[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

本發明涉及光伏發電功率預測、深度學習技術領域，為提出一種基于深度學習中的限制波爾茲曼機模型對光伏功率進行預測的方法。為精確預測光伏功率提供有力支持。為此，本發明采用的技術方案是，基于波爾茲曼機的光伏超短期功率預測方法，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。本發明主要應用于光伏發電場合。

技術領域

本發明涉及光伏發電功率預測、深度學習技術領域，具體講,涉及基于波爾茲曼機的光伏超短期功率預測方法。

背景技術

太陽能已被公認為是未來最具競爭力能源之一，具有取之不盡、用之不竭綠色環保等特點。目前，光伏發電(Photovoltaic power generation)是利用太陽能的有效方式之一，分布式光伏并網發電系統與大規模集中式光伏并網系統是國內光伏利用的兩種重要的方式。在環境和能源等壓力下，分布式光伏發電是未來重點的發展方向。由于太陽能受各種氣象因素的影響，使用光伏系統進行發電的功率是不穩定的，會造成對電力系統的不利影響。光伏功率短期預測的時間尺度一般為1～3天，超短期預測的時間一般為0～4小時，短期和超短期功率預測對電網實時調度和穩定等具有重要的決定作用。

針對于光伏發電功率的預測，國內外學者做了大量的研究。目前所有短期太陽能光伏發電預測方法都是基于相同的思路，即：首先利用數學和物理學理論及相關數據建立預測公式或模型，再通過求得的預測公式或模型對光伏電站發電量進行預測。

限制波爾茲曼機(Restricted Boltzmann Machine,RBM)是一種基于能量的模型，是Hinton 于1986年提出的波爾茲曼機(Boltzmann Machine,BM)的一種改進，當其僅有顯元的分布為高斯分布時稱為高斯波爾茲曼機(Gaussian-Bernoulli RBM,GBRBM)。同樣RBM也是深度學習 (deep learning,DL)中的一個重要的模型DBN的基本單元。RBM可以看作一種自動編碼器 (autoencoder)，可利用其強大的無監督學習的能力，將輸入的數據進行重構，將數據從原始空間變換到其他維數的空間，易于發現其內部之間隱含的關系，從而便于構建后續的機器學習模型。

發明內容

為克服現有技術的不足，本發明旨在提出一種基于深度學習中的限制波爾茲曼機模型對光伏功率進行預測的方法。為精確預測光伏功率提供有力支持。為此，本發明采用的技術方案是，基于波爾茲曼機的光伏超短期功率預測方法，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。

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。

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：