[發(fā)明專利]一種基于深度BILSTM的太陽輻射預(yù)測方法

有效

• 申請?zhí)枺?/td>: 202010935820.5
• 申請日: 2020-09-08
• 公開（公告）號: CN112100911B
• 公開（公告）日: 2023-06-30
• 發(fā)明（設(shè)計(jì)）人: 張楚;彭甜;王業(yè)琴;趙環(huán)宇;紀(jì)捷;孫娜;夏鑫;孫偉;成佳偉
• 申請（專利權(quán)）人: 淮陰工學(xué)院
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q10/04;G06Q50/06;G06N3/0442;G06N3/084;G06F17/16;G06F113/04
• 代理公司: 淮安市科文知識產(chǎn)權(quán)事務(wù)所 32223
• 代理人: 李鋒

本發(fā)明涉及太陽輻射預(yù)測技術(shù)領(lǐng)域，公開了一種基于深度BILSTM的太陽輻射預(yù)測方法，采用CEEMDAN將原始太陽輻射序列分解為子分量集合；對各所述分量，構(gòu)建獨(dú)立的雙向長短期記憶神經(jīng)網(wǎng)絡(luò)子模型；對各子分量的BILSTM模型采用SCA算法進(jìn)行優(yōu)化，輸出BILSTM模型的最佳參數(shù)；利用訓(xùn)練好的子分量SCA?BiLSTM模型計(jì)算目標(biāo)變量的預(yù)測值；將各子分量SCA?BiLSTM模型的預(yù)測值進(jìn)行聚合，得到CEN?SCA?BiLSTM模型的最終預(yù)報(bào)結(jié)果。與現(xiàn)有技術(shù)相比，本發(fā)明的預(yù)測方法能夠獲得高精度的太陽輻射預(yù)測值，對光伏資源的利用效率和電網(wǎng)的安全穩(wěn)定運(yùn)行具有重要作用。

技術(shù)領(lǐng)域

本發(fā)明涉及太陽輻射預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于深度BILSTM的太陽輻射預(yù)測方法。

背景技術(shù)

太陽能是來自太陽的輻射光和熱，是可再生能源的重要來源。據(jù)《可再生能源2019-?全球現(xiàn)狀報(bào)告》報(bào)道，2018年全球可再生能源新增裝機(jī)容量為181GW，其中太陽能光伏發(fā)電裝機(jī)容量為100GW，占可再生能源新增裝機(jī)容量的55％，其次是風(fēng)電51GW(28％)，再次是水電20GW(11％)。太陽能的巨大潛力使其成為發(fā)電和供熱的最有吸引力的能源之一。此外，高效的太陽能存儲技術(shù)，如光伏電池，使太陽能的使用具有成本效益和經(jīng)濟(jì)競爭力。光伏并網(wǎng)發(fā)電系統(tǒng)主要利用太陽輻射發(fā)電，然而，由于氣候和天氣變化的影響，太陽能具有間歇性、波動性和隨機(jī)性等特點(diǎn)，使得大規(guī)模光伏并網(wǎng)成為一項(xiàng)具有挑戰(zhàn)性的任務(wù)。因此，準(zhǔn)確可靠的太陽輻射預(yù)測對于電網(wǎng)安全穩(wěn)定運(yùn)行具有重要意義。

國內(nèi)外學(xué)者對太陽輻射預(yù)測進(jìn)行了大量的研究，取得了令人滿意的成果。這些方法主要分為遙感反演模型、物理輻射傳輸模型、數(shù)值天氣預(yù)報(bào)模型、經(jīng)驗(yàn)?zāi)Ｐ汀r(shí)間序列模型和機(jī)器學(xué)習(xí)模型等。然而，在上述幾類太陽輻射預(yù)測模型中，遙感反演、輻射傳輸模型和數(shù)值預(yù)報(bào)模型的輸入數(shù)據(jù)難以獲得，且計(jì)算成本高。經(jīng)驗(yàn)?zāi)Ｐ秃蜁r(shí)間序列模型的計(jì)算成本較低，但由于太陽輻射序列的間歇性和高采樣頻率，經(jīng)驗(yàn)?zāi)Ｐ汀r(shí)間序列模型和傳統(tǒng)機(jī)器學(xué)習(xí)模型對復(fù)雜非線性序列的學(xué)習(xí)能力有限，限制了輻射預(yù)測的要求，因此迫切需要一種新的方法以適應(yīng)大規(guī)模光電并網(wǎng)對高精度太陽輻射預(yù)測數(shù)據(jù)的需求。

發(fā)明內(nèi)容

發(fā)明目的：針對現(xiàn)有技術(shù)中存在的問題，本發(fā)明將雙向長短期記憶(BiLSTM)神經(jīng)網(wǎng)絡(luò)與正弦余弦算法(SCA)相結(jié)合，提出了一種基于深度BILSTM的太陽輻射預(yù)測方法，構(gòu)建BiLSTM子模型，并采用正弦余弦算法優(yōu)化BiLSTM模型的參數(shù)，優(yōu)選適用于特定分量預(yù)測的最優(yōu)模型參數(shù)，其具有更深層次和更強(qiáng)的非線性網(wǎng)絡(luò)結(jié)構(gòu)，將其應(yīng)用于太陽輻射預(yù)測領(lǐng)域，更好的實(shí)現(xiàn)太陽輻射的高精確預(yù)測。

技術(shù)方案：本發(fā)明提供了一種基于深度BILSTM的太陽輻射預(yù)測方法，包括如下步驟：

步驟1：數(shù)據(jù)收集，收集太陽輻射歷史數(shù)據(jù)，并將其分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集；

步驟2：對所述太陽輻射歷史數(shù)據(jù)進(jìn)行預(yù)處理，得到K個(gè)分量并構(gòu)建對應(yīng)的K個(gè)輸入矩陣，確定每個(gè)分量的訓(xùn)練矩陣和測試矩陣；

步驟3：對各所述分量，構(gòu)建獨(dú)立的雙向長短期記憶神經(jīng)網(wǎng)絡(luò)子模型；

步驟4：對各所述分量的獨(dú)立雙向長短期記憶神經(jīng)網(wǎng)絡(luò)子模型，采用正弦余弦算法對其進(jìn)行優(yōu)化與訓(xùn)練，輸出雙向長短期記憶神經(jīng)網(wǎng)絡(luò)子模型的最佳參數(shù)，訓(xùn)練得到各所述SCA-BiLSTM模型；

步驟5：利用訓(xùn)練好的各所述SCA-BiLSTM模型和其對應(yīng)的測試矩陣計(jì)算各所述SCA-BiLSTM模型的預(yù)測值；

步驟6：將各所述SCA-BiLSTM模型的預(yù)測值進(jìn)行聚合，得到CEN-SCA-BiLSTM模型的最終預(yù)報(bào)結(jié)果。

進(jìn)一步地，所述步驟2中對所述訓(xùn)練數(shù)據(jù)集預(yù)處理包括：

步驟2.1：采用CEEMDAN對太陽輻射數(shù)據(jù)集進(jìn)行分解，得到K-1個(gè)本征模態(tài)函數(shù)分量和一個(gè)殘差分量；