[发明专利]基于波尔兹曼机的光伏超短期功率预测方法

说明书

本发明涉及光伏发电功率预测、深度学习技术领域，为提出一种基于深度学习中的限制波尔兹曼机模型对光伏功率进行预测的方法。为精确预测光伏功率提供有力支持。为此，本发明采用的技术方案是，基于波尔兹曼机的光伏超短期功率预测方法，利用影响光伏的因素，通过DBNS模型对数据之间进行训练以及拟合，获取其与光伏功率之间的相关性，从而对光伏超短期功率进行预测。本发明主要应用于光伏发电场合。

技术领域

本发明涉及光伏发电功率预测、深度学习技术领域，具体讲,涉及基于波尔兹曼机的光伏超短期功率预测方法。

背景技术

太阳能已被公认为是未来最具竞争力能源之一，具有取之不尽、用之不竭绿色环保等特点。目前，光伏发电(Photovoltaic power generation)是利用太阳能的有效方式之一，分布式光伏并网发电系统与大规模集中式光伏并网系统是国内光伏利用的两种重要的方式。在环境和能源等压力下，分布式光伏发电是未来重点的发展方向。由于太阳能受各种气象因素的影响，使用光伏系统进行发电的功率是不稳定的，会造成对电力系统的不利影响。光伏功率短期预测的时间尺度一般为1～3天，超短期预测的时间一般为0～4小时，短期和超短期功率预测对电网实时调度和稳定等具有重要的决定作用。

针对于光伏发电功率的预测，国内外学者做了大量的研究。目前所有短期太阳能光伏发电预测方法都是基于相同的思路，即：首先利用数学和物理学理论及相关数据建立预测公式或模型，再通过求得的预测公式或模型对光伏电站发电量进行预测。

限制波尔兹曼机(Restricted Boltzmann Machine,RBM)是一种基于能量的模型，是Hinton 于1986年提出的波尔兹曼机(Boltzmann Machine,BM)的一种改进，当其仅有显元的分布为高斯分布时称为高斯波尔兹曼机(Gaussian-Bernoulli RBM,GBRBM)。同样RBM也是深度学习 (deep learning,DL)中的一个重要的模型DBN的基本单元。RBM可以看作一种自动编码器 (autoencoder)，可利用其强大的无监督学习的能力，将输入的数据进行重构，将数据从原始空间变换到其他维数的空间，易于发现其内部之间隐含的关系，从而便于构建后续的机器学习模型。

发明内容

为克服现有技术的不足，本发明旨在提出一种基于深度学习中的限制波尔兹曼机模型对光伏功率进行预测的方法。为精确预测光伏功率提供有力支持。为此，本发明采用的技术方案是，基于波尔兹曼机的光伏超短期功率预测方法，利用影响光伏的因素，通过DBNS模型对数据之间进行训练以及拟合，获取其与光伏功率之间的相关性，从而对光伏超短期功率进行预测。

具体步骤细化如下：

步骤1：原始数据的获取

首先获取原始的光伏数据，数据包括影响光伏的12个相关因素：具体有总柱液态水TCLW、总柱冰状水TCIW、表面压力SP、1000毫巴相对湿度RH、总云量TCC、10米高风的U分量10U、10米高风的V分量10V、2米处温度2T、表面太阳辐射累积量SSRD、表面热辐射累积量STRD、大气顶部太阳辐射累积量TSR、总降水TP，以及相对应的光伏发电数据；

步骤2：数据集的划分

剔除每天9时～20时夜间光伏发电为0的情况，分析其中剩余光伏发电不为0的情况，并将数据集分为A和B两个部分，B数据集包括某个月数据，A数据集包括其余数据，并且利用RBM将数据集A进行了重构得到数据集A'；

步骤3：模型的构建

训练模型是由波尔兹曼机BM为基础单元构建的,通过波尔兹曼机的组合，构成训练的网络模型，通过各个BM的显元与隐元之间参数的训练对其传递的权值进行调整，并通过选择合适的决策模型获取最优的预测。

在步骤(3)模型的构建过程中可以对波尔兹曼机进行优选，改进方式如下：