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】
技术介绍
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。
技术实现思路
1、本专利技术的目的在于克服现有技术的不足,提供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。
2、本专利技术解决其技术问题是通过以下技术方案实现的:
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。