[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

说明书

技术领域

本发明涉及光伏功率预测，具体讲,涉及泄漏积分型回声状态网络在线学习光伏功率预测方法。

背景技术

太阳能是一种天然的清洁能源，随着近年来光伏发电技术的快速发展和大规模的商业化应用，光伏发电将成为未来人类最主要的发电方式之一。但是，光伏发电具有不确定性与间歇性，易受天气与季节状况的影响；光伏发电并网还会对电力系统造成冲击，不利于其稳定运行。因此，对于光伏发电的准确预测有利于电力系统的调度，降低运行成本，使整个系统实现效益最大化。每日的光伏发电量都呈现一定的规律性，但同时也易受气象因素的影响，存在随机性。在预测光伏发电量时，要考虑到时间序列的连续性以及气象因素对其产生的影响。光伏发电短期预测的主要方法有神经网络算法、支持向量回归算法、时间序列算法等。与其他算法相比，神经网络具有很强的容错性与自适应性，可通过自学习构建一个复杂的网络模型，改进神经网络模型或混合神经网络模型常用于预测问题。

发明内容

为克服现有技术的不足，本发明旨在提出分析泄漏积分型回声状态网络(LIESN)的参数对其光伏功率预测性能的影响，并得到优化后光伏功率的预测模型；利用最小二乘在线学习算法对模型实施训练，得到在线学习泄漏积分型回声状态网络预测模型，最终实现基于泄漏积分型回声状态网络的在线学习光伏功率预测。本发明采用的技术方案是，泄漏积分型回声状态网络在线学习光伏功率预测方法，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。

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：

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。

步骤2参数的设定：

探究模型参数对预测精度与训练时间的影响，选择出适用于特定数据的储备池参数，实现对光伏功率预测模型的优化，预测精度采用归一化均方误差NRMSE评判，具体步骤如下：

(1)储备池规模N与谱半径SR的选择

设置固定的输入尺度IS(0.1)与连接度SD(0.1)，储备池规模N取值范围为[25,500]，步长25；谱半径SR取值范围[0.1,1)，步长0.1，当N处于区间[100,300]时其预测性能优于其它区间，设定储备池规模为200，谱半径SR处于区间[0.5,0.8]时测试误差较小，选择谱半径为0.7。

(2)储备池连接度SD与输入尺度IS的选择

选择连接度SD为0.05。

(3)泄漏衰减率α的选择

选择测试误差最小时对应的α值。

步骤3利用在线学习算法训练：

LIESN输出权值矩阵W^out的更新采用了RLS算法，其目标是使指数折衷平方和即下式最小化：