论文部分内容阅读
光伏发电受天气影响很大,所以光伏发电具有高度随机、间歇的性质。随着电网的发展,光伏所占比重越来越大,电网安全准确的调度就需要对光伏发电功率进行预测。针对光伏数据这种时间序列,BP神经网络未加入时间维度上的信息之间的关系民致预测精度不理想,而LSTM和GRU等RNN(递归神经网络)结构在时间序列预测中被广泛使用,RNN具有嵌套结构,预测效果较好,但是缺乏并行计算的能力,所有时刻的输入都要遍历网络,训练时间长,序列在网络中传输过长还会遗忘重要时序信息。本文提出了用SRNN切片神经网络进行光伏预测的方法,以通过分割RNN网络而不影响序列信息来保证并行计算的能力,并且因为RNN被切割,有效信息在网络中传递的次数减少,不容易遗忘,从而使模型精度提高。通过建模和对比验证,结果显示本文提出的方法在光伏预测训练速度和精度方面明显优于LSTM、GRU常见模型。具体内容有:(1)建立数据集,通过数据的相关性分析,根据各维数据与功率之间的相关系数,确定所采用的输入值,由于数据存在缺失以及存在异常值,所以需要对数据进行预处理,包括iForest异常值数据剔除,对数据缺失值进行平均值填充,最后对数据的切片以适成SRNN网络,作为网络的输入建立数据集,其中前80%为训练集,中间10%为验证集,最后10%为测试集。(2)建立模型,为了使SRNN网络预测模型最优,实现高精度和训练速度,进行了实验仿真数据对比来确定网络结构和容量,最终网络的结构选用三层GRU加FC全连接层。GRU和FC的容量分别为300和128-64-1。紧接着为了提高模型精度加入正则化,通过实验确定加入L2正则化。通过优化算法的对比实验,选择Adam优化算法来对网络进行训练。(3)用测试集数据,进行预测验证。通过与其他常用的深度学习方法包括LSTM、BP神经网络、简单RNN网络、GRU网络进行对比,证明了SRNN不管是训练速度还是收敛速度以及模型精度都具有巨大优势,由于其训练速度以及收敛速度快,导致其模型精度也突出的高于其他深度学习方法的模型,证明了SRNN网络的优越性。