[發(fā)明專利]一種光伏發(fā)電功率短期預測方法及裝置

在審

• 申請?zhí)枺?/td>: 202010761333.1
• 申請日: 2020-07-31
• 公開（公告）號: CN111898825A
• 公開（公告）日: 2020-11-06
• 發(fā)明（設計）人: 朱想;郭力;師浩琪;趙宗政;柴園園;劉一欣
• 申請（專利權）人: 天津大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06Q10/06;G06N3/04
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 韓帥

1.一種光伏發(fā)電功率短期預測裝置，其特征在于，包括數(shù)據輸入輸出及處理模塊、模型參數(shù)優(yōu)化模塊和預測模型訓練及應用模塊；其中數(shù)據輸入輸出及處理模塊包括原始數(shù)據歸一化和預測結果反歸一化單元、GA編碼單元和GA適應度函數(shù)計算單元；模型參數(shù)優(yōu)化模塊包括RBM初始參數(shù)優(yōu)化單元和RBM模型訓練與NARX參數(shù)初始化單元；預測模型訓練及應用模塊即NARX神經網絡訓練及應用單元。

2.采用權利要求1所述的一種光伏發(fā)電功率短期預測裝置的應用方法，其特征在于，應用于光伏功率預測數(shù)據處理的改進GA-RBM模型參數(shù)優(yōu)化適應度函數(shù)選擇；

針對RBM模型的個體適應度函數(shù)的設計需考慮以下兩個因素：RBM模型對訓練樣本的似然程度和可見層單元維數(shù)對RBM的訓練作用；對于第一個因素，用重構誤差的方法來評價訓練樣本的似然程度，第j次迭代的重構誤差如下：

其中，M,N分別是訓練樣本的個數(shù)和可見層的維數(shù)，可見層為輸入層，包括總輻射、溫度和風速，P_m,i為測試數(shù)據集中第m個樣本第i維的數(shù)據值，P′_m,i為訓練迭代后計算得到的第m個樣本第i維的數(shù)據值；

對于第二個因素，可見層單元維數(shù)會影響整個模型的效率和精度，主要體現(xiàn)在以下兩個方面：

①過多的可見單元會影響RBM訓練效率；

②過少的可見單元難以確保訓練數(shù)據涵蓋特征信息量。

因此可將第k個個體的適應度函數(shù)定義如下：

F(k)＝min(Error_K/(M×N))

其中，Error_K表示RBM在進行K次迭代后最小的重構誤差，M是訓練樣本的個數(shù)，N是可見層的維數(shù)。

3.根據權利要求2所述的一種光伏發(fā)電功率短期預測裝置的應用方法，其特征在于，所述應用于光伏功率預測數(shù)據處理的改進GA-RBM模型的參數(shù)優(yōu)化步驟如下：

利用GA-RBM對功率預測算法進行優(yōu)化，重構預測模型輸入特征向量，對于給定狀態(tài)的(v,h)，能量函數(shù)E_θ(v,h)定義如下：

其中，θ為參數(shù)集{w_ij,a_i,b_j}，w_ij為第i個可見層單元和第j個隱藏層單元之間連接權重，a_i為可見層單元的偏置值，b_j為隱藏層單元的偏置值，v為原始光伏發(fā)電預測輸入向量，包括總輻射、溫度和風速，h為重構后的光伏發(fā)電預測輸入向量；當確定了RBM模型的網絡參數(shù)后，就可以依據能量函數(shù)計算矢量(v,h)的聯(lián)合概率分布p_θ(v,h)，具體公式如下：

其中，Z_θ為歸一化因子，

根據RBM模型層內神經元間無連接，層間神經元全連接的特性，當可見層單元的狀態(tài)為固定值時，第j個隱藏層單元的激活狀態(tài)概率值為：

p(h_j|v)＝sigmoid(∑_iw_ijv_i+b_j)

其中，

同理可求出從隱藏層神經元到可見層神經元的概率值為：

p(v_i|h)＝sigmoid(∑_jw_ijh_j+a_i)

訓練RBM的首要目的就是要找到一組參數(shù)θ＝{w_ij,a_i,b_j}，使其能夠更精確的擬合訓練數(shù)據集。

利用遺傳算法，通過選擇、交叉和變異三個操作不斷更新RBM模型參數(shù)θ＝{w_ij,a_i,b_j}，使其達到最優(yōu)。