一种基于改进长短期记忆神经网络的光伏发电预测方法技术

本发明专利技术涉及一种基于改进长短期记忆神经网络的光伏发电预测方法，应用Mohsen Shahrouzi提出的EBS优化算法，在提供原始学习数据和LSTM层组成的LSTM神经网络超参数后进一步提出OLSTM模型，将得到比传统模型更高预测精度和实时性的优化结果。LSTM神经网络带有m*n个单元的m个隐藏层和1个密集层构成，利用EBS算法就可以完成高精度超参数的选择，采用OLSTM模型输入超参数X

【技术实现步骤摘要】
一种基于改进长短期记忆神经网络的光伏发电预测方法


[0001]本专利技术属于光伏发电预测方法，涉及一种基于改进长短期记忆神经网络的光伏发电预测方法，涉及一种改进长短期记忆神经网络中人工超参数选择问题的优化算法。

技术介绍

[0002]传统的预测模型中往往是基于历史数据的数学和物理模型，通常忽略了一些实际条件的构建。为了解决这样一类问题，新型的预测方法均通过解决时间序列预测的回归问题提出。实际的工程运用中，已经实现了非线性自动回归的递归神经网络算法，借助气象数据预测短期光伏输出功率。也可利用双阶段递归神经网络来预测太阳辐照度和云量，进一步预测输出。尽管上述方法可以提供一个相对较好的预测结果，但是浅层配置的人工神经网络会受到存储能力不足的限制，其引起的记忆衰减和梯度消失等问题都会导致预测结果不理想。深度学习方法(DL)一经开发便因其极大的数据处理能力和非线性拟合能力等优势而引入到预测问题中。卷积神经网络(CNN)已被用于预测基于天空图像的光伏发电量，同时利用重采样和数据扩展的方法来平衡各种大气条件下的天空图像数量，提高了预测精度。而DL中的的长短期记忆(LSTM)神经网络在不同置信度百分比中都有着十分良好的预测能力。尽管上述模型已经考虑了由光伏场地选择、天气条件和数据特征提取等影响因素，但是LSTM预测模型中人工超参数选择带来了精确度低且时效性差的不足。考虑到EBS优化算法的准确性和便利性，我们采用结合EBS算法的LSTM模型进行超参数选择并作数据预测。结果表明，预测精度和时效性等方面均明显优于传统LSTM模型。
>[0003]逃逸鸟算法是受到鸟类在户外捕食猎物行为的启发，从数学上开发的一种优化搜索策略，其与其他的元启发式算法有所不同。首先，从实用的角度来看，EBS算法是一种用于全局优化的无参数元启发式算法，使用简单且功能强大。同时，传统的LSTM算法采用的人工选择超参数虽然能满足部分场景的需求，但精确度较低，对于光伏系统的发电预测，LSTM神经网络仍然有着改进的空间。

技术实现思路

[0004]要解决的技术问题
[0005]为了避免现有技术的不足之处，本专利技术提出一种基于改进长短期记忆神经网络的光伏发电预测方法，对LSTM神经网络算法进行改造。通过结合EBS算法的优点，即考虑初始权值的影响，来提高算法的性能进而使EBS神经网络算法在PV系统的应用中获得更好的动态性能。利用EBS来调整超参数的选择从而提高LSTM神经网络算法的精确性。
[0006]技术方案
[0007]一种基于改进长短期记忆神经网络的光伏发电预测方法，其特征在于步骤如下：
[0008]步骤1：将收集所得数据作归一化处理：
[0009][0010]其中：y
m
(m＝1,2,3)表示原始数据，y1为功率；y2为太阳辐照度；y3为环境温度；而y
m,max
，y
m,min
对应各个参数的最大值和最小值；(n＝1,2,3)对应原始参数y
m
(m＝1,2,3)归一化后的数据，为归一化后的功率，且
‑
1<y
n
<1；
[0011]将处理后的数据分为两组，选取总数据集的80％的一组数据作为训练集，通过神经网络求得预测模型；另一组采用剩余20％数据作为测试集；
[0012]步骤2：在EBS算法中，由下式初始化LSTM的超参数X
i
，给定所需要的初始参数N，D，T
max
：
[0013][0014]其中，X
i
∈[N,D]，[N,D]用以衡量给定超参数矩阵的大小，N代表给定超参数数目，D代表维数，即参数的个数，T
max
表示最大迭代次数提供了循环的终止条件；Lb
i
表示超参数的下边界值，ub
i
表示超参数的上边界值，R为随机向量；
[0015]步骤3：对所有超参数下的功率值进行评估并将最佳超参数保存到X
Gbest
，形成超参数矩阵；
[0016]所述最佳超参数X
Gbest
为均方误差MSE最小时对应的超参数：
[0017][0018]其中：P
p
(i)是预测功率值，为实际功率值，i是指第几个功率，n是功率值总数；
[0019]步骤4：在超参数矩阵中随机选择一对超参数定义为AB和EB，两个超参数中AB的均方误差MSE小于EB，其中AB的影响因子为CR，EB的影响因子ER：
[0020][0021]CR＝1
‑
ER
[0022]其中，MP
EB
为EB的均方误差MSE，MP
AB
表示AB的均方误差MSE；
[0023]所述超参数的尺寸大小分别由下式表示：
[0024]MP
i
＝b
i
*||V
i
||
β
[0025][0026]其中：||V
i
||是欧几里得距离，对应前述的矩阵方位，b
i
是通过超参数的最大最小适配值C
max
，C
min
和初始值C
i
计算所得，ε是一个避免分母为零的最小常数；
[0027]步骤5：由下式更新超参数，并通过步骤3的均方误差MSE进行评估，与原来的X
Gbest
进行比较，若比X
Gbest
下的误差更小，则将赋给X
Gbest
，同理，若比X
Gbest
下的误差更小，则将赋给X
Gbest
；
[0028][0029][0030]其中，r1,r2为0～1之间的随机数，X
AB
,X
EB
分别为两个超参数的初始值，且更新的方向相反，X
Gbest
是最佳超参数，Opp(X
AB
)表示X
AB
,的反向矢量；
[0031]步骤6：返回步骤4进行迭代计算，达到最大迭代次数后得到超参数X
Gbest
输入LSTM神经网络，并将归一化后的数据通过MATLAB工具箱里的LSTM训练函数及预测函数进行训练再对功率进行预测，最终得到预测值P
p
。
[0032]所述预测值P
p
的评估是：将预测值P
p
输出与进行比较，通过评估的均方误差MSE、标准差RMSE、平均绝对误差MAE和相关系数R的大小来进行评估预测性能。
[0033]所述评估的均方误差
[0034]所述标准差
[0035]所述平均绝对误差
[0036]所述相关系数
[0037]有益效果
[0038]本专利技术提出的一种基于改进长短期记忆神经网络的光伏发电预测方法，虽然利用神经网络对PV系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进长短期记忆神经网络的光伏发电预测方法，其特征在于步骤如下：步骤1：将收集所得数据作归一化处理：其中：y
m
(m＝1,2,3)表示原始数据，y1为功率；y2为太阳辐照度；y3为环境温度；而y
m,max
，y
m,min
对应各个参数的最大值和最小值；对应原始参数y
m
(m＝1,2,3)归一化后的数据，为归一化后的功率，且
‑
1<y
n
<1；将处理后的数据分为两组，选取总数据集的80％的一组数据作为训练集，通过神经网络求得预测模型；另一组采用剩余20％数据作为测试集；步骤2：在EBS算法中，由下式初始化LSTM的超参数X
i
，给定所需要的初始参数N，D，T
max
：其中，X
i
∈[N,D]，[N,D]用以衡量给定超参数矩阵的大小，N代表给定超参数数目，D代表维数，即参数的个数，T
max
表示最大迭代次数提供了循环的终止条件；Lb
i
表示超参数的下边界值，ub
i
表示超参数的上边界值，R为随机向量；步骤3：对所有超参数下的功率值进行评估并将最佳超参数保存到X
Gbest
，形成超参数矩阵；所述最佳超参数X
Gbest
为均方误差MSE最小时对应的超参数：其中：P
p
(i)是预测功率值，为实际功率值，i是指第几个功率，n是功率值总数；步骤4：在超参数矩阵中随机选择一对超参数定义为AB和EB，两个超参数中AB的均方误差MSE小于EB，其中AB的影响因子为CR，EB的影响因子ER：差MSE小于EB，其中AB的影响因子为CR，EB的影响因子ER：其中，MP
EB
为EB的均方误差MSE，MP
AB
表示AB的均方误差MSE；所述超参数的尺寸大小分别由下式表示：MP
i
＝b
i
*‖V
i

【专利技术属性】
技术研发人员：陈映雪，冯冠翔，陈华涛，缑林峰，吴芷涵，乌拉德伊万诺夫，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：