[发明专利]一种基于多簇ESN神经网络的光伏发电功率预测方法

权利要求书

1.一种基于多簇ESN神经网络的光伏发电功率预测方法，其特征在于：包括以下步骤：

S1：构建多簇ESN神经网络，多簇ESN神经网络通过以下步骤来产生：

S11：在二维平面内，初始化n个先驱节点，且节点之间进行全连接；

S12：向二维平面添加局部区域节点；

S13：依据局部优先连接规则，将新增局部节点与已经存在的节点进行连接；

S14：重复步骤S12和S13，直到节点总数达到储备池设定规模N；

S15：产生储备池连接权值矩阵，计算得到储备池的状态更新方程:

x(t+1)＝f(Wⁱⁿu(t+1)+W^resx(t)+W^backy(t)+v(t))

其中，多簇ESN网络输入单元u(t)、储备池单元x(t)、输出单元y(t)规模分别为K、N、L；Wⁱⁿ、W^res、W^out、W^back分别代表N×K的输入连接权值矩阵、N×N的内部连接权值矩阵、L×N的输出连接权值矩阵、N×L的反馈连接权值矩阵，f表示内部单元的激励函数，为Sigmoid函数，v(t)为噪声信号；所述多簇ESN神经网络的输出计算采用以下函数：

y(t+1)＝f^out(W^outx(t+1))

其中，f^out为输出单元的活性函数，这里采用线性输出单元；

S2:对构建的多簇ESN神经网络各参数进行初始化；

S3：考虑影响因素，建立单步MCESN预测模型和多步MCESN预测模型，所述单步MCESN预测模型为超前1小时短期预测，包含基于温度、湿度测量值的四种不同的输入-输出短期预测模型以及基于周期特性的两种不同输入输出的短期预测模型，所述多步MCESN预测模型为超前24小时中期预测的多输入多输出模型；所述多步MCESN预测模型用表达式描述为：

其中，输入信号 分别为当前一天24小时的功率平均值相应的温度平均值以及每月的天数k，输出为下一天中从第一个小时到最后一个小时的功率值P₁(k+1),P₂(k+1),…,P₂₄(k+1)，等号左边表示待预测的超前一天的光伏发电功率值，即网络输出；等式右边代表网络的输入信号；为神经网络拟合的输入-输出非线性函数；为便于求解多输入多输出模型的平均功率与相应的温度平均值，将所有功率、温度历史数据按小时表示为一个二维矩阵：

其中，行数m、列数s分别代表总的天数、每天的小时数；

S4：调用样本信息，对初始化后的多簇ESN神经网络进行训练；

S5：调用测试样本对网络进行测试；

S6：对于测试阶段得到的输出结果，并对预测性能进行评估，其中评估包括定量和定性分析；所述定量分析为量化预测值和测量值之间的误差大小，所述定性分析为分析测量值和预测值之间的内部特性差异；所述定量分析主要从标准方根误差NRMSE、平均绝对误差MAE、均方根误差RMSE和相关系数r四个指标来评估预测结果误差大小；所述定性分析包括统计特征、季节性、非平稳性和复杂性；按照以下公式计算：

其中，l_test为测试样本长度，σ²为期望信号的方差，y(t)、d(t)分别为测试阶段网络的实际输出和期望输出值；

所述统计特性差异是指比较测量值与预测值的均值、标准差及直方图分布；

所述季节特性差异通过预测值与测量值的二维矩阵的表面网格图和灰度图来反映；

所述非平稳性差异通过对比预测值与测量值的自相关系数来反映；

所述复杂性采用可视图建网的方法来分析。