[發(fā)明專利]一種基于SOA-WNN的光伏短期輸出功率預(yù)測方法

有效

• 申請?zhí)枺?/td>: 201811072221.4
• 申請日: 2018-09-14
• 公開（公告）號: CN109165792B
• 公開（公告）日: 2021-09-21
• 發(fā)明（設(shè)計(jì)）人: 遲福建;葛磊蛟;何平;劉聰;李桂鑫;王哲;張章;張劍;徐晶;羨一鳴
• 申請（專利權(quán)）人: 國網(wǎng)天津市電力公司;國家電網(wǎng)有限公司;天津大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 天津盛理知識產(chǎn)權(quán)代理有限公司 12209
• 代理人: 王雨晴

1.一種基于SOA-WNN的光伏短期輸出功率預(yù)測方法，其特征在于：包括以下步驟：

步驟1、構(gòu)建基于皮爾森相似系數(shù)的相似日選取原則，確定小波神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)；

步驟2、采用人群搜索算法以輸出誤差最小為適應(yīng)度函數(shù)對小波神經(jīng)網(wǎng)絡(luò)的權(quán)值及小波基函數(shù)中的參數(shù)進(jìn)行優(yōu)化；

步驟3、基于步驟2的小波神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化，將相似日數(shù)據(jù)樣本帶入小波神經(jīng)網(wǎng)絡(luò)中進(jìn)行建模，得到光伏短期輸出功率預(yù)測值；

所述步驟1的具體步驟包括：

(1)基于皮爾森相似系數(shù)的相似日選取原則采用距離分析法中皮爾森相似系數(shù)計(jì)算光伏出力與溫度、風(fēng)速、濕度、大氣壓各影響因素的相關(guān)性系數(shù)，并由此確定相似日選取；

(2)將小波分析和神經(jīng)網(wǎng)絡(luò)相結(jié)合，并采用緊密型結(jié)合的方式，建立小波神經(jīng)網(wǎng)絡(luò)。

2.根據(jù)權(quán)利要求1所述的一種基于SOA-WNN的光伏短期輸出功率預(yù)測方法，其特征在于：所述步驟2的具體步驟包括：

(1)初始化小波神經(jīng)網(wǎng)絡(luò)的權(quán)值與小波因子參數(shù)及優(yōu)化算法中各參數(shù)；

(2)隨機(jī)函數(shù)生成s個(gè)初始種群；

(3)評價(jià)適應(yīng)度函數(shù)值F，計(jì)算個(gè)體位置，并進(jìn)行種群間學(xué)習(xí)；

(4)計(jì)算個(gè)體搜索方向和搜索步長：

①采用高斯隸屬函數(shù)表示搜索步長模糊變量：

u_A(x)＝exp[-(x-u)²/2δ²]

式中，u_A為高斯隸屬度；x為輸入變量；u、δ為隸屬函數(shù)參數(shù)；當(dāng)輸出變量超過[u-3δ,u+3δ]時(shí)，若隸屬度小于0.0111，則可以忽略；故設(shè)定u_min＝0.0111

采用線性隸屬度時(shí)，在最佳位置有最大隸屬度u_max＝1.0；最差位置有最小隸屬度，當(dāng)隸屬度在[u_min，u_max]時(shí)，隸屬度則有：

u_ij＝rand(u_i,1),j＝1,2,…,D

式中，u_i為適應(yīng)度函數(shù)i的隸屬度；u_ij為j維搜索空間適應(yīng)度函數(shù)i的隸屬度；D為搜索空間維度數(shù)；I_i是種群適應(yīng)度函數(shù)值按降序排列后x_i(t)的序列編號；

②得出隸屬度u_ij后，由不確定推理的行為推出搜索步長：

式中，δ_ij為高斯隸屬函數(shù)參數(shù)；α_ij為j維搜索空間搜索步長；

δ_ij＝ω|x_max-x_min|

ω＝(T_max-t)/T_max

式中，x_min和x_max分別為同一個(gè)子群中最小、最大函數(shù)值的位置；ω是慣性取值，由0.9遞減為0.1；t為當(dāng)前迭代次數(shù)；T_max為最大迭代次數(shù)；

③由利己行為、利他行為和預(yù)動行為三個(gè)方向加權(quán)確定搜索方向

式中，為利己方向、為利他方向、為預(yù)動方向；和分別為中的最佳位置；為第i個(gè)搜尋個(gè)體的最佳位置，為第i個(gè)搜尋個(gè)體所在種群的歷史最佳位置；sign(·)為符號函數(shù)；為已知區(qū)間[0,1]內(nèi)均勻隨機(jī)選擇的實(shí)數(shù)；

④確定搜索方向和步長后，進(jìn)行位置更新，其公式為：

Δx_ij(t+1)＝α_ij(t)d_ij(t)

x_ij(t+1)＝x_ij(t)+Δx_ij(t+1)

⑤更新個(gè)體位置，若滿足條件，其個(gè)體作為最優(yōu)解輸出，若不滿足條件，則返回步驟(3)。

3.根據(jù)權(quán)利要求1所述的一種基于SOA-WNN的光伏短期輸出功率預(yù)測方法，其特征在于：所述步驟3的具體方法為：

所述步驟3在通過步驟2人群搜索算法進(jìn)行的小波神經(jīng)網(wǎng)絡(luò)參數(shù)優(yōu)化，得到小波神經(jīng)網(wǎng)絡(luò)的最優(yōu)小波因子及網(wǎng)絡(luò)權(quán)值初值后，輸入步驟1所得基于皮爾森相似系數(shù)的相似日數(shù)據(jù)和優(yōu)化參數(shù)進(jìn)行小波神經(jīng)網(wǎng)絡(luò)建模，即可得到基于SOA-WNN的光伏短期輸出功率預(yù)測模型；最后，將被預(yù)測日的溫度、風(fēng)速、濕度、大氣壓等數(shù)據(jù)輸入模型之中，獲得被預(yù)測日的基于SOA-WNN的光伏短期輸出功率預(yù)測值。