(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210988184.1 (22)申请日 2022.08.17 (71)申请人 广东工业大 学 地址 510090 广东省广州市越秀区东 风东 路729号 (72)发明人 孟安波　梁濡铎　陈黍　许炫淙　 张铮　冼梓康　张展　殷豪　 范竞敏　 (74)专利代理 机构 广州粤高专利商标代理有限 公司 44102 专利代理师 黄钰褀 (51)Int.Cl. H02J 3/00(2006.01) G06Q 50/06(2012.01) G06N 3/00(2006.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于动态邻域的超短期风电功率预测 方法及设备 (57)摘要 本发明公开一种基于动态邻域的超短期风 电功率预测方法及设备。 将采集的风电数据划分 成训练数据集和测试数据集， 然后设定好BP神经 网络的拓 扑结构并输入训练数据进行训练， 先通 过CSO算法初始化BP神经网络的参数， 计算初始 种群中个体适应度值， 然后执行横向纵向交叉， 再次计算个体适应度值， 之后根据个体适应度值 计算粒子聚集度因子， 再进行自适应邻域搜索更 新粒子， 得到训练完成的BP神经网络， 最后将测 试数据集输入训练好的BP神经网络中进行预测， 得到预测的风电功率。 本发明能够有效的提升超 短期风电功率预测的精度。 权利要求书2页 说明书6页 附图2页 CN 115395506 A 2022.11.25 CN 115395506 A 1.一种基于动态邻域的超短期风电功率预测方法， 其特 征在于， 包括以下步骤： S1： 获取风电数据集， 将风电数据集分成训练数据集和 测试数据集； S2： 设定好BP神经网络的拓扑 结构， 将训练数据集输入BP神经网络； S3： 利用CSO算法对BP神经网络的参数进行初始化， 计算初始种群中的个 体适应度值； S4： 执行横向纵向交叉， 再次计算种群中的个 体适应度值； S5： 根据得到的个体适应度值来计算粒子聚集度因子G， 然后进行自适应邻域搜索更新 粒子， 若未达 到迭代次数则转回S4， 若达 到， 则训练完成， 得到训练好的BP神经网络； S6： 将测试 数据集输入训练完成的BP神经网络中进行 预测， 输出 得到预测的风电功率。 2.根据权利要求1所述的一种基于动态邻域的超短期风电功率预测方法， 其特征在于， 步骤S1中的风电数据集包括 风电功率、 风速和风向数据。 3.根据权利要求1所述的一种基于动态邻域的超短期风电功率预测方法， 其特征在于， 步骤S2中， 依据输入层数I、 隐含层数H和输出层数O来对BP神经网络的拓扑 结构进行设定 。 4.根据权利要求1所述的一种基于动态邻域的超短期风电功率预测方法， 其特征在于， 步骤S3中， 利用CSO算法对BP神经网络的参数进 行初始化， 计算初始种群中的个体适应度值 的具体过程如下： S31： 设定种群数量为N,种群中每一粒子的维度为D， 种群M表达为： M＝{ M1,M2,...,Mn}， 粒子Mr＝{Mr1,Mr2,...,MrD}r， 设置CSO算法的纵向交叉概 率Pv， 迭代次数T； S32： 采用均方根 误差最小为 适应度函数； 式中， ye和 分别表示真实值和预测值， 通过式(1)计算每 个粒子的个 体适应度值。 5.根据权利要求4所述的一种基于动态邻域的超短期风电功率预测方法， 其特征在于， 步骤S4中， 执 行横向纵向交叉， 再次计算种群中的个 体适应度值的具体过程如下： S41： 执行横向交叉操作， 在相同维度中对两个不同的个 体进行交叉， 其公式为： MHi(d)＝r1·Xi(d)+(1‑r1)Xj(d)+c1(Xi(d)‑Xj(d))    (2) MHj(d)＝r1·Xj(d)+(1‑r1)Xi(d)+c1(Xj(d)‑Xi(d))    (3) 其中， Xi(d)和Xj(d)是随机选取父代中的任 意两个粒子， MHi(d)和MHj(d)是通过式(2)和 (3)得到的执行横向交叉操作后的水平子代， c1,c2是[‑1,1]之间的随机数， r1,r2是[0， 1]之 间的随机数； S42： 执行纵向交叉操作， 种群内某粒子的两个维度进行交叉， 每次纵向交叉只会生成 一个后代粒子在其中一维更新， 其公式为： MVm(d1)＝r·Xm(d1)+(1‑r)·Xm(d2)    (4) 式中： r∈(0,1)； d1,d2∈N(1,C)， 代表种群的维度数量， 其中C代表的是1到D维度中的一 个常数； Xm(d1)和Xm(d2)代表的是种群中某粒子在d1和d2两个维度的值； MVm(d1)是纵向交叉 后新生成的一个后代； S43： 使用公式(1)再次计算执 行横向纵向交叉后生成的后代的个 体适应度值。 6.根据权利要求5所述的一种基于动态邻域的超短期风电功率预测方法， 其特征在于， 步骤S5中， 根据得到的个 体适应度值 来计算粒子聚集度因子G的具体过程如下： 利用公式(5)计算粒子聚集度因子G， 公式(5)如下：权　利　要　求　书 1/2 页 2 CN 115395506 A 2式中， K为粒子总数， f(Xi(T))为第i个粒子在第T次迭代时的个体适应度值， f(gbestT)是 直到第T次迭代时粒子群中的最优解的个 体适应度值。 7.根据权利要求6所述的一种基于动态邻域的超短期风电功率预测方法， 其特征在于， 步骤S5中， 进行自适应邻域搜索更新粒子的具体过程如下： 监测粒子聚集度因子G， 根据粒 子聚集度因子G选择不同的拓扑 结构进行 粒子更新， 其公式如下： 其中， G0为阈值， 是星形拓扑结构所确定的最优粒子， 是相邻半径R为 2的环形拓扑 结构所确定的最优粒子， 是迭代T次后的粒子， 是更新后的粒子 。 8.根据权利要求7所述的一种基于动态邻域的超短期风电功率预测方法， 其特征在于， 当0<G<G0时， 粒子聚集度因子G低于阈值， 则选择星形拓扑结构对粒子进行更新， 第i个粒子 的邻域中所包含的粒子是群体除自身以外的其他粒子， 粒子与其邻域中所发现的迄今为止 最优粒子 进行信息交 互以此进行 更新。 9.根据权利要求7所述的一种基于动态邻域的超短期风电功率预测方法， 其特征在于， 当G0<G<1时， 粒子聚集度因子G高于阈值， 则选择环形拓扑结构对粒子进行更新， 第i个粒子 的邻域搜索范围是相邻 半径R为2的其他粒子， 粒子与邻域中所发现的最优粒子 进 行信息交 互以此进行 更新。 10.一种电子设备， 其特征在于， 包括存储器及处理器， 存储器中储存有计算机程序， 计 算机程序被处理器执行时， 使得处理器执行如上述权利要求1 ‑9中任一所述的一种基于动 态邻域的超短期风电功率预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 115395506 A 3