国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      基于云自適應(yīng)pso-snn的光伏系統(tǒng)發(fā)電功率預(yù)測方法

      文檔序號:8498885閱讀:700來源:國知局
      基于云自適應(yīng)pso-snn的光伏系統(tǒng)發(fā)電功率預(yù)測方法
      【技術(shù)領(lǐng)域】
      [0001] 本發(fā)明涉及一種光伏系統(tǒng)發(fā)電功率預(yù)測方法,對光伏系統(tǒng)發(fā)電功率進(jìn)行預(yù)測,屬 于電力系統(tǒng)技術(shù)領(lǐng)域。
      【背景技術(shù)】
      [0002] 光伏系統(tǒng)的發(fā)電功率受到太陽輻照強(qiáng)度和環(huán)境溫度等因素的影響,其功率的變化 具有隨機(jī)性和波動性,會對電力系統(tǒng)的安全、穩(wěn)定和經(jīng)濟(jì)運(yùn)行造成沖擊。因此,為協(xié)助電網(wǎng) 調(diào)度部門統(tǒng)籌安排,降低大規(guī)模光伏接入對電力系統(tǒng)的影響,保障系統(tǒng)安全和經(jīng)濟(jì)運(yùn)行,有 必要對光伏系統(tǒng)的發(fā)電功率進(jìn)行準(zhǔn)確預(yù)測。
      [0003] 目前,應(yīng)用較多的光伏系統(tǒng)發(fā)電功率預(yù)測統(tǒng)計方法主要有基于數(shù)理統(tǒng)計理論的馬 爾可夫鏈(markov chain)、自回歸滑動平均(auto regressive moving average, ARMA) 〇 但是這些方法在考慮天氣變化等不穩(wěn)定因素的影響以及系統(tǒng)的非線性時,預(yù)測結(jié)果精度不 高。支持向量機(jī)(support vector machine, SVM)模型能較好解決小樣本、非線性、高維數(shù) 等問題,但是必須給定一個誤差參數(shù)c,數(shù)據(jù)處理時間較長,且核函數(shù)必須滿足Mercer條 件。人工神經(jīng)網(wǎng)絡(luò)特別是反向傳播人工神經(jīng)網(wǎng)絡(luò)(back propagation artificial neural network,BP-ANN)可以模仿人腦訓(xùn)練已有的信息,執(zhí)行復(fù)雜的非線性映射,具有較強(qiáng)的自學(xué) 習(xí)、自適應(yīng)和容錯能力,被廣泛應(yīng)用于光伏功率預(yù)測中,但是其在處理大量歷史數(shù)據(jù)以及預(yù) 測精度方面仍面臨著巨大的挑戰(zhàn)。

      【發(fā)明內(nèi)容】

      [0004] 發(fā)明目的:本發(fā)明針對現(xiàn)有光伏系統(tǒng)發(fā)電功率預(yù)測技術(shù)中存在的問題,考慮季節(jié) 類型、天氣類型、環(huán)境溫度等影響因素時,導(dǎo)致預(yù)測結(jié)果準(zhǔn)確度不高的缺陷,提供一種基于 云自適應(yīng)PS0-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測方法。以SNN強(qiáng)大的計算能力和善于處理基于 時間的問題等特點(diǎn)為基礎(chǔ),利用CAPS0算法搜索的隨機(jī)性和穩(wěn)定傾向性,優(yōu)化SNN的多突觸 連接權(quán)值,減少了對權(quán)值的約束,而且提高算法的收斂精度,全局收斂性好,進(jìn)而改善了預(yù) 測模型的精度和泛化能力。
      [0005] 技術(shù)方案:一種基于云自適應(yīng)PS0-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測方法,包括以下 步驟:
      [0006] 1)獲取光伏系統(tǒng)發(fā)電功率預(yù)測所需的基本數(shù)據(jù):歷史發(fā)電數(shù)據(jù)和原始?xì)庀髷?shù)據(jù); 其中歷史發(fā)電數(shù)據(jù)為歷史日每日08:00~17:00每間隔lh的整點(diǎn)時刻發(fā)電功率,原始?xì)庀?數(shù)據(jù)包括季節(jié)類型、天氣類型、環(huán)境溫度等影響因素;
      [0007] 2)根據(jù)預(yù)測日的季節(jié)和天氣類型預(yù)報信息從原始數(shù)據(jù)中挑選出相同季節(jié)和日類 型的歷史發(fā)電日組成初步樣本;
      [0008] 3)統(tǒng)計初步樣本中的日最高溫度、最低溫度、平均溫度等信息,構(gòu)成每日氣象特征 向量,并對特征向量作歸一化處理;
      [0009] 4)計算第i日和預(yù)測日的總關(guān)聯(lián)度氏,取氏彡0.8的歷史發(fā)電日按日期順序排 列,選取靠近預(yù)測日的6個歷史發(fā)電日組成預(yù)測日的相似日集;
      [0010] 5)數(shù)據(jù)預(yù)處理:對訓(xùn)練和測試樣本集數(shù)據(jù)中壞數(shù)據(jù)進(jìn)行剔除和補(bǔ)充,并對數(shù)據(jù)進(jìn) 行歸一化處理,將樣本數(shù)據(jù)尺度變換到區(qū)間[0, 1]內(nèi),并設(shè)置網(wǎng)絡(luò)初試參數(shù);
      [0011] 6)網(wǎng)絡(luò)時間編碼:使用Time-to-first-Spike編碼方法將歸一化后的模擬量數(shù)據(jù) 樣本轉(zhuǎn)換成相應(yīng)的脈沖時間數(shù)據(jù)樣本;
      [0012] 7)利用訓(xùn)練樣本數(shù)據(jù)對云自適應(yīng)PS0-SNN進(jìn)行訓(xùn)練,直到訓(xùn)練樣本集中的輸出樣 本和期望輸出樣本的網(wǎng)絡(luò)訓(xùn)練誤差E <預(yù)先設(shè)定的允許誤差e_;
      [0013] 8)根據(jù)預(yù)測日前一個相似日的歷史發(fā)電數(shù)據(jù)和影響因素生成預(yù)測輸入向量,并將 預(yù)測輸入向量輸入訓(xùn)練后的云自適應(yīng)PS0-SNN預(yù)測模型,其輸出即為待預(yù)測日的發(fā)電功率 預(yù)測值。
      [0014] 有益效果:本發(fā)明的光伏系統(tǒng)發(fā)電功率預(yù)測方法利用云自適應(yīng)粒子群優(yōu)化(cloud adaptive particle swarm optimization, CAPS0)算法優(yōu)化 Spiking 神經(jīng)網(wǎng)絡(luò)進(jìn)行建模預(yù) 測,利用SNN其良好的非線性函數(shù)逼近能力和強(qiáng)大的計算能力,結(jié)合CAPS0算法搜索的隨機(jī) 性和穩(wěn)定傾向性,提高算法的收斂性能,進(jìn)而改善預(yù)測模型的精度和泛化能力。
      【附圖說明】
      [0015] 圖1為基于云自適應(yīng)PS0-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測方法的流程圖;
      [0016] 圖2為Spiking神經(jīng)網(wǎng)絡(luò)采用的SRM神經(jīng)元模型結(jié)構(gòu)示意圖;
      [0017] 圖3為3層前向Spiking神經(jīng)網(wǎng)絡(luò)預(yù)測模型結(jié)構(gòu)示意圖;
      [0018] 圖4為Spiking神經(jīng)網(wǎng)絡(luò)內(nèi)部神經(jīng)元間有延遲突觸終端連接的結(jié)構(gòu)示意圖;
      [0019] 圖5為云自適應(yīng)PS0算法的加速因子收斂曲線圖;
      [0020] 圖6為云自適應(yīng)PS0-SNN訓(xùn)練算法流程圖;
      [0021] 圖7(a)為測試的SNN預(yù)測模型對預(yù)測曰連續(xù)7曰發(fā)電功率的預(yù)測曲線與實(shí)際曲 線圖;
      [0022] 圖7(b)為測試的PS0-SNN預(yù)測模型對預(yù)測日連續(xù)7日發(fā)電功率的預(yù)測曲線與實(shí) 際曲線圖;
      [0023] 圖7(c)為測試的CAPS0-SNN預(yù)測模型對預(yù)測日連續(xù)7日發(fā)電功率的預(yù)測曲線與 實(shí)際曲線圖;
      [0024] 圖8(a)為測試的SNN預(yù)測模型對預(yù)測曰連續(xù)7曰預(yù)測結(jié)果的相對誤差曲線圖;
      [0025] 圖8(b)為測試的PS0-SNN預(yù)測模型對預(yù)測日連續(xù)7日預(yù)測結(jié)果的相對誤差曲線 圖;
      [0026] 圖8(c)為測試的CAPS0-SNN預(yù)測模型對預(yù)測日連續(xù)7日預(yù)測結(jié)果的相對誤差曲 線圖。
      【具體實(shí)施方式】
      [0027] 下面結(jié)合具體實(shí)施例,進(jìn)一步闡明本發(fā)明,應(yīng)理解這些實(shí)施例僅用于說明本發(fā)明 而不用于限制本發(fā)明的范圍,在閱讀了本發(fā)明之后,本領(lǐng)域技術(shù)人員對本發(fā)明的各種等價 形式的修改均落于本申請所附權(quán)利要求所限定的范圍。
      [0028] 本發(fā)明的思路是將云自適應(yīng)粒子群優(yōu)化算法和Spiking神經(jīng)網(wǎng)絡(luò)引入光伏系統(tǒng) 發(fā)電功率預(yù)測中,利用Spiking神經(jīng)網(wǎng)絡(luò)良好的非線性函數(shù)逼近能力和強(qiáng)大的計算能力和 CAPSO算法搜索的隨機(jī)性和穩(wěn)定傾向性,提高算法的收斂精度,進(jìn)而提高光伏系統(tǒng)發(fā)電功率 預(yù)測精度。
      [0029] Spiking 神經(jīng)網(wǎng)絡(luò)(Spiking Neural Network, SNN)的基本單元是 Spiking 神經(jīng) 元,常用的 Spiking 神經(jīng)元模型有 LIF 模型(Leaky Integrate-and-Fire model),HH 模型 (Hodgkin-Huxley model)和 SRM 模型(Spike Response Model)。本發(fā)明中 Spiking 網(wǎng)絡(luò) 采用的Spiking神經(jīng)元模型是SRM模型即脈沖響應(yīng)模型,其結(jié)構(gòu)如圖2所示。
      [0030] 本文采用3層前向Spiking神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示,其連續(xù)層中任意神經(jīng) 元h和i間的連接結(jié)構(gòu)如圖4所示。
      [0031] SNN連續(xù)層中任意兩個神經(jīng)元如h和i之間有多個突觸子連接,而且每個突觸子連 接具有可調(diào)節(jié)的突觸延時d k和連接權(quán)值Whik。當(dāng)神經(jīng)元i接收到突觸前神經(jīng)元的輸入,使 其膜電位值由低到高超過預(yù)先設(shè)定的神經(jīng)元激發(fā)閾值 0時,其就發(fā)射一個脈沖(spike), 并發(fā)送一個輸出信號,稱為突觸后電位(post synaptic potential, PSP)。一個輸入spike 產(chǎn)生的PSP的性能由脈沖響應(yīng)函數(shù)(spike response function, SRF)來表示,其數(shù)學(xué)表達(dá) 式為:
      [0032]
      【主權(quán)項(xiàng)】
      1. 一種基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測方法,其特征在于:包括以下 步驟: (1) 獲取光伏系統(tǒng)發(fā)電功率預(yù)測所需的基本數(shù)據(jù):歷史發(fā)電數(shù)據(jù)和原始?xì)庀髷?shù)據(jù); (2) 根據(jù)預(yù)測日的季節(jié)和天氣類型預(yù)報信息從原始數(shù)據(jù)中挑選出相同季節(jié)和日類型的 歷史發(fā)電日組成初步樣本; (3) 統(tǒng)計初步樣本中的日最高溫度、最低溫度、平均溫度等信息,構(gòu)成每日氣象特征向 量,并對特征向量作歸一化處理; (4) 計算第i日和預(yù)測日的總關(guān)聯(lián)度Ri,取Ri彡0. 8的歷史發(fā)電日按日期順序排列,選 取靠近預(yù)測日的6個歷史發(fā)電日組成預(yù)測日的相似日集; (5) 數(shù)據(jù)預(yù)處理:對訓(xùn)練和測試樣本集數(shù)據(jù)中壞數(shù)據(jù)進(jìn)行剔除和補(bǔ)充,并對數(shù)據(jù)進(jìn)行 歸一化處理,將樣本數(shù)據(jù)尺度變換到區(qū)間[〇,1]內(nèi),并設(shè)置網(wǎng)絡(luò)初試參數(shù); (6) 網(wǎng)絡(luò)時間編碼:使用Time-to-first-Spike編碼方法將歸一化后的模擬量數(shù)據(jù)樣 本轉(zhuǎn)換成相應(yīng)的脈沖時間數(shù)據(jù)樣本; (7) 利用訓(xùn)練樣本數(shù)據(jù)對云自適應(yīng)PSO-SNN進(jìn)行訓(xùn)練,直到訓(xùn)練樣本集中的輸出樣本 和期望輸出樣本的網(wǎng)絡(luò)訓(xùn)練誤差E <預(yù)先設(shè)定的允許誤差emax; (8) 根據(jù)預(yù)測日前一個相似日的歷史發(fā)電數(shù)據(jù)和影響因素生成預(yù)測輸入向量,并將預(yù) 測輸入向量輸入訓(xùn)練后的云自適應(yīng)PSO-SNN預(yù)測模型,其輸出即為待預(yù)測日的發(fā)電功率預(yù) 測值。
      2. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測方法,其特 征在于:統(tǒng)計初步樣本中的日最高溫度、最低溫度、平均溫度等信息,構(gòu)成每日氣象特征向 量: Xr[Tih,TnX_ 式中:Tih、分別為第i個歷史發(fā)電日的最高、最低和平均溫度,°C。
      3. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測方法,其特征 在于:對氣象特征向量按照下式進(jìn)行歸一化處理:
      式中:Xi(k)為第i個歷史日的第k個氣象特征分量;XiminGO和 Xi_(k)分別為第k個 氣象特征分量的最小值和最大值。
      4. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測方法,其特征 在于:計算預(yù)測日和第i個歷史日第k個氣象特征分量的關(guān)聯(lián)系數(shù):
      式中:X'(k)、x' Jk)分別為歸一化后的預(yù)測日和第i日第k個氣象特征分量;P為 常數(shù),本文取為0.5。
      5. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測方法,其特征 在于:計算第i日和預(yù)測日的總關(guān)聯(lián)度Ri:
      式中:m為氣象特征向量的分量個數(shù)。
      6. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測方法,其特征 在于:采用最小均方誤差函數(shù)作為網(wǎng)絡(luò)誤差函數(shù):
      式中:P為訓(xùn)練模式對數(shù); <為輸出層J的神經(jīng)元實(shí)際發(fā)射脈沖的時間; < 為期望的脈 沖發(fā)射時間。
      7. 如權(quán)利要求1所述的基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測方法,其特征 在于:將模擬量轉(zhuǎn)換成脈沖時間的公式如下: T = T-(l_p*) 式中為歸一化后的樣本模擬量數(shù)據(jù);TniaxS最大脈沖發(fā)射時間;T為神經(jīng)元的脈沖 發(fā)射時間,ms。
      【專利摘要】本發(fā)明公開一種基于云自適應(yīng)PSO-SNN的光伏系統(tǒng)發(fā)電功率預(yù)測方法。方法包括以下步驟:1)根據(jù)預(yù)測日的季節(jié)和天氣類型預(yù)報信息從樣本庫中挑選出相同季節(jié)和日類型的歷史發(fā)電日組成初步樣本;2)對樣本數(shù)據(jù)進(jìn)行壞數(shù)據(jù)剔除、補(bǔ)充以及歸一化預(yù)處理;3)考慮最高、最低和平均溫度,通過灰色關(guān)聯(lián)分析法計算并排序關(guān)聯(lián)度以確定各種天氣類型下預(yù)測日的相似日集合;4)采用Time-to-first-Spike方法將模擬量數(shù)據(jù)轉(zhuǎn)換成相應(yīng)的脈沖時間數(shù)據(jù);5)利用轉(zhuǎn)換后的時間樣本訓(xùn)練集對云自適應(yīng)PSO-SNN預(yù)測模型進(jìn)行訓(xùn)練;6)用訓(xùn)練后的預(yù)測模型對測試樣本進(jìn)行測試。本發(fā)明提供的方法有效地提高了預(yù)測精度,能夠較好地解決光伏系統(tǒng)發(fā)電功率預(yù)測問題。
      【IPC分類】G06Q10-04, G06Q50-06
      【公開號】CN104820877
      【申請?zhí)枴緾N201510264167
      【發(fā)明人】孫國強(qiáng), 陳通, 衛(wèi)志農(nóng), 孫永輝, 臧海翔, 朱瑛
      【申請人】河海大學(xué)
      【公開日】2015年8月5日
      【申請日】2015年5月21日
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
      1