基于GRU的光伏电站辐照度中长期预测的方法及装置与流程

本发明属于辐照度预测技术领域，具体涉及一种基于GRU(gated recurrent unit，门限递归单元)神经网络模型进行光伏电站辐照度中长期预测的方法和装置。

背景技术：

由于光伏电站的普及度提高，太阳辐照度预测变得日益重要。为了确保电力系统的稳定运行，准确的辐照度预测至关重要。

但是目前大部分现存辐照度预测为短期预测，不能给电力系统的中长期规划和调度以指导性意见。而且，目前大部分预测方法都需要采集与辐照度相关的气象数据，如：温度、湿度和云量等，这些附加数据采集过程中的误差会对后续的辐照度预测产生一定的影响。可见，准确有效的、实现简单的、可有效的用于光伏电站辐照度中长期预测的方法和装置有待开发。

技术实现要素：

本发明公开的一种基于GRU的光伏电站辐照度中长期预测的方法及装置，目的是提供一种光伏电站辐照度中长期预测方法和装置，实现光伏电站辐照度中长期预测。

本发明通过以下的技术方案实现以上发明目的。

本发明公开的一种基于GRU的光伏电站辐照度中长期预测的方法，包括如下步骤：

步骤一：采集光伏电站所在位置的太阳辐照度数据；

步骤二：将步骤一中采集光伏电站所在位置的太阳辐照度数据载入基于GRU门限递归单元神经网络模型，将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集。基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测，根据辐照度的训练集预测值和训练集真实值进行比较，得到训练集预测误差。通过误差反向传播(Error Back Propagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数；

步骤三：将步骤二得到的网络参数带入基于GRU门限递归单元神经网络模型，通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力，从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度；

步骤四：电力部门根据步骤三得到的辐照度预测结果进行中长期规划和调度，实现资源的合理利用，减少不合理增加装机量造成的设备损耗等问题。

现有技术中光伏电站辐照度预测为1周以内的短期预测，本发明所述的中长期预测结果指1周以上的光伏电站辐照度预测，例如可以优选下一季度或下一年光伏电站的辐照度预测值。

所述训练集和验证集用于训练基于GRU门限递归单元神经网络模型，所述测试集用于测试基于GRU门限递归单元神经网络模型的预测能力。其中，通过误差反向传播(Error Back Propagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数。验证集用于减少过度拟合，如果训练集的误差减小而验证集的误差不变或者增大，那么基于GRU门限递归单元神经网络模型出现过拟合，基于GRU门限递归单元神经网络模型应该停止训练。

通过训练集预测值和训练集真实值对比能够得到训练集误差率(loss)；通过验证集预测值和验证集真实值对比能够得到验证集误差率(loss)；通过测试集预测值和测试集真实值对比能够得到测试集误差率(loss)。

所述的真实值指步骤一中采集光伏电站所在位置的太阳辐照度数据。

优选地，步骤一中采集光伏电站所在位置的太阳辐照度数据优选为历史实测值。

所述的步骤二中基于GRU门限递归单元神经网络模型包括输入层、隐藏层和输出层，其中隐藏层包括更新门和重置门，通过公式(1)至(5)，根据x_t和h_t-1进行更新h_t：

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (1)

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (2)

g_t＝r_t⊙h_t-1 (3)

其中，x和h为所述隐藏层的输入和输出，z和r分别为所述更新门和重置门，如何组合新输入和之前的记忆由重置门决定，留下多少之前的记忆由更新门决定。W为权重矩阵，b为偏置向量。σ为sigmoid函数，⊙为向量按元素的乘积。所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)＝1/(1+e^-x)和tanh(x)＝(e^x-e^-x)/(e^x+e^-x)。

本发明还公开实现上述一种基于GRU的光伏电站辐照度中长期预测的方法的一种基于GRU的光伏电站辐照度中长期预测的装置，包括采集模块、预测模块和决策模块。

采集模块，用于采集指定光伏电站所在位置太阳辐照度数据；

预测模块，用基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测，得到辐照度的中长期预测结果。所述预测模块中将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集。预测模块中还根据辐照度的训练集预测值和训练集真实值进行比较，得到训练集预测误差，通过误差反向传播(Error Back Propagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数，将得到的网络参数带入基于GRU门限递归单元神经网络模型，通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力，从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度；

决策模块，用于电力部门根据得到的辐照度预测结果进行中长期规划和调度，实现资源的合理利用，减少不合理增加装机量造成的设备损耗等问题。

现有技术中光伏电站辐照度预测为1周以内的短期预测，本发明所述的中长期预测结果指1周以上的光伏电站辐照度预测，例如可以优选下一季度或下一年光伏电站的辐照度预测值。

所述训练集和验证集用于训练基于GRU门限递归单元神经网络模型，所述测试集用于测试基于GRU门限递归单元神经网络模型的预测能力。其中，通过误差反向传播(Error Back Propagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数。验证集用于减少过度拟合，如果训练集的误差减小而验证集的误差不变或者增大，那么基于GRU门限递归单元神经网络模型出现过拟合，基于GRU门限递归单元神经网络模型应该停止训练。

通过训练集预测值和训练集真实值对比能够得到训练集误差率(loss)；通过验证集预测值和验证集真实值对比能够得到验证集误差率(loss)；通过测试集预测值和测试集真实值对比能够得到测试集误差率(loss)。

优选地，所述所需的光伏电站所在位置的太阳辐照度数据为历史实测值。

所述基于GRU门限递归单元神经网络模型包括输入层、隐藏层和输出层，其中隐藏层包括更新门和重置门，通过公式(6)至(10)，根据x_t和h_t-1进行更新h_t：

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (6)

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (7)

g_t＝r_t⊙h_t-1 (8)

其中，x和h为所述隐藏层的输入和输出，z和r分别为所述更新门和重置门，如何组合新输入和之前的记忆由重置门决定，留下多少之前的记忆由更新门决定。W为权重矩阵，b为偏置向量。σ为sigmoid函数，⊙为向量按元素的乘积。所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)＝1/(1+e^-x)和tanh(x)＝(e^x-e^-x)/(e^x+e^-x)。

有益效果：

本发明公开的一种基于GRU的光伏电站辐照度中长期预测的方法及装置，基于GRU门限递归单元神经网络模型对光伏电站所在位置的太阳辐照度进行预测，由于基于GRU门限递归单元神经网络模型具有记忆功能，能够充分考虑历史辐照度对当前辐照度的影响，可以有效的用于电力部门对包括光伏电站在内的电力中长期规划和调度，实现资源的合理利用，减少不合理增加装机量造成的设备损耗等问题，此外，所述的中长期预测的方法及装置还具有准确高效，实现简单的优点。

附图说明

图1为本发明基于GRU的光伏电站辐照度中长期预测方法的流程图；

图2为本发明GRU隐藏层的结构图；

图3为本发明基于GRU的光伏电站辐照度中长期预测装置的结构框图。

本申请中附图仅作为示意型说明，以使本领域技术人员更容易理解本发明，采用这些附图并非用于对本发明产生任何限制。

具体实施方式

下面将结合附图说明和具体实施方式对本发明作进一步的详细说明。

实施例一

参照图1，本实施例公开的一种基于GRU的光伏电站辐照度中长期预测方法，具体包括如下步骤：

步骤K101：采集光伏电站所在位置的太阳辐照度数据。

太阳辐照度直接影响光伏电站发电功率，所述光伏电站所在位置的太阳辐照度数据需要提前采集获取，存储在本地数据库中。在数据输入GRU门限递归单元神经网络模型的实际应用中，所需调用的太阳辐照度数据在本发明中特指中长期数据，一般为两年以上。在实际应用中，辐照度数据采集工作一般实时进行。

步骤K102：将步骤K101中采集光伏电站所在位置的太阳辐照度数据载入基于GRU门限递归单元神经网络模型，将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集。基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测，根据辐照度的训练集预测值和训练集真实值进行比较，得到训练集预测误差。通过误差反向传播(Error Back Propagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数。

步骤K103：将步骤K102得到的网络参数带入基于GRU门限递归单元神经网络模型，通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力，从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光状电站所在位置的太阳辐照度。

门限递归单元(gated recurrent unit，GRU)通常用于描述动态时间行为序列，将状态在自身网络中循环传递，由于存在当前输入与过去状态的连接，GRU具有优秀的记忆功能，使得历史输入信息对当前输出的影响也被考虑在内。

门限递归单元包括输入层、隐藏层和输出层。门限递归单元的核心是隐藏层的两个门，这些门可以选择性地让信息通过来控制历史数据对最终结果的影响。其中隐藏层的结构图参见图2，包括更新门和重置门，通过公式(11)至(15)，根据x_t和h_t-1进行更新h_t：

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (11)

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (12)

g_t＝r_t⊙h_t-1 (13)

其中，x和h为所述隐藏层的输入和输出，z和r分别为所述更新门和重置门，如何组合新输入和之前的记忆由重置门决定，留下多少之前的记忆由更新门决定。W为权重矩阵，b为偏置向量。σ为sigmoid函数，⊙为向量按元素的乘积。所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)＝1/(1+e^-x)和tanh(x)＝(e^x-e^-x)/(e^x+e^-x)。

步骤K101中采集的光伏电站辐照度数据，例如两年，在被输入到GRU门限递归单元神经网络模型中被分为训练集、验证集和测试集。三个数据集的比例可以由本领域技术人员采用适当方式进行设定，如可以根据采集的数据集大小和需要预测的数据集大小进行设定，或者采用人工经验设定，本发明对此不作限制。

所需预测的太阳辐照度预测在本发明中特指中长期预测，一般为1周以上，在实际应用中，一般可选下一季度或者下一年光伏电站的辐照度预测。

步骤K104：电力部门根据步骤K103得到的辐照度预测结果进行中长期规划和调度，实现资源的合理利用，减少不合理增加装机量造成的设备损耗等问题。

电力部门根据步骤K103得到的预测结果进行包括光伏电站在内的电力中长期规划和调度，如：预测结果若表明下一年光照强度明显增大，则可以提前适当安排增加光伏电站装机量。本发明对此不作限制。

本实施例，通过一种基于GRU的光伏电站辐照度中长期预测的方法，实现光伏电站辐照度中长期预测，充分考虑历史辐照度对当前辐照度的影响，为光伏电站的中长期规划和调度及整个电力系统的运行提供指导性意见，实现资源的合理利用，减少不合理增加装机量造成的设备损耗等问题。

实施例二

本发明实施例二中公开的一种基于GRU的光伏电站辐照度中长期预测装置的结构框图参见图3，包括：

采集模块K301，用于采集指定光伏电站所在位置太阳辐照度的数据。

在实际应用中，太阳辐照度采集模块需要合理安装在指定光伏电站所在位置，模块的安装位置和角度都会对数据采集工作产生一定影响。采集模块的选型、安装可以由本领域技术人员采用适当方式确定，或者采用人工经验确定，本发明对此不作限制。

预测模块K302，用基于GRU门限递归单元神经网络模型对所述光伏电站辐照度进行预测，得到辐照度的中长期预测结果。所述预测模块中将采集的光伏电站所在位置的太阳辐照度数据分为训练集、验证集和测试集。预测模块中还根据辐照度的训练集预测值和训练集真实值进行比较，得到训练集预测误差，通过误差反向传播(Error Back Propagation，BP)算法利用训练集预测误差更新所述GRU门限递归单元神经网络模型的网络参数，将得到的网络参数带入基于GRU门限递归单元神经网络模型，通过基于GRU门限递归单元神经网络模型的测试集测试基于GRU门限递归单元神经网络模型的预测能力，从而将最终得到的基于GRU门限递归单元神经网络模型用于预测光伏电站所在位置的太阳辐照度。

决策模块K303，用于电力部门根据得到的辐照度预测结果进行中长期规划和调度，实现资源的合理利用，减少不合理增加装机量造成的设备损耗等问题。

所需预测的太阳辐照度预测在本发明中特指中长期预测，一般为1周以上，在实际应用中，一般可选下一季度或者下一年光伏电站的辐照度预测。

所述所需的光伏电站所在位置的太阳辐照度数据为采集模块K301采集的历史实测值。

所述采集模块K301采集的光伏电站辐照度数据，例如两年，在被输入到GRU门限递归单元神经网络模型中被分为训练集、验证集和测试集。三个数据集的比例可以由本领域技术人员采用适当方式进行设定，如可以根据采集的数据集大小和需要预测的数据集大小进行设定，或者采用人工经验设定，本发明对此不作限制。

所述基于GRU门限递归单元神经网络模型包括输入层、隐藏层和输出层，其中隐藏层包括更新门和重置门，通过公式(16)至(20)，根据x_t和h_t-1进行更新h_t：

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (16)

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (17)

g_t＝r_t⊙h_t-1 (18)

其中，x和h为所述隐藏层的输入和输出，z和r分别为所述更新门和重置门，如何组合新输入和之前的记忆由重置门决定，留下多少之前的记忆由更新门决定。W为权重矩阵，b为偏置向量。σ为sigmoid函数，⊙为向量按元素的乘积。所述sigmoid函数和tanh函数的计算公式分别为sigmoid(x)＝1/(1+e^-x)和tanh(x)＝(e^x-e^-x)/(e^x+e^-x)。

本实施例，通过基于GRU门限递归单元神经网络模型构造光伏电站辐照度中长期预测的装置，解决光伏电站辐照度中长期预测的问题，充分考虑历史辐照度对当前辐照度的影响，从而为光伏电站出力的中长期预测提供参考，为电力部门的中长期规划和调度提供一定参考。

对于装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上为本发明对基于GRU的光伏电站辐照度中长期预测的方法和装置的详细阐述。以上实施例仅为理解本发明的核心思想，本领域的技术人员在具体应用过程中会根据实际情况做出一些修正。综上，本说明书内容不应理解为对本发明的限制。