一种基于回声状态网络的光伏发电量集成预测方法与流程

本发明涉及光伏发电量预测领域，特别涉及一种基于回声状态网络的光伏发电量集成预测方法。

背景技术：

1、发电预测方法和装置。这些方法主要分为两种，即基于数据驱动的神经网络方法和基于机器学习的预测方法。其中，以下两种方法具有代表性：

2、(1)cn108227759a公开的一种基于神经网络预测技术的太阳能跟踪控制系统，基于数据驱动的神经网络方法：该这种方法利用多种现有因素，如太阳辐照度、环境温度、湿度和大气压力等，来预测光伏系统的输出功率。该技术使用预先构建的bp神经网络模型进行网络训练。随后将该模型直接应用于待预测数据，以生成电能功率输出预测结果。

3、(2)cn110751333a公开的一种分布式太阳能光伏发电量预测系统，采用机器学习方法：这种方法专注于关键因素，包括温度、光照等六个因素的影响。它采用线性回归来进行预测，并计算出对应的加权系数。然后，这些加权系数被用作后续预测的参考进行加权计算，并最终生成模型的预测结果。

4、由于太阳能电能预测受到多种复杂的实际影响因素，目前基于机器学习的预测模型结构过于简单，难以实现准确的预测，其预测准确度相对较低。因此，当前主要采用基于数据驱动的神经网络算法进行预测。然而，现有的神经网络预测技术通常仅采用单一的预测网络进行预测，虽然这可以提高预测的精度，但存在以下问题：其预测的稳定性和时效性无法充分保障，同时对于预测结果的可靠性缺乏充分的反馈和评价机制，这导致了盲目性较高的预测结果。

技术实现思路

1、本发明所要解决的技术问题是提供一种基于回声状态网络的光伏发电量集成预测方法，有助于提高预测结果的可靠性。

2、为解决上述技术问题，本发明所采用的技术方案是：一种基于回声状态网络的光伏发电量集成预测方法，包括如下步骤：

3、s1、收集用于模型训练和测试的初始太阳能发电量数据data；

4、s2、基于bagging技术建立包含m个回声状态网络的集成预测模型，并生成用于训练该模型的子数据集，分为训练集和测试集；

5、s3、针对集成预测模型进行模型训练，得到太阳能光伏发电量预测模型；

6、s4、采用测试集数据进行太阳能预测测试，并根据测试误差建立可信度数据集dt；

7、s5、建立可信度评估网络模型，并利用dt数据集进行模型训练得到预测评估模型；

8、s6、针对新的样本数据，利用太阳能光伏发电量预测模型进行功率预测，并同时将样本数据输入预测评估模型得到此次预测的可信水平。

9、优选的方案中，所述步骤s1中，初始太阳能发电量数据data的获得方法如下：

10、采集待预测光伏发电系统一年的发电量数据，并且仅收集每天8:00至18:00之间的十组数据[h1,h2,…,h10]，因此获得时序数据为d＝[day1,day2,…,day365]，且dayi＝[h1,h2,…,h10],i∈[1,365]，dayi表示第i天的发电量数据，计算每一天发电总量dsumi：

11、

12、并将当天发电量总和与前一天的发电量数据作为一组数据集zk＝[dayk,dsumk+1]，其中k∈[1,364]；

13、基于该原则最终得到时序数据集为data＝[z1,z2,…,z364]。

14、优选的方案中，所述步骤s2中，基于bagging技术的集成预测模型建立步骤如下：

15、s201、建立m个相同结构的回声状态网络模型，并初始化模型参数；

16、s202、采用data数据作为初始数据集，并分别针对每一天的数据dayi进行5次随机抽样得到数据day*i＝[h*1,h*2,…,h*5]，并重新将当天发电量总和与前一天的发电量数据作为一组数据集得到zk*＝[dayk*,dsumk+1*]，最终得到一组子数据集data*＝[z1*,z2*,…,z364*]；

17、s203、重复执行m次步骤s202，最终得到m组子数据集data1*,data2*,…,datam*，并按照比例将该数据集划分为训练集和测试集。

18、优选的方案中，所述步骤s201中，回声状态网络模型的建立过程包括：

19、回声状态网络模型由输入层、内部储层和输出层组成，设定回声状态网络模型包括k个输入节点，n个储层神经元和l个输出节点，建立时间序列模型，在时间步长t时，输入向量u(t)，内部储层状态s(t)和输出向量y(t)分别为：

20、

21、输入层通过输入权值win与内部储层连接，储层神经元通过内部权值wres连接，输出层通过输出权值wout与内部储层连接，并且内部储层更新表达式如下：

22、s(t+1)＝lsg(u(t+1)win+s(t)wres)   (3)

23、其中，lsg为对数sigmoid激活函数；

24、预测输出方程定义为：

25、

26、其中，x(t)表示保持u(t)和s(t)行数不变，将列进行堆叠得到的结果矩阵；

27、在太阳能光伏发电量预测模型的训练及测试过程中，输入u(t)和输出y(t)分别为zt＝[dayt,dsumt+1]中的dayt和dsumt+1，其中t表示当前时刻。

28、优选的方案中，所述步骤s203中，按照0.6和0.4的比例将数据集划分为训练集和测试集，训练集和测试集分别为traini*和testi*,i∈[1,m]。

29、优选的方案中，所述步骤s3中，包括如下步骤：

30、s301、将子数据集分别用于m个回声状态网络模型的模型训练，并相应得到m个光伏发电量预测子模型；

31、s302、建立基于统计的处理策略对光伏发电量预测子模型的预测值进行整合，得到综合预测结果。

32、优选的方案中，所述步骤s302中，基于统计的处理策略包括：

33、针对同一测试输入d_sampt，多个光伏发电量预测子模型获取的预测结果为将预测结果进行加权计算得到最终的预测结果即：

34、

35、其中，wm为各个子模型预测结果的加权值，且m∈[1,m]。

36、优选的方案中，所述步骤s4中，可信度数据集dt的获取过程如下：

37、利用预留的测试集testi*,i∈[1,m]，进行集成预测模型测试，得到对应预测结果对预测结果和实际结果计算可信度评估值et：

38、

39、将该评估结果与输入序列特征数据整合得到可信度数据集dt[c1,c2,…,ct],其中ct＝[dayt*,et]。

40、优选的方案中，所述步骤s5中，采用人工神经网络建立可信度评估模型，将序列特征数据dayt*作为模型输入，得到其对应的可信度评估输出

41、优选的方案中，所述步骤s6中，基于太阳能光伏发电量预测模型和可信度评估网络模型，针对当前时刻dayt的电能数据dayt[h1,h2,…,h5]，利用太阳能光伏发电量预测模型得到下一天的综合预测结果利用可信度评估模型得到此次预测的可信度在现存数据集中搜寻与当前输入特征具有最大相似度的数据作为相似气象日信息，相似度分析过程基于余弦相似度分析获得，如下式所示；

42、

43、其中，csj为当前时刻数据dayt与数据集中输入数据dayj的余弦相似系数，||·||为向量范数；

44、将数据集中输入数据逐一加入计算，并得到具有最大特征相似度对应的光伏发电量结果为y′；

45、将y′作为参考数据与预测结果取加权平均得到最终预测结果表达式如下：

46、

47、本发明提供的一种基于回声状态网络的光伏发电量集成预测方法，具有以下有益效果：

48、1、esn技术的应用：本发明全面采用回声状态网络(esn)技术，相较于传统的bp神经网络或卷积神经网络(cnn)，esn具有更快的训练收敛速度和更高的模型预测精准性，这一特点使得本发明的预测模型具备更出色的预测性能。

49、2、多网络集成方法：本发明采用了多网络集成方法，运用bagging技术建立了多个回声状态网络(esn)的集成预测模型，与单一网络相比，这种多模型集成方法具备更高的预测稳定性，有助于提高预测结果的可靠性。

50、3、可信度评估：本发明引入了基于人工神经网络的可信度评估模型。该模型用于对光伏发电预测结果进行可靠性评估，同时提供客观性反馈。这一创新使得模型的实用性得到显著提高，因此可以更可靠地依赖预测结果。

51、4、采用基于余弦相似度的输入特征数据分析，将数据集中具有相似气象特征对应的光伏发电量作为参考数据，并得到最终预测结果。