基于组合深度学习的光伏发电功率预测方法

1.本发明涉及集中式光伏发电系统与分布式光伏发电系统控制技术领域，尤其涉及一种基于组合深度学习的光伏发电功率预测方法。


背景技术：

2.太阳能发电具有安全清洁、取之不尽、噪音小以及环境友好等特性，成为可再生能源的重要来源之一。但是光伏发电具有明显的随机性、间歇性的特点。大规模光伏并网发电会对电网造成一定冲击作用。当光伏发电剧烈波动的非平稳时段，可能对电网稳定运行带来不利影响，严重时会使得光伏发电厂与电网解列。因此平抑削弱光伏发电的不确定性影响，这有利于电力系统安全稳定运行和光伏电能的消纳。


技术实现要素：

3.为了解决光伏并网发电可能对电网产生的不确定性影响的问题，本发明提出一种基于组合深度学习的光伏发电功率预测方法。该方法基于极限梯度提升和门控循环单元，包括以下步骤：
4.s1：获取光伏发电功率原始数据；
5.s2：对数据做归一化处理，得到归一化后的数据；
6.s3：采用极限学习提升xgboost算法对归一化后的数据进行处理，得到不同因素对光伏发电功率影响的权重因子，并对权重因子进行排序；
7.s4：根据排序结果，选择若干个对光伏发电功率的影响大的因素进行组合，得到不同组合结果；将这些组合数据分别输入至不同的深度学习预测模型中，得到不同的深度学习预测模型的光伏发电功率预测结果；
8.s5：将不同深度学习模型的光伏发电功率预测结果输入至强化学习中进行非线性拟合，得到最终光伏发电功率预测值。
9.与现有技术相比，本发明的有益效果包括：提高非平稳时期光伏发电功率的预测精度，精准有效的光伏发电功率预测有助于提升电网实时调度水平、电力系统稳定运行能力以及光伏电能消纳能力，提高光伏发电企业的经济效益。
附图说明
10.图1是光伏发电系统原理图；
11.图2是本发明方法的流程图；
12.图3是xgboost模型训练流程示意图；
13.图4是第一棵树的结构示意图；
14.图5是gru内部神经元结构示意图；
15.图6是gru预测模型的结构示意图；
16.图7是采用gru预测模型进行光伏发电功率预测的流程示意图；
17.图8是采用bp神经网络的强化学习原理图；
18.图9是critic网络的结构原理图；
19.图10是actor网络的结构原理图；
20.图11是基于xgboost的发电功率影响因素分析示意图。
具体实施方式
21.为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，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。
22.正式进入介绍前，先对本技术相关技术特征中英文对照特此进行说明如下：
23.极限梯度提升算法xgboost(extreme gradientboosting，xgboost)；
24.门控循环单元(gated recurrentunit，gru)；
25.长短期记忆网络lstm(long short-termmemory)；
26.组合式深度学习(combined deep learning,cdl)；
27.强化学习(reinforcement learning，rl)；
28.同时，本技术中也首先对光伏发电原理进行相应说明。
29.请参考图1，图1是光伏发电系统原理图；
30.太阳能经过光伏电池阵列，转换为电能储存；电能通过双向dc变换器、直流/交流逆变电路后，进入交流电网；
31.其中直流/交流逆变电路受逆变器控制；逆变器的控制依赖于交流电网的反馈量与给定量，进而输出控制信号，对逆变电路进行控制，从而形成闭环，完成对光伏发电系统本身的功率控制；
32.下面介绍光伏发电功率计算过程。
33.通常外界温度变化对光伏电池有功输出影响不大，故在常温温度t＝25℃条件下，以光照强度s为变量，采用工程模型描述光伏阵列输出特性，光伏电池的模型为：
[0034][0035][0036][0037][0038]
由式(1)-(4)分别计算出光伏电池的短路电流i
′
sc
、最大功率电流i
′m、开路电压u
′
oc
、最大功率电压u
′m。
[0039]
其中，s
ref
为参考光照强度，i
sc
、u
oc
、im、um分别为由厂家提供的光伏电池板短路电流、开路电压、最大功率点电流、最大功率点电压。
[0040][0041][0042]
由式(5)和(6)计算出修正系数c1和c2。
[0043]
由式(7)计算出光伏阵列输出电流，其中n
p
和ns分别为串、并联光伏电池板的数目。
[0044][0045]
由式(8)计算出光伏阵列输出功率p
pv
。
[0046]
p
pv
＝i
pv
·vpv
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0047]
系统中光伏电池电气参数见下表1。
[0048]
表1光伏电池电气参数
[0049][0050]
基于上述原理，请参考图2，图2是本技术方法流程示意图；
[0051]
本技术中提及的一种基于组合深度学习的光伏发电功率预测方法，具体包括以下步骤：
[0052]
s1：获取光伏发电功率原始数据；
[0053]
需要说明的是，光伏发电功率原始数据为影响到光伏发电功率的一些相关因素，主要包括：光照辐射度、温度、风速、压强、湿度和光伏电池输出功率；而原始数据中，各个参数对光伏发电功率的影响是不确定的，或者说不能够进行一种量化形式的确定，对此，需要
采用一种手段，求出光照辐射度、温度、风速、压强、湿度等对光伏发电功率的影响，这一点在后文步骤s3中会涉及。
[0054]
s2：对数据做归一化处理，得到归一化后的数据；
[0055]
需要说明的是，归一化处理手段如下：
[0056][0057]
式中，x为输入的原始数据；x
min
为设置的原始数据最小值，x
max
为设置的原始数据最大值。
[0058]
s3：采用极限学习提升xgboost算法对归一化后的数据进行处理，得到不同因素对光伏发电功率影响的权重因子，并对权重因子进行排序；
[0059]
这一步中，首先对xgboost的相关内容进行说明。
[0060]
极限梯度提升(xgboost)本质上是将多个决策树学习模型进行合成而形成的集成学习模型，这种算法的基本原理是不断在现有的模型中加入不同条件的决策树模型，每一棵决策树模型可以认为是一个新的需要训练的函数，用于训练上一棵树预测的误差，如此不断的添加来增强集成学习模型的建模效果，提高对建模数据的预测能力。
[0061]
在极限梯度提升算法训练的过程中，每一棵树都会生成一个叶子节点，并对应生成一个权重值，整个集成决策树训练模型的最终得分是将每棵树的训练得分进行叠加而形成的。
[0062]
xgboost使用基本的回归树模型，表达式如下所示：
[0063][0064]
式(10)中：n为树的数目；f
t
为函数空间r的一个函数；为回归树预测值；xi为输入的第i个数据；r为所有可能的回归树模型集合。每一次迭代不影响模型，即原来的模型保持不变，将一个新的函数添加到模型里。一个函数对应一棵树，新生成的树拟合上次预测的残差，迭代过程如式(11)所示：
[0065][0066]
xgboost的目标函数表达式如式(12)所示：
[0067][0068]
式中：为模型预测值与真实值差异；为目标函数正则化项。
[0069]
采用正则化惩罚函数用于控制模型复杂度，防止模型在训练过程中发生过拟合，正则化函数定义为：
[0070]
[0071]
式(13)中，t为叶子节点个数；γ和λ为惩罚函数系数；ω为节点权重系数；
[0072]
在损失函数中，是由很多个模型(决策树)共同参与，通过叠加式的训练得到。
[0073]
训练完第一颗树f1(xi)后，对于第1棵树没有训练好的地方，使用第2颗树f2(xi)训练，依次类推，最后训练第k颗树fk(xi)。当在训练第k棵树时，前面的第1棵树到第k-1颗树是已知的，未知的是第k棵树，即基于前面构建的决策树已知情况下，构建第k棵树。
[0074]
例如，老师希望小明期末数学考100分，建立第1棵树，预测数学考了90分，初始残差值为100-90＝10分；那么利用残差10分来建立第2棵树，假设第2棵树预测值为4分，此时残差为10-4＝6分；则利用残差为6建立第3棵树，其预测值为2分，此时残差为6-2＝4分；以此类推，不断构建树，直到第k棵树残差为0，总的预测值累加和为100分。当建立第k棵树时，前面从第1，2，3，到k-1都是已知的，而第k课树是未知的，通过训练来求解第k课树。
[0075]
对式(12)进行变化，得到：
[0076][0077]
在训练第k棵树时，和都是已知的，可将式中的已知项去掉，不会影响后续对目标函数的求解，得到式(15)。
[0078][0079]
xgboost模型采用aditive training的方式进行迭代来寻求最小化目标函数，每次迭代更新为：
[0080][0081]
将每个数据的损失函数值加起来，目标函数计算如式(17)所示：
[0082][0083]
式(17)中：为一阶导数；为二阶导数。
[0084]
在式(17)中令，
[0085][0086][0087]gj
表示叶子节点j所包含样本一阶偏导数累加之和，为常数；
[0088]hj
表示叶子节点j所包含样本二阶偏导数累加之和，为常数；
[0089]
那么，式(17)进一步化简为
[0090][0091]
由式(20)知，目标函数x
obj
是关于ωj的一元二次方程，当时，目标函数的最小值为：
[0092][0093]
目标函数x
obj
取最优解时，所建立树的结构最佳的。求解目标函数x
obj
最优解，目的是建树fk(xi)，寻求最佳的树结构。
[0094]
在xgboost算法中，树的叶子节点最优解和损失函数极小值x
obj-min
是在树的形状给定后的优化求解。
[0095]
因此，如果要求得叶子节点最优解和损失函数极小值，首先需要确定树的形状。
[0096]
以贪心算法说明生成树的过程。其步骤如下：
[0097]
1)算法起始于根节点，即数的深度为0开始，并视为当前节点。
[0098]
2)对当前节点枚举所有特征，把属于当前节点的样本按照特征值升序排列，通过线性分析来决定该特征的最佳分裂点。在分裂点处，把样本一分为二，令gl表示左边叶子节点中样本点集合的一阶梯度的总和；gr表示右边叶子节点中样本点集合的一阶梯度的总和；则在分裂前，有：
[0099][0100]
分裂后，有：
[0101][0102]
那么分裂后，目标函数的增量为：
[0103][0104]
γ的作用是控制数结构的复杂度，将γ视为阈值，当gain数值大于0时就进行分裂，小于0不分裂，起到了预剪枝作用。
[0105]
gain增益意味着相应的特征对通过对模型中的每个树采取每个特征的贡献而计算出的模型的相对贡献，是解释每个特征的相对重要性的最相关属性。
[0106]
3)选择收益最大的特征作为分裂特征，用该特征的最佳分裂点作为分裂位置，生成左右两个子节点，并为每个子节点关联对应的样本集。
[0107]
4)依次将子节点设为当前节点，回到第2步，递归直到满足终止条件。
[0108]
xgboost算法小结：
[0109]
1.在损失函数的基础上加入了正则项。
[0110]
2.对目标函数进行二阶泰勒展开。
[0111]
3.利用目标函数的增益作为分裂准则,来构建每一颗树。
[0112]
根据xgboost算法原理，再结合光伏发电功率数据的特征，形成的算法流程图如图3所示(图3结合了步骤s31-s36、步骤s41-s47)，具体包括以下步骤：
[0113]
s31、确定xgboost模型的输入量为归一化后的数据xi，输出量为归一化后数据中不同参数对光伏发电功率的影响权重因子；
[0114]
s32、初始化xgboost模型参数；
[0115]
s33、置迭代次数i为1，设置最大迭代次数max；
[0116]
s34：增加一颗新树f
t
(xi)，其中f
t
为函数空间r的一个函数，xi为输入的第i个数据；
[0117]
s35：求取xgboost模型的目标函数如式(17)；
[0118]
s36：判断迭代次数是否达到最大max或者目标函数值误差是否小于预设值，若是，则输出不同参数对光伏发电功率的影响权重因子。
[0119]
步骤s34-s36整个迭代求解的过程具体如下：
[0120]
s41：计算gi和hi，根据贪心算法得到输入数据样本特征的最佳划分点，建立第一颗树；其中gi和hi计算式如下：
[0121]gi
＝y
ipre-yiꢀꢀꢀ
(25)
[0122]hi
＝y
ipre
×
(1-y
ipre
)
ꢀꢀꢀ
(26)；
[0123]
s42：置树的棵树为2；
[0124]
s43：根据第i-1棵树的数据更新y
ipre
；
[0125]
s44：利用更新后的y
ipre
再次计算gi和hi，根据贪心算法获得每个输入数据样本特征的最佳划分点，建立第i棵树；
[0126]
s45：判定建立的树的棵树是否达到预设值，若是，则进入步骤s45；否则增加树的棵树，返回步骤s43继续建立树；
[0127]
s46：把每一个样本特征的所有树的增益进行求和；
[0128]
s47：输出输出不同参数对光伏发电功率的影响权重因子。
[0129]
作为一种实施例而言，本技术提供一个xgboost的算例如下：
[0130]
树的深度设置为1(max_depth＝1)，树的颗数设置为2(num_boost_round＝2)，学习率为0.1(η＝0.1)。另外再设置两个正则的参数，λ＝1,γ＝0，b＝0；
[0131]
假设损失函数为：
[0132][0133][0134]
式两边同时对求偏导，得到：
[0135][0136]
其中：
[0137]
[0138]
同理，式两边同时对求二阶偏导为：
[0139][0140]
原始数据：
[0141]
表2光伏发电的原始数据(归一化处理)
[0142][0143]
1)建立第一棵树：
[0144]
建树的时候从根节点开始，需要在根节点处进行分裂，在某一结点处把样本分成左子结点和右子结点两个集合。分别求两个集合的g
l
、h
l
、gr、hr，然后gain。
[0145]
设base_score＝0.5，预测值先计算gi1和hi1。
[0146]
表3第一棵树的g
i1
和h
i1
数值
[0147][0148]
对于特征x1有{0.5,1,3,5}四种取值，以1为划分点(x1《1)，左子节点包含的样本i
l
＝[1]，g
l
＝0.5和h
l
＝0.25右子节点包含的样本ir＝[2,3,4,5]，
[0149]gr
＝-0.5-0.5+0.5-0.5＝-1和hr＝4*0.25＝1；计算增益gain＝0.2944。同理依次计算以3和5为划分点，结果如表4所示。
[0150]
表4以x1为划分点计算结果
[0151][0152]
对于x2有{-0.5,0.5,1,2}四种取值。以0.5为划分点(x2《0.5)，左子节点包含的样本i
l
＝[2]，g
l
＝0.5和h
l
＝0.25右子节点包含的样本ir＝[1,3,4,5]，
[0153]gr
＝-0.5-0.5+0.5-0.5＝-1和hr＝4*0.25＝1；计算增益gain＝0.2944。同理依次计算以1和2为划分点，结果如表5所示。
[0154]
表5以x2为划分点计算结果
[0155][0156]
从表3和表4知，以1为划分点(x1《1)，gain1＝0.2944最大。因此在根节点处，以x1《1来进行分裂。由于树的深度为1(根据需要，树的深度可设为任意值，如3,5等等)，接下来按照同样的方法对特征x2进行最佳划分点的搜索，结果如表5搜索。至此，完成了第一棵树的模型如图4。
[0157]
建立第二棵树：
[0158]
在第一颗树里面由于前面没有树，所以初始y
ipre
＝0.5，建立第二棵树需要对y
ipre
进行更新。
[0159]
由得到即f0(xi)＝0。
[0160]
第二棵树的预测需要用到第一棵树的数值，
[0161][0162]
更新的数值，如样本1落在-0.04叶子节点上，
[0163][0164]
表6更新y
ipre
的数值
[0165][0166]
由更新后y
ipre
的数值，根据式求g
i2
；根据式求h
i2
的数值。
[0167]
表7第二棵树的g
i2
和h
i2
数值
[0168][0169]
再按照建立第一棵树的过程，建立第二棵树的模型。如此周而复始，依次建立第三棵树，第四棵树，
…
，当把所有的树建立完后，把每一个样本的所有树的增益gain进行求和，就获得了该样本的特征重要性，再对所有样本增益gain进行排序，最后得到全部特征重要性。
[0170]
s4：根据排序结果，选择若干个对光伏发电功率的影响大的因素进行组合，得到不同组合结果；将这些组合数据分别输入至不同的深度学习预测模型中，得到不同的深度学习预测模型的光伏发电功率预测结果；
[0171]
需要说明的是，不同的深度学习预测模型包括：循环神经网络rnn模型、长短期记忆网络lstm模型和门控循环单元gru模型。以上模型为现有模型，本技术中作简单介绍如下：
[0172]
循环神经网络rnn(recurrent neural network)，是一类以序列(sequence)数据为输入，在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络，因此rnn具有记忆性、参数共享，与卷积神经网络相比。rnn处理序列非线性数据方面有优势。
[0173]
长短期记忆网络lstm，是一种特殊的rnn，主要用于解决长序列训练过程中梯度丢失和梯度爆炸问题，相比普通的rnn网络，lstm网络则通过引入门的机制，能够在更长的序列中获得更好的分析效果，弥补了rnn网络的一些缺点。
[0174]
门控循环单元gru不仅解决了rnn不能进行长期记忆信息和存在梯度消失、爆炸的问题，同时也解决了长短期记忆网络lstm训练参数多和训练复杂的问题，并且其性能与lstm的性能差不多。与lstm相比，gru少了一个门函数，所需参数也少，参数数量的减少会提
高训练的速度，从而减少训练所需的时长。在达到同样效果的情况下，gru的训练的时间更短。
[0175]
作为一种实施例，本技术以gru模型为例进行详细阐述，另外两种模型这里不再详细阐述。
[0176]
首先对gru预测模型进行一定说明。
[0177]
门控循环单元gru预测模型的隐藏门中仅含有重置门和更新门。
[0178]
请参考图5，图5是gru内部神经元结构示意图。图5中的z
t
表示更新门，r
t
表示重置门。
[0179]
这两个门的功能是用来控制信息被转移的程度。两个门的输入均为当前时刻的输入x
t
和前一时刻的隐藏状态h
t-1
。
[0180]
两个门的计算公式如下：
[0181]
1重置门
[0182]
重置门负责决定需要保留多少的记忆信息。重置门的输入由当前时刻的输入x
t
和上一时刻隐藏层的状态h
t-1
拼接而成，其输出一个(0，1)区间内的数，表示上一时刻隐藏层的状态h
t-1
保留的比例。重置门的输出如式(34)所示。
[0183]rt
＝σ(wr×
[h
t-1
,x
t
]+br)
ꢀꢀꢀꢀ
(34)
[0184]
gru通过两个门结构将输入的信息进行舍弃和记忆之后，会计算得到候选隐藏状态值其计算表达式如式(35)所示。
[0185][0186]
其中f为tanh激活函数。x
t
表示t时刻的输入，h
t-1
表示上一个时刻的隐藏状态，[]表示两个向量相连，wz、wr表示权重矩阵，σ()表示sigmoid函数。
[0187]
2更新门
[0188]
gru中更新门负责决定需要遗忘多少上一时刻的信息以及记忆多少当前时刻的信息。更新门的输入由当前时刻的输入h
t
和上一时刻隐藏层的状态h
t-1
拼接而成，其输出一个(0，1)区间内的数。更新门的输出如式(36)所示。
[0189]zt
＝σ(wz×
[h
t-1
,x
t
]+bz)
ꢀꢀꢀꢀ
(36)
[0190]
tanh激活函数通过更新门得到更新的状态信息后，其根据新的输入创建所有可能的值的向量，计算得到候选隐藏状态值再通过网络计算出当前时刻的最终状态h
t
，公式如式(37)所示。
[0191][0192]
根据上面的计算公式，gru通过两个门存储并过滤信息，通过门函数将重要的特征保留下来，通过学习来捕获依赖项，进而得到最佳的输出值。
[0193]
gru不仅解决了rnn不能进行长期记忆信息和存在梯度消失、爆炸的问题，同时也解决了lstm训练参数多和训练复杂的问题。与lstm相比，gru少了一个门函数，所需参数也少，参数数量的减少会提高训练的速度，从而减少训练所需的时长。在达到同样效果的情况下，gru的训练的时间更短。
[0194]
所以，在本技术中，采用gru预测模型进行光伏发电功率预测；
[0195]
请参考图6，图6是gru预测模型的结构示意图。
[0196]
gru神经网络结构图中，主要包含输入层，隐藏层，输出层。
[0197]
首先初始数据通过输入层到达隐含层；由gru隐含层对输入数据进行特征提取，并且接收上一时刻隐含层的输出；隐含层的数据输出经过全连接层，最后由svm输出层将预测结果输出。其中dropout层防止神经网络出现过拟合的情况。
[0198]
请参考图7，图7是采用gru预测模型进行光伏发电功率预测的流程示意图。具体流程图如下：
[0199]
s41、初始化gru网络参数，根据xgboost模型获得的各参数权重因子，将其组合输入至gru预测模型；
[0200]
s42、置迭代求解次数j＝1；
[0201]
s43、按照式(34)-(37)计算重置门和更新门的函数；
[0202]
s44、计算光伏发电功率预测误差值；
[0203]
s45、更新gru网络的权值系数；
[0204]
s46、判断迭代次数是否达到最大或光伏发电功率预测误差值是否小于预设值，若是则输出光伏发电功率预测值；否则，j加1，转到步骤s43。
[0205]
以上为采用gru模型预测光伏发电功率的过程；对于本技术中另外两个模型rnn、lstm，这里不再一一详细介绍。
[0206]
s5：将不同深度学习模型的光伏发电功率预测结果输入至强化学习中进行非线性拟合，得到最终光伏发电功率预测值。
[0207]
需要说明的是，本技术针对强化学习相关的内容进行原理性的阐述如下：
[0208]
在强化学习网络中，actor网络和critic网络的输入均为外部环境的状态变量，只是它们的输出不同，为了简化系统的设计，提高学习效率，本技术采用两个bp网络分别完成actor网络的策略函数和critic网络的值函数功能，请参考图8，图8是采用bp神经网络的强化学习原理图。其中actor网络和critic网络采用bp神经网络来实现。
[0209]
1)critic网络
[0210]
请参考图9，图9是critic网络的结构原理图。
[0211]
critic网络的输入xc(t)为：
[0212]
xc(t)＝[x1(t),x2(t)
…
,xn(t),r(t)]
t
ꢀꢀꢀꢀ
(38)
[0213]
定义critic网络误差函数如式(39)所示，
[0214][0215]
其中λ为折扣系数，0《λ《1。
[0216]
r(t)是误差的强化学习信号，定义为：
[0217][0218]
其中为ε》0的常数。
[0219]
critic网络隐含层神经元的转移函数采用双极性sigmoid函数，如式(41)所示：
[0220]
[0221]
输出为性能指标函数j(t)。
[0222]
其隐含层采sigmoid激活函数，输出层则采用线性激活函数。易知critic网络的隐含层和输出层神经元的输入和输出如式(42)所示。
[0223][0224]
其中nc为评价网络隐含层神经元的个数，qi和pi分别为隐含层第i个神经元的输入和输出，ωc(1)和ωc(2)分别表示输入层到隐含层与隐含层到输出层的权值。
[0225]
式(43)是critic网络权值更新计算公式。
[0226][0227]
ηc(t)是critic网络的学习速率。根据反向梯度下降法则可得从隐含层到输出层梯度计算如式(44)所示：
[0228][0229]
从输入层到隐含层梯度计算式如式(45)所示：
[0230][0231]
2)actor网络
[0232]
请参考图10，图10是actor网络的结构原理图。
[0233]
actor网络的输入：
[0234]
xa(t)＝[x1(t),x2(t)
…
,xn(t)]
t
ꢀꢀꢀꢀꢀ
(46)
[0235]
actor网络的多层神经元结构如图10所示，从图10可得actor网络隐含层和输出层神经元的输入和输出如式(47)所示：
[0236][0237]
其中na为评价网络隐含层神经元的个数，hi和gi分别为隐含层第i个神经元的输入和输出，
ω
a(1)和
ω
a(2)分别表示输入层到隐含层与隐含层到输出层的权值。
[0238]
actor网络权值更新公式如式(48)所示：
[0239][0240]
ηa(t)是actor网络的学习速率。从隐含层到输出层以及输入层到隐含层的梯度计算式如式(49)和式(50)所示：
[0241][0242][0243]
实际的控制信号u等于actor网络输出u1加上一个高斯扰动项ηm。
[0244]
u(t)＝u1(t)+ηm(0,ρ(t))
ꢀꢀꢀ
(51)
[0245]
ηm的大小依赖于critic网络的输出j(t)：
[0246]
ρ(t)＝[1+exp(2j(t))]-1
ꢀꢀꢀꢀ
(52)。
[0247]
以上是关于强化学习网络的原理示意性说明。
[0248]
本技术中，将不同的深度学习预测模型输出的光伏发电功率预测值，输入至强化学习网络进行非线性拟合，得到最终光伏发电功率预测值。
[0249]
需要说明的是，本技术采用了均方根误差(rmse)、平均绝对误差(mae)和纳什效率系数(ns)来评估gru模型性能。
[0250]
均方根误差(rmse)定义为：
[0251][0252]
平均绝对误差(mae)定义为：
[0253][0254]
纳什效率系数(ns)定义为：
[0255][0256]
其中，n表示测试数据总数，和yi分别为光伏发电功率的预测值和实测值。是光伏发电功率实测值的平均值。
[0257]
作为实施例而言，本技术对各个部分的实际实验数据阐述如下。
[0258]
首先是xboost模型，xboost模型用于计算各参数对光伏发电功率的影响权重。在本技术实施例中，xgboost模型输出的光伏发电功率影响因素结果如图11所示。
[0259]
从图11可见，太阳辐照度和温度是影响光伏发电功率输出的两个最重要因素，风速，湿度和气压对光伏发电功率输出有一定的影响作用。然后根据影响光伏发电功率输出因素的重要性，通过不同组合获得不同神经网络预测模型的六种输入信号：
[0260]
输入1：太阳辐照度；
[0261]
输入2：温度；
[0262]
输入3：太阳辐照度+温度
[0263]
输入4：太阳辐照度+温度+湿度
[0264]
输入5：太阳辐照度+温度+湿度+风速
[0265]
输入6：太阳辐照度+温度+湿度+风速+气压。
[0266]
分别将上面六种输入信号作为rnn、lstm和gru网络预测模型的输入，以找到最优的影响因素组合，如表8所示。
[0267]
表8六种输入组合时，不同的深度学习预测模型的预测结果
[0268]
[0269][0270]
从表2可见，整体上，gru和lstm的预测效果比rnn的预测效果好一些；在输入信号为：输入1，输入2，输入5和输入6等4种情况下，lstm的预测效果比gru的预测效果好一些；在输入信号为：输入3和输入4时，gru的预测效果比lstm的预测效果好一些。在6种组合输入中，输入4的预测效果最好。因此采用：太阳辐照度+温度+湿度作为rnn、gru和lstm模型的输入信号进行光伏发电功率的预测。
[0271]
最后，将不同的深度学习预测结果输入至强化学习网络进行拟合，得到最终结果。请参考表9，表9是不同方法的预测结果对比分析。
[0272]
表9不同深度学习的光伏发电功率预测结果对比分析
[0273]
[0274][0275]
从表3可见，在rnn、lstm、gru和xgboost-cdl-rl四种预测模型中，本发明所提的xgboost-cdl-rl预测效果最好。
[0276]
这里最后特别说明xgboost-cdl-rl为本技术的方法。xgboost为本技术中步骤s3所用；cdl为本技术中步骤s4所用，cdl为组合式深度学习，组合即为本技术输入的不同组合，深度学习即为本技术不同的深度学习预测模型；rl为强化学习，为本技术步骤s5所用。因此本技术是一种基于xgboost-cdl-rl的光伏发电功率预测方法。
[0277]
本发明的有益效果是：提高非平稳时期光伏发电功率的预测精度，精准有效的光伏发电功率预测有助于提升电网实时调度水平、电力系统稳定运行能力以及光伏电能消纳能力，提高光伏发电企业的经济效益。
[0278]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本技术实施例的实施过程构成任何限定。
[0279]
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。