基于卷积神经网络的光热电场太阳直接法向辐射预测方法技术

基于卷积神经网络的光热电场太阳直接法向辐射强度预测方法，利用深度学习中的CNN设计了一种CSP电场的DNI预测方法，以达到克服传统预测方法的缺点，且较为准确地得到预测值的目的，从而使CSP电站易于调度，及进一步减轻新能源发电并网时对现有电力系统造成的冲击。首先对太阳直接法向辐射的特点进行分析，根据得到的特点选用卷积神经网络，并对网络中的参数进行修改与调试，最终得到一种预测方法，以降低光热电站接入电网时带来的消极影响。本预测方法可以较为准确地预测光热电场的太阳直接法向辐射强度。

Prediction method of solar direct normal radiation based on convolution neural network

【技术实现步骤摘要】
基于卷积神经网络的光热电场太阳直接法向辐射预测方法
本专利技术涉及太阳直接法向辐射(DirectNormalIrradiance,DNI)预测技术，特别是基于卷积神经网络(ConvolutionalNeuralNetwork,CNN)的太阳直接法向辐射预测技术。
技术介绍
近年来，一种利用太阳能的新型发电方式—光热储能发电(ConcentratingSolarPower,CSP)方式出现在历史舞台，它凭借着特有的热能存储子系统，可以快速调节系统出力，降低新能源发电并网时对已有电力系统造成冲击的特点成为现阶段的研究热点。因为CSP电站由于需要大量的太阳能——DNI，所以需要在具有以上特点的我国西北部建设。我国西北部复杂多变的气候条件对CSP电站的调度，及其出力的预测造成了一定的困难。现有针对DNI的预测方法主要是利用神经网络的预测，估算太阳辐射。但以往传统浅层预测网络在工作时会产生梯度丢失，陷入局部最小等问题，降低了整个网络的准确性。
技术实现思路
本专利技术的目的是提供一种基于卷积神经网络的光热电场太阳直接法向辐射预测方法。本专利技术是基于卷积神经网络的光热电场太阳直接法向辐射预测方法，其步骤为：步骤1：从本质上出发，太阳直接法向辐射属于时间序列，对其进行预测可以参考时间序列预测的标准及方法；本专利技术采用的评价指标为均方根误差、平均相对误差、平均准确度；步骤2：对预测方法的整体框架进行设计，基于卷积神经网络的太阳直接法向辐射预测方法的主程序主要包括：数据的预处理、网络基本参数的设定、初始化子程序、训练子程序及测试子程序；其中网络基本参数的设定主要包括：输入输出层神经元的个数、卷积层与池化层的排列及个数、卷积核的大小、池化方式、卷积层输出特征图的个数、激活函数及代价函数的类型、训练及测试样本的分配；步骤3：本专利技术是设计光热电场的太阳直接法向辐射预测方法，以时间作为输入，以太阳直接法向辐射作为输出；故输入层神经元的个数为4，输出层神经元的个数为1，即输入样本为四维，输出样本为一维；步骤4：结合上一步四维输入向量的设定，在输入层后加入一层卷积层，并选用一维卷积，其卷积核大小设为1*2；步骤5：结合上一步卷积层的设定，在卷积层后加入一层池化层，并选用均值池化，以保留更多的隐藏信息；步骤6：选用双曲正切函数，即tanh曲线作为本模型全连接层的激活函数，以加快本方法在训练时的收敛速度；步骤7：选用均方误差函数作为本方法的代价函数，以表征所有样本误差在时间上的累积值；步骤8：在隐含层中，卷积层输出特征图的个数从A＝{100,200,300,400,500}中择优选取。输出特征图的数量分别取集合A中元素时，得到对应的代价函数曲线，对比不同输出特征图个数及其对应的代价函数曲线，发现当该参数取值为300时，代价函数收敛效果满足一般要求，故输出特征图的数量取值为300；步骤9：训练样本及测试样本按照5:1进行分配。当网络参数按照上述步骤设定后，其评价指标具体为：RMSE＝0.25527，MRE＝0.20252，MA＝0.79748，训练时间＝3.60690s。本专利技术的有益之处在于：解决了在用传统浅层神经网络预测时产生的一系列问题，同时提高了预测的精度。同时，利用本方法与CSP电站的静态模型结合，可以为今后光热发电的发展前景，及含有光热电站的新能源互联系统优化运行提供一定的技术基础。附图说明图1是本专利技术主程序流程图，图2是输出特征图取不同值时的代价函数曲线，图3是测试网络时的误差曲线。具体实施方式本专利技术是基于卷积神经网络的光热电场太阳直接法向辐射预测方法，利用深度学习中的CNN设计了一种CSP电场的DNI预测方法，以达到克服传统预测方法的缺点，且较为准确地得到预测值的目的，从而使CSP电站易于调度，及进一步减轻新能源发电并网时对现有电力系统造成的冲击。本专利技术是一种基于CNN的CSP电场太阳能DNI预测方法。为降低CSP电站接入电网时带来的消极影响，利用CNN优良的特征提取与泛化能力，设计了影响CSP电站输出的主要变量——DNI的预测方法，以达到较为准确预测CSP电场DNI的目的，具体的专利技术步骤为：步骤1：从本质上出发，DNI属于时间序列，对其进行预测可以参考时间序列预测的标准及方法。本专利技术采用的评价指标为均方根误差(RootMeanSquaredError,RMSE)、平均相对误差(MeanRelativeError,MRE)、平均准确度(MeanAverage,MA)，计算公式如下：MA＝1-MRE(公式三)式中，y(i)与net.o(i)分别表示实际值与预测值；n表示测试样本的数量。步骤2：对预测方法的整体框架进行设计，基于CNN的太阳能DNI预测方法的主程序流程图如图1所示，主要包括：数据的预处理、网络基本参数的设定、初始化子程序、训练子程序及测试子程序。其中网络基本参数的设定主要包括：输入输出层神经元的个数、卷积层与池化层的排列及个数、卷积核的大小、池化方式、卷积层输出特征图的个数、激活函数及代价函数的类型、训练及测试样本的分配。步骤3：本专利技术是设计CSP电场的DNI预测方法，以时间(年、月、日、小时)作为输入，以DNI作为输出。故输入层神经元的个数为4，输出层神经元的个数为1，即输入样本为四维，输出样本为一维。步骤4：结合上一步四维输入向量的设定，在输入层后加入一层卷积层，并选用一维卷积，其卷积核大小设为1*2，一维卷积的计算方法为；式中，*代表卷积；f(x)代表卷积核；g(x)代表输入的特征图。步骤5：结合上一步卷积层的设定，在卷积层后加入一层池化层，并选用均值池化，以保留更多的隐藏信息。池化操作的数学表达为：式中，xi表示池化层输入数据；p为预设参数，p＝1时，该操作为均值池化，p→∞时，该操作为最大池化，本专利技术设定p＝1。步骤6：选用双曲正切函数，即tanh曲线作为本方法全连接层的激活函数，以加快本方法在训练时的收敛速度。双曲正切函数的表达式如下：步骤7：选用均方误差(MeanSquaredError,MSE)函数作为本方法的代价函数，以表征所有样本误差在时间上的累积值。MSE的表达式如下：步骤8：在隐含层中，卷积层输出特征图的个数从A＝{100,200,300,400,500}中择优选取；输出特征图的数量分别取集合A中元素时，对应的代价函数曲线如图2所示。对比图2中不同输出特征图个数及其对应的代价函数，当该参数取值为300时，代价函数收敛效果最好，迭代完成时数值最小，故输出特征图的数量取值为300；步骤9：训练样本及测试样本按照5:1进行分配。当预测网络的参数按照上述步骤设定后，其评价指标具体为：RMSE＝0.25527，MRE＝0.20252，MA＝0.79748，训练时间＝3.60690s，对应的误差曲线如图3所示。以上是本专利技术的实施方法本文档来自技高网...

【技术保护点】
1.基于卷积神经网络的光热电场太阳直接法向辐射预测方法，其特征在于，其步骤为：/n步骤1：从本质上出发，太阳直接法向辐射属于时间序列，对其进行预测可以参考时间序列预测的标准及方法；本专利技术采用的评价指标为均方根误差、平均相对误差、平均准确度；/n步骤2：对预测方法的整体框架进行设计，基于卷积神经网络的太阳直接法向辐射预测方法的主程序主要包括：数据的预处理、网络基本参数的设定、初始化子程序、训练子程序及测试子程序；其中网络基本参数的设定主要包括：输入输出层神经元的个数、卷积层与池化层的排列及个数、卷积核的大小、池化方式、卷积层输出特征图的个数、激活函数及代价函数的类型、训练及测试样本的分配；/n步骤3：本专利技术是设计光热电场的太阳直接法向辐射预测方法，以时间作为输入，以太阳直接法向辐射作为输出；故输入层神经元的个数为4，输出层神经元的个数为1，即输入样本为四维，输出样本为一维；/n步骤4：结合上一步四维输入向量的设定，在输入层后加入一层卷积层，并选用一维卷积，其卷积核大小设为1*2；/n步骤5：结合上一步卷积层的设定，在卷积层后加入一层池化层，并选用均值池化，以保留更多的隐藏信息；/n步骤6：选用双曲正切函数，即tanh曲线作为本模型全连接层的激活函数，以加快本方法在训练时的收敛速度；/n步骤7：选用均方误差函数作为本方法的代价函数，以表征所有样本误差在时间上的累积值；/n步骤8：在隐含层中，卷积层输出特征图的个数从A＝{100,200,300,400,500}中择优选取；输出特征图的数量分别取集合A中元素时，得到对应的代价函数曲线，对比不同输出特征图个数及其对应的代价函数曲线，发现当该参数取值为300时，代价函数收敛效果满足一般要求，故输出特征图的数量取值为300；/n步骤9：训练样本及测试样本按照5:1进行分配。当网络参数按照上述步骤设定后，其评价指标具体为：RMSE＝0.25527，MRE＝0.20252，MA＝0.79748，训练时间＝3.60690s。/n...

【技术特征摘要】
1.基于卷积神经网络的光热电场太阳直接法向辐射预测方法，其特征在于，其步骤为：
步骤1：从本质上出发，太阳直接法向辐射属于时间序列，对其进行预测可以参考时间序列预测的标准及方法；本发明采用的评价指标为均方根误差、平均相对误差、平均准确度；
步骤2：对预测方法的整体框架进行设计，基于卷积神经网络的太阳直接法向辐射预测方法的主程序主要包括：数据的预处理、网络基本参数的设定、初始化子程序、训练子程序及测试子程序；其中网络基本参数的设定主要包括：输入输出层神经元的个数、卷积层与池化层的排列及个数、卷积核的大小、池化方式、卷积层输出特征图的个数、激活函数及代价函数的类型、训练及测试样本的分配；
步骤3：本发明是设计光热电场的太阳直接法向辐射预测方法，以时间作为输入，以太阳直接法向辐射作为输出；故输入层神经元的个数为4，输出层神经元的个数为1，即输入样本为四维，输出样本为一维；
步骤4：结合上一步四维输入向量的设定，在输入层后加入一层卷...

【专利技术属性】
技术研发人员：王兴贵，李锦键，王海亮，郭群，杨维满，李晓英，郭永吉，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：甘肃;62