一种光伏发电功率短期预测方法及装置制造方法及图纸

本发明专利技术公开了一种光伏发电功率短期预测方法及装置，包括数据输入输出及处理模块、模型参数优化模块和预测模型训练及应用模块。其中数据输入输出及处理模块包括原始数据归一化和预测结果反归一化单元、GA编码单元和GA适应度函数计算单元；模型参数优化模块包括RBM初始参数优化单元和RBM模型训练与NARX参数初始化单元；预测模型训练及应用模块即NARX神经网络训练及应用单元。

【技术实现步骤摘要】
一种光伏发电功率短期预测方法及装置
本专利技术属于光伏发电领域，尤其涉及一种基于改进NARX神经网络算法的分布式光伏发电功率短期预测方法及装置。
技术介绍
光伏发电系统受环境影响较为明显，具体表现在波动性、不确定性和间歇性，由于环境的变化会直接影响到光伏发电功率的多少，从而降低了光伏发电功率的预测精度。因此，建立行之有效的光伏发电功率短期预测模型对电网的安全调度和经济管理具有重要的意义。迄今为止，学者们对光伏发电功率预测进行了不同层次的研究，其研究方法主要包括两种：统计预测方法和人工智能预测方法。在统计预测方法方面，建立多元线性回归预测算法进行光伏发电功率预测，模型的输入参数为风速和历史光伏发电功率。建立灰色神经网络组合模型，将温度和太阳辐射强度作为模型输入参数，预测未来24小时的光伏发电功率。在人工智能预测方法方面，采用距离分析法将发电功率与气象因素关联起来，输入因子确定为气温和湿度，建立基于BP神经网络的发电功率短期预测模型。通过建立循环神经网络(RecurrentNeuralNetwork,RNN)的光伏发电功率预测模型，输入参数为辐照强度、温度、压力、时间和湿度。另外将不同天气类型下的辐照度作为特征参数，建立基于支持向量机(SupportVectorMachine,SVM)的天气状态模式识别模型。建立动态贝叶斯网络的光伏发电短期概率预测模型，通过分析影响光伏发电功率的多种环境因素及各因素之间的关联，再依据当前时刻的影响因素预测短期光伏发电功率的概率分布。也有相关文献基于NARX神经网络的光伏发电功率预测，将太阳能辐射量和电池板温度作为光伏发电功率的影响因素。NARX神经网络相比传统BP神经网络增加了时间序列的学习能力，但其在一定程度上继承了广义神经网络的特征，存在以下缺陷：收敛速度慢，容易陷入局部最优。同时也有文献提出基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测模型，利用遗传算法对深度受限玻耳兹曼机进行参数优化，解决了深度受限玻尔兹曼机可能会求得局部最小值和收敛速度慢等问题。
技术实现思路
针对上述问题，本专利技术为准确地预测光伏发电功率,以节约资源,提出了一种基于改进非线性自回归模型(NARX)神经网络算法的光伏发电功率短期预测模型。通过皮尔森相关分析选择影响发电功率的环境因素,利用遗传算法(GA)优化受限玻耳兹曼机(RBM)模型参数,避免陷入局部最优；利用优化后的RBM模型初始化NARX神经网络的参数。GARBM-NARX算法采用遗传算法(GA)优化受限玻尔兹曼机(RBM)，主要有以下两个优点，一是利用GA为RBM选择训练数据的维数；二是利用GA来设定RBM的隐单元个数。采用优化后的RBM模型初始化NARX神经网络的权值和阈值，可以提高模型精度和训练速度。为实现上述目的，本专利技术采取以下技术方案：一种光伏发电功率短期预测方法及装置，包括数据输入输出及处理模块、模型参数优化模块和预测模型训练及应用模块。其中数据输入输出及处理模块包括原始数据归一化和预测结果反归一化单元、GA编码单元和GA适应度函数计算单元；模型参数优化模块包括RBM初始参数优化单元和RBM模型训练与NARX参数初始化单元；预测模型训练及应用模块即NARX神经网络训练及应用单元。(1)数据输入输出及处理模块①原始数据归一化和预测结果反归一化由于输入参数总辐射、温度和风速在数量级上存在一定差异，计算过程中容易出现“大数吃小数”的问题，因此需要对数据进行预处理，本专利采用归一化的数据预处理方式。归一化可以让不同维度之间的特征在数值上有一定比较性，从而提高分类器的准确性。归一化公式为：其中Z、Zmin、Zmax分别表示原始输入特征向量(总辐射、温度和风速构成的特征向量矩阵)、原始输入特征向量的最大和最小值。对原始数据归一化后，通过预测模型输出的值需要进行反归一化，反归一化公式如下：Z＝Zn(Zmax-Zmin)+Zmin②GA编码单元遗传算法的编码方式有二进制编码、实数编码以及浮点数编码。根据RBM模型参数的特性可知，参数θ＝{wij,ai,bj}的计算是一个连续且复杂的非线性优化问题。因此本专利在优化RBM参数上选择采用浮点数编码方式，其相比二进制编码来说可以降低参数θ的计算复杂性，进而提高计算效率。③GA适应度函数计算针对RBM模型的个体适应度函数的设计需考虑以下两个因素：RBM模型对训练样本的似然程度和可见层单元维数对RBM的训练作用。对于第一个因素，用重构误差的方法来评价训练样本的似然程度，第j次迭代的重构误差如下：其中，M,N分别是训练样本的个数和可见层的维数，可见层为输入层，包括总辐射、温度和风速，Pm,i为测试数据集中第m个样本第i维的数据值，P′m,i为训练迭代后计算得到的第m个样本第i维的数据值。对于第二个因素，可见层单元维数会影响整个模型的效率和精度，主要体现在以下两个方面：①过多的可见单元会影响RBM训练效率；②过少的可见单元难以确保训练数据涵盖特征信息量。因此可将第k个个体的适应度函数定义如下：F(k)＝min(ErrorK/(M×N))其中，ErrorK表示RBM在进行K次迭代后最小的重构误差，M是训练样本的个数，N是可见层的维数。(2)模型参数优化模块①RBM初始参数优化本专利采用GA优化RBM(GA-RBM)的初始参数，算法介绍如下：GA是一种随机化的全局寻优算法。其借鉴生物进化的思想，通过遗传算子的操作对种群进行连续迭代，直至达到最优解。利用GA-RBM对功率预测算法进行优化，重构预测模型输入特征向量，对于给定状态的(v,h)，能量函数Eθ(v,h)定义如下：其中，θ为参数集{wij,ai,bj}，wij为第i个可见层单元和第j个隐藏层单元之间连接权重，ai为可见层单元的偏置值，bj为隐藏层单元的偏置值，v为原始光伏发电预测输入向量，包括总辐射、温度和风速，h为重构后的光伏发电预测输入向量。当确定了RBM模型的网络参数后，就可以依据能量函数计算矢量(v,h)的联合概率分布pθ(v,h)，具体公式如下：其中，Zθ为归一化因子，根据RBM模型层内神经元间无连接，层间神经元全连接的特性，当可见层单元的状态为固定值时，第j个隐藏层单元的激活状态概率值为：p(hj|v)＝sigmoid(∑iwijvi+bj)其中，同理可求出从隐藏层神经元到可见层神经元的概率值为：p(vi|h)＝sigmoid(∑jwijhj+ai)训练RBM的首要目的就是要找到一组参数θ＝{wij,ai,bj}，使其能够更精确的拟合训练数据集。利用遗传算法，通过选择、交叉和变异三个操作不断更新RBM模型参数θ＝{wij,ai,bj}，使其达到最优。②RBM模型训练与NARX参数初始化NARX神经网络是循环神经网络(RNN)中的一类，是一种本文档来自技高网...

【技术保护点】
1.一种光伏发电功率短期预测装置，其特征在于，包括数据输入输出及处理模块、模型参数优化模块和预测模型训练及应用模块；其中数据输入输出及处理模块包括原始数据归一化和预测结果反归一化单元、GA编码单元和GA适应度函数计算单元；模型参数优化模块包括RBM初始参数优化单元和RBM模型训练与NARX参数初始化单元；预测模型训练及应用模块即NARX神经网络训练及应用单元。/n

【技术特征摘要】
1.一种光伏发电功率短期预测装置，其特征在于，包括数据输入输出及处理模块、模型参数优化模块和预测模型训练及应用模块；其中数据输入输出及处理模块包括原始数据归一化和预测结果反归一化单元、GA编码单元和GA适应度函数计算单元；模型参数优化模块包括RBM初始参数优化单元和RBM模型训练与NARX参数初始化单元；预测模型训练及应用模块即NARX神经网络训练及应用单元。


2.采用权利要求1所述的一种光伏发电功率短期预测装置的应用方法，其特征在于，应用于光伏功率预测数据处理的改进GA-RBM模型参数优化适应度函数选择；
针对RBM模型的个体适应度函数的设计需考虑以下两个因素：RBM模型对训练样本的似然程度和可见层单元维数对RBM的训练作用；对于第一个因素，用重构误差的方法来评价训练样本的似然程度，第j次迭代的重构误差如下：



其中，M,N分别是训练样本的个数和可见层的维数，可见层为输入层，包括总辐射、温度和风速，Pm,i为测试数据集中第m个样本第i维的数据值，P′m,i为训练迭代后计算得到的第m个样本第i维的数据值；
对于第二个因素，可见层单元维数会影响整个模型的效率和精度，主要体现在以下两个方面：
①过多的可见单元会影响RBM训练效率；
②过少的可见单元难以确保训练数据涵盖特征信息量。
因此可将第k个个体的适应度函数定义如下：
F(k)＝min(ErrorK/(M×N))
其中，ErrorK表示RBM在进行K次迭代后最小的重构误...

【专利技术属性】
技术研发人员：朱想，郭力，师浩琪，赵宗政，柴园园，刘一欣，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12