一种基于萤火虫优化和随机森林(FA-RF)的风光短期功率预测方法
技术特征:
1.一种基于萤火虫优化和随机森林的风光短期功率预测方法,其特征在于,包括以下步骤:
2.如权利要求1所述的基于萤火虫优化和随机森林的风光短期功率预测方法,其特征在于,所述步骤s1中,采用非参数核密度估计方法对风、光的实测数据进行概率分布建模,得到风、光出力的核密度表达式,包括以下步骤:
3.如权利要求2所述的基于萤火虫优化和随机森林的风光短期功率预测方法,其特征在于,步骤s2所述的基于步骤s1,利用frank-copula函数构建风光联合出力分布函数,具体步骤如下:
4.如权利要求3所述的基于萤火虫优化和随机森林的风光短期功率预测方法,其特征在于,步骤s3所述的通过步骤s2得到的风光联合出力分布函数,生成考虑风光相关性和随机性的出力场景,包括以下步骤:
5.如权利要求4所述的基于萤火虫优化和随机森林的风光短期功率预测方法,其特征在于,步骤s4所述的通过萤火虫算法优化随机森林预测模型的参数,具体步骤如下:
6.如权利要求5所述的基于萤火虫优化和随机森林的风光短期功率预测方法,其特征在于,在所述步骤s5中,通过步骤s3生成的考虑风光相关性和随机性的出力场景和步骤s4建立的预测模型对电力负荷的短期变化趋势进行预测,包括以下步骤:
技术总结
一种基于萤火虫优化和随机森林算法的风光短期功率预测方法,首先应用非参数核密度估计法对风、光的实测数据进行概率分布建模,得到风、光出力的核密度表达式,在此基础上建立基于Frank‑Copula函数的风、光电场出力联合分布模型,生成具有相关性的风、光出力场景,用于后续风、光出力预测。然后分别构建萤火虫算法(FA)参数优化模型和随机森林(RF)预测模型,通过萤火虫算法优化随机森林预测模型的参数。最后将RF算法、LSTM神经网络算法下的预测结果和误差与FA‑RF算法下的预测结果和误差进行对比分析,验证FA‑RF预测模型在短期风、光出力预测方面的预测精度更高。
技术研发人员:张伟杰,张有兵,顾吉鹏,吴怡轩
受保护的技术使用者:浙江工业大学
技术研发日:
技术公布日:2024/11/26
文档序号 :
【 40124569 】
技术研发人员:张伟杰,张有兵,顾吉鹏,吴怡轩
技术所有人:浙江工业大学
备 注:该技术已申请专利,仅供学习研究,如用于商业用途,请联系技术所有人。
声 明 :此信息收集于网络,如果你是此专利的发明人不想本网站收录此信息请联系我们,我们会在第一时间删除
技术研发人员:张伟杰,张有兵,顾吉鹏,吴怡轩
技术所有人:浙江工业大学
备 注:该技术已申请专利,仅供学习研究,如用于商业用途,请联系技术所有人。
声 明 :此信息收集于网络,如果你是此专利的发明人不想本网站收录此信息请联系我们,我们会在第一时间删除
