【技术实现步骤摘要】
基于DBO
‑
ELM的短期风电功率预测方法
[0001]本专利技术涉及电力系统功率预测
，具体地说，涉及基于
DBO
‑
ELM
的短期风电功率预测方法
。
技术介绍
[0002]如今经济飞速发展，世界对于能源的消耗量日益剧增，因而可持续能源的开发利用呈现出迅猛发展的势态，其在能源结构上的占比逐渐增高
。
风能在技术与成本上相较于其他可持续能源都表现出了极大的优势，是最有前景的能源之一
。
因此对于许多常年多风的地带，风能是最理想的可持续能源
。
然而风能资源本身具有很多不确定性，风能收益普遍不高，风电预测技术不够成熟，为更好地满足对电能的现实需求，需要提升预测的精确度，减小风电随机性和波动性给电网带来的危害
。
[0003]风电出力的随机性和波动性较强，给电网运行调度带来较大的挑战
。
如何准确预测风电功率，对电网的供电可靠性具有重要意义
。
基于启发式的算法能够灵活地改变预测模型选择权重和偏差，因此通常可利用各种优化算法来优化预测模型，提升预测结果精度值
。
[0004]鉴于此，为了提升短期风电功率预测精确度，我们提出了基于
DBO
‑
ELM
的短期风电功率预测方法
。
技术实现思路
[0005]本专利技术的目的在于提供基于
DBO
‑
ELM
的短期...
【技术保护点】
【技术特征摘要】
1.
基于
DBO
‑
ELM
的短期风电功率预测方法，其特征在于：其基于蜣螂优化器
DBO
来优化极限学习机
ELM
实现短期风电功率预测，以提高
ELM
进行短期风电功率优化预测的适应性和准确性；具体预测方法包括如下步骤：
S1、
将历史风速和风向作为输入数据，短期风电功率作为输出数据，构建关于风电预测的
ELM
模型框架；
S2、
将
ELM
模型进行随机初始化；
S3、
通过蜣螂算法生成一组随机权重矩阵和阈值向量作为
ELM
模型的隐含层，求其适应度值；
S4、
使用隐含层的输出和训练数据集的输出，计算
ELM
模型的输出权重值；
S5、
重复上述步骤
S3
‑
S4
，直到满足要求为止；输出最优解，即连接权值；
S6、
求出
ELM
模型输出值，得到短期风电功率预测结果
。2.
根据权利要求1所述的基于
DBO
‑
ELM
的短期风电功率预测方法，其特征在于：所述步骤
S1
中，构建关于风电预测的
ELM
模型框架的具体方法包括：选取某地方风电场的历史检测数据作为样本，随机选取某时间段中影响风电场的各种因素，记为
D
个变量作为
ELM
模型的输入变量，则第
i
个输入变量为
x
i
＝
[x
i1
,x
i2
,...,x
N
],x
i
∈R
D
，令输出变量为当前时间段所对应的输出风电功率，即
y
＝
[y
11
,y
12
,...,y
1N
]
，其中，
R
表示风电场的额定阻值，
N
表示输入变量
、
输出变量的变量个数；然后设具有
Q
个样本的训练集输入矩阵
X
和输出矩阵
Y
，其分别表示为：，其分别表示为：式
(1)、
式
(2)
中，
n、m
分别表示输入矩阵
X
和输出矩阵
Y
的输入样本组数
、
输出样本组数，每组输入样本组数
、
输出样本组数均包含
Q
个样本；记隐含层的输出函数为
H(x)
，设
ω
为输入层与隐含层中各神经元之间的连接权值，
l
表示输入层与隐含层中各神经元之间的连接权值的组数，表示为如下：
b
为隐含层神经元的阈值，其表示为：
隐含层的输出函数
H(x)
＝
[h1(x),h2(x),...,h
L
(x)]
，在实际应用中，
h
i
(x)
用如下公式表示：
h
i
(x)
＝
g(
ω
i
,b
j
,x)
＝
g(
ω
i
·
x
j
+b
i
)
ꢀꢀꢀꢀꢀ
(5)
式
(5)
中，
g(
ω
i
,b
j
,x)
是激活函数，
ω
i
和
b
j
均是隐藏层节点参数；
b
i
为第
i
个隐含层神经元的阈值，
b
i
＝
[b
i1
,b
i2
,...,b
in
]
T
，
T
表示转置；经过隐藏层进入输出层后，
ELM
模型输出值
y
i
的值为：式
(6)
中，
ω
i
＝
[
ω
i1
,
ω
i2
,...,
ω
in
]
T
为输入层与隐含层第
i
个节点的连接权值矩阵，
x
j
为第
j
个隐含层节点的阈值，
β
i
＝
[
β
i1
,
β
i2
,...,
β
im
]
T
为隐含层与输出层之间的第
i
个连接权值，
β
＝
[
β1,...,
β
L
]
T
是隐藏层与输出层之间的输出权重；其中，
i
是隐藏层的输出函数
H(x)
的第
i
个输出值，
j
则为隐含层的第
j
个隐含层节点阈值，
i
与
j
的取值范围都为1到
N
；
L
表示隐藏层的输出函数的个数；将上述输出函数写为矩阵形式，可表示为：
y
i
＝
H
β
ꢀꢀꢀꢀꢀ
(7)
式
(7)
中，
y
i
为
ELM
的输出层矩阵，
H
为
ELM
的隐含层输出矩阵，具体形式可表示为：其中，隐含层与输出层间的连接权值
β
可以通过最小二乘法解获得
。3.
根据权利要求1所述的基于
DBO
‑
ELM
的短期风电功率预测方法，其特征在于：所述步骤
S3
中，通过蜣螂算法生成一组随机权重矩阵和阈值向量作为
ELM
模型的隐含层的具体方法包括如下步骤：
S3.1、
初始化
ELM
模型中的权重值
、
阈值，初始化蜣螂群体，即随机生成
ELM
模型的一组隐含层权重值和阈值量作为初始群体，并将迭代次数初始化为
t
＝0；
S3.2、
设计适应度函数并初始化适应度函数值，选择合适的适应度函数，并计算每个个体的适应度；
S3.3、
初始化优化目标的位置和速度，选择全局最优解，更新所有蜣螂的位置，即每个个体的位置与速度，并判断每个个体是否超出边界；
S3.4、
选择最优个体，即在每次迭代中，选择适应度最优的个体，并记录其隐含层权重和阈值量；
S3.5、
判断终止条件，即判断是否达到最大迭代次数，在达到最大迭代次数或达到设定的精度要求后，停止计算；
S3.6、
输出适应度最优的个体的隐含层权重和阈值量作为
ELM
模型的隐含层参...
【专利技术属性】
技术研发人员：程先龙，林宝德，保佑智，何度江，方伟，李伟，梁健，张杰，李思莹，王川，周云霞，易佳兵，李清，马云，韩军峰，赵梅，唐然，谢秀君，陈相，赵建锋，万琪，杨翠飞，沈云霞，武文婷，周春俊，莫莹，李莉萍，杨翼霞，高艳，黄思博，吴珊珊，段力元，陈兴美，黄才龙，段炼，周仲，
申请(专利权)人：云南电网有限责任公司红河供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。