CN112100911B - 一种基于深度bilstm的太阳辐射预测方法 - Google Patents

一种基于深度bilstm的太阳辐射预测方法 Download PDF

Info

Publication number
CN112100911B
CN112100911B CN202010935820.5A CN202010935820A CN112100911B CN 112100911 B CN112100911 B CN 112100911B CN 202010935820 A CN202010935820 A CN 202010935820A CN 112100911 B CN112100911 B CN 112100911B
Authority
CN
China
Prior art keywords
bilstm
model
solar radiation
sca
neural network
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.)
Active
Application number
CN202010935820.5A
Other languages
English (en)
Other versions
CN112100911A (zh
Inventor
张楚
彭甜
王业琴
赵环宇
纪捷
孙娜
夏鑫
孙伟
成佳伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Shangximu Intelligent Technology Co ltd
Original Assignee
Huaiyin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN202010935820.5A priority Critical patent/CN112100911B/zh
Publication of CN112100911A publication Critical patent/CN112100911A/zh
Application granted granted Critical
Publication of CN112100911B publication Critical patent/CN112100911B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明涉及太阳辐射预测技术领域，公开了一种基于深度BILSTM的太阳辐射预测方法，采用CEEMDAN将原始太阳辐射序列分解为子分量集合；对各所述分量，构建独立的双向长短期记忆神经网络子模型；对各子分量的BILSTM模型采用SCA算法进行优化，输出BILSTM模型的最佳参数；利用训练好的子分量SCA‑BiLSTM模型计算目标变量的预测值；将各子分量SCA‑BiLSTM模型的预测值进行聚合，得到CEN‑SCA‑BiLSTM模型的最终预报结果。与现有技术相比，本发明的预测方法能够获得高精度的太阳辐射预测值，对光伏资源的利用效率和电网的安全稳定运行具有重要作用。

Description

一种基于深度BILSTM的太阳辐射预测方法
技术领域
本发明涉及太阳辐射预测技术领域，具体涉及一种基于深度BILSTM的太阳辐射预测方法。
背景技术
太阳能是来自太阳的辐射光和热，是可再生能源的重要来源。据《可再生能源2019- 全球现状报告》报道，2018年全球可再生能源新增装机容量为181GW，其中太阳能光伏发电装机容量为100GW，占可再生能源新增装机容量的55％，其次是风电51GW(28％)，再次是水电20GW(11％)。太阳能的巨大潜力使其成为发电和供热的最有吸引力的能源之一。此外，高效的太阳能存储技术，如光伏电池，使太阳能的使用具有成本效益和经济竞争力。光伏并网发电系统主要利用太阳辐射发电，然而，由于气候和天气变化的影响，太阳能具有间歇性、波动性和随机性等特点，使得大规模光伏并网成为一项具有挑战性的任务。因此，准确可靠的太阳辐射预测对于电网安全稳定运行具有重要意义。
国内外学者对太阳辐射预测进行了大量的研究，取得了令人满意的成果。这些方法主要分为遥感反演模型、物理辐射传输模型、数值天气预报模型、经验模型、时间序列模型和机器学习模型等。然而，在上述几类太阳辐射预测模型中，遥感反演、辐射传输模型和数值预报模型的输入数据难以获得，且计算成本高。经验模型和时间序列模型的计算成本较低，但由于太阳辐射序列的间歇性和高采样频率，经验模型、时间序列模型和传统机器学习模型对复杂非线性序列的学习能力有限，限制了辐射预测的要求，因此迫切需要一种新的方法以适应大规模光电并网对高精度太阳辐射预测数据的需求。
发明内容
发明目的：针对现有技术中存在的问题，本发明将双向长短期记忆(BiLSTM)神经网络与正弦余弦算法(SCA)相结合，提出了一种基于深度BILSTM的太阳辐射预测方法，构建BiLSTM子模型，并采用正弦余弦算法优化BiLSTM模型的参数，优选适用于特定分量预测的最优模型参数，其具有更深层次和更强的非线性网络结构，将其应用于太阳辐射预测领域，更好的实现太阳辐射的高精确预测。
技术方案：本发明提供了一种基于深度BILSTM的太阳辐射预测方法，包括如下步骤：
步骤1：数据收集，收集太阳辐射历史数据，并将其分为训练数据集和测试数据集；
步骤2：对所述太阳辐射历史数据进行预处理，得到K个分量并构建对应的K个输入矩阵，确定每个分量的训练矩阵和测试矩阵；
步骤3：对各所述分量，构建独立的双向长短期记忆神经网络子模型；
步骤4：对各所述分量的独立双向长短期记忆神经网络子模型，采用正弦余弦算法对其进行优化与训练，输出双向长短期记忆神经网络子模型的最佳参数，训练得到各所述SCA-BiLSTM模型；
步骤5：利用训练好的各所述SCA-BiLSTM模型和其对应的测试矩阵计算各所述SCA-BiLSTM模型的预测值；
步骤6：将各所述SCA-BiLSTM模型的预测值进行聚合，得到CEN-SCA-BiLSTM模型的最终预报结果。
进一步地，所述步骤2中对所述训练数据集预处理包括：
步骤2.1：采用CEEMDAN对太阳辐射数据集进行分解，得到K-1个本征模态函数分量和一个残差分量；
步骤2.2：对各所述分量采用两种统计方法，即自相关函数和偏自相关函数分析变量间的相关关系，以确定太阳辐射序列相关因子，构建输入矩阵，并将所有输入矩阵和目标变量规范化为[0,1]，确定每个分量的训练矩阵和测试矩阵。
进一步地，所述步骤3中的双向长短期记忆神经网络子模型包括正向LSTM层和反向 LSTM层，通过正向LSTM层St,t∈[1,T]和反向LSTM层St',t∈[T,1]，得到了具有相反时间序列的两个隐含层状态，然后将两个隐含层状态连接起来，以得到相同的输出；所述正向LSTM层和反向LSTM层可以分别获得输入序列的过去信息和未来信息。
进一步地，t时刻，所述双向长短期记忆神经网络子模型的隐含层状态Ht包含正向状态
Figure SMS_1
和反向状态/>
Figure SMS_2
Figure SMS_3
Figure SMS_4
Figure SMS_5
其中，T表示时间序列的长度。
进一步地，所述正弦余弦算法对双向长短期记忆神经网络子模型的三个参数，即隐含层神经元数目HN、学习速率α和丢失值DV进行优化，其适应度函数设置为预测值和观测值之间的均方根误差，基于SCA-BiLSTM模型的太阳辐射预报问题的数学模型可以表述如下：
Figure SMS_6
Figure SMS_7
式中，
Figure SMS_8
和yi分别表示太阳辐射预测值和观测值；HNmin，αmin,DVmin和HNmax,αmax,DVmax分别表示隐含层神经元数目HN、学习速率α和丢失值DV三个参数的上下界。
进一步地，所述步骤4中采用正弦余弦算法优化双向长短期记忆神经网络子模型的步骤如下：
步骤4.1：参数初始化：初始化正弦余弦算法的参数，包括种群大小NP和最大迭代次数Gmax，并设置正弦余弦算法的可行域，即双向长短期记忆神经网络子模型参数θ＝{HN,α,DV}的范围，设置迭代次数t＝0；
步骤4.2：种群初始化：在可行域内随机生成NP个个体，并通过训练双向长短期记忆神经网络子模型获得的当代种群的最优值，第t个种群的初始个体可根据以下等式随机产生：
Figure SMS_9
式中，
Figure SMS_10
和/>
Figure SMS_11
分别表示个体在第d维度的上下界，rand(0,1)表示(0,1)内的随机数；
步骤4.3：个体更新：根据如下公式更新个体，并根据r1更新正弦和余弦函数的范围，个体更新后，同时更新当前总体的最佳候选解和最佳目标值：
Figure SMS_12
式中，
Figure SMS_13
和/>
Figure SMS_14
分别表示第i个个体在第t次和第t+1次迭代中的位置；Pbest表示种群在该次迭代中的最优位置；r2，r3，r4为服从均匀分布的随机数，其范围如下：r2∈[0,2π]，r3∈[-2,2]，r4∈[0,1]；r1表示控制参数，r1的表达式如下：/>
Figure SMS_15
式中，t表示当前迭代；Tmax表示最大迭代次数；a为常数；
步骤4.4：若t＜Tmax，设置迭代次数t＝t+1，然后转到步骤4.4，否则跳转至步骤4.5；
步骤4.5：获得问题的最佳方案，并输出BiLSTM子模型的最佳参数，训练得到 SCA-BiLSTM模型。
进一步地，当r1 sin(r2)∈[∞,-1]∪[1,∞]或r1 cos(r2)∈[∞,-1]∪[1,∞]时，正弦余弦算法进行全局搜索；否则，当r1 sin(r2)∈[-1,1]或r1 cos(r2)∈[-1,1]时，正弦余弦算法进行局部开发。
进一步地，还包括采用均方根误差、平均绝对误差、相关系数和平均绝对尺度误差评估CEN-SCA-BiLSTM模型的性能，均方根误差RMSE、平均绝对误差MAE、相关系数R 和平均绝对尺度误差MASE的表达式如下：
Figure SMS_16
Figure SMS_17
Figure SMS_18
Figure SMS_19
式中，Oi和Si分别表示第i个数据点的观测值和模拟值；
Figure SMS_20
和/>
Figure SMS_21
分别表示平均观测和平均模拟值；N表示时间序列的长度。
有益效果：
1)本发明针对太阳辐射序列的间歇性和高采样频率造成的太阳辐射预测精度难以提高的问题，采用深度双向长短期记忆(BiLSTM)神经网络对太阳辐射序列进行预测，能够克服浅层学习算法对非线性太阳辐射序列学习能力的不足，提高预测精度。
2)本发明采用对数据集进行预处理，通过CEEMDAN对太阳辐射数据集进行分解，对各分量进行构建BiLSTM子模型，利用正弦余弦算法对BiLSTM子模型进行优化，构建了基于SCA-BiLSTM的太阳辐射预报问题的数学模型，利用训练好的各SCA-BiLSTM模型和测试数据集计算各SCA-BiLSTM模型的预测值，将各SCA-BiLSTM模型的预测值进行聚合得到的CEN-SCA-BiLSTM模型的预测值，与常规BiLSTM模型相比， CEN-SCA-BiLSTM模型的预测能力更强，能够获得更高的预测精度。
附图说明
图1为本发明提供的基于深度BILSTM的太阳辐射预测模型流程图；
图2为BiLSTM神经网络结构图
图3为小时级数据列下的6种方法的误差指标对比图；
图4为小时级数据序列下的6种方法的预测结果对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明以国家数据浮标中心(NDBC)2011年5月1日至6月30日每小时太阳辐射数据为实施例，进行实例仿真，以验证本发明的效果，因为夜间太阳辐射值非常低，实施例收集了从早上6:00到晚上7:00太阳辐射观测值(每天14次数据观测点)。站点编号为42040。图 1为本发明提供的基于正弦余弦算法优化BiLSTM的太阳辐射预测模型流程图，实施步骤如下：
步骤一：选取国家数据浮标中心(NDBC)站点42040每小时记录一次的太阳辐射实测数据作为样本数据，数据集包含854个样本数据点，采用前70％的数据集作为训练数据集，后30％的数据集作为测试数据集。
步骤二：对太阳辐射历史数据进行预处理。
步骤2.1：采用CEEMDAN对太阳辐射数据集进行分解，得到K-1个本征模态函数分量和一个残差分量。
步骤2.2：对每个分量采用两种统计方法，即自相关函数和偏自相关函数分析变量间的相关关系，以确定太阳辐射序列相关因子，然后构建输入矩阵，并将所有输入矩阵和目标变量规范化为[0,1]，确定每个分量的训练矩阵和测试矩阵。
步骤三：对每个分量，构建独立的BiLSTM子模型。
长短时记忆(LSTM)是递归神经网络(RNN)的改进版本。它不仅具有RNN对先前信息的长期记忆特性，而且可以使用‘记忆块’代替RNN中的递归隐藏层，从而避免了RNN 的梯度消失问题。LSTM的“记忆块”包括输入门、遗忘门、输出门和存储单元。将LSTM 的输入表示为x＝(x1,x2,...,xT)，目标输出表示为y＝(y1,y2,...,yT)，则t时刻的目标输出可以按如下步骤计算：
(1)计算遗忘门：ft＝σ(Wf·[ht-1,xt]+bf)
(2)计算输入门：it＝σ(Wi·[ht-1,xt]+bi)，Ct′＝tanh(Wc·[ht-1,xt]+bc)
(3)更新单元状态：Ct＝ft*Ct-1+it*Ct′
(4)计算输出门：Ot＝σ(Wo[ht-1,xt-1]+bo)，ht＝Ot*tanh(Ct)
(5)计算预测值：yt＝Wyht+by
在上述公式中，it和C′表示输入门的两个部分；Ct和Ct-1分别表示当前时刻和前一时刻的单元状态；Ot和ht分别表示输出门和隐藏层的输出；Wf，Wi，Wc，Wo和Wy分别表示遗忘门、输入门、当前单元状态、输出门和输出层的权重矩阵；bf，bi，bc，bo和by分别表示遗忘门、输入门、当前单元状态、输出门和输出层的偏置向量。σ(x)和tanh(x)分别表示 Sigmoid和Tanh激活函数，分别表示为：
Figure SMS_22
Figure SMS_23
式中，ex表示自变量x的指数函数。
双向长短期记忆(Bi-direction LSTM，BiLSTM)神经网络是LSTM的一种变形结构，它包含正向LSTM层和反向LSTM层，因此，BiLSTM神经网络可以同时考虑数据过去和将来的信息。BiLSTM神经网络的结构如图2所示。如图2所示，每个‘记忆块’包含两个LSTM 层。通过正向LSTM层St,t∈[1,T]和反向LSTM层St',t∈[T,1]，得到了具有相反时间序列的两个隐含层状态。然后将两个隐含层状态连接起来，以得到相同的输出。正向LSTM层和反向LSTM层可以分别获得输入序列的过去信息和未来信息，以加深对原序列特征的提取，提高模型输出结果的准确性。因此，t时刻BiLSTM的隐含层状态Ht包含正向状态
Figure SMS_24
和反向状态/>
Figure SMS_25
Figure SMS_26
Figure SMS_27
Figure SMS_28
其中，T表示时间序列的长度。
步骤四：对每个分量，采用SCA算法对BiLSTM子模型进行优化，输出双向长短期记忆神经网络子模型的最佳参数，训练得到每个分量对应的SCA-BiLSTM模型。
正弦余弦算法(SCA)算法是一种先进新颖的全局优化算法。在SCA算法的应用过程中，个体的状态变换主要依靠两个数学函数sin和cos的相互转变来实现系统的优化搜索功能。为了提高BiLSTM在太阳辐射预报中的精度，应考虑BiLSM的三个主要参数，即隐含层神经元数目(HN)、学习速率(α)和丢失值(DV)。采用SCA算法对BiLSTM模型的三个主要参数进行优化。适应度函数设置为预测值和观测值之间的均方根误差(RMSE)。基于 SCA-BiLSTM的太阳辐射预报问题的数学模型可以表述如下：
Figure SMS_29
Figure SMS_30
式中，
Figure SMS_31
和yi分别表示太阳辐射预测值和观测值；HNmin，αmin,DVmin和HNmax,αmax,DVmax分别表示隐含层神经元数目HN、学习速率α和丢失值DV三个参数的上下界。
采用SCA算法优化BiLSTM子模型的步骤如下：
(1)参数初始化。初始化SCA算法的参数，包括种群大小NP和最大迭代次数Gmax，并设置SCA算法的可行域，即BiLSTM参数θ＝{HN,α,DV}的范围。设置迭代次数t＝0。
(2)种群初始化。在可行域内随机生成NP个个体，并通过训练BiLSTM获得的当代种群的最优值。第t个种群的初始个体可根据以下等式随机产生：
Figure SMS_32
式中，
Figure SMS_33
和/>
Figure SMS_34
分别表示个体在第d维度的上下界。rand(0,1)表示(0,1)内的随机数。
(3)个体更新。根据如下公式更新个体，并根据r1更新正弦和余弦函数的范围。个体更新后，同时更新当前总体的最佳候选解和最佳目标值。
Figure SMS_35
式中，
Figure SMS_36
和/>
Figure SMS_37
分别表示第i个个体在第t次和第t+1次迭代中的位置；Pbest表示种群在该次迭代中的最优位置；r2，r3，r4为服从均匀分布的随机数，其范围如下：r2∈[0,2π]，r3∈[-2,2]，r4∈[0,1]；r1表示控制参数，r1的表达式如下：/>
Figure SMS_38
式中，t表示当前迭代；Tmax表示最大迭代次数；a为常数，通常设置为2。
r1是SCA算法最关键的参数，能够决定算法何时从全局探索转移到局部开发。当 r1sin(r2)∈[∞,-1]∪[1,∞]或r1 cos(r2)∈[∞,-1]∪[1,∞]时，算法进行全局搜索；否则，当 r1 sin(r2)∈[-1,1]或r1 cos(r2)∈[-1,1]时，算法进行局部开发。
(4)若t＜Tmax，设置迭代次数t＝t+1，然后继续执行(4)，否则跳转至(5)；
(5)获得问题的最佳方案，并输出BiLSTM子模型的最佳参数。
步骤五：利用训练好的SCA-BiLSTM模型和步骤二中其对应的测试矩阵计算各个SCA-BiLSTM模型的预测值。
步骤六：将各SCA-BiLSTM模型的预测值进行聚合，输出CEN-SCA-BiLSTM模型的最终预报结果。
步骤七：用均方根误差(RMSE)、平均绝对误差(MAE)、相关系数(R)和平均绝对尺度误差(MASE)评估CEN-SCA-BiLSTM模型的性能。RMSE、MAE、R和MASE的表达式如下：
Figure SMS_39
Figure SMS_40
Figure SMS_41
Figure SMS_42
式中，Oi和Si分别表示第i个数据点的观测值和模拟值；
Figure SMS_43
和/>
Figure SMS_44
分别表示平均观测和平均模拟值；N表示时间序列的长度。
采用本发明所提的太阳辐射预测模型(CEN-SCA-BiLSTM)对太阳辐射序列进行预测，为了验证本发明的有效性，将其与k邻近回归KNNR、人工神经网络ANN、双向长短期记忆网络BiLSTM、SCA-BiLSTM和CEN-BiLSTM共5种模型进行了综合比较。表1列出了所提出模型和对比模型的四个统计指标，包括RMSE、MAE、R和MASE的值。
表1小时级数据序列下的6种方法的误差指标
Figure SMS_45
为了更直观地展示误差指标值，图3分别用垂直直方图、叠加图、雷达图和水平直方图来展示了6个模型的RMSE、MAE、R和MASE值。从表1和图3可以得出，所提 CEN-SCA-BiLSTM模型的RMSE、MAE和MASE最小，R最大，相比之下，KNNR模型在 6种模型中表现最差。BiLSTM模型的预测性能一般优于KNNR和ANN模型，说明BiLSTM 模型具有优越的非线性拟合能力。通过对比BiLSTM和SCA-BiLSTM模型，CEN-BiLSTM和 CEN-SCA-BiLSTM模型，说明SCA算法可以有效的对BiLSTM模型的参数选择进行优化，进而提高预测精度。
为了更直观地展示预测结果并进一步验证所提出模型的有效性，图4给出了所提出的 CEN-SCA-BiLSTM模型和其他三个对比模型(KNNR、BiLSTM和SCA-BiLSTM)的单步预测结果对比图。四种模型的预测结果和实测结果的比较图如图4顶部的折线图所示，四种模型预测值和实测值的散点图如4个子图所示。从图4的散点图可以发现，与KNNR、BiLSTM 和SCA-BiLSTM模型相比，CEN-SCA-BiLSTM模型得到的预测值偏差最小，且95％的预测区间最窄。此外，CEN-SCABiLSTM预测值与实测值之间的相关性比其他模型更强，与表1 和图3中所得结论一致，即CEN-SCA-BiLSTM模型的R值最大。综上所述，本发明提出的 CEN-SCA-BiLSTM模型具有较好的非线性拟合能力，从而获得较好的预测结果。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于深度BILSTM的的太阳辐射预测方法，其特征在于，包括如下步骤：
步骤1：数据收集，收集太阳辐射历史数据，并将其分为训练数据集和测试数据集；
步骤2：对所述太阳辐射历史数据采用CEEMDAN进行分解预处理，得到K个分量并构建对应的K个输入矩阵，确定每个分量的训练矩阵和测试矩阵；
步骤3：对各所述分量，构建独立的双向长短期记忆神经网络子模型；
步骤4：对各所述分量的独立双向长短期记忆神经网络子模型，采用正弦余弦算法对其进行优化与训练，输出双向长短期记忆神经网络子模型的最佳参数，训练得到SCA-BiLSTM模型；
所述正弦余弦算法Sine Cosine Algorithm，SCA对双向长短期记忆神经网络Bi-directional Long Short-Term Memory，BiLSTM子模型的三个参数，即隐含层神经元数目HN、学习速率α和丢失值DV进行优化与训练，其适应度函数设置为预测值和观测值之间的均方根误差，基于SCA-BiLSTM模型的太阳辐射预报问题的数学模型可以表述如下：
Figure FDA0004238101010000011
Figure FDA0004238101010000012
式中，
Figure FDA0004238101010000013
和yi分别表示太阳辐射预测值和观测值；HNmin，αmin,DVmin和HNmax,αmax,DVmax分别表示隐含层神经元数目HN、学习速率α和丢失值DV三个参数的上下界；采用正弦余弦算法优化双向长短期记忆神经网络子模型的步骤如下：
步骤4.1：参数初始化：初始化正弦余弦算法的参数，包括种群大小NP和最大迭代次数Gmax，并设置正弦余弦算法的可行域，即双向长短期记忆神经网络子模型参数θ＝{HN,α,DV}的范围，设置迭代次数t＝0；
步骤4.2：种群初始化：在可行域内随机生成NP个个体，并通过训练双向长短期记忆神经网络子模型获得的当代种群的最优值，第t个种群的初始个体可根据以下等式随机产生：
Figure FDA0004238101010000021
式中，
Figure FDA0004238101010000022
和/>
Figure FDA0004238101010000023
分别表示个体在第d维度的上下界，rand(0,1)表示(0,1)内的随机数；
步骤4.3：个体更新：根据如下公式更新个体，并根据r1更新正弦和余弦函数的范围，个体更新后，同时更新当前总体的最佳候选解和最佳目标值：
Figure FDA0004238101010000024
式中，
Figure FDA0004238101010000025
和/>
Figure FDA0004238101010000026
分别表示第i个个体在第t次和第t+1次迭代中的位置；Pbest表示种群在该次迭代中的最优位置；r2，r3，r4为服从均匀分布的随机数，其范围如下：r2∈[0,2π]，r3∈[-2,2]，r4∈[0,1]；r1表示控制参数，r1的表达式如下：/>
Figure FDA0004238101010000027
式中，t表示当前迭代；Tmax表示最大迭代次数；a为常数；
步骤4.4：若t＜Tmax，设置迭代次数t＝t+1，然后继续执行步骤4.4，否则跳转至步骤4.5；
步骤4.5：获得问题的最佳方案，并输出BiLSTM子模型的最佳参数，训练得到各所述SCA-BiLSTM模型；
步骤5：利用训练好的各所述SCA-BiLSTM模型和其对应的测试矩阵计算各所述SCA-BiLSTM模型的预测值；
步骤6：将各所述SCA-BiLSTM模型的预测值进行聚合，得到CEN-SCA-BiLSTM模型的最终预报结果。
2.根据权利要求1所述的一种基于深度BILSTM的的太阳辐射预测方法，其特征在于，所述步骤2中对所述训练数据集预处理包括：
步骤2.1：采用CEEMDAN对太阳辐射数据集进行分解，得到K-1个本征模态函数分量和一个残差分量；
步骤2.2：对各所述分量采用两种统计方法，即自相关函数和偏自相关函数分析变量间的相关关系，以确定太阳辐射序列相关因子，构建输入矩阵，并将所有输入矩阵和目标变量规范化为[0,1]，确定各分量的训练矩阵和测试矩阵。
3.根据权利要求1所述的一种基于深度BILSTM的的太阳辐射预测方法，其特征在于，所述步骤3中的双向长短期记忆神经网络子模型包括正向LSTM层和反向LSTM层，通过正向LSTM层St,t∈[1,T]和反向LSTM层St',t∈[T,1]，得到了具有相反时间序列的两个隐含层状态，然后将两个隐含层状态连接起来，以得到相同的输出；所述正向LSTM层和反向LSTM层可以分别获得输入序列的过去信息和未来信息。
4.根据权利要求3所述的一种基于深度BILSTM的的太阳辐射预测方法，其特征在于，t时刻，所述双向长短期记忆神经网络子模型的隐含层状态Ht包含正向状态
Figure FDA0004238101010000031
和反向状态
Figure FDA0004238101010000032
Figure FDA0004238101010000033
Figure FDA0004238101010000034
Figure FDA0004238101010000035
其中，T表示时间序列的长度。
5.根据权利要求1所述的一种基于深度BILSTM的的太阳辐射预测方法，其特征在于，当r1 sin(r2)∈[∞,-1]∪[1,∞]或r1 cos(r2)∈[∞,-1]∪[1,∞]时，正弦余弦算法进行全局搜索；否则，当r1 sin(r2)∈[-1,1]或r1 cos(r2)∈[-1,1]时，正弦余弦算法进行局部开发。
6.根据权利要求1至5任一所述的一种基于深度BILSTM的的太阳辐射预测方法，其特征在于，还包括采用均方根误差、平均绝对误差、相关系数和平均绝对尺度误差评估CEN-SCA-BiLSTM模型的性能，均方根误差RMSE、平均绝对误差MAE、相关系数R和平均绝对尺度误差MASE的表达式如下：
Figure FDA0004238101010000041
Figure FDA0004238101010000042
Figure FDA0004238101010000043
Figure FDA0004238101010000044
式中，Oi和Si分别表示第i个数据点的观测值和模拟值；
Figure FDA0004238101010000045
和/>
Figure FDA0004238101010000046
分别表示平均观测和平均模拟值；N表示时间序列的长度。
CN202010935820.5A 2020-09-08 2020-09-08 一种基于深度bilstm的太阳辐射预测方法 Active CN112100911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010935820.5A CN112100911B (zh) 2020-09-08 2020-09-08 一种基于深度bilstm的太阳辐射预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010935820.5A CN112100911B (zh) 2020-09-08 2020-09-08 一种基于深度bilstm的太阳辐射预测方法

Publications (2)

Publication Number Publication Date
CN112100911A CN112100911A (zh) 2020-12-18
CN112100911B true CN112100911B (zh) 2023-06-30

Family

ID=73752472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010935820.5A Active CN112100911B (zh) 2020-09-08 2020-09-08 一种基于深度bilstm的太阳辐射预测方法

Country Status (1)

Country Link
CN (1) CN112100911B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487064A (zh) * 2021-06-10 2021-10-08 淮阴工学院 基于主成分分析和改进lstm的光伏功率预测方法及系统
CN114201924B (zh) * 2022-02-16 2022-06-10 杭州经纬信息技术股份有限公司 基于迁移学习的太阳辐照度预测方法及预测系统
CN114742808A (zh) * 2022-04-25 2022-07-12 之江实验室 一种基于lstm模型的平场预测方法和装置
CN116306226B (zh) * 2023-02-03 2023-10-20 淮阴工学院 一种燃料电池性能退化预测方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280551A (zh) * 2018-02-02 2018-07-13 华北电力大学 一种利用长短期记忆网络的光伏发电功率预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6584510B2 (ja) * 2015-08-07 2019-10-02 三菱電機株式会社 太陽光発電量予測装置および太陽光発電量予測方法
WO2018065045A1 (en) * 2016-10-05 2018-04-12 Telecom Italia S.P.A. Method and system for estimating energy generation based on solar irradiance forecasting
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting
CN109242204A (zh) * 2018-09-30 2019-01-18 淮阴工学院 基于最优vmd与同步优化的超短期风速预测方法
CN110070226B (zh) * 2019-04-24 2020-06-16 河海大学 基于卷积神经网络与元学习的光伏功率预测方法及系统
CN111222674A (zh) * 2019-10-08 2020-06-02 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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108280551A (zh) * 2018-02-02 2018-07-13 华北电力大学 一种利用长短期记忆网络的光伏发电功率预测方法

Also Published As

Publication number Publication date
CN112100911A (zh) 2020-12-18

Similar Documents

Publication Publication Date Title
Tian Short-term wind speed prediction based on LMD and improved FA optimized combined kernel function LSSVM
CN112100911B (zh) 一种基于深度bilstm的太阳辐射预测方法
Tian Modes decomposition forecasting approach for ultra-short-term wind speed
CN112949945B (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN105391083B (zh) 基于变分模态分解和相关向量机的风功率区间短期预测方法
Bhardwaj et al. Estimation of solar radiation using a combination of Hidden Markov Model and generalized Fuzzy model
Jebli et al. Deep learning based models for solar energy prediction
CN111027775A (zh) 基于长短期记忆网络的梯级水电站发电量预测方法
Qian et al. Short-term wind speed prediction with a two-layer attention-based LSTM
Lu et al. Neural network interpretability for forecasting of aggregated renewable generation
CN116644970A (zh) 一种基于vmd分解和叠层深度学习的光伏功率预测方法
Teferra et al. Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization
CN116169670A (zh) 一种基于改进神经网络的短期非居民负荷预测方法及系统
Wang et al. An approach for day-ahead interval forecasting of photovoltaic power: A novel DCGAN and LSTM based quantile regression modeling method
Kumar Improved Prediction of Wind Speed using Machine Learning.
CN112418504A (zh) 一种基于混合变量选择优化深度信念网络风速预测方法
Xu et al. A novel hybrid wind speed interval prediction model based on mode decomposition and gated recursive neural network
CN115713144A (zh) 基于组合cgru模型的短期风速多步预测方法
Phan et al. A study on missing data imputation methods for improving hourly solar dataset
CN114139783A (zh) 基于非线性加权组合的风电短期功率预测方法及装置
Xu et al. NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method
CN113191526A (zh) 一种基于随机敏感度的短期风速区间多目标优化预测方法及系统
Shen et al. An interval analysis scheme based on empirical error and mcmc to quantify uncertainty of wind speed
Li et al. Short-term wind power forecasting by advanced machine learning models
Cao et al. Short-Term Forecasting and Uncertainty Analysis of Photovoltaic Power Based on the FCM-WOA-BILSTM Model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20240117

Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd.

Address before: 223005 Jiangsu Huaian economic and Technological Development Zone, 1 East Road.

Patentee before: HUAIYIN INSTITUTE OF TECHNOLOGY

TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240407

Address after: No. 191-1 Huangpu River Road, Southeast Street, Changshu City, Suzhou City, Jiangsu Province, 215505

Patentee after: Jiangsu shangximu Intelligent Technology Co.,Ltd.

Country or region after: China

Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee before: Shenzhen Hongyue Enterprise Management Consulting Co.,Ltd.

Country or region before: China