[发明专利]泄漏积分型回声状态网络在线学习光伏功率预测方法

权利要求书

1.一种泄漏积分型回声状态网络在线学习光伏功率预测方法，其特征是，步骤如下：

步骤1引入泄漏积分神经元：

采用泄漏积分神经元实现具有时序特征的光伏功率输出预测；

步骤2参数的设定：

根据LIESN的结构，选择输入层、储备池、输出层的维数；设定网络的参数，包括储备池规模N、谱半径SR、储备池连接度SD、输入尺度IS、泄漏积分率、遗忘因子；

步骤3利用在线学习算法训练：

将权值的动态调整思想引入LIESN的训练过程，实现LIESN的在线学习，使光伏功率预测模型建立以后依然可以根据新获取的样本调整权值，在已有的训练结果的基础上继续新样本的学习，增强模型对样本的识别能力；

步骤4光伏输出功率预测：

利用在线学习算法与训练样本完成训练之后，得到光伏输出功率预测模型，利用该模型对测试样本进行预测，并对比预测功率与实际功率，评价预测精准程度。

2.如权利要求1所述的泄漏积分型回声状态网络在线学习光伏功率预测方法，其特征是，步骤1中具体地，泄漏积分回声状态网络LIESN的连续状态更新方程为：

dx(n)dn=C(-αx(n)+f(Winu(n)+Wx(n)+Wbacky(n)))---(1)]]>

式中，u(n)、x(n)、y(n)分别为网络在n时刻的输入、n时刻的状态以及n时刻的输出，为n时刻的状态对时间的导数；C为时间常数且C>0；α为泄漏衰减率且α>0，它表示神经元对之前状态的保持度，Wⁱⁿ、W与W^back分别为输入权值矩阵、储备池状态权值矩阵与反馈权值矩阵；f( )为神经元的激活函数；

引入步长参数δ，将公式(1)改写为：

x(n+1)＝(1-δCα)x(n)+δC(f(Wⁱⁿu(n)+Wx(n)+W^backy(n))) (2)

(1-δCα)x(n)项的加入使LIESN的状态更新参考前一时刻的状态，相当于增加了神经元的记忆性，若令δ＝1，C＝1，α＝1，则该式即为经典ESN的状态更新方程。