一种多能源融合的风光发电预测方法技术

本发明专利技术公开了一种多能源融合的风光发电预测方法，属于新能源领域，所述的预测方法包括数据预处理，建立风光发电预测模型，对风光发电功率进行预测；本发明专利技术通过改进的BP神经网络预测算法，比以往的风光发电预测算法具有更高的准确性，在整体稳定性和收敛性方面具有十分显著的优势。分显著的优势。分显著的优势。

【技术实现步骤摘要】
一种多能源融合的风光发电预测方法


[0001]本专利技术属于新能源领域，更具体的说涉及一种多能源融合的风光发电预测方法。

技术介绍

[0002]风电、光伏等新能源电站的发电特性具有波动性、随机性和间歇性特点，为了在确保电网安全稳定的前提下充分吸纳风光电站的电力，电网调控中心不仅需要掌握风光电站的并网功率预测信息，而且要能够对风光电站的并网功率进行实时控制。国家标准化管理委员会颁布的GB/T19963
‑
2011《风电场接入电力系统技术规定》明确要求“风电场应配置有功功率控制系统，具备有功功率调节能力，接收并自动执行调度部门发送的有功功率及有功功率变化的控制指令，确保风电场有功功率及有功功率变化按照调度部门的给定值运行。在电力系统事故或紧急情况下，风电场应根据电力系统调度部门的指令快速控制其输出的有功功率”。2012年国家标准《光伏发电站接入电力系统技术规定》送审稿已通过专家评审，其中对光伏发电站接入电力系统的有功功率和功率预测等也作出了规定。
[0003]然而现有的风格发电预测方法的准确性、收敛性以及稳定性均存在一定的问题。

技术实现思路

[0004]本专利技术将Logistic混沌理论引入ASO中提出LCASO算法，通过初始化原子的种群位置，从中选出适应度最好的种群个体作为初始种群，进一步提高了初始原子种群解的质量，提升其算法效率，并通过与BP神经网络算法的结合，解决了BP神经网络算法易陷入局部最小值，学习效率和收敛速度慢，参数难以设置等问题。
[0005]为了实现上述目的，本专利技术是采用以下技术方案实现的：所述的预测方法包括
[0006]S1、数据预处理，包括输入数据集分析，数据检验，数据归一化处理；
[0007]S2、建立风光发电预测模型，通过LCASO算法优化基于BP神经网络的预测模型；
[0008]S3、对风光发电功率进行预测，通过预测模型对风力发电功率和光伏发电功率进行预测。
[0009]进一步地，所述的数据集分析，数据集包括风力发电数据集、光伏发电数据集，风力发电数据集包括空间分辨率、风速、风向、温度、气压、实际发电功率；光伏发电数据集包括太阳总辐射照度、组件温度、环境温度、气压、相对湿度、实际发电功率；
[0010]所述的数据校验分为完整性、准确性、有效性；
[0011]所述的数据归一化处理采用0均值归一化处理，在预测过程完成后对预测模型输出的的数据值还需要进行反归一化处理，获得带量纲的数据值。
[0012]进一步地，所述的建立风光发电预测模型包括以下步骤：
[0013]S201、数据导入和预处理；
[0014]S202、参数设置；
[0015]S203、建立LCASO算法模型；
[0016]S204、进行BP神经网络预测。
[0017]进一步地，所述的S202参数设置包括LCASO算法参数设置以及BP神经网络参数设置；
[0018]所述的BP神经网络参数设置包括激活函数、初始的权值和阈值、学习效率以及训练学习函数，激活函数选择Sigmoid函数，采用混启发式算法获取BP神经网络的最优初始值，采用固定范围内(0.1,1)的学习效率，训练学习函数采用梯度下降法；
[0019]所述的LCASO算法参数设置初始种群规模，最大进化代数，自变量个数，自变量上下限深度权重和乘数权重。
[0020]进一步地，所述的S203建立LCASO算法模型首先完成LCASO算法参数初始化，初始化的原子种群位置即可确定BP神经网络的权值和阈值个数，然后根据LCASO算法迭代寻优机制，更新其相关变量，整个更新过程即为BP神经网络的权值和阈值调整过程；完成迭代和满足要求后，输出其全局最优个体来获取BP神经网络最优个体权值和阈值；
[0021]进一步地，所述的S204进行BP神经网络预测根据S203优化后的BP神经网络不断进行训练和测试，当最终误差满足精度要求或迭代次数大于设定次数最大值时，输出最终的预测目标结果。
[0022]进一步地，所述的S3对风光发电功率预测包括以下步骤；
[0023]S301、导入数据集数据进行数据处理；
[0024]S302、确定BP神经网络的参数设置和LCASO算法的参数设置；
[0025]S303、根据经验公式确定预测模型的最佳隐藏层神经元节点个数为9，输入变量依次为风速、风向、温度、气压和湿度，输出变量即为预测输出功率，而根据输入变量和输出变量即可确定输入层和输出层的神经元节点分别为5和1，因此预测模型的结构均采用三层式网络结构。
[0026]本专利技术有益效果：
[0027](1)本专利技术将Logistic混沌理论引入ASO中提出LCASO算法，通过初始化原子的种群位置，从中选出适应度最好的种群个体作为初始种群，进一步提高了初始原子种群解的质量，提升其算法效率，并通过与BP神经网络算法的结合，解决了BP神经网络算法易陷入局部最小值，学习效率和收敛速度慢，参数难以设置等问题。
[0028](2)本专利技术通过改进的BP神经网络预测算法，比以往的风光发电预测算法具有更高的准确性，在整体稳定性和收敛性方面具有十分显著的优势。
附图说明
[0029]图1为本专利技术方法流程图；
[0030]图2为本专利技术LCASO算法流程图；
[0031]图3为本专利技术LCASO
‑
BP神经网络预测模型流程图；
[0032]图4为本专利技术基于LCASO
‑
BP神经网络的风电功率预测曲线图；
[0033]图5为本专利技术基于LCASO
‑
BP神经网络的光电功率预测曲线图。
具体实施方式
[0034]为了便于理解本专利技术，下面将参照相关附图对本专利技术进行更全面的描述。附图中给出了本专利技术的典型实施例。但是，本专利技术可以以许多不同的形式来实现，并不限于本专利技术
所描述的实施例。相反地，提供这些实施例的目的是使对本专利技术的公开内容更加透彻全面。
[0035]除非另有定义，本专利技术所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本专利技术中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。
[0036]所述的预测方法包括
[0037]S1、数据预处理，包括输入数据集分析，数据检验，数据归一化处理；
[0038]所述的数据集分析，数据集包括风力发电数据集、光伏发电数据集，某风力发电站A从2017年1月1日到12月31日的全年NWP数据和历史发电功率数据，其中NWP数据中每15min为一个采样点，空间分辨率为1km，共记录了测风塔70m风速(m/s)、测风塔70m风向(度)、温度(℃)，气压(hPa)和实际发电功率(KW)等数据。
[0039]光伏发电数据集，某光伏发电站B从2018年1月1日到12月31日的全年气象数据和光伏历史发电功率数据，并且每15min采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多能源融合的风光发电预测方法，其特征在于：所述的预测方法包括：S1、数据预处理，包括输入数据集分析，数据检验，数据归一化处理；S2、建立风光发电预测模型，通过LCASO算法优化基于BP神经网络的预测模型；S3、对风光发电功率进行预测，通过预测模型对风力发电功率和光伏发电功率进行预测。2.根据权利要求1所述的一种多能源融合的风光发电预测方法，其特征在于：所述的数据集分析，数据集包括风力发电数据集、光伏发电数据集，风力发电数据集包括空间分辨率、风速、风向、温度、气压、实际发电功率；光伏发电数据集包括太阳总辐射照度、组件温度、环境温度、气压、相对湿度、实际发电功率；所述的数据校验分为完整性、准确性、有效性；所述的数据归一化处理采用0均值归一化处理，在预测过程完成后对预测模型输出的的数据值还需要进行反归一化处理，获得带量纲的数据值。3.根据权利要求1所述的一种多能源融合的风光发电预测方法，其特征在于：所述的建立风光发电预测模型包括以下步骤：S201、数据导入和预处理；S202、参数设置；S203、建立LCASO算法模型；S204、进行BP神经网络预测。4.根据权利要求3所述的一种多能源融合的风光发电预测方法，其特征在于：所述的S202参数设置包括LCASO算法参数设置以及BP神经网络参数设置；所述的BP神经网络参数设置包括激活函数、初始的权值和阈值、学习效率以及训练学习函数，激活函数选择Sigmoid函数，采用混启发式算法获取BP神经网络的最优初始值...

【专利技术属性】
技术研发人员：唐道贵，钟晓晖，袁裕鹏，童亮，张乾能，许文豪，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：