本发明涉及风电场发电预测领域,具体涉及一种风电场发电预测方法、装置及可读存储介质。
背景技术:
1、风电作为一种清洁、可再生的能源,在全球能源结构中占据越来越重要的位置。随着全球对于可持续发展的关注不断增加,风电场的开发和利用受到了极大的推广。然而,风电场的发电量受多种因素的影响,如风速、风向、气温、湿度等,这些因素的复杂性和不确定性使得风电的功率预测成为一个挑战。
2、传统的风电预测方法多依赖于物理模型,这些模型基于对风力涡轮机的物理特性和环境因素的理解。虽然这些方法在一定程度上有效,但通常需要精确的环境参数和复杂的数学模型,而这些往往难以获得或实现。此外,物理模型在处理大规模数据和捕捉非线性关系时存在局限性。
3、深度学习模型,特别是神经网络,由于其强大的数据处理能力和学习复杂非线性关系的能力,为风电预测提供了新的解决方案。深度学习可以通过学习历史数据中的模式来预测未来的发电量,而不需要详尽的物理过程知识。这种方法可以有效地处理和分析大量的历史运行数据和环境数据,从而提高预测的准确性和可靠性。
4、用于进行风电场发电预测的深度学习模型虽然具有强大的数据处理和非线性建模能力,但通常包含大量的参数,这使得模型训练过程中的参数优化变得复杂和困难。传统的优化方法(如梯度下降)可能难以找到全局最优解,容易陷入局部最优。深度学习模型的性能极大依赖于超参数的设置,如学习率、批量大小、层数、神经元数等,合适的超参数设置往往需要大量的试验和经验,这一过程既耗时又低效。
5、上述问题是目前亟待解决的。
技术实现思路
1、本发明的目的是提供一种风电场发电预测方法、装置及可读存储介质。
2、为了解决上述技术问题,本发明提供了一种风电场发电预测方法,包括:
3、获取风电场发电的历史数据;
4、对历史数据进行预处理,得到样本数据集;
5、将样本数据集划分为训练集和预测集;
6、建立初始预测模型,设计超参数;
7、依据ipoa算法,对初始预测模型的超参数进行优化;
8、将寻优得到的超参数代入到初始预测模型中,启动网络训练,得到新的初始预测模型,对预测集进行预测,并计算mape值;
9、重复使用ipoa算法,对初始预测模型的超参数进行优化预设次数后,选取mape最小的超参数对应的初始预测模型,得到最终预测模型;
10、通过最终预测模型对风电场发电进行预测。
11、进一步的,所述依据ipoa算法,对初始预测模型的超参数进行优化的步骤包括:
12、基于佳点集和动态反向学习,进行种群初始化;
13、探索阶段,即通过长鼻浣熊优化算法的合作狩猎鬣蜥的行为,并集合黄金正弦算法的位置更新公式,进行位置更新;
14、开发阶段,即通过哈里斯鹰包围策略,结合非线性能量衰减因子和非线性跳跃强度,进行位置更新;
15、探索阶段和开发阶段反复进行迭代,得到优化后的超参数。
16、进一步的,所述基于佳点集和动态反向学习,进行种群初始化的步骤包括:
17、佳点集策略:
18、pn(k)={{r1(k)},{r2(k)},…,{rd(k)},1≤k≤n}
19、
20、式中,n表示种群数量,ri(k)表示在单位立方体中第k个种群个体对应的第i维的值,p是满足的最小素数,d为维数;
21、基于佳点集策略的位置更新公式如下:
22、xi,j=(ubj―lbj){rj(i)}+lbj
23、式中,xi,j为搜索空间内第i个个体在第j维上的值;ubj和lbj分别对应第j维的上界和下界;{rj(i)}为佳点集中第i个个体对应的第j维的值;
24、基于动态学习策略,进行反向解生成:
25、xdobl=xi+rand1×(rand2×(ub+lb―xi)―xi)
26、式中,xdobl表示种群个体xi经过动态反向学习生产的反向解;rand1和rand2为[0,1)之间的随机数;
27、通过计算佳点集策略所得位置与动态反向学习所得位置的适应度值,得到最终的位置信息:
28、
29、式中,x是鹈鹕的种群矩阵,xi是第i只鹈鹕。
30、进一步的,所述探索阶段,即通过长鼻浣熊优化算法的合作狩猎鬣蜥的行为,并引入黄金正弦算法的位置更新公式,设计探索阶段的位置更新模型的步骤包括:
31、基于猎物信息引导的位置更新
32、
33、
34、t=1,2,3,…,n/2
35、
36、式中,表示第i个种群个体在第t次迭代时的位置信息;表示第i个种群个体在第t+1次迭代时的位置信息;w为非线性自适应收敛因子,t为当前迭代次数,t为最大迭代次数;α1为[0,2π]范围内的随机数;α2为[0,π]范围内的随机数;β1、β2为黄金分割系数;i为随机整数,其值为1或2;target为猎物位置信息;fit(i)为种群个体i的适应度值;f_food为猎物位置的适应度值;xrobl为的折射反向解;xnew为种群个体位置更新完成后的最新位置信息;
37、基于随机搜索的位置更新
38、target=lb+rand.*(ub―lb)
39、
40、
41、
42、
43、式中,target是搜索空间内随机生成的目标位置;f_rd为随机生成目标位置的适应度值;
44、在基于猎物信息引导的位置更新和基于随机搜索的位置更新中,通过对比更新位置与折射反向解xrobl对应适应度值,完成最终的位置更新,更新完成后,通过与原位置的适应度值对比,确认最终的位置更新策略:
45、
46、进一步的,所述开发阶段,通过哈里斯鹰包围策略,结合非线性能量衰减因子和非线性跳跃强度,进行位置更新的步骤包括:
47、非线性能量衰减模型如下:
48、
49、式中,e为新的能量衰减因子,t为最大迭代次数,e0表示(-1,1)之间的一个随机的数,t为当前迭代次数,t=1,2,…,t;
50、非线性跳跃强度计算公式如下:
51、
52、式中,j为猎物的跳跃强度,t为最大迭代次数,γ为0到1之间的随机数,t为当前迭代次数,t=1,2,…,t;
53、开发阶段数学模型如下:
54、软包围阶段;
55、当处于软包围阶段时,即|e|≥0.5且δ≥0.5(δ为[0,1)内的随机数)时,鹈鹕个体的位置更新公式如下所示:
56、x(t+1)=δx(t)―e*|j*xbest(t)―x(t)|
57、δx(t)=xbest(t)―x(t)
58、
59、式中,e为非线性能量衰减因子;j为非线性跳跃强度;x(t+1)为鹈鹕个体经过初步更新的的位置,x′(t+1)为鹈鹕个体下次迭代时的位置;δx(t)为在迭代次数为t时,鹈鹕与猎物位置的距离;xbest(t)为在迭代次数为t时,鹈鹕种群中适应度最优的鹈鹕个体;x*(t+1)为x(t+1)经过折射方向学习后得到的反向解;f(x(t+1))、f(x*(t+1))分别是对应位置的适应度值;
60、硬包围阶段;
61、当处于硬包围阶段时,即|e|<0.5且δ≥0.5时,鹈鹕个体的位置更新公式如下所示:
62、x(t+1)=xbest(t)―e*|δx(t)|
63、
64、快速俯冲式软包围;
65、当处于快速俯冲式软包围阶段时,即|e|≥0.5且δ<0.5时,鹈鹕个体的位置更新公式如下所示:
66、y=xbest(t)―e*|j*xbest(t)―x(t)|
67、
68、z=y+s*lf(d)
69、
70、
71、式中,y为更新的的种群个体位置信息,z是基于y,引入莱维飞行策略进行更新的种群个体位置信息;lf(d)为莱维飞行参数,s为1*d维度的在[0,1)均匀分布的随机数矩阵;y*和z*分别对应y和z在经过折射反向学习后形成的反向解;ynew是通过对比y和y*的适应度值,选择的种群个体的最新位置;znew则是通过对比z和z*的适应度值,选择的种群个体的最新位置;
72、俯冲式硬包围
73、当处于俯冲式硬包围阶段时,即|e|<0.5且δ<0.5时,鹈鹕个体的位置更新公式如下所示:
74、y=xbest(t)―e*|j*xbest(t)―xm(t)|
75、
76、z=y+s*lf(d)
77、
78、
79、其中,xm(t)为种群所有个体的位置均值。
80、进一步的,所述探索阶段和开发阶段反复进行迭代,得到优化后的超参数的步骤包括:
81、基于种群初始化阶段,计算初始种群的个体适应度值,并获得初始化种群中的最优个体xbest和最优个体对应的最优适应度值fbest;若已进行多轮迭代,则针对当前种群位置信息进行个体适应度值,并更新种群中的最优个体xbest和最优个体对应的最优适应度值fbest;
82、随机生成猎物位置信息,获取猎物位置信息和对应适应度值;
83、对种群中的每一个个体开始遍历,执行探索阶段和开发阶段,通过对比新位置与旧位置对应的适应度值大小,完成位置更新;
84、重复执行上述步骤,直至达到最大迭代次数后,输出最优个体的适应度值和个体位置信息,其中,个体位置信息即寻优后的超参数。
85、进一步的,所述初始预测模型的层级构建如下:
86、输入层:用于输入特征;
87、序列折叠层,用于对输入序列中的每个时间步进行独立的卷积运算;
88、卷积层(cnn),用于提取特征;
89、批量归一化层,用于加速训练速度并稳定模型;
90、relu激活层,用于保证输出的非线性和修正梯度的问题;
91、池化层,用于减少数据的空间大小,提取主要特征;
92、序列展开层,用于在cnn卷积运算后的数据恢复;
93、展平层,用于将多维输入一维化,以便传递给全连接层;
94、双向长短记忆网络层,用于处理序列数据,并捕捉长期依赖关系;
95、自注意力层,用于增强模型对输入序列中重要部分的关注;
96、dropout层,用于防止模型过拟合;
97、全连接层,用于将最后一个隐藏层到输入层;
98、回归层,用于输出连续值。
99、本发明还提供了一种风电场发电预测装置,包括:
100、获取模块,适于获取风电场发电的历史数据;
101、预处理模块,适于对历史数据进行预处理,得到样本数据集;
102、划分模块,适于将样本数据集划分为训练集和预测集;
103、模型建立模块,适于建立初始预测模型,设计超参数;
104、优化模块,适于依据ipoa算法,对初始预测模型的超参数进行优化;
105、计算模块,适于将寻优得到的超参数代入到初始预测模型中,启动网络训练,得到新的初始预测模型,对预测集进行预测,并计算mape值;
106、迭代模块,适于重复使用ipoa算法,对初始预测模型的超参数进行优化预设次数后,选取mape最小的超参数对应的初始预测模型,得到最终预测模型;
107、预测模块,适于通过最终预测模型对风电场发电进行预测。
108、本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质中存储至少一条指令,所述指令由处理器执行时如上述的风电场发电预测方法。
109、本发明还提供了一种电子设备,包括存储器和处理器;所述存储器中存储有至少一条指令;所述处理器,通过加载并执行所述至少一条指令以如上述的风电场发电预测方法。
110、本发明的有益效果是,本发明提供了一种风电场发电预测方法、装置及可读存储介质,其中,风电场发电预测方法包括:获取风电场发电的历史数据;对历史数据进行预处理,得到样本数据集;将样本数据集划分为训练集和预测集;建立初始预测模型,设计超参数;依据ipoa算法,对初始预测模型的超参数进行优化;将寻优得到的超参数代入到初始预测模型中,启动网络训练,得到新的初始预测模型,对预测集进行预测,并计算mape值;重复使用ipoa算法,对初始预测模型的超参数进行优化预设次数后,选取mape最小的超参数对应的初始预测模型,得到最终预测模型;通过最终预测模型对风电场发电进行预测。通过ipoa算法,对超参数进行优化,从而提高了超参数搜索的广度,结合网络训练进行多次迭代,来提高了网络训练的深度,从而使平均百分比误差值(mape)达到最小,提高了最终预测模型的预测精度。
1.一种风电场发电预测方法,其特征在于,包括:
2.如权利要求1所述的风电场发电预测方法,其特征在于,
3.如权利要求2所述的风电场发电预测方法,其特征在于,
4.如权利要求3所述的风电场发电预测方法,其特征在于,
5.如权利要求4所述的风电场发电预测方法,其特征在于,
6.如权利要求5所述的风电场发电预测方法,其特征在于,
7.如权利要求1所述的风电场发电预测方法,其特征在于,
8.一种风电场发电预测装置,其特征在于,包括:
9.一种计算机可读存储介质,所述计算机可读存储介质中存储至少一条指令,其特征在于,所述指令由处理器执行时实现权利要求1至7中任一所述的风电场发电预测方法。
10.一种电子设备,其特征在于,包括存储器和处理器;所述存储器中存储有至少一条指令;所述处理器,通过加载并执行所述至少一条指令以实现权利要求1-7中任一项所述的风电场发电预测方法。