本發(fā)明涉及電網(wǎng)調(diào)度和預(yù)測(cè)系統(tǒng)領(lǐng)域，尤其涉及一種基于云進(jìn)化粒子群算法的短期風(fēng)電功率預(yù)測(cè)方法。

背景技術(shù)：

隨著我國(guó)風(fēng)電裝機(jī)容量的快速增長(zhǎng)，風(fēng)電在電網(wǎng)中占的比重越來(lái)越大，由于風(fēng)電輸出功率具有隨機(jī)波動(dòng)性，大規(guī)模風(fēng)電并網(wǎng)對(duì)電力系統(tǒng)安全運(yùn)行帶來(lái)嚴(yán)重沖擊。大型風(fēng)電場(chǎng)傳統(tǒng)功率預(yù)測(cè)存在預(yù)測(cè)精度不高和不穩(wěn)定性問題，因此，提高風(fēng)電場(chǎng)風(fēng)電功率預(yù)測(cè)精度在電網(wǎng)調(diào)度和穩(wěn)定運(yùn)行方面變得尤為重要。

傳統(tǒng)的風(fēng)電功率預(yù)測(cè)主要采用的方法有神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、arma-arch模型(自回歸滑動(dòng)平均模型-自回歸條件異方差模型)、局域波分析、小波分析和組合預(yù)測(cè)法。粒子群算法因?yàn)樗阉魉俣瓤?，搜索范圍大，因此近年?lái)得到廣泛應(yīng)用。但由于風(fēng)電接入時(shí)風(fēng)速的隨機(jī)性和不穩(wěn)定性，使得粒子適應(yīng)度值變化很大，其中劣性粒子占大部分，因而造成粒子難以快速收斂到最優(yōu)值。而且常規(guī)pso算法(粒子群優(yōu)化算法)難以跳出自身局限性，難以提高風(fēng)電功率預(yù)測(cè)的精度，所以對(duì)于如何提高風(fēng)電功率預(yù)測(cè)的精度亟待提出一種有效的優(yōu)化方法。

技術(shù)實(shí)現(xiàn)要素：

針對(duì)上述現(xiàn)有技術(shù)中的不足，本發(fā)明提供一種基于云進(jìn)化粒子群算法的短期風(fēng)電功率預(yù)測(cè)方法，能夠有效提高風(fēng)電功率預(yù)測(cè)精度，具有精確度高、穩(wěn)定性好和高效的優(yōu)點(diǎn)。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供一種基于云進(jìn)化粒子群算法的短期風(fēng)電功率預(yù)測(cè)方法，包括步驟：

s1：建立一前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型；

s2：測(cè)量一預(yù)測(cè)位置的風(fēng)速和風(fēng)向；

s3：利用所述前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、所述風(fēng)速和所述風(fēng)向，獲得一風(fēng)機(jī)輸出功率的一初始預(yù)測(cè)解集；

s4：根據(jù)所述初始預(yù)測(cè)解集和pso算法形成一初始化粒子群；

s5：建立一云進(jìn)化模型c；

s6：通過所述云進(jìn)化模型c和所述初始化粒子群生成一第一更新粒子群；

s7：更新所述第一更新粒子群，獲得一第二更新粒子群；

s8：判斷所述第二更新粒子群是否滿足期望值；如滿足，將所述第二更新粒子群作為輸出結(jié)果；如不滿足繼續(xù)后續(xù)步驟；

s9：判斷當(dāng)前迭代次數(shù)是否達(dá)到預(yù)設(shè)的一第一最大迭代次數(shù)值m；如是將所述第二更新粒子群作為輸出結(jié)果；如否，返回步驟s6。

優(yōu)選地，所述前向神經(jīng)網(wǎng)絡(luò)模型包括一輸入層、一隱層和一輸出層。

優(yōu)選地，所述s3步驟進(jìn)一步包括步驟：

s31：建立一空間坐標(biāo)系；

s32：將所述風(fēng)速在所述空間坐標(biāo)系中的一x軸分量和一y軸分量作為所述前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的輸入向量；

s33：所述前向神經(jīng)網(wǎng)絡(luò)輸出所述初始預(yù)測(cè)解集。

優(yōu)選地，所述s4步驟進(jìn)一步包括步驟：

s41：設(shè)置基本參數(shù)，所述基本參數(shù)包括：慣性權(quán)重、第一加速度常數(shù)、第二加速度常數(shù)、所述第一最大迭代次數(shù)值m和一第二最大迭代次數(shù)值n；

s42：將所述初始預(yù)測(cè)解集代入一更新公式進(jìn)行n次迭代，獲得一中間預(yù)測(cè)解集；所述更新公式(1)為：

其中，vt+1為更新后的風(fēng)速，vt為當(dāng)前風(fēng)速，ω為所述慣性權(quán)重，c1為所述第一加速度常數(shù)，c2為所述第二加速度常數(shù)，r1為第一隨機(jī)數(shù)，r2為第二隨機(jī)數(shù)，xt為當(dāng)前風(fēng)機(jī)輸出功率，xt+1為更新后的風(fēng)機(jī)輸出功率，xjt為當(dāng)前局部最優(yōu)位置，xgt為當(dāng)前全局最優(yōu)位置；

s43：自所述中間預(yù)測(cè)解集中選出適用度最大的m個(gè)粒子，構(gòu)成所述初始化粒子群。

優(yōu)選地，所述云進(jìn)化模型c＝[p1；p2；…；pm]；其中一公式(2)：

其中ex為期望，en為熵，fmaxi為所述初始化粒子群中第i個(gè)粒子，favg為所述初始化粒子群中各粒子適應(yīng)度的平均值；c為一預(yù)設(shè)值；jr表示所述粒子生成的新粒子數(shù)，k表示粒子的維數(shù)，r為種群數(shù)；pr為子粒子種群。

優(yōu)選地，所述s6步驟中，根據(jù)公式(2)和所述初始化粒子群生成所述第一更新粒子群。

優(yōu)選地，所述步驟s7中利用公式(3)更新所述第一更新粒子群，獲得所述第二更新粒子群：

本發(fā)明由于采用了以上技術(shù)方案，使其具有以下有益效果：

本發(fā)明的一種基于云進(jìn)化粒子群算法的短期風(fēng)電功率預(yù)測(cè)方法，能夠有效提高風(fēng)電功率預(yù)測(cè)精度，是一種有效的風(fēng)電短期功率預(yù)測(cè)方法，其能夠使得電網(wǎng)更加穩(wěn)定、高效地運(yùn)行。

附圖說(shuō)明

圖1為本發(fā)明實(shí)施例的基于云進(jìn)化粒子群算法的短期風(fēng)電功率預(yù)測(cè)方法的流程圖；

圖2為本發(fā)明實(shí)施例的前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面根據(jù)附圖1和圖2，給出本發(fā)明的較佳實(shí)施例，并予以詳細(xì)描述，使能更好地理解本發(fā)明的功能、特點(diǎn)。

請(qǐng)參閱圖1和圖2，本發(fā)明提供一種基于云進(jìn)化粒子群算法的短期風(fēng)電功率預(yù)測(cè)方法，包括步驟：

s1：建立一前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型1。

前向神經(jīng)網(wǎng)絡(luò)模型包括一輸入層11、一隱層12和一輸出層13。前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型1的訓(xùn)練問題本質(zhì)上是一種復(fù)雜的連續(xù)參數(shù)優(yōu)化問題，即尋找最優(yōu)的連續(xù)權(quán)值。前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型1中，過大的學(xué)習(xí)率可能導(dǎo)致算法不收斂；過小的學(xué)習(xí)率將使算法收斂很慢，訓(xùn)練時(shí)間過長(zhǎng)。所以，故將pso算法超強(qiáng)的全局搜索特征和bp算法快速的局部搜索能力結(jié)合起來(lái)，前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型1的權(quán)值。

s2：測(cè)量一預(yù)測(cè)位置的風(fēng)速和風(fēng)向。

s3：利用前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型1、風(fēng)速和風(fēng)向，獲得一風(fēng)機(jī)輸出功率的一初始預(yù)測(cè)解集。

其中，風(fēng)機(jī)輸出功率表達(dá)式為：其中，p為風(fēng)機(jī)輸出功率；cp為功率系數(shù)；ρ為空氣密度；a為風(fēng)輪掃掠面積；v為風(fēng)速。

s3步驟進(jìn)一步包括步驟：

s31：建立一空間坐標(biāo)系；

s32：將風(fēng)速在空間坐標(biāo)系中的一x軸分量和一y軸分量作為前向神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型1的輸入向量；

s33：前向神經(jīng)網(wǎng)絡(luò)輸出初始預(yù)測(cè)解集。

s4：根據(jù)初始預(yù)測(cè)解集和pso算法形成一初始化粒子群。

本實(shí)施例中，s4步驟進(jìn)一步包括步驟：

s41：設(shè)置基本參數(shù)，基本參數(shù)包括：慣性權(quán)重ω、第一加速度常數(shù)c1、第二加速度常數(shù)c2、第一最大迭代次數(shù)值m、一第二最大迭代次數(shù)值n和云進(jìn)化模型規(guī)模n；

s42：將初始預(yù)測(cè)解集代入一更新公式進(jìn)行n次迭代，獲得一中間預(yù)測(cè)解集；更新公式(1)為：

其中，vt+1為更新后的風(fēng)速，vt為當(dāng)前風(fēng)速，ω為慣性權(quán)重，c1為第一加速度常數(shù)，c2為第二加速度常數(shù)，r1為第一隨機(jī)數(shù)，r2為第二隨機(jī)數(shù)，xt為當(dāng)前風(fēng)機(jī)輸出功率，xt+1為更新后的風(fēng)機(jī)輸出功率，xjt為當(dāng)前局部最優(yōu)位置，xgt為當(dāng)前全局最優(yōu)位置；

s43：自中間預(yù)測(cè)解集中選出適用度最大的m個(gè)粒子fmax，構(gòu)成初始化粒子群。

s5：建立一云進(jìn)化模型c。

云進(jìn)化模型c表達(dá)的整體特性可以用云的數(shù)字特征來(lái)反映，即期望ex、熵en、超熵he；這3個(gè)數(shù)字特征來(lái)整體表征一個(gè)云，記作c(ex，en，he)，同時(shí)，云進(jìn)化模型c＝[p1；p2；…；pm]；并有公式(2)：

其中ex為期望，en為熵，he為超熵，fmaxi為初始化粒子群中第i個(gè)粒子，favg為初始化粒子群中各粒子適應(yīng)度的平均值；c為一預(yù)設(shè)值；jr表示粒子生成的新粒子數(shù)，k表示粒子的維數(shù)，r為種群數(shù)；pr為子粒子種群。

s6：通過根據(jù)公式(2)和初始化粒子群生成一第一更新粒子群。第一更新粒子群中的新粒子分布在優(yōu)秀粒子的周圍，更容易尋找到最優(yōu)解。

s7：更新第一更新粒子群，利用公式(3)將第一更新粒子群融合剩余粒子得到新粒子，根據(jù)新粒子群在整個(gè)范圍內(nèi)再次進(jìn)行搜索，獲得一第二更新粒子群。

s8：判斷第二更新粒子群是否滿足期望值；如滿足，將第二更新粒子群作為輸出結(jié)果；如不滿足繼續(xù)后續(xù)步驟。

s9：判斷當(dāng)前迭代次數(shù)是否達(dá)到預(yù)設(shè)的第一最大迭代次數(shù)值m；如是將第二更新粒子群作為輸出結(jié)果；如否，返回步驟s6。

本實(shí)施例中，本實(shí)施例中在粒子群優(yōu)化算法中引入云進(jìn)化思想，通過云模型進(jìn)化來(lái)更新新的優(yōu)秀粒子群，加大了尋到最優(yōu)解的幾率。同時(shí)，幾個(gè)正態(tài)分布的粒子子群結(jié)合普通粒子群同時(shí)進(jìn)行迭代搜尋，實(shí)現(xiàn)整個(gè)粒子群的重組更新，使得優(yōu)秀粒子的比例得以不斷提高，避免了普通粒子群容易陷入“早熟”的缺陷。

以上結(jié)合附圖實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)說(shuō)明，本領(lǐng)域中普通技術(shù)人員可根據(jù)上述說(shuō)明對(duì)本發(fā)明做出種種變化例。因而，實(shí)施例中的某些細(xì)節(jié)不應(yīng)構(gòu)成對(duì)本發(fā)明的限定，本發(fā)明將以所附權(quán)利要求書界定的范圍作為本發(fā)明的保護(hù)范圍。