基于AFSA-GRNN的风光水功率预测方法

【目的】构建以清洁低碳能源为主体的能源供应体系是实现碳中和目标的关键举措,光伏发电、风力发电与水力发电是清洁能源的重要组成部分,但风光发电的不确定性会导致出力波动,进而影响电力系统的稳定性。【方法】准确预测风光发电出力是电网合理调度、稳定运行和减少因风光发电比例失调而带来的经济损失的重要手段。针对传统神经网络算法计算速度慢且易陷入局部极小点等不足,提出了一种基于人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)改进广义回归神经网络(General Regression Neural Network,GRNN)的风光水发电系统功率预测模型。【结果】1)利用AFSA算法计算出最优平滑因子值为0.2,提高了模型参数搜索的效率和鲁棒性;2)通过AFSA-GRNN模型预测风光发电功率,对光伏、风电春夏季典型日、典型月的预测结果进行误差分析,得到的RMSE分别为3.68%、3.98%、3.25%、2.7%,36.76%、23.89%、35.98%、21.34%;3)AFSA-GRNN对水力发电功率预测的误差值小于LSTM算法,RMSE为14.35%。【结论】AFSA-GRNN模型预测精度和运行效率均优于LTSM模型,可以为风光水发电预测提供参考。

IAFSA-GRNN在油田集输管道CO_(2)腐蚀速率预测中的应用

为提高油田集输管道CO_(2)腐蚀速率预测的准确性,针对原始广义回归神经网络(GRNN)预测精度低的问题,提出改进的群智能算法优化原始GRNN的预测模型;分别使用GRNN模型、人工鱼群算法(AFSA)优化的GRNN(AFSA-GRNN)模型和自适应改进的AFSA-GRNN(IAFSA-GRNN)模型预测X65管线钢的CO_(2)腐蚀速率。结果表明:采用AFSA和IAFSA优化光滑因子S后,能大大提高GRNN模型的预测精度,预测结果的平均相对误差由36.09%分别减小至7.20%和6.90%;与AFSA相比,IAFSA优化的GRNN不仅具有更高的预测精度,还具有更快的收敛速度。AFSA-GRNN在第164次迭代计算时收敛,而IAFSA-GRNN在第109次迭代计算时收敛,说明AFSA经自适应优化能提高优化过程的收敛速度和GRNN的预测精度。