基于长短期记忆网络和凸优化算法的综合智能电网的可再生能源预测（Python代码实现）

最新推荐文章于 2023-03-27 15:07:35 发布
最新推荐文章于 2023-03-27 15:07:35 发布
阅读量197 收藏 2
点赞数
文章标签： python 算法 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2201_75454341/article/details/128505522
版权

👨‍🎓个人主页：研学社的博客 

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

📚2 运行结果

🎉3 参考文献

🌈4 Python代码、数据

💥1 概述

技术的进步使可再生能源（太阳能、风能等）得以大规模利用。将传统能源和可再生能源相结合的智能电网被认为是一种可持续的发电解决方案。然而，所有可再生能源都受到环境因素（如风速、太阳辐射强度、云层）的影响，这些因素会导致这些能源产生的电力波动。此外，可用性受每日/年度周期的影响（例如，太阳能仅在白天可用）。而智能计量支持实时需求预测；还需要预测可再生能源发电量的精确模型。准确的预测模型将确保电网稳定、顺利调度和能源管理。例如，如果模型预测可再生能源在一定时间段内中断，智能电网必须在该时间段内无缝切换到传统能源，并确保发电量满足需求预测。本文提出了基于数据源的各种基于学习的可再生能源预测模型；以及用于供需匹配的调度策略。此外，还可以使用模拟软件对微电网进行真实建模。这里定义的问题是提出一个框架：现实地模拟微电网；预测（可再生）能源的需求和供应；无缝安排可再生能源（和常规能源）供应以满足需求；并提供关于智能电网系统功能的可操作见解。

方法：

  1. 微电网/公用事业系统的模拟。
  2. 使用统计/机器学习方法开发能源生产预测模型。（使用长短期记忆网络（LSTMs）和向量自动回归（VAR）完成 - 提供代码）。
  3. 使用表征良好的优化算法为公用事业/微电网控制器开发调度系统（通过使用凸优化算法模块 Cvxpy 完成 - 提供的代码）。
  4. 最后一步是将预测模型和调度程序与仿真设置集成在一起.

📚2 运行结果

 

 

 部分代码：

#To be called at every 24 hour distribution, generates the demand supply distribution
def dataGenerator(XTestSolarHour, XTestWindHour, XTestDemandHour, weighs):
  #Solar Energy generation
  yPredSolar = model.predict(XTestSolarHour)
  XTestSolarHour = XTestSolarHour.reshape((XTestSolarHour.shape[0],XTestSolarHour.shape[2]))
  invyPredSolar = np.concatenate((yPredSolar, XTestSolarHour[:, 1:]), axis = 1)
  invyPredSolar = scalerOne.inverse_transform(invyPredSolar)
  invyPredSolar = invyPredSolar[:, 0]

  # yTestSolar = yTestSolar.reshape((len(yTestSolar), 1))
  # invyTestSolar = np.concatenate((yTestSolar, XTestSolar[:, 1:]), axis = 1)
  # invyTestSolar = scalerOne.inverse_transform(invyTestSolar)
  # invyTestSolar = invyTestSolar[:, 0]

  #Wind Energy Generation
  yPredWind = modelOne.predict(XTestWindHour)
  XTestWindHour = XTestWindHour.reshape((XTestWindHour.shape[0],XTestWindHour.shape[2]))
  invyPredWind = np.concatenate((yPredWind, XTestWindHour[:, 1:]), axis = 1)
  invyPredWind = scalerTwo.inverse_transform(invyPredWind)
  invyPredWind = invyPredWind[:, 0]

  # yTestWind = yTestWind.reshape((len(yTestWind), 1))
  # invyTestWind = np.concatenate((yTestWind, XTestWind[:, 1:]), axis = 1)
  # invyTestWind = scalerTwo.inverse_transform(invyTestWind)
  # invyTestWind = invyTestWind[:, 0]

  #Demand
  yPredDemand = modelTwo.predict(XTestDemandHour)
  XTestDemandHour = XTestDemandHour.reshape((XTestDemandHour.shape[0],XTestDemandHour.shape[2]))
  invyPredDemand = np.concatenate((yPredDemand, XTestDemandHour[:, 1:]), axis = 1)
  invyPredDemand = scalerThree.inverse_transform(invyPredDemand)
  invyPredDemand = invyPredDemand[:, 0]
    
  # yTestDemand = yTestDemand.reshape((len(yTestDemand), 1))
  # invyTestDemand = np.concatenate((yTestDemand, XTestDemand[:, 1:]), axis = 1)
  # invyTestDemand = scalerThree.inverse_transform(invyTestDemand)
  # invyTestDemand = invyTestDemand[:, 0]

  #Elastic and Inelastic demand
  invyPredDemandInElastic = 0.7*invyPredDemand
  invyPredDemandElastic = 0.3*invyPredDemand
  elasticDemandSum = np.sum(invyPredDemandElastic)

  #Renewable energy output
  renewableEnergyOutput = invyPredSolar + invyPredWind

  #Splitting the above into different prosumers according to a schema, of course in real life, with more computational power
  #One can train separately for each prosumer
  arrayinvyPredDemandInelastic = np.outer(np.array(weighs), np.array(invyPredDemandInElastic))
  arrayRenewableEnergyOutput = np.outer(np.array(weighs), np.array(renewableEnergyOutput))
  arrayElasticDemandSum = np.array(weighs)*elasticDemandSum

  #returns

  return arrayinvyPredDemandInelastic, arrayRenewableEnergyOutput, arrayElasticDemandSum

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]王辉. 基于LSTM模型的环渤海地区可再生能源预测研究[D].天津理工大学,2020.DOI:10.27360/d.cnki.gtlgy.2020.000309.

[2]范刘洋. 考虑可再生能源预测误差的电力系统鲁棒调度研究[D].上海交通大学,2017.

🌈4 Python代码、数据

程序辅导帮
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
碳排放预测模型 | Python实现基于机器学习回归分析的碳排放预测模型——数据可视化和探索
算法如诗的博客
06-11 2655
碳排放预测模型 | Python实现基于机器学习回归分析的碳排放预测模型——数据可视化和探索
pyvk：包含太阳能电池板的Python VK API
02-13
适用于Python的VK API 是主要的俄语社交网络之一。 PyVK是一个适用于Python的无样板无库。 它可以在服务器或客户端应用程序，脚本中使用，或以交互方式用于数据检索和分析，社交媒体集成，自动化和娱乐。 特征 授权： PyVK协助客户端和服务器端授权。 这样可以确保您的密码不会以纯文本格式存储在任何地方。 它还支持2FA和验证码/手机登录确认。 错误处理： PyVK将API错误包装为异常，并且可以从某些类型的异常中恢复，例如过期的自动提升，临时禁令或验证码请求。 分页： PyVK可以将分页的API响应合并为一个结果。 媒体上传： PyVK将其包装到一个方法调用中，使将这些文件用作帖子和消息的附件变得容易。 Python 2和3： PyVK已针对CPython 2.7和3.5-3.8进行了测试 例子 >> > from pyvk import ClientAuth ,
长短期记忆神经网络（LSTM）python实现
09-07
《NLP汉语自然语言处理原理与实现》第九章LSTM的python的代码实现，使用python3实现。可运行。
基于蜻蜓优化算法的配电网重构求解（Python代码实现）【IEEE123节点算例】
weixin_46039719的博客
10-11 900
电力系统 (SEP) 不断扩展，以满足消费者对电能的需求。在这种情况下，配电系统扩展规划 (PESD) 的作用是确定配电网络扩展的指导方针。为此，有必要对馈线元件进行更改，例如在既定的规划范围内更换超过负载限制的导体，通过更改开关状态来更改馈线配置，以及其他确保连续性和质量的基本要素交付给客户的能量。
用于人工智能研究的开源Python微电网模拟器pymgrid（入门篇）
肖永威的专栏
03-27 2275
pymgrid是一个开源Python库，用于模拟微型电网的三级控制，允许用户创建或自行选择的微电网。并可以使用自定义的算法或pymgrid中包含的控制算法之一来控制这些微电网（基于规则的控制和模型预测控制）。 pymgrid还提供了与OpenAI Gym API相对应的环境，提供了连续和离散动作空间环境，与强化学习算法一起使用，以训练控制算法。 pymgrid试图提供简单、直观的API，让用户能够专注于他们的特定应用程序。
MATLAB实现GWO-LSTM灰狼算法优化长短期记忆神经网络多输入单输出回归预测（完整源码和数据）
12-17
MATLAB实现GWO-LSTM灰狼算法优化长短期记忆神经网络多输入单输出回归预测（完整源码和数据） 灰狼算法优化参数为初始学习率，隐藏层节点个数，正则化参数。 数据为多输入回归数据，输入6个特征，输出1个变量。 运行...
MATLAB实现GWO-LSTM灰狼算法优化长短期记忆神经网络时间序列预测（完整源码和数据）
01-31
MATLAB实现GWO-LSTM灰狼算法优化长短期记忆神经网络时间序列预测（完整源码和数据） 灰狼算法优化参数为初始学习率，隐藏层节点个数，正则化参数。 输入数据为单变量时间序列数据，即一维数据。 运行环境MATLAB2018b...
Matlab实现SSA-LSTM麻雀算法优化长短期记忆神经网络机时间序列预测（完整源码和数据）
01-18
1.Matlab实现SSA-LSTM麻雀算法优化长短期记忆神经网络机时间序列预测； 2.输入数据为单变量时间序列数据，即一维数据； 3.运行环境Matlab2020及以上,运行SSALSTMTIME即可，其余为函数文件无需运行,所有程序放在一个...
Python实现ALO-LSTM蚁狮算法优化长短期记忆神经网络时间序列预测（完整源码和数据)
最新发布
05-11
1.Python实现ALO-LSTM蚁狮算法优化长短期记忆神经网络时间序列预测（完整源码和数据) anaconda + pycharm + python +Tensorflow 注意事项：保姆级注释，几乎一行一注释，方便小白入门学习！ 2.代码特点：参数化编程...
MATLAB实现GWO-BiLSTM灰狼算法优化双向长短期记忆神经网络时间序列预测（完整源码和数据）
02-01
MATLAB实现GWO-BiLSTM灰狼算法优化双向长短期记忆神经网络时间序列预测（完整源码和数据） 1.Matlab实现GWO-BiLSTM灰狼算法优化双向长短期记忆神经网络机时间序列预测； 2.输入数据为单变量时间序列数据，即一维数据...
光伏太阳能功率预测基于BP神经网络
05-08
most of the researches on PV power generation forecasting methods have problems such as long time for model training and propose an optimization. Using the BP(backpropagation) neural network, this learning algorithm is mainly applicable to multi-input, multi-output networks. It can rely on ready-made data and input and output without knowing the mathematical relationship between the mapping relationship in which input and output. The mapping relationship is learned and stored. In addition, BP neural networks have great advantages in dealing with non-linear problems and have strong generalization ability.
智能微电网研究（Python&Matlab代码实现）
weixin_46039719的博客
01-04 232
摘要：随着小型可再生能源发电机的出现，将我们的能源系统从分级设计转变为一组几乎独立的微电网的想法变得可行。在本文中，我们首先概述了这些挑战，并提出了针对所发现问题的方法。虽然针对特定领域存在有前景的算法，但发现缺少专门针对智能微电网的集成。因此，本文提出了一种体系结构，该体系结构集成了所提出的方法，并定义了识别的组件（如发电机、存储、智能设备）之间的接口。分布式可再生能源生产的趋势带来了新的挑战。目前，信息和通信技术的集成是通过安装智能电表完成的，这将打开一个新的应用领域。图1：联网智能微电网展望。
【微电网优化调度】目标最小化微电网成本，由太阳能电池板阵列和储能系统组成（Python代码实现）
weixin_46039719的博客
01-13 567
DoE定义的最后一部分，即“连接和断开电网，使其能够在电网连接或孤岛模式下运行”的能力，是不言自明的微电网的这三个方面本质上相互关联，共同定义了微电网高效运行的要求。该项目评估负载、资源和电网之间的关系，以确定微电网中资源的最佳分配，并实施确定这些分配的方法。太阳能、电池和电网资源的分配必须确保每小时都能满足负载图1：示例负载概况、电力现货价格和太阳能可用性要求，并将使用电网电力产生的成本降至最低。这就给微电网留下了剩余的需求，如方程1所示，其中L和SA分别是小时负荷分布和太阳能可用性的24维阵列。
用Python的长短期记忆神经网络进行时间序列预测
热门推荐
qq_35240555的博客
04-21 1万+
用Python的长短期记忆神经网络进行时间序列预测长短期记忆递归神经网络具有学习长的观察序列的潜力。这对于时间序列预测似乎非常不错，并且事实的确可能是这样的。在本教程中，你将了解，如何对于一个一步单变量时序预测问题开发一个LSTM预测模型。完成本教程后，您将知道：如何为预测问题制定性能基准。如何为一步时间序列预测设计一个强大的测试框架。如何准备数据，开发和评估用于时间序列预测的LSTM递归神经网络...
长短时记忆网络--代码实现
蓦然回首
12-28 2378
import matplotlib.pyplot as plt import numpy as npclass IdentityActivator(object): def forward(self, weighted_input): return weighted_input def backward(self, output): return 1 c
ASHRAE KAGGLE大能源预测（前三名方案总结+相关知识点讲解+python实现）
忽逢桃林的博客
01-11 3144
文章目录1 概述2 处理思想学习2.1 移除异常值2.2 缺失值2.3 目标函数2.4 特征工程2.4.1 Savitzky-Golay filter2.4.2 Bayesian target encoding(python实现) 1 概述 先上第一名分析的图 2 处理思想学习 2.1 移除异常值 Long steaks of constant values 恒定值的长条纹 Large pos...
【计算机科学】【2020.01】基于Python的能耗预测深度学习方法
weixin_42825609的博客
11-16 1646
在一个我们除了增加日常生活用电而无所事事的社会里，能源消耗和相应的管理是一个重大问题。电力需求预测是电力系统运营商在电网管理中的重要组成部分。由于设计和确定合适的可再生能源系统和储能规模，预测特定家庭每日能源消耗的重要性也与最终用户有关。 本论文的目的是开发并训练一个能够以尽可能高的精度预测家庭用电量的计算系统。本文提出了一种基于人工神经网络（ANN）的短期负荷预测方法（STLF），在住宅能耗不可预测的情况下，仍能得到准确的预测结果。对记录的数据进行了分析，包括2015年至2018年特定家庭的每日用电量轨.
蜣螂优化算法优化长短期记忆神经网络的python代码实现
05-13
蜣螂优化算法（Cockroach Swarm Optimization，CSO）可以用于优化神经网络的参数。以下是使用CSO算法优化长短期记忆神经网络（LSTM）的Python代码实现。 首先，我们需要导入必要的库和模块： ```python import numpy as np import math import random import copy import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import Dense, LSTM from sklearn.metrics import mean_squared_error ``` 然后，我们可以定义一些常量和函数： ```python # 定义常量 POP_SIZE = 20 # 种群数量 DIM = 20 # 参数数量 MAX_GEN = 100 # 迭代次数 UPPER_BOUND = 1 # 参数上界 LOWER_BOUND = -1 # 参数下界 ALPHA = 0.5 # 振幅因子 BETA = 0.5 # 速度因子 GAMMA = 0.5 # 随机因子 CR = 0.5 # 交叉率 F = 1 # 缩放因子 H = 0.1 # 步长因子 ITER = 10 # 迭代次数 # 定义函数 def sigmoid(x): return 1 / (1 + np.exp(-x)) def lstm_model(params): model = Sequential() model.add(LSTM(units=int(params[0]), input_shape=(1, 1), activation=sigmoid, recurrent_activation=sigmoid)) model.add(Dense(units=1)) model.compile(optimizer='adam', loss='mse') return model def evaluate(individual): model = lstm_model(individual) x_train = np.array([[[1]]]) y_train = np.array([0]) for i in range(ITER): model.fit(x_train, y_train, epochs=1, verbose=0) y_pred = model.predict(x_train) y_train = y_pred return mean_squared_error(y_train, [0]) def init_population(pop_size, dim): population = [] for i in range(pop_size): individual = np.random.uniform(LOWER_BOUND, UPPER_BOUND, dim) population.append(individual) return population def select(population, fitness): idx1 = random.randint(0, len(population) - 1) idx2 = random.randint(0, len(population) - 1) if fitness[idx1] < fitness[idx2]: return copy.deepcopy(population[idx1]) else: return copy.deepcopy(population[idx2]) def cso(): population = init_population(POP_SIZE, DIM) fitness = [evaluate(individual) for individual in population] best_individual = copy.deepcopy(population[np.argmin(fitness)]) best_fitness = min(fitness) for i in range(MAX_GEN): new_population = [] for j in range(POP_SIZE): x = copy.deepcopy(population[j]) y = select(population, fitness) z = select(population, fitness) v = np.clip(x + ALPHA * (y - z), LOWER_BOUND, UPPER_BOUND) r = np.random.uniform(0, 1, DIM) t = np.random.uniform(0, 1, DIM) for k in range(DIM): if r[k] < CR: v[k] = x[k] + F * (best_individual[k] - x[k]) + H * (t[k] - 0.5) u = np.clip(v + BETA * (best_individual - x), LOWER_BOUND, UPPER_BOUND) r = np.random.uniform(0, 1) if r < GAMMA: for k in range(DIM): u[k] = np.random.uniform(LOWER_BOUND, UPPER_BOUND) new_population.append(u) population = new_population fitness = [evaluate(individual) for individual in population] if min(fitness) < best_fitness: best_individual = copy.deepcopy(population[np.argmin(fitness)]) best_fitness = min(fitness) print('Generation %d, Best Fitness: %.8f' % (i + 1, best_fitness)) return best_individual ``` 最后，我们可以运行CSO算法并输出最优解： ```python best_individual = cso() print('Best Individual: ', best_individual) ``` 这样就完成了使用CSO算法优化LSTM神经网络的Python代码实现。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值