System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及风电功率预测,具体为一种基于遗传算法优化神经网络的风电功率预测系统。
技术介绍
1、随着风电并网的规模不断增加,对电力系统的影响也越来越显著,由于风能的高度随机波动性和间歇性,使得大容量的风电接入电网会对电力供需平衡、电力系统的安全,以及电能质量带来严峻挑战。风电占整个电网比例的大小取决于很多因素,其中最重要的因素是发电功率的可预测性。功率预测精度的提高可以降低所需的储备电能,并增加电网的可靠性,具有很大的经济意义;可以对风电进行有效调度和科学管理,提高电网接纳风电的能力;可以指导风电场的计划检修,提高风电场运行的经济性。风电预测对于电网调度和资源配置非常有必要。
2、现有技术中,如中国专利号为:cn205263860u的“一种基于遗传算法优化神经网络的风电功率预测系统”,其中包括数值天气预报模块、实时数据处理模块、神经网络功率预测模块、功率预测修正模块、实时通信模块、控制中心和调度中心,的数值天气预报模块通过实时数据处理模块与神经网络功率预测模块连接,的神经网络功率预测模块分别与功率预测修正模块和调度中心连接,的功率预测修正模块分别与数值天气预报模块、控制中心连接,的控制中心与调度中心连接。
3、但到目前为止,随着大量风电开始并入电网,风电场输出功率预测对接入大量风电的电力系统的运行有重要意义,针对神经网络在风电功率预测中结构和权值参数难以确定,预测精度不高等问题。
技术实现思路
1、本专利技术的目的在于提供一种基于遗传算法优化神经网络的风电
2、为实现上述目的,本专利技术提供如下技术方案:一种基于遗传算法优化神经网络的风电功率预测系统,包括:数据收集模块、计算模块、模型建立模块、优化模块、验证模块和总结模块;
3、所述数据收集模块用于收集检测的某风电场全年的风电功率的测量值;
4、所述计算模块用于在遗传算子逐代产生优选个体,搜寻最优个体;
5、所述模型建立模块用于采取遗传算法能够达到特定的数值的条件下,寻找全局最优解,进而用来优化神经网络的连接权值和阈值,然后在采取提升之后的bp神经网络影响风电功率的值开展预测;
6、所述优化模块用于在遗传算法优化bp网络,来检测出各隐层节点阈值和输出层节点阈值;
7、所述验证模块用于验证遗传神经网络的可行性和有效性;
8、所述总结模块用于整合所有的数据,并得出结论。
9、优选的,所述计算模块是用于使用的计算方法为遗传算法,遗传算法模拟了自然选择和遗传过程中的选择交叉、变异等现象,利用遗传算子逐代产生优选个体,并最终搜寻最优个体。
10、优选的,所述计算模块包括随机产生模块、判断算法模块和遗传操作模块;
11、所述随机产生模块用于将初始个体构成初始种群,适应度值来评价每一个个体;
12、所述判断算法模块用于判断是否满足输出搜索结果;
13、所述遗传操作模块用于比对计算结果大小。
14、优选的,所述模型建立模块根据计算模块的结果来建立模型,方便观察测量数据。
15、优选的,所述优化模块包括参数编码模块、设定初始群体模块、选择适应度函数模块、设计遗传操作模块和控制参数设定模块;
16、所述参数编码模块用于将数据往设备内输入数据,方便设备计算出隐层数、各隐层节点数、节点间的连接权值、各隐层节点阈值和输出层节点阈值;
17、所述设定初始群体模块用于挑选初始群体;
18、所述选择适应度函数模块用于确定网络的输出值与期望的输出值之间的误差平方;
19、所述设计遗传操作模块用于确定选择运算、交叉运算、变异运算的数据;
20、所述控制参数设定模块用于设定遗传过程及bp网络训练中的相关参数,计算对应网络的误差及适应度,选取适应度最大的个体进行遗传。
21、优选的,所述验证模块为了验证所述遗传神经网络的可行性和有效性;
22、并从另一个风电场一段时间内的风电输出功率进行预测仿真,样本采用对未来65个小时每隔十分钟采集一次数据,数据包括风速、风向、温度和功率,利用前62个小时的数据对网络进行训练,后6个小时的数据用来预测;
23、其隐层层数经验公式:
24、m=vn+1+α;
25、式中,m为隐层单元数,n为输入层单元数,l为输出层单元数,α为1~10之间的常数;经过试验调试隐层最终确定为18层,所以用来预测功率输出的神经网络结构为4-18-1的网络结构;其中训练样本360组,测试样本30组。
26、优选的,所述验证模块中设定最大训练次数为2000,训练精度0.002,最小梯度为0.01,误差采用绝对平均误差;
27、其平均误差公式为:
28、
29、式中,pi,分别为输出功率的实际值和预测值,n为预测的样本数,作为比较给出了典型的bp神经网络预测方法和遗传算法优化的bp神经网络预测方法的预测结果;其中遗传算法的遗传参数分别为:群体的大小m=5、遗传代数g=10、交叉概率pc=0.7和变异概率pm=0.1。
30、优选的,所述总结模块用于将两个计算的结果进行总结,并得出结论。
31、与现有技术相比,本专利技术的有益效果是:
32、本专利技术中,通过计算模块与优化模块的设置,计算模块与优化模块计算出的结果,两个结果对比得出,遗传算法与bp神经网络相结合,形成遗传神经网络对风电场输出功率进行预测,通过遗传算法的寻优能力优化神经网络的权值和阈值,取得了优于单一bp神经网络的预测结果。
本文档来自技高网...【技术保护点】
1.一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于,包括:数据收集模块(1)、计算模块(2)、模型建立模块(3)、优化模块(4)、验证模块(5)和总结模块(6);
2.根据权利要求1所述的一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于:所述计算模块(2)是用于使用的计算方法为遗传算法,遗传算法模拟了自然选择和遗传过程中的选择交叉、变异等现象,利用遗传算子逐代产生优选个体,并最终搜寻最优个体。
3.根据权利要求2所述的一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于:所述计算模块(2)包括随机产生模块(21)、判断算法模块(22)和遗传操作模块(23);
4.根据权利要求1所述的一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于:所述模型建立模块(3)根据计算模块(2)的结果来建立模型,方便观察测量数据。
5.根据权利要求1所述的一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于:所述优化模块(4)包括参数编码模块(41)、设定初始群体模块(42)、选择适应度函数模块(43)、设计遗传
6.根据权利要求1所述的一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于:所述验证模块(5)为了验证所述遗传神经网络的可行性和有效性;
7.根据权利要求6所述的一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于:所述验证模块(5)中设定最大训练次数为2000,训练精度0.002,最小梯度为0.01,误差采用绝对平均误差;
8.根据权利要求1所述的一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于:所述总结模块(6)用于将两个计算的结果进行总结,并得出结论。
...【技术特征摘要】
1.一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于,包括:数据收集模块(1)、计算模块(2)、模型建立模块(3)、优化模块(4)、验证模块(5)和总结模块(6);
2.根据权利要求1所述的一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于:所述计算模块(2)是用于使用的计算方法为遗传算法,遗传算法模拟了自然选择和遗传过程中的选择交叉、变异等现象,利用遗传算子逐代产生优选个体,并最终搜寻最优个体。
3.根据权利要求2所述的一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于:所述计算模块(2)包括随机产生模块(21)、判断算法模块(22)和遗传操作模块(23);
4.根据权利要求1所述的一种基于遗传算法优化神经网络的风电功率预测系统,其特征在于:所述模型建立模块(3)根据计算模块(2)的结果来建立模型,方便观察测...
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。