[发明专利]一种光能发电的预测方法、装置、计算机设备及存储介质

说明书

本发明公开了一种光能发电的预测方法、装置、计算机设备及存储介质，该方法包括：预先构建基于高次多项式的多分支神经网络预测模型；获取历史光能发电数据及外生变量数据，并进行预处理，得到数据集，然后划分为训练集和测试集；将训练集输入至神经网络预测模型中进行训练；利用神经网络预测模型输出每一神经元对应的参数，然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建；通过测试集对构建的神经网络预测模型进行测试优化，得到优化后的神经网络预测模型；利用最终的神经网络预测模型对指定周期的光能发电数据预测。本发明通过基于高次项多项式神经网络模型预测，使预测结果清晰准确，提高光能发电的预测精度。

技术领域

本发明涉及光能发电数据预测技术领域，特别涉及一种光能发电的预测方法、装置、计算机设备及存储介质。

背景技术

由于数据挖掘和分析的需求逐年增加，机器学习得到了广泛应用。传统的机器学习方法，对数据挖掘起到一定作用，但存在精度较低的问题。而随着计算机软硬件的进步，尤其是显卡和深度学习框架的进度，神经网络作为一类新的机器学习算法在本世纪初崛起，逐渐受到世界各国研究人员的重视。由于其具有良好的数据拟合能力，因此得到学术界和产业界的青睐。在能源领域中，也常将神经网络应用于光能发电的数据预测上。

然而，在利用神经网络预测光能发电的现有技术中，预测结果精度不足。

发明内容

本发明实施例提供了一种光能发电的预测方法、装置、计算机设备及存储介质，旨在提高对于光能发电的预测精度。

第一方面，本发明实施例提供了一种光能发电的预测方法，包括：

预先构建基于高次多项式的多分支神经网络预测模型；

获取历史光能发电数据及其对应的外生变量数据，并对所述历史光能发电数据及其对应的外生变量数据进行预处理，得到包含多变量的历史光能发电数据集，然后将所述历史光能发电数据集划分为训练集和测试集；

将所述训练集中的数据输入至所述神经网络预测模型中进行训练学习；

利用训练的神经网络预测模型输出神经网络中每一神经元对应的参数，然后根据每一神经元的参数完成对基于高次多项式的多分支神经网络预测模型的构建；

通过所述测试集对构建的神经网络预测模型进行测试优化，得到优化后的神经网络预测模型，然后利用平均绝对误差、均方根误差、协方差均方根误差和R平方对优化后的神经网络预测模型进行评价，从而得到最终的神经网络预测模型；

利用最终的神经网络预测模型对指定周期的光能发电数据进行预测。

进一步的，所述预先构建基于高次多项式的多分支神经网络预测模型，包括：

按照下式预先构建基于高次多项式的多分支神经网络预测模型：

式中，x为输入的光能发电数据变量，为神经网络预测模型中的分支网络前输入变量对应的连接权重向量，h_i(.)为分支网络中的第i个输出函数，γ_i为第i个输出函数对应的权重，f(x)为最终的光能发电预测值。

进一步的，还包括：

预先设置不同次的高次多项式h(.)，通过对所述分支网络预训练使所述分支网络的功能与所述的高次多项式h(.)相匹配。

进一步的，所述获取历史光能发电数据及其对应的外生变量数据，并对所述历史光能发电数据及其对应的外生变量数据进行预处理，得到包含多变量的历史光能发电数据集，然后将所述历史光能发电数据集划分为训练集和测试集，包括：

对所述历史光能发电数据和对应的外生变量数据进行归一化预处理，得到所述历史光能发电数据集；