本發(fā)明涉及電網(wǎng)調(diào)度和預測系統(tǒng)領(lǐng)域,尤其涉及一種基于云進化粒子群算法的短期風電功率預測方法。
背景技術(shù):
隨著我國風電裝機容量的快速增長,風電在電網(wǎng)中占的比重越來越大,由于風電輸出功率具有隨機波動性,大規(guī)模風電并網(wǎng)對電力系統(tǒng)安全運行帶來嚴重沖擊。大型風電場傳統(tǒng)功率預測存在預測精度不高和不穩(wěn)定性問題,因此,提高風電場風電功率預測精度在電網(wǎng)調(diào)度和穩(wěn)定運行方面變得尤為重要。
傳統(tǒng)的風電功率預測主要采用的方法有神經(jīng)網(wǎng)絡、支持向量機、arma-arch模型(自回歸滑動平均模型-自回歸條件異方差模型)、局域波分析、小波分析和組合預測法。粒子群算法因為搜索速度快,搜索范圍大,因此近年來得到廣泛應用。但由于風電接入時風速的隨機性和不穩(wěn)定性,使得粒子適應度值變化很大,其中劣性粒子占大部分,因而造成粒子難以快速收斂到最優(yōu)值。而且常規(guī)pso算法(粒子群優(yōu)化算法)難以跳出自身局限性,難以提高風電功率預測的精度,所以對于如何提高風電功率預測的精度亟待提出一種有效的優(yōu)化方法。
技術(shù)實現(xiàn)要素:
針對上述現(xiàn)有技術(shù)中的不足,本發(fā)明提供一種基于云進化粒子群算法的短期風電功率預測方法,能夠有效提高風電功率預測精度,具有精確度高、穩(wěn)定性好和高效的優(yōu)點。
為了實現(xiàn)上述目的,本發(fā)明提供一種基于云進化粒子群算法的短期風電功率預測方法,包括步驟:
s1:建立一前向神經(jīng)網(wǎng)絡預測模型;
s2:測量一預測位置的風速和風向;
s3:利用所述前向神經(jīng)網(wǎng)絡預測模型、所述風速和所述風向,獲得一風機輸出功率的一初始預測解集;
s4:根據(jù)所述初始預測解集和pso算法形成一初始化粒子群;
s5:建立一云進化模型c;
s6:通過所述云進化模型c和所述初始化粒子群生成一第一更新粒子群;
s7:更新所述第一更新粒子群,獲得一第二更新粒子群;
s8:判斷所述第二更新粒子群是否滿足期望值;如滿足,將所述第二更新粒子群作為輸出結(jié)果;如不滿足繼續(xù)后續(xù)步驟;
s9:判斷當前迭代次數(shù)是否達到預設的一第一最大迭代次數(shù)值m;如是將所述第二更新粒子群作為輸出結(jié)果;如否,返回步驟s6。
優(yōu)選地,所述前向神經(jīng)網(wǎng)絡模型包括一輸入層、一隱層和一輸出層。
優(yōu)選地,所述s3步驟進一步包括步驟:
s31:建立一空間坐標系;
s32:將所述風速在所述空間坐標系中的一x軸分量和一y軸分量作為所述前向神經(jīng)網(wǎng)絡預測模型的輸入向量;
s33:所述前向神經(jīng)網(wǎng)絡輸出所述初始預測解集。
優(yōu)選地,所述s4步驟進一步包括步驟:
s41:設置基本參數(shù),所述基本參數(shù)包括:慣性權(quán)重、第一加速度常數(shù)、第二加速度常數(shù)、所述第一最大迭代次數(shù)值m和一第二最大迭代次數(shù)值n;
s42:將所述初始預測解集代入一更新公式進行n次迭代,獲得一中間預測解集;所述更新公式(1)為:
其中,vt+1為更新后的風速,vt為當前風速,ω為所述慣性權(quán)重,c1為所述第一加速度常數(shù),c2為所述第二加速度常數(shù),r1為第一隨機數(shù),r2為第二隨機數(shù),xt為當前風機輸出功率,xt+1為更新后的風機輸出功率,xjt為當前局部最優(yōu)位置,xgt為當前全局最優(yōu)位置;
s43:自所述中間預測解集中選出適用度最大的m個粒子,構(gòu)成所述初始化粒子群。
優(yōu)選地,所述云進化模型c=[p1;p2;…;pm];其中一公式(2):
其中ex為期望,en為熵,fmaxi為所述初始化粒子群中第i個粒子,favg為所述初始化粒子群中各粒子適應度的平均值;c為一預設值;jr表示所述粒子生成的新粒子數(shù),k表示粒子的維數(shù),r為種群數(shù);pr為子粒子種群。
優(yōu)選地,所述s6步驟中,根據(jù)公式(2)和所述初始化粒子群生成所述第一更新粒子群。
優(yōu)選地,所述步驟s7中利用公式(3)更新所述第一更新粒子群,獲得所述第二更新粒子群:
本發(fā)明由于采用了以上技術(shù)方案,使其具有以下有益效果:
本發(fā)明的一種基于云進化粒子群算法的短期風電功率預測方法,能夠有效提高風電功率預測精度,是一種有效的風電短期功率預測方法,其能夠使得電網(wǎng)更加穩(wěn)定、高效地運行。
附圖說明
圖1為本發(fā)明實施例的基于云進化粒子群算法的短期風電功率預測方法的流程圖;
圖2為本發(fā)明實施例的前向神經(jīng)網(wǎng)絡預測模型結(jié)構(gòu)示意圖。
具體實施方式
下面根據(jù)附圖1和圖2,給出本發(fā)明的較佳實施例,并予以詳細描述,使能更好地理解本發(fā)明的功能、特點。
請參閱圖1和圖2,本發(fā)明提供一種基于云進化粒子群算法的短期風電功率預測方法,包括步驟:
s1:建立一前向神經(jīng)網(wǎng)絡預測模型1。
前向神經(jīng)網(wǎng)絡模型包括一輸入層11、一隱層12和一輸出層13。前向神經(jīng)網(wǎng)絡預測模型1的訓練問題本質(zhì)上是一種復雜的連續(xù)參數(shù)優(yōu)化問題,即尋找最優(yōu)的連續(xù)權(quán)值。前向神經(jīng)網(wǎng)絡預測模型1中,過大的學習率可能導致算法不收斂;過小的學習率將使算法收斂很慢,訓練時間過長。所以,故將pso算法超強的全局搜索特征和bp算法快速的局部搜索能力結(jié)合起來,前向神經(jīng)網(wǎng)絡預測模型1的權(quán)值。
s2:測量一預測位置的風速和風向。
s3:利用前向神經(jīng)網(wǎng)絡預測模型1、風速和風向,獲得一風機輸出功率的一初始預測解集。
其中,風機輸出功率表達式為:
s3步驟進一步包括步驟:
s31:建立一空間坐標系;
s32:將風速在空間坐標系中的一x軸分量和一y軸分量作為前向神經(jīng)網(wǎng)絡預測模型1的輸入向量;
s33:前向神經(jīng)網(wǎng)絡輸出初始預測解集。
s4:根據(jù)初始預測解集和pso算法形成一初始化粒子群。
本實施例中,s4步驟進一步包括步驟:
s41:設置基本參數(shù),基本參數(shù)包括:慣性權(quán)重ω、第一加速度常數(shù)c1、第二加速度常數(shù)c2、第一最大迭代次數(shù)值m、一第二最大迭代次數(shù)值n和云進化模型規(guī)模n;
s42:將初始預測解集代入一更新公式進行n次迭代,獲得一中間預測解集;更新公式(1)為:
其中,vt+1為更新后的風速,vt為當前風速,ω為慣性權(quán)重,c1為第一加速度常數(shù),c2為第二加速度常數(shù),r1為第一隨機數(shù),r2為第二隨機數(shù),xt為當前風機輸出功率,xt+1為更新后的風機輸出功率,xjt為當前局部最優(yōu)位置,xgt為當前全局最優(yōu)位置;
s43:自中間預測解集中選出適用度最大的m個粒子fmax,構(gòu)成初始化粒子群。
s5:建立一云進化模型c。
云進化模型c表達的整體特性可以用云的數(shù)字特征來反映,即期望ex、熵en、超熵he;這3個數(shù)字特征來整體表征一個云,記作c(ex,en,he),同時,云進化模型c=[p1;p2;…;pm];并有公式(2):
其中ex為期望,en為熵,he為超熵,fmaxi為初始化粒子群中第i個粒子,favg為初始化粒子群中各粒子適應度的平均值;c為一預設值;jr表示粒子生成的新粒子數(shù),k表示粒子的維數(shù),r為種群數(shù);pr為子粒子種群。
s6:通過根據(jù)公式(2)和初始化粒子群生成一第一更新粒子群。第一更新粒子群中的新粒子分布在優(yōu)秀粒子的周圍,更容易尋找到最優(yōu)解。
s7:更新第一更新粒子群,利用公式(3)將第一更新粒子群融合剩余粒子得到新粒子,根據(jù)新粒子群在整個范圍內(nèi)再次進行搜索,獲得一第二更新粒子群。
s8:判斷第二更新粒子群是否滿足期望值;如滿足,將第二更新粒子群作為輸出結(jié)果;如不滿足繼續(xù)后續(xù)步驟。
s9:判斷當前迭代次數(shù)是否達到預設的第一最大迭代次數(shù)值m;如是將第二更新粒子群作為輸出結(jié)果;如否,返回步驟s6。
本實施例中,本實施例中在粒子群優(yōu)化算法中引入云進化思想,通過云模型進化來更新新的優(yōu)秀粒子群,加大了尋到最優(yōu)解的幾率。同時,幾個正態(tài)分布的粒子子群結(jié)合普通粒子群同時進行迭代搜尋,實現(xiàn)整個粒子群的重組更新,使得優(yōu)秀粒子的比例得以不斷提高,避免了普通粒子群容易陷入“早熟”的缺陷。
以上結(jié)合附圖實施例對本發(fā)明進行了詳細說明,本領(lǐng)域中普通技術(shù)人員可根據(jù)上述說明對本發(fā)明做出種種變化例。因而,實施例中的某些細節(jié)不應構(gòu)成對本發(fā)明的限定,本發(fā)明將以所附權(quán)利要求書界定的范圍作為本發(fā)明的保護范圍。