[发明专利]基于宽度学习系统的光伏发电功率预测方法

权利要求书

1.一种基于宽度学习系统的光伏发电功率预测方法，其特征在于，通过光伏系统历史出力数据和气象数据构建光伏发电预测数据集，利用宽度学习系统对光伏发电功率进行点预测以确定宽度学习系统网络结构参数；再通过Adam优化算法以及光伏发电预测数据集经训练得到不同比例分位数的宽度学习系统输出权重，最后经过结果评估实现光伏发电功率预测；

所述的宽度学习系统为：Y＝[F₁,F₂,...,F_m,E]W＝[F,E]W，其中：F为特征映射的组合矩阵，E为增强节点矩阵，W为从特征节点和增强节点连接到输出层的权重；Y为整个神经网络的输出，将宽度学习系统的包括特征节点和增强节点的中间层对应的矩阵记作M＝[F,E]；

所述的点预测是指：以点预测模型为概率预测基础，对数据集进行特征提取后作为RVFLN的输入，根据选取的输入因素生成宽度学习系统的输入层矩阵X_test，利用训练过程中随机生成的权重(W_fi,W_e)和偏置(β_fi,β_e)，计算得到相应的中间层矩阵M_test；光伏发电功率点预测的结果即为：

2.根据权利要求1所述的光伏发电功率预测方法，其特征是，所述的光伏发电预测数据集，通过从光伏系统历史出力数据、相邻时刻光伏站点的本地测量气象数据作为输入因素，具体为：对于每个时刻t，将邻近N_lag个时刻的历史出力、上一个时间点的历史气象数据作为输入因素向量x(t)，即：

x(t)＝[T(t-τ),v(t-τ),I_GH(t-τ),I_DH(t-τ),I_DN(t-τ),y(t-τ),y(t-2τ),…,y(t-N_lagτ)]^T，

其中：T为气温，v为风速，I_GH，I_DH和I_DN分别为水平面总辐射强度GHI、水平面散射辐射强度DHI和法向直射辐射强度DNI的实测值，y为光伏发电功率，N_lag通过交叉验证法确定。

3.根据权利要求1所述的光伏发电功率预测方法，其特征是，所述的宽度学习系统网络结构，包括结构参数和输出权重，其中：结构参数包括m组特征映射和n个增强节点，其中：每组特征映射包含k个特征节点，第i组特征映射为：F_i＝φ(XW_fi+β_fi),i＝1,2,...,m，其中：神经网络的权重矩阵W_fi和偏置项β_fi均是随机生成的，各元素的取值范围为[-1,1]；映射函数φ由基于LASSO的特征提取间接给出，特征映射的组合记作矩阵F＝[F₁,F₂,…,F_m]；m×k个特征节点根据E＝ζ(FW_e+β_e)生成增强节点，其中：权重矩阵W_e和偏置β_e随机生成的，各元素的取值范围为[-1,1]；ζ为激活函数；由于随机生成的权重(W_fi,W_e)和偏置(β_fi,β_e)不再改变，宽度学习系统的训练相当于得到线性系统Y＝MW的最小二乘解，其中输出权重为矩阵M的穆尔-彭罗斯广义逆矩阵，即伪逆矩阵。

4.根据权利要求1所述的光伏发电功率预测方法，其特征是，所述的特征提取，采用稀疏特征学习进行特征提取，其得到目标为：其中：X为要进行特征提取的数据；为特征选择的系数矩阵；Z是随机生成的特征矩阵；式中第一项用于得到线性方程的最小二乘估计；第二项为l₁范数，用于对施加稀疏性限制；λ为正则化参数，用于控制两项之间的相对大小；该目标即LASSO问题，利用ADMM算法进行得到；进一步通过引入辅助变量，将目标等价表示为：其中：g(V)＝λ||V||₁，该目标的增广拉格朗日函数为：基于ADMM算法交替更新V和Λ的值来得到上式，具体为：其中：软阈值函数