CN113836814A - 一种基于多流神经网络的太阳能能量预测方法 - Google Patents

Abstract

一种基于多流神经网络的太阳能能量预测方法，相比传统的太阳能收集功率预测方案，优先考虑相似天气，优化模型输入；采用多流神经网络模型，相比于单一的预测方法能够结合并发挥不同预测模型的优势，面对不同的气候条件具备更强的适应性；对采集到的原始太阳能数据进行采样，剔除无效数据和干扰信息，提取出相似天气，兼顾数据量符合模型预测需求的同时，还关注减少输入数据，降低运算复杂度。

Description

一种基于多流神经网络的太阳能能量预测方法

技术领域

本发明涉及电力和数据预测领域，尤其涉及一种基于多流神经网络的太阳能收集功率预测方法。

背景技术

太阳能(Solar Energy)是指太阳光的辐射能量，由于其具有取之不尽，用之不竭的特点，是目前最受关注的新能源之一，也是供电最有前景和技术较为成熟的可再生能源之一。

随着能源需求的增加，不可再生能源存储量已经无法满足发展需求，世界上主要国家(如中国，美国，日本等)将能源的发展中心逐步转移到可再生能源上，都十分重视通过光伏发电产业来进行太阳能资源的开发利用。光伏发电系统受到地球自转、季节变化、降雨以及气候等因素影响，具有很大的不确定性。如今将太阳能融入到电网的挑战之一就是其间歇性和不确定性。因此，预测未来时刻太阳能的可用量是十分重要并且必要的。随着太阳产电量的变化，电网必须实时调度光伏发电系统未来一段时间的发电量，通过更改任务调度和能耗管理来充分利用可再生能源。因此，为光伏电站提供高精度的太阳能预测服务具有重要的实际意义并且可以带来可观的经济效益。

目前主流的能量预测方案大多是基于传统时间序列模型，根据历史数据预测未来短期收集的能量。这些模型通常都专注于减少计算开销损耗，如指数加权移动平均法(ExponentiallyWeighted Moving Average，EWMA)、天气条件移动平均法(Weather-Conditioned Moving Average，WCMA)和通用动态天气条件平均法(Universal DynamicWeatherConditionMovingAverage，UD-WCMA)等模型。但是，EWMA和WCMA难以适应天气变化较大的情况；UD-WCMA则在天气平稳时易出现较大误差点，典型天气匹配也难以在现实中实现。

目前，神经网络方法已经广泛应用于太阳能收集功率预测领域。主要原因是隐藏层能够学习数据集中人工无法识别的表达形式，另一个原因是网络层中使用的非线性逻辑函数可以将两种不相干的数据结合到一起，寻求共同点。然而单纯的深度神经网络方法也有着其局限性，训练数据的不足可能会存在过拟合的情况。

发明内容

针对现有技术中太阳能收集功率算法准确度不高的缺陷，本发明以“提高预测准确度”作为设计目的，以深度神经网络作为设计思路，引入多流神经网络技术，提出一种更适用于电网的太阳能预测方法，将历史天数所保存的历史太阳能数据与当天气作相关性分析，挑选出相似日。将相似日与当天的太阳能数据输入到多流神经网络模型中得到预测结果。与传统太阳能预测方法相比，本发明将提高太阳能收集功率预测准确度。对于电网任务调度和能量管理有很大的帮助。

一种基于多流神经网络的太阳能能量预测方法，包括如下步骤：

步骤1：系统初始化；

步骤2：收集当天太阳能数据并存储，获得当前太阳能能量数据P，并存储到当天的太阳能数据集合P_(M)＝{P₁,P₂,P₃…P_m}中，其中P_m指的是当天第m时刻对应的太阳能数据；

步骤3：更新历史太阳能数据，保留距离当天前N天的太阳能数据D_(N)＝{D₁,D₂,D₃…D_N}；

步骤4：评估相似日，将历史天气D_(N)数组按照与当天的相似程度重新排列，表示为D_sort；

步骤5：利用太阳能预测模型，经过训练后，优化模型参数，得到最终的预测模型，该预测模型采用多流神经网络模型，基于相结合的长短期记忆神经网络LSTM与基于知识型神经网络KBNN；

步骤6：通过多流神经网络算法模型进行预测任务，得到所需未来太阳能功率数据；

步骤7：根据预测数据重新分配电网调度任务和能源管理。

进一步地，步骤3中，对历史太阳能数据进行历史数据更新，将一天等分为24个时刻，得到历史天气太阳能数据矩阵，具体为：

D_i(t)表示第i历史天t时刻的太阳能功率值(i＝1,2,…N；t＝1,2,…24)。

进一步地，步骤4中，包括如下分步骤：

步骤41，预先加载相关性函数，如下所示：

其中，X是当天的太阳能数据，Y是参考日的太阳能数据，E(X)，E(Y)分别是两者的数学期望；式中，ρ_X,Y是用来反应两个变量相似程度的统计量；其中，分子是协方差，分母是两个变量标准差的乘积；当两个变量的线性关系增强时，相关系数趋于1或-1；正相关时趋于1，负相关时趋于-1；当两个变量独立时相关系统为0，但反之不成立；

步骤42，根据相关性函数，计算当天太阳能数据集合P_(M)与历史天气太阳能数据矩阵D_(N)中每一天的相似程度，得到相似度集合，具体为：

ρ_(s)＝{ρ₁,ρ₂,…ρ_N}

其中，ρ_(s)是相似度集合，存储当天前N天的太阳能数据与当天太阳能数据之间的相似度；

步骤43，在有了相似度集合后，按照相似度从高到低排序，根据下标更新历史天气太阳能数据矩阵，得到相似日太阳能数据矩阵D_sort。

进一步地，步骤5中，包括如下分步骤：

步骤51：将具有空间特征的太阳能历史时间序列输入LSTM网络捕获其时间依赖；

步骤52，提出的KBNN结构中有四个主要部分：输入层，输出层，知识神经元和LSTM；输入层用于输入参数；输出层是知识神经元和LSTM输出的线性化；

步骤53，将LSTM的预测值与KBNN预测值线性结合，得到最终的预测结果。

进一步地，步骤51的具体过程为：

步骤511，首先通过LSTM的遗忘门；完成是否遗忘判断的是包含σ层的遗忘门，其将输入的X_t和h_t-1代入公式来决定上一时刻的单元状态有多少可以被保留到当前时刻；具体公式为：

f_t＝σ(W_f.[h_t-1,x_t]+b_f)

其中，f_t是遗忘门，W_f是遗忘门的权重矩阵，h_t-1是t-1时刻的网络输出值，b_f是遗忘门的偏置项，σ(.)是Softmax激活函数；

步骤512，确定新信息被保存在细胞状态，输入门通过sigmoid来决定当前时刻网络的输入X_t有多少保留到记忆单元C_t；具体计算公式如下所示：

i_t＝σ(W_i.[h_t-1,x_t]+b_i)

其中，i_t为输入门，W_i是输入门的权重矩阵，b_i是输入门的偏置项；其次，tanh层会生成一个向量

根据上一次的输出和本次输入来计算当前输入的单元状态，用来更新记忆状态单元，如下所示：

其中，

为更新的记忆状态单元，W_c是更新过程中的权重矩阵，b_i是更新过程中的偏置项；

步骤513，将旧的细胞状态C_t-1更新为当前时刻新的细胞状态C_t，更新的规则就是通过遗忘门选择忘记旧细胞状态的一部分，通过输入门添加候选细胞状态

具体更新公式如下：

步骤514，更新完细胞状态后根据输入来判断输出细胞的哪些状态特征，将输入经过一个称为输出门的Sigmod层得到判断条件，然后将细胞状态经过Tanh层得到新的向量，将该向量和输出门得到的判断条件相乘，具体公式如下:

o_t＝σ(W_o[h_t-1,x_t]+b_o)

y₁＝o_tTanh(C_t)

其中，o_t为输出门，y₁为LSTM预测输出值，W_o是输出门的权重矩阵，b_o是输出门的偏置项。

进一步地，步骤52的具体过程为：

步骤521，首先在KBNN神经元中嵌入有关太阳能的知识：

其中，z_t是来自于KBNN知识神经元的输出，α是加权因子，

指代当天太阳能中当前时刻数据，

指代前N天的时隙n+1中的测得太阳能数据的平均值，

是天气在当日和前一天之间变化；

步骤522，其次根据真实太阳能数据P_(n+1)与z_t之间的差异性，通过KBNN学习到这种变化，减少嵌入的太阳能知识的误差，具体为：

步骤523，根据KBNN学习到的太阳能变化，更新嵌入的太阳能知识，得到KBNN最终的预测结果；具体为：

进一步地，步骤53的具体过程为：

步骤531，将LSTM的预测值与KBNN预测值线性结合，得到最终的预测结果。具体为：

其中，y₁是来自于LSTM的太阳能预测值，y₂是来自于KBNN的太阳能预测值。

本发明的有益效果：

(1)相比传统的太阳能收集功率预测方案，本发明优先考虑相似天气，优化模型输入。

(2)多流神经网络模型相比于单一的预测方法能够结合并发挥不同预测模型的优势，面对不同的气候条件具备更强的适应性。

(3)本发明对采集到的原始太阳能数据进行采样，剔除无效数据和干扰信息，提取出相似天气，兼顾数据量符合模型预测需求的同时，还关注减少输入数据，降低运算复杂度。

附图说明

图1是本发明实施例中的数据采样及预测工作流程图。

图2是本发明实施例中的基于多流神经网络的太阳能预测模型图。

图3是本发明实施例中的LSTM网络模型结构图。

图4是本发明实施例中的KBNN网络模型结构图。

具体实施方式

下面结合说明书附图对本发明的技术方案做进一步的详细说明。

本发明采用的技术方案为一种基于长短期记忆神经网络(Long Short-termMemory,LSTM)和知识型神经网络网络(Knowledge Based Neural Network,KBNN的多流神经网络太阳能收集功率预测方法，包括：采集太阳能来实时获取当前太阳能数据；存储历史太阳能数据，用于与当前太阳能数据进行比较；评估相似天气，在历史太阳能数据中找出与当天太阳能数据相似的天气数据；预测未来时刻太阳能，预测下一时刻的太阳能情况。本发明所使用的多流神经网络形式中，在相同的感知视野范围内，多流神经网络可以通过不同形式的卷积核提取数据的各种特征，从而获得更强的非线性表示，更丰富的特征也意味着最终的预测结果更准确。根据基于多流神经网络的太阳能预测模型，经过迭代训练后，优化模型参数，得到最终的预测模型。本发明首先采用长短期记忆神经网络进行预测，将相似日的太阳能数据作为参数输入到预测模型中。然后采用基于知识型的神经网络，在神经元中引入经过改进的传统数值方法进行太阳能收集功率预测，减少突变天气的影响因素，同时传统数值方法的加入可以有效避免出现因训练数据不足而导致算法预测精度不高的情况，适用性更广泛。如图1所示。预测方法具体包括以下步骤。

步骤1，系统初始化。

步骤2，在该网络中，收集当天太阳能数据并存储，获得当前太阳能能量数据P，对太阳能数据进行收集时，仅保存一天的太阳能数据。针对太阳能预测模型所需的太阳能输入数据，构建一个一元集合P_(M)来存储当天的太阳能数据，集合中每一个P_m指的是当天第m时刻对应的太阳能数据，具体为：

P_(M)＝P₁,P₂,P₃…P_m

步骤3，由于太阳能数据的时序性，时间距离当天较远的太阳能数据对于当天的预测任务参考价值较小，因此需要对历史太阳能数据进行历史数据更新，保留距离当天前N天的太阳能数据，减少网络计算消耗，降低计算复杂度。

对历史太阳能数据进行历史数据更新，将一天等分为24个时刻，得到历史天气太阳能数据矩阵，具体为：

D_i(t)表示第i历史天t时刻的太阳能功率值(i＝1,2,…N；t＝1,2,…24)。

步骤4，在具体实施过程中，与当天越相近的参考天会赋予更高的加权因子，以期天气平稳的情况下会提供更高的预测准确度。在实际情况中，由于天气的不确定性，可能会存在天气状况出现剧烈变化的情况，并不有利于神经网络的训练。因此进一步需要评估相似日，将历史天气D_(N)数组重新排列，获得相似日优先的太阳能数据D_sort。

步骤41，其中，预先加载相关性函数，如下式所示：

其中，X是当天前的太阳能数据，Y是参考日的太阳能数据，E(X)，E(Y)分别是两者的数学期望。式中，ρ_X,Y是用来反应两个变量相似程度的统计量。其中，分子是协方差，分母是两个变量标准差的乘积。当两个变量的线性关系增强时，相关系数趋于1或-1。正相关时趋于1，负相关时趋于-1。当两个变量独立时相关系统为0，但反之不成立。

步骤42，根据相关性函数，计算当天太阳能数据P_(M)与历史天气太阳能数据矩阵D_(N)中每一天的相似程度，得到相似度集合，具体为：

ρ_(s)＝{ρ₁,ρ₂,…ρ_n}

其中，ρ_(s)是相似度集合，存储当天前N天与当天之间的相似度。

步骤43，在有了相似度集合后，按照相似度从高到低排序，根据下标更新历史天气太阳能数据矩阵，可以得到相似日太阳能数据矩阵D_sort。

步骤5，利用太阳能预测模型，经过迭代训练后，优化模型参数，得到最终的预测模型，本发明采用的多流神经网络算法模型为长短期记忆神经网络(Long Short-termMemory,LSTM)与基于知识型神经网络(KnowledgeBasedNeuralNetwork,KBNN)。

步骤51：结合图3，将具有空间特征的太阳能历史时间序列输入LSTM网络捕获其时间依赖，具体过程如下：

步骤511：首先通过LSTM的遗忘门，遗忘门是一个信息进入网络当中，只有符合算法认证的信息才可以不被遗忘。完成是否遗忘判断的是包含σ层的遗忘门，他将输入的X_t和h_t-1代入公式来决定上一时刻的单元状态有多少可以被保留到当前时刻。具体公式为:

f_t＝σ(W_f.[h_t-1,x_t]+b_f)

其中，f_t是遗忘门，W_f是遗忘门的权重矩阵，h_t-1是t-1时刻的网络输出值，b_f是遗忘门的偏置项，σ(.)是Softmax激活函数。

步骤512，确定新信息被保存在细胞状态，输入门通过sigmoid来决定当前时刻网络的输入X_t有多少保留到记忆单元C_t；具体计算公式如下所示：

i_t＝σ(W_i.[h_t-1,x_t]+b_i)

其中，i_t为输入门，W_i是输入门的权重矩阵，b_i是输入门的偏置项。其次，tanh层会生成一个向量

根据上一次的输出和本次输入来计算当前输入的单元状态，用来更新记忆状态单元，如下所示：

其中，

为更新的记忆状态单元，W_c是更新过程中的权重矩阵，b_i是更新过程中的偏置项。

步骤513，将旧的细胞状态C_t-1更新为当前时刻新的细胞状态C_t，更新的规则就是通过遗忘门选择忘记旧细胞状态的一部分，通过输入门添加候选细胞状态

具体更新公式如下：

步骤514，更新完细胞状态后根据输入来判断输出细胞的哪些状态特征，将输入经过一个称为输出门的Sigmod层得到判断条件，然后将细胞状态经过Tanh层得到新的向量，将该向量和输出门得到的判断条件相乘，具体公式如下:

o_t＝σ(W_o[h_t-1,x_t]+b_o)

y₁＝o_tTanh(C_t)

其中，o_t为输出门，y₁为LSTM预测输出值，W_o是输出门的权重矩阵，b_o是输出门的偏置项。

在获得LSTM模型的预测值后，引入KBNN神经网络，KBNN可以通过将有关太阳能的知识整合到神经网络中来提供帮助。另外，KBNN中内含的太阳能知识可以将神经网络中因为迭代而丢失的信息做出很好地补充，提高准确率。

步骤52，结合图4，提出的KBNN结构中有四个主要部分：输入层，输出层，知识神经元和LSTM。输入层用于输入参数。输出层是知识神经元和LSTM输出的线性化。知识神经元的激活函数类似于传统数值方法中的WCMA方法，根据在工作中使用的输入参数进行优化，以表示关于太阳能预测的知识。

步骤521，首先在KBNN神经元中嵌入有关太阳能的知识

其中，z_t是来自于KBNN知识神经元的输出，α是加权因子，

指代当天太阳能中当前时刻数据，

指代前N天的时隙n+1中的测得太阳能数据的平均值，

是天气在当日和前一天之间变化；

这种遵循传统数值方法构建的知识模型是基于KBNN预测方法的起点。有了这些知识，KBNN可以在没有训练数据的情况下提供了预测值的近似值。相比之下，在没有训练数据的情况下，LSTM不包含任何有关太阳能预测的输入输出关系的信息。换句话说，LSTM和KBNN的出发点是不同的。事实上，任何现有的太阳能预测分析模型都可以作为知识模型的起点。

步骤522，其次根据真实太阳能数据P_(n+1)与z_t之间的差异性，通过KBNN学习到这种变化，减少嵌入的太阳能知识的误差，具体为：

步骤523，根据KBNN学习到的太阳能变化，更新嵌入的太阳能知识，得到KBNN最终的预测结果。具体为：

步骤53的具体过程为：

步骤531，将LSTM的预测值与KBNN预测值线性结合，得到最终的预测结果。具体为：

其中，y₁是来自于LSTM的太阳能预测值，y₂是来自于KBNN的太阳能预测值。

步骤6：通过多流神经网络算法模型进行预测任务，得到所需未来太阳能功率数据。

步骤7：根据预测数据重新分配电网调度任务和能源管理。

以上所述仅为本发明的较佳实施方式，本发明的保护范围并不以上述实施方式为限，但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化，皆应纳入权利要求书中记载的保护范围内。

Claims (7)

1.一种基于多流神经网络的太阳能能量预测方法，其特征在于：所述方法包括如下步骤：

步骤1：系统初始化；

步骤2：收集当天太阳能数据并存储，获得当前太阳能能量数据P，并存储到当天的太阳能数据集合P_(M)＝{P₁,P₂,P₃...P_m}中，其中P_m指的是当天第m时刻对应的太阳能数据；

步骤3：更新历史太阳能数据，保留当天前N天的太阳能数据D_(N)＝{D₁,D₂,D₃...D_N}；

步骤4：评估相似日，将历史天气D_(N)数组按照与当天的相似程度重新排列，表示为D_sort；

步骤5：利用太阳能预测模型，经过训练后，优化模型参数，得到最终的预测模型，该预测模型采用多流神经网络模型，基于相结合的长短期记忆神经网络LSTM与基于知识型神经网络KBNN；

步骤6：通过多流神经网络算法模型进行预测任务，得到所需未来太阳能功率数据；

步骤7：根据预测数据重新分配电网调度任务和能源管理。

2.根据权利要求1所述的一种基于多流神经网络的太阳能能量预测方法，其特征在于：步骤3中，对历史太阳能数据进行历史数据更新，将一天等分为24个时刻，得到历史天气太阳能数据矩阵，具体为：

D_i(t)表示第i历史天t时刻的太阳能功率值(i＝1,2,…N；t＝1,2,…24)。

3.根据权利要求1所述的一种基于多流神经网络的太阳能能量预测方法，其特征在于：步骤4中，包括如下分步骤：

步骤41，预先加载相关性函数，如下所示：

其中，X是当天的太阳能数据，Y是参考日的太阳能数据，E(X)，E(Y)分别是两者的数学期望；式中，ρ_X,Y是用来反应两个变量相似程度的统计量；其中，分子是协方差，分母是两个变量标准差的乘积；当两个变量的线性关系增强时，相关系数趋于1或-1；正相关时趋于1，负相关时趋于-1；当两个变量独立时相关系统为0，但反之不成立；

步骤42，根据相关性函数，计算当天太阳能数据集合P_(M)与历史天气太阳能数据矩阵D_(N)中每一天的相似程度，得到相似度集合，具体为：

ρ_(s)＝{ρ₁,ρ₂,…ρ_N}

其中，ρ_(s)是相似度集合，存储当天前N天的太阳能数据与当天太阳能数据之间的相似度；

步骤43，在有了相似度集合后，按照相似度从高到低排序，根据下标更新历史天气太阳能数据矩阵，得到相似日太阳能数据矩阵D_sort。

4.根据权利要求1所述的一种基于多流神经网络的太阳能能量预测方法，其特征在于：步骤5中，包括如下分步骤：

步骤51：将具有空间特征的太阳能历史时间序列输入LSTM网络捕获其时间依赖；

步骤52，提出的KBNN结构中有四个主要部分：输入层，输出层，知识神经元和LSTM；输入层用于输入参数；输出层是知识神经元和LSTM输出的线性化；

步骤53，将LSTM的预测值与KBNN预测值线性结合，得到最终的预测结果。

5.根据权利要求4所述的一种基于多流神经网络的太阳能能量预测方法，其特征在于：步骤51的具体过程为：

步骤511，首先通过LSTM的遗忘门；完成是否遗忘判断的是包含σ层的遗忘门，其将输入的X_t和h_t-1代入公式来决定上一时刻的单元状态有多少可以被保留到当前时刻；具体公式为：

f_t＝σ(W_f.[h_t-1,x_t]+b_f)

其中，f_t是遗忘门，W_f是遗忘门的权重矩阵，h_t-1是t-1时刻的网络输出值，b_f是遗忘门的偏置项，σ(.)是Softmax激活函数；

步骤512，确定新信息被保存在细胞状态，输入门通过sigmoid来决定当前时刻网络的输入X_t有多少保留到记忆单元C_t；具体计算公式如下所示：

i_t＝σ(W_i.[h_t-1,x_t]+b_i)

其中，i_t为输入门，W_i是输入门的权重矩阵，b_i是输入门的偏置项；其次，tanh层会生成一个向量

根据上一次的输出和本次输入来计算当前输入的单元状态，用来更新记忆状态单元，如下所示：

其中，

为更新的记忆状态单元，W_c是更新过程中的权重矩阵，b_i是更新过程中的偏置项；

步骤513，将旧的细胞状态C_t-1更新为当前时刻新的细胞状态C_t，更新的规则就是通过遗忘门选择忘记旧细胞状态的一部分，通过输入门添加候选细胞状态

具体更新公式如下：

步骤514，更新完细胞状态后根据输入来判断输出细胞的哪些状态特征，将输入经过一个称为输出门的Sigmod层得到判断条件，然后将细胞状态经过Tanh层得到新的向量，将该向量和输出门得到的判断条件相乘，具体公式如下:

o_t＝σ(W_o[h_t-1,x_t]+b_o)

h_t＝o_tTanh(C_t)

其中，o_t为输出门，h_t为t时刻输出值，W_o是输出门的权重矩阵，b_o是输出门的偏置项。

6.根据权利要求4所述的一种基于多流神经网络的太阳能能量预测方法，其特征在于：步骤52的具体过程为：

步骤521，首先在KBNN神经元中嵌入有关太阳能的知识：

其中，z_t是来自于KBNN知识神经元的输出，α是加权因子，

指代当天太阳能中当前时刻数据，

指代前N天的时隙n+1中的测得功率值的平均值，

是天气在当日和前一天之间变化；

步骤522，其次根据真实太阳能数据P_(n+1)与z_t之间的差异性，通过KBNN学习到这种变化，减少嵌入的太阳能知识的误差，具体为：

步骤523，根据KBNN学习到的太阳能变化，更新嵌入的太阳能知识，得到KBNN最终的预测结果；具体为：

7.根据权利要求4所述的一种基于多流神经网络的太阳能能量预测方法，其特征在于：步骤53的具体过程为：

步骤531，将LSTM的预测值与KBNN预测值线性结合，得到最终的预测结果。具体为：

其中，y₁是来自于LSTM的太阳能预测值，y₂是来自于KBNN的太阳能预测值。

Images