一种高准确性的光伏发电量预测模型及其构建方法和应用与流程

本发明属于预测或优化技术领域，尤其涉及一种高准确性的光伏发电量预测模型及其构建方法和应用。

背景技术

目前，业内常用的现有技术是这样的：光伏发电具有随机性、波动性和间歇性的特点，当大规模的光伏系统并网后会对电网的稳定性和安全性造成冲击。为了减少光伏发电对电网的影响、提高资源利用率、平衡电力市场供需，就需要对电网进行合理调度。对光伏发电功率进行预测可作为电网调度和电站维护的参考，有利于维护电网安全稳定和光伏电站经济运营。

目前国内外学界对光伏发电预测已有了一定的研究。气象预测法以天气预报系统预测的气象参数作为预测模型输入量，来预测光伏发电量。相似日法通过太阳辐照度、时间、温度、相对湿度等参数，从历史数据中选取与当前气象条件相似的数据，以相似日数据训练模型来进行预测。机器学习法使用神经网络算法和支持向量机(svm)较多，已有多种基于这两个算法的改进模型被提出。

上述方法中，气象预测法受到目前天气预报系统精度的限制，预测的气象参数的误差较大时，就会严重影响模型的预测精度。相似日法将晴转多云、多云转雨等复杂天气类型归类到晴天、雨天、多云等少数几个简单天气类别中，在晴转多云、多云转雨等复杂气象条件下进行预测时误差较大。机器学习法使用bp神经网络面临着易于陷入局部最优和迭代收敛慢的问题，svm不适应对大规模数据的挖掘。

深度置信网络(dbn)作为深度学习领域的一种典型的模型结构，得到了广泛的研究和应用。深度置信网络通常是由多层受限玻尔兹曼机(rbm)和一层bp神经网络组成，可逐层提取数据中的特征。深度学习的概念源于人工神经网络的研究，是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，本发明采用的深度置信网络(dbn)就是一种流行的深度学习算法。

spark平台是专为大规模数据处理而设计的快速通用的计算引擎，植入于该平台下的深度学习结构可用于对数据模型权值的优化。如果对光伏电场进行等效建模、功率预测和能量管理，那么这些功能的实现都需要海量的历史数据作为基础。传统的单/多线程结构化平台，难以实现对光伏发电系统产生的海量数据的存储、计算和分析，且软硬件成本高昂。

综上所述，现有技术存在的问题是：深度置信网络(dbn)具有较强的特征提取能力，该算法在光伏发电预测领域应用较少。传统的单/多线程结构化平台，难以实现对光伏发电系统产生的海量数据的存储、计算和分析，且软硬件成本高昂。

解决上述技术问题的难度和意义：目前大数据技术在光伏行业的应用尚处于起步阶段，文献及技术支持较少。深度学习的出现，掀起了机器学习的热潮，作为现在最新的机器学习大领域，很多其他领域都在采用深度学习算法改进领域技术。深度置信网络(dbn)作为深度学习领域的一种典型的模型结构应用在中小型数据上的应用已经相对成熟，但在光伏大数据预测上仍在起步阶段，先人实验结果和经验较少，给技术瓶颈的攻克增加了难度。深度置信网络(dbn)在大数据平台对光伏发电预测，可以针对多个电站，多种情况进行分析，整个预测模型更加具有稳定性。

技术实现要素：

针对现有技术存在的问题，本发明提供了一种高准确性的光伏发电量预测模型及其构建方法和应用。

本发明所述高准确性的光伏发电量预测模型通过训练和使用深度置信网络(dbn)来进行光伏发电功率预测，其构建方法包括以下步骤：

数据预处理：时刻、电流、电压、温度、发电功率的单位不同，数量级也相差甚远，因此需要进行归一化处理，本预测模型采用以下归一化方法：

其中xi为原始输入数据，为归一化后的数据。

预训练rbm：根据输入数据无监督地逐层训练rbm，使每层rbm重构误差迭代至最低。

微调网络：在dbn最后一层叠加bp神经网络，进行有监督的训练，bp神经网络将错误信息自顶向下传播至每一层rbm，微调整个dbn网络。

本发明的另一目的在于提供一种所述高准确性的光伏发电量预测模型的应用方法，所述高准确性的光伏发电量预测模型的应用方法为：基于spark计算框架实现深度置信网络(dbn)，使其能够在分布式集群上运行，用来对海量光伏电站历史数据建立光伏发电功率预测模型，使用光伏电站监测系统采集的当前时刻t,t时刻的直流电流i(t)，直流电压v(t)，组件温度t(t)，发电功率p(t)，t时刻上一时刻的直流电流i(t-1)，直流电压v(t-1)，组件温度t(t-1)，发电功率p(t-1)作为dbn的输入，来预测下一时刻的光伏发电功率。

综上所述，本发明的优点及积极效果为：采用基于spark计算框架的深度学习算法来建立发电量预测模型。深度学习通过学习一种深层非线性网络结构，只需简单的网络结构即可实现复杂函数的逼近。深度学习能够更好地表示数据的特征，同时由于模型的层次深、表达能力强，因此具有表示大规模数据的能力。深度置信网络(dbn)作为深度学习领域的一种典型的模型结构，得到了广泛的研究和应用。通常是由多层受限玻尔兹曼机(rbm)和一层bp神经网络组成；训练网络采用无监督多层自底而上的rbm初始化整个模型的权值，将最终优化的信息作为bp神经网络的输入，克服了传统bp神经网络算法随机初始化参数和偏置值而陷入局部最优或收敛速度过慢等问题。最后利用bp算法误差反向传播的特性微调整个网络，解决了rbm逐层贪婪训练的弊端，使整个网络模型的预测效果达到最优。

本发明基于scala语言和sparkrdd实现深度置信网络算法。借助scala语言和sparkrdd的分布式算子对传统深度置信网络算法进行重新编码和改进，使其能够在分布式集群上运行，能够对光伏发电大数据进行挖掘预测。

附图说明

图1是本发明实施例提供的高准确性的光伏发电量预测模型的构建方法流程图。

图2是本发明实施例提供的dbn模型结构图。

图3是本发明实施例提供的dbn模型输入输出图。

图4是本发明实施例提供的dbn模型晴天预测结果图。

图5是本发明实施例提供的dbn模型雨天预测结果图。

图6是本发明实施例提供的dbn模型多云预测结果图。

图7是本发明实施例提供的dbn模型与bp模型rmse对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明在spark平台下利用深度学习对光伏系统发电量进行建模预测。深度学习具有灵活性，可根据实际数据量对隐层进行调整。深度学习具备优秀的预测能力，尤其是对大中型数据集的预测，能够提高发电量预测的准确性。本发明结合光伏发电系统数据的特性，在spark平台上实现并改进深度置信网络算法，将其应用在发电量的预测上，

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的高准确性的光伏发电量预测模型的构建方法包括以下步骤：

数据预处理：光伏组件输出的直流电流i、直流电压v、组件温度t、发电功率p可以很好的表示当前光伏发电状态。该预测模型将当前时刻t,t时刻的i(t)，v(t)，t(t)，p(t)，t时刻上一时刻的i(t-1)，v(t-1)，t(t-1)，p(t-1)作为训练样本的特征，t时刻下一时刻的发电功率p(t+1)作为训练样本的目标，t时刻的训练样本可表示为：

sample＝[(t,i(t),v(t),t(t),p(t),i(t-1),v(t-1),t(t-1),p(t-1)),p(t+1)]

由于训练样本包含时刻、电流、电压、温度和发电功率五种参数，这些参数单位不同，数量级也相差甚远，因此需要进行归一化处理，采用以下归一化方法：

其中xi为原始输入数据，为归一化后的数据。一个数据预处理实例如表1所示。

表1数据预处理实例

逐层训练rbm：dbn预测模型结构如图2所示，由两个rbm堆叠而成。本预测模型根据输入数据无监督训练rbm，使每层rbm重构误差迭代至最低。

微调网络：每一层rbm只能确保自身层内的权值对该层特征向量映射达到最优,并不是对整个dbn的特征向量映射达到最优，在dbn最后一层叠加bp神经网络，使用rbm输出特征向量作为bp神经网络的输入特征向量，进行有监督的训练，bp神经网络将错误信息自顶向下传播至每一层rbm，微调整个dbn网络，rbm网络训练模型的过程可以看作对一个深层bp网络权值参数的初始化，使dbn克服了bp网络因随机初始化权值参数而容易陷入局部最优的缺点。

本实施例的dbn预测模型输入输出如图3所示，以归一化后的t、i(t)、v(t)、t(t)、p(t)、i(t-1)、v(t-1)、t(t-1)和p(t-1)作为dbn的输入，预测下一时刻光伏发电功率p(t+1)。本实施例的dbn预测模型在晴天、雨天和多云条件下的预测结果如图4-6所示。本实施例采用均方根误差rmse来评价dbn模型的预测能力。

其中xmodel为模型预测值，xactual为实测值。dbn预测模型与bp预测模型的rmse对比如图7所示。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。