[发明专利]基于卷积神经网络的光热电场太阳直接法向辐射预测方法

摘要

基于卷积神经网络的光热电场太阳直接法向辐射强度预测方法，利用深度学习中的CNN设计了一种CSP电场的DNI预测方法，以达到克服传统预测方法的缺点，且较为准确地得到预测值的目的，从而使CSP电站易于调度，及进一步减轻新能源发电并网时对现有电力系统造成的冲击。首先对太阳直接法向辐射的特点进行分析，根据得到的特点选用卷积神经网络，并对网络中的参数进行修改与调试，最终得到一种预测方法，以降低光热电站接入电网时带来的消极影响。本预测方法可以较为准确地预测光热电场的太阳直接法向辐射强度。

主权项

1.基于卷积神经网络的光热电场太阳直接法向辐射预测方法，其特征在于，其步骤为：/n步骤1：从本质上出发，太阳直接法向辐射属于时间序列，对其进行预测可以参考时间序列预测的标准及方法；本发明采用的评价指标为均方根误差、平均相对误差、平均准确度；/n步骤2：对预测方法的整体框架进行设计，基于卷积神经网络的太阳直接法向辐射预测方法的主程序主要包括：数据的预处理、网络基本参数的设定、初始化子程序、训练子程序及测试子程序；其中网络基本参数的设定主要包括：输入输出层神经元的个数、卷积层与池化层的排列及个数、卷积核的大小、池化方式、卷积层输出特征图的个数、激活函数及代价函数的类型、训练及测试样本的分配；/n步骤3：本发明是设计光热电场的太阳直接法向辐射预测方法，以时间作为输入，以太阳直接法向辐射作为输出；故输入层神经元的个数为4，输出层神经元的个数为1，即输入样本为四维，输出样本为一维；/n步骤4：结合上一步四维输入向量的设定，在输入层后加入一层卷积层，并选用一维卷积，其卷积核大小设为1*2；/n步骤5：结合上一步卷积层的设定，在卷积层后加入一层池化层，并选用均值池化，以保留更多的隐藏信息；/n步骤6：选用双曲正切函数，即tanh曲线作为本模型全连接层的激活函数，以加快本方法在训练时的收敛速度；/n步骤7：选用均方误差函数作为本方法的代价函数，以表征所有样本误差在时间上的累积值；/n步骤8：在隐含层中，卷积层输出特征图的个数从A＝{100,200,300,400,500}中择优选取；输出特征图的数量分别取集合A中元素时，得到对应的代价函数曲线，对比不同输出特征图个数及其对应的代价函数曲线，发现当该参数取值为300时，代价函数收敛效果满足一般要求，故输出特征图的数量取值为300；/n步骤9：训练样本及测试样本按照5:1进行分配。当网络参数按照上述步骤设定后，其评价指标具体为：RMSE＝0.25527，MRE＝0.20252，MA＝0.79748，训练时间＝3.60690s。/n