CN117318045A - 一种基于粒子群优化算法的多机组风电功率预测方法 - Google Patents
一种基于粒子群优化算法的多机组风电功率预测方法 Download PDFInfo
- Publication number
- CN117318045A CN117318045A CN202311346337.3A CN202311346337A CN117318045A CN 117318045 A CN117318045 A CN 117318045A CN 202311346337 A CN202311346337 A CN 202311346337A CN 117318045 A CN117318045 A CN 117318045A
- Authority
- CN
- China
- Prior art keywords
- data
- particle swarm
- power
- data set
- optimization algorithm
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 72
- 239000002245 particle Substances 0.000 title claims abstract description 72
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 62
- 230000006870 function Effects 0.000 claims abstract description 46
- 238000012360 testing method Methods 0.000 claims abstract description 34
- 230000015654 memory Effects 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 24
- 238000005259 measurement Methods 0.000 claims abstract description 23
- 230000007787 long-term memory Effects 0.000 claims description 22
- 230000006403 short-term memory Effects 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 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
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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]
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Power Engineering (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于粒子群优化算法的多机组风电功率预测方法,具体为:采集一定时间内的数值天气预报数据、风机运行数据和实测功率数据;对异常数据进行处理,划分训练集和测试集;定义粒子群优化算法目标函数和优化变量;选择天气预报、运行数据作为输入数据,实测功率作为输出数据;在初始粒子群生成的变量下,训练初始粒子长短期记忆网络,使用测试集数据得到目标函数值;将目标函数值送到粒子群优化算法,得到更新后变量;进一步训练长短期记忆网络,更新目标函数值,直至优化结束,得到最优变量和长短期记忆网络;对多台机组逐一预测,加和后得到多台机组预测总功率;本发明具有利用全局最优、参数优化、提升预测精度的优点。
Description
技术领域
本发明属于人工智能技术领域,具体涉及一种基于粒子群优化算法的多机组风电功率预测方法。
背景技术
以风能、光伏等为主题的可再生能源得到快速发展,然而可再生能源的随机性、不确定性等造成功率输出存在很强的波动性,为了能够更好的吸纳可再生能源并入电网,这就要求提高可再生能源的功率预测精度,从而能够提前调整电网调度安排,从而减少弃风弃光情况的发生;目前常用的风电预测方案主要有基于数值天气预报结合物理方法、依赖风电功率信号的统计学方法和基于数值天气预报结合人工智能的方法,基于数值天气预报结合物理方法依赖于物理建立过程,对于风机的位置尺寸等数据的依赖性强,对于地区级的风电功率来讲存在一定的难度;依赖风电功率信号的统计学方法将一维时序序列的风电功率信号通过特征值分解为多维样本,然后进行预测,但是由于以若干个时刻的数据组成的输入样本,很难代表系统当前时刻的模式,使得预测精度一般,基于数值天气预报结合人工智能的方法是一种主流的方法,然而设计的神经网络参数比如各个隐含层的神经元个数等需要手动给定,很难保证给定的参数能够保证最佳的训练结果;因此,提供一种利用全局最优、对神经网络的参数优化、提升功率预测的精度的一种基于粒子群优化算法的多机组风电功率预测方法是非常有必要的。
发明内容
本发明的目的是为了克服现有技术的不足,而提供一种利用全局最优、对神经网络的参数优化、提升功率预测的精度的一种基于粒子群优化算法的多机组风电功率预测方法。
本发明的目的是这样实现的:一种基于粒子群优化算法的多机组风电功率预测方法,所述的方法包括以下步骤:
步骤101:选择一定长度时间段内的数值天气预报数据、风机运行数据和实测功率数据;
步骤102:遍历数据集,查找数据缺失项与异常项,并采用前k个数据的功率平均值替代;
步骤103:将数据分成训练数据集和测试数据集,选择训练数据集中数值天气预报数据和风机运行数据作为输入数据;选择训练数据集中实测功率作为输出数据;
步骤104:定义均方根误差或者平均绝对误差作为粒子群优化算法的目标函数,定义长短期记忆网络的各隐含层神经元个数为优化变量;
步骤105:将训练数据集中的天气预报、运行数据作为输入数据,选择实测功率作为输出数据,在初始粒子群生成的变量下,训练初始粒子的长短期记忆网络,使用测试集中的天气预报、运行数据作为输入数据,输入到训练后的长短期记忆网络,得到测试集的功率预测值,与测试集中的实测功率计算得到更新后的目标函数值;
步骤106:将更新后的目标函数值送到粒子群优化算法,得到更新后的粒子群生成的新变量;进一步训练长短期记忆网络,更新目标函数值;
步骤107:重复上一个步骤,直至搜索到最小目标函数值或达到最大迭代次数,从而得到最优的变量和对应的长短期记忆网络;
步骤108:基于得到的长短期记忆网络对多台机组逐一进行预测,将各机组的预测功率值加和后得到多台机组的预测总功率。
所述的步骤101中的数值天气预报数据包括但不限于不同高度和风电机组轮毂高度处的风速、风向、总辐照度、法向直射辐照度、水平面散射辐照度、气温、相对湿度、气压数据;风机运行数据包括但不限于叶片变桨角、机舱方向、涡轮机机舱内的温度、叶轮直径、桨距。
所述的步骤102中的遍历数据集,查找数据缺失项与异常项,并采用前个数据的功率平均值替代具体为:遍历数据集,查找数据缺失项与异常项,如果t时刻存在缺失项或异常项则获取该项的前k个时刻的输出值
Xt-1、Xt-2、Xt-3、...、Xt-k,缺失项与异常项通过k个数据的功率平均值替代,k个数据的功率平均值计算如下:Xt为t时刻的异常值;/>为t时刻前k个时刻的输出功率平均值;k通过分析数据的自相关性确定,采用斯皮尔曼相关系数法确定k的具体取值。
所述的步骤103中的将数据分成训练数据集和测试数据集,选择训练数据集中数值天气预报数据和风机运行数据作为输入数据;选择训练数据集中实测功率作为输出数据具体为:将得到的处理后数据集分成训练数据集和测试数据集,训练数据集占归一化后数据的[50%,98%]左右,剩下的数据为测试数据集,选择训练数据集中数值天气预报数据和风机运行数据作为输入数据;选择训练数据集中实测功率作为输出数据。
所述的步骤104中的定义均方根误差或者平均绝对误差作为粒子群优化算法的目标函数,定义长短期记忆网络的各隐含层神经元个数为优化变量具体为:定义均方根误差或者平均绝对误差作为粒子群优化算法的目标函数,均方根误差的计算公式如下: yi分别表示第i个样本的预测值和实际值;m为样本数量;平均绝对误差的计算公式如下:/> yi分别表示第i个样本的预测值和实际值;m为样本数量;定义长短期记忆网络的各隐含层神经元个数为优化变量。
本发明的有益效果:本发明为一种基于粒子群优化算法的多机组风电功率预测方法,在使用中,本发明首先基于风电场数据采集系统采集一定时间内的数值天气预报数据、风机运行数据和实测功率数据;对数据中的异常数据进行处理得到处理后数据,划分训练集和测试集;然后定义粒子群优化算法的目标函数,定义优化变量;进一步将处理后数据的天气预报、运行数据作为输入数据,选择实测功率作为输出数据,在初始粒子群生成的变量下,训练初始粒子的长短期记忆网络,使用测试集数据得到目标函数值;再次将目标函数值送到粒子群优化算法,得到更新后的粒子群生成的新变量;进一步训练长短期记忆网络,更新目标函数值,直至搜索到最小目标函数值或达到最大迭代次数,从而得到最优的变量和对应的长短期记忆网络,最后基于得到的长短期记忆网络对多台机组逐一进行预测,加和后得到多台机组的预测总功率;本发明能够利用粒子群优化算法的全局最优提升预测精度,具有很实际的应用价值;本发明借助粒子群优化算法的全局收敛性优势,对神经网络的参数优化,达到最佳的训练结果,从而提升功率预测的精度,具有很实际的应用价值;本发明具有利用全局最优、对神经网络的参数优化、提升功率预测的精度的优点。
附图说明
图1为本发明一种基于粒子群优化算法的多机组风电功率预测方法的流程图。
图2为本发明一种基于粒子群优化算法的多机组风电功率预测方法的粒子群优化算法优化长短期记忆网络的结构框图。
图3为本发明一种基于粒子群优化算法的多机组风电功率预测方法的在多机组功率预测结果示意图。
具体实施方式
下面结合附图对本发明做进一步的说明。
实施例1
如图1-3所示,一种基于粒子群优化算法的多机组风电功率预测方法,所述的方法包括以下步骤:
步骤101:选择一定长度时间段内的数值天气预报数据、风机运行数据和实测功率数据;
步骤102:遍历数据集,查找数据缺失项与异常项,并采用前k个数据的功率平均值替代;
步骤103:将数据分成训练数据集和测试数据集,选择训练数据集中数值天气预报数据和风机运行数据作为输入数据;选择训练数据集中实测功率作为输出数据;
步骤104:定义均方根误差或者平均绝对误差作为粒子群优化算法的目标函数,定义长短期记忆网络的各隐含层神经元个数为优化变量;
步骤105:将训练数据集中的天气预报、运行数据作为输入数据,选择实测功率作为输出数据,在初始粒子群生成的变量下,训练初始粒子的长短期记忆网络,使用测试集中的天气预报、运行数据作为输入数据,输入到训练后的长短期记忆网络,得到测试集的功率预测值,与测试集中的实测功率计算得到更新后的目标函数值;
步骤106:将更新后的目标函数值送到粒子群优化算法,得到更新后的粒子群生成的新变量;进一步训练长短期记忆网络,更新目标函数值;
步骤107:重复上一个步骤,直至搜索到最小目标函数值或达到最大迭代次数,从而得到最优的变量和对应的长短期记忆网络;
步骤108:基于得到的长短期记忆网络对多台机组逐一进行预测,将各机组的预测功率值加和后得到多台机组的预测总功率。
本发明为一种基于粒子群优化算法的多机组风电功率预测方法,在使用中,本发明首先基于风电场数据采集系统采集一定时间内的数值天气预报数据、风机运行数据和实测功率数据;对数据中的异常数据进行处理得到处理后数据,划分训练集和测试集;然后定义粒子群优化算法的目标函数,定义优化变量;进一步将处理后数据的天气预报、运行数据作为输入数据,选择实测功率作为输出数据,在初始粒子群生成的变量下,训练初始粒子的长短期记忆网络,使用测试集数据得到目标函数值;再次将目标函数值送到粒子群优化算法,得到更新后的粒子群生成的新变量;进一步训练长短期记忆网络,更新目标函数值,直至搜索到最小目标函数值或达到最大迭代次数,从而得到最优的变量和对应的长短期记忆网络,最后基于得到的长短期记忆网络对多台机组逐一进行预测,加和后得到多台机组的预测总功率;本发明能够利用粒子群优化算法的全局最优提升预测精度,具有很实际的应用价值;本发明借助粒子群优化算法的全局收敛性优势,对神经网络的参数优化,达到最佳的训练结果,从而提升功率预测的精度,具有很实际的应用价值;本发明具有利用全局最优、对神经网络的参数优化、提升功率预测的精度的优点。
实施例2
如图1-3所示,一种基于粒子群优化算法的多机组风电功率预测方法,所述的方法包括以下步骤:
步骤101:选择一定长度时间段内的数值天气预报数据、风机运行数据和实测功率数据;
步骤102:遍历数据集,查找数据缺失项与异常项,并采用前k个数据的功率平均值替代;
步骤103:将数据分成训练数据集和测试数据集,选择训练数据集中数值天气预报数据和风机运行数据作为输入数据;选择训练数据集中实测功率作为输出数据;
步骤104:定义均方根误差或者平均绝对误差作为粒子群优化算法的目标函数,定义长短期记忆网络的各隐含层神经元个数为优化变量;
步骤105:将训练数据集中的天气预报、运行数据作为输入数据,选择实测功率作为输出数据,在初始粒子群生成的变量下,训练初始粒子的长短期记忆网络,使用测试集中的天气预报、运行数据作为输入数据,输入到训练后的长短期记忆网络,得到测试集的功率预测值,与测试集中的实测功率计算得到更新后的目标函数值,如图2所示;
步骤106:将更新后的目标函数值送到粒子群优化算法,得到更新后的粒子群生成的新变量;进一步训练长短期记忆网络,更新目标函数值;
步骤107:重复上一个步骤,直至搜索到最小目标函数值或达到最大迭代次数,从而得到最优的变量和对应的长短期记忆网络;在本实施例中,得到3个隐含层最佳神经元个数分别为90、110、60,目标函数最小值为1578.73;
步骤108:基于得到的长短期记忆网络对多台机组逐一进行预测,将各机组的预测功率值加和后得到多台机组的预测总功率;在本实施例中,如图3所示,其中风电实际功率输出为黑色虚线,风电预测功率输出为黑色实线,从图3中可知,均方根误差和平均绝对误差的值分别为172.66和130.25,采用本发明设计的方法能够显著提高多机组功率预测精度,具有很强的实际应用价值。
所述的步骤101中的数值天气预报数据包括但不限于不同高度和风电机组轮毂高度处的风速、风向、总辐照度、法向直射辐照度、水平面散射辐照度、气温、相对湿度、气压数据;风机运行数据包括但不限于叶片变桨角、机舱方向、涡轮机机舱内的温度、叶轮直径、桨距。
在本实施例中,采集2022年KDD杯空间动态风电预测挑战赛数据集,选择长度为245天、间隔为15分钟的数值天气预报数据、风机运行数据和实测功率数据;数值天气预报数据包括风速、风向与涡轮机机舱位置之间的角度、周围环境的温度等;风机运行数据包括机舱的偏航角、涡轮机机舱内的温度、叶片1的变桨角、叶片2的变桨角和叶片3的变桨角。
所述的步骤102中的遍历数据集,查找数据缺失项与异常项,并采用前个数据的功率平均值替代具体为:遍历数据集,查找数据缺失项与异常项,如果t时刻存在缺失项或异常项则获取该项的前k个时刻的输出值
Xt-1、Xt-2、Xt-3、...、Xt-k,缺失项与异常项通过k个数据的功率平均值替代,k个数据的功率平均值计算如下:Xt为t时刻的异常值;/>为t时刻前k个时刻的输出功率平均值;k通过分析数据的自相关性确定,采用斯皮尔曼相关系数法确定k的具体取值,在本实施例中选择k=7。
所述的步骤103中的将数据分成训练数据集和测试数据集,选择训练数据集中数值天气预报数据和风机运行数据作为输入数据;选择训练数据集中实测功率作为输出数据具体为:将得到的处理后数据集分成训练数据集和测试数据集,训练数据集占归一化后数据的[50%,98%]左右,剩下的数据为测试数据集,选择训练数据集中数值天气预报数据和风机运行数据作为输入数据;选择训练数据集中实测功率作为输出数据。
在本实施例中,选择机组前242天的数据为训练数据集,最后3天的数据为测试数据集。
所述的步骤104中的定义均方根误差或者平均绝对误差作为粒子群优化算法的目标函数,定义长短期记忆网络的各隐含层神经元个数为优化变量具体为:定义均方根误差或者平均绝对误差作为粒子群优化算法的目标函数,均方根误差的计算公式如下: yi分别表示第i个样本的预测值和实际值;m为样本数量;平均绝对误差的计算公式如下:/> yi分别表示第i个样本的预测值和实际值;m为样本数量;定义长短期记忆网络的各隐含层神经元个数为优化变量。
在本实施例中,均方根误差作为优化目标;m选择为288;定义长短期记忆网络的三个隐含层神经元个数为优化变量。
本发明为一种基于粒子群优化算法的多机组风电功率预测方法,在使用中,本发明首先基于风电场数据采集系统采集一定时间内的数值天气预报数据、风机运行数据和实测功率数据;对数据中的异常数据进行处理得到处理后数据,划分训练集和测试集;然后定义粒子群优化算法的目标函数,定义优化变量;进一步将处理后数据的天气预报、运行数据作为输入数据,选择实测功率作为输出数据,在初始粒子群生成的变量下,训练初始粒子的长短期记忆网络,使用测试集数据得到目标函数值;再次将目标函数值送到粒子群优化算法,得到更新后的粒子群生成的新变量;进一步训练长短期记忆网络,更新目标函数值,直至搜索到最小目标函数值或达到最大迭代次数,从而得到最优的变量和对应的长短期记忆网络,最后基于得到的长短期记忆网络对多台机组逐一进行预测,加和后得到多台机组的预测总功率;本发明能够利用粒子群优化算法的全局最优提升预测精度,具有很实际的应用价值;本发明借助粒子群优化算法的全局收敛性优势,对神经网络的参数优化,达到最佳的训练结果,从而提升功率预测的精度,具有很实际的应用价值;本发明具有利用全局最优、对神经网络的参数优化、提升功率预测的精度的优点。
Claims (5)
1.一种基于粒子群优化算法的多机组风电功率预测方法,其特征在于:所述的方法包括以下步骤:
步骤101:选择一定长度时间段内的数值天气预报数据、风机运行数据和实测功率数据;
步骤102:遍历数据集,查找数据缺失项与异常项,并采用前k个数据的功率平均值替代;
步骤103:将数据分成训练数据集和测试数据集,选择训练数据集中数值天气预报数据和风机运行数据作为输入数据;选择训练数据集中实测功率作为输出数据;
步骤104:定义均方根误差或者平均绝对误差作为粒子群优化算法的目标函数,定义长短期记忆网络的各隐含层神经元个数为优化变量;
步骤105:将训练数据集中的天气预报、运行数据作为输入数据,选择实测功率作为输出数据,在初始粒子群生成的变量下,训练初始粒子的长短期记忆网络,使用测试集中的天气预报、运行数据作为输入数据,输入到训练后的长短期记忆网络,得到测试集的功率预测值,与测试集中的实测功率计算得到更新后的目标函数值;
步骤106:将更新后的目标函数值送到粒子群优化算法,得到更新后的粒子群生成的新变量;进一步训练长短期记忆网络,更新目标函数值;
步骤107:重复上一个步骤,直至搜索到最小目标函数值或达到最大迭代次数,从而得到最优的变量和对应的长短期记忆网络;
步骤108:基于得到的长短期记忆网络对多台机组逐一进行预测,将各机组的预测功率值加和后得到多台机组的预测总功率。
2.如权利要求1所述的一种基于粒子群优化算法的多机组风电功率预测方法,其特征在于:所述的步骤101中的数值天气预报数据包括但不限于不同高度和风电机组轮毂高度处的风速、风向、总辐照度、法向直射辐照度、水平面散射辐照度、气温、相对湿度、气压数据;风机运行数据包括但不限于叶片变桨角、机舱方向、涡轮机机舱内的温度、叶轮直径、桨距。
3.如权利要求1所述的一种基于粒子群优化算法的多机组风电功率预测方法,其特征在于:所述的步骤102中的遍历数据集,查找数据缺失项与异常项,并采用前个数据的功率平均值替代具体为:遍历数据集,查找数据缺失项与异常项,如果t时刻存在缺失项或异常项则获取该项的前k个时刻的输出值Xt-1、Xt-2、Xt-3、...、Xt-k,缺失项与异常项通过k个数据的功率平均值替代,k个数据的功率平均值计算如下:Xt为t时刻的异常值;/>为t时刻前k个时刻的输出功率平均值;k通过分析数据的自相关性确定,采用斯皮尔曼相关系数法确定k的具体取值。
4.如权利要求1所述的一种基于粒子群优化算法的多机组风电功率预测方法,其特征在于:所述的步骤103中的将数据分成训练数据集和测试数据集,选择训练数据集中数值天气预报数据和风机运行数据作为输入数据;选择训练数据集中实测功率作为输出数据具体为:将得到的处理后数据集分成训练数据集和测试数据集,训练数据集占归一化后数据的[50%,98%]左右,剩下的数据为测试数据集,选择训练数据集中数值天气预报数据和风机运行数据作为输入数据;选择训练数据集中实测功率作为输出数据。
5.如权利要求1所述的一种基于粒子群优化算法的多机组风电功率预测方法,其特征在于:所述的步骤104中的定义均方根误差或者平均绝对误差作为粒子群优化算法的目标函数,定义长短期记忆网络的各隐含层神经元个数为优化变量具体为:定义均方根误差或者平均绝对误差作为粒子群优化算法的目标函数,均方根误差的计算公式如下: yi分别表示第i个样本的预测值和实际值;m为样本数量;平均绝对误差的计算公式如下:/> yi分别表示第i个样本的预测值和实际值;m为样本数量;定义长短期记忆网络的各隐含层神经元个数为优化变量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311346337.3A CN117318045A (zh) | 2023-10-18 | 2023-10-18 | 一种基于粒子群优化算法的多机组风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311346337.3A CN117318045A (zh) | 2023-10-18 | 2023-10-18 | 一种基于粒子群优化算法的多机组风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117318045A true CN117318045A (zh) | 2023-12-29 |
Family
ID=89297049
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311346337.3A Pending CN117318045A (zh) | 2023-10-18 | 2023-10-18 | 一种基于粒子群优化算法的多机组风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117318045A (zh) |
-
2023
- 2023-10-18 CN CN202311346337.3A patent/CN117318045A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | An improved photovoltaic power forecasting model with the assistance of aerosol index data | |
CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN113919232A (zh) | 一种基于循环神经网络的光伏电站功率预测方法及系统 | |
CN113205210B (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN110852492A (zh) | 一种基于马氏距离找相似的光伏功率超短期预测方法 | |
CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
CN106786499B (zh) | 基于改进afsa优化elm的短期风电功率预测方法 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN110796292A (zh) | 计及雾霾影响的光伏功率短期预测方法 | |
CN117967497A (zh) | 一种基于风速适时监测风力发电机组双模控制方法及系统 | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
CN108876060B (zh) | 一种基于大数据的样本采集风电出力概率预测方法 | |
CN114429233A (zh) | 一种基于聚类算法的场站级最优功率控制方法及系统 | |
CN117318045A (zh) | 一种基于粒子群优化算法的多机组风电功率预测方法 | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及系统 | |
CN116484998A (zh) | 基于气象相似日的分布式光伏电站功率预测方法及系统 | |
CN115296298A (zh) | 一种风电场功率预测方法 | |
CN114239920A (zh) | 一种风电功率短期预测方法 |
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 |