【技术实现步骤摘要】
本专利技术属于功率预测领域，尤其涉及一种基于优化dbn和bi-lstm的短期光伏功率预测方法。
技术介绍
1、短期光伏功率预测是智能电网及其应用的重要组成部分。优化算法在学术界和工业界都具有广泛应用，但它们通常被单独应用于预测问题。在功率预测中传统预测模型预测精度不足和单一预测模型具有局限性的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于提供一种基于优化dbn和bi-lstm的短期光伏功率预测方法，解决在功率预测中传统预测模型预测精度不足和单一预测模型具有局限性的技术问题。
2、本专利技术是这样实现的，
3、一种基于优化dbn和bi-lstm的短期光伏功率预测方法，包括以下步骤：
4、s1：采集历史光伏功率信息，包括光伏发电功率、温度特征、季节特征以及云层特征，对历史光伏功率信息进行数据预处理，进行数据归一化，将归一化后数据随机划分训练集和测试集，比例设置7：3，得到训练数据序列；
5、s2：构建dbn网络模型，将步骤1中的数据序列输入到dbn网络模型中，通过ssa优化dbn网络，将dbn网络中各层rbm的可见层偏置、隐藏层偏置、权重作为待优化变量，通过麻雀算法更新，以均方误差mse为适应度函数，不断更新变量，获取个体最优适应度，得到全局最佳适应度，直至最大迭代次数，进行无监督学习训练过程，完成训练数据序列的深度特征提取；
6、s3：构建bi-lstm网络，将步骤2中提取后的数据序列输入bi-lstm网络中
7、s4：将测试集输入到训练好的预测模型中，对预测模型进行模型评价；将待测日功率信息序列输入预测模型，反归一化得到预测结果。
8、进一步地，对历史光伏功率信息进行数据预处理，进行数据归一化，包括异常值剔除和缺失值填补，对历史光伏功率信息采用min-max方法归一化处理。
9、进一步地，所述步骤2具体包括：
10、2(1)将训练集信息序列输入dbn网络模型进行特征提取，对dbn网络模型中每层rbm进行训练；
11、2(2)将dbn网络模型中每层rbm的参数a、b、ω进行编码操作，将麻雀搜索算法中种群大小、迭代次数、发现者占比、警戒阈值做初始化操作；
12、2(3)将每层的参数a、b、ω作为ssa中待优化变量，维数为n，将待优化变量划分发现者、跟随者、预警者根据公式进行更新，以dbn网络模型训练时的平均绝对百分比误差mape作为适应度函数；
13、2(4)更新麻雀位置，获取个体最优适应度，得到全局最佳适应度，判断当前个体适应度值是否优于全局适应度值，更新全局最优适应度以及个体所对应的全局最优位置，直至最大迭代次数，判断满足条件后结束循环；
14、2(5)更新ssa优化的参数值，返回给rbm，重复此过程对每层rbm训练，完成对整个网络的参数优化，构建深度特征提取模型，完成对原始训练集数据的无监督学习过程。
15、进一步地，所述rbm的可见层v和隐藏层h相互连接，同层内各节点之间互不连接，能量函数表达式为：
16、
17、式中a为可见层偏置向量，b为隐藏层偏置向量，ω为连接可视层神经元与隐藏层神经元的权重。
18、进一步地，将训练序列输入可见层v，通过条件概率pθ(v)来计算隐藏层的输出向量h，再根据h以及条件概率pθ(h)计算可见层向量v，公式如下：
19、
20、
21、将dbn网络中各层rbm的可见层偏置a、隐藏层偏置b、权重w作为ssa中待优化变量，划分为发现者、跟随者、预警者分别根据公式进行更新；
22、
23、
24、
25、式中t表示迭代次数，表示第i维度的j只麻雀迭代t次后的值，iiter,max是迭代最大次数，r2和st表示警报值和安全阈值，是全局最优位置，是全局最差位置，fj是当前麻雀的适应度值，fb最差适应度值，fg是最佳适应度。
26、进一步地，以平均绝对百分比误差mape为适应度函数；
27、
28、式中，分别表示训练样本的预测值和真实值，不断更新变量，获取个体最优适应度，得到全局最佳适应度，直至最大迭代次数，完成无监督学习训练过程。
29、进一步地，所述步骤3具体包括：
30、3(1)将深度特征提取后的功率信息序列输入bi-lstm网络模型进行训练；
31、3(2)初始化bi-lstm中隐藏层单元数α，学习率ε，丢弃概率ρ，初始化种群粒子xi,0[α ε ρ]，以mse作为适应度函数；
32、3(3)将待优化参数作为pso粒子，更新粒子的位置速度，找到粒子及粒子群的最佳位置，更新全体最优的粒子和粒子群的位置；
33、3(4)根据适应度函数更新参数，判断是否满足要求，若满足则更新参数，将优化的参数赋给bi-lstm，若不满足则返回上述步骤(3)。
34、进一步地，步骤3(1)中，将dbn网络中最后一层rbm的输出作为提取特征后的序列高级表示，每个单元输出为将输出作为bi-lstm输入进行训练，bi-lstm由两层lstm层构成，前向lstm层和反向lstm层，bi-lstm分别考虑前向层和反向层对输出状态的影响，计算公式如下：
35、
36、式中，xt为t时刻的输入值，分别为前向lstm层中第t-1个输入点的隐藏状态和细胞状态,分别为反向lstm层中第t+1个输入点的隐藏状态和细胞状态，σ为激活函数sigmoid，wh为输入层与隐含层的权重,bh为线性关系的偏移量。
37、进一步地，所述步骤3(2)包括：初始化bi-lstm网络中隐含层层数α，学习率ε和丢弃概率ρ，采用pso算法识别网络参数，将参数定义为pso中粒子xi,0[α ε ρ]；
38、初始化粒子群，初始化种群粒子计算适应度函数，找到粒子及粒子群的最佳位置，更新全体最优的粒子，以及粒子群的位置，粒子群位置更新公式为：
39、
40、
41、
42、选取mse作为适应度函数，根据适应度函数判断是否满足要求，若满足则更新超参数xi,0[α ε ρ]，否则继续迭代过程，将优化的参数赋给bi-lstm网络，对bi-lstm神经网络进行训练，模型经过训练结果为h＝[h1,h2,…,hm]。
43、进一步地，选取均方根误差rmse进行误差评估，假定预测值为h＝[h1,h2,…,hm]，真实值为z＝[z1,z2,…,zm]；
44、rmse的计算公式为：
45、
46、式中，zi是真实值，hi是模型预测值，n是样本本文档来自技高网...
【技术保护点】
1.一种基于优化DBN和Bi-LSTM的短期光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于优化DBN和Bi-LSTM的短期光伏功率预测方法，其特征在于，对历史光伏功率信息进行数据预处理，进行数据归一化，包括异常值剔除和缺失值填补，对历史光伏功率信息采用Min-Max方法归一化处理。
3.根据权利要求1所述的一种基于优化DBN和Bi-LSTM的短期光伏功率预测方法，其特征在于，所述步骤2具体包括：
4.根据权利要求3所述的一种基于优化DBN和Bi-LSTM的短期光伏功率预测方法，其特征在于，所述RBM的可见层v和隐藏层h相互连接，同层内各节点之间互不连接，能量函数表达式为：
5.根据权利要求4所述的一种基于优化DBN和Bi-LSTM的短期光伏功率预测方法，其特征在于，将训练序列输入可见层v，通过条件概率Pθ(v)来计算隐藏层的输出向量h，再根据h以及条件概率Pθ(h)计算可见层向量v，公式如下：
6.根据权利要求5所述的一种基于优化DBN和Bi-LSTM的短期光伏功率预测方法，其特征在于，<...
【技术特征摘要】
1.一种基于优化dbn和bi-lstm的短期光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于优化dbn和bi-lstm的短期光伏功率预测方法，其特征在于，对历史光伏功率信息进行数据预处理，进行数据归一化，包括异常值剔除和缺失值填补，对历史光伏功率信息采用min-max方法归一化处理。
3.根据权利要求1所述的一种基于优化dbn和bi-lstm的短期光伏功率预测方法，其特征在于，所述步骤2具体包括：
4.根据权利要求3所述的一种基于优化dbn和bi-lstm的短期光伏功率预测方法，其特征在于，所述rbm的可见层v和隐藏层h相互连接，同层内各节点之间互不连接，能量函数表达式为：
5.根据权利要求4所述的一种基于优化dbn和bi-lstm的短期光伏功率预测方法，其特征在于，将训练序列输入可见层v，通过条件概率pθ(v)来计...
【专利技术属性】
技术研发人员：王顺江，王铎，凌兆伟，周桂平，刘刚，李典阳，宋丽，
申请(专利权)人：国网辽宁省电力有限公司辽阳供电公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。