一种可再生能源的短期功率预测方法技术

本发明专利技术提供了一种可再生能源的短期功率预测方法，所述预测方法具体为获取预测样本数据，确定神经网络预测模型结构和对应参数，构建神经网络预测模型，通过粒子群算法优化神经网络预测模型的权值和阈值，输入预测样本数据，计算神经网络预测模型输出结果的误差，将其与误差要求进行比较，若输出结果的误差未满足误差要求，则根据有效误差的反向传播对神经网络预测模型的参数进行调整，直至输出结果的误差满足误差要求；若输出结果的误差满足误差要求，则神经网络预测模型输出短期功率预测值。本发明专利技术通过粒子群算法对神经网络预测模型的权值和阈值进行优化，降低训练数据的不稳定性对于神经网络预测模型预测结果的影响，提高短期功率的预测精度。短期功率的预测精度。短期功率的预测精度。

【技术实现步骤摘要】
一种可再生能源的短期功率预测方法


[0001]本专利技术涉及可再生能源管理
，尤其是指一种可再生能源的短期功率预测方法。

技术介绍

[0002]伴随着社会的多方面发展，能源供给需求变得也越来越大，但现有的如石油等传统能源的储备有限，能源供给越来越紧张。为了环节能源供给紧张的问题，可再生能源逐渐进入人们的视野中。电力系统作为能源消耗最高的其中一个行业，需要充分利用可再生能源来解决电力系统供能不足的问题。然而可再生能源在获取的过程中受环境因素影响较大，通过可再生能源进行发电时，会存在间歇性发电，和发电存在波动的问题，为了保障电网运行安全和用户的用电需求，需要对可再生能源发电过程中的短期功率进行预测，从而能够及时进行电网调度，防止因可再生能源发电波动导致的停电问题。
[0003]传统的短期功率预测方法中，常采用构建预测模型，并通过大量的可再生能源的相关历史数据来对预测模型进行训练，以实现对于短期功率的预测。但由于可再生能源受环境因素的影响较大，其历史数据并不能准确反应可再生能源短期功率的长期变化特性，若仅采用传统的通过大量历史数据进行模型训练，训练所得的预测模型对于短期功率的预测准确性并不高。

技术实现思路

[0004]本专利技术的目的是克服现有技术中的缺点，提供一种可再生能源的短期功率预测方法，能够解决通过可再生能源的历史数据进行短期功率预测时，由于可再生能源的历史数据的不稳定性导致的短期功率预测结果准确性不高的问题。
[0005]本专利技术的目的是通过下述技术方案予以实现：
>[0006]一种可再生能源的短期功率预测方法，包括以下步骤：
[0007]步骤一，采集可再生能源的功率样本数据，获取功率样本数据的数据分量，并对数据分量进行重组，获取预测样本数据；
[0008]步骤二，确定神经网络预测模型结构和对应参数，构建神经网络预测模型，通过粒子群算法对神经网络预测模型的参数进行优化，根据优化结果设置神经网络预测模型的权值和阈值，
[0009]步骤三，将预测样本数据输入神经网络预测模型，对神经网络预测模型的输出结果进行误差计算，并将输出结果的误差与误差要求进行比较，若输出结果的误差未满足误差要求，则根据有效误差的反向传播对神经网络预测模型的参数进行调整，直至输出结果的误差满足误差要求；若输出结果的误差满足误差要求，则神经网络预测模型输出短期功率预测值。
[0010]进一步的，步骤一中通过经验模态分解获取功率样本数据的数据分量，且获取的功率样本数据的数据分量之间频带相同，所述功率样本数据的数据分量的表达式为：
[0011][0012]其中：c
i
(t)为功率样本数据的数据分量，N为本征模态分量数，c
n,i
(t)为第n个本质模态分量。
[0013]进一步的，步骤二中通过粒子群算法对神经网络预测模型的参数进行优化时，根据神经网络模型的结构确定粒子群参数，初始化粒子群的速度和位置，并计算每个粒子的个体极值，根据每个粒子的个体极值获取全局极值，根据每个粒子的个体极值以及全局极值对每个粒子的速度以及位置进行更新，计算全局最优适应值，并判断全局最优适应值是否小于设定精度，同时判断粒子群算法的迭代次数是否达到最大次数，若全局最优适应值小于设定精度，或者迭代次数达到最大次数，则输出粒子群位置序列，根据粒子群位置序列获取全局最优粒子位置，并将全局最优粒子位置映射到神经网络模型的权值和阈值中；若全局最优适应值；其他情况下，重新计算每个粒子的个体极值和全局极值，直至计算得到的全局最优适应值小于设定精度，或者迭代次数达到最大次数。
[0014]进一步的，步骤三中根据有效误差的反向传播对神经网络预测模型的参数进行调整的具体过程为：获取神经网络预测模型内控制节点的分布向量，同时获取神经网络预测模型输出层中控制节点的目标分布向量以及隐藏层的输出向量，根据预测样本数据的分布向量和输出层的输出向量计算得到校正误差，根据目标分布向量以及校正误差对神经网络预测模型的连接权重和阈值进行修正。
[0015]进一步的，所述控制节点的分布向量为输入预测样本数据后，神经网络模型的初始输出结果。
[0016]进一步的，根据目标分布向量和输出层的输出向量计算得到的校正误差的表达式为：
[0017]d
t
＝(y
c
‑
c
t
)f'(l
t
),t＝1,2,
…
,m；
[0018]其中：d
t
为神经网络预测模型输出层第t个控制节点的校正误差值，y
c
为可再生能源的功率样本数据的分布向量，c
t
表示神经网络预测模型输出层的第t个控制节点的输出向量，l
t
表示预测模型输出层的第t个控制节点的输入向量，m为输出层中控制节点的数量，f为神经网络预测模型的激活函数。
[0019]进一步的，神经网络预测模型的输出表达式为：
[0020][0021]其中：Y
L
表示神经网络预测模型输出的短期功率预测值，M表示输出层，L表示输出层节点序号，Q
i
表示输出层第i个控制节点的输出向量，f为神经网络预测模型的激活函数，w
i
为修正后的神经网络预测模型的连接权重。
[0022]本专利技术的有益效果是：
[0023]将神经网络预测模型和粒子群算法进行融合，通过粒子群算法对神经网络预测模型的权值和阈值进行优化，提高神经网络预测模型的收敛速度，同时通过有效误差的反向传播实现神经网络预测模型内参数的自动更新调整，在神经网络预测模型的参数优化上降低训练数据的影响，从而降低训练数据的不稳定性对于神经网络预测模型预测结果的影响。将功率样本数据进行经验模态分解，将经验模态分解后的数据分量进行重组，以此作为神经网络预测模型的输入样本，使神经网络预测模型数据处理的平滑效果更加明显，能够
更好的处理非稳定、非线性的数据。
附图说明
[0024]图1是本专利技术的一种流程示意图；
[0025]图2是本专利技术实施例的一种平均自回归模型的预测误差示意图；
[0026]图3是本专利技术实施例的一种最小二支持向量机的预测误差示意图；
[0027]图4是本专利技术实施例的一种神经网络预测模型的预测误差示意图；
[0028]图5是本专利技术实施例的一种三种模型预测时间与样本数量的关系曲线对比图。
具体实施方式
[0029]下面结合附图和实施例对本专利技术进一步描述。
[0030]实施例：
[0031]一种可再生能源的短期功率预测方法，如图1所示，包括以下步骤：
[0032]步骤一，采集可再生能源的功率样本数据，获取功率样本数据的数据分量，并对数据分量进行重组，获取预测样本数据；
[0033]步骤二，确定神经网络预测模型结构和对应参数，构建神经网络预测模型，通过粒子群算法对神经网络预测模型的参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种可再生能源的短期功率预测方法，其特征在于，包括以下步骤：步骤一，采集可再生能源的功率样本数据，获取功率样本数据的数据分量，并对数据分量进行重组，获取预测样本数据；步骤二，确定神经网络预测模型结构和对应参数，构建神经网络预测模型，通过粒子群算法对神经网络预测模型的参数进行优化，根据优化结果设置神经网络预测模型的权值和阈值，步骤三，将预测样本数据输入神经网络预测模型，对神经网络预测模型的输出结果进行误差计算，并将输出结果的误差与误差要求进行比较，若输出结果的误差未满足误差要求，则根据有效误差的反向传播对神经网络预测模型的参数进行调整，直至输出结果的误差满足误差要求；若输出结果的误差满足误差要求，则神经网络预测模型输出短期功率预测值。2.根据权利要求1所述的一种可再生能源的短期功率预测方法，其特征在于，步骤一中通过经验模态分解获取功率样本数据的数据分量，且获取的功率样本数据的数据分量之间频带相同，所述功率样本数据的数据分量的表达式为：其中：c
i
(t)为功率样本数据的数据分量，N为本征模态分量数，c
n,i
(t)为第n个本质模态分量。3.根据权利要求1所述的一种可再生能源的短期功率预测方法，其特征在于，步骤二中通过粒子群算法对神经网络预测模型的参数进行优化时，根据神经网络模型的结构确定粒子群参数，初始化粒子群的速度和位置，并计算每个粒子的个体极值，根据每个粒子的个体极值获取全局极值，根据每个粒子的个体极值以及全局极值对每个粒子的速度以及位置进行更新，计算全局最优适应值，并判断全局最优适应值是否小于设定精度，同时判断粒子群算法的迭代次数是否达到最大次数，若全局最优适应值小于设定精度，或者迭代次数达到最大次数，则输出粒子群位置序列，根据粒子群位置序列获取全局最优粒子位置，并将全局最优粒子位置映射到神经网络模型的权值和阈值中；若全局最优适应值；其他情况下，重新计算每个粒子的个体极值和全局极值，直至计算得到的全局最优适应值小于设定精度...

【专利技术属性】
技术研发人员：朱航，方芹，倪利，沈嘉璐，汪磊，裘铭远，
申请(专利权)人：国网浙江省电力有限公司绍兴供电公司国网浙江省电力有限公司嵊州市供电公司，
类型：发明
国别省市：