CN112348247B - 一种光能发电的预测方法、装置、计算机设备及存储介质 - Google Patents
一种光能发电的预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112348247B CN112348247B CN202011210037.9A CN202011210037A CN112348247B CN 112348247 B CN112348247 B CN 112348247B CN 202011210037 A CN202011210037 A CN 202011210037A CN 112348247 B CN112348247 B CN 112348247B
- Authority
- CN
- China
- Prior art keywords
- neural network
- prediction model
- power generation
- light energy
- energy power
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 137
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000013528 artificial neural network Methods 0.000 claims abstract description 164
- 238000012549 training Methods 0.000 claims abstract description 75
- 238000012360 testing method Methods 0.000 claims abstract description 31
- 210000002569 neuron Anatomy 0.000 claims abstract description 23
- 238000010276 construction Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 32
- 239000013598 vector Substances 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000008034 disappearance Effects 0.000 claims description 10
- 238000004880 explosion Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims 2
- 230000003287 optical effect Effects 0.000 abstract description 12
- 238000003062 neural network model Methods 0.000 abstract description 2
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
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
- G06N3/045—Combinations of networks
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种光能发电的预测方法、装置、计算机设备及存储介质,该方法包括:预先构建基于高次多项式的多分支神经网络预测模型;获取历史光能发电数据及外生变量数据,并进行预处理,得到数据集,然后划分为训练集和测试集;将训练集输入至神经网络预测模型中进行训练;利用神经网络预测模型输出每一神经元对应的参数,然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建;通过测试集对构建的神经网络预测模型进行测试优化,得到优化后的神经网络预测模型;利用最终的神经网络预测模型对指定周期的光能发电数据预测。本发明通过基于高次项多项式神经网络模型预测,使预测结果清晰准确,提高光能发电的预测精度。
Description
技术领域
本发明涉及光能发电数据预测技术领域,特别涉及一种光能发电的预测方法、装置、计算机设备及存储介质。
背景技术
由于数据挖掘和分析的需求逐年增加,机器学习得到了广泛应用。传统的机器学习方法,对数据挖掘起到一定作用,但存在精度较低的问题。而随着计算机软硬件的进步,尤其是显卡和深度学习框架的进度,神经网络作为一类新的机器学习算法在本世纪初崛起,逐渐受到世界各国研究人员的重视。由于其具有良好的数据拟合能力,因此得到学术界和产业界的青睐。在能源领域中,也常将神经网络应用于光能发电的数据预测上。
然而,在利用神经网络预测光能发电的现有技术中,预测结果精度不足。
发明内容
本发明实施例提供了一种光能发电的预测方法、装置、计算机设备及存储介质,旨在提高对于光能发电的预测精度。
第一方面,本发明实施例提供了一种光能发电的预测方法,包括:
预先构建基于高次多项式的多分支神经网络预测模型;
获取历史光能发电数据及其对应的外生变量数据,并对所述历史光能发电数据及其对应的外生变量数据进行预处理,得到包含多变量的历史光能发电数据集,然后将所述历史光能发电数据集划分为训练集和测试集;
将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习;
利用训练的神经网络预测模型输出神经网络中每一神经元对应的参数,然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建;
通过所述测试集对构建的神经网络预测模型进行测试优化,得到优化后的神经网络预测模型,然后利用平均绝对误差、均方根误差、协方差均方根误差和R平方对优化后的神经网络预测模型进行评价,从而得到最终的神经网络预测模型;
利用最终的神经网络预测模型对指定周期的光能发电数据进行预测。
进一步的,所述预先构建基于高次多项式的多分支神经网络预测模型,包括:
按照下式预先构建基于高次多项式的多分支神经网络预测模型:
进一步的,还包括:
预先设置不同次的高次多项式h(.),通过对所述分支网络预训练使所述分支网络的功能与所述的高次多项式h(.)相匹配。
进一步的,所述获取历史光能发电数据及其对应的外生变量数据,并对所述历史光能发电数据及其对应的外生变量数据进行预处理,得到包含多变量的历史光能发电数据集,然后将所述历史光能发电数据集划分为训练集和测试集,包括:
对所述历史光能发电数据和对应的外生变量数据进行归一化预处理,得到所述历史光能发电数据集;
将所述历史光能发电数据集划分为训练集和测试集,并按照预设的时间窗口对所述训练集进行均等划分。
进一步的,所述将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习,包括:
将平均绝对误差作为所述神经网络训练过程的收敛指标,然后根据均等划分后的训练集对所述神经网络预测模型进行多轮训练学习,直至达到所述收敛指标。
进一步的,所述将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习,还包括:
将所述神经网络预测模型中的输入层与分支网络之间的连接权重向量维度设置为与输入层的输入数据包含的变量个数相同;
将所述神经网络预测模型中的输出层与分支网络之间的连接权重系数的个数设置为与所述分支网络中的输出函数的个数相同。
进一步的,所述利用训练的神经网络预测模型输出神经网络中每一神经元对应的参数,然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建,包括:
当利用训练的神经网络预测模型输出连接权重向量和连接权重系数时,判断是否存在连接权重向量或者连接权重系数为空值的情况;
若存在连接权重向量或者连接权重系数为空值的情况,则判定所述神经网络预测模型发生梯度爆炸或者梯度消失;
利用RELU等激活函数消除所述梯度爆炸或者梯度消失。
第二方面,本发明实施例提供了一种光能发电的预测装置,包括:
预先构建单元,用于预先构建基于高次多项式的多分支神经网络预测模型;
数据处理单元,用于获取历史光能发电数据及其对应的外生变量数据,并对所述历史光能发电数据及其对应的外生变量数据进行预处理,得到包含多变量的历史光能发电数据集,然后将所述历史光能发电数据集划分为训练集和测试集;
训练单元,用于将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习;
参数构建单元,用于利用训练的神经网络预测模型输出神经网络中每一神经元对应的参数,然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建;
优化评价单元,用于通过所述测试集对构建的神经网络预测模型进行测试优化,得到优化后的神经网络预测模型,然后利用平均绝对误差、均方根误差、协方差均方根误差和R平方对优化后的神经网络预测模型进行评价,从而得到最终的神经网络预测模型;
预测单元,用于利用最终的神经网络预测模型对指定周期的光能发电数据进行预测。
第三方面,本发明实施例提供了一种计算机设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上所述的光能发电的预测方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的光能发电的预测方法。
本发明实施例提供了一种光能发电的预测方法、装置、计算机设备及存储介质,所述方法包括:预先构建基于高次多项式的多分支神经网络预测模型;获取历史光能发电数据及其对应的外生变量数据,并对所述历史光能发电数据及其对应的外生变量数据进行预处理,得到包含多变量的历史光能发电数据集,然后将所述历史光能发电数据集划分为训练集和测试集;将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习;利用训练的神经网络预测模型输出神经网络中每一神经元对应的参数,然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建;通过所述测试集对构建的神经网络预测模型进行测试优化,得到优化后的神经网络预测模型,然后利用平均绝对误差、均方根误差、协方差均方根误差和R平方对优化后的神经网络预测模型进行评价,从而得到最终的神经网络预测模型;利用最终的神经网络预测模型对指定周期的光能发电数据进行预测。本发明实施例通过构建高次多项式的具有可解释性的多分支神经网络模型对光能发电数据进行预测,使得到的预测结果清晰准确,从而提高对于光能发电的预测精度。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种光能发电的预测方法的流程示意图;
图2为本发明实施例提供的一种光能发电的预测方法中多分支神经网络预测模型的结构示意图;
图3为本发明实施例提供的一种光能发电的预测装置的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
下面请参见图1,图1为本发明实施例提供的一种光能发电的预测方法的流程示意图,具体包括:步骤S101~S106。
S101、预先构建基于高次多项式的多分支神经网络预测模型;
S102、获取历史光能发电数据及其对应的外生变量数据,并对所述历史光能发电数据及其对应的外生变量数据进行预处理,得到包含多变量的历史光能发电数据集,然后将所述历史光能发电数据集划分为训练集和测试集;
S103、将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习;
S104、利用训练的神经网络预测模型输出神经网络中每一神经元对应的参数,然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建;
S105、通过所述测试集对构建的神经网络预测模型进行测试优化,得到优化后的神经网络预测模型,然后利用平均绝对误差、均方根误差、协方差均方根误差和R平方对优化后的神经网络预测模型进行评价,从而得到最终的神经网络预测模型;
S106、利用最终的神经网络预测模型对指定周期的光能发电数据进行预测。
本实施例中,首先预先构建基于高次多项式的多分支神经网络预测模型,然后通过历史光能发电数据及其对应的外生变量数据对所述神经网络预测模型进行训练学习,使所述神经网络预测模型的在训练过程中输出其中的神经元参数,然后根据神经元参数对所述神经网络预测模型进行填补更新,使所述神经网络预测模型具有清晰的数学表达,从而使通过所述神经网络预测模型预测的光能发电预测结果具有说服力,提高预测精度。
进一步的,本实施例在根据所述训练集对所述神经网络预测模型进行完善更新后,再根据所述测试集对所述神经网络预测模型进行更进一步的优化更新,并通过平均绝对误差、均方根误差、协方差均方根误差和R平方等评价指标对优化后的神经网络预测模型进行光能发电预测评价,使最终构建的神经网络预测模型更加清晰可靠、更加具有说明力。
本实施例在通过基于高次多项式的多分支神经网络对光能发电数据进行预测时,利用分支网络的特定函数,即高次多项式hi(.),来替代现有技术中常采用的非高次多项式函数的输出,并通过多个环境特征数据(即外生变量数据)输入关于光能发电的多维度变量,从而得到最终的预测结果。本实施例中所述的外生变量数据是指会对光能发电数据产生影响的数据,例如温度、天气、降水量以及季节等数据。具体来说,当获取的历史光能发电数据是以天为单位的数据时,那么对应的外生变量数据则是以天为单位的温度值、天气值或者降水量等。
在一具体实施例中,结合图2,将所述训练集中包含的历史光能发电数据及其对应的外生变量数据以天为单位作为所述神经网络预测模型输入层的输入,即按照每日光能发电数据及其对应的外生变量数据输入至所述神经网络预测模型中,通过所述输入层中计算后得到多个每日历史光能发电数据的特征序列,将所述多个每日历史光能发电数据的特征序列作为所述神经网络预测模型分支网络的输入,通过所述分支网络的计算得到多个每日历史光能发电数据的输出函数,再将所述多个每日历史光能发电数据的输出函数输入至所述神经网络预测模型的输出层中,通过所述输出层输出对于每日光能发电数据的预测结果。
在另一具体实施例中,利用平均绝对误差、均方根误差、协方差均方根误差和R平方对优化后的神经网络预测模型进行光能发电预测评价,得到的评价结果为:光能发电预测结果平均绝对误差27.2285、光能发电预测结果均方根误差60.3601、光能发电预测结果协方差均方根误差23.4504、光能发电预测结果R平方0.7834。
在一实施例中,所述步骤S101包括:
按照下式预先构建基于高次多项式的多分支神经网络预测模型:
本实施例中,按照上式预先构建对于光能发电数据的神经网络预测模型,从而使所述神经网络预测模型具有不同次的高次多项式,并根据后续步骤得到的神经元参数对神经网络预测模型进行填补更新,使构建的高次多项式的多分支神经网络预测模型完整。在一具体应用场景中,输入至所述神经网络预测模型的数据为历史光能发电数据中的每日光能发电数据,那么所述神经网络预测模型中分支网络的权重向量则为对应的每日光能发电权重向量、每日温度权重向量、每日天气权重向量等,即由每日光能发电数据及其对应的外生变量数据构成的连接权重向量,在经过所述分支网络计算后,输出每日光能发电输出函数,将其作为输出层的输入,然后由输出层输出对应的当天光能发电预测值。
在一实施例中,所述光能发电的预测方法还包括:
预先设置不同次的高次多项式h(.),通过对所述分支网络预训练使所述分支网络的功能与所述的高次多项式h(.)相匹配。
本实施例中,预设不同次的高次多项式h(.),可用于作为所述分支网络的备选输出函数,进而使所述神经网络预测模型能够有效获取最优值,降低偶然性的概率。本实施例中,在对所述分支网络进行预训练时,可以利用预先生成的仿真数据集对所述分支网络进行预训练使所述分支网络的功能与所述的h(.)相匹配,还可以通过其他方式使所述分支网络的功能与所述的h(.)相匹配
进一步的,在所述分支网络中预先设置的不同次的高次多项式为逐次递增的高次多项式,直至所述神经网络预测模型收敛。
在一实施例中,所述步骤S102包括:
对所述历史光能发电数据和对应的外生变量数据进行归一化预处理,得到所述历史光能发电数据集;
将所述历史光能发电数据集划分为训练集和测试集,并按照预设的时间窗口对所述训练集进行均等划分。
本实施例中,由于获取的外生变量数据中的数量级或者量纲可能不一致,因此需要对所述外生变量数据进行归一化处理,以便加快所述神经网络预测模型的训练速度以及提高所述神经网络预测模型的预测精度。进一步的,在进行归一化处理之前,可以去除所述历史光能发电数据或者外生变量数据中的异常值,例如明显不符实际的温度值、光能发电数值等,使得到的历史光能发电数据集中的每条数据具有完整的时间度。
在一实施例中,所述步骤S103包括:
将平均绝对误差作为所述神经网络训练过程的收敛指标,然后根据均等划分后的训练集对所述神经网络预测模型进行多轮训练学习,直至达到所述收敛指标。
本实施例中,以MAE(Mean Absolute Error,平均绝对误差)作为所述神经网络预测模型在训练过程中收敛的光能发电预测指标,使所述神经网络预测模型在经过多轮历史光能发电数据及其对应的外生变量数据的训练,达到收敛指标后,能够输出更加准确的光能发电预测参数,从而使最终构建的神经网络预测模型更加准确可靠。当然,在其他实施例中,还可以将MSE(Mean Square Error,均方误差)作为所述神经网络训练过程的收敛指标。
在一实施例中,所述步骤S103还包括:
将所述神经网络预测模型中的输入层与分支网络之间的连接权重向量维度设置为与输入层的输入数据包含的变量个数相同;
将所述神经网络预测模型中的输出层与分支网络之间的连接权重系数的个数设置为与所述分支网络中的输出函数的个数相同。
本实施例中,由于所述训练集中除了历史光能发电数据,还包括所述历史光能发电数据对应的外生变量数据,即所述训练集中可以包含多个变量,因此将所述神经网络预测模型的输入层与分支网络之间的连接权重向量的维度设置为与输入数据包含的变量个数一致,也就是将输入层与分支网络之间的连接权重向量的维度设置为与所述训练集包含的变量个数一致;同样的,使所述神经网络预测模型中的输出层与分支网络之间的连接权重系数的个数与分支网络中的输出函数的个数一一对应。如此,在利用神经网络预测模型导出相应的连接权重向量和连接权重系数时,可以将所述连接权重向量和连接权重系数直接填入预设的高次多项式中(即预先构建的神经网络预测模型),从而最终得到完整的模型表达式,使所述神经网络预测模型输出的光能发电预测结果准确可靠,具有可解释性。
在一实施例中,所述步骤S104包括:
当利用训练的神经网络预测模型输出连接权重向量和连接权重系数时,判断是否存在连接权重向量或者连接权重系数为空值的情况;
若存在连接权重向量或者连接权重系数为空值的情况,则判定所述神经网络预测模型发生梯度爆炸或者梯度消失;
利用RELU等激活函数消除所述梯度爆炸或者梯度消失。
本实施例中,在通过神经网络预测模型导出所述连接权重向量和连接权重系数时,需要核验是否存在因为在训练过程中发生梯度爆炸或者梯度消失导致的权重向量或者权重系数为空值的问题。而为了解决这种问题,可以在神经网络预测模型中加入非饱和的激活函数,例如RELU等激活函数。当然,在其他实施例中,还可以通过残差模块解决梯度爆炸或者梯度消失的问题。
图3为本发明实施例提供的一种光能发电的预测装置300的示意性框图,该预测装置300具体包括:
预先构建单元301,用于预先构建基于高次多项式的多分支神经网络预测模型;
数据处理单元302,用于获取历史光能发电数据及其对应的外生变量数据,并对所述历史光能发电数据及其对应的外生变量数据进行预处理,得到包含多变量的历史光能发电数据集,然后将所述历史光能发电数据集划分为训练集和测试集;
训练单元303,用于将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习;
参数构建单元304,用于利用训练的神经网络预测模型输出神经网络中每一神经元对应的参数,然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建;
优化评价单元305,用于通过所述测试集对构建的神经网络预测模型进行测试优化,得到优化后的神经网络预测模型,然后利用平均绝对误差、均方根误差、协方差均方根误差和R平方对优化后的神经网络预测模型进行评价,从而得到最终的神经网络预测模型;
预测单元306,用于利用最终的神经网络预测模型对指定周期的光能发电数据进行预测。
在一实施例中,所述预先构建单元301包括:
模型构建单元,用于按照下式预先构建基于高次多项式的多分支神经网络预测模型:
在一实施例中,所述光能发电的预测装置300还包括:
预先设置单元,用于预先设置不同次的高次多项式h(.),通过对所述分支网络预训练使所述分支网络的功能与所述的高次多项式h(.)相匹配。
在一实施例中,所述数据处理单元302包括:
归一化单元,用于对所述历史光能发电数据和对应的外生变量数据进行归一化预处理,得到所述历史光能发电数据集;
均等划分单元,用于将所述历史光能发电数据集划分为训练集和测试集,并按照预设的时间窗口对所述训练集进行均等划分。
在一实施例中,所述训练单元303包括:
指标训练单元,用于将平均绝对误差作为所述神经网络训练过程的收敛指标,然后根据均等划分后的训练集对所述神经网络预测模型进行多轮训练学习,直至达到所述收敛指标。
在一实施例中,所述训练单元303还包括:
维度设置单元,用于将所述神经网络预测模型中的输入层与分支网络之间的连接权重向量维度设置为与输入层的输入数据包含的变量个数相同;
个数设置单元,用于将所述神经网络预测模型中的输出层与分支网络之间的连接权重系数的个数设置为与所述分支网络中的输出函数的个数相同。
在一实施例中,所述参数构建单元304包括:
判断单元,用于当利用训练的神经网络预测模型输出连接权重向量和连接权重系数时,判断是否存在连接权重向量或者连接权重系数为空值的情况;
判定单元,用于若存在连接权重向量或者连接权重系数为空值的情况,则判定所述神经网络预测模型发生梯度爆炸或者梯度消失;
消除单元,用于利用RELU等激活函数消除所述梯度爆炸或者梯度消失。
由于装置部分的实施例与方法部分的实施例相互对应,因此装置部分的实施例请参见方法部分的实施例的描述,这里暂不赘述。
本发明实施例还提供了一种计算机可读存储介质,其上存有计算机程序,该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种计算机设备,可以包括存储器和处理器,存储器中存有计算机程序,处理器调用存储器中的计算机程序时,可以实现上述实施例所提供的步骤。当然计算机设备还可以包括各种网络接口,电源等组件。
说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的状况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (8)
1.一种光能发电的预测方法,其特征在于,包括:
预先构建基于高次多项式的多分支神经网络预测模型;
所述预先构建基于高次多项式的多分支神经网络预测模型,包括:
按照下式预先构建基于高次多项式的多分支神经网络预测模型:
式中,为输入的光能发电数据变量,为神经网络预测模型中的分支网络输入变量对应的连接权重向量,为分支网络的第i个输出函数,第i个输出函数为预先设置的不同次的高次多项式,为第i个输出函数对应的权重,为最终的光能发电预测值;
所述预先构建基于高次多项式的多分支神经网络预测模型,还包括:
通过对所述分支网络预训练使所述分支网络的功能与所述的高次多项式h(.)相匹配;
获取历史光能发电数据及其对应的外生变量数据,并对所述历史光能发电数据及其对应的外生变量数据进行预处理,得到包含多变量的历史光能发电数据集,然后将所述历史光能发电数据集划分为训练集和测试集;
将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习;
利用训练的神经网络预测模型输出神经网络中每一神经元对应的参数,然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建;
通过所述测试集对构建的神经网络预测模型进行测试优化,得到优化后的神经网络预测模型,然后利用平均绝对误差、均方根误差、协方差均方根误差和R平方对优化后的神经网络预测模型进行评价,从而得到最终的神经网络预测模型;
利用最终的神经网络预测模型对指定周期的光能发电数据进行预测。
2.根据权利要求1所述的光能发电的预测方法,其特征在于,所述获取历史光能发电数据及其对应的外生变量数据,并对所述历史光能发电数据及其对应的外生变量数据进行预处理,得到包含多变量的历史光能发电数据集,然后将所述历史光能发电数据集划分为训练集和测试集,包括:
对所述历史光能发电数据和对应的外生变量数据进行归一化预处理,得到所述历史光能发电数据集;
将所述历史光能发电数据集划分为训练集和测试集,并按照预设的时间窗口对所述训练集进行均等划分。
3.根据权利要求2所述的光能发电的预测方法,其特征在于,所述将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习,包括:
将平均绝对误差作为所述神经网络训练过程的收敛指标,然后根据均等划分后的训练集对所述神经网络预测模型进行多轮训练学习,直至达到所述收敛指标。
4.根据权利要求3所述的光能发电的预测方法,其特征在于,所述将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习,还包括:
将所述神经网络预测模型中的输入层与分支网络之间的连接权重向量维度设置为与输入层的输入数据包含的变量个数相同;
将所述神经网络预测模型中的输出层与分支网络之间的连接权重系数的个数设置为与所述分支网络中的输出函数的个数相同。
5.根据权利要求4所述的光能发电的预测方法,其特征在于,所述利用训练的神经网络预测模型输出神经网络中每一神经元对应的参数,然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建,包括:
当利用训练的神经网络预测模型输出连接权重向量和连接权重系数时,判断是否存在连接权重向量或者连接权重系数为空值的情况;
若存在连接权重向量或者连接权重系数为空值的情况,则判定所述神经网络预测模型发生梯度爆炸或者梯度消失;
利用RELU激活函数消除所述梯度爆炸或者梯度消失。
6.一种光能发电的预测装置,其特征在于,包括:
预先构建单元,用于预先构建基于高次多项式的多分支神经网络预测模型;
所述预先构建单元包括:
模型构建单元,用于按照下式预先构建基于高次多项式的多分支神经网络预测模型:
式中,为输入的光能发电数据变量,为神经网络预测模型中的分支网络输入变量对应的连接权重向量,为分支网络中的第i个输出函数,第i个输出函数为预先设置的不同次的高次多项式,为第i个输出函数对应的权重,为最终的光能发电预测值;
所述预先构建单元还包括:
通过对所述分支网络预训练使所述分支网络的功能与所述的高次多项式h(.)相匹配;
数据处理单元,用于获取历史光能发电数据及其对应的外生变量数据,并对所述历史光能发电数据及其对应的外生变量数据进行预处理,得到包含多变量的历史光能发电数据集,然后将所述历史光能发电数据集划分为训练集和测试集;
训练单元,用于将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习;
参数构建单元,用于利用训练的神经网络预测模型输出神经网络中每一神经元对应的参数,然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建;
优化评价单元,用于通过所述测试集对构建的神经网络预测模型进行测试优化,得到优化后的神经网络预测模型,然后利用平均绝对误差、均方根误差、协方差均方根误差和R平方对优化后的神经网络预测模型进行评价,从而得到最终的神经网络预测模型;
预测单元,用于利用最终的神经网络预测模型对指定周期的光能发电数据进行预测。
7.一种计算机设备,其特征在于,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的光能发电的预测方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的光能发电的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210037.9A CN112348247B (zh) | 2020-11-03 | 2020-11-03 | 一种光能发电的预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011210037.9A CN112348247B (zh) | 2020-11-03 | 2020-11-03 | 一种光能发电的预测方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348247A CN112348247A (zh) | 2021-02-09 |
CN112348247B true CN112348247B (zh) | 2022-04-15 |
Family
ID=74356361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011210037.9A Active CN112348247B (zh) | 2020-11-03 | 2020-11-03 | 一种光能发电的预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348247B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114496111A (zh) * | 2022-01-28 | 2022-05-13 | 厦门大学 | 一种基于机器学习快速预测核磁共振化学位移的方法 |
CN114429248A (zh) * | 2022-03-31 | 2022-05-03 | 山东德佑电气股份有限公司 | 一种变压器视在功率预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
CN110070228A (zh) * | 2019-04-25 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种神经元分支进化的bp神经网络风速预测方法 |
CN111178601A (zh) * | 2019-12-18 | 2020-05-19 | 中电投电力工程有限公司 | 一种基于气象数据后处理的风电机组功率预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10418822B2 (en) * | 2017-02-14 | 2019-09-17 | Mitsubishi Electric Research Laboratories, Inc. | Energy production and frequency regulation Co-optimization for power generation systems |
-
2020
- 2020-11-03 CN CN202011210037.9A patent/CN112348247B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104268638A (zh) * | 2014-09-11 | 2015-01-07 | 广州市香港科大霍英东研究院 | 一种基于elman神经网络的光伏发电系统功率预测方法 |
CN110070228A (zh) * | 2019-04-25 | 2019-07-30 | 中国人民解放军国防科技大学 | 一种神经元分支进化的bp神经网络风速预测方法 |
CN111178601A (zh) * | 2019-12-18 | 2020-05-19 | 中电投电力工程有限公司 | 一种基于气象数据后处理的风电机组功率预测方法 |
Non-Patent Citations (2)
Title |
---|
基于经验模态分解与多分支神经网络的超短期风功率预测;孟鑫禹;《计算机应用》;20200917;全文 * |
多项式神经模糊模型的构造与应用;王丹;《中国博士学位论文全文数据库 信息科技辑》;20160115;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112348247A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348247B (zh) | 一种光能发电的预测方法、装置、计算机设备及存储介质 | |
CN111027772B (zh) | 基于pca-dbilstm的多因素短期负荷预测方法 | |
CN111553543B (zh) | 基于TPA-Seq2Seq的电力负荷预测方法及相关组件 | |
Park et al. | Data compression and prediction using machine learning for industrial IoT | |
CN112365885B (zh) | 唤醒模型的训练方法、装置和计算机设备 | |
CN109995031B (zh) | 基于物理模型的概率潮流深度学习计算方法 | |
CN109412161B (zh) | 一种电力系统概率潮流计算方法及系统 | |
CN111931989A (zh) | 基于深度学习神经网络的电力系统短期负荷预测方法 | |
CN112288137A (zh) | 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置 | |
CN114091615A (zh) | 一种基于生成对抗网络的电能计量数据补全方法和系统 | |
CN112418476A (zh) | 一种超短期电力负荷预测方法 | |
CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
CN115169746A (zh) | 基于融合模型的电力负荷短期预测方法、装置及相关介质 | |
CN115186923A (zh) | 光伏发电功率的预测方法、装置及电子设备 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
CN111932091A (zh) | 一种基于梯度生存提升树的生存分析风险函数预测方法 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN114385962A (zh) | 一种基于相似日的日前光伏发电功率预测方法及系统 | |
JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
CN110852415B (zh) | 基于神经网络算法的植被指数预测方法、系统及设备 | |
CN109840308B (zh) | 一种区域风电功率概率预报方法及系统 | |
CN114925931A (zh) | 台区负荷预测方法及系统 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN115829123A (zh) | 基于灰色模型与神经网络的天然气需求预测方法及装置 | |
CN114638421A (zh) | 一种发电机组备件需求的预测方法 |
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 |