[发明专利]一种基于最简门控神经网络的短期光伏出力概率预测方法

权利要求书

1.一种基于最简门控神经网络的短期光伏出力概率预测方法，其特征在于，包括以下步骤：

1)将含有多个待选天气变量的原始数据进行归一化处理，并采用最大信息系数MIC对原始数据的维数进行约减；

2)将约减后的特征数据集分为训练数据集和测试数据集，并采用K-means算法将训练数据集和测试数据集分别分为晴天、多云、阴天和雨天四个天气类型数据；

3)构建神经网络分位数回归模型并采用训练数据集进行训练；

4)采用训练好的神经网络分位数回归模型进行预测得到各条件下的分位数，并通过核密度估计得到近似完整的概率密度函数。

2.根据权利要求1所述的一种基于最简门控神经网络的短期光伏出力概率预测方法，其特征在于，所述的步骤1)中，待选天气变量共有11个，具体为降水量、最低气温、最高气压、蒸发量、最高气温、日照时数、风速、能见度、云量、平均水汽压和温度。

3.根据权利要求2所述的一种基于最简门控神经网络的短期光伏出力概率预测方法，其特征在于，所述的步骤3)中，神经网络分位数回归模型以能见度、云量、降水量、大型蒸发量、风速以及前一时刻的光伏出力数据作为输入，以待预测时刻的光伏出力作为输出。

4.根据权利要求1所述的一种基于最简门控神经网络的短期光伏出力概率预测方法，其特征在于，所述的步骤3)中，神经网络分位数回归模型为分位数回归最简门控记忆网络，其具体为由分位数回归结合最简门控记忆网络得到的混合模型。

5.根据权利要求4所述的一种基于最简门控神经网络的短期光伏出力概率预测方法，其特征在于，所述的最简门控记忆网络由在LSTM循环神经网络基础上对内部门控结构进行改进得到，具体为：

将输入门和遗忘门进行耦合，消除输出门和偏压，保留两个激活函数sigmoid和tanh。

6.根据权利要求4所述的一种基于最简门控神经网络的短期光伏出力概率预测方法，其特征在于，所述的步骤4)中，获取各条件下的分位数具体包括以下步骤：

41)计算遗忘门f_t(τ)和耦合输入门i_t(τ)，则有：

f_t(τ)＝σ(net(τ))＝σ(w_h(τ)·h_t-1(τ)+w_x(τ)·x_t)

i_t(τ)＝1-f_t(τ)

其中，net(·)为中间变量，σ(·)为sigmoid激活函数，w_h(·)为权重矩阵，h_t-1(·)为t-1时刻的隐藏门输出，w_x(·)为权重矩阵，x_t为输入数据，τ为分位数；

42)计算当前信息状态a_t(τ)，则有：

a_t(τ)＝tanh(net(τ))＝tanh(w_h(τ)·h_t-1(τ)+w_x(τ)·x_t)

其中，tanh(·)为tanh激活函数；

43)计算隐藏门的输出h_t(τ)，则有：

h_t(τ)＝f_t(τ)*h_t-1(τ)+i_t(τ)*a_t(τ)；

44)计算预测值y_t的第τ条件分位数则有：

其中，Ω(τ)为所有权重矩阵，QRMGM表示分位数回归最简门控记忆网络。