CN106651007A - 基于gru的光伏电站辐照度中长期预测的方法及装置 - Google Patents
基于gru的光伏电站辐照度中长期预测的方法及装置 Download PDFInfo
- Publication number
- CN106651007A CN106651007A CN201611042402.3A CN201611042402A CN106651007A CN 106651007 A CN106651007 A CN 106651007A CN 201611042402 A CN201611042402 A CN 201611042402A CN 106651007 A CN106651007 A CN 106651007A
- Authority
- CN
- China
- Prior art keywords
- gru
- neural network
- photovoltaic plant
- long
- irradiation level
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000007774 longterm Effects 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims description 54
- 238000012360 testing method Methods 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 18
- 238000009434 installation Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 210000004218 nerve net Anatomy 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 2
- 230000006386 memory function Effects 0.000 abstract description 2
- 238000005286 illumination Methods 0.000 description 5
- 238000013277 forecasting method Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明公开的一种基于GRU的光伏电站辐照度中长期预测的方法及装置,涉及光伏电站辐照度中长期预测的方法和装置,属于辐照度预测领域。本发明的方法包括如下步骤:采集光伏电站所在位置的太阳辐照度数据;基于GRU门限递归单元神经网络模型预测光伏电站所在位置的太阳辐照度;电力部门根据得到的辐照度预测结果进行中长期规划和调度,实现资源的合理利用,减少不合理增加装机量造成的设备损耗等问题。本发明还公开上述方法的实现装置,包括采集模块、预测模块和决策模块。本发明由于基于GRU门限递归单元神经网络模型具有记忆功能,能够实现光伏电站辐照度中长期预测,此外,本发明的方法及装置还具有准确高效,实现简单的优点。
Description
技术领域
本发明属于辐照度预测技术领域,具体涉及一种基于GRU(gated recurrentunit,门限递归单元)神经网络模型进行光伏电站辐照度中长期预测的方法和装置。
背景技术
由于光伏电站的普及度提高,太阳辐照度预测变得日益重要。为了确保电力系统的稳定运行,准确的辐照度预测至关重要。
但是目前大部分现存辐照度预测为短期预测,不能给电力系统的中长期规划和调度以指导性意见。而且,目前大部分预测方法都需要采集与辐照度相关的气象数据,如:温度、湿度和云量等,这些附加数据采集过程中的误差会对后续的辐照度预测产生一定的影响。可见,准确有效的、实现简单的、可有效的用于光伏电站辐照度中长期预测的方法和装置有待开发。
发明内容
本发明公开的一种基于GRU的光伏电站辐照度中长期预测的方法及装置,目的是提供一种光伏电站辐照度中长期预测方法和装置,实现光伏电站辐照度中长期预测。
本发明通过以下的技术方案实现以上发明目的。
本发明公开的一种基于GRU的光伏电站辐照度中长期预测的方法,包括如下步骤:
步骤一:采集光伏电站所在位置的太阳辐照度数据;
步骤二:将步骤一中采集光伏电站所在位置的太阳辐照度数据载入基于GRU门限递归单元神经网络模型,将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集。基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测,根据辐照度的训练集预测值和训练集真实值进行比较,得到训练集预测误差。通过误差反向传播(Error Back Propagation,BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数;
步骤三:将步骤二得到的网络参数带入基于GRU门限递归单元神经网络模型,通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力,从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度;
步骤四:电力部门根据步骤三得到的辐照度预测结果进行中长期规划和调度,实现资源的合理利用,减少不合理增加装机量造成的设备损耗等问题。
现有技术中光伏电站辐照度预测为1周以内的短期预测,本发明所述的中长期预测结果指1周以上的光伏电站辐照度预测,例如可以优选下一季度或下一年光伏电站的辐照度预测值。
所述训练集和验证集用于训练基于GRU门限递归单元神经网络模型,所述测试集用于测试基于GRU门限递归单元神经网络模型的预测能力。其中,通过误差反向传播(ErrorBack Propagation,BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数。验证集用于减少过度拟合,如果训练集的误差减小而验证集的误差不变或者增大,那么基于GRU门限递归单元神经网络模型出现过拟合,基于GRU门限递归单元神经网络模型应该停止训练。
通过训练集预测值和训练集真实值对比能够得到训练集误差率(loss);通过验证集预测值和验证集真实值对比能够得到验证集误差率(loss);通过测试集预测值和测试集真实值对比能够得到测试集误差率(loss)。
所述的真实值指步骤一中采集光伏电站所在位置的太阳辐照度数据。
优选地,步骤一中采集光伏电站所在位置的太阳辐照度数据优选为历史实测值。
所述的步骤二中基于GRU门限递归单元神经网络模型包括输入层、隐藏层和输出层,其中隐藏层包括更新门和重置门,通过公式(1)至(5),根据xt和ht-1进行更新ht:
zt=σ(Wzxxt+Wzhht-1+bz) (1)
rt=σ(Wrxxt+Wrhht-1+br) (2)
gt=rt⊙ht-1 (3)
其中,x和h为所述隐藏层的输入和输出,z和r分别为所述更新门和重置门,如何组合新输入和之前的记忆由重置门决定,留下多少之前的记忆由更新门决定。W为权重矩阵,b为偏置向量。σ为sigmoid函数,⊙为向量按元素的乘积。所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)=1/(1+e-x)和tanh(x)=(ex-e-x)/(ex+e-x)。
本发明还公开实现上述一种基于GRU的光伏电站辐照度中长期预测的方法的一种基于GRU的光伏电站辐照度中长期预测的装置,包括采集模块、预测模块和决策模块。
采集模块,用于采集指定光伏电站所在位置太阳辐照度数据;
预测模块,用基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测,得到辐照度的中长期预测结果。所述预测模块中将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集。预测模块中还根据辐照度的训练集预测值和训练集真实值进行比较,得到训练集预测误差,通过误差反向传播(Error Back Propagation,BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数,将得到的网络参数带入基于GRU门限递归单元神经网络模型,通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力,从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度;
决策模块,用于电力部门根据得到的辐照度预测结果进行中长期规划和调度,实现资源的合理利用,减少不合理增加装机量造成的设备损耗等问题。
现有技术中光伏电站辐照度预测为1周以内的短期预测,本发明所述的中长期预测结果指1周以上的光伏电站辐照度预测,例如可以优选下一季度或下一年光伏电站的辐照度预测值。
所述训练集和验证集用于训练基于GRU门限递归单元神经网络模型,所述测试集用于测试基于GRU门限递归单元神经网络模型的预测能力。其中,通过误差反向传播(ErrorBack Propagation,BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数。验证集用于减少过度拟合,如果训练集的误差减小而验证集的误差不变或者增大,那么基于GRU门限递归单元神经网络模型出现过拟合,基于GRU门限递归单元神经网络模型应该停止训练。
通过训练集预测值和训练集真实值对比能够得到训练集误差率(loss);通过验证集预测值和验证集真实值对比能够得到验证集误差率(loss);通过测试集预测值和测试集真实值对比能够得到测试集误差率(loss)。
优选地,所述所需的光伏电站所在位置的太阳辐照度数据为历史实测值。
所述基于GRU门限递归单元神经网络模型包括输入层、隐藏层和输出层,其中隐藏层包括更新门和重置门,通过公式(6)至(10),根据xt和ht-1进行更新ht:
zt=σ(Wzxxt+Wzhht-1+bz) (6)
rt=σ(Wrxxt+Wrhht-1+br) (7)
gt=rt⊙ht-1 (8)
其中,x和h为所述隐藏层的输入和输出,z和r分别为所述更新门和重置门,如何组合新输入和之前的记忆由重置门决定,留下多少之前的记忆由更新门决定。W为权重矩阵,b为偏置向量。σ为sigmoid函数,⊙为向量按元素的乘积。所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)=1/(1+e-x)和tanh(x)=(ex-e-x)/(ex+e-x)。
有益效果:
本发明公开的一种基于GRU的光伏电站辐照度中长期预测的方法及装置,基于GRU门限递归单元神经网络模型对光伏电站所在位置的太阳辐照度进行预测,由于基于GRU门限递归单元神经网络模型具有记忆功能,能够充分考虑历史辐照度对当前辐照度的影响,可以有效的用于电力部门对包括光伏电站在内的电力中长期规划和调度,实现资源的合理利用,减少不合理增加装机量造成的设备损耗等问题,此外,所述的中长期预测的方法及装置还具有准确高效,实现简单的优点。
附图说明
图1为本发明基于GRU的光伏电站辐照度中长期预测方法的流程图;
图2为本发明GRU隐藏层的结构图;
图3为本发明基于GRU的光伏电站辐照度中长期预测装置的结构框图。
本申请中附图仅作为示意型说明,以使本领域技术人员更容易理解本发明,采用这些附图并非用于对本发明产生任何限制。
具体实施方式
下面将结合附图说明和具体实施方式对本发明作进一步的详细说明。
实施例一
参照图1,本实施例公开的一种基于GRU的光伏电站辐照度中长期预测方法,具体包括如下步骤:
步骤K101:采集光伏电站所在位置的太阳辐照度数据。
太阳辐照度直接影响光伏电站发电功率,所述光伏电站所在位置的太阳辐照度数据需要提前采集获取,存储在本地数据库中。在数据输入GRU门限递归单元神经网络模型的实际应用中,所需调用的太阳辐照度数据在本发明中特指中长期数据,一般为两年以上。在实际应用中,辐照度数据采集工作一般实时进行。
步骤K102:将步骤K101中采集光伏电站所在位置的太阳辐照度数据载入基于GRU门限递归单元神经网络模型,将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集。基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测,根据辐照度的训练集预测值和训练集真实值进行比较,得到训练集预测误差。通过误差反向传播(Error Back Propagation,BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数。
步骤K103:将步骤K102得到的网络参数带入基于GRU门限递归单元神经网络模型,通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力,从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光状电站所在位置的太阳辐照度。
门限递归单元(gated recurrent unit,GRU)通常用于描述动态时间行为序列,将状态在自身网络中循环传递,由于存在当前输入与过去状态的连接,GRU具有优秀的记忆功能,使得历史输入信息对当前输出的影响也被考虑在内。
门限递归单元包括输入层、隐藏层和输出层。门限递归单元的核心是隐藏层的两个门,这些门可以选择性地让信息通过来控制历史数据对最终结果的影响。其中隐藏层的结构图参见图2,包括更新门和重置门,通过公式(11)至(15),根据xt和ht-1进行更新ht:
zt=σ(Wzxxt+Wzhht-1+bz) (11)
rt=σ(Wrxxt+Wrhht-1+br) (12)
gt=rt⊙ht-1 (13)
其中,x和h为所述隐藏层的输入和输出,z和r分别为所述更新门和重置门,如何组合新输入和之前的记忆由重置门决定,留下多少之前的记忆由更新门决定。W为权重矩阵,b为偏置向量。σ为sigmoid函数,⊙为向量按元素的乘积。所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)=1/(1+e-x)和tanh(x)=(ex-e-x)/(ex+e-x)。
步骤K101中采集的光伏电站辐照度数据,例如两年,在被输入到GRU门限递归单元神经网络模型中被分为训练集、验证集和测试集。三个数据集的比例可以由本领域技术人员采用适当方式进行设定,如可以根据采集的数据集大小和需要预测的数据集大小进行设定,或者采用人工经验设定,本发明对此不作限制。
所需预测的太阳辐照度预测在本发明中特指中长期预测,一般为1周以上,在实际应用中,一般可选下一季度或者下一年光伏电站的辐照度预测。
步骤K104:电力部门根据步骤K103得到的辐照度预测结果进行中长期规划和调度,实现资源的合理利用,减少不合理增加装机量造成的设备损耗等问题。
电力部门根据步骤K103得到的预测结果进行包括光伏电站在内的电力中长期规划和调度,如:预测结果若表明下一年光照强度明显增大,则可以提前适当安排增加光伏电站装机量。本发明对此不作限制。
本实施例,通过一种基于GRU的光伏电站辐照度中长期预测的方法,实现光伏电站辐照度中长期预测,充分考虑历史辐照度对当前辐照度的影响,为光伏电站的中长期规划和调度及整个电力系统的运行提供指导性意见,实现资源的合理利用,减少不合理增加装机量造成的设备损耗等问题。
实施例二
本发明实施例二中公开的一种基于GRU的光伏电站辐照度中长期预测装置的结构框图参见图3,包括:
采集模块K301,用于采集指定光伏电站所在位置太阳辐照度的数据。
在实际应用中,太阳辐照度采集模块需要合理安装在指定光伏电站所在位置,模块的安装位置和角度都会对数据采集工作产生一定影响。采集模块的选型、安装可以由本领域技术人员采用适当方式确定,或者采用人工经验确定,本发明对此不作限制。
预测模块K302,用基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测,得到辐照度的中长期预测结果。所述预测模块中将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集。预测模块中还根据辐照度的训练集预测值和训练集真实值进行比较,得到训练集预测误差,通过误差反向传播(Error BackPropagation,BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数,将得到的网络参数带入基于GRU门限递归单元神经网络模型,通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力,从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度。
决策模块K303,用于电力部门根据得到的辐照度预测结果进行中长期规划和调度,实现资源的合理利用,减少不合理增加装机量造成的设备损耗等问题。
所需预测的太阳辐照度预测在本发明中特指中长期预测,一般为1周以上,在实际应用中,一般可选下一季度或者下一年光伏电站的辐照度预测。
所述所需的光伏电站所在位置的太阳辐照度数据为采集模块K301采集的历史实测值。
所述采集模块K301采集的光伏电站辐照度数据,例如两年,在被输入到GRU门限递归单元神经网络模型中被分为训练集、验证集和测试集。三个数据集的比例可以由本领域技术人员采用适当方式进行设定,如可以根据采集的数据集大小和需要预测的数据集大小进行设定,或者采用人工经验设定,本发明对此不作限制。
所述基于GRU门限递归单元神经网络模型包括输入层、隐藏层和输出层,其中隐藏层包括更新门和重置门,通过公式(16)至(20),根据xt和ht-1进行更新ht:
zt=σ(Wzxxt+Wzhht-1+bz) (16)
rt=σ(Wrxxt+Wrhht-1+br) (17)
gt=rt⊙ht-1 (18)
其中,x和h为所述隐藏层的输入和输出,z和r分别为所述更新门和重置门,如何组合新输入和之前的记忆由重置门决定,留下多少之前的记忆由更新门决定。W为权重矩阵,b为偏置向量。σ为sigmoid函数,⊙为向量按元素的乘积。所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)=1/(1+e-x)和tanh(x)=(ex-e-x)/(ex+e-x)。
本实施例,通过基于GRU门限递归单元神经网络模型构造光伏电站辐照度中长期预测的装置,解决光伏电站辐照度中长期预测的问题,充分考虑历史辐照度对当前辐照度的影响,从而为光伏电站出力的中长期预测提供参考,为电力部门的中长期规划和调度提供一定参考。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上为本发明对基于GRU的光伏电站辐照度中长期预测的方法和装置的详细阐述。以上实施例仅为理解本发明的核心思想,本领域的技术人员在具体应用过程中会根据实际情况做出一些修正。综上,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于GRU的光伏电站辐照度中长期预测的方法,其特征在于:包括如下步骤:
步骤一:采集光伏电站所在位置的太阳辐照度数据;
步骤二:将步骤一中采集光伏电站所在位置的太阳辐照度数据载入基于GRU门限递归单元神经网络模型,将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集;基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测,根据辐照度的训练集预测值和训练集真实值进行比较,得到训练集预测误差;通过误差反向传播(Error Back Propagation,BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数;
步骤三:将步骤二得到的网络参数带入基于GRU门限递归单元神经网络模型,通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力,从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度。
2.如权利要求1所述的一种基于GRU的光伏电站辐照度中长期预测的方法,其特征在于,还包括步骤四:电力部门根据步骤三得到的辐照度预测结果进行中长期规划和调度,实现资源的合理利用,减少不合理增加装机量造成的设备损耗等问题。
3.如权利要求1或2所述的一种基于GRU的光伏电站辐照度中长期预测的方法,其特征在于:所述的步骤二中基于GRU门限递归单元神经网络模型包括输入层、隐藏层和输出层,其中隐藏层包括更新门和重置门,通过公式(1)至(5),根据xt和ht-1进行更新ht:
zt=σ(Wzxxt+Wzhht-1+bz) (1)
rt=σ(Wrxxt+Wrhht-1+br) (2)
gt=rt⊙ht-1 (3)
其中,x和h为所述隐藏层的输入和输出,z和r分别为所述更新门和重置门,如何组合新输入和之前的记忆由重置门决定,留下多少之前的记忆由更新门决定;W为权重矩阵,b为偏置向量;σ为sigmoid函数,⊙为向量按元素的乘积;所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)=1/(1+e-x)和tanh(x)=(ex-e-x)/(ex+e-x)。
4.如权利要求3所述的一种基于GRU的光伏电站辐照度中长期预测的方法,其特征在于:所述训练集和验证集用于训练基于GRU门限递归单元神经网络模型,所述测试集用于测试基于GRU门限递归单元神经网络模型的预测能力;其中,通过误差反向传播(Error BackPropagation,BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数;验证集用于减少过度拟合,如果训练集的误差减小而验证集的误差不变或者增大,那么基于GRU门限递归单元神经网络模型出现过拟合,基于GRU门限递归单元神经网络模型应该停止训练。
5.如权利要求3所述的一种基于GRU的光伏电站辐照度中长期预测的方法,其特征在于:所述的步骤一中采集光伏电站所在位置的太阳辐照度数据为历史实测值。
6.如权利要求5所述的一种基于GRU的光伏电站辐照度中长期预测的方法,其特征在于:所述的中长期预测结果指1周以上的光伏电站辐照度预测。
7.一种基于GRU的光伏电站辐照度中长期预测的装置,其特征在于:包括采集模块、预测模块和决策模块。
采集模块,用于采集指定光伏电站所在位置太阳辐照度数据;
预测模块,用基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测,得到辐照度的中长期预测结果;所述预测模块中将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集;预测模块中还根据辐照度的训练集预测值和训练集真实值进行比较,得到训练集预测误差,通过误差反向传播(Error Back Propagation,BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数,将得到的网络参数带入基于GRU门限递归单元神经网络模型,通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力,从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度;
决策模块,用于电力部门根据得到的辐照度预测结果进行中长期规划和调度,实现资源的合理利用,减少不合理增加装机量造成的设备损耗等问题。
8.如权利要求7所述的一种基于GRU的光伏电站辐照度中长期预测的装置,其特征在于:所述基于GRU门限递归单元神经网络模型包括输入层、隐藏层和输出层,其中隐藏层包括更新门和重置门,通过公式(6)至(10),根据xt和ht-1进行更新ht:
zt=σ(Wzxxt+Wzhht-1+bz) (6)
rt=σ(Wrxxt+Wrhht-1+br) (7)
gt=rt⊙ht-1 (8)
其中,x和h为所述隐藏层的输入和输出,z和r分别为所述更新门和重置门,如何组合新输入和之前的记忆由重置门决定,留下多少之前的记忆由更新门决定;W为权重矩阵,b为偏置向量;σ为sigmoid函数,⊙为向量按元素的乘积;所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)=1/(1+e-x)和tanh(x)=(ex-e-x)/(ex+e-x)。
9.如权利要求7或8所述的一种基于GRU的光伏电站辐照度中长期预测的装置,其特征在于:所述训练集和验证集用于训练基于GRU门限递归单元神经网络模型,所述测试集用于测试基于GRU门限递归单元神经网络模型的预测能力;其中,通过误差反向传播(ErrorBack Propagation,BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数;验证集用于减少过度拟合,如果训练集的误差减小而验证集的误差不变或者增大,那么基于GRU门限递归单元神经网络模型出现过拟合,基于GRU门限递归单元神经网络模型应该停止训练。
10.如权利要求9所述的一种基于GRU的光伏电站辐照度中长期预测的装置,其特征在于:所述所需的光伏电站所在位置的太阳辐照度数据为历史实测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611042402.3A CN106651007A (zh) | 2016-11-24 | 2016-11-24 | 基于gru的光伏电站辐照度中长期预测的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611042402.3A CN106651007A (zh) | 2016-11-24 | 2016-11-24 | 基于gru的光伏电站辐照度中长期预测的方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106651007A true CN106651007A (zh) | 2017-05-10 |
Family
ID=58811387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611042402.3A Pending CN106651007A (zh) | 2016-11-24 | 2016-11-24 | 基于gru的光伏电站辐照度中长期预测的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651007A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563122A (zh) * | 2017-09-20 | 2018-01-09 | 长沙学院 | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 |
CN108345219A (zh) * | 2018-03-01 | 2018-07-31 | 东华大学 | 基于类脑记忆gru的聚酰胺纤维生产工艺 |
CN108415810A (zh) * | 2018-03-15 | 2018-08-17 | 中国人民解放军国防科技大学 | 一种硬盘状态监控方法和装置 |
CN108428023A (zh) * | 2018-05-24 | 2018-08-21 | 四川大学 | 基于量子加权门限重复单元神经网络的趋势预测方法 |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
CN110334870A (zh) * | 2019-07-09 | 2019-10-15 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
CN110991776A (zh) * | 2020-03-04 | 2020-04-10 | 浙江鹏信信息科技股份有限公司 | 一种基于gru网络实现水位预测的方法及系统 |
CN112215478A (zh) * | 2020-09-27 | 2021-01-12 | 珠海博威电气股份有限公司 | 光储电站的功率协调控制方法和装置、存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN105975504A (zh) * | 2016-04-28 | 2016-09-28 | 中国科学院计算技术研究所 | 一种基于循环神经网络的社交网络消息爆发检测方法及系统 |
-
2016
- 2016-11-24 CN CN201611042402.3A patent/CN106651007A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103559561A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 一种光伏电站辐照度的超短期预测方法 |
CN105184678A (zh) * | 2015-09-18 | 2015-12-23 | 齐齐哈尔大学 | 基于多种神经网络组合算法的光伏电站发电量短期预测模型的构建方法 |
CN105975504A (zh) * | 2016-04-28 | 2016-09-28 | 中国科学院计算技术研究所 | 一种基于循环神经网络的社交网络消息爆发检测方法及系统 |
Non-Patent Citations (3)
Title |
---|
DANIEL M. RILEY 等: "COMPARISON OF A RECURRENT NEURAL NETWORK PV SYSTEM MODEL WITH A TRADITIONAL COMPONENT-BASED PV SYSTEM MODEL", 《IEEE PHOTOVOLTAIC SPECIALISTS CONFERENCE》 * |
周国兵: "最少门结构的循环神经网络及其应用", 《中国优秀硕士学位论文全文数据库(电子期刊)信息科技辑》 * |
王飞 等: "基于神经网络与关联数据的光伏电站发电功率", 《太阳能学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563122A (zh) * | 2017-09-20 | 2018-01-09 | 长沙学院 | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 |
CN107563122B (zh) * | 2017-09-20 | 2020-05-19 | 长沙学院 | 基于交织时间序列局部连接循环神经网络的犯罪预测方法 |
CN108345219A (zh) * | 2018-03-01 | 2018-07-31 | 东华大学 | 基于类脑记忆gru的聚酰胺纤维生产工艺 |
CN108415810B (zh) * | 2018-03-15 | 2021-05-11 | 中国人民解放军国防科技大学 | 一种硬盘状态监控方法和装置 |
CN108415810A (zh) * | 2018-03-15 | 2018-08-17 | 中国人民解放军国防科技大学 | 一种硬盘状态监控方法和装置 |
CN108428023A (zh) * | 2018-05-24 | 2018-08-21 | 四川大学 | 基于量子加权门限重复单元神经网络的趋势预测方法 |
CN108428023B (zh) * | 2018-05-24 | 2022-03-15 | 四川大学 | 基于量子加权门限重复单元神经网络的趋势预测方法 |
CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
CN110334870A (zh) * | 2019-07-09 | 2019-10-15 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
CN110334870B (zh) * | 2019-07-09 | 2022-05-31 | 福州大学 | 基于门控循环单元网络的光伏电站短期功率预测方法 |
CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
CN110991776A (zh) * | 2020-03-04 | 2020-04-10 | 浙江鹏信信息科技股份有限公司 | 一种基于gru网络实现水位预测的方法及系统 |
CN112215478A (zh) * | 2020-09-27 | 2021-01-12 | 珠海博威电气股份有限公司 | 光储电站的功率协调控制方法和装置、存储介质 |
CN112215478B (zh) * | 2020-09-27 | 2024-05-28 | 珠海博威电气股份有限公司 | 光储电站的功率协调控制方法和装置、存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651007A (zh) | 基于gru的光伏电站辐照度中长期预测的方法及装置 | |
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
Ghadimi et al. | PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives | |
CN103390116B (zh) | 采用分步方式的光伏电站发电功率预测方法 | |
CN110929963A (zh) | 风速预测方法、装置以及存储介质 | |
CN107909212B (zh) | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 | |
CN104217113B (zh) | 基于储能概率模型的独立风光储系统可靠性评估方法 | |
CN110235329A (zh) | 量化电力网中相互依赖的不确定资源的组合效应 | |
CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
CN109886452A (zh) | 一种基于经验动态建模的风电功率超短期概率预测方法及系统 | |
CN112116130A (zh) | 一种基于可变结构深度学习框架的短期调度规则提取方法 | |
CN110490359A (zh) | 考虑极端气象动态的配电网停电范围预测方法及系统 | |
Al Karim et al. | A machine learning based optimized energy dispatching scheme for restoring a hybrid microgrid | |
Du et al. | Applying deep convolutional neural network for fast security assessment with N-1 contingency | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
Wibawa et al. | Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal | |
CN107194507A (zh) | 一种基于组合支持向量机的风电场短期风速预测方法 | |
Heydari et al. | Prediction of wind power generation through combining particle swarm optimization and elman neural network (El-PSO) | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
CN115840794B (zh) | 一种基于gis和rl模型的光伏系统规划方法 | |
Riquelme-Dominguez et al. | A machine learning-based methodology for short-term kinetic energy forecasting with real-time application: Nordic Power System case | |
Sharma et al. | Renewable energy systems energy modeling using deep learning techniques | |
CN105205560A (zh) | 一种基于正负误差变权的光伏发电功率预测方法 | |
CN105243446A (zh) | 一种基于粒子群算法的电量组合预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
DD01 | Delivery of document by public notice |
Addressee: Mao Yan Document name: Notification of Passing Examination on Formalities |
|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170510 |
|
WD01 | Invention patent application deemed withdrawn after publication |