[發明專利]基于波爾茲曼機的光伏超短期功率預測方法

在審

• 申請號: 201810325176.2
• 申請日: 2018-04-12
• 公開（公告）號: CN108776843A
• 公開（公告）日: 2018-11-09
• 發明（設計）人: 路志英;汪永清;任一墨
• 申請（專利權）人: 天津大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

1.一種基于波爾茲曼機的光伏超短期功率預測方法，其特征是，利用影響光伏的因素，通過DBNS模型對數據之間進行訓練以及擬合，獲取其與光伏功率之間的相關性，從而對光伏超短期功率進行預測。

2.如權利要求1所述的基于波爾茲曼機的光伏超短期功率預測方法，其特征是，具體步驟細化如下：

步驟1：原始數據的獲取

首先獲取原始的光伏數據，數據包括影響光伏的12個相關因素：具體有總柱液態水TCLW、總柱冰狀水TCIW、表面壓力SP、1000毫巴相對濕度RH、總云量TCC、10米高風的U分量10U、10米高風的V分量10V、2米處溫度2T、表面太陽輻射累積量SSRD、表面熱輻射累積量STRD、大氣頂部太陽輻射累積量TSR、總降水TP，以及相對應的光伏發電數據；

步驟2：數據集的劃分

剔除每天9時～20時夜間光伏發電為0的情況，分析其中剩余光伏發電不為0的情況，并將數據集分為A和B兩個部分，B數據集包括某個月數據，A數據集包括其余數據，并且利用RBM將數據集A進行了重構得到數據集A'；

步驟3：模型的構建

訓練模型是由波爾茲曼機BM為基礎單元構建的,通過波爾茲曼機的組合，構成訓練的網絡模型，通過各個BM的顯元與隱元之間參數的訓練對其傳遞的權值進行調整，并通過選擇合適的決策模型獲取最優的預測。

3.如權利要求1所述的基于波爾茲曼機的光伏超短期功率預測方法，其特征是，在步驟(3)模型的構建過程中可以對波爾茲曼機進行優選，改進方式如下：采用限制玻爾茲曼機RBM；或者，采用高斯玻爾茲曼機GBRBM，對于一個有n個顯元，m個隱元的RBM，v代表顯元的狀態，h代表隱元的狀態，那么RBM的概率分布P(v,h)滿足Boltzmann分布；高斯RBM，其能量函數如式(1)所示：

其中：v_i表示二值顯元的取值；h_j表示隱元的取值；a_i,b_j表示偏置(bias)；w_ij表示第i個顯元和第j個隱元間的權重；σ_i表示顯元的標準差；

全概率分布P(v,h)如式(2)所示：

其中：Z為配分函數，表達式為式(3)：

表示v和h的所有可能的組合；

根據公式(2)得到高斯RBM關于v的分布P(v)，即P(v,h)的邊緣分布，定義P(v)為高斯RBM的似然函數，表達式為：

由于高斯RBM各隱元之間的激活條件是獨立的，所以第j個隱元的激活概率如式(5)所示：

同理，第i個顯元的激活概率如式(6)所示：

其中：是羅杰斯特函數(logistics sigmoid function)。

訓練RBM的任務就是確定RBM的參數的值，即θ＝{w_ij,a_i,b_j}，參數θ可以通過最大化RBM在含有T個樣本訓練集上的對數似然函數學習得到，描述式如式(7)所示：

RBM參數計算方法有隨機梯度上升法和對比散度法；

1)隨機梯度上升法

利用隨機梯度上升法可以獲取最優的參數θ*，即求出：

對于模型參數的偏導數計算如式(9)～(11)所示：

其中：v⁰表示輸入樣本；<·>_P表示關于分布P的數學期望；P(h|v⁰,θ)表示顯元狀態為已知輸入樣本v⁰時隱層的概率分布；采用對比散度法CD(Contrastive Divergence)算法獲取其近似值；

2)對比散度法CD-k(Contrastive Divergence)

在CD-k算法開始時，設定該訓練樣本為顯元的狀態，利用式(5)計算隱元的狀態；然后根據式(6)再重新計算顯元的狀態，即顯元取值為1的概率，這樣就產生了顯層的一個重構(reconstruction)，k的取值即為重構的次數；

式(9)～(11)的近似計算結果，如式(12)～(14)表示：

此時，RBM參數的增量為：

ε表示學習率；

3)假設在利用訓練集樣本訓練RBM前的參數為θ，訓練之后RBM的參數為θ^*，RBM參數的增量為△θ，則對應有：

θ^*＝θ+△θ (17)

由步驟1)～3)計算，最終可得在已知訓練集上所構建的RBM的參數。