基于GRU的光伏電站輻照度中長期預測的方法及裝置與流程
本發明屬于輻照度預測技術領域，具體涉及一種基于GRU(gated recurrent unit，門限遞歸單元)神經網絡模型進行光伏電站輻照度中長期預測的方法和裝置。
背景技術：
由于光伏電站的普及度提高，太陽輻照度預測變得日益重要。為了確保電力系統的穩定運行，準確的輻照度預測至關重要。
但是目前大部分現存輻照度預測為短期預測，不能給電力系統的中長期規劃和調度以指導性意見。而且，目前大部分預測方法都需要采集與輻照度相關的氣象數據，如：溫度、濕度和云量等，這些附加數據采集過程中的誤差會對后續的輻照度預測產生一定的影響。可見，準確有效的、實現簡單的、可有效的用于光伏電站輻照度中長期預測的方法和裝置有待開發。
技術實現要素：
本發明公開的一種基于GRU的光伏電站輻照度中長期預測的方法及裝置，目的是提供一種光伏電站輻照度中長期預測方法和裝置，實現光伏電站輻照度中長期預測。
本發明通過以下的技術方案實現以上發明目的。
本發明公開的一種基于GRU的光伏電站輻照度中長期預測的方法，包括如下步驟：
步驟一：采集光伏電站所在位置的太陽輻照度數據；
步驟二：將步驟一中采集光伏電站所在位置的太陽輻照度數據載入基于GRU門限遞歸單元神經網絡模型，將采集的光伏電站所在位置的太陽輻照度數據分為訓練集、驗證集和測試集。基于GRU門限遞歸單元神經網絡模型對所述光伏電站輻照度進行預測，根據輻照度的訓練集預測值和訓練集真實值進行比較，得到訓練集預測誤差。通過誤差反向傳播(Error Back Propagation，BP)算法利用訓練集預測誤差更新所述GRU門限遞歸單元神經網絡模型的網絡參數；
步驟三：將步驟二得到的網絡參數帶入基于GRU門限遞歸單元神經網絡模型，通過基于GRU門限遞歸單元神經網絡模型的測試集測試基于GRU門限遞歸單元神經網絡模型的預測能力，從而將最終得到的基于GRU門限遞歸單元神經網絡模型用于預測光伏電站所在位置的太陽輻照度；
步驟四：電力部門根據步驟三得到的輻照度預測結果進行中長期規劃和調度，實現資源的合理利用，減少不合理增加裝機量造成的設備損耗等問題。
現有技術中光伏電站輻照度預測為1周以內的短期預測，本發明所述的中長期預測結果指1周以上的光伏電站輻照度預測，例如可以優選下一季度或下一年光伏電站的輻照度預測值。
所述訓練集和驗證集用于訓練基于GRU門限遞歸單元神經網絡模型，所述測試集用于測試基于GRU門限遞歸單元神經網絡模型的預測能力。其中，通過誤差反向傳播(Error Back Propagation，BP)算法利用訓練集預測誤差更新所述GRU門限遞歸單元神經網絡模型的網絡參數。驗證集用于減少過度擬合，如果訓練集的誤差減小而驗證集的誤差不變或者增大，那么基于GRU門限遞歸單元神經網絡模型出現過擬合，基于GRU門限遞歸單元神經網絡模型應該停止訓練。
通過訓練集預測值和訓練集真實值對比能夠得到訓練集誤差率(loss)；通過驗證集預測值和驗證集真實值對比能夠得到驗證集誤差率(loss)；通過測試集預測值和測試集真實值對比能夠得到測試集誤差率(loss)。
所述的真實值指步驟一中采集光伏電站所在位置的太陽輻照度數據。
優選地，步驟一中采集光伏電站所在位置的太陽輻照度數據優選為歷史實測值。
所述的步驟二中基于GRU門限遞歸單元神經網絡模型包括輸入層、隱藏層和輸出層，其中隱藏層包括更新門和重置門，通過公式(1)至(5)，根據xt和ht-1進行更新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為所述隱藏層的輸入和輸出，z和r分別為所述更新門和重置門，如何組合新輸入和之前的記憶由重置門決定，留下多少之前的記憶由更新門決定。W為權重矩陣，b為偏置向量。σ為sigmoid函數，⊙為向量按元素的乘積。所述sigmoid函數和tanh函數的計算公式分別為sigmoid(x)＝1/(1+e-x)和tanh(x)＝(ex-e-x)/(ex+e-x)。
本發明還公開實現上述一種基于GRU的光伏電站輻照度中長期預測的方法的一種基于GRU的光伏電站輻照度中長期預測的裝置，包括采集模塊、預測模塊和決策模塊。
采集模塊，用于采集指定光伏電站所在位置太陽輻照度數據；
預測模塊，用基于GRU門限遞歸單元神經網絡模型對所述光伏電站輻照度進行預測，得到輻照度的中長期預測結果。所述預測模塊中將采集的光伏電站所在位置的太陽輻照度數據分為訓練集、驗證集和測試集。預測模塊中還根據輻照度的訓練集預測值和訓練集真實值進行比較，得到訓練集預測誤差，通過誤差反向傳播(Error Back Propagation，BP)算法利用訓練集預測誤差更新所述GRU門限遞歸單元神經網絡模型的網絡參數，將得到的網絡參數帶入基于GRU門限遞歸單元神經網絡模型，通過基于GRU門限遞歸單元神經網絡模型的測試集測試基于GRU門限遞歸單元神經網絡模型的預測能力，從而將最終得到的基于GRU門限遞歸單元神經網絡模型用于預測光伏電站所在位置的太陽輻照度；
決策模塊，用于電力部門根據得到的輻照度預測結果進行中長期規劃和調度，實現資源的合理利用，減少不合理增加裝機量造成的設備損耗等問題。
現有技術中光伏電站輻照度預測為1周以內的短期預測，本發明所述的中長期預測結果指1周以上的光伏電站輻照度預測，例如可以優選下一季度或下一年光伏電站的輻照度預測值。
所述訓練集和驗證集用于訓練基于GRU門限遞歸單元神經網絡模型，所述測試集用于測試基于GRU門限遞歸單元神經網絡模型的預測能力。其中，通過誤差反向傳播(Error Back Propagation，BP)算法利用訓練集預測誤差更新所述GRU門限遞歸單元神經網絡模型的網絡參數。驗證集用于減少過度擬合，如果訓練集的誤差減小而驗證集的誤差不變或者增大，那么基于GRU門限遞歸單元神經網絡模型出現過擬合，基于GRU門限遞歸單元神經網絡模型應該停止訓練。
通過訓練集預測值和訓練集真實值對比能夠得到訓練集誤差率(loss)；通過驗證集預測值和驗證集真實值對比能夠得到驗證集誤差率(loss)；通過測試集預測值和測試集真實值對比能夠得到測試集誤差率(loss)。
優選地，所述所需的光伏電站所在位置的太陽輻照度數據為歷史實測值。
所述基于GRU門限遞歸單元神經網絡模型包括輸入層、隱藏層和輸出層，其中隱藏層包括更新門和重置門，通過公式(6)至(10)，根據xt和ht-1進行更新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為所述隱藏層的輸入和輸出，z和r分別為所述更新門和重置門，如何組合新輸入和之前的記憶由重置門決定，留下多少之前的記憶由更新門決定。W為權重矩陣，b為偏置向量。σ為sigmoid函數，⊙為向量按元素的乘積。所述sigmoid函數和tanh函數的計算公式分別為sigmoid(x)＝1/(1+e-x)和tanh(x)＝(ex-e-x)/(ex+e-x)。
有益效果：
本發明公開的一種基于GRU的光伏電站輻照度中長期預測的方法及裝置，基于GRU門限遞歸單元神經網絡模型對光伏電站所在位置的太陽輻照度進行預測，由于基于GRU門限遞歸單元神經網絡模型具有記憶功能，能夠充分考慮歷史輻照度對當前輻照度的影響，可以有效的用于電力部門對包括光伏電站在內的電力中長期規劃和調度，實現資源的合理利用，減少不合理增加裝機量造成的設備損耗等問題，此外，所述的中長期預測的方法及裝置還具有準確高效，實現簡單的優點。
附圖說明
圖1為本發明基于GRU的光伏電站輻照度中長期預測方法的流程圖；
圖2為本發明GRU隱藏層的結構圖；
圖3為本發明基于GRU的光伏電站輻照度中長期預測裝置的結構框圖。
本申請中附圖僅作為示意型說明，以使本領域技術人員更容易理解本發明，采用這些附圖并非用于對本發明產生任何限制。
具體實施方式
下面將結合附圖說明和具體實施方式對本發明作進一步的詳細說明。
實施例一
參照圖1，本實施例公開的一種基于GRU的光伏電站輻照度中長期預測方法，具體包括如下步驟：
步驟K101：采集光伏電站所在位置的太陽輻照度數據。
太陽輻照度直接影響光伏電站發電功率，所述光伏電站所在位置的太陽輻照度數據需要提前采集獲取，存儲在本地數據庫中。在數據輸入GRU門限遞歸單元神經網絡模型的實際應用中，所需調用的太陽輻照度數據在本發明中特指中長期數據，一般為兩年以上。在實際應用中，輻照度數據采集工作一般實時進行。
步驟K102：將步驟K101中采集光伏電站所在位置的太陽輻照度數據載入基于GRU門限遞歸單元神經網絡模型，將采集的光伏電站所在位置的太陽輻照度數據分為訓練集、驗證集和測試集。基于GRU門限遞歸單元神經網絡模型對所述光伏電站輻照度進行預測，根據輻照度的訓練集預測值和訓練集真實值進行比較，得到訓練集預測誤差。通過誤差反向傳播(Error Back Propagation，BP)算法利用訓練集預測誤差更新所述GRU門限遞歸單元神經網絡模型的網絡參數。
步驟K103：將步驟K102得到的網絡參數帶入基于GRU門限遞歸單元神經網絡模型，通過基于GRU門限遞歸單元神經網絡模型的測試集測試基于GRU門限遞歸單元神經網絡模型的預測能力，從而將最終得到的基于GRU門限遞歸單元神經網絡模型用于預測光狀電站所在位置的太陽輻照度。
門限遞歸單元(gated recurrent unit，GRU)通常用于描述動態時間行為序列，將狀態在自身網絡中循環傳遞，由于存在當前輸入與過去狀態的連接，GRU具有優秀的記憶功能，使得歷史輸入信息對當前輸出的影響也被考慮在內。
門限遞歸單元包括輸入層、隱藏層和輸出層。門限遞歸單元的核心是隱藏層的兩個門，這些門可以選擇性地讓信息通過來控制歷史數據對最終結果的影響。其中隱藏層的結構圖參見圖2，包括更新門和重置門，通過公式(11)至(15)，根據xt和ht-1進行更新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為所述隱藏層的輸入和輸出，z和r分別為所述更新門和重置門，如何組合新輸入和之前的記憶由重置門決定，留下多少之前的記憶由更新門決定。W為權重矩陣，b為偏置向量。σ為sigmoid函數，⊙為向量按元素的乘積。所述sigmoid函數和tanh函數的計算公式分別為sigmoid(x)＝1/(1+e-x)和tanh(x)＝(ex-e-x)/(ex+e-x)。
步驟K101中采集的光伏電站輻照度數據，例如兩年，在被輸入到GRU門限遞歸單元神經網絡模型中被分為訓練集、驗證集和測試集。三個數據集的比例可以由本領域技術人員采用適當方式進行設定，如可以根據采集的數據集大小和需要預測的數據集大小進行設定，或者采用人工經驗設定，本發明對此不作限制。
所需預測的太陽輻照度預測在本發明中特指中長期預測，一般為1周以上，在實際應用中，一般可選下一季度或者下一年光伏電站的輻照度預測。
步驟K104：電力部門根據步驟K103得到的輻照度預測結果進行中長期規劃和調度，實現資源的合理利用，減少不合理增加裝機量造成的設備損耗等問題。
電力部門根據步驟K103得到的預測結果進行包括光伏電站在內的電力中長期規劃和調度，如：預測結果若表明下一年光照強度明顯增大，則可以提前適當安排增加光伏電站裝機量。本發明對此不作限制。
本實施例，通過一種基于GRU的光伏電站輻照度中長期預測的方法，實現光伏電站輻照度中長期預測，充分考慮歷史輻照度對當前輻照度的影響，為光伏電站的中長期規劃和調度及整個電力系統的運行提供指導性意見，實現資源的合理利用，減少不合理增加裝機量造成的設備損耗等問題。
實施例二
本發明實施例二中公開的一種基于GRU的光伏電站輻照度中長期預測裝置的結構框圖參見圖3，包括：
采集模塊K301，用于采集指定光伏電站所在位置太陽輻照度的數據。
在實際應用中，太陽輻照度采集模塊需要合理安裝在指定光伏電站所在位置，模塊的安裝位置和角度都會對數據采集工作產生一定影響。采集模塊的選型、安裝可以由本領域技術人員采用適當方式確定，或者采用人工經驗確定，本發明對此不作限制。
預測模塊K302，用基于GRU門限遞歸單元神經網絡模型對所述光伏電站輻照度進行預測，得到輻照度的中長期預測結果。所述預測模塊中將采集的光伏電站所在位置的太陽輻照度數據分為訓練集、驗證集和測試集。預測模塊中還根據輻照度的訓練集預測值和訓練集真實值進行比較，得到訓練集預測誤差，通過誤差反向傳播(Error Back Propagation，BP)算法利用訓練集預測誤差更新所述GRU門限遞歸單元神經網絡模型的網絡參數，將得到的網絡參數帶入基于GRU門限遞歸單元神經網絡模型，通過基于GRU門限遞歸單元神經網絡模型的測試集測試基于GRU門限遞歸單元神經網絡模型的預測能力，從而將最終得到的基于GRU門限遞歸單元神經網絡模型用于預測光伏電站所在位置的太陽輻照度。
決策模塊K303，用于電力部門根據得到的輻照度預測結果進行中長期規劃和調度，實現資源的合理利用，減少不合理增加裝機量造成的設備損耗等問題。
所需預測的太陽輻照度預測在本發明中特指中長期預測，一般為1周以上，在實際應用中，一般可選下一季度或者下一年光伏電站的輻照度預測。
所述所需的光伏電站所在位置的太陽輻照度數據為采集模塊K301采集的歷史實測值。
所述采集模塊K301采集的光伏電站輻照度數據，例如兩年，在被輸入到GRU門限遞歸單元神經網絡模型中被分為訓練集、驗證集和測試集。三個數據集的比例可以由本領域技術人員采用適當方式進行設定，如可以根據采集的數據集大小和需要預測的數據集大小進行設定，或者采用人工經驗設定，本發明對此不作限制。
所述基于GRU門限遞歸單元神經網絡模型包括輸入層、隱藏層和輸出層，其中隱藏層包括更新門和重置門，通過公式(16)至(20)，根據xt和ht-1進行更新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為所述隱藏層的輸入和輸出，z和r分別為所述更新門和重置門，如何組合新輸入和之前的記憶由重置門決定，留下多少之前的記憶由更新門決定。W為權重矩陣，b為偏置向量。σ為sigmoid函數，⊙為向量按元素的乘積。所述sigmoid函數和tanh函數的計算公式分別為sigmoid(x)＝1/(1+e-x)和tanh(x)＝(ex-e-x)/(ex+e-x)。
本實施例，通過基于GRU門限遞歸單元神經網絡模型構造光伏電站輻照度中長期預測的裝置，解決光伏電站輻照度中長期預測的問題，充分考慮歷史輻照度對當前輻照度的影響，從而為光伏電站出力的中長期預測提供參考，為電力部門的中長期規劃和調度提供一定參考。
對于裝置實施例而言，由于其與方法實施例基本相似，所以描述的比較簡單，相關之處參見方法實施例的部分說明即可。
以上為本發明對基于GRU的光伏電站輻照度中長期預測的方法和裝置的詳細闡述。以上實施例僅為理解本發明的核心思想，本領域的技術人員在具體應用過程中會根據實際情況做出一些修正。綜上，本說明書內容不應理解為對本發明的限制。
- 還沒有人留言評論。精彩留言會獲得點贊！