型输出值，即短期风电功率预测值。
通过将适应度函数设计为训练集的误差的MSE，即：
fitness＝argmin(MSEpridect) (17)
式(17)中，fitness表示为适应度函数；选取训练后的MSE误差(均方误差)；argmin()表示为当适应度函数值最小时相应的选取训练的MSE误差值；
适应度函数选取训练后的MSE误差。MSE误差越小表明预测的数据与原始数据重合度越高，最终优化的输出为最佳初始权值与阈值，通过对比基础ELM与经过蜣螂算法优化后的ELM，能够得出，基础ELM的MSE误差为0.00014207，DBO-ELM的MSE误差值为2.147e-13，从结果上看，DBO-ELM明显优于基础ELM。
此外，为体现本方案的有效性和优越性，本实施例还根据西南某风电场2022年全年的数据，随机选取其中的1800组数据组成样本集，其中80％为训练样本集合，20％为测试样本集合。
然后，基于DBO-ELM模型以风速、风向以及温度等数值天气预报数据为输入量，以功率为输出量进行仿真计算。通过计算对比，仍然得出了DBO-ELM明显优于基础ELM的结果。
如图6所示，本实施例还提供了一种短期风电功率预测平台装置，该装置包括处理器、存储器以及存储在存储器中并在处理器上运行的计算机程序。
处理器包括一个或一个以上处理核心，处理器通过总线与存储器相连，存储器用于存储程序指令，处理器执行存储器中的程序指令时实现上述的基于DBO-ELM的短期风电功率预测方法。
可选的，存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随时存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
此外，本发明还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的基于DBO-ELM的短期风电功率预测方法的步骤。
可选的，本发明还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述各方面基于DBO-ELM的短期风电功率预测方法的步骤。
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步骤的过程可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，程序可以存储于计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (9)
1.基于DBO-ELM的短期风电功率预测方法，其特征在于：其基于蜣螂优化器DBO来优化极限学习机ELM实现短期风电功率预测，以提高ELM进行短期风电功率优化预测的适应性和准确性；具体预测方法包括如下步骤：
S1、将历史风速和风向作为输入数据，短期风电功率作为输出数据，构建关于风电预测的ELM模型框架；
S2、将ELM模型进行随机初始化；
S3、通过蜣螂算法生成一组随机权重矩阵和阈值向量作为ELM模型的隐含层，求其适应度值；
S4、使用隐含层的输出和训练数据集的输出，计算ELM模型的输出权重值；
S5、重复上述步骤S3-S4，直到满足要求为止；输出最优解，即连接权值；
S6、求出ELM模型输出值，得到短期风电功率预测结果。
2.根据权利要求1所述的基于DBO-ELM的短期风电功率预测方法，其特征在于：所述步骤S1中，构建关于风电预测的ELM模型框架的具体方法包括：
选取某地方风电场的历史检测数据作为样本，随机选取某时间段中影响风电场的各种因素，记为D个变量作为ELM模型的输入变量，则第i个输入变量为xi＝[xi1,xi2,...,xN],xi∈RD，令输出变量为当前时间段所对应的输出风电功率，即y＝[y11,y12,...,y1N]，其中，R表示风电场的额定阻值，N表示输入变量、输出变量的变量个数；
然后设具有Q个样本的训练集输入矩阵X和输出矩阵Y，其分别表示为：
式(1)、式(2)中，n、m分别表示输入矩阵X和输出矩阵Y的输入样本组数、输出样本组数，每组输入样本组数、输出样本组数均包含Q个样本；
记隐含层的输出函数为H(x)，设ω为输入层与隐含层中各神经元之间的连接权值，l表示输入层与隐含层中各神经元之间的连接权值的组数，表示为如下：
b为隐含层神经元的阈值，其表示为：
隐含层的输出函数H(x)＝[h1(x),h2(x),...,hL(x)]，在实际应用中，hi(x)用如下公式表示：
hi(x)＝g(ωi,bj,x)＝g(ωi·xj+bi) (5)
式(5)中，g(ωi,bj,x)是激活函数，ωi和bj均是隐藏层节点参数；bi为第i个隐含层神经元的阈值，bi＝[bi1,bi2,...,bin]T，T表示转置；
经过隐藏层进入输出层后，ELM模型输出值yi的值为：
式(6)中，ωi＝[ωi1,ωi2,...,ωin]T为输入层与隐含层第i个节点的连接权值矩阵，xj为第j个隐含层节点的阈值，βi＝[βi1,βi2,...,βim]T为隐含层与输出层之间的第i个连接权值，β＝[β1,...,βL]T是隐藏层与输出层之间的输出权重；
其中，i是隐藏层的输出函数H(x)的第i个输出值，j则为隐含层的第j个隐含层节点阈值，i与j的取值范围都为1到N；L表示隐藏层的输出函数的个数；
将上述输出函数写为矩阵形式，可表示为：
yi＝Hβ (7)
式(7)中，yi为ELM的输出层矩阵，H为ELM的隐含层输出矩阵，具体形式可表示为：
其中，隐含层与输出层间的连接权值β可以通过最小二乘法解获得。
3.根据权利要求1所述的基于DBO-ELM的短期风电功率预测方法，其特征在于：所述步骤S3中，通过蜣螂算法生成一组随机权重矩阵和阈值向量作为ELM模型的隐含层的具体方法包括如下步骤：
S3.1、初始化ELM模型中的权重值、阈值，初始化蜣螂群体，即随机生成ELM模型的一组隐含层权重值和阈值量作为初始群体，并将迭代次数初始化为t＝0；
S3.2、设计适应度函数并初始化适应度函数值，选择合适的适应度函数，并计算每个个体的适应度；
S3.3、初始化优化目标的位置和速度，选择全局最优解，更新所有蜣螂的位置，即每个个体的位置与速度，并判断每个个体是否超出边界；
S3.4、选择最优个体，即在每次迭代中，选择适应度最优的个体，并记录其隐含层权重和阈值量；
S3.5、判断终止条件，即判断是否达到最大迭代次数，在达到最大迭代次数或达到设定的精度要求后，停止计算；
S3.6、输出适应度最优的个体的隐含层权重和阈值量作为ELM模型的隐含层参数，并求解。
4.根据权利要求3所述的基于DBO-ELM的短期风电功率预测方法，其特征在于：所述步骤S3.3中，更新所有蜣螂的位置的具体方法包括：
在模仿蜣螂滚动的过程中滚球蜣螂的位置更新，可以表示为：
xi(t+1)＝xi(t)+α×k×xi(t-1)+b×Δx (9)
Δx＝|xi(t)-Xω| (10)
式(9)、式(10)中，t表示当前迭代次数，xi(t)表示第i只蜣螂在第t次迭代时的位置信息，k∈(0，0.2)，α表示自然系数，赋值为-1或1，b表示∈(0，1)的定值，Xω表示全局最差位置，Δx用于模拟上次迭代与这次迭代时蜣螂的位置变化。
5.根据权利要求4所述的基于DBO-ELM的短期风电功率预测方法，其特征在于：所述步骤S3.3中，更新所有蜣螂的位置的过程中，还需要根据蜣螂的不同行为和身份分别进行分析；当蜣螂遇到障碍物无法前进时，就需要通过跳舞来重新定位，目的是获得新的路线；
为了模拟舞蹈行为，用切线函数得到新的滚动方向；一旦蜣螂成功确定了一个新的方向，它继续把球向后滚；因此，将蜣螂的位置更新，并定义如下：
xi(t+1)＝xi(t)+tanθ|xi(t)-xi(t-1)| (11)
式(11)中，xi(t)-xi(t-1)表示第i只蜣螂在第t次迭代时的位置与其在第t-1次迭代时的位置之差；θ∈[0，π]，如果θ＝0、θ＝π/2、θ＝π，蜣螂的位置不更新。
6.根据权利要求5所述的基于DBO-ELM的短期风电功率预测方法，其特征在于：所述步骤S3.3中，更新所有蜣螂的位置的过程中，在自然界中，粪球是被蜣螂滚到安全的地方藏起来的，为了给它们的后代提供安全的环境，选择合适的产卵地点对蜣螂来说至关重要，因此模拟雌蜣螂产卵的区域边界选择策略，其定义为：
式(12)中，X*为当前局部最佳位置，Lb*和Ub*分别为产卵区下界和上界，Lb和Ub分别代表优化问题的下界和上界，R＝1-t/Tmax，Tmax表示最大迭代次数；
一旦确定了产卵区域，雌性蜣螂就会选择这个区域产卵，卵球的位置在迭代过程中也是动态的，其表示为：
Bi(t+1)＝X*+b1×(Bi(t)-Lb*)+b2×(Bi(t)-Ub*) (13)
式(13)中，Bi(t)为第t次迭代时第i个卵球的位置信息，b1和b2表示大小为1×D的两个独立随机向量，D表示优化问题的维数。
7.根据权利要求6所述的基于DBO-ELM的短期风电功率预测方法，其特征在于：所述步骤S3.3中，更新所有蜣螂的位置的过程中，一些已经长成成虫的蜣螂会从地下钻出来受食，称为小蜣螂，针对小蜣螂还需要建立最优受食的区域来引导蜣螂受食，最佳受食区的边界定义与小蜣螂位置更新如下：
xi(t+1)＝xi(t)+C1×(xi(t)-Lbb+C2×(xi(t)-Ubb) (15)
式(14)、式(15)中，C1为服从正态分布的随机数，即C1～N(0，1)，C2为1×D的属于(0，1)之间的随机向量。
8.根据权利要求7所述的基于DB0-ELM的短期风电功率预测方法，其特征在于：所述步骤S3.3中，更新所有蜣螂的位置的过程中，还有一些蜣螂被称为偷窃蜣螂，会从其他蜣螂那里偷粪球，假设Xb为最优的食物来源位置，在迭代过程中，偷窃蜣螂的位置更新信息如下：
xi(t+1)＝Xb+S×G×(|xi(t)-X*|+|xi(t)-Xb|) (16)
式(16)中，S表示一个常数值；G表示大小为1×D的随机向量，服从正态分布。
9.根据权利要求8所述的基于DBO-ELM的短期风电功率预测方法，其特征在于：所述步骤S3.5中，输出适应度最优的个体的隐含层权重和阈值量作为ELM模型的隐含层参数时，对于ELM模型，隐含层的节点数和激活函数的选择也会影响模型的性能，因此在使用蜣螂算法生成隐含层参数时，需要根据具体问题的特点进行适当的调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311163859.XA CN117217374A (zh) | 2023-09-11 | 2023-09-11 | 基于dbo-elm的短期风电功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311163859.XA CN117217374A (zh) | 2023-09-11 | 2023-09-11 | 基于dbo-elm的短期风电功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117217374A true CN117217374A (zh) | 2023-12-12 |
Family
ID=89047450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311163859.XA Pending CN117217374A (zh) | 2023-09-11 | 2023-09-11 | 基于dbo-elm的短期风电功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117217374A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117874479A (zh) * | 2024-03-11 | 2024-04-12 | 西南交通大学 | 基于数据驱动的重载机车车钩力识别方法 |
-
2023
- 2023-09-11 CN CN202311163859.XA patent/CN117217374A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117874479A (zh) * | 2024-03-11 | 2024-04-12 | 西南交通大学 | 基于数据驱动的重载机车车钩力识别方法 |
| CN117874479B (zh) * | 2024-03-11 | 2024-05-24 | 西南交通大学 | 基于数据驱动的重载机车车钩力识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112733462B (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
| JP5888640B2 (ja) | 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム | |
| CN104636985A (zh) | 一种改进bp神经网络的输电线路无线电干扰预测方法 | |
| Sharma et al. | A review on artificial bee colony and it’s engineering applications | |
| CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
| CN105447510A (zh) | 基于人工蜂群优化lssvm的脉动风速预测方法 | |
| CN117217374A (zh) | 基于dbo-elm的短期风电功率预测方法 | |
| Li et al. | A combination model with variable weight optimization for short-term electrical load forecasting | |
| CN113762603A (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 | |
| Yang | A novel short-term multi-input–multi-output prediction model of wind speed and wind power with LSSVM based on improved ant colony algorithm optimization | |
| CN112149883A (zh) | 基于fwa-bp神经网络的光伏功率预测方法 | |
| Ajayi et al. | Data centre day-ahead energy demand prediction and energy dispatch with solar PV integration | |
| CN113722980A (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
| Zhang et al. | Short-Term Load Forecasting Based on DBO-LSTM Model | |
| CN112836885B (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
| CN117454939A (zh) | 一种基于NSABO-Gold算法优化BP神经网络的风电功率预测方法 | |
| 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 | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
| Li et al. | Research on a forecasting model of wind power based on recurrent neural network with long short-term memory | |
| He et al. | Electrical load forecasting based on self-adaptive chaotic neural network using Chebyshev map | |
| Zuo | Integrated forecasting models based on LSTM and TCN for short-term electricity load forecasting | |
| Wu et al. | Short-term electric load forecasting model based on PSO-BP | |
| CN115860044A (zh) | 基于改进松鼠搜索算法的短期电力负荷预测方法 | |
| CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 |
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 |