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】
本专利技术涉及一种考虑相关性的新能源电力系统风光功率短期联合预测方法,属于电力功率、负荷预测领域。
技术介绍
1、在“双碳”目标下,新能源电力系统(new energy power system,neps)被广泛运用,相较于常规电力系统,其新能源并网发电容量在电力系统中占比较大,功率波动大、随机性高,预测难度更大,对电网稳定性存在极大威胁。neps中可再生能源的发展和利用已经不局限于单个系统的提升,通过各能源网络互联、数据资源共享,可实现多能源互补、多设备协同运行,促进可再生能源的充分利用。因此,探索风光联合预测的可行性、提升预测精确性,对提升neps稳定性以及提高能源利用效率具有重要意义。欧盟与美国也有文件指出风/光联合在可再生能源方面的使用潜力,可利用多方联合调度来改善电网运行和规划。我国可再生能源规划要求提高功率预测精度,并指出要促进水电、风电、光伏等可再生能源的能互补和联合调度。
2、关于对预测模型提升的研究,张岚等使用基础网络模型预测,但此类网络具有静态特性,预测准确度及适用性不高;景惠甜等运用了数据约简算法、卷积神经网络等算法到新能源功率预测模型中,改进了单一预测算法的缺陷。由于预测数据采集时间长、种类多、数据冗杂等问题,仅利用智能算法优化预测模型并不能有效解决数据本身杂乱带来的预测精度降低的问题。对原始数据集进行有效处理能够保证输入特征的准确性和平稳性,从而提升预测精度。杨维熙等着重对各类分解技术进行深度挖掘,优化数据预处理部分;王佶宣等采用经验模态分解(emd)分解数据,但emd易造成模态混叠等问题,
3、目前,单一的风/光功率预测研究都已较为成熟,但是由于风电、光伏发电之间相互交杂的影响因素较多、neps中各类小型分布式电源规律性弱、预测误差的再次利用是否得当等问题的存在,使得现有模型无法深度挖掘neps分布式电源与复杂气象因素之间的时序关系,致使预测精度不佳。
4、基于上述问题,首先,本专利技术采集新能源电力系统功率数据及影响因素并通过相关性分析提取预测特征量;其次,以ceemdan对数据进行分解、近似熵对分解数据再次重构;并使用cwoa算法对bilstm模型超参数优化,构建预测模型;最后,输入初步预测特征得出预测误差,再次交叉预测得出最终预测结果,实现neps风/光功率的联合预测。
技术实现思路
1、本专利技术提供了考虑相关性的新能源电力系统风光功率短期联合预测方法,以用于风/光功率的联合预测,提升预测精确度以降低新能源并网对电网稳定性的影响。
2、本专利技术的技术方案是:考虑相关性的新能源电力系统风光功率短期联合预测方法,所述方法的具体步骤如下:
3、step1、获取新能源电力系统功率数据及影响因素并通过相关性分析提取预测特征量,即待测数据;
4、step2、以自适应噪声的完全集合经验模态分解(complete ensemble empiricalmode decomposition with adaptive noise,ceemdan)对预测特征量进行分解、近似熵对分解数据再次重构;
5、step3、使用混沌鲸鱼优化算法(chaotic whale optimization algorithm,cwoa)对双向长短期记忆神经网络(bidirectional long short term memory,bilstm)模型超参数优化,构建预测模型;
6、step4、在构建好的预测模型中输入分解重构后的预测特征量得出预测误差,再次交叉预测得出最终预测结果。
7、作为本专利技术的进一步方案,所述step1的具体步骤是:
8、step1.1、根据pearson相关系数判断各影响因素与功率的相关性,根据相关性大小筛选预测特征量,相关性计算公式如式(1)所示:
9、
10、式中:u(i)、v(j)表示两组样本数据;n表示样本数量;分别表示两组数据平均值;rxy表示值在[0,1]之内;
11、step1.2、筛选出预测特征量后,对每项数据分别进行归一化至[0,1]范围内,具体公式如式(2)所示:
12、
13、式中:y(i)'表示归一化后数据;y(i)表示原始数据;y(i)max、y(i)min表示原始数据中最大、最小数据。
14、作为本专利技术的进一步方案,所述step2的具体步骤是:
15、step2.1、在原始数据序列xg上添加g次均值为0的高斯白噪声ng(t)构造待分解序列xg(t),g=1,2,…,g,产生的新信号如式(3)所示:
16、xg(t)=xg-1(t)+εng(t) (3)
17、式中:ε表示高斯白噪声的权值系数;g表示样本数值;
18、由自适应噪声的完全集合经验模态分解ceemdan中的emd对产生的新信号分解,取结果均值得到imf;余量信号再次添加噪声进行分解,直至信号单调;
19、step2.2、为避免主观选择参数导致输入特征集的序列重构效果不理想,保证数据分解的有效性,通过近似熵对分解序列重构;对任意两组样本数量为i、j(i,j∈[1,n])的待分析信号序列,若两端点之差在相似容限阈值r内,则相似;该信号序列的近似熵计算公式如式(4)所示:
20、
21、式中:ψm(r)表示第m维的相似比;m表示模式维数;r表示相似容限阈值;表示遍历所有近似数量组合后近似数量与总数量的比值;表示近似熵,n表示最大样本数量。
22、作为本专利技术的进一步方案,所述step3的具体步骤是:
23、step3.1、使用混沌鲸鱼优化算法cwoa算法对bilstm进行超参数优化;由于鲸鱼优化算法woa、粒子群算法pso等算法存在的易陷入局部最优的缺陷,使用在woa基础上改进的cwoa对预测模型参数的选择智能优化;
24、woa主体公式如式(5)-式(6)所示:
25、
26、
27、式中:k表示当前迭代次数;hk表示当前个体位置,hkgbest表示全局最优位置;a、c表示收敛向量;p表示包围机制和更新机制概率设置为0.5时,生成的[0,1]内的随机数;d表示最优距离;b表示螺旋常数;hkrand表示个体随机位置;a表示收敛因子;l表示[-1,1]区间内的随机值;s1rand、s2rand表示[0,1]区间内的随机值;
28、step3.2、cwoa算法混沌序列干扰后的个体位本文档来自技高网...
【技术保护点】
1.一种考虑相关性的新能源电力系统风光功率短期联合预测方法,其特征在于:所述方法的具体步骤如下:
2.根据权利要求1所述的考虑相关性的新能源电力系统风光功率短期联合预测方法,其特征在于:所述Step1的具体步骤是:
3.根据权利要求1所述的考虑相关性的新能源电力系统风光功率短期联合预测方法,其特征在于:所述Step2的具体步骤是:
4.根据权利要求1所述的考虑相关性的新能源电力系统风光功率短期联合预测方法,其特征在于:所述Step3的具体步骤是:
5.根据权利要求1所述的考虑相关性的新能源电力系统风光功率短期联合预测方法,其特征在于:所述Step4的具体步骤是:
【技术特征摘要】
1.一种考虑相关性的新能源电力系统风光功率短期联合预测方法,其特征在于:所述方法的具体步骤如下:
2.根据权利要求1所述的考虑相关性的新能源电力系统风光功率短期联合预测方法,其特征在于:所述step1的具体步骤是:
3.根据权利要求1所述的考虑相关性的新能源电力系统风光功率短期联合预...
【专利技术属性】
技术研发人员:沈赋,刘思蕊,王哲,陈仕龙,杨光兵,戴翔,卢锦涛,王文浩,喜军,王升星,徐应发,单节杉,翟苏巍,曹旸,付玉,张微,张宇涛,
申请(专利权)人:昆明理工大学,
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。