TWI540533B - 智慧型短期電力發電量預測方法 - Google Patents
智慧型短期電力發電量預測方法 Download PDFInfo
- Publication number
- TWI540533B TWI540533B TW104108689A TW104108689A TWI540533B TW I540533 B TWI540533 B TW I540533B TW 104108689 A TW104108689 A TW 104108689A TW 104108689 A TW104108689 A TW 104108689A TW I540533 B TWI540533 B TW I540533B
- Authority
- TW
- Taiwan
- Prior art keywords
- power generation
- wind power
- node
- short
- prediction
- Prior art date
Links
Classifications
-
- 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
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本發明係有關一種短期電力發電量預測方法，尤指一種以人工蜂群演算法求解最佳化複合預測法的權重係數之智慧型短期電力發電量預測方法。
由於石化能源日漸減少，石油價格不斷提高，能源供給的日漸短絀已是不爭的事實。此外，由於環保議題逐漸受到重視，在2005年「京都議定書」實施後，全國二氧化碳的總排放量已受到管制，因而限制了石化燃料的使用。在傳統熱力發電機組增設不易的情形下，新的替代能源開發就是必須執行的方案。因此，各先進國家莫不以再生能源的應用技術開發為努力目標，而風力發電就是最具商業運轉價值的再生能源之一，尤其在用電量日增的台灣，風力發電的技術開發更是刻不容緩的。近年來風力發電機組已大量的設置在台灣的西部海岸，主要原因是風力發電具有高效率、高功率密度和低污染的特性。
雖然風力發電具有上述諸多優點，但在應用上仍有一項亟待克服的技術難題，就是風力發電量預測。因為風力發電機組的發電量會隨著氣象狀態和風速而變化，風力發電機組發電量的不可預期變化將導致電力系統備轉容量提高，而使運轉成本增加。電力系統調度人員必須預測風力發電機組發電量的變化以調度備轉容量與管理系統運轉。準確的風力發電量預測有助於提高自由化市場機制的設計、電網的即時運轉控制、併網標準的制定以及提升電力品質。由於風力發電已成為再生能源開發的重要途徑，因此風力發電量預測的相關技術開發也成為電力工程中極為重要的一環。
因此，如何設計出一種智慧型短期電力發電量預測方法，提供具有極大彈性、能適用於各種類型的風力發電機組發電量預測，並且以人工蜂群演算法求解每種個別預測方法的權重係數，有效提高智慧型預測法的預測準確性，進而有效與正確的預測風力發電系統在不同季節狀態下的發電量，提供電力系統調度人員進行相關電力系統運轉控制時的重要工具，以達到提高電力系統穩定度、降低系統運轉成本目的，乃為本案發明人所欲行克服並加以解決的一大課題。
本發明之一目的在於提供一種智慧型短期電力發電量預測方法，係應於一智慧型短期風力發電系統，以克服習知技術的問題。該預測方法係包含：(a)由一實際風力發電系統的發電資料建立一訓練資料庫；(b)經由訓練程序訓練該訓練資料庫，並建立一短期風力發電量預測系統；(c)組合三種短期風力發電系統發電量預測系統，該三種短期風力發電系統發電量預測系統分別進行：(c1)提供一持續法，根據目前時間點測得的風速與風力發電量，預測未來的時間點的預測風速與風力發電量：v(t+△t)=v(t)，P(t+△t)=P(t)；其中，(t)為目前時間點、(t+△t)為未來時間點、v(t)為目前風速、v(t+△t)為未來風速、P(t)為目前風力發電量以及P(t+△t)為未來風力發電量；(c2)提供一徑向基底函數類神經網路演算法，利用包括一輸入層、一隱藏層以及一輸出層之網路架構，預測未來風力發電量；(c3)提供一倒傳遞類神經網路演算法，利用包括一輸入層、一隱藏層以及一輸出層之網路架構，預測未來風力發電量；(d)根據該持續法、該徑向基底函數類神經網路演算法以及該倒傳遞類神經網路演算法，提供一智慧型數學預測模型y t ；其中，、；以及y t (t=1,2,…,L)為
實際的發電量時間序列數據，M為個別預測方法數量，L為樣本數，(i=1,2,…,M,t=1,2,…,L)係為第i種預測方法的預測值，為預測誤差，w i 為第i種預測方法的權重係數，為w i 的估測值，而為智慧型預測法的預測值；及(e)提供一人工蜂群演算法，求解該智慧型數學預測模型之權重係數w i ，以獲得至少一個風力發電機組之風力發電量最佳值；其中， subject to 。
為了能更進一步瞭解本發明為達成預定目的所採取之技術、手段及功效，請參閱以下有關本發明之詳細說明與附圖，相信本發明之目的、特徵與特點，當可由此得一深入且具體之瞭解，然而所附圖式僅提供參考與說明用，並非用來對本發明加以限制者。
〔本發明〕
S102~S110‧‧‧步驟
x1~xd‧‧‧徑向基底函數類神經網路演算法之輸入層節點
b1~bq‧‧‧徑向基底函數類神經網路演算法之隱藏層節點
y1~ym‧‧‧徑向基底函數類神經網路演算法之輸出層節點
x1~xd‧‧‧倒傳遞類神經網路演算法之輸入層節點
b1~bq‧‧‧倒傳遞類神經網路演算法之隱藏層節點
第一圖係為本發明智慧型短期風力發電系統發電量預測系統之系統架構圖；第二圖係為本發明智慧型短期電力發電量預測方法之流程圖；第三圖係為本發明徑向基底函數類神經網路演算法之架構圖；及第四圖係為本發明倒傳遞類神經網路演算法之架構圖。
茲有關本發明之技術內容及詳細說明，配合圖式說明如下：請參閱圖1係為本發明智慧型短期風力發電系統發電量預測系統之系統架構圖。該發電量預測系統的建構首先由實際風力發電系統的發電資料建立訓練資料庫，而後經由訓練程序建立一套短期風力發電量預測系統。本發
明智慧型短期風力發電系統發電量預測系統組合三種短期風力發電系統發電量預測系統：(1)持續法、(2)徑向基底函數類神經網路演算法、以及(3)倒傳遞類神經網路演算法，輸入信號先以三種短期風力發電系統發電量預測系統進行預測，再以複合式預測法之方程式計算出發電量預測值。其中，該短期風力發電量預測系統係以接收前20分鐘發電量、前10分鐘發電量、目前發電量以及風速預測值為輸入資料，並且利用人工蜂群演算法求解該風力發電機組發電量，以獲得10分鐘後發電量的預測值。
智慧型預測法的組合理論基礎是以數個不同的個別預測方法共同解決特定的預測問題，每一個別預測方法具有特定權重係數，智慧型預測的預測值則是將這些個別預測方法的權重和(weighting sum)。智慧型預測法的數學模型可以表示如下：
其中，y t (t=1,2,…,L)為實際的發電量時間序列數據，M為個別預測方法數量，L為樣本數，(i=1,2,…,M,t=1,2,…,L)係為第i種預測方法的預測值，為預測誤差，w i 為第i種預測方法的權重係數，為w i 的估測值，而為智慧型預測法的預測值。
在智慧型預測法的結構中對於每種個別預測方法中權重係數的測定是最重要的步驟，權重係數可以經由求解複合預測法的絕對誤差極小值的最佳化問題來實現。最佳化問題的數學模型可以表示如下：
以下，將對本發明所採用之演算法加以詳細說明。
1、人工蜂群演算法(artificial bee colony,ABC)
本發明將以人工蜂群演算法求解(3)式，人工蜂群演算法是依據蜂群覓食之行為模式，達成最佳化演算法之研發，這種生物群體智慧演算法之演算流程兼具開發程序及探索機制特性，不僅避免求解過程陷入局部解，並可提升求解最佳化問題之運算效能。本發明將以人工蜂群演算法決定三種個別預測方法的權重係數組合，再以(2)式進行短期風力發電系統發電量預測。
依據蜂群覓食之過程，工蜂可分為採集蜂、待命蜂與偵察蜂等三類角色。在覓食初期，因工蜂群尚無任何食物源資訊，工蜂便以偵察蜂的角色隨機搜尋，一旦找到食物源後，即以採集蜂的角色前往採集該食物源之花蜜，直至該食物源之花蜜採集完畢，再轉化為待命蜂的角色或偵察蜂的角色，以便後續採蜜工作之進行。當工蜂放棄該食物源後，若轉化為待命蜂的角色時，便飛回蜂巢休息及等待下次偵察蜂分享食物源訊息；反之，若轉化為偵察蜂的角色時，則持續隨機搜尋新的食物源位置。
本發明將人工蜂群演算法用於求解個別預測方法的權重係數組合問題，食物源位置就是個別預測方法的權重係數組合，食物源所具有之花蜜量，可視為最佳化問題之目標函數值亦即複合預測法的絕對誤差。於人工蜂群演算法開始前，需先輸入個別預測方法相關資訊，於人工蜂群演算法的計算過程中，參考實際工蜂搜尋花蜜之行為模式，可將其概分為開發程序及探索程序，且若將此兩種程序合併運行，不僅可執行局部搜尋工作，同時有助於全域解的搜尋。
人工蜂群演算法先隨機產生N個初始食物源位置與N隻採集蜂，且每個食物源均對映至一隻採集蜂，食物源的位置就是求解最佳化問題的自變
數，在本發明中即為個別預測方法的權重係數組合，而各食物源所蘊藏之花蜜量，則是求解最佳化問題的目標函數值，在本發明中即為複合預測法的絕對誤差。食物源位置初始化完成後，即可執行開發程序與探索程序。
在實際蜂群覓食過程中，當食物源花蜜量不足或已採集完時，採集蜂將轉變為偵察蜂，尋找新的食物源位置。本發明於人工蜂群演算法中，先設定採集蜂採集某食物源花蜜之次數，以評估該食物源之花蜜量是否足夠，亦即目標函數值(複合預測法的絕對誤差)，經由設定程序及演算，若目標函數值無法獲得改善時，即放棄該組解，隨機產生另一組新解，以避免演算過程過早收斂或陷入局部解。人工蜂群演算法之重點乃在於採集蜂探索富含花蜜量之食物源，並將此食物資訊分享至其他工蜂，以期在該食物源附近找尋花蜜蘊藏量更豐富之食物源，進而增強區域搜尋能力，若該食物源之花蜜量不足(目標函數值無法降低)，則放棄該食物源並由偵查蜂隨機搜尋新食物源，以增強演算開發新可行解。
人工蜂群演算法執行開發程序時，待命蜂開發新食物源，即將初始食物源位置更新，以開發其餘富含花蜜之食物源，同時避免原食物源之花蜜蘊藏量耗竭。若待命蜂尋得新食物源後，比較新食物源與原食物源位置之目標函數值，若新食物源較原位置之目標函數值佳時，則以新食物源取代舊食物源位置。執行探索程序時，將召集偵查蜂前往各處探訪，並隨機搜索可能的食物源(新可行解)，規劃偵查蜂探索新食物源之行為，並以偵查蜂數目作為決策依據，淘汰目標函數值較差之食物源，並以新食物源取代。直到疊代次數到達程式所設定之疊代次數上限時，即停止人工蜂群演算法演算並輸出最佳解，在本發明中最佳解即為個別預測方法的最佳權重係數組合。
本發明應用人工蜂群演算法的群體尋優特性，求解個別預測方法的權重係數組合，其基本概念為將個別預測方法的權重係數組合設為人工蜂群演算法每個食物源，透過蜂群在搜尋空間的尋優過程找出最佳解，以確定個別預測方法各權重係數組合的最佳值(如圖2步驟S108、S110所示)。其執行步驟詳述於後。
步驟1：設定初始資料。在此步驟中，設定食物源數量、變數維度、設計變數上下限值、疊代次數上限、食物源限制條件。以(4)式產生N組變數組合，以(5)式計算變數X ij 之適應值，並紀錄最佳解。
其中，X ij 為第j個變數組合的第i個變數i=1,2,…,N，N為食物源數量，也稱為群體數，即為變數組合之數量；j=1,2,…,D，D為維度；α為一個介於0~1之間的隨機亂數；與為變數組合之設計變數的上下限。
上述適應值之計算如(5)式所示：
其中，f ij 為X ij 的成本值亦即個別預測方法絕對誤差之權重和。
步驟2：以鄰域搜尋產生新變數。在此步驟中，以(6)式產生新的設計變數，並限制不可超過上下限值。
其中，為第j個變數組合的第i個新設計變數，X ij 為第j個變數組合的第i個舊設計變數，φ為一個隨機產生的數值介於-1~1之間，X kj 為群體中隨機選擇的一個變數組合，k≠j。
步驟3：決定是否更新變數組合。計算變數組合之適應值，若之適應值較佳則更新變數組合。
步驟4：決定是否進入觀察蜂階段：變數組合X j 經隨機產生一個0~1之間的亂數X，並計算變數組合X j 的篩選機率，若X小於篩選機率則變數組合X j 進入觀察蜂階段。
上述篩選機率之計算如(7)式所示：
其中，P i 為變數組合X i 的篩選機率，Fitness i 為X i 的適應值，N為食物源數量。
步驟5：觀察蜂階段。在此步驟中，以(6)式產生新的設計變數，並限制不可超過上下限值。計算變數組合之適應值，挑選適應值較好的變數組合。
步驟6：決定是否進入偵查蜂階段。在此步驟中，判斷是否有食物源達限制條件：如果達限制條件則放棄該食物源進入偵查蜂階段，否則跳過偵查蜂階段。
步驟7：偵查蜂階段。針對第j組變數組合以(4)式產生新的變數組合X j ，計算適應值。
步驟8：檢查是否符合結束條件。若搜尋疊代數達到設定之疊代次數上限值，則結束疊代並輸出最佳權重係數組合；否則回到步驟2繼續進行疊代。
2、持續法(persistence method)
持續法不僅原理簡單，也是最經濟的風速度或功率預測的方法，各國的電力公司也常以持續法作為超短期風力發電量預測的基準方法。持續法的原理是基於一個簡單的假設：當預測的時間區間極短時，在目前量測時間點與未來預測時間點的風速或風力發電量將是相同的。在某些特定狀況下，持續法用於超短期風力發電量預測時比其他風力發電量預測法更準確(如圖2步驟S102所示)。
持續法的原理係基於一個簡單的假設：如果目前時間點(t)測得的風速與風力發電量為v(t)與P(t)，則未來的時間點(t+△t)的預測風速與風力發電量為：v(t+△t)=v(t) (8)
P(t+△t)=P(t) (9)
3、徑向基底函數(radial basis function,RBF)類神經網路演算法
類神經網路常被用來解決參數估算的問題，在各類類神經網路中RBF類神經網路具有強健性高與近似能力強的優點，因此特別適合應用於非線性估測，本發明的短期風力發電量預測系統也將採用RBF類神經網路為三種個別預測系統之一(如圖2步驟S104所示)。RBF類神經網路的基本原理來自function approximation，RBF類神經網路的基本架構如圖3所示，係為輸入層、隱藏層與輸出層所構成的三層網路架構。
若一個RBF類神經網路的輸入層維度為d，隱藏層維度為q，輸出層維度為m，則RBF類神經網路為d維至m維的映射關係，如下式所示：
其中，輸入向量為={x i ，for i=1,2,…,d}，輸出向量為={y i ，for i=1,2,…,m}。
RBF類神經網路的隱藏層各節點的徑向基底函數(radial basis function)b j ()通常係為高斯函數(Gaussian function)，如下式所示：
其中，σ為高斯函數的寬，μ為高斯函數的中心。
RBF類神經網路的輸出層各節點的輸出值y k ()，如下式所示：
其中，w kj 為隱藏層第j個節點至輸出層第k個節點之間的權重，b j ()為隱藏層第j個節點的輸出值。
由RBF類神經網路架構可知，當建立訓練資料對後，則輸入、輸出神經元的數目即已確定。至於隱藏層神經元的數目，通常視為輸入資料的一子集合(subset)，亦即以輸入資料的機率密度函數(probability density function)決定其神經元數目。當隱藏層神經元數目過大時，網路學習效果較佳，但訓練時間勢必增加，因而一合適的神經元數目將有助於提升網路學習效果，本發明中應用正交最小平方理論選出最佳的隱藏層節點數目。
4、倒傳遞(back propagation,BP)類神經網路演算法
在各類類神經網路中BP類神經網路具有易收斂與對應映射性強的優點，因此特別適合應用於預測，本發明的短期風力發電量預測系統也將採用BP類神經網路為三種短期預測系統之一(如圖2步驟S106所示)。BP類神經
網路的基本架構如圖4所示，係由輸入層、隱藏層與輸出層所構成的三層網路架構。
若一個BP類神經網路的輸入層維度為d，隱藏層維度為q，輸出層維度為m，則BP類神經網路為d維至m維的映射關係，如(13)式所示：
其中，輸入向量為={x i ，for i=1,2,…,d}，輸出向量為={y i ，for i=1,2,…,m}。
BP類神經網路的隱藏層第j個節點的輸入值neti j ，如(14)式所示：
其中，v ij 為輸入層第i個節點至隱藏層第j個節點之間的權重，b j 為隱藏層第j個節點的偏權值。
BP類神經網路的隱藏層第j個節點的輸出值h j ，如(15)式所示：
其中，neti j 為隱藏層第j個節點的輸入值。
BP類神經網路的輸出層第j個節點的輸入值neto j ，如(16)式所示：
其中，w ij 為隱藏層第i個節點至輸出層第j個節點之間的權重，k j 為輸出層第j個節點的偏權值。
BP類神經網路的輸出層第j個節點的輸出值o j ，如(17)式所示：
其中，neto j 為輸出層第j個節點的輸入值。
由BP類神經網路架構可知，當建立訓練資料對後，則輸入、輸出神經元的數目即已確定。至於隱藏層神經元的數目，通常視為輸入資料的一子集合(subset)，亦即以輸入資料的機率密度函數(probability density function)決定其神經元數目。當隱藏層神經元數目過大時，網路學習效果較佳，但訓練時間勢必增加，因而一合適的神經元數目將有助於提升網路學習效果，本發明中應用正交最小平方理論選出最佳的隱藏層節點數目。
本發明採用之BP類神經網路架構如圖4所示，共分為三層，其中第一層輸入層共有4個節點，分別風力發電機組的目前實際發電量、前10分鐘的實際發電量、前20分鐘的實際發電量與風速預測值等4種輸入信號；第二層為隱藏層，節點數將依照正交最小平方理論選出之最佳的隱藏層節點數目而調整；第三層為輸出層，只有1個節點即為10分鐘後風力發電量的預測值。
此外，本發明中所採用之正交最小平方法(orthogonal least squares,OLS)決定類神經網路的最佳隱藏層節點數目說明加下。正交最小平方法主要採用Gram-Schmidt正交理論將任意的向量矩陣分解成一組正交基底向量，並使其涵蓋的空間與原始向量矩陣涵蓋的空間相同，因此若將此理論應用於選取RBF類神經網路與BP類神經網路之隱藏層節點數目時，則足以涵蓋原始訓練資料所涵蓋的空間。假設Y為訓練資料之期望輸出向量，則：
或寫為矩陣型式Y=BW+E (19)
其中，Y R m×1，B R m×q ，E R m×1，W R q×1，m為輸出層神經元數目。
依據Gram-Schmidt正交理論，B矩陣分解成一組正交基底向量如下式：
其中，A R q×q 為一上三角矩陣，D R 1×q 為一正交基底向量矩陣。且D T D=H=diag(h 1,h 2,....,h q ) (21)
其中，為正對角矩陣(positive diagonal matrix)H的元素。整合(7)至(9)式可得：Y=DAW+E=DG+E (22)
其中，G=AW。
由於D為一正交基底向量矩陣，所以期望輸出值Y的平方和可表示為：
因此，針對第k個節點時，其誤差下降率為：
而節點的篩選流程則是從訓練資料中逐漸挑出誤差下降率最大值ERR k,max的點當作新加入的節點，並將ERR k,max累加，直到滿足所設定的正確率為
止。另外，在選取中心節點個數的過程中，本發明將採用伸展度相同的高斯函數，亦即其標準偏差為固定值，如下式所示：
其中，d max為所有節點中心間最大的距離值，q為節點數目。
此外，為進行智慧型風力發電量預測系統的訓練與測試程序，本發明將採用風力發電機組的一年實際發電資料進行測試，風力發電機組的發電資料是每十分鐘量測一次，因此，一年的實際發電資料共有52,560筆資料，本發明將前述正規化之發電資料建立資料庫。由於台灣西部海岸一年四季的風力變化不同，本發明將分別針對四季設計風力發電量預測系統，每季的實際發電資料皆建成一個資料庫，每個資料庫有13,140個資料檔，由各資料庫選出每季前兩個月的資料檔建檔為訓練資料庫，每季後一個月的資料檔則建檔為測試資料庫，這些參數資料庫將提供智慧型風力發電量預測系統的訓練與測試等使用。
綜上所述，本發明係具有以下之特色與優點：1、本發明之研究目的為針對風力發電量預測提出一套以人工蜂群演算法結合持續法、徑向基底函數(RBF)類神經網路演算法、倒傳遞(BP)類神經網路演算法的智慧型短期風力發電量預測方法，本方法的特色是具有極大彈性、能適用於各種類型的風力發電機組發電量預測；2、以複合方程式計算出發電量預測量預測值，且複合方程式每種個別預測方法的權重係數將以人工蜂群演算法求解，得到最佳化智慧型預測方
程式；不僅避免求解過程陷入局部解，並可提升求解最佳化問題之運算效能，可以有效提高智慧型預測法的預測準確性；3、該智慧型預測法以PB類神經網路與RBF類神經網路為基礎，類神經網路常用於處理非線性且複雜的分類或預測問題，通過訓練過程類神經網路可以擷取出變量間的非線性，且預測的準確性高於傳統的統計法；4、該智慧型預測法中RBF類神經網路與PB類神經網路有關隱藏層節點的數目為決定網路預測效果的重要參數，本發明將應用正交最小平方(Orthogonal Least-Squares)理論選出最佳的隱藏層節點數目，可以提高RBF類神經網路與PB類神經網路的預測準確性；5、本發明採用風力發電機組的實際歷史發電資料進行RBF類神經網路與PB類神經網路訓練，各種類型的風力發電機組只需將實際歷史發電資料建檔，即可訓練類神經網路，建構專屬該機組的短期風力發電量預測系統，因此，本發明所提出的智慧型風力發電量預測法具有極大的彈性、能適用於各種類型的風力發電機組短期發電量預測；及6、短期風力發電系統發電量預測系統能有效與正確的預測風力發電系統在不同季節狀態下的發電量，提供電力系統調度人員進行相關電力系統運轉控制時的重要工具，以達到提高電力系統穩定度、降低系統運轉成本目的。
惟，以上所述，僅為本發明較佳具體實施例之詳細說明與圖式，惟本發明之特徵並不侷限於此，並非用以限制本發明，本發明之所有範圍應以下述之申請專利範圍為準，凡合於本發明申請專利範圍之精神與其類似變化之實施例，皆應包含於本發明之範疇中，任何熟悉該項技藝者在本發明之領域內，可輕易思及之變化或修飾皆可涵蓋在以下本案之專利範圍。
S102~S110‧‧‧步驟
Claims (10)
- 一種智慧型短期電力發電量預測方法，係應於一智慧型短期風力發電系統，該方法包含：(a)由一實際風力發電系統的發電資料建立一訓練資料庫；(b)經由訓練程序訓練該訓練資料庫，並建立一短期風力發電量預測系統；(c)組合三種短期風力發電系統發電量預測系統，該三種短期風力發電系統發電量預測系統分別進行：(c1)提供一持續法，根據目前時間點測得的風速與風力發電量，預測未來的時間點的預測風速與風力發電量：v(t+△t)=v(t)，P(t+△t)=P(t)：其中，(t)為目前時間點、(t+△t)為未來時間點、v(t)為目前風速、v(t+△t)為未來風速、P(t)為目前風力發電量以及P(t+△t)為未來風力發電量；(c2)提供一徑向基底函數類神經網路演算法，利用包括一輸入層、一隱藏層以及一輸出層之網路架構，預測未來風力發電量；(c3)提供一倒傳遞類神經網路演算法，利用包括一輸入層、一隱藏層以及一輸出層之網路架構，預測未來風力發電量；(d)根據該持續法、該徑向基底函數類神經網路演算法以及該倒傳遞類神經網路演算法，提供一智慧型數學預測模型y t ；其中，、；以及y t (t=1,2,…,L)為實際的發電量時間序列數據，M為個別預測方法數量，L為樣本數，(i=1,2,…,M,t=1,2,…,L)係為第i種預測方法的預測值，為預測誤差，w i 為第i種預測方法的權重係數，為w i 的估測值，而為智慧型預測法的預測值；及 (e)提供一人工蜂群演算法，求解該智慧型數學預測模型之權重係數w i ，以獲得至少一風力發電機組之風力發電量最佳值；其中， subject to 。
- 如申請專利範圍第1項該智慧型短期電力發電量預測方法，其中在步驟(c2)中，該徑向基底函數類神經網路演算法(RBF Neural Network)為：
- 如申請專利範圍第2項該智慧型短期電力發電量預測方法，其中該隱藏層各節點之徑向基底函數為b j ()，係為一高斯函數：,for j=1,2,…,q，其中，σ為高斯函數的寬，μ為高斯函數的中心；其中，該隱藏層之節點數目係透過一正交最小平方理論決定。
- 如申請專利範圍第2項該智慧型短期電力發電量預測方法，其中該輸出層之各節點輸出值為y k ()：,for k=1,2,…,m，其中，w kj 為隱藏層第j個節點至輸出層第k個節點之間的權重，b j ()為隱藏層第j個節點的輸出值。
- 如申請專利範圍第1項該智慧型短期電力發電量預測方法，其中在步驟(c3)中，該倒傳遞類神經網路演算法(BP Neural Network)為：
- 如申請專利範圍第5項該智慧型短期電力發電量預測方法，其中該隱藏層各節點之輸入值neti j 為：
- 如申請專利範圍第5項該智慧型短期電力發電量預測方法，其中該輸出層第j個節點的輸入直neto j 為：
- 如申請專利範圍第1項該智慧型短期電力發電量預測方法，其中在步驟(e)中，更包含：(e1)設定初始資料，；其中，X ij 為第j個變數組合的第i個變數i=1,2,…,N，N為食物源數量；j=1,2,…,D，D為維度；α為一個介於0~1之間的隨機亂數；與為變數組合之設計變數的上下限；(e2)以鄰域搜尋產生新變數，；其中，為第j個變數組合的第i個新設計變數，X ij 為第j個變數組合的第i個舊設計變數，φ為一個隨機產生的數值介於-1~1之間，X kj 為群體中隨機選擇的一個變數組合，k≠j；(e3)決定是否更新變數組合；(e4)決定是否進入觀察蜂階段，；其中，P i 為變數組合X i 的篩選機率，Fitness i 為X i 的適應值，N為食物源數量；(e5)觀察蜂階段；(e6)決定是否進入偵查蜂階段；(e7)偵查蜂階段；(e8)檢查是否符合結束條件，若搜尋疊代數達到設定之疊代次數上限值，則結束疊代並輸出最佳權重係數組合，否則回到步驟(e2)繼續進行疊代。
- 如申請專利範圍第1項該智慧型短期電力發電量預測方法，其中在步驟(c1)之前，更包含：(c01)風力發電量資料庫建檔；(c02)風力發電量資料庫正規化；及 (c03)訓練資料庫建檔。
- 如申請專利範圍第1項該智慧型短期電力發電量預測方法，其中在步驟(e)之後，更包含：(f)風力發電量預測反正規化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW104108689A TWI540533B (zh) | 2015-03-18 | 2015-03-18 | 智慧型短期電力發電量預測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW104108689A TWI540533B (zh) | 2015-03-18 | 2015-03-18 | 智慧型短期電力發電量預測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI540533B true TWI540533B (zh) | 2016-07-01 |
| TW201635224A TW201635224A (zh) | 2016-10-01 |
Family
ID=56997027
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW104108689A TWI540533B (zh) | 2015-03-18 | 2015-03-18 | 智慧型短期電力發電量預測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI540533B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108259498A (zh) * | 2018-01-24 | 2018-07-06 | 湖南科技学院 | 一种基于人工蜂群优化的bp算法的入侵检测方法及其系统 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI662423B (zh) * | 2017-02-06 | 2019-06-11 | 台灣電力股份有限公司 | 風力發電之預測顯示系統及方法 |
| JP6685949B2 (ja) * | 2017-02-10 | 2020-04-22 | 株式会社東芝 | 運転計画作成装置、運転計画作成方法およびプログラム |
| US10309372B2 (en) * | 2017-05-25 | 2019-06-04 | Hitachi, Ltd. | Adaptive power generation management |
| TWI623890B (zh) * | 2017-07-04 | 2018-05-11 | 台灣電力股份有限公司 | 由多個類神經網路組成的發電量預測系統與其方法 |
| US11196380B2 (en) | 2017-07-04 | 2021-12-07 | Taiwan Power Company | Power generation prediction system and method thereof |
| CN110009037B (zh) * | 2019-04-03 | 2020-10-27 | 中南大学 | 一种基于物理信息耦合的工程风速短时预测方法及系统 |
-
2015
- 2015-03-18 TW TW104108689A patent/TWI540533B/zh not_active IP Right Cessation
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108259498A (zh) * | 2018-01-24 | 2018-07-06 | 湖南科技学院 | 一种基于人工蜂群优化的bp算法的入侵检测方法及其系统 |
| CN108259498B (zh) * | 2018-01-24 | 2020-06-23 | 湖南科技学院 | 一种基于人工蜂群优化的bp算法的入侵检测方法及其系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201635224A (zh) | 2016-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI540533B (zh) | 智慧型短期電力發電量預測方法 | |
| Ertay et al. | Evaluation of renewable energy alternatives using MACBETH and fuzzy AHP multicriteria methods: the case of Turkey | |
| CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
| Bhaskar et al. | Wind speed forecasting: Present status | |
| CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
| CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
| CN104376371B (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
| CN116544934B (zh) | 根据电力负荷预测的电力调度方法及系统 | |
| CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
| CN117669960A (zh) | 一种基于多变量气象因子的新能源功率预测方法 | |
| CN107437135A (zh) | 一种新型储能选型方法 | |
| CN107169655A (zh) | 一种优选配电网方案适应性的方法及装置 | |
| Bou-Rabee et al. | One-month-ahead wind speed forecasting using hybrid AI model for coastal locations | |
| Staudt et al. | Predicting transmission line congestion in energy systems with a high share of renewables | |
| CN108009684A (zh) | 一种包含短期负荷预测的微电网并网状态能量管理方法 | |
| Zhu et al. | Wind power interval and point prediction model using neural network based multi-objective optimization | |
| CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法 | |
| CN109378834A (zh) | 基于信息最大相关的大规模电网电压稳定裕度评估系统 | |
| Zahraoui et al. | ANN-LSTM Based Tool For Photovoltaic Power Forecasting. | |
| CN109934367A (zh) | 一种计及分布式光伏装机容量不确定性的电网中长期负荷预测方法 | |
| CN115034608A (zh) | 基于配网要素和神经网络的配网风险评估方法 | |
| Wang et al. | An alternative method for estimating wind-power capacity credit based on reliability evaluation using intelligent search | |
| Mantri et al. | Solar Power Generation Prediction for Better Energy Efficiency using Machine Learning | |
| Safarudin et al. | The Number of Nodes Effect to Predict the Electrical Consumption in Seven Distinct Countries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | Annulment or lapse of patent due to non-payment of fees |