[发明专利]一种基于优化GRU模型的分布式光伏电站PR预测方法

说明书

本发明提供了一种基于优化GRU模型的分布式光伏电站PR预测方法，所述分布式光伏电站PR预测方法具体为获取分布式光伏电站的历史监测数据，对历史监测数据进行预处理，对预处理后的历史监测数据进行聚类处理，通过聚类处理后的历史检测数据构建预测数据集，构建GRU预测模型，并将量子加权神经元引入构建的GRU预测模型，通过随机梯度下降优化算法对GRU预测模型进行参数调节，将预测数据集输入参数调节后的GRU预测模型，获取分布式光伏电站PR预测结果。本方案能够通过构建GRU模型来实现PR预测，避免了人为干预，同时通过引入量子加权神经元及随机梯度下降优化算法来对GRU模型进行优化，使得GRU预测模型能够针对不同PR特征的数据进行预测，预测结果更加准确。

技术领域

本发明涉及光伏系统效率预测技术领域，尤其是指一种基于优化GRU模型的分布式光伏电站PR预测方法。

背景技术

伴随着日益严峻的能源供应问题，新能源发电逐渐成为进行能源供应的主要手段之一。但因受波动性、随机性和间歇性问题影响，新能源发电项目的发电量预测结果往往并不准确，而发电量预测结果是后续在新能源发电过程中制定电量调配和余电消纳策略的依据，发电量预测结果的精度关系到新能源发电项目参与的电力系统的运行安全。

系统效率PR为影响发电量的关键因素，系统效率PR的影响因素则包括了温度、风速、阴影遮挡以及光伏电站中的各个环节和组件，光伏电站中的各个环节和组件包括汇流箱、逆变器、配电柜和电网表等。传统的PR预测方法主要依据作业人员的个人经验根据组件灰尘损失、组件温度效率损失、组件不匹配损失等影响因素对系统效率PR进行估算，上述的方法在根据个人经验进行预测的过程中，需要对每个影响因素进行单独分析，并根据每个影响因素的分析结果来确定PR预测结果，这个过程中需要进行大量的人工数据处理分析，不同的数据分析的方法也不一致，通过人工进行PR预测的流程十分复杂，且人工预测也难以避免人为影响较为严重，预测结果误差较大的问题。除此之外也有通过多参数模型依据地面气象站数据、卫星图像数据、光伏系统运行数据和数值天气预报数据进行预测的方法，但此类方法大多直接复杂的物理模型来实现PR预测，预测结果准确性不高的问题依旧存在。

发明内容

本发明的目的是克服现有技术中的缺点，提供一种基于优化GRU模型的分布式光伏电站PR预测方法，能够解决现有的PR预测方法存在的人为影响较为严重、预测结果误差较大、经验估计流程复杂以及复杂物理模型预测结果准确性不高的问题。

本发明的目的是通过下述技术方案予以实现：

一种基于优化GRU模型的分布式光伏电站PR预测方法，包括以下步骤：

步骤一，获取分布式光伏电站的历史监测数据，对历史监测数据进行预处理；

步骤二，对预处理后的历史监测数据进行聚类处理，通过聚类处理后的历史检测数据构建预测数据集，构建GRU预测模型(GRU，Gated Recurrent Unit，循环神经网络)，并将量子加权神经元引入构建的GRU预测模型；

步骤三，通过随机梯度下降优化算法对GRU预测模型进行参数调节，将预测数据集输入参数调节后的GRU预测模型，获取分布式光伏电站PR预测结果。

进一步的，步骤二中所述量子加权神经元的输出为：

其中：|φ_i为权值量子态，|φ_i＝[cosα_i，sinα_i]^T；α_i为相位；为活性值量子态，β为的相位，|φ为权值量子态向量，|φ＝[|φ₁，|φ₂，...，|φ_m]^T；y为量子加权神经元的输出，x为量子加权神经元的输入向量，m为输入向量内元素数量，x_i为量子加权神经元的输入向量中的第i个输入。