[发明专利]基于GRU的光伏电站辐照度中长期预测的方法及装置

说明书

技术领域

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。

发明内容

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)