CN117293825B - 考虑风电爬坡的风速及功率混合预测方法及装置 - Google Patents
考虑风电爬坡的风速及功率混合预测方法及装置 Download PDFInfo
- Publication number
- CN117293825B CN117293825B CN202311578654.8A CN202311578654A CN117293825B CN 117293825 B CN117293825 B CN 117293825B CN 202311578654 A CN202311578654 A CN 202311578654A CN 117293825 B CN117293825 B CN 117293825B
- Authority
- CN
- China
- Prior art keywords
- wind power
- firefly
- wind
- wind speed
- 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
Links
- 230000009194 climbing Effects 0.000 title claims abstract description 206
- 238000000034 method Methods 0.000 title claims abstract description 99
- 238000010248 power generation Methods 0.000 claims abstract description 89
- 238000012549 training Methods 0.000 claims abstract description 77
- 238000012360 testing method Methods 0.000 claims abstract description 33
- 230000008569 process Effects 0.000 claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 238000010276 construction Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 238000011056 performance test Methods 0.000 claims abstract description 9
- 241000254158 Lampyridae Species 0.000 claims description 276
- 238000004422 calculation algorithm Methods 0.000 claims description 87
- 238000013528 artificial neural network Methods 0.000 claims description 73
- 230000006870 function Effects 0.000 claims description 61
- 238000009826 distribution Methods 0.000 claims description 41
- 239000000203 mixture Substances 0.000 claims description 26
- 230000000739 chaotic effect Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000003860 storage Methods 0.000 claims description 14
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 10
- 238000010521 absorption reaction Methods 0.000 claims description 4
- 230000003247 decreasing effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 7
- 230000006872 improvement Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000013508 migration Methods 0.000 description 2
- 230000005012 migration Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/0499—Feedforward networks
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑风电爬坡的风速及功率混合预测方法及装置,包括获取风速数据,通过概率生成模型对风电爬坡事件风速数据进行模拟,通过Simulink仿真得到对应的风电功率数据,并将其分为训练集与测试集;接着将训练集输入到IFA‑IBP进行训练来构建IFA‑IBP模型;训练过程包括构建IFA的优化模型以及IBP的预测模型;然后对训练后的IFA‑IBP预测模型进行性能测试,确定参数最优的风速及风电功率混合预测模型;最后根据所建立的IFA‑IBP预测模型,输出未来时刻风速及风力发电功率的预测结果。本发明针对风电爬坡事件中风速波动较大地区的风速及风力发电功率进行预测,提高了风力发电系统在风电爬坡事件中的预测准确度,为风电爬坡事件频发地区的风电建设提供保障。
Description
技术领域
本发明涉及风力发电功率预测技术领域,具体为一种考虑风电爬坡的风速及功率混合预测方法及装置。
背景技术
大量化石能源的不断消耗导致温室气体的大量排放,环境恶化和气候污染问题已经引起了全球广泛的关注。许多地区开始通过一系列手段用来促进可再生能源产业的发展,以减少化石能源的使用。可再生能源由于具有绿色清洁、可高效利用等特点受到了国内外专家的广泛研究,在目前可利用的可再生能源中,风力发电在世界各国能源研究中占据了重要地位。目前随着风电装机容量的不断扩大,风力发电的应用形式已从早期的离网发电模式逐渐演变为并网形式。
与常规的电能一样,风能因其具有取之不尽用之不竭的特点,没有变成绝对重要和单独的资源,风能的利用很简单,在风速达到最低限度时,依靠风力涡轮机将风能转化为机械能,进而带动发电机发电,非常容易受到天气环境的影响。随着风力发电装机量不断上升,它的随机性和可变性会对电网的电能质量产生一定的影响。因此,对风力发电的发电量进行准确预测,对于发展风力发电以及风电并网具有重要的现实意义。
而风力发电的主要影响因素主要是风速等天气原因,而风速又具有很强的随即性和时间性。所以风力发电功率和时间具有强相关性。现阶段针对风力较为平稳区域的预测方法取得了良好的效果,但部分地区的风电爬坡事件频发,这导致预测精度不足且难以进行调度,因此需要对风电爬坡事件进行模拟,在数据中随机引入爬坡事件,风电爬坡事件地区的风速及风电功率进行精准预测,通过风速预测进一步提升风电功率预测的精准度,对于实现高效的电力调度、合理安排发电计划、促进清洁能源开发利用等来说至关重要,尤其是风电爬坡事件频发地区的风电机组装机,具备更加重要的作用。
发明内容
本发明的目的在于提供一种考虑风电爬坡的风速及功率混合预测方法及装置,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
考虑风电爬坡的风速及功率混合预测方法,包括以下步骤:
获取风电爬坡事件频发地区的风力发电场的风速历史数据;
通过基于高斯混合模型结合非线性波动因子的概率生成模型,生成风力爬坡事件下的风速数据集,对风力爬坡事件进行模拟,并通过Simulink进行仿真得到风力爬坡事件下的风力发电功率;
构建IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,IFA-IBP风电爬坡事件的风速及风电功率混合预测模型包括改进的萤火虫算法和自适应调整学习率的BP神经网络时间序列预测模型;
获取风速数据,通过概率生成模型对风电爬坡事件风速数据进行模拟,通过Simulink仿真得到对应的风电功率数据,并将其分为训练数据集与测试数据集,然后将训练数据集输入IFA-IBP风电爬坡事件的风速及风电功率混合预测模型中进行训练,获得训练后的风电爬坡事件的风速及风电功率混合预测模型,其中训练过程包括使用改进后的萤火虫算法对自适应调整学习率的BP神经网络时间序列预测模型的参数进行寻优,寻优后再使用自适应调整学习率的BP神经网络进行风速和风电功率时间序列预测的过程;
在改进的萤火虫算法的寻优过程中,以自适应调整学习率的BP神经网络在训练数据集的均方根误差为适应度函数,得到训练完成后参数最优的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型;
将测试数据集输入训练完成后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,对训练后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型进行性能测试,最终测试确定IFA-IBP风电爬坡事件的风速及风电功率混合预测模型构建完成;
通过将风力电场系统实时监测的风速及风力发电功率数据输入到构建好的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,最终输出得到未来时刻下风速及风力发电功率的时间序列预测值。
进一步的,所述通过基于高斯混合模型结合非线性波动因子的概率生成模型,生成风力爬坡事件下的风速数据集,对风力爬坡事件进行模拟,并通过Simulink进行仿真得到风力爬坡事件下的风力发电功率包括:
由个高斯分布组成的高斯混合模型,每个高斯分布由均值/>和方差/>来描述,生成过程为从/>个高斯分布中选择一个分布/>,根据一定的概率分布,选择一个高斯分布的权重/>;
在所选的高斯分布中,生成一个样本值,从高斯分布/>中抽取一个样本,概率生成模型的概率密度函数/>用以下公式表示:其中,/>表示均值为/>和方差/>的高斯分布在/>处的概率密度函数,/>表示选择第/>个高斯分布的权重,均值/>和方差/>通过应用地点的改变,根据当地风速情况进行拟合,爬坡事件下的高斯分布与正常情况下不同,通过爬坡事件数据拟合后的高斯混合模型完成对当地风电爬坡事件的模拟;
同时引入一个非线性波动因子用于模拟实际风电爬坡事件下风速的波动:式中,/>是随时间/>变化的非线性波动因子,在给定高斯混合模型参数和分量选择的情况下,通过/>相结合生成/>的概率,将此概率结合非线性波动因子/>与风速数据生成风电爬坡事件下的风速数据集,得到风电爬坡事件模拟后的风速数据集,通过Simulink对其对应的风力发电功率进行计算,得到对应的风电爬坡事件下风力发电功率数据集并将其分为训练数据集与测试数据集。
进一步的,改进的萤火虫算法的改进过程包括:
针对基本的萤火虫算法在种群初始化阶段时,使用随机数在搜索空间上生成每个萤火虫的初始位置,将混沌初始化的思想引入到萤火虫算法的种群初始化阶段;
采用Tent混沌映射来进行萤火虫算法的种群初始化,Tent混沌初始化萤火虫个体位置的具体流程如下:假设共有个萤火虫个体,首先随机生成一个维度为/>的[0,1]范围内的萤火虫个体:/>其中,/>表示第/>个萤火虫第/>维度的位置;/>为[0,1]范围内的随机数;/>和/>分别表示第/>个萤火虫在第/>维上的上界和下界;
然后使用Tent混沌映射初始化剩余的个萤火虫个体每一维度的位置,Tent映射的函数定义如下所示:
为一个随机初始值,该值由/>函数生成,/>值由用户自己定义,取值为0.5;
改进的萤火虫算法的自适应游走策略,该自适应游走策略用以下方程来描述:
表示第/>个萤火虫个体当前的目标函数适应度值;/>表示第/>个萤火虫个体当前的目标函数适应度值;/>表示第/>个萤火虫的位置;/>表示第/>个萤火虫的位置;/>代表更新之后的萤火虫位置;/>是一个随机数,取值由/>函数生成;/>,/>,/>分别代表选择的除第/>个萤火虫之外的第1,2,3个萤火虫;/>为吸收系数,取值为1;/>表示的是/>萤火虫和/>萤火虫之间的距离;表示的是/>萤火虫和/>萤火虫之间的距离;/>表示的是/>萤火虫和/>萤火虫之间的距离;/>为随机性参数,取值为0.5;/>为萤火虫随机迈出的一步,它的取值为: 表示绝对值函数,/>和/>分别表示萤火虫在维度上的上界和下界,/>为[0,1]内的随机数。
进一步的,改进的萤火虫算法的改进过程还包括:
改进的萤火虫算法的个体移动阶段,萤火虫随机选择种群当中其他萤火虫个体,并根据其吸引力强度来确定自己的移动方向,向着吸引力更强的个体进行移动,其中吸引力函数的实际形式是任何单调递减函数,如下广义形式如下式:
表示的是/>处的吸引力强度;/>表示是两个萤火虫个体之间的笛卡尔距离,其中/>:/> 表示萤火虫空间坐标的第/>个分量;而一只萤火虫被另一只更吸引人的萤火虫吸引的运动取决于:
进一步的,改进的萤火虫算法的改进过程还包括:
在改进的萤火虫算法搜索阶段,加入萤火虫位置贪婪选择策略,在每次迭代萤火虫飞往新位置之后,将新位置和原位置的适应度值进行比较,如果新位置的适应度值优于原位置,则萤火虫下一次迭代的位置将由新位置来更新,否则,萤火虫的位置不发生变化,具体过程如下式所示: 为/>迭代开始时第/>个萤火虫的位置;/>为第/>个萤火虫的新位置;/>为第/>个萤火虫的旧位置;/>为萤火虫个体在新位置的适应度值;/>为萤火虫个体在旧位置的适应度值。
如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法,其特征在于,所述自适应调整学习率的BP神经网络时间序列预测模型在BP神经网络中加入的自适应调节学习率,采用如下公式表示: 和/>分别表示前代两次训练迭代时的误差;/>和/>分别表示前后两次迭代训练时自适应调整的学习率。
进一步的,使用改进的萤火虫算法对自适应调整学习率的BP神经网络时间序列预测模型的参数进行寻优,具体参数为BP神经网络中的输入层到隐含层、以及隐含层到输出层的权值和阈值。
进一步的,IFA-IBP风电爬坡事件的风速及风电功率混合预测模型通过适应度函数判断模型的参数达到最优的方式是:通过最小化训练集的均方根误差判断模型参数达到最优。
进一步的,将测试数据集输入训练完成后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,对训练后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型进行性能测试,最终测试确定IFA-IBP风电爬坡事件的风速及风电功率混合预测模型构建完成包括:
比对训练后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型和参考预测模型在测试集下的评价指标,若比对结果符合设定要求,确定训练后的模型为风电爬坡事件的风速及风电功率混合预测模型,其中所述评价指标包括平均偏差误差、平均绝对误差以及均方根误差,所述参考预测模型为单一IBP时间序列预测模型或FA-IBP时间序列预测模型。
进一步的,所述均方根误差、平均绝对误差及平均偏差误差作为评价指标通过IFA-IBP风电爬坡事件的风速及风电功率混合预测模型对训练集与测试集的预测结果得出。
进一步的,在适应度函数达到最优情况下输入层到隐含层、以及隐含层到输出层的权值和阈值赋值给自适应调整学习率的BP神经网络,自适应调整学习率的BP神经网络利用获取到的最优权值和阈值进行风速及风力发电功率的预测;
BP神经网络时间序列模型采用输入层、隐含层和输出层,BP神经网络时间序列预测模型结构参数设置如下所示:
采用三层BP神经网络来建立风电功率的时间序列预测模型,其中输入层的节点数为训练集数据的总量,输出层的节点数为测试集数据的总量;
隐含层的节点数采用试凑法,来确定风速及风力发电功率的预测的最佳隐含层节点数,
隐含层节点数的初始值先通过以下公式进行计算 表示隐含层节点数,取值为5;/>表示输入层节点数;/>表示输出层节点数;/>代表0到10之间的一个常数。
为实现上述目的,本发明还提供如下技术方案:
考虑风电爬坡的风速及功率混合预测装置,包括:
采集模块,用于获取风电爬坡事件频发地区的风力发电场的风速历史数据;
生成模块,用于通过基于高斯混合模型结合非线性波动因子的概率生成模型,生成风力爬坡事件下的风速数据集,对风力爬坡事件进行模拟,并通过Simulink进行仿真得到风力爬坡事件下的风力发电功率;
构建模块,用于构建IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,IFA-IBP风电爬坡事件的风速及风电功率混合预测模型包括改进的萤火虫算法和自适应调整学习率的BP神经网络时间序列预测模型;
训练模块,用于获取风速数据,通过概率生成模型对风电爬坡事件风速数据进行模拟,通过Simulink仿真得到对应的风电功率数据,并将其分为训练数据集与测试数据集,然后将训练数据集输入IFA-IBP风电爬坡事件的风速及风电功率混合预测模型中进行训练,获得训练后的风电爬坡事件的风速及风电功率混合预测模型,其中训练过程包括使用改进后的萤火虫算法对自适应调整学习率的BP神经网络时间序列预测模型的参数进行寻优,寻优后再使用自适应调整学习率的BP神经网络进行风速和风电功率时间序列预测的过程;
调整模块,用于在改进的萤火虫算法的寻优过程中,以自适应调整学习率的BP神经网络在训练数据集的均方根误差为适应度函数,得到训练完成后参数最优的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型;
确定模块,用于将测试数据集输入训练完成后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,对训练后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型进行性能测试,最终测试确定IFA-IBP风电爬坡事件的风速及风电功率混合预测模型构建完成;
输出模块,用于通过将风力电场系统实时监测的风速及风力发电功率数据输入到构建好的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,最终输出得到未来时刻下风速及风力发电功率的时间序列预测值。
为实现上述目的,本发明还提供如下技术方案:
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述中任一项所述方法的步骤。
为实现上述目的,本发明还提供如下技术方案:
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述中任一项所述的方法的步骤。
与现有技术相比,本发明的有益效果是:
本发明所述的考虑风电爬坡的风速及功率混合预测方法、装置及存储介质,首先,针对风电爬坡事件中风速波动的问题,通过基于高斯混合模型的风电爬坡事件模拟方法结合非线性波动因子对风电爬坡事件进行概率化引入,得到风电爬坡事件模拟后的风速数据集,通过Simulink仿真软件对其对应的风力发电功率进行计算,得到对应的风电爬坡事件下风力发电功率数据集。其次,针对基本萤火虫算法收敛速度较慢、容易陷入局部最优的问题,通过引入Tent混沌映射策略和萤火虫自适应游走策略和位置贪婪选择策略对萤火虫算法(FA)进行了改进。基本的萤火虫算法在在种群初始化阶段时,是使用随机数在搜索空间上生成每个萤火虫的初始位置,该过程并不能均匀的覆盖整个搜索空间的这一问题。本发明基于此对基本萤火虫算法进行改进,由于混沌映射具有遍历性和随机性的特点,它能使得萤火虫在初始化阶段时更加均匀的分布在搜索空间中。因此,本发明将Tent混沌初始化策略引入到萤火虫算法的种群初始化阶段;基本的萤火虫算法在个体移动阶段,每个萤火虫个体只受到其他吸引力更强的萤火虫个体的影响,使得萤火虫的搜索方向单一,缺乏对搜索空间的遍历,容易使算法陷入到局部最优状态。因此本发明提出了一种萤火虫自适应游走策略,使得每个萤火虫个体定期选择的三个个体进行游走运行,在这个运动中,萤火虫种群中的每个个体都向具有更好位置的个体移动,并远离具有更差目标函数的个体的位置。在算法搜索阶段,存在每一个萤火虫在每一次迭代产生新的位置时,新位置的适应度值可能比原位置的适应度值更差的问题。因此,引入萤火虫的位置贪婪选择策略,以提高萤火虫算法的寻优速度。在每次迭代萤火虫飞往新位置之后,将新位置和原位置的适应度值进行比较,如果新位置的适应度值优于原位置,则萤火虫下一次迭代的位置将由新位置来更新。否则,萤火虫的位置不发生变化。然后采用该方法对自适应调整学习率的BP神经网络时间序列预测模型的参数进行寻优;最后,将风电爬坡事件中风速及风力发电功率相关数据输入预测模型后,根据预测结果使IFA优化算法寻优BP神经网络的最佳预测参数,最终获得预测效果最好的考虑风电爬坡事件的风速及风力发电功率预测模型。通过该方法提高了模型的迭代速度,提高了风电爬坡事件下的风速及风力发电功率预测精准度,在预测风力发电功率的同时,还实现了风速的精准预测。
附图说明
图1为本发明的方法流程图。
图2为本发明的基于IFA‐IBP的考虑风电爬坡的风速及功率混合预测方法具体流程图。
图3为本发明的BP神经网络的三层结构图。
图4为本发明的随机初始化的种群分布图。
图5为本发明的Tent混沌映射初始化的种群分布图。
图6为本发明的考虑风电爬坡的风速及功率混合预测装置结构框图。
图7为本发明的计算机设备的内部结构图。
图8为本发明的FA-IBP方法曲线图。
图9为本发明的IFA-IBP适应度迭代曲线图。
图10为本发明的BP、FA-BP及IFA-IBP风力发电功率训练集预测结果评价指标对比图。
图11为本发明的BP、FA-BP及IFA-IBP风力发电功率测试集预测结果评价指标对比图。
图12为本发明的BP、FA-BP及IFA-IBP风速训练集预测结果评价指标对比图。
图13为本发明的BP、FA-BP及IFA-IBP风速测试集预测结果评价指标对比图。
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、完整地描述,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。
在本发明的描述中,需要说明的是,术语“上端”、下端”、“内”、“外”、“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“设置有”、 “套设有”、“套接”、“连接”等,应做广义理解,例如“连接”,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
请参阅图1至图13,本发明提供一种技术方案:
本发明公开了一种风电爬坡事件引入方法,并通过非线性波动因子提升其随机性,此后基于IFA-IBP的方法对风速及风电功率预测方法、系统对风速及风力发电功率进行预测,以解决现有的风电爬坡事件造成风力发电功率预测精度不高这一问题,从而减轻日益增长的分布式风电并网对电网造成的压力。
如图1至图2所示,首先,获取实时采集的风力发电场中的风速历史数据,并对所收集的历史数据进行预处理,剔除掉错误的数据和缺失的数据,并采用数学方法进行填充,得到风力发电功率相关的历史数据样本;接着,通过基于高斯混合模型的风电爬坡事件模拟方法结合非线性波动因子对风电爬坡事件进行概率化引入,得到风电爬坡事件模拟后的风速数据集,通过Simulink仿真软件对其对应的风力发电功率进行计算,得到对应的风电爬坡事件下风力发电功率数据集;进一步的,将风速数据集和风力发电功率数据集相关数据样本输入至通过改进的萤火虫算法(IFA)优化的自适应调整学习率的BP神经网络(IBP)的风速及风电功率预测模型;最后,利用改进的萤火虫算法(IFA)对自适应调整学习率的BP神经网络的参数进行寻优,获取预测效果最优的风速及风电功率预测模型,该模型提高了风电爬坡场景下风力发电功率的预测精准度,同时也可精准预测风速,用于制定运行策略等需求。
进一步的,具体包括以下步骤:
步骤1、获取实时采集的风力发电场中的风速历史数据,并对所收集的历史数据进行预处理,剔除错误的数据和缺失的数据,并采用数学方法进行填充,得到风力发电功率相关的历史数据样本;接着,通过风电爬坡事件模拟方法结合概率模型对风电爬坡事件进行概率化引入,本技术通过高斯混合模型仅需要两步即可完成风电爬坡时间的引入,相较于人工神经网络等方法进一步提升了随机特性,并提高了引入速率,结合非线性波动因子更加贴合实际风速波动效果。
概率生成模型通常使用概率分布来模拟数据的生成过程。生成模型可以使用参数化的概率分布来描述数据的生成概率。以下高斯混合模型的生成过程公式::由个高斯分布组成的高斯混合模型,每个高斯分布由均值/>和方差/>来描述,生成过程为从/>个高斯分布中选择一个分布/>,根据一定的概率分布,选择一个高斯分布的权重/>;在所选的高斯分布/>中,生成一个样本值,从高斯分布/>中抽取一个样本,概率生成模型的概率密度函数/>用以下公式表示:/>其中,表示均值为/>和方差/>的高斯分布在/>处的概率密度函数,/>表示选择第/>个高斯分布的权重,均值/>和方差/>通过应用地点的改变,根据当地风速情况进行拟合,爬坡事件下的高斯分布与正常情况下不同,通过爬坡事件数据拟合后的高斯混合模型完成对当地风电爬坡事件的模拟;
同时引入一个非线性波动因子用于模拟实际风电爬坡事件下风速的波动:式中,/>是随时间/>变化的非线性波动因子,在给定高斯混合模型参数和分量选择的情况下,通过/>相结合生成/>的概率,将此概率结合非线性波动因子/>与风速数据生成风电爬坡事件下的风速数据集,得到风电爬坡事件模拟后的风速数据集,通过Simulink对其对应的风力发电功率进行计算,得到对应的风电爬坡事件下风力发电功率数据集并将其分为训练数据集与测试数据集。
步骤2、设定所建立模型的初始参数,包括萤火虫的种群数量、适应度函数、最大迭代次数;
改进的萤火虫算法的改进过程具体如下:
基本的萤火虫算法在在种群初始化阶段时,是使用随机数在搜索空间上生成每个萤火虫的初始位置,该过程并不能均匀的覆盖整个搜索空间的这一问题。本发明基于此对基本萤火虫算法进行改进,由于混沌映射具有遍历性和随机性的特点,它能使得萤火虫在初始化阶段时更加均匀的分布在搜索空间中。因此,本发明将混沌初始化的思想引入到萤火虫算法的种群初始化阶段。
Tent混沌映射已经被证实比Logistics混沌映射有着更好的均匀性和更快的迭代速度,采用Tent映射来进行萤火虫算法的种群初始化,Tent混沌初始化萤火虫个体位置的具体流程如下:假设共有个萤火虫个体,首先随机生成一个维度为/>的[0,1]范围内的萤火虫个体:/>其中,/>表示第/>个萤火虫第/>维度的位置;/>为[0,1]范围内的随机数;/>和/>分别表示第/>个萤火虫在第/>维上的上界和下界;
然后使用Tent混沌映射初始化剩余的个萤火虫个体每一维度的位置,Tent映射的函数定义如下所示:/> 为一个随机初始值,该值由/>函数生成,/>值由用户自己定义,取值为0.5;随机初始化和Sine混沌映射初始化的种群分布图对比如图4和图5所示。
步骤3、在改进的萤火虫算法的个体移动阶段:萤火虫会随机选择种群当中其他萤火虫个体,并根据其吸引力强度来确定自己的移动方向,向着吸引力更强的个体进行移动。其中吸引力函数的实际形式是任何单调递减函数,如下广义形式如下式: 表示的是/>处的吸引力强度;/>表示是两个萤火虫个体之间的笛卡尔距离,其中/>:/> 表示萤火虫空间坐标的第个分量;而一只萤火虫被另一只更吸引人的萤火虫吸引的运动取决于:其中,/>表示第/>个萤火虫的位置;/>为随机性参数,取值为0.5;/>为萤火虫随机迈出的一步,它的取值为:/> 用来度量两个萤火虫之间的亮度差异,/>为[0,1]内的随机数。
上述可知,基本萤火虫算法中的每个萤火虫个体只受到其他吸引力更强的萤火虫个体的影响。本技术提出了一种萤火虫自适应游走策略,以提高基本萤火虫算法的优化性能和效率。所提出的策略于基本萤火虫算法不同,基本萤火虫算法中的每个萤火虫个体只受到其他吸引力更强的萤火虫个体的影响。而所提出的萤火虫自适应游走策略,使得每个萤火虫个体定期选择的三个个体进行游走运行,在这个运动中,萤火虫种群中的每个个体都向具有更好位置的个体移动,并远离具有更差目标函数的个体的位置。改进的萤火虫算法的自适应游走策略可以用以下方程来描述:其中,/>表示第/>个萤火虫个体当前的目标函数适应度值;/>表示第/>个萤火虫个体当前的目标函数适应度值;/>表示第/>个萤火虫的位置;/>表示第/>个萤火虫的位置;代表更新之后的萤火虫位置;/>它们是一个随机数,取值由/>函数生成;,/>,/>分别代表选择的除第/>个萤火虫之外的第1,2,3个萤火虫;/>为吸收系数,取值为1;/>表示的是/>萤火虫和/>萤火虫之间的距离;/>表示的是/>萤火虫和/>萤火虫之间的距离;/>表示的是/>萤火虫和/>萤火虫之间的距离;/>为随机性参数,取值为0.5;/>为萤火虫随机迈出的一步,它的取值为:/>,其中,/>为[0,1]内的随机数。
步骤4、在改进的萤火虫算法搜索阶段,改进的萤火虫算法通过使用贪婪选择策略,来更新萤火虫的种群位置。在萤火虫个体移动完毕后,重新计算萤火虫新位置的适应度值,并采取适应度函数为风电爬坡事件风速及风力发电功率数据训练集的均方根误差(RMSE)。
在改进的萤火虫算法搜索阶段,加入了萤火虫位置贪婪选择策略。由于每一个萤火虫在每一次迭代产生新的位置时,新位置的适应度值可能比原位置的适应度值更差。所以在迭代过程中必须对萤火虫的位置进行贪婪选择,以提高萤火虫算法的寻优速度。在每次迭代萤火虫飞往新位置之后,将新位置和原位置的适应度值进行比较,如果新位置的适应度值优于原位置,则萤火虫下一次迭代的位置将由新位置来更新。否则,萤火虫的位置不发生变化。具体过程如下式所示:其中,/>为/>迭代开始时第/>个萤火虫的位置;/>为第/>个萤火虫的新位置;/>为第/>个萤火虫的旧位置;/>为萤火虫个体在新位置的适应度值;/>为萤火虫个体在旧位置的适应度值。
步骤5、判断是否达到停止条件,适应度函数为风电爬坡事件风速及风力发电功率数据训练集的均方根误差是否达到最优,若达到最优则输出当前萤火虫算法寻优到的全局最优参数,否则重新执行步骤3和4。
步骤6、将适应度函数达到最优情况下输入层到隐含层、以及隐含层到输出层的权值和阈值赋值给自适应调整学习率的BP神经网络(IBP),IBP利用获取到的最优权值和阈值进行风速及风力发电功率的预测。其中,IBP的原理和方法如下所示:
BP神经网络时间序列模型绝大多数采用了三层结构:输入层、隐含层和输出层,有文献证明,对于任意闭合区间连续函数都可以用含有一个隐含层的BP网络来逼近。因而用三层的BP网络来预测风速及风力发电功率可以满足网络的精度要求。三层BP神经网络时间序列预测模型结构如图4至图5所示。
BP神经网络的结构参数设置如图3所示,采用三层BP神经网络来建立风电功率的时间序列预测模型,其中输入层的节点数为训练集数据的总量,输出层的节点数为测试集数据的总量。隐含层的节点数是一个影响BP神经网络预测性能的重要设计参数,若节点数设置过多,则会出现预测模型过拟合现象,降低了模型的泛化能力;若节点数设置过少,则会出现不能够体现训练样本规律的问题,因此,本发明中采用试凑法,来确定风速及风力发电功率的预测的最佳隐含层节点数。
首先隐含层节点数的初始值先通过以下公式进行计算
其中,/>表示隐含层节点数取值为5,/>表示输入层节点数,/>表示输出层节点数;/>代表0到10之间的一个常数。
在计算时,先取值为2,然后不断增加/>的值,观察并根据实验结果发现在取值为5时,模型的总误差是最小的,预测效果最好。因此该模型的隐含层节点数设置为5。
为了进一步提高BP神经网络模型的预测精度和速度,本发明对基本的BP神经网络进行了改进,利用一种自适应调整学习率的BP神经网络时间序列预测模型来预测未来时刻风电爬坡情境下的风速及风力发电功率。其在BP神经网络中加入的自适应调节学习率的公示如下所示:
其中,/>和/>分别表示前代两次训练迭代时的误差;/>和/>分别表示前后两次迭代训练时自适应调整的学习率。
步骤7、获取待预测的地区风力发电场的风速及风力发电功率的实时数据。
步骤8、将收集到的实时的风速及风力发电功率作为预构建的风电爬坡事件下风速及风力发电功率的预测预测模型的输入,最终输出得到所述待预测风力发电场的风速及风力发电功率预测的结果。
确定IFA-IBP考虑风电爬坡事件的风速及风电功率混合预测的过程具体如下:
比对IFA-IBP时间序列预测模型和其他(参考)预测模型在测试集下的各类评价指标,若比对结果符合设定要求,即确定训练好的IFA-IBP模型为IFA-IBP风力发电功率时间序列预测模型,其中,各类评价指标包括平均偏差误差MBE(Mean Deviation Error,MBE),平均绝对误差(Mean Absolute Error,MAE),均方根误差(Root Mean Square Error,RMSE),其他(参考)预测模型包括单一IBP时间序列预测模型,FA-IBP时间序列预测模型,及常见的SVM,RF等机器学习方法模型。
如图7所示本发明还提供了一种考虑风电爬坡事件的风速及风电功率混合预测系统的设备,包括:存储器,用于存储计算机程序;处理器,用于在实际运行过程中执行所述计算机程序时实现基于改进萤火虫算法优化自适应调整学习率的BP神经网络的考虑风电爬坡的风速及功率混合预测方法。
所述处理器执行所述计算机程序时实现上述考虑风电爬坡的风速及功率混合预测方法的步骤。或者,所述处理器执行所述计算机程序时实现上述系统中各模块的功能,例如如图6所示:
采集模块,用于获取风电爬坡事件频发地区的风力发电场的风速历史数据;
生成模块,用于通过基于高斯混合模型结合非线性波动因子的概率生成模型,生成风力爬坡事件下的风速数据集,对风力爬坡事件进行模拟,并通过Simulink进行仿真得到风力爬坡事件下的风力发电功率;
构建模块,用于构建IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,IFA-IBP风电爬坡事件的风速及风电功率混合预测模型包括改进的萤火虫算法和自适应调整学习率的BP神经网络时间序列预测模型;
训练模块,用于获取风速数据,通过概率生成模型对风电爬坡事件风速数据进行模拟,通过Simulink仿真得到对应的风电功率数据,并将其分为训练数据集与测试数据集,然后将训练数据集输入IFA-IBP风电爬坡事件的风速及风电功率混合预测模型中进行训练,获得训练后的风电爬坡事件的风速及风电功率混合预测模型,其中训练过程包括使用改进后的萤火虫算法对自适应调整学习率的BP神经网络时间序列预测模型的参数进行寻优,寻优后再使用自适应调整学习率的BP神经网络进行风速和风电功率时间序列预测的过程;
调整模块,用于在改进的萤火虫算法的寻优过程中,以自适应调整学习率的BP神经网络在训练数据集的均方根误差为适应度函数,得到训练完成后参数最优的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型;
确定模块,用于将测试数据集输入训练完成后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,对训练后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型进行性能测试,最终测试确定IFA-IBP风电爬坡事件的风速及风电功率混合预测模型构建完成;
输出模块,用于通过将风力电场系统实时监测的风速及风力发电功率数据输入到构建好的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,最终输出得到未来时刻下风速及风力发电功率的时间序列预测值。
基于改进萤火虫算法优化自适应调整学习率的BP神经网络的考虑风电爬坡事件的风速及风电功率混合预测设备可以采用桌上型计算机、笔记本、掌上电脑及云端服务器等各种类型的计算设备。此设备由处理器、存储器等多个部件组成,且不限于此,可能包括其他组件或不同的组合。此处所提供的设备示例仅为说明用途,不具有限制性。
处理器可以是各种类型的器件,例如CPU、DSP、ASIC、FPGA等,也可以包括可编程逻辑器件、分立门、晶体管逻辑器件和分立硬件组件等。存储器被用于存储计算机程序和模块,处理器运行或执行存储在存储器中的计算机程序模块,并调用存储在存储器中的数据,从而实现基于IFA-IBP的考虑风电爬坡事件的风速及风电功率混合预测模型的各种功能。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(SmartMediaCard,SMC),安全数字(SecureDigital,SD)卡,闪存卡(FlashCard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还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所述的基于改进萤火虫算法优化自适应调整学习率的BP神经网络的考虑风电爬坡的风速及功率混合预测方法的步骤。
所述基于IFA-IBP的考虑风电爬坡的风速及功率混合预测方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储设备中。
基于这样的理解,本发明实现上述考虑风电爬坡的风速及功率混合预测方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,所述计算机程序在被处理器执行时,可实现上述考虑风电爬坡的风速及功率混合预测方法的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或预设中间形式等。
计算机可读存储介质可以指任何能携带计算机程序代码的实体或装置,包括记录介质、U盘、移动硬盘、磁盘、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、软件分发介质等。
需要说明的是,所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读存储介质不包括电载波信号和电信信号。
本实施例中,以中国西北地区某风力发电场的风速相关数据进行试验,通过本技术提出的基于高斯混合模型结合非线性波动因子的概率生成模型,生成风力爬坡事件下的风速数据集,对风力爬坡事件进行模拟,并通过Simulink进行仿真的到风力爬坡事件下的风力发电功率,充分训练后对风力爬坡事件频发地区风力进行精确预测,之后便可对风电爬坡事件频发地区的风速及风力发电功率进行精准预测。
为了评价预测效果,选取均方根误差(Root Mean Square Error,RMSE),平均偏差误差(Mean deviation error,MBE),平均绝对误差(mean absoluteerror MAE)作为模型预测精度的主要评价指标。
如图4至图5以及图8至图13所示,分别给出了该风力发电场的风速及风力发电功率时间序列预测精度评价及对比情况。从图4至图5以及图8至图13可以看出,相较于BP神经网络(BP)及基本萤火虫算法优化后的BP神经网络(FA-BP);本实施例中基于IFA-IBP的风速及风电功率混合预测方法,得到的风速及风力发电功率的预测值与真实值的差值很小,且迭代速度更快,符合实际应用需求,具备较强的普适性与准确性;本实施例中,IFA-IBP的风速及风电功率混合预测方法的风力发电功率测试集RMSE为0.13175,风速测试机RMSE为0.07884,低于其他对比方法,具备较高的预测精度;由图4至图5可知,Tent混沌映射对萤火虫算法的种群初始化有效提高了模型的全局搜索能力。由图8至图9可见,算法收敛速度也得到了有效提高,相比于萤火虫算法优化BP神经网络(FA-BP)模型预测精度有所提高,表明利用改进的萤火虫优化自适应调整学习率的BP神经网络(IFA-IBP)风速及风电功率混合预测模型的预测效果更佳。
本实施例提供的考虑风电爬坡事件的风速及风电功率混合预测模型中相关部分的说明可以参见本实施例所述的考虑风电爬坡的风速及功率混合预测方法中对应具体实施方式部分的详细说明,在此不再赘述。
本发明所述的考虑风电爬坡的风速及功率混合预测方法及装置,相比于单一的风力发电功率预测模型,有效提升了预测性能,同时兼具两种功能,不仅可以预测风力发电功率,同还可以有效预测风速;其中,通过Tent混沌映射初始化策略和萤火虫自适应游走策略以及萤火虫位置贪婪选择策略对萤火虫算法进行改进,提高了算法的寻优速度和全局搜索能力,为提高BP神经网络模型的预测精度打下可靠基础。
风力发电量与天气环境特征具有很强的相关性,特别是风速的影响。而风速的特征和时间具有强相关性,且这些特性会包含在历史风力发电功率数据中,因此BP神经网络时间序列预测模型在解决这一问题上具有良好的能力,但BP神经网络的参数设定会影响预测性能,因此本技术通过对基本萤火虫算法进行改进,引入Tent混沌映射初始化策略和萤火虫自适应游走策略以及萤火虫位置贪婪选择策略得到改进后的萤火虫算法。然后利用该算法对自适应调整学习率的BP神经网络时间序列预测模型的权值和阈值进行寻优,得到最优参数的考虑风电爬坡事件的风速及风电功率混合预测模型可对风电爬坡事件频发地区的风速及风力发电功率进行精准预测,相较于现有的机器学习模型及群智能算法具备一定优势。充分利用改进的萤火虫算法(IFA)及自适应调整学习率的BP神经网络(IBP)的特点,解决了单一机器模型存在的预测精度低、迭代速度慢,泛化性能差的问题,进一步提升了模型预测能力。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (22)
1.考虑风电爬坡的风速及功率混合预测方法,其特征在于,包括以下步骤:
获取风电爬坡事件频发地区的风力发电场的风速历史数据;
通过基于高斯混合模型结合非线性波动因子的概率生成模型,生成风力爬坡事件下的风速数据集,对风力爬坡事件进行模拟,并通过Simulink进行仿真得到风力爬坡事件下的风力发电功率;
构建IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,IFA-IBP风电爬坡事件的风速及风电功率混合预测模型包括改进的萤火虫算法和自适应调整学习率的BP神经网络时间序列预测模型;
获取风速数据,通过概率生成模型对风电爬坡事件风速数据进行模拟,通过Simulink仿真得到对应的风电功率数据,并将其分为训练数据集与测试数据集,然后将训练数据集输入IFA-IBP风电爬坡事件的风速及风电功率混合预测模型中进行训练,获得训练后的风电爬坡事件的风速及风电功率混合预测模型,其中训练过程包括使用改进后的萤火虫算法对自适应调整学习率的BP神经网络时间序列预测模型的参数进行寻优,寻优后再使用自适应调整学习率的BP神经网络进行风速和风电功率时间序列预测的过程;
在改进的萤火虫算法的寻优过程中,以自适应调整学习率的BP神经网络在训练数据集的均方根误差为适应度函数,得到训练完成后参数最优的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型;
将测试数据集输入训练完成后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,对训练后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型进行性能测试,最终测试确定IFA-IBP风电爬坡事件的风速及风电功率混合预测模型构建完成;
通过将风力电场系统实时监测的风速及风力发电功率数据输入到构建好的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,最终输出得到未来时刻下风速及风力发电功率的时间序列预测值;
所述通过基于高斯混合模型结合非线性波动因子的概率生成模型,生成风力爬坡事件下的风速数据集,对风力爬坡事件进行模拟,并通过Simulink进行仿真得到风力爬坡事件下的风力发电功率包括:
由K个高斯分布组成的高斯混合模型,每个高斯分布由均值μw和方差来描述,生成过程为从K个高斯分布中选择一个分布c,根据一定的概率分布,选择一个高斯分布的权重P(c=w);
在所选的高斯分布c中,生成一个样本值,从高斯分布中抽取一个样本,概率生成模型的概率密度函数P(x)用以下公式表示:
其中,/>表示均值为μw和方差/>的高斯分布在x处的概率密度函数,P(c=w)表示选择第w个高斯分布的权重,均值μw和方差/>通过应用地点的改变,根据当地风速情况进行拟合,爬坡事件下的高斯分布与正常情况下不同,通过爬坡事件数据拟合后的高斯混合模型完成对当地风电爬坡事件的模拟;
同时引入一个非线性波动因子G(t)用于模拟实际风电爬坡事件下风速的波动:
G(t)=0.4*sin(0.2t)+0.110g(t+1)+013sin(t)2
式中,G(t)是随时间t变化的非线性波动因子,在给定高斯混合模型参数和分量选择的情况下,通过P(x)相结合生成x的概率,将此概率结合非线性波动因子G(t)与风速数据生成风电爬坡事件下的风速数据集,得到风电爬坡事件模拟后的风速数据集,通过Simulink对其对应的风力发电功率进行计算,得到对应的风电爬坡事件下风力发电功率数据集并将其分为训练数据集与测试数据集。
2.如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法,其特征在于,改进的萤火虫算法的改进过程包括:
针对基本的萤火虫算法在种群初始化阶段时,使用随机数在搜索空间上生成每个萤火虫的初始位置,将混沌初始化的思想引入到萤火虫算法的种群初始化阶段;
采用Tent混沌映射来进行萤火虫算法的种群初始化,Tent混沌初始化萤火虫个体位置的具体流程如下:假设共有n个萤火虫个体,首先随机生成一个维度为d的[0,1]范围内的萤火虫个体:
xi,j=(ubj-lbj)*U(0,1)+lbj
其中,xi,j表示第i个萤火虫第j维度的位置;U(0,1)为[0,1]范围内的随机数;ubj和lbj分别表示第i个萤火虫在第j维上的上界和下界;
然后使用Tent混沌映射初始化剩余的n-1个萤火虫个体每一维度的位置,Tent映射的函数定义如下所示:
Ck为一个随机初始值,该值由rand函数生成,β值由用户自己定义,取值为0.5;
改进的萤火虫算法的自适应游走策略,该自适应游走策略用以下方程来描述:
F(xi)表示第i个萤火虫个体当前的目标函数适应度值;F(xj)表示第j个萤火虫个体当前的目标函数适应度值;xi表示第i个萤火虫的位置;xj表示第j个萤火虫的位置;代表更新之后的萤火虫位置;β1=β2=β3是一个随机数,取值由rand函数生成;xj1,xj2,xj3分别代表选择的除第i个萤火虫之外的第1,2,3个萤火虫;γ为吸收系数,取值为1;/>表示的是i萤火虫和j1萤火虫之间的距离;/>表示的是i萤火虫和j2萤火虫之间的距离;/>表示的是i萤火虫和j3萤火虫之间的距离;α为随机性参数,取值为0.5;δ为萤火虫随机迈出的一步,它的取值为:
δ=abs(ub-lb)*(rand(1,d)-0.5)
abs(ub-lb)表示绝对值函数,ub和lb分别表示萤火虫在维度上的上界和下界,rand为[0,1]内的随机数。
3.如权利要求2所述的考虑风电爬坡的风速及功率混合预测方法,其特征在于,改进的萤火虫算法的改进过程还包括:
改进的萤火虫算法的个体移动阶段,萤火虫随机选择种群当中其他萤火虫个体,并根据其吸引力强度来确定自己的移动方向,向着吸引力更强的个体进行移动,其中吸引力函数β(rE)的实际形式是任何单调递减函数,广义形式如下式:
β(rE)=β0exp(-γrE 2)
β0表示的是rE=0处的吸引力强度;rE表示是两个萤火虫个体之间的笛卡尔距离,其中E=ij:
xi,k表示萤火虫空间坐标的第k个分量;
而一只萤火虫被另一只更吸引人的萤火虫吸引的运动取决于:
4.如权利要求2所述的考虑风电爬坡的风速及功率混合预测方法,其特征在于,改进的萤火虫算法的改进过程还包括:
在改进的萤火虫算法搜索阶段,加入萤火虫位置贪婪选择策略,在每次迭代萤火虫飞往新位置之后,将新位置和原位置的适应度值进行比较,如果新位置的适应度值优于原位置,则萤火虫下一次迭代的位置将由新位置来更新,否则,萤火虫的位置不发生变化,具体过程如下式所示:
为t+1迭代开始时第i个萤火虫的位置;/>为第i个萤火虫的新位置;Xi old为第i个萤火虫的旧位置;fi new为萤火虫个体在新位置的适应度值;fi old为萤火虫个体在旧位置的适应度值。
5.如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法,其特征在于,所述自适应调整学习率的BP神经网络时间序列预测模型在BP神经网络中加入的自适应调节学习率,采用如下公式表示:
e(t+1)和e(t)分别表示前代两次训练迭代时的误差;L(t+1)和L(t)分别表示前后两次迭代训练时自适应调整的学习率。
6.如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法,其特征在于,使用改进的萤火虫算法对自适应调整学习率的BP神经网络时间序列预测模型的参数进行寻优,具体参数为BP神经网络中的输入层到隐含层、以及隐含层到输出层的权值和阈值。
7.如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法,其特征在于,IFA-IBP风电爬坡事件的风速及风电功率混合预测模型通过适应度函数判断模型的参数达到最优的方式是:通过最小化训练集的均方根误差判断模型参数达到最优。
8.如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法,其特征在于,将测试数据集输入训练完成后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,对训练后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型进行性能测试,最终测试确定IFA-IBP风电爬坡事件的风速及风电功率混合预测模型构建完成包括:
比对训练后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型和参考预测模型在测试集下的评价指标,若比对结果符合设定要求,确定训练后的模型为风电爬坡事件的风速及风电功率混合预测模型,其中所述评价指标包括平均偏差误差、平均绝对误差以及均方根误差,所述参考预测模型为单一IBP时间序列预测模型或FA-IBP时间序列预测模型。
9.如权利要求8所述的考虑风电爬坡的风速及功率混合预测方法,其特征在于,所述均方根误差、平均绝对误差及平均偏差误差作为评价指标通过IFA-IBP风电爬坡事件的风速及风电功率混合预测模型对训练集与测试集的预测结果得出。
10.如权利要求1所述的考虑风电爬坡的风速及功率混合预测方法,其特征在于,在适应度函数达到最优情况下输入层到隐含层、以及隐含层到输出层的权值和阈值赋值给自适应调整学习率的BP神经网络,自适应调整学习率的BP神经网络利用获取到的最优权值和阈值进行风速及风力发电功率的预测;
BP神经网络时间序列模型采用输入层、隐含层和输出层,BP神经网络时间序列预测模型结构参数设置如下所示:
采用三层BP神经网络来建立风电功率的时间序列预测模型,其中输入层的节点数为训练集数据的总量,输出层的节点数为测试集数据的总量;
隐含层的节点数采用试凑法,来确定风速及风力发电功率的预测的最佳隐含层节点数,
隐含层节点数的初始值先通过以下公式进行计算
hid表示隐含层节点数,取值为5;inp表示输入层节点数;oup表示输出层节点数;θ代表0到10之间的一个常数。
11.考虑风电爬坡的风速及功率混合预测装置,其特征在于,包括:
采集模块,用于获取风电爬坡事件频发地区的风力发电场的风速历史数据;
生成模块,用于通过基于高斯混合模型结合非线性波动因子的概率生成模型,生成风力爬坡事件下的风速数据集,对风力爬坡事件进行模拟,并通过Simulink进行仿真得到风力爬坡事件下的风力发电功率;
构建模块,用于构建IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,IFA-IBP风电爬坡事件的风速及风电功率混合预测模型包括改进的萤火虫算法和自适应调整学习率的BP神经网络时间序列预测模型;
训练模块,用于获取风速数据,通过概率生成模型对风电爬坡事件风速数据进行模拟,通过Simulink仿真得到对应的风电功率数据,并将其分为训练数据集与测试数据集,然后将训练数据集输入IFA-IBP风电爬坡事件的风速及风电功率混合预测模型中进行训练,获得训练后的风电爬坡事件的风速及风电功率混合预测模型,其中训练过程包括使用改进后的萤火虫算法对自适应调整学习率的BP神经网络时间序列预测模型的参数进行寻优,寻优后再使用自适应调整学习率的BP神经网络进行风速和风电功率时间序列预测的过程;
调整模块,用于在改进的萤火虫算法的寻优过程中,以自适应调整学习率的BP神经网络在训练数据集的均方根误差为适应度函数,得到训练完成后参数最优的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型;
确定模块,用于将测试数据集输入训练完成后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,对训练后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型进行性能测试,最终测试确定IFA-IBP风电爬坡事件的风速及风电功率混合预测模型构建完成;
输出模块,用于通过将风力电场系统实时监测的风速及风力发电功率数据输入到构建好的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,最终输出得到未来时刻下风速及风力发电功率的时间序列预测值;
所述通过基于高斯混合模型结合非线性波动因子的概率生成模型,生成风力爬坡事件下的风速数据集,对风力爬坡事件进行模拟,并通过Simulink进行仿真得到风力爬坡事件下的风力发电功率包括:
由K个高斯分布组成的高斯混合模型,每个高斯分布由均值μw和方差来描述,生成过程为从K个高斯分布中选择一个分布c,根据一定的概率分布,选择一个高斯分布的权重P(c=w);
在所选的高斯分布c中,生成一个样本值,从高斯分布中抽取一个样本,概率生成模型的概率密度函数P(x)用以下公式表示:
其中,/>表示均值为μw和方差/>的高斯分布在x处的概率密度函数,P(c=w)表示选择第w个高斯分布的权重,均值μw和方差/>通过应用地点的改变,根据当地风速情况进行拟合,爬坡事件下的高斯分布与正常情况下不同,通过爬坡事件数据拟合后的高斯混合模型完成对当地风电爬坡事件的模拟;
同时引入一个非线性波动因子G(t)用于模拟实际风电爬坡事件下风速的波动:
G(t)=0.4*sin(0.2t)+0.1log(t+1)+0.3sin(t)2
式中,G(t)是随时间t变化的非线性波动因子,在给定高斯混合模型参数和分量选择的情况下,通过P(x)相结合生成x的概率,将此概率结合非线性波动因子G(t)与风速数据生成风电爬坡事件下的风速数据集,得到风电爬坡事件模拟后的风速数据集,通过Simulink对其对应的风力发电功率进行计算,得到对应的风电爬坡事件下风力发电功率数据集并将其分为训练数据集与测试数据集。
12.如权利要求11所述的考虑风电爬坡的风速及功率混合预测装置,其特征在于,改进的萤火虫算法的改进过程包括:
针对基本的萤火虫算法在种群初始化阶段时,使用随机数在搜索空间上生成每个萤火虫的初始位置,将混沌初始化的思想引入到萤火虫算法的种群初始化阶段;
采用Tent混沌映射来进行萤火虫算法的种群初始化,Tent混沌初始化萤火虫个体位置的具体流程如下:假设共有n个萤火虫个体,首先随机生成一个维度为d的[0,1]范围内的萤火虫个体:
xi,j=(ubj-lbj)*U(0,1)+lbj
其中,xi,j表示第i个萤火虫第j维度的位置;U(0,1)为[0,1]范围内的随机数;ubj和lbj分别表示第i个萤火虫在第j维上的上界和下界;
然后使用Tent混沌映射初始化剩余的n-1个萤火虫个体每一维度的位置,Tent映射的函数定义如下所示:
Ck为一个随机初始值,该值由rand函数生成,β值由用户自己定义,取值为0.5;
改进的萤火虫算法的自适应游走策略,该自适应游走策略用以下方程来描述:
F(xi)表示第i个萤火虫个体当前的目标函数适应度值;F(xj)表示第j个萤火虫个体当前的目标函数适应度值;xi表示第i个萤火虫的位置;xj表示第j个萤火虫的位置;代表更新之后的萤火虫位置;β1=β2=β3是一个随机数,取值由rand函数生成;xj1,xj2,xj3分别代表选择的除第i个萤火虫之外的第1,2,3个萤火虫;γ为吸收系数,取值为1;/>表示的是i萤火虫和j1萤火虫之间的距离;/>表示的是i萤火虫和j2萤火虫之间的距离;/>表示的是i萤火虫和j3萤火虫之间的距离;α为随机性参数,取值为0.5;δ为萤火虫随机迈出的一步,它的取值为:
δ=abs(ub-lb)*(rand(1,d)-0.5)
abs(ub-lb)表示绝对值函数,ub和lb分别表示萤火虫在维度上的上界和下界,rand为[0,1]内的随机数。
13.如权利要求12所述的考虑风电爬坡的风速及功率混合预测装置,其特征在于,改进的萤火虫算法的改进过程还包括:
改进的萤火虫算法的个体移动阶段,萤火虫随机选择种群当中其他萤火虫个体,并根据其吸引力强度来确定自己的移动方向,向着吸引力更强的个体进行移动,其中吸引力函数β(rE)的实际形式是任何单调递减函数,广义形式如下式:
β(rE)=β0exp(-γrE 2)
β0表示的是rE=0处的吸引力强度;rE表示是两个萤火虫个体之间的笛卡尔距离,其中E=ij:
xi,k表示萤火虫空间坐标的第k个分量;
而一只萤火虫被另一只更吸引人的萤火虫吸引的运动取决于:
14.如权利要求12所述的考虑风电爬坡的风速及功率混合预测装置,其特征在于,改进的萤火虫算法的改进过程还包括:
在改进的萤火虫算法搜索阶段,加入萤火虫位置贪婪选择策略,在每次迭代萤火虫飞往新位置之后,将新位置和原位置的适应度值进行比较,如果新位置的适应度值优于原位置,则萤火虫下一次迭代的位置将由新位置来更新,否则,萤火虫的位置不发生变化,具体过程如下式所示:
为t+1迭代开始时第i个萤火虫的位置;/>为第i个萤火虫的新位置;Xi old为第i个萤火虫的旧位置;fi new为萤火虫个体在新位置的适应度值;fi old为萤火虫个体在旧位置的适应度值。
15.如权利要求11所述的考虑风电爬坡的风速及功率混合预测装置,其特征在于,所述自适应调整学习率的BP神经网络时间序列预测模型在BP神经网络中加入的自适应调节学习率,采用如下公式表示:
e(t+1)和e(t)分别表示前代两次训练迭代时的误差;L(t+1)和L(t)分别表示前后两次迭代训练时自适应调整的学习率。
16.如权利要求11所述的考虑风电爬坡的风速及功率混合预测装置,其特征在于,使用改进的萤火虫算法对自适应调整学习率的BP神经网络时间序列预测模型的参数进行寻优,具体参数为BP神经网络中的输入层到隐含层、以及隐含层到输出层的权值和阈值。
17.如权利要求11所述的考虑风电爬坡的风速及功率混合预测装置,其特征在于,IFA-IBP风电爬坡事件的风速及风电功率混合预测模型通过适应度函数判断模型的参数达到最优的方式是:通过最小化训练集的均方根误差判断模型参数达到最优。
18.如权利要求11所述的考虑风电爬坡的风速及功率混合预测装置,其特征在于,将测试数据集输入训练完成后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型,对训练后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型进行性能测试,最终测试确定IFA-IBP风电爬坡事件的风速及风电功率混合预测模型构建完成包括:
比对训练后的IFA-IBP风电爬坡事件的风速及风电功率混合预测模型和参考预测模型在测试集下的评价指标,若比对结果符合设定要求,确定训练后的模型为风电爬坡事件的风速及风电功率混合预测模型,其中所述评价指标包括平均偏差误差、平均绝对误差以及均方根误差,所述参考预测模型为单一IBP时间序列预测模型或FA-IBP时间序列预测模型。
19.如权利要求18所述的考虑风电爬坡的风速及功率混合预测装置,其特征在于,所述均方根误差、平均绝对误差及平均偏差误差作为评价指标通过IFA-IBP风电爬坡事件的风速及风电功率混合预测模型对训练集与测试集的预测结果得出。
20.如权利要求11所述的考虑风电爬坡的风速及功率混合预测装置,其特征在于,在适应度函数达到最优情况下输入层到隐含层、以及隐含层到输出层的权值和阈值赋值给自适应调整学习率的BP神经网络,自适应调整学习率的BP神经网络利用获取到的最优权值和阈值进行风速及风力发电功率的预测;
BP神经网络时间序列模型采用输入层、隐含层和输出层,BP神经网络时间序列预测模型结构参数设置如下所示:
采用三层BP神经网络来建立风电功率的时间序列预测模型,其中输入层的节点数为训练集数据的总量,输出层的节点数为测试集数据的总量;
隐含层的节点数采用试凑法,来确定风速及风力发电功率的预测的最佳隐含层节点数,
隐含层节点数的初始值先通过以下公式进行计算
hid表示隐含层节点数取值为5,inp表示输入层节点数,oup表示输出层节点数;θ代表0到10之间的一个常数。
21.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至10中任一项所述方法的步骤。
22.一种计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至10中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311578654.8A CN117293825B (zh) | 2023-11-24 | 2023-11-24 | 考虑风电爬坡的风速及功率混合预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311578654.8A CN117293825B (zh) | 2023-11-24 | 2023-11-24 | 考虑风电爬坡的风速及功率混合预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117293825A CN117293825A (zh) | 2023-12-26 |
CN117293825B true CN117293825B (zh) | 2024-02-13 |
Family
ID=89241137
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311578654.8A Active CN117293825B (zh) | 2023-11-24 | 2023-11-24 | 考虑风电爬坡的风速及功率混合预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117293825B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933778A (zh) * | 2017-01-22 | 2017-07-07 | 中国农业大学 | 一种基于爬坡事件特征识别的风电功率组合预测方法 |
CN112529275A (zh) * | 2020-12-02 | 2021-03-19 | 中国矿业大学 | 基于特征提取和深度学习的风电爬坡事件预测方法 |
CN113297805A (zh) * | 2021-06-30 | 2021-08-24 | 南京信息工程大学 | 一种风电功率爬坡事件间接预测方法 |
CN113486593A (zh) * | 2021-07-22 | 2021-10-08 | 南京工程学院 | 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法 |
-
2023
- 2023-11-24 CN CN202311578654.8A patent/CN117293825B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106933778A (zh) * | 2017-01-22 | 2017-07-07 | 中国农业大学 | 一种基于爬坡事件特征识别的风电功率组合预测方法 |
CN112529275A (zh) * | 2020-12-02 | 2021-03-19 | 中国矿业大学 | 基于特征提取和深度学习的风电爬坡事件预测方法 |
CN113297805A (zh) * | 2021-06-30 | 2021-08-24 | 南京信息工程大学 | 一种风电功率爬坡事件间接预测方法 |
CN113486593A (zh) * | 2021-07-22 | 2021-10-08 | 南京工程学院 | 一种基于风电功率爬坡预测的风-蓄-氢混合储能控制方法 |
Non-Patent Citations (1)
Title |
---|
"考虑气象相似性与数值天气预报修正的海上风功率预测";符杨 等;《电网技术》;第第43卷卷(第第4期期) * |
Also Published As
Publication number | Publication date |
---|---|
CN117293825A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
Liu et al. | Short-term photovoltaic power prediction on modal reconstruction: A novel hybrid model approach | |
CN106712075B (zh) | 一种考虑风电并网系统安全约束的调峰策略优化方法 | |
CN114970362B (zh) | 一种多能源结构下的电网负荷调度预测方法及系统 | |
CN110336298A (zh) | 一种基于混合智能算法的含分布式电源配网无功规划方法 | |
CN111523749B (zh) | 一种水电机组模型智能辨识方法 | |
CN113468790B (zh) | 一种基于改进粒子群算法的风速特征模拟方法及系统 | |
CN113722980B (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN111404204A (zh) | 一种利用改进狼群算法的含风电场电力系统优化调度方法 | |
CN117973644B (zh) | 一种考虑参考电站优化的分布式光伏功率虚拟采集方法 | |
CN111339066A (zh) | 数据库优化方法、装置、电子设备及计算机可读存储介质 | |
Zhang et al. | Physical-model-free intelligent energy management for a grid-connected hybrid wind-microturbine-PV-EV energy system via deep reinforcement learning approach | |
Liu et al. | Wind power short-term forecasting based on LSTM neural network with dragonfly algorithm | |
CN117217376B (zh) | 一种用于光伏电站建设的选址方法及系统 | |
CN117293825B (zh) | 考虑风电爬坡的风速及功率混合预测方法及装置 | |
CN113449462A (zh) | 一种基于MALO-BiGRU的超短期风速预测方法及系统 | |
CN117575870A (zh) | 一种基于sd-flus模型的城市碳平衡优化方法 | |
CN117154736A (zh) | 一种混合储能系统参与火电机组深度调峰优化方法及系统 | |
CN111461282A (zh) | 一种基于改进量子行为粒子群算法的模型辨识方法 | |
CN115271254A (zh) | 一种基于海鸥算法优化极限学习机的短期风功率预测方法 | |
CN115640903A (zh) | 考虑小波分解和多目标优化的光伏发电预测方法及系统 | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
CN109738808A (zh) | 基于模拟退火算法优化后的bp神经网络来估算soc的方法 | |
Zhang et al. | A Novel Combined Model Based on Hybrid Data Decomposition, MSWOA and ENN for Short-Term Wind Speed Forecasting |
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 |