基于GRU的光伏电站辐照度中长期预测的方法及装置制造方法及图纸

本发明专利技术公开的一种基于GRU的光伏电站辐照度中长期预测的方法及装置，涉及光伏电站辐照度中长期预测的方法和装置，属于辐照度预测领域。本发明专利技术的方法包括如下步骤：采集光伏电站所在位置的太阳辐照度数据；基于GRU门限递归单元神经网络模型预测光伏电站所在位置的太阳辐照度；电力部门根据得到的辐照度预测结果进行中长期规划和调度，实现资源的合理利用，减少不合理增加装机量造成的设备损耗等问题。本发明专利技术还公开上述方法的实现装置，包括采集模块、预测模块和决策模块。本发明专利技术由于基于GRU门限递归单元神经网络模型具有记忆功能，能够实现光伏电站辐照度中长期预测，此外，本发明专利技术的方法及装置还具有准确高效，实现简单的优点。

Medium and long term prediction method and device for irradiance of photovoltaic power station based on GRU

The invention discloses a method and a device for medium and long term prediction of irradiance of photovoltaic power plants based on GRU, relating to a method and a device for long-term prediction of irradiance in photovoltaic power stations, belonging to the field of irradiance prediction. The method of the invention comprises the following steps: solar irradiance data acquisition of photovoltaic power station location; solar irradiance GRU unit threshold recursive neural network model for the prediction of photovoltaic power station location based on the power sector; according to the results obtained in the prediction of irradiance and long-term planning and scheduling, to achieve rational use of resources, reduce equipment loss unreasonable increase the amount of the machine etc.. The invention also discloses a device for realizing the method, comprising an acquisition module, a prediction module and a decision-making module. Since the invention of GRU threshold recursive unit based on neural network model with memory function, can realize the photovoltaic power plant irradiance forecast for a long time, in addition, the method and device of the invention has the advantages of simple accurate and efficient.

【技术实现步骤摘要】
基于GRU的光伏电站辐照度中长期预测的方法及装置
本专利技术属于辐照度预测
，具体涉及一种基于GRU(gatedrecurrentunit，门限递归单元)神经网络模型进行光伏电站辐照度中长期预测的方法和装置。
技术介绍
由于光伏电站的普及度提高，太阳辐照度预测变得日益重要。为了确保电力系统的稳定运行，准确的辐照度预测至关重要。但是目前大部分现存辐照度预测为短期预测，不能给电力系统的中长期规划和调度以指导性意见。而且，目前大部分预测方法都需要采集与辐照度相关的气象数据，如：温度、湿度和云量等，这些附加数据采集过程中的误差会对后续的辐照度预测产生一定的影响。可见，准确有效的、实现简单的、可有效的用于光伏电站辐照度中长期预测的方法和装置有待开发。
技术实现思路
本专利技术公开的一种基于GRU的光伏电站辐照度中长期预测的方法及装置，目的是提供一种光伏电站辐照度中长期预测方法和装置，实现光伏电站辐照度中长期预测。本专利技术通过以下的技术方案实现以上专利技术目的。本专利技术公开的一种基于GRU的光伏电站辐照度中长期预测的方法，包括如下步骤：步骤一：采集光伏电站所在位置的太阳辐照度数据；步骤二：将步骤一中采集光伏电站所在位置的太阳辐照度数据载入基于GRU门限递归单元神经网络模型，将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集。基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测，根据辐照度的训练集预测值和训练集真实值进行比较，得到训练集预测误差。通过误差反向传播(ErrorBackPropagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数；步骤三：将步骤二得到的网络参数带入基于GRU门限递归单元神经网络模型，通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力，从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度；步骤四：电力部门根据步骤三得到的辐照度预测结果进行中长期规划和调度，实现资源的合理利用，减少不合理增加装机量造成的设备损耗等问题。现有技术中光伏电站辐照度预测为1周以内的短期预测，本专利技术所述的中长期预测结果指1周以上的光伏电站辐照度预测，例如可以优选下一季度或下一年光伏电站的辐照度预测值。所述训练集和验证集用于训练基于GRU门限递归单元神经网络模型，所述测试集用于测试基于GRU门限递归单元神经网络模型的预测能力。其中，通过误差反向传播(ErrorBackPropagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数。验证集用于减少过度拟合，如果训练集的误差减小而验证集的误差不变或者增大，那么基于GRU门限递归单元神经网络模型出现过拟合，基于GRU门限递归单元神经网络模型应该停止训练。通过训练集预测值和训练集真实值对比能够得到训练集误差率(loss)；通过验证集预测值和验证集真实值对比能够得到验证集误差率(loss)；通过测试集预测值和测试集真实值对比能够得到测试集误差率(loss)。所述的真实值指步骤一中采集光伏电站所在位置的太阳辐照度数据。优选地，步骤一中采集光伏电站所在位置的太阳辐照度数据优选为历史实测值。所述的步骤二中基于GRU门限递归单元神经网络模型包括输入层、隐藏层和输出层，其中隐藏层包括更新门和重置门，通过公式(1)至(5)，根据xt和ht-1进行更新ht：zt＝σ(Wzxxt+Wzhht-1+bz)(1)rt＝σ(Wrxxt+Wrhht-1+br)(2)gt＝rt⊙ht-1(3)其中，x和h为所述隐藏层的输入和输出，z和r分别为所述更新门和重置门，如何组合新输入和之前的记忆由重置门决定，留下多少之前的记忆由更新门决定。W为权重矩阵，b为偏置向量。σ为sigmoid函数，⊙为向量按元素的乘积。所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)＝1/(1+e-x)和tanh(x)＝(ex-e-x)/(ex+e-x)。本专利技术还公开实现上述一种基于GRU的光伏电站辐照度中长期预测的方法的一种基于GRU的光伏电站辐照度中长期预测的装置，包括采集模块、预测模块和决策模块。采集模块，用于采集指定光伏电站所在位置太阳辐照度数据；预测模块，用基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测，得到辐照度的中长期预测结果。所述预测模块中将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集。预测模块中还根据辐照度的训练集预测值和训练集真实值进行比较，得到训练集预测误差，通过误差反向传播(ErrorBackPropagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数，将得到的网络参数带入基于GRU门限递归单元神经网络模型，通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力，从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度；决策模块，用于电力部门根据得到的辐照度预测结果进行中长期规划和调度，实现资源的合理利用，减少不合理增加装机量造成的设备损耗等问题。现有技术中光伏电站辐照度预测为1周以内的短期预测，本专利技术所述的中长期预测结果指1周以上的光伏电站辐照度预测，例如可以优选下一季度或下一年光伏电站的辐照度预测值。所述训练集和验证集用于训练基于GRU门限递归单元神经网络模型，所述测试集用于测试基于GRU门限递归单元神经网络模型的预测能力。其中，通过误差反向传播(ErrorBackPropagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数。验证集用于减少过度拟合，如果训练集的误差减小而验证集的误差不变或者增大，那么基于GRU门限递归单元神经网络模型出现过拟合，基于GRU门限递归单元神经网络模型应该停止训练。通过训练集预测值和训练集真实值对比能够得到训练集误差率(loss)；通过验证集预测值和验证集真实值对比能够得到验证集误差率(loss)；通过测试集预测值和测试集真实值对比能够得到测试集误差率(loss)。优选地，所述所需的光伏电站所在位置的太阳辐照度数据为历史实测值。所述基于GRU门限递归单元神经网络模型包括输入层、隐藏层和输出层，其中隐藏层包括更新门和重置门，通过公式(6)至(10)，根据xt和ht-1进行更新ht：zt＝σ(Wzxxt+Wzhht-1+bz)(6)rt＝σ(Wrxxt+Wrhht-1+br)(7)gt＝rt⊙ht-1(8)其中，x和h为所述隐藏层的输入和输出，z和r分别为所述更新门和重置门，如何组合新输入和之前的记忆由重置门决定，留下多少之前的记忆由更新门决定。W为权重矩阵，b为偏置向量。σ为sigmoid函数，⊙为向量按元素的乘积。所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)＝1/(1+e-x)和tanh(x)＝(ex-e-x)/(ex+e-x)。有益效果：本专利技术公开的一种基于GRU的光伏电站辐照度中长期预测的方法及装置，基于GRU门限递归单元神经网络模型对光伏电站所在位置的太阳辐照度进本文档来自技高网...

【技术保护点】
一种基于GRU的光伏电站辐照度中长期预测的方法，其特征在于：包括如下步骤：步骤一：采集光伏电站所在位置的太阳辐照度数据；步骤二：将步骤一中采集光伏电站所在位置的太阳辐照度数据载入基于GRU门限递归单元神经网络模型，将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集；基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测，根据辐照度的训练集预测值和训练集真实值进行比较，得到训练集预测误差；通过误差反向传播(Error Back Propagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数；步骤三：将步骤二得到的网络参数带入基于GRU门限递归单元神经网络模型，通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力，从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度。

【技术特征摘要】
1.一种基于GRU的光伏电站辐照度中长期预测的方法，其特征在于：包括如下步骤：步骤一：采集光伏电站所在位置的太阳辐照度数据；步骤二：将步骤一中采集光伏电站所在位置的太阳辐照度数据载入基于GRU门限递归单元神经网络模型，将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集；基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测，根据辐照度的训练集预测值和训练集真实值进行比较，得到训练集预测误差；通过误差反向传播(ErrorBackPropagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数；步骤三：将步骤二得到的网络参数带入基于GRU门限递归单元神经网络模型，通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力，从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度。2.如权利要求1所述的一种基于GRU的光伏电站辐照度中长期预测的方法，其特征在于，还包括步骤四：电力部门根据步骤三得到的辐照度预测结果进行中长期规划和调度，实现资源的合理利用，减少不合理增加装机量造成的设备损耗等问题。3.如权利要求1或2所述的一种基于GRU的光伏电站辐照度中长期预测的方法，其特征在于：所述的步骤二中基于GRU门限递归单元神经网络模型包括输入层、隐藏层和输出层，其中隐藏层包括更新门和重置门，通过公式(1)至(5)，根据xt和ht-1进行更新ht：zt＝σ(Wzxxt+Wzhht-1+bz)(1)rt＝σ(Wrxxt+Wrhht-1+br)(2)gt＝rt⊙ht-1(3)其中，x和h为所述隐藏层的输入和输出，z和r分别为所述更新门和重置门，如何组合新输入和之前的记忆由重置门决定，留下多少之前的记忆由更新门决定；W为权重矩阵，b为偏置向量；σ为sigmoid函数，⊙为向量按元素的乘积；所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)＝1/(1+e-x)和tanh(x)＝(ex-e-x)/(ex+e-x)。4.如权利要求3所述的一种基于GRU的光伏电站辐照度中长期预测的方法，其特征在于：所述训练集和验证集用于训练基于GRU门限递归单元神经网络模型，所述测试集用于测试基于GRU门限递归单元神经网络模型的预测能力；其中，通过误差反向传播(ErrorBackPropagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数；验证集用于减少过度拟合，如果训练集的误差减小而验证集的误差不变或者增大，那么基于GRU门限递归单元神经网络模型出现过拟合，基于GRU门限递归单元神经网络模型应该停止训练。5.如权利要求3所述的一种基于GRU的光伏电站辐照度中长期预测的方法，其特征在于：所述的步骤一中采集光伏电站所在位置的太阳辐照度数据为历史实测值。6.如权...

【专利技术属性】
技术研发人员：马中静，汪小娟，王鹏，邵云峰，陆志成，杨楠，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京,11