基于改进蜣螂优化算法的光伏功率短期预测方法及系统技术方案

本发明专利技术公开了一种基于改进蜣螂优化算法的光伏功率短期预测方法及系统，方法包括：构建BP神经网络，并确定BP神经网络的输入层、隐藏层、输出层的节点数；将BP神经网络的原始阈值和原始权重作为改进蜣螂优化算法的初始种群位置进行寻优，得到BP神经网络的最优阈值和最优权重；对包含最优阈值和最优权重的BP神经网络进行训练，得到光伏功率短期预测模型；获取光伏发电设备的实时多维运行状态参量，并将实时多维运行状态参量输入至光伏功率短期预测模型中，光伏功率短期预测模型输出光伏功率短期预测结果。经过改进蜣螂优化算法优化阈值和权重以后的BP神经网络的光伏短期功率预测会更加准确，能够满足光伏短期功率的需要。能够满足光伏短期功率的需要。能够满足光伏短期功率的需要。

【技术实现步骤摘要】
基于改进蜣螂优化算法的光伏功率短期预测方法及系统


[0001]本专利技术属于光伏预测
，尤其涉及一种基于改进蜣螂优化算法的光伏功率短期预测方法及系统。

技术介绍

[0002]光伏的发电功率主要受当地的气象条件影响，其中又主要包括太阳辐照度、温度、云层遮挡、湿度、风速等因素。由于天气环境变化的不确定性，天气预报的准确度不高，继而难以保证对光伏发电系统的功率预测的准确度。光伏短期功率预测的误差不仅会影响经济效益，更重要的是对电力系统运行的稳定性、可靠性和调度也会产生不利影响。提高光伏发电功率预测的精度，可以有效降低光伏功率不确定性对电网的影响、提高系统可靠性、维护电能质量、提高光伏系统的渗透水平。因此，可靠、准确的光伏功率短期预测具有重要意义。
[0003]光伏功率的短期预测根据现在光伏发电功率的实时状态，预测未来一段时间内光伏发电功率变化情况，预测时间一般为24小时。目前短期光伏发电功率预测方法都是基于相同的思路，即首先利用数学和物理学理论及相关数据建立预测公式或模型，再通过预测公式或模型对光伏电站发电量进行预测。这些方法使用不同来源的数据输入，包括地面摄像机、卫星图像和数值天气预报(NWP)等。尽管地面摄像机在短期预测中具有很高的准确性，但是部署和维护成本可能很高。同时，卫星图像和数值天气预报数据在长期预测中效果较好，但在短期以及高空间分辨率的预测方面表现不佳。例如，面对局地性强的突发过程性天气，短时间内大气扰动使云层产生的不规则流动、突发对流天气形成积雨云引起局部降雨时，难以保持预测精度。
专利
技术实现思路

[0004]本专利技术提供一种基于改进蜣螂优化算法的光伏功率短期预测方法及系统，用于解决无法提高光伏功率短期预测精度的技术问题。
[0005]第一方面，本专利技术提供一种基于改进蜣螂优化算法的光伏功率短期预测方法，包括：步骤1、构建BP神经网络，并确定所述BP神经网络的输入层、隐藏层、输出层的节点数；步骤2、将所述BP神经网络的原始阈值和原始权重作为改进蜣螂优化算法的初始种群位置进行寻优，得到所述BP神经网络的最优阈值和最优权重；步骤3、对包含所述最优阈值和所述最优权重的所述BP神经网络进行训练，得到光伏功率短期预测模型；步骤4、获取光伏发电设备的实时多维运行状态参量，并将所述实时多维运行状态参量输入至所述光伏功率短期预测模型中，所述光伏功率短期预测模型输出光伏功率短期预测结果。
[0006]第二方面，本专利技术提供一种基于改进蜣螂优化算法的光伏功率短期预测系统，包
括：构建模块，配置为构建BP神经网络，并确定所述BP神经网络的输入层、隐藏层、输出层的节点数；寻优模块，配置为将所述BP神经网络的原始阈值和原始权重作为改进蜣螂优化算法的初始种群位置进行寻优，得到所述BP神经网络的最优阈值和最优权重；训练模块，配置为对包含所述最优阈值和所述最优权重的所述BP神经网络进行训练，得到光伏功率短期预测模型；输出模块，配置为获取光伏发电设备的实时多维运行状态参量，并将所述实时多维运行状态参量输入至所述光伏功率短期预测模型中，所述光伏功率短期预测模型输出光伏功率短期预测结果。
[0007]第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术任一实施例的基于改进蜣螂优化算法的光伏功率短期预测方法的步骤。
[0008]第四方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本专利技术任一实施例的基于改进蜣螂优化算法的光伏功率短期预测方法的步骤。
[0009]本申请的基于改进蜣螂优化算法的光伏功率短期预测方法及系统，采用改进蜣螂优化算法优化的BP神经网络进行光伏发电设备的短期功率预测，解决了BP神经网络的阈值和权重难以准确选取的问题，通过对多种参量的融合，能够实时准确的输出光伏发电设备短期功率预测情况，经过改进蜣螂优化算法优化阈值和权重以后的BP神经网络的光伏短期功率预测会更加准确，能够满足光伏短期功率的需要，且该方案在不破坏光伏发电设备原本密封性的前提下便可以实现光伏发电设备的短期功率监测，确保了电力系统的安全调度和稳定运行。
附图说明
[0010]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0011]图1为本专利技术一实施例提供的一种基于改进蜣螂优化算法的光伏功率短期预测方法的流程图；图2为本专利技术一实施例提供的一具体实施例的蜣螂优化算法改进前后的收敛曲线对比图；图3为本专利技术一实施例提供的一种基于改进蜣螂优化算法的光伏功率短期预测系统的结构框图；图4是本专利技术一实施例提供的电子设备的结构示意图。
具体实施方式
[0012]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0013]请参阅图1，其示出了本申请的一种基于改进蜣螂优化算法的光伏功率短期预测方法的流程图。
[0014]如图1所示，基于改进蜣螂优化算法的光伏功率短期预测方法具体包括以下步骤：步骤1、构建BP神经网络，并确定所述BP神经网络的输入层、隐藏层、输出层的节点数。
[0015]在本步骤中，确定BP神经网络的输入层的节点数，其中，所述输入层的节点数等于输入向量的维数；在本实施例中，输入向量的维数是所选取的初始样本数据集的维数，因此，BP神经网络的输入层节点数为10。
[0016]确定BP神经网络的输出层的节点数，其中，所述输出层的节点数等于预测结果个数；本实施例中的输出为光伏发电设备内部的温度值，因此输出层的节点数为1。
[0017]确定BP神经网络的隐藏层的节点数，其中，计算所述隐藏层的节点数的表达式为：，式中，为隐藏层的节点数，为输入层的节点数，为输出层的节点数，为[1,10]之间的常数。
[0018]步骤2、将所述BP神经网络的原始阈值和原始权重作为改进蜣螂优化算法的初始种群位置进行寻优，得到所述BP神经网络的最优阈值和最优权重。
[0019]步骤2.1：将所述BP神经网络的原始阈值和原始权重作为蜣螂种群的初始位置；步骤2.2：设计蜣螂的滚球、跳舞、觅食、繁殖和偷窃行为作为更新规则，以对所述初始位置进行寻优，其中，每个蜣螂种群由四种不同的代理蜣螂组成，即滚球蜣螂、繁育蜣螂、小蜣螂和偷窃蜣螂，具体为：步骤2.2.1：滚球蜣螂为了模拟滚球行为，滚球蜣螂需要在整个搜索空间中沿给定方向移动，在滚动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进蜣螂优化算法的光伏功率短期预测方法，其特征在于，包括：步骤1、构建BP神经网络，并确定所述BP神经网络的输入层、隐藏层、输出层的节点数；步骤2、将所述BP神经网络的原始阈值和原始权重作为改进蜣螂优化算法的初始种群位置进行寻优，得到所述BP神经网络的最优阈值和最优权重；步骤3、对包含所述最优阈值和所述最优权重的所述BP神经网络进行训练，得到光伏功率短期预测模型；步骤4、获取光伏发电设备的实时多维运行状态参量，并将所述实时多维运行状态参量输入至所述光伏功率短期预测模型中，所述光伏功率短期预测模型输出光伏功率短期预测结果。2.根据权利要求1所述的一种基于改进蜣螂优化算法的光伏功率短期预测方法，其特征在于，在步骤1中，所述确定所述BP神经网络的输入层、隐藏层、输出层的节点数包括：确定BP神经网络的输入层的节点数，其中，所述输入层的节点数等于输入向量的维数；确定BP神经网络的输出层的节点数，其中，所述输出层的节点数等于预测结果个数；确定BP神经网络的隐藏层的节点数，其中，计算所述隐藏层的节点数的表达式为：，式中，为隐藏层的节点数，为输入层的节点数，为输出层的节点数，为[1,10]之间的常数。3.根据权利要求1所述的一种基于改进蜣螂优化算法的光伏功率短期预测方法，其特征在于，在步骤2中，所述将所述BP神经网络的原始阈值和原始权重作为改进蜣螂优化算法的初始种群位置进行寻优，得到所述BP神经网络的最优阈值和最优权重包括：步骤2.1：将所述BP神经网络的原始阈值和原始权重作为蜣螂种群的初始位置；步骤2.2：设计蜣螂的滚球、跳舞、觅食、繁殖和偷窃行为作为更新规则，以对所述初始位置进行寻优，其中，每个蜣螂种群由四种不同的代理蜣螂组成，即滚球蜣螂、繁育蜣螂、小蜣螂和偷窃蜣螂，具体为：步骤2.2.1：滚球蜣螂；为了模拟滚球行为，滚球蜣螂需要在整个搜索空间中沿给定方向移动，在滚动过程中，滚动球的滚球蜣螂的位置会更新，其中，滚球蜣螂的滚动数学模型的表达式为：，，，式中，为当前迭代次数，为第只滚球蜣螂在次迭代时的位置信息，为取值范围在之间的第一随机数，为自然系数，赋值为
‑
1 或 1，为属于的常量，为全局最差位置，为模拟光强的变化，为第只滚球蜣螂在次迭代时的位置信息，为第只滚球蜣螂在次迭代时的位置信息，为偏转系数；
当蜣螂遇到障碍物而无法前进时，使用切线函数来模拟滚球蜣螂的舞蹈行为，获得新的滚动方向，当滚球蜣螂成功地确定了一个新的方向，滚球蜣螂就会继续向前滚动球，其中，滚球蜣螂跳舞行为的位置被定义为：，式中，为取值范围在之间的第二随机数，当为0、0.5或1时，将不会更新滚球蜣螂的位置；步骤2.2.2：繁育蜣螂；提出边界选择策略来模拟繁育蜣螂产卵的区域，其中，边界选择策略的表达式为：，式中，为当前局部最佳位置，和分别为产卵区的下界和上界，，为最大迭代次数，和分别为优化问题的下界和上限；一旦确定了产卵区，繁育蜣螂就会选择这个产卵区的繁育球产卵，每只繁育蜣螂在每次迭代中只产一个卵，由于产卵区的边界范围是动态变化的，因此繁育球的位置在迭代过程中也是动态的，迭代过程表示为：，式中，为第次迭代时第个繁育球的位置信息，和分别为两个大小为的独立随机向量，为优化问题的维数；步骤2.2.3：小蜣螂；建立最佳觅食区来引导小蜣螂觅食，并模拟小蜣螂在自...

【专利技术属性】
技术研发人员：刘川，邹军，黄前锋，喻国辉，余景瀚，康兵，邓仁青，黄剑，万春，徐玮，涂聪，傅培力，吴文青，王宗耀，
申请(专利权)人：国家电投集团江西电力工程有限公司，
类型：发明
国别省市：