[发明专利]光伏功率预测方法

说明书

本发明提供一种光伏功率预测方法，包括：确定光伏电站的历史气象数据和历史输出功率；对历史气象数据和历史输出功率进行预处理；基于预处理后的历史气象数据和历史输出功率，构建神经网络模型；对神经网络模型进行训练；判断神经网络模型中的网络参数是否陷入局部最优；若神经网络模型中的网络参数陷入局部最优，则对网络参数进行启发式搜索及自适应调整；确定下一预测周期的气象数据预测信息，并通过训练得到的模型，得到下一预测周期的输出功率预测信息。当神经网络模型中的网络参数陷入局部最优之后，对网络参数进行启发式搜索及自适应调整，使得神经网络模型具有跳出局部最优的能力，得以继续减小训练误差。

技术领域

本发明涉及数据处理技术领域，具体涉及一种光伏功率预测方法。

背景技术

传统的光伏功率预测方法，主要通过神经网络对光伏电站的历史气象数据和发电数据进行学习，具体是通过梯度下降法不断调整神经网络的参数，最终使得训练样本在模型上误差最小。

理论上，含有隐藏层的神经网络可以拟合任意的单值函数。但是，在采用传统的梯度下降法对进行神经网络训练的过程中，容易使神经网络中的网络参数陷入局部最优。当陷入局部最优之后，网络参数就会停止变化，即便继续对神经网络进行训练，训练集上的误差也会不再减小。

发明内容

有鉴于此，本发明实施例提供一种光伏功率预测方法，以避免现有技术陷入局部最优之后训练误差不再减小的问题。

为实现上述目的，本发明实施例提供如下技术方案：

本发明公开了一种光伏功率预测方法，包括：

确定光伏电站的历史气象数据和历史输出功率；

对所述历史气象数据和所述历史输出功率进行预处理；

基于预处理后的历史气象数据和历史输出功率，构建神经网络模型；

对所述神经网络模型进行训练；

判断所述神经网络模型中的网络参数是否陷入局部最优；

若所述神经网络模型中的网络参数陷入局部最优，则对所述网络参数进行启发式搜索及自适应调整；

确定下一预测周期的气象数据预测信息，并通过训练得到的模型，得到下一预测周期的输出功率预测信息。

可选地，在上述光伏功率预测方法中，对所述网络参数进行启发式搜索及自适应调整，包括：

存储所述网络参数对应的当前模型参数和当前模型损失；

依据所述当前模型参数，计算得到与所述当前模型参数对应的随机网络参数；

判断所述随机网络参数的随机模型损失是否小于所述当前模型损失；

若所述随机网络参数的随机模型损失小于所述当前模型损失，则以所述随机网络参数对应的随机模型参数更新所述当前模型参数，以所述随机模型损失更新所述当前模型损失；

若所述随机网络参数的随机模型损失大于等于所述当前模型损失，则保持所述当前模型参数和所述当前模型损失不变；

返回计算得到与所述当前模型参数对应的随机网络参数的步骤，直至返回的次数大于等于次数阈值，以所述当前模型参数作为所述训练得到的模型的网络参数。

可选地，返回计算得到与所述当前模型参数对应的随机网络参数的步骤，直至返回的次数大于等于次数阈值，以所述当前模型参数作为所述训练得到的模型的网络参数，包括：

迭代次数加1；

判断所述迭代次数是否大于等于迭代阈值；所述迭代阈值等于所述次数阈值加1；