本发明专利技术涉及一种基于改进的萤火虫算法优化CNN‑LSTM的光伏发电量预测方法，属于光伏发电技术领域，首先对原始的光伏发电量数据序列进行预处理；在萤火虫算法的基础上，采用混沌映射初始化种群，并融合正弦余弦算法(SCA)思想；通过改进的萤火虫算法优化CNN‑LSTM神经网络的隐藏层节点数和学习率,构建基于改进的萤火虫算法优化CNN‑LSTM的预测模型，进行光伏发电量数据序列的预测；通过天津某商务中心的实际光伏发电量数据进行算例分析。基于改进的萤火虫算法优化CNN‑LSTM的模型具有更好的预测效果，大大提高了光伏发电量预测的准确性。
1、光伏发电是一种具备可再生、洁净、分散等特点的能源形式，其在满足不断增长的全球清洁能源需求方面扮演着至关重要的角色。近年来，光伏发电引起了越来越多的关注，然而，光伏发电的精确预测却成为其大规模融入主电网的关键前提，因为光伏发电时间序列通常表现出非线性和不稳定的特征。这种不稳定性源于光伏发电的高度依赖不可预测的气象条件，从而增加了准确预测的挑战。
2、当前的研究工作主要聚焦于光伏功率输出的预测，这一领域的模型可以分为物理方法、持续方法和统计方法三大类。物理方法依靠数学方程来描述气象条件的物理状态和动态变化，在天气条件相对稳定时，这些物理方法的预测模型表现出色。持续方法通常假设现在和未来的数值之间存在强烈的相关性，其预测精度主要取决于历史平均值。相对而言，统计方法旨在测量历史光伏功率输出和气象参数之间的关系，这种方法基于预测模型和历史数据的学习过程，但其性能对时间跨度和输入数据质量极为敏感，因为其需要解释变量，使数学模型开发变得复杂。
3、随着人工智能方法的迅速发展，目前的研究主要集中在应用机器学习和神经网络等人工智能技术，以捕捉光伏功率序列的随机性，从中挖掘深层特征，从而实现更为准确的预测结果。这一趋势有望为光伏发电功率预测带来显著的改进。
>3、一种基于改进的萤火虫算法优化cnn-lstm的光伏发电量预测方法，其特征在于：包括如下步骤：4、步骤1，获取光伏发电量数据；
5、步骤2，对获取的光伏发电量数据进行归一化处理，并对归一化处理的数据划分为训练集与测试集；
6、步骤3，构建cnn-lstm网络模型，初始化模型参数；
7、步骤4，对萤火虫算法进行改进，并通过改进的萤火虫算法找到最优萤火虫位置；
8、步骤5，利用最优萤火虫位置优化cnn-lstm网络模型的隐藏层节点数和学习率；
9、步骤6，将归一化处理的训练集输入到经萤火虫算法优化的cnn-lstm网络模型里，对cnn-lstm网络模型进行迭代训练，将归一化处理后的测试集输入到迭代训练好的cnn-lstm网络模型中，更新计算误差，若满足条件，输出最终光伏发电量预测结果，若不满足，则返回步骤5。
10、而且，所述光伏发电量数据以小时为单位进行监测、收集，包括在时间t∈{1,2,3,…k}内收集的发电量记为xt，且xt＝[x1,x2,x3,…xt]。
11、而且，所述对获取的光伏发电量数据进行归一化处理的方法为：
12、对光伏发电量数据利用下式做归一化处理，将所有数据映射到[-1,1]：
13、
14、式中，xt,min和xt,max分别为输入光伏发电量数据的最小值、最大值。
15、而且，所述对萤火虫算法进行改进，并通过改进的萤火虫算法找到最优萤火虫位置的方法包括:
16、步骤4.1，采用混沌映射初始化种群：
17、采用逻辑自映射函数生成的混沌序列，按照式(1)迭代，
18、
19、其中，初始值不能取0和0.5，d表示d维搜素空间的第d维；
20、将逻辑自映射生成的混沌变量，与初始混沌变量一起对应全部萤火虫个体，然后将产生的混沌变量序列由式(2)变换到目标函数的搜索空间，生成萤火虫初始种群的n个个体，公式如下：
21、xi,d＝lb+(ub-lb)*|yi,d| (2)
22、其中，lb和ub分别代表搜索空间第d维的下限和上限，yi,d是根据式(2)产生的第i个萤火虫对应的第d维混沌变量，x(i,d)为第i个萤火虫在搜索空间中第d维的坐标值；
23、步骤4.2，采用融合正弦余弦算法思想，在学习因子中融入正弦余弦算法的萤火虫公式如下：
24、ω＝ωmin+(ωmax-ωmin)·sin(tπ/maxit) (3)
25、萤火虫xi被吸引向萤火虫xj移动的位置更新公式如下：
26、xi(t+1)＝(1-ω)·xi(t)+β(xj(t)-xi(t))+ω·sin(r1)·|r2xbest-xj(t) (4)
27、如果萤火虫xj的亮度比萤火虫xi的亮度更亮，萤火虫xi就会被萤火虫xj所吸引；否则,萤火虫xi将要吸引萤火虫xj按照下式搜索策略进行搜索:
28、xi(t+1)＝(1-ω)·xi(t)+β(xj(t)-xi(t))+ω·cos(r1)·|r2xbest-xj(t) (5)
29、其中，xi(t+1)是萤火虫的更新后的位置，xi(t)和xj(t)分别为第t代萤火虫i和j所处的位置；其中β保持与原始萤火虫算法中相同的公式；式(4)和式(5)中,r1为[0，2π]内的随机数，r2是[0，2]内的随机数。
30、而且，所述更新计算误差，所需满足的条件为：若计算误差在0-4之间，则输出最终光伏发电量预测结果，否则，返回上步。
31、本专利技术的优点和有益效果为：
32、本基于改进的萤火虫算法优化cnn-lstm的光伏发电量预测方法，通过采用混沌映射初始化种群，并融合正弦余弦算法(sca)思想对萤火虫优化算法的改进，获取最有萤火虫位置，利用最优萤火虫位置优化cnn-lstm的隐藏层节点数和学习率，将归一化处理后的数据输入到cnn-lstm模型中进行训练分类，实现对光伏发电量的预测，达到更好的预测效果，大大提高了光伏发电量预测的准确性。
本文档来自技高网...
【技术保护点】
1.一种基于改进的萤火虫算法优化CNN-LSTM的光伏发电量预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于改进的萤火虫算法优化CNN-LSTM的光伏发电量预测方法，其特征在于：所述光伏发电量数据以小时为单位进行监测、收集，包括在时间t∈{1,2,3,…k}内收集的发电量记为Xt，且Xt＝[X1,X2,X3,…Xt]。
3.根据权利要求1所述的一种基于改进的萤火虫算法优化CNN-LSTM的光伏发电量预测方法，其特征在于：所述对获取的光伏发电量数据进行归一化处理的方法为：
4.根据权利要求1所述的一种基于改进的萤火虫算法优化CNN-LSTM的光伏发电量预测方法，其特征在于：所述对萤火虫算法进行改进，并通过改进的萤火虫算法找到最优萤火虫位置的方法包括:
5.根据权利要求1所述的一种基于改进的萤火虫算法优化CNN-LSTM的光伏发电量预测方法，其特征在于：所述更新计算误差，所需满足的条件为：若计算误差在0-4之间，则输出最终光伏发电量预测结果，否则，返回上步。
【技术特征摘要】
1.一种基于改进的萤火虫算法优化cnn-lstm的光伏发电量预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种基于改进的萤火虫算法优化cnn-lstm的光伏发电量预测方法，其特征在于：所述光伏发电量数据以小时为单位进行监测、收集，包括在时间t∈{1,2,3,…k}内收集的发电量记为xt，且xt＝[x1,x2,x3,…xt]。
3.根据权利要求1所述的一种基于改进的萤火虫算法优化cnn-lstm的光伏发电量预测方法，其特征在于...
【专利技术属性】
技术研发人员：陈浩，邓云博，陈玲，吴黎明，金士洺，刘博，刘冉冉，王文君，杜泽楠，张鹏飞，
申请(专利权)人：国网天津静海供电有限公司，
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。