CN111898825A - 一种光伏发电功率短期预测方法及装置 - Google Patents

Abstract

本发明公开了一种光伏发电功率短期预测方法及装置，包括数据输入输出及处理模块、模型参数优化模块和预测模型训练及应用模块。其中数据输入输出及处理模块包括原始数据归一化和预测结果反归一化单元、GA编码单元和GA适应度函数计算单元；模型参数优化模块包括RBM初始参数优化单元和RBM模型训练与NARX参数初始化单元；预测模型训练及应用模块即NARX神经网络训练及应用单元。

Description

一种光伏发电功率短期预测方法及装置

技术领域

本发明属于光伏发电领域，尤其涉及一种基于改进NARX神经网络算法的分布式光伏发电功率短期预测方法及装置。

背景技术

光伏发电系统受环境影响较为明显，具体表现在波动性、不确定性和间歇性，由于环境的变化会直接影响到光伏发电功率的多少，从而降低了光伏发电功率的预测精度。因此，建立行之有效的光伏发电功率短期预测模型对电网的安全调度和经济管理具有重要的意义。

迄今为止，学者们对光伏发电功率预测进行了不同层次的研究，其研究方法主要包括两种：统计预测方法和人工智能预测方法。在统计预测方法方面，建立多元线性回归预测算法进行光伏发电功率预测，模型的输入参数为风速和历史光伏发电功率。建立灰色神经网络组合模型，将温度和太阳辐射强度作为模型输入参数，预测未来24小时的光伏发电功率。在人工智能预测方法方面，采用距离分析法将发电功率与气象因素关联起来，输入因子确定为气温和湿度，建立基于BP神经网络的发电功率短期预测模型。通过建立循环神经网络(Recurrent Neural Network,RNN)的光伏发电功率预测模型，输入参数为辐照强度、温度、压力、时间和湿度。另外将不同天气类型下的辐照度作为特征参数，建立基于支持向量机(Support Vector Machine,SVM)的天气状态模式识别模型。建立动态贝叶斯网络的光伏发电短期概率预测模型，通过分析影响光伏发电功率的多种环境因素及各因素之间的关联，再依据当前时刻的影响因素预测短期光伏发电功率的概率分布。

也有相关文献基于NARX神经网络的光伏发电功率预测，将太阳能辐射量和电池板温度作为光伏发电功率的影响因素。NARX神经网络相比传统BP神经网络增加了时间序列的学习能力，但其在一定程度上继承了广义神经网络的特征，存在以下缺陷：收敛速度慢，容易陷入局部最优。同时也有文献提出基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测模型，利用遗传算法对深度受限玻耳兹曼机进行参数优化，解决了深度受限玻尔兹曼机可能会求得局部最小值和收敛速度慢等问题。

发明内容

针对上述问题，本发明为准确地预测光伏发电功率,以节约资源,提出了一种基于改进非线性自回归模型(NARX)神经网络算法的光伏发电功率短期预测模型。通过皮尔森相关分析选择影响发电功率的环境因素,利用遗传算法(GA)优化受限玻耳兹曼机(RBM)模型参数,避免陷入局部最优；利用优化后的RBM模型初始化NARX神经网络的参数。

GARBM-NARX算法采用遗传算法(GA)优化受限玻尔兹曼机(RBM)，主要有以下两个优点，一是利用GA为RBM选择训练数据的维数；二是利用GA来设定RBM的隐单元个数。采用优化后的RBM模型初始化NARX神经网络的权值和阈值，可以提高模型精度和训练速度。

为实现上述目的，本发明采取以下技术方案：

一种光伏发电功率短期预测方法及装置，包括数据输入输出及处理模块、模型参数优化模块和预测模型训练及应用模块。其中数据输入输出及处理模块包括原始数据归一化和预测结果反归一化单元、GA编码单元和GA适应度函数计算单元；模型参数优化模块包括RBM初始参数优化单元和RBM模型训练与NARX参数初始化单元；预测模型训练及应用模块即NARX神经网络训练及应用单元。

(1)数据输入输出及处理模块

①原始数据归一化和预测结果反归一化

由于输入参数总辐射、温度和风速在数量级上存在一定差异，计算过程中容易出现“大数吃小数”的问题，因此需要对数据进行预处理，本专利采用归一化的数据预处理方式。归一化可以让不同维度之间的特征在数值上有一定比较性，从而提高分类器的准确性。归一化公式为：

其中Z、Z_min、Z_max分别表示原始输入特征向量(总辐射、温度和风速构成的特征向量矩阵)、原始输入特征向量的最大和最小值。

对原始数据归一化后，通过预测模型输出的值需要进行反归一化，反归一化公式如下：

Z＝Z_n(Z_max-Z_min)+Z_min

②GA编码单元

遗传算法的编码方式有二进制编码、实数编码以及浮点数编码。根据RBM模型参数的特性可知，参数θ＝{w_ij,a_i,b_j}的计算是一个连续且复杂的非线性优化问题。因此本专利在优化RBM参数上选择采用浮点数编码方式，其相比二进制编码来说可以降低参数θ的计算复杂性，进而提高计算效率。

③GA适应度函数计算

针对RBM模型的个体适应度函数的设计需考虑以下两个因素：RBM模型对训练样本的似然程度和可见层单元维数对RBM的训练作用。对于第一个因素，用重构误差的方法来评价训练样本的似然程度，第j次迭代的重构误差如下：

其中，M,N分别是训练样本的个数和可见层的维数，可见层为输入层，包括总辐射、温度和风速，P_m,i为测试数据集中第m个样本第i维的数据值，P′_m,i为训练迭代后计算得到的第m个样本第i维的数据值。

对于第二个因素，可见层单元维数会影响整个模型的效率和精度，主要体现在以下两个方面：

①过多的可见单元会影响RBM训练效率；

②过少的可见单元难以确保训练数据涵盖特征信息量。

因此可将第k个个体的适应度函数定义如下：

F(k)＝min(Error_K/(M×N))

其中，Error_K表示RBM在进行K次迭代后最小的重构误差，M是训练样本的个数，N是可见层的维数。

(2)模型参数优化模块

①RBM初始参数优化

本专利采用GA优化RBM(GA-RBM)的初始参数，算法介绍如下：

GA是一种随机化的全局寻优算法。其借鉴生物进化的思想，通过遗传算子的操作对种群进行连续迭代，直至达到最优解。

利用GA-RBM对功率预测算法进行优化，重构预测模型输入特征向量，对于给定状态的(v,h)，能量函数E_θ(v,h)定义如下：

其中，θ为参数集{w_ij,a_i,b_j}，w_ij为第i个可见层单元和第j个隐藏层单元之间连接权重，a_i为可见层单元的偏置值，b_j为隐藏层单元的偏置值，v为原始光伏发电预测输入向量，包括总辐射、温度和风速，h为重构后的光伏发电预测输入向量。当确定了RBM模型的网络参数后，就可以依据能量函数计算矢量(v,h)的联合概率分布p_θ(v,h)，具体公式如下：

其中，Z_θ为归一化因子，

根据RBM模型层内神经元间无连接，层间神经元全连接的特性，当可见层单元的状态为固定值时，第j个隐藏层单元的激活状态概率值为：

p(h_j|v)＝sigmoid(∑_iw_ijv_i+b_j)

其中，

同理可求出从隐藏层神经元到可见层神经元的概率值为：

p(v_i|h)＝sigmoid(∑_jw_ijh_j+a_i)

训练RBM的首要目的就是要找到一组参数θ＝{w_ij,a_i,b_j}，使其能够更精确的拟合训练数据集。

利用遗传算法，通过选择、交叉和变异三个操作不断更新RBM模型参数θ＝{w_ij,a_i,b_j}，使其达到最优。

②RBM模型训练与NARX参数初始化

NARX神经网络是循环神经网络(RNN)中的一类，是一种具有记忆功能的网络。与BP神经网络不同，NARX神经网络包含了多步输入输出的时延，这使NARX神经网络对历史数据敏感，从而使网络具有动态存储功能，其网络模型定义为：

其中，f为非线性函数，y_n+1为网络的输出变量，即预测时刻的功率值，u_n为模型的输入变量。

为模型的历史输出，即NARX神经网络历史预测功率值，

为模型时延后的输入变量。

NARX神经网络采用三层网络模型结构，即输入层、隐含层和输出层，输入层向量为原始总辐射、温度和风速数据经RBM训练后的预测结果，输出层向量为总有功功率。令w′_i,j为输入层第i个神经元到隐含层第j个元素的权重，a′_i,j为隐含层神经元的偏置值，w″_i,j为隐含层到输出层权重，b′_i,j为输出神经元的偏置值。NARX神经网络的目标就是通过多次训练样本数据以求出ψ＝{w′,w″,a′,b′}最优权值系数。

将优化后的参数θ＝{w_ij,a_i,b_j}与样本数据一起进行RBM训练，从而求得NARX神经网络参数ψ＝{w′,w″,a′,b′}的初始值。具体操作过程为：

a.确定RBM训练样本集合S、训练周期J、学习率η和CD-k算法参数k，初始参数θ确定为经遗传算法优化后的值。

b.调用CD-k算法生成Δw、Δa和Δb，并利用下式进行参数θ＝{w_ij,a_i,b_j}的更新，在训练周期内确定最优参数θ。

c.选择一组样本数据经过RBM训练，将其预测结果作为NARX神经网络的输入，从而生成NARX初始参数ψ＝{w′,w″,a′,b′}。

(3)预测模型训练及应用模块

首先通过遗传算法优化RBM，获取RBM优化后的初始参数值；然后对RBM神经网络进行训练，采用CD-k算法和Gibbs采样法调整RBM的参数；通过遗传算法和受限玻耳兹曼机优化得到NARX初始参数ψ后，再进行NARX神经网络训练。其中，NARX输入层到隐含层的激活函数采用tanh函数，隐含层到输出层的激活函数采用purelin函数，即线性函数f(x)＝x。利用莱文伯格-马夸特(Levenberg-Marquardt，LM)学习算法进行模型训练，在误差范围内不断更新参数，最终输出最优解。

有益效果

本发明由于采取以上技术方案，与现有技术相比具有以下优点：

本专利建立的改进NARX神经网络算法的光伏发电功率短期预测模型，相比较NARX神经网络预测模型，GARBM-NARX模型的训练耗时更短，收敛速度更快，预测精度更高，并且针对不同的天气类型，模型都表现出较高的预测精度。

附图说明

图1是本发明的NARX神经网络结构图。

图2是本发明的GARBM-NARX模型流程图。

图3是本发明的功能模块框图。

图4是本发明实施例的种群适应度变化趋势图。

图5是本发明实施例的GARBM-NARX和NARX模型同实际发电功率的结果对比图。

图6是本发明实施例的GARBM-NARX和NARX模型预测与实际发电功率的误差比较图。

图7是本发明实施例的晴天类型GARBM-NARX与GA-RBM预测发电功率比较图。

图8是本发明实施例的多云类型GARBM-NARX与GA-RBM预测发电功率比较图。

图9是本发明实施例的雨天类型GARBM-NARX与GA-RBM预测发电功率比较图。

表1是GARBM-NARX模型相关参数。

表2是本发明实施例的误差评价指标对比(晴天)。

表3是本发明实施例的误差评价指标对比(多云)。

表4是本发明实施例的误差评价指标对比(雨天)。

具体实施方式

下面结合附图和实施例对本发明的进行详细的描述。

实施例采用我国某光伏发电站2019年1月的实测数据及相关天气预报数据作为样本数据，对已建立的光伏发电预测模型进行有效性验证。共计样本数据8264组，并将样本数据划分为10个互斥子集，且各子集容量接近，使用10折交叉验证法进行参数寻优，将其中的9个子集作为训练集，剩下的一个子集作为测试集，循环测试10次，将10次预测结果的均值作为模型的最终输出结果，以防止模型产生过拟合的风险。

采用本专利提出的GARBM-NARX光伏发电功率短期预测模型，以历史光伏发电功率和环境因素中的总辐射、温度和风速作为模型的输入参数，输出为预测的光伏发电功率。模型分别在晴天，雨天和多云三种不同天气类型下进行预测，采样时间段取09:00-20:00，每隔15分钟预测一次光伏发电功率。表1为模型参数初始值。

表1

图3为遗传算法操作过程中种群适应度的变化曲线。从图3可以看出，随着迭代次数的增加，种群中个体适应度和最优适应度均有减小的趋势，且两者在数值上的差异逐渐减小。这表明随着迭代次数的增加，种群之间的个体差异越来越小，进而使得RBM结构趋于最优化，进一步说明了GA优化RBM的正确性和可行性。

为验证本专利所建模型(GARBM-NARX)的优越性，本专利做了两个对比试验：1)首先将GARBM-NARX与NARX神经网络算法进行对比，验证GARBM-NARX算法在训练速度上的提升；2)将GARBM-NARX算法与GA-RBM算法的预测结果进行对比，验证本专利在预测精度上的提升。

图4为GARBM-NARX和NARX模型同实际发电功率的结果对比图，图5为两种模型分别与实际发电功率的误差比较图。从图4和图5中可以看出，优化后的NARX模型精度更高，而且根据统计，NARX预测模型训练耗时为13.131s，GARBM-NARX预测模型训练耗时为7.153s。这表明用GA和RBM去优化NARX神经网络有效的缩小了NARX参数寻优的范围，提高了预测模型的精度和效率。

本专利所建立的GARBM-NARX预测模型与GA-RBM预测模型分别在晴天、多云和雨天天气类型下对发电功率预测的结果对比如图6-8所示。从结果中可以看出，GARBM-NARX模型在不同天气类型下都表现出较高的预测精确度，进一步验证了模型的可靠性。

表2-4中分别计算了三种不同天气类型下的误差评价指标，具体包括：均方误差(MSE)、平均绝对误差(MAE)和平均绝对百分误差(MAPE)。从表中可以看出，在不同天气类型下，GARBM-NARX预测模型的各项指标均优于GA-RBM预测模型，性能提升的原因在于NARX神经网络在训练时考虑了数据的时序性，并将历史输出数据也作为输入数据带入模型中进行训练，得到的结果会比遗传算法优化受限玻耳兹曼机的预测模型精度更高。用GA和RBM去优化NARX神经网络，避免其陷入局部最小值，使得NARX神经网络更好的去拟合输入数据，提高了预测模型的精确性。

表2

表3

算法	MSE	MAE	MAPE
				GA-RBM	0.0821	0.2101	0.2641
GARBM-NARX	0.0432	0.0546	0.0733
				NARX	0.1034	0.2246	0.1862

表4

算法	MSE	MAE	MAPE
				GA-RBM	0.0846	0.3156	0.2462
GARBM-NARX	0.0246	0.0654	0.0512
				NARX	0.0647	0.2134	0.1846

Claims (3)

1.一种光伏发电功率短期预测装置，其特征在于，包括数据输入输出及处理模块、模型参数优化模块和预测模型训练及应用模块；其中数据输入输出及处理模块包括原始数据归一化和预测结果反归一化单元、GA编码单元和GA适应度函数计算单元；模型参数优化模块包括RBM初始参数优化单元和RBM模型训练与NARX参数初始化单元；预测模型训练及应用模块即NARX神经网络训练及应用单元。

2.采用权利要求1所述的一种光伏发电功率短期预测装置的应用方法，其特征在于，应用于光伏功率预测数据处理的改进GA-RBM模型参数优化适应度函数选择；

针对RBM模型的个体适应度函数的设计需考虑以下两个因素：RBM模型对训练样本的似然程度和可见层单元维数对RBM的训练作用；对于第一个因素，用重构误差的方法来评价训练样本的似然程度，第j次迭代的重构误差如下：

其中，M,N分别是训练样本的个数和可见层的维数，可见层为输入层，包括总辐射、温度和风速，P_m,i为测试数据集中第m个样本第i维的数据值，P′_m,i为训练迭代后计算得到的第m个样本第i维的数据值；

对于第二个因素，可见层单元维数会影响整个模型的效率和精度，主要体现在以下两个方面：

①过多的可见单元会影响RBM训练效率；

②过少的可见单元难以确保训练数据涵盖特征信息量。

因此可将第k个个体的适应度函数定义如下：

F(k)＝min(Error_K/(M×N))

其中，Error_K表示RBM在进行K次迭代后最小的重构误差，M是训练样本的个数，N是可见层的维数。

3.根据权利要求2所述的一种光伏发电功率短期预测装置的应用方法，其特征在于，所述应用于光伏功率预测数据处理的改进GA-RBM模型的参数优化步骤如下：

利用GA-RBM对功率预测算法进行优化，重构预测模型输入特征向量，对于给定状态的(v,h)，能量函数E_θ(v,h)定义如下：

其中，θ为参数集{w_ij,a_i,b_j}，w_ij为第i个可见层单元和第j个隐藏层单元之间连接权重，a_i为可见层单元的偏置值，b_j为隐藏层单元的偏置值，v为原始光伏发电预测输入向量，包括总辐射、温度和风速，h为重构后的光伏发电预测输入向量；当确定了RBM模型的网络参数后，就可以依据能量函数计算矢量(v,h)的联合概率分布p_θ(v,h)，具体公式如下：

其中，Z_θ为归一化因子，

根据RBM模型层内神经元间无连接，层间神经元全连接的特性，当可见层单元的状态为固定值时，第j个隐藏层单元的激活状态概率值为：

p(h_j|v)＝sigmoid(∑_iw_ijv_i+b_j)

其中，

同理可求出从隐藏层神经元到可见层神经元的概率值为：

p(v_i|h)＝sigmoid(∑_jw_ijh_j+a_i)

训练RBM的首要目的就是要找到一组参数θ＝{w_ij,a_i,b_j}，使其能够更精确的拟合训练数据集。

利用遗传算法，通过选择、交叉和变异三个操作不断更新RBM模型参数θ＝{w_ij,a_i,b_j}，使其达到最优。

Images