1.本发明涉及光伏电站
技术领域：
：，是一种基于短波辐射修正的光伏电站功率超短期预测方法。
背景技术：
：：2.光伏发电具有较强的昼夜周期性和季节周期性，是一种典型的间歇式电源；同时对地表太阳辐射强度十分敏感，其出力具有较强的随机性，对电网的调频、调峰、备用等都具有较大影响。光伏功率预测是提高光伏电站控制、调度性能，保障高比率光伏发电接入电网安全稳定运行的基础性关键技术。3.光伏功率超短期预测是指自预测时刻起未来4小时的预测预报，时间分辨率为15分钟。日前预测的意义在于超短期光伏功率预测可提供功率瞬变信息。4.现有的光伏功率功率超短期预测一般建立了历史输入数据与未来功率输出的映射关系，可以直接根据历史nwp数据预测未来的功率值，从而获得较高的预测精度。对于人工智能法，在处理非线性时间序列方面具有很大优势，但无法反映系统的动态特性。总体来说，现有的预测无法跟踪未来的功率趋势。技术实现要素：5.本发明的目的是克服现有技术的不足，提供一种物理意义清晰、并考虑到数据之间丰富的时空相关性，具有方法科学合理，适用性强，预测精度高，预测结果准确的基于短波辐射修正的光伏功率超短期预测方法。6.实现本发明目的采用的技术方案是：一种基于短波辐射修正的光伏功率超短期预测方法，其特征在于：它包括以下步骤：7.1)基于elkan‑k‑means聚类的天气类型的划分8.数值天气预报(numericalweatherprediction,nwp)信息包括10米风速、30米风速、50米风速、70米风速、10米风向、30米风向、50米风向、70米风向、温度、2米相对湿度、2m湿度、长波辐射、短波辐射、云量、气压、降水；9.为了避免冗余信息对预测精度的影响，利用皮尔森相关系数进行初步筛选天气预报气象因素以及对应的光伏功率，分别求取各个气象因素序列与光伏功率序列的皮尔森相关系数，选出与光伏功率呈现正相关关系的因素，选取person系数最大的短波辐射作为相关信息输入；10.2)利用长短期记忆网络(lstm)进行短波辐射修正11.基于步骤1)所提取的相关信息，能够判定在对短波辐射进行预报时，在某些特定的环境情况下，利用预报值比实际值偏低的规律，采用长短期记忆网络(lstm)利用训练样本的特征，深度挖掘样本数据中复杂的特征信息，对数据进行修正；12.长短期记忆网络(lstm)神经单元的内部计算过程为：13.由遗忘门的sigmoid层决定从细胞状态中丢弃了什么信息，所述细胞状态包括光伏电站天气预报(nwp)的基本属性特征，因此能够对未来短波辐射进行修正，当输入新的运行数据，就会希望忘记比较旧的数值天气预报(nwp)分布信息，从细胞中丢弃旧的信息，这一步决定通过遗忘门层来完成，遗忘门的计算具体的函数表达式为：14.ft＝sigmoid(θf·[ht‑1,xt] bf)ꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0015]下一步决定在细胞状态中存储什么信息，首先，将nwp提供的短波辐射、2米湿度、温度、10米风速、70米风速、30米风向作为输入，称为“输入门层”的sigmoid层决定更新哪些值，用式(2)表示，接下来一个tanh层创建候选向量ct，候选向量ct将会被加到细胞的状态中，用式(3)表示，在下一步中，结合式(2)和(3)来创建更新值，用式(4)表示，[0016]it＝sigmoid(wi·[ht‑1,xt] bi)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)[0017][0018]更新细胞状态[0019]ct＝it⊙ct ft⊙ct‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(4)[0020]此输出将基于细胞状态，但将是一个过滤版本，首先，运行一个sigmoid层来决定要输出的细胞状态的部分，然后，将单元格状态通过tanh，将值规范化到‑1和1之间，并将其乘以sigmoid门的输出，两步决定在细胞状态中存储输入，用式(5)、式(6)表示，[0021]ot＝sigmoid(wo·[ht‑1,xt] bo)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0022]ht＝ot·tanh(ct)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0023]式中:it是输入门的输出，作为当前层的候选值可能会添加到单元状态中去，ct是当前的记忆单元状态，整个过程是对上一时刻的记忆单元状态进行更新，即丢掉无用信息，添加新信息的过程，ot是输出门的输出,ht是lstm当前时刻的最终输出，输出对应时段下修正后的短波辐射；[0024]3)极限学习机(extremelearningmachine)的训练[0025]若elm的学习数据样本为{xj，tj}m，xj和tj分别表示模型的输入、输出数据，其中，输入数据为步骤2)修正后的短波辐射和历史光伏功率，输出数据为超短期光伏功率预测均属于实数集r，则其单隐层神经网络的数学表达式为：[0026][0027]式中：kcon为隐含层节点数；βi为输出权重；g为激活函数；wi为输入神经元和第i个隐层神经元之间的连接权值；wi·xj为连接权值和数据样本的内积；bi为第i个隐含层神经元的偏差补偿值；tj为输出向量；m为样本总数；[0028]设t为输出向量的矩阵形式，β为输出权重向量，则得到输出向量的表达式，即t＝hβ的形式，其中，h为elm神经网络的隐含层输出矩阵；[0029]h的矩阵式为[0030][0031]elm模型的训练过程：首先，确定神经元个数，随机分配节点参数；然后，计算隐含层的第m行第kcon列的输出矩阵，计算其光伏输出功率；[0032]4)仿真计算[0033]仿真输入量：对光伏电站的实测数据进行分析；输入历史数据：各季度的前两个月历史功率，输入预测月份的数值天气预报(nwp)数据；数据采样间隔为15min，根据步骤1)至步骤3)，从而得到最终的功率超短期预测结果；[0034]5)评价指标[0035]设pmi为i时段的实际平均功率，ppi为i时段的预测功率，ci为i时段的开机总容量，n为所有样本个数那么平均绝对误差定义为式(9)：[0036][0037]均方根误差定义为式(11)：[0038][0039]按步骤4)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤5)中的平均绝对误差式(9)、均方根误差式(10)进行误差计算，求得预测准确率。[0040]本发明的一种基于短波辐射修正的光伏电站功率超短期预测方法，包括光伏电站的数值天气预报(nwp)的提取、利用长短期网络(lstm)进行短波辐射的修正、极限学习机(elm)的预测、仿真计算和评价指标的步骤，与现有的仅考虑历史光伏功率数据时序相比，本发明能跟踪未来的功率趋势，物理意义清晰、并考虑到数据之间丰富的时空相关性，具有方法科学合理，适用性强，预测精度高，预测结果准确的优点。附图说明[0041]图1为本发明的一种基于短波辐射修正的光伏电站功率超短期预测方法框图；[0042]图2为某一时刻的光伏功率的数值天气预报(nwp)选取的示意图；[0043]图3为春季某一天的预测值与真实值比较示意图；[0044]图4为夏季某一天的预测值与真实值比较示意图；[0045]图5为秋季某一天的预测值与真实值比较示意图；[0046]图6为冬季某一天的预测值与真实值比较示意图。具体实施方式[0047]下面结合附图和具体实施例，对本发明的一种基于短波辐射修正的光伏电站功率超短期预测方法作进一步说明。[0048]结合图1和图2，本发明的一种基于短波辐射修正的光伏电站功率超短期预测方法，包括以下步骤：[0049]1)数值天气预报选取[0050]数值天气预报(numericalweatherprediction,nwp)信息包括10米风速、30米风速、50米风速、70米风速、10米风向、30米风向、50米风向、70米风向、温度、2米相对湿度、2m湿度、长波辐射、短波辐射、云量、气压、降水等。[0051]为了避免冗余信息对预测精度的影响，利用皮尔森相关系数进行初步筛选天气预报气象因素以及对应的光伏功率，分别求取各个气象因素序列与光伏功率序列的皮尔森相关系数。选择出了与光伏功率呈现正相关关系的因素，选取person系数最大的短波辐射作为相关信息输入。[0052]2)利用长短期记忆网络(lstm)进行短波辐射修正[0053]基于步骤1)所提取的相关信息，可以判定在对短波辐射进行预报时，在某些特定的环境情况下，譬如白天有日照时段，预报产生的偏差具有某种规律性，如大多数预报值比实际值偏低，则可以利用该规律，对数据进行修正。由于修正无法通过具体函数表示，长短期记忆网络(lstm)是一种目前较为流行的深度学习方法，其具有能充分利用训练样本的特征，可深度挖掘样本数据中复杂的特征信息，完成高维度函数逼近的优点。[0054]lstm神经单元的内部的计算过程如下：[0055]由遗忘门的sigmoid层决定从细胞状态中丢弃了什么信息，所述细胞状态包括了光伏电站天气预报(nwp)的基本属性特征，因此能够对未来短波辐射进行修正，当输入新的运行数据，就会希望忘记比较旧的数值天气预报(nwp)分布信息，从细胞中丢弃旧的信息，这一步决定通过遗忘门层来完成。遗忘门的计算方法，具体的函数表达式为[0056]ft＝sigmoid(θf·[ht‑1,xt] bf)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0057]下一步决定在细胞状态中存储了什么信息，首先，将nwp提供的短波辐射、2米湿度、温度、10米风速、70米风速、30米风向作为输入，称为“输入门层”的sigmoid层决定了更新哪些值用式(2)表示，接下来一个tanh层创建候选向量ct，该向量将会被加到细胞的状态中用式(3)表示，在下一步中，结合这两个向量来创建更新值用式(4)表示，[0058]it＝sigmoid(wi·[ht‑1,xt] bi)ꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)[0059][0060]更新细胞状态[0061]ct＝it⊙ct ft⊙ct‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀ(4)[0062]此输出将基于细胞状态，但将是一个过滤版本。首先，运行一个sigmoid层来决定要输出的细胞状态的部分，然后，将单元格状态通过tanh，将值规范化到‑1和1之间，并将其乘以sigmoid门的输出，两步决定在细胞状态中存储输入用式(5)、式(6)表示，[0063]ot＝sigmoid(wo·[ht‑1,xt] bo)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0064]ht＝ot·tanh(ct)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0065]式中:it是输入门的输出，作为当前层的候选值可能会添加到单元状态中去，ct是当前的记忆单元状态，整个过程是对上一时刻的记忆单元状态进行更新，即丢掉无用信息，添加新信息的过程，ot是输出门的输出,ht是lstm当前时刻的最终输出，输出对应时段下修正后的短波辐射；[0066](3)极限学习机(extremelearningmachine)的训练[0067]若elm的学习数据样本为{xj，tj}m，xj和tj分别表示模型的输入、输出数据，其中，输入数据为步骤2)修正后的短波辐射和历史光伏功率，输出数据为超短期光伏功率预测均属于实数集r，则其单隐层神经网络的数学表达式为[0068][0069]式中：kcon为隐含层节点数；βi为输出权重；g为激活函数；wi为输入神经元和第i个隐层神经元之间的连接权值；wi·xj为连接权值和数据样本的内积；bi为第i个隐含层神经元的偏差补偿值；tj为输出向量；m为样本总数。[0070]设t为输出向量的矩阵形式，β为输出权重向量，则可以得到输出向量的表达式，即t＝hβ的形式，其中，h为elm神经网络的隐含层输出矩阵。[0071]h的矩阵式为[0072][0073]elm模型的训练过程：首先，确定神经元个数，随机分配节点参数；然后，计算隐含层的第m行第kcon列的输出矩阵，计算其光伏输出功率。[0074]4)仿真计算[0075]仿真输入量：对光伏电站的实测数据进行分析；输入历史数据：各季度的前两个月历史功率，输入预测月份的数值天气预报(nwp)数据；数据采样间隔为15min，根据步骤1)至步骤3)，从而得到最终的功率超短期预测结果；[0076]5)评价指标[0077]设pmi为i时段的实际平均功率，ppi为i时段的预测功率，ci为i时段的开机总容量，n为所有样本个数那么平均绝对误差定义为式(9)：[0078][0079]均方根误差定义为式(11)：[0080][0081]按步骤4)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤5)中的平均绝对误差式(9)、均方根误差式(10)进行误差计算，求得预测准确率。[0082]具体算例分析[0083]本发明以某光伏电站的实测数据以及数值天气预报(nwp)数据为例进行分析，采样间隔为15min。该光伏电站的装机容量为30mw；采用不同预测模型进行预测得到的结果如图3‑图6所示，图3为春季某一天的预测值与真实值比较示意图；图4为夏季某一天的预测值与真实值比较示意图；图5为秋季某一天的预测值与真实值比较示意图；图6为冬季某一天的预测值与真实值比较示意图，具体评价指标如表1所示，能够看出所用lstm‑elm预测模型的预测效果优于其他预测方法。[0084]表1预测模型评价指标对比[0085]table1comparisonofevaluationindexesofpredictionmodel[0086][0087]本发明具体实施方式并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。当前第1页12当前第1页12
技术领域：
：，是一种基于短波辐射修正的光伏电站功率超短期预测方法。
背景技术：
：：2.光伏发电具有较强的昼夜周期性和季节周期性，是一种典型的间歇式电源；同时对地表太阳辐射强度十分敏感，其出力具有较强的随机性，对电网的调频、调峰、备用等都具有较大影响。光伏功率预测是提高光伏电站控制、调度性能，保障高比率光伏发电接入电网安全稳定运行的基础性关键技术。3.光伏功率超短期预测是指自预测时刻起未来4小时的预测预报，时间分辨率为15分钟。日前预测的意义在于超短期光伏功率预测可提供功率瞬变信息。4.现有的光伏功率功率超短期预测一般建立了历史输入数据与未来功率输出的映射关系，可以直接根据历史nwp数据预测未来的功率值，从而获得较高的预测精度。对于人工智能法，在处理非线性时间序列方面具有很大优势，但无法反映系统的动态特性。总体来说，现有的预测无法跟踪未来的功率趋势。技术实现要素：5.本发明的目的是克服现有技术的不足，提供一种物理意义清晰、并考虑到数据之间丰富的时空相关性，具有方法科学合理，适用性强，预测精度高，预测结果准确的基于短波辐射修正的光伏功率超短期预测方法。6.实现本发明目的采用的技术方案是：一种基于短波辐射修正的光伏功率超短期预测方法，其特征在于：它包括以下步骤：7.1)基于elkan‑k‑means聚类的天气类型的划分8.数值天气预报(numericalweatherprediction,nwp)信息包括10米风速、30米风速、50米风速、70米风速、10米风向、30米风向、50米风向、70米风向、温度、2米相对湿度、2m湿度、长波辐射、短波辐射、云量、气压、降水；9.为了避免冗余信息对预测精度的影响，利用皮尔森相关系数进行初步筛选天气预报气象因素以及对应的光伏功率，分别求取各个气象因素序列与光伏功率序列的皮尔森相关系数，选出与光伏功率呈现正相关关系的因素，选取person系数最大的短波辐射作为相关信息输入；10.2)利用长短期记忆网络(lstm)进行短波辐射修正11.基于步骤1)所提取的相关信息，能够判定在对短波辐射进行预报时，在某些特定的环境情况下，利用预报值比实际值偏低的规律，采用长短期记忆网络(lstm)利用训练样本的特征，深度挖掘样本数据中复杂的特征信息，对数据进行修正；12.长短期记忆网络(lstm)神经单元的内部计算过程为：13.由遗忘门的sigmoid层决定从细胞状态中丢弃了什么信息，所述细胞状态包括光伏电站天气预报(nwp)的基本属性特征，因此能够对未来短波辐射进行修正，当输入新的运行数据，就会希望忘记比较旧的数值天气预报(nwp)分布信息，从细胞中丢弃旧的信息，这一步决定通过遗忘门层来完成，遗忘门的计算具体的函数表达式为：14.ft＝sigmoid(θf·[ht‑1,xt] bf)ꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0015]下一步决定在细胞状态中存储什么信息，首先，将nwp提供的短波辐射、2米湿度、温度、10米风速、70米风速、30米风向作为输入，称为“输入门层”的sigmoid层决定更新哪些值，用式(2)表示，接下来一个tanh层创建候选向量ct，候选向量ct将会被加到细胞的状态中，用式(3)表示，在下一步中，结合式(2)和(3)来创建更新值，用式(4)表示，[0016]it＝sigmoid(wi·[ht‑1,xt] bi)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)[0017][0018]更新细胞状态[0019]ct＝it⊙ct ft⊙ct‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(4)[0020]此输出将基于细胞状态，但将是一个过滤版本，首先，运行一个sigmoid层来决定要输出的细胞状态的部分，然后，将单元格状态通过tanh，将值规范化到‑1和1之间，并将其乘以sigmoid门的输出，两步决定在细胞状态中存储输入，用式(5)、式(6)表示，[0021]ot＝sigmoid(wo·[ht‑1,xt] bo)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0022]ht＝ot·tanh(ct)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0023]式中:it是输入门的输出，作为当前层的候选值可能会添加到单元状态中去，ct是当前的记忆单元状态，整个过程是对上一时刻的记忆单元状态进行更新，即丢掉无用信息，添加新信息的过程，ot是输出门的输出,ht是lstm当前时刻的最终输出，输出对应时段下修正后的短波辐射；[0024]3)极限学习机(extremelearningmachine)的训练[0025]若elm的学习数据样本为{xj，tj}m，xj和tj分别表示模型的输入、输出数据，其中，输入数据为步骤2)修正后的短波辐射和历史光伏功率，输出数据为超短期光伏功率预测均属于实数集r，则其单隐层神经网络的数学表达式为：[0026][0027]式中：kcon为隐含层节点数；βi为输出权重；g为激活函数；wi为输入神经元和第i个隐层神经元之间的连接权值；wi·xj为连接权值和数据样本的内积；bi为第i个隐含层神经元的偏差补偿值；tj为输出向量；m为样本总数；[0028]设t为输出向量的矩阵形式，β为输出权重向量，则得到输出向量的表达式，即t＝hβ的形式，其中，h为elm神经网络的隐含层输出矩阵；[0029]h的矩阵式为[0030][0031]elm模型的训练过程：首先，确定神经元个数，随机分配节点参数；然后，计算隐含层的第m行第kcon列的输出矩阵，计算其光伏输出功率；[0032]4)仿真计算[0033]仿真输入量：对光伏电站的实测数据进行分析；输入历史数据：各季度的前两个月历史功率，输入预测月份的数值天气预报(nwp)数据；数据采样间隔为15min，根据步骤1)至步骤3)，从而得到最终的功率超短期预测结果；[0034]5)评价指标[0035]设pmi为i时段的实际平均功率，ppi为i时段的预测功率，ci为i时段的开机总容量，n为所有样本个数那么平均绝对误差定义为式(9)：[0036][0037]均方根误差定义为式(11)：[0038][0039]按步骤4)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤5)中的平均绝对误差式(9)、均方根误差式(10)进行误差计算，求得预测准确率。[0040]本发明的一种基于短波辐射修正的光伏电站功率超短期预测方法，包括光伏电站的数值天气预报(nwp)的提取、利用长短期网络(lstm)进行短波辐射的修正、极限学习机(elm)的预测、仿真计算和评价指标的步骤，与现有的仅考虑历史光伏功率数据时序相比，本发明能跟踪未来的功率趋势，物理意义清晰、并考虑到数据之间丰富的时空相关性，具有方法科学合理，适用性强，预测精度高，预测结果准确的优点。附图说明[0041]图1为本发明的一种基于短波辐射修正的光伏电站功率超短期预测方法框图；[0042]图2为某一时刻的光伏功率的数值天气预报(nwp)选取的示意图；[0043]图3为春季某一天的预测值与真实值比较示意图；[0044]图4为夏季某一天的预测值与真实值比较示意图；[0045]图5为秋季某一天的预测值与真实值比较示意图；[0046]图6为冬季某一天的预测值与真实值比较示意图。具体实施方式[0047]下面结合附图和具体实施例，对本发明的一种基于短波辐射修正的光伏电站功率超短期预测方法作进一步说明。[0048]结合图1和图2，本发明的一种基于短波辐射修正的光伏电站功率超短期预测方法，包括以下步骤：[0049]1)数值天气预报选取[0050]数值天气预报(numericalweatherprediction,nwp)信息包括10米风速、30米风速、50米风速、70米风速、10米风向、30米风向、50米风向、70米风向、温度、2米相对湿度、2m湿度、长波辐射、短波辐射、云量、气压、降水等。[0051]为了避免冗余信息对预测精度的影响，利用皮尔森相关系数进行初步筛选天气预报气象因素以及对应的光伏功率，分别求取各个气象因素序列与光伏功率序列的皮尔森相关系数。选择出了与光伏功率呈现正相关关系的因素，选取person系数最大的短波辐射作为相关信息输入。[0052]2)利用长短期记忆网络(lstm)进行短波辐射修正[0053]基于步骤1)所提取的相关信息，可以判定在对短波辐射进行预报时，在某些特定的环境情况下，譬如白天有日照时段，预报产生的偏差具有某种规律性，如大多数预报值比实际值偏低，则可以利用该规律，对数据进行修正。由于修正无法通过具体函数表示，长短期记忆网络(lstm)是一种目前较为流行的深度学习方法，其具有能充分利用训练样本的特征，可深度挖掘样本数据中复杂的特征信息，完成高维度函数逼近的优点。[0054]lstm神经单元的内部的计算过程如下：[0055]由遗忘门的sigmoid层决定从细胞状态中丢弃了什么信息，所述细胞状态包括了光伏电站天气预报(nwp)的基本属性特征，因此能够对未来短波辐射进行修正，当输入新的运行数据，就会希望忘记比较旧的数值天气预报(nwp)分布信息，从细胞中丢弃旧的信息，这一步决定通过遗忘门层来完成。遗忘门的计算方法，具体的函数表达式为[0056]ft＝sigmoid(θf·[ht‑1,xt] bf)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0057]下一步决定在细胞状态中存储了什么信息，首先，将nwp提供的短波辐射、2米湿度、温度、10米风速、70米风速、30米风向作为输入，称为“输入门层”的sigmoid层决定了更新哪些值用式(2)表示，接下来一个tanh层创建候选向量ct，该向量将会被加到细胞的状态中用式(3)表示，在下一步中，结合这两个向量来创建更新值用式(4)表示，[0058]it＝sigmoid(wi·[ht‑1,xt] bi)ꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)[0059][0060]更新细胞状态[0061]ct＝it⊙ct ft⊙ct‑1ꢀꢀꢀꢀꢀꢀꢀꢀꢀ(4)[0062]此输出将基于细胞状态，但将是一个过滤版本。首先，运行一个sigmoid层来决定要输出的细胞状态的部分，然后，将单元格状态通过tanh，将值规范化到‑1和1之间，并将其乘以sigmoid门的输出，两步决定在细胞状态中存储输入用式(5)、式(6)表示，[0063]ot＝sigmoid(wo·[ht‑1,xt] bo)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0064]ht＝ot·tanh(ct)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0065]式中:it是输入门的输出，作为当前层的候选值可能会添加到单元状态中去，ct是当前的记忆单元状态，整个过程是对上一时刻的记忆单元状态进行更新，即丢掉无用信息，添加新信息的过程，ot是输出门的输出,ht是lstm当前时刻的最终输出，输出对应时段下修正后的短波辐射；[0066](3)极限学习机(extremelearningmachine)的训练[0067]若elm的学习数据样本为{xj，tj}m，xj和tj分别表示模型的输入、输出数据，其中，输入数据为步骤2)修正后的短波辐射和历史光伏功率，输出数据为超短期光伏功率预测均属于实数集r，则其单隐层神经网络的数学表达式为[0068][0069]式中：kcon为隐含层节点数；βi为输出权重；g为激活函数；wi为输入神经元和第i个隐层神经元之间的连接权值；wi·xj为连接权值和数据样本的内积；bi为第i个隐含层神经元的偏差补偿值；tj为输出向量；m为样本总数。[0070]设t为输出向量的矩阵形式，β为输出权重向量，则可以得到输出向量的表达式，即t＝hβ的形式，其中，h为elm神经网络的隐含层输出矩阵。[0071]h的矩阵式为[0072][0073]elm模型的训练过程：首先，确定神经元个数，随机分配节点参数；然后，计算隐含层的第m行第kcon列的输出矩阵，计算其光伏输出功率。[0074]4)仿真计算[0075]仿真输入量：对光伏电站的实测数据进行分析；输入历史数据：各季度的前两个月历史功率，输入预测月份的数值天气预报(nwp)数据；数据采样间隔为15min，根据步骤1)至步骤3)，从而得到最终的功率超短期预测结果；[0076]5)评价指标[0077]设pmi为i时段的实际平均功率，ppi为i时段的预测功率，ci为i时段的开机总容量，n为所有样本个数那么平均绝对误差定义为式(9)：[0078][0079]均方根误差定义为式(11)：[0080][0081]按步骤4)，输入仿真输入量，将模型计算的预测功率同实测功率经过步骤5)中的平均绝对误差式(9)、均方根误差式(10)进行误差计算，求得预测准确率。[0082]具体算例分析[0083]本发明以某光伏电站的实测数据以及数值天气预报(nwp)数据为例进行分析，采样间隔为15min。该光伏电站的装机容量为30mw；采用不同预测模型进行预测得到的结果如图3‑图6所示，图3为春季某一天的预测值与真实值比较示意图；图4为夏季某一天的预测值与真实值比较示意图；图5为秋季某一天的预测值与真实值比较示意图；图6为冬季某一天的预测值与真实值比较示意图，具体评价指标如表1所示，能够看出所用lstm‑elm预测模型的预测效果优于其他预测方法。[0084]表1预测模型评价指标对比[0085]table1comparisonofevaluationindexesofpredictionmodel[0086][0087]本发明具体实施方式并非穷举，并不构成对权利要求保护范围的限定，本领域技术人员根据本发明实施例获得的启示，不经过创造性劳动就能够想到其它实质上等同的替代，均在本发明保护范围内。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
