基于相似日聚類的微電網(wǎng)光伏出力空間預(yù)測方法
【專利摘要】本發(fā)明針對現(xiàn)有相似日聚類預(yù)測光伏出力的不足，提出一種基于相似日聚類的微電網(wǎng)光伏出力空間預(yù)測方法，屬于新能源出力預(yù)測領(lǐng)域，包含步驟：利用訓(xùn)練期內(nèi)微電網(wǎng)中輸入輸出光伏電站的發(fā)電數(shù)據(jù)，建立空間關(guān)系來預(yù)測預(yù)測期內(nèi)輸出電站的發(fā)電數(shù)據(jù)；對輸入電站訓(xùn)練期和預(yù)測期內(nèi)的發(fā)電數(shù)據(jù)進(jìn)行粒子化處理；對粒子化后的輸入電站訓(xùn)練期內(nèi)的數(shù)據(jù)進(jìn)行SOM神經(jīng)網(wǎng)絡(luò)聚類訓(xùn)練；利用SOM神經(jīng)網(wǎng)絡(luò)對粒子化后的輸入電站預(yù)測期進(jìn)行仿真分類；找出相似日；利用相似日數(shù)據(jù)，結(jié)合最小二乘法多項(xiàng)式擬合，得出發(fā)電數(shù)據(jù)預(yù)測值。與現(xiàn)有方法相比，本發(fā)明簡化了研究對象，促進(jìn)了聚類過程，顯著提高了預(yù)測精度。
【專利說明】
基于相似日聚類的微電網(wǎng)光伏出力空間預(yù)測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于微電網(wǎng)光伏出力預(yù)測技術(shù)領(lǐng)域，具體涉及一種基于相似日聚類的微電 網(wǎng)光伏出力空間預(yù)測方法。
【背景技術(shù)】
[0002] 作為智能電網(wǎng)重要組成部分的微電網(wǎng)，是由分布式電源、儲能、負(fù)荷、能量轉(zhuǎn)換裝 置和監(jiān)控、保護(hù)裝置組合而成的小型發(fā)配電系統(tǒng)，其既可以與外部電網(wǎng)并網(wǎng)運(yùn)行，也可以孤 立運(yùn)行，具有自我控制、保護(hù)和管理功能。
[0003] 太陽能光伏發(fā)電是微電網(wǎng)中常見的一種微電源發(fā)電形式。作為一種無污染的清潔 能源，一種可持續(xù)的能源替代方式，太陽能光伏發(fā)電已得到人們越來越多的重視，其已作為 世界上許多國家開辟新能源的一條重要途徑。
[0004] 為實(shí)現(xiàn)微電網(wǎng)的自我控制、保護(hù)和管理功能，對作為微電源的光伏發(fā)電系統(tǒng)出力 進(jìn)行準(zhǔn)確有效的預(yù)測必不可少。然而光伏發(fā)電系統(tǒng)受環(huán)境因素影響明顯，發(fā)電功率的變化 存在著間歇性、波動性和隨機(jī)性，準(zhǔn)確有效的預(yù)測變得困難和復(fù)雜。
[0005] 目前，有關(guān)使用S0M神經(jīng)網(wǎng)絡(luò)進(jìn)行相似日聚類來進(jìn)行光伏出力預(yù)測的國內(nèi)外研究 中，相似日的聚類大多直接依據(jù)天氣環(huán)境因素，而從空間角度直接依據(jù)與目標(biāo)電站相關(guān)聯(lián) 的其它電站的發(fā)電量非常罕見，如文獻(xiàn)《基于天氣類型聚類識別的光伏系統(tǒng)短期無輻照度 發(fā)電預(yù)測模型研究》（出處：中國電機(jī)工程學(xué)報(bào)，2011年第31卷34期28-35頁）就是直接依據(jù) 天氣環(huán)境因素來進(jìn)行聚類。直接依據(jù)天氣環(huán)境因素，存在影響因素復(fù)雜、獲取數(shù)據(jù)困難和檢 測精度不高等問題。另外，針對發(fā)電量數(shù)據(jù)變動范圍大，影響S0M神經(jīng)網(wǎng)絡(luò)分類性能的情況， 提出了一種粒子化數(shù)據(jù)處理方法，對發(fā)電量數(shù)據(jù)進(jìn)行粒子化處理，處理后的數(shù)據(jù)量綱清晰、 層次分明，便于S0M神經(jīng)網(wǎng)絡(luò)分類。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于，針對上述現(xiàn)有技術(shù)的不足，避免考慮復(fù)雜的天氣環(huán)境因素，從 空間角度直接依據(jù)微電網(wǎng)內(nèi)相關(guān)聯(lián)光伏電站的發(fā)電量數(shù)據(jù)，并采用粒子化數(shù)據(jù)處理方法， 對發(fā)電量數(shù)據(jù)進(jìn)行粒子化處理，采用S0M神經(jīng)網(wǎng)絡(luò)進(jìn)行相似日聚類，結(jié)合最小二乘法多項(xiàng)式 擬合，對預(yù)測期內(nèi)目標(biāo)輸出電站的發(fā)電數(shù)據(jù)進(jìn)行預(yù)測?？臻g角度簡化了研究對象，粒子化法 促進(jìn)了聚類過程，相似日聚類顯著提高了預(yù)測精度，為基于相似日的微電網(wǎng)光伏出力預(yù)測 提供了較高的技術(shù)參考價(jià)值。
[0007] 為實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：
[0008] 提供一種基于相似日聚類的微電網(wǎng)光伏出力空間預(yù)測方法，其特征在于，包含以 下步驟：
[0009] 1)以微電網(wǎng)內(nèi)的η個光伏電站為研究對象(其中p個作為輸入電站，q個作為輸出電 站，n = p+q)，n個光伏電站的發(fā)電數(shù)據(jù)（日發(fā)電量)分為訓(xùn)練期和預(yù)測期，訓(xùn)練期內(nèi)輸入電站 和輸出電站的發(fā)電數(shù)據(jù)均已知，預(yù)測期內(nèi)輸入電站的發(fā)電數(shù)據(jù)已知而輸出電站的發(fā)電數(shù)據(jù) 未知，利用訓(xùn)練期的發(fā)電數(shù)據(jù)，從空間角度建立輸入電站和輸出電站之間的關(guān)系，利用這種 關(guān)系則可預(yù)測預(yù)測期內(nèi)輸出電站的發(fā)電數(shù)據(jù)；
[0010] 2)對P個輸入電站訓(xùn)練期和預(yù)測期內(nèi)的發(fā)電數(shù)據(jù)進(jìn)行粒子化處理，具體過程如下：
[0011] 201)將p個輸入電站訓(xùn)練期和預(yù)測期內(nèi)的發(fā)電數(shù)據(jù)(w維），按各個輸入電站時間順 序分別歸一化到[0，a]，a為大于0的整數(shù)，具體使用下式(1):
[0013] 其中，m= 1，2,…，p，i = 1，2,…，w，xmi為第m個光伏電站的第i個發(fā)電數(shù)據(jù)，Xmi*為 Xmi歸一化后對應(yīng)的數(shù)據(jù)，Xm max和Xm min分別為Xmi中最大值和最小值；
[0014] 202)將Xmi1f確到整數(shù)位或小數(shù)點(diǎn)后1位，具體使用下式(2):
[0015] f(xmi*)=R0UND(xmi*,N) (2)
[0016] 其中，R0UNDO為四舍五入運(yùn)算，其中N=0，1，當(dāng)N為0時表示精確到整數(shù)位，N為1時 表示精確到小數(shù)點(diǎn)后1位；
[0017] 3)對粒子化后的p個輸入電站訓(xùn)練期內(nèi)的數(shù)據(jù)進(jìn)行S0M神經(jīng)網(wǎng)絡(luò)聚類訓(xùn)練，具體過 程如下：
[0018] 301)將粒子化后的p個輸入電站訓(xùn)練期內(nèi)的數(shù)據(jù)作為輸入向量X;
[0019] 302)初始化S0M神經(jīng)網(wǎng)絡(luò)的連接權(quán)值向量W為隨機(jī)值，W表示S0M輸入層神經(jīng)元和輸 出層神經(jīng)元之間的全連接；
[0020] 303)將輸入向量X和連接權(quán)值向量W分別進(jìn)行歸一化處理，具體使用下式(3):
[0022]其中，| | · | |表示2-范數(shù)運(yùn)算；
[0023] 304)計(jì)算歸一化后輸入向量Y和歸一化后連接權(quán)值向量F之間的歐氏距離d;
[0024] 305)選出d值最小對應(yīng)的輸出層神經(jīng)元為獲勝神經(jīng)元，對獲勝神經(jīng)元及其鄰域內(nèi) 的神經(jīng)元權(quán)值進(jìn)行調(diào)整；
[0025] 306)判斷是否達(dá)到預(yù)先訓(xùn)練結(jié)束要求，否則循環(huán)執(zhí)行，得出最終訓(xùn)練分類；
[0026] 4)利用步驟3)中達(dá)到預(yù)先訓(xùn)練結(jié)束要求的S0M神經(jīng)網(wǎng)絡(luò)對粒子化后的輸入電站預(yù) 測期進(jìn)行仿真分類；
[0027] 5)找出步驟4)中仿真分類和步驟3)中訓(xùn)練分類相同的類別，這些類別所對應(yīng)的日 期則可作為相似日；
[0028] 6)利用相似日粒子化前的發(fā)電數(shù)據(jù)，結(jié)合最小二乘法多項(xiàng)式擬合，得出預(yù)測期內(nèi) 輸出電站的發(fā)電數(shù)據(jù)預(yù)測值，具體過程如下：
[0029] 601)利用與預(yù)測期為相似日的訓(xùn)練期內(nèi)輸入輸出電站粒子化前的發(fā)電數(shù)據(jù)，使用 最小二乘法多項(xiàng)式擬合，求出多項(xiàng)式中的系數(shù)，所使用的最小二乘法多項(xiàng)式擬合原理是:對 于給定的一組數(shù)據(jù){(幻，^)，（」=1，2，~，8)}，其中8為相似日的個數(shù)，若擬合的曲線為 7 = ? (X)，則第j個點(diǎn)的誤差距離為F(Xj)-^，所有點(diǎn)的誤差距離平方和

的最小值對應(yīng)的系數(shù)，則可得到擬合曲線y=F(X);
[0030] 602)利用擬合曲線y = F(x)，輸入預(yù)測期內(nèi)輸入電站粒子化前的發(fā)電數(shù)據(jù)，則可求 出預(yù)測期內(nèi)輸出電站的發(fā)電數(shù)據(jù)預(yù)測值。
[0031] 本發(fā)明采用的以上技術(shù)方案與現(xiàn)有技術(shù)相比，可達(dá)到以下技術(shù)效果：
[0032] (1)預(yù)測微電網(wǎng)內(nèi)的光伏出力，從空間角度直接依據(jù)與目標(biāo)光伏電站相關(guān)聯(lián)的其 它光伏電站的出力，簡化了研究對象，避免了復(fù)雜的天氣環(huán)境因素；
[0033] (2)S0M神經(jīng)網(wǎng)絡(luò)是一種無監(jiān)督、自學(xué)習(xí)網(wǎng)絡(luò)，無需外界給出評價(jià)函數(shù)，能根據(jù)數(shù)據(jù) 自身特征進(jìn)行分類，具有適應(yīng)性強(qiáng)、自穩(wěn)定性好、處理數(shù)據(jù)量大、拓?fù)溆行虻忍攸c(diǎn)；
[0034] (3)針對發(fā)電量數(shù)據(jù)變動范圍大，影響S0M神經(jīng)網(wǎng)絡(luò)分類性能的情況，提出了一種 粒子化數(shù)據(jù)處理方法，對發(fā)電量數(shù)據(jù)進(jìn)行粒子化處理，處理后的數(shù)據(jù)量綱清晰、層次分明， 便于S0M神經(jīng)網(wǎng)絡(luò)分類；
[0035] (4)利用粒子化后的數(shù)據(jù)，進(jìn)行S0M神經(jīng)網(wǎng)絡(luò)相似日聚類，結(jié)合最小二乘法多項(xiàng)式 擬合，顯著提高了預(yù)測精度，為基于相似日的微電網(wǎng)光伏出力預(yù)測提供了較高的技術(shù)參考 價(jià)值。
【附圖說明】
[0036] 圖1是本發(fā)明所述的一種基于相似日聚類的微電網(wǎng)光伏出力空間預(yù)測方法總體框 架示意圖；
[0037] 圖2是其中一個輸入電站A訓(xùn)練期和預(yù)測期內(nèi)的發(fā)電數(shù)據(jù)進(jìn)行粒子化處理前的數(shù) 據(jù)圖；
[0038] 圖3是其中一個輸入電站A訓(xùn)練期和預(yù)測期內(nèi)的發(fā)電數(shù)據(jù)進(jìn)行粒子化處理后的數(shù) 據(jù)圖；
[0039] 圖4是S0M神經(jīng)網(wǎng)絡(luò)對輸入電站訓(xùn)練期內(nèi)的數(shù)據(jù)進(jìn)行分類的結(jié)果圖；
[0040] 圖5是分出的9個類中每個類的個數(shù)圖。
【具體實(shí)施方式】
[0041] 下面結(jié)合附圖和實(shí)施例對本發(fā)明作詳細(xì)說明，需要說明的是，該具體實(shí)施例只用 來解釋本發(fā)明，而非對本發(fā)明范圍的限定。
[0042] 圖1是本發(fā)明所述的一種基于相似日聚類的微電網(wǎng)光伏出力空間預(yù)測方法總體框 架示意圖，如圖1所示，一種基于相似日聚類的微電網(wǎng)光伏出力空間預(yù)測方法具體包含以下 步驟：
[0043] 1)以微電網(wǎng)內(nèi)的η個光伏電站為研究對象(其中p個作為輸入電站，q個作為輸出電 站，n = p+q)，n個光伏電站的發(fā)電數(shù)據(jù)（日發(fā)電量)分為訓(xùn)練期和預(yù)測期，訓(xùn)練期內(nèi)輸入電站 和輸出電站的發(fā)電數(shù)據(jù)均已知，預(yù)測期內(nèi)輸入電站的發(fā)電數(shù)據(jù)已知而輸出電站的發(fā)電數(shù)據(jù) 未知，利用訓(xùn)練期的發(fā)電數(shù)據(jù)，從空間角度建立輸入電站和輸出電站之間的關(guān)系，利用這種 關(guān)系則可預(yù)測預(yù)測期內(nèi)輸出電站的發(fā)電數(shù)據(jù)。
[0044] 本實(shí)施例中，η為7，p為6，q為1，訓(xùn)練期為2013年1月1日至2014年11月30日，預(yù)測期 為2014年12月1日。
[0045] 2)對p個輸入電站訓(xùn)練期和預(yù)測期內(nèi)的發(fā)電數(shù)據(jù)進(jìn)行粒子化處理，具體過程如下：
[0046] 201)將p個輸入電站訓(xùn)練期和預(yù)測期內(nèi)的發(fā)電數(shù)據(jù)(w維），按各個輸入電站時間順 序分別歸一化到[0，a]，a為大于0的整數(shù)，具體使用下式(1):
[0048] 其中，m= 1，2,…，p，i = 1，2,…，w，xmi為第m個光伏電站的第i個發(fā)電數(shù)據(jù)，XmZ為 Xmi歸一化后對應(yīng)的數(shù)據(jù)，Xm max和Xm min分別為Xmi中最大值和最小值。
[0049] 本實(shí)施例中，w為700，a為10。
[0050] 202)將Xmi1f確到整數(shù)位或小數(shù)點(diǎn)后1位，具體使用下式(2):
[0051] f(xmi*)=ROUND(xmi*,N) (2)
[0052] 其中，ROUND 〇為四舍五入運(yùn)算，其中N=0，1，當(dāng)N為0時表示精確到整數(shù)位，N為1時 表示精確到小數(shù)點(diǎn)后1位。
[0053] 本實(shí)施例中，因粒子化歸一區(qū)間為[0，10]，區(qū)間間隔范圍大，可將Xm，精確到整數(shù) 位，即N為0。
[0054]圖2所示是其中一個輸入電站A訓(xùn)練期和預(yù)測期內(nèi)的發(fā)電數(shù)據(jù)進(jìn)行粒子化處理前 的數(shù)據(jù)圖，圖3所示是其對應(yīng)的粒子化處理后的數(shù)據(jù)圖。可見處理后的數(shù)據(jù)量綱清晰、層次 分明，便于S0M神經(jīng)網(wǎng)絡(luò)分類。
[0055] 3)對粒子化后的p個輸入電站訓(xùn)練期內(nèi)的數(shù)據(jù)進(jìn)行S0M神經(jīng)網(wǎng)絡(luò)（自組織映射網(wǎng) 絡(luò))聚類訓(xùn)練，具體過程如下：
[0056] 301)將粒子化后的p個輸入電站訓(xùn)練期內(nèi)的數(shù)據(jù)作為輸入向量X。
[0057] 302)初始化SOM神經(jīng)網(wǎng)絡(luò)的連接權(quán)值向量W為隨機(jī)值，W表示SOM輸入層神經(jīng)元和輸 出層神經(jīng)元之間的全連接。
[0058] 303)將輸入向量X和連接權(quán)值向量W分別進(jìn)行歸一化處理，具體使用下式(3):
[0060]其中，| | · | |表示2-范數(shù)運(yùn)算。
[0061 ] 304)計(jì)算歸一化后輸入向量Y和歸一化后連接權(quán)值向量F之間的歐氏距離d。
[0062] 305)選出d值最小對應(yīng)的輸出層神經(jīng)元為獲勝神經(jīng)元，對獲勝神經(jīng)元及其鄰域內(nèi) 的神經(jīng)元權(quán)值進(jìn)行調(diào)整。
[0063] 306)判斷是否達(dá)到預(yù)先訓(xùn)練結(jié)束要求，否則循環(huán)執(zhí)行，得出最終訓(xùn)練分類。
[0064] 本實(shí)施例中，SOM神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元個數(shù)為9,即SOM神經(jīng)網(wǎng)絡(luò)可將輸入電站訓(xùn) 練期內(nèi)的發(fā)電數(shù)據(jù)分成9個類。訓(xùn)練次數(shù)為100,當(dāng)SOM神經(jīng)網(wǎng)絡(luò)訓(xùn)練達(dá)到100次時訓(xùn)練結(jié)束。 圖4所示為SOM神經(jīng)網(wǎng)絡(luò)對輸入電站訓(xùn)練期內(nèi)的數(shù)據(jù)進(jìn)行分類的結(jié)果圖。圖5所示為分出的9 個類中每個類的個數(shù)圖。
[0065] 4)利用步驟3)中達(dá)到預(yù)先訓(xùn)練結(jié)束要求的SOM神經(jīng)網(wǎng)絡(luò)對粒子化后的輸入電站預(yù) 測期進(jìn)行仿真分類。
[0066] 5)找出步驟4)中仿真分類和步驟3)中訓(xùn)練分類相同的類別，這些類別所對應(yīng)的日 期則可作為相似日。
[0067] 本實(shí)施例中，對輸入電站預(yù)測期的仿真分類為1，類別為1的相似日天數(shù)為74,如圖 5所示。為保證訓(xùn)練分類相同的類別所對應(yīng)的相似日天數(shù)不至于太少(小于10)，要有充足的 樣本數(shù)據(jù)或者減小SOM神經(jīng)網(wǎng)絡(luò)分類的數(shù)目。
[0068] 6)利用相似日粒子化前的發(fā)電數(shù)據(jù)，結(jié)合最小二乘法多項(xiàng)式擬合，得出預(yù)測期內(nèi) 輸出電站的發(fā)電數(shù)據(jù)預(yù)測值，具體過程如下：
[0069] 601)利用與預(yù)測期為相似日的訓(xùn)練期內(nèi)輸入輸出電站粒子化前的發(fā)電數(shù)據(jù)，使用 最小二乘法多項(xiàng)式擬合，求出多項(xiàng)式中的系數(shù)，所使用的最小二乘法多項(xiàng)式擬合原理是:對 于給定的一組數(shù)據(jù){(幻，^)，（」=1，2，~， 8)}，其中8為相似日的個數(shù)，若擬合的曲線為7 = ?
(X)，則第j個點(diǎn)的誤差距離為F(Xj)-^，所有點(diǎn)的誤差距離平方和
最小值對應(yīng)的系數(shù)，則可得到擬合曲線y = F(x)。
[0070] 602)利用擬合曲線y = F(x)，輸入預(yù)測期內(nèi)輸入電站粒子化前的發(fā)電數(shù)據(jù)，則可求 出預(yù)測期內(nèi)輸出電站的發(fā)電數(shù)據(jù)預(yù)測值。
[0071] 本實(shí)施例中，對于6個輸入電站來說，求取目標(biāo)輸出電站發(fā)電量數(shù)據(jù)預(yù)測值的多項(xiàng) 式表達(dá)式為y = am+a2X2+a3X3+a4X4+a5X5+a6X6，其中X1-X6為預(yù)測期內(nèi)已知的6個輸入電站的 發(fā)電數(shù)據(jù)，y為預(yù)測期內(nèi)未知的輸出電站的發(fā)電數(shù)據(jù)， ai-a6為系數(shù)。求出的最小二乘法多項(xiàng) 式的系數(shù)如表1所示。
[0072]預(yù)測性能參數(shù)采用絕對百分誤差A(yù)PE，其具體公式為APE=(|y-t|/t)X100%，其 中y為預(yù)測值，t為實(shí)際值。預(yù)測值y和實(shí)際值t以及APE如表2所示(精確到小數(shù)點(diǎn)后四位）。 [0073]本實(shí)施例還增加了對比試驗(yàn)，發(fā)電數(shù)據(jù)不經(jīng)過粒子化處理直接進(jìn)行S0M神經(jīng)網(wǎng)絡(luò) 分類后，使用最小二乘法多項(xiàng)式擬合預(yù)測，效果是：S0M分類時間加長且預(yù)測APE值偏大，預(yù) 測性能明顯低于本發(fā)明所提方法。
[0074]表 1
[0076]以上所述僅為本發(fā)明的優(yōu)選實(shí)施例，并不用于限制本發(fā)明。凡在本發(fā)明的思想和 原理內(nèi)做的任何輕易想到的修改、改進(jìn)或替換等，均應(yīng)包含在本發(fā)明的保護(hù)范圍內(nèi)。
【主權(quán)項(xiàng)】
1. 一種基于相似日聚類的微電網(wǎng)光伏出力空間預(yù)測方法，其特征在于，包含以下步驟： 1) 以微電網(wǎng)內(nèi)的η個光伏電站為研究對象(其中P個作為輸入電站，q個作為輸出電站，η = P+q)，n個光伏電站的發(fā)電數(shù)據(jù)（日發(fā)電量)分為訓(xùn)練期和預(yù)測期，訓(xùn)練期內(nèi)輸入電站和輸 出電站的發(fā)電數(shù)據(jù)均已知，預(yù)測期內(nèi)輸入電站的發(fā)電數(shù)據(jù)已知而輸出電站的發(fā)電數(shù)據(jù)未 知，利用訓(xùn)練期的發(fā)電數(shù)據(jù)，從空間角度建立輸入電站和輸出電站之間的關(guān)系，利用這種關(guān) 系則可預(yù)測預(yù)測期內(nèi)輸出電站的發(fā)電數(shù)據(jù)； 2) 對p個輸入電站訓(xùn)練期和預(yù)測期內(nèi)的發(fā)電數(shù)據(jù)進(jìn)行粒子化處理，具體過程如下： 201) 將p個輸入電站訓(xùn)練期和預(yù)測期內(nèi)的發(fā)電數(shù)據(jù)(w維），按各個輸入電站時間順序分 別歸一化到[〇，a]，a為大于0的整數(shù)，具體使用下式（1):其中，m=l，2,…，p，i = l，2,…，w，xmi為第m個光伏電站的第i個發(fā)電數(shù)據(jù)，XmZ為xmi歸一 化后對應(yīng)的數(shù)據(jù)，Xm max和Xm min分別為Xmi中最大值和最小值； 202) 將Xmi1f確到整數(shù)位或小數(shù)點(diǎn)后1位，具體使用下式(2): f(xmi*) = ROUND (xmi*,N) (2) 其中，ROUND()為四舍五入運(yùn)算，其中N = 0，1，當(dāng)N為0時表示精確到整數(shù)位，N為1時表 示精確到小數(shù)點(diǎn)后1位； 3) 對粒子化后的p個輸入電站訓(xùn)練期內(nèi)的數(shù)據(jù)進(jìn)行S0M神經(jīng)網(wǎng)絡(luò)聚類訓(xùn)練，具體過程如 下： 301) 將粒子化后的p個輸入電站訓(xùn)練期內(nèi)的數(shù)據(jù)作為輸入向量X; 302) 初始化S0M神經(jīng)網(wǎng)絡(luò)的連接權(quán)值向量W為隨機(jī)值，W表示S0M輸入層神經(jīng)元和輸出層 神經(jīng)元之間的全連接； 303) 將輸入向量X和連接權(quán)值向量W分別講行丨]3-化々卜理，具體使用下式(3):其中，11 · 11表示2-范數(shù)運(yùn)算； 304) 計(jì)算歸一化后輸入向量Y和歸一化后連接權(quán)值向量w之間的歐氏距離d; 305) 選出d值最小對應(yīng)的輸出層神經(jīng)元為獲勝神經(jīng)元，對獲勝神經(jīng)元及其鄰域內(nèi)的神 經(jīng)元權(quán)值進(jìn)行調(diào)整； 306) 判斷是否達(dá)到預(yù)先訓(xùn)練結(jié)束要求，否則循環(huán)執(zhí)行，得出最終訓(xùn)練分類； 4) 利用步驟3)中達(dá)到預(yù)先訓(xùn)練結(jié)束要求的S0M神經(jīng)網(wǎng)絡(luò)對粒子化后的輸入電站預(yù)測期 進(jìn)行仿真分類； 5) 找出步驟4)中仿真分類和步驟3)中訓(xùn)練分類相同的類別，這些類別所對應(yīng)的日期則 可作為相似日； 6) 利用相似日粒子化前的發(fā)電數(shù)據(jù)，結(jié)合最小二乘法多項(xiàng)式擬合，得出預(yù)測期內(nèi)輸出 電站的發(fā)電數(shù)據(jù)預(yù)測值，具體過程如下： 601)利用與預(yù)測期為相似日的訓(xùn)練期內(nèi)輸入輸出電站粒子化前的發(fā)電數(shù)據(jù)，使用最小 二乘法多項(xiàng)式擬合，求出多項(xiàng)式中的系數(shù)，所使用的最小二乘法多項(xiàng)式擬合原理是:對于給 定的一組數(shù)據(jù){(Xj，yj)，（ j = l，2，···，s)}，其中s為相似日的個數(shù)，若擬合的曲線為y = F(x)， 則第j個點(diǎn)的誤差距離為F(Xj)-yp所有點(diǎn)的誤差距離平方和為：t|>(七)-A]2,求出 -A]2的最小值對應(yīng)的系數(shù)，則可得到擬合曲線y=F( X); l 602)利用擬合曲線y = F(x)，輸入預(yù)測期內(nèi)輸入電站粒子化前的發(fā)電數(shù)據(jù)，則可求出預(yù) 測期內(nèi)輸出電站的發(fā)電數(shù)據(jù)預(yù)測值。
【文檔編號】G06Q50/06GK105868916SQ201610222346
【公開日】2016年8月17日
【申請日】2016年4月5日
【發(fā)明人】付青, 單英浩, 耿炫
【申請人】中山大學(xué)