[发明专利]基于循环神经网络的光伏电站短期功率预测方法

权利要求书

1.一种基于循环神经网络的光伏电站短期功率预测方法，其特征在于，包括如下步骤：

步骤S1：根据待预测日的天气类型，得到对应的NWP气象参数；

步骤S2：采集待预测日之前的若干天历史数据；

步骤S3:对历史数据进行处理，并将处理后的历史数据作为训练数据集；

步骤S4：采用循环神经网络对训练数据集进行学习，并用随机梯度下降法调整网络的参数，得到预测模型；

步骤S5：将待预测日的NWP气象参数作为预测模型的输入，得出预测的功率值。

2.根据权利要求1所述的基于循环神经网络的光伏电站短期功率预测方法，其特征在于，所述步骤S1具体为：晴天对应的NWP气象参数包括地面水平辐照度、散射水平辐照度和环境温度；部分阴天对应的NWP气象参数包括地面水平辐照度、散射水平辐照度、环境温度和相对湿度；阴天对应的NWP气象参数包括地面水平辐照度、散射水平辐照度、环境温度和相对湿度；雨天对应的NWP气象参数包括相对湿度。

3.根据权利要求1所述的基于循环神经网络的光伏电站短期功率预测方法，其特征在于：所述历史数据包括历史功率和历史NWP气象参数。

4.根据权利要求3所述的基于循环神经网络的光伏电站短期功率预测方法，其特征在于，所述步骤S3具体为：

步骤S31:剔除历史数据由非气象参数引起的功率变化该部分对应的数据，以及剔除黑夜的数据；

步骤S32:将剔除处理后的历史数据进行归一化处理，并将归一化后的历史数据作为训练数据集。

5.根据权利要求1所述的基于循环神经网络的光伏电站短期功率预测方法，其特征在于，所述步骤S4具体为：

步骤S41：正向传播使用的是循环神经网络中的RNN网络，其方法为：

S_t＝f(UX_t+WS_t-1+B₁)

O_t＝g(VS_t+B₂)

其中，U、W和V为权值；B₁和B₂为偏置值；X_t是t时刻的RNN网络的输入；S_t为t时刻隐层的输出；O_t为t时刻RNN网络的输出；f(·)为隐层的激活函数，其表达式为g(·)为输出层的激活函数，在训练时和预测时输出层将选择不同的激活函数，训练时选择线性函数，而预测时使用正线性函数，其表达式为

步骤S42：反向传播使用的是随机梯度下降法,具体为：

首先定义一个目标函数

其中，p为待调参数，即权值和偏置值；为目标函数；y_t为t时刻的实际功率值；a_t(p)为t时刻的网络输出值，即预测值；e_t(p)为对应的误差；

然后，使用随机梯度下降法调整参数：

其中，α为学习率，其值可以是定值，也可以随训练次数变化，表达式为