一种基于动态条件玻尔兹曼机的太阳能预测方法技术

本发明专利技术公开了一种基于动态条件玻尔兹曼机的太阳能预测方法,包括如下步骤：获取条件玻尔兹曼机的参数；建立动态条件玻尔兹曼机的模型；对动态条件玻尔兹曼机进行训练，获取训练好的动态条件玻尔兹曼机模型的参数；采用训练好的动态条件玻尔兹曼机参数以及样本向量，经过吉布斯采样获取太阳能预测值；由于所采用的条件波尔兹曼机模型可以有效动态捕捉基于时间序列的数据的变化，因此采用该模型可以学习到太阳能数据的变化规律，具有提高实时预测准确率的效果，另一方面，采样数据挖掘的方法实时获取最相似样本作为输入样本，具有进一步提高实时预测准确度效果。

【技术实现步骤摘要】

本专利技术属于机器学习领域，更具体地，涉及一种基于动态条件玻尔兹曼机的太阳能预测方法。
技术介绍
由于太阳能发电、风力发电所产生的新能源具有不稳定性和动态变化的特点，负载与新能源不匹配的问题成为存储系统利用新能源的瓶颈；现有技术通过预测新能源发电量，根据能源动态变化的趋势对应地调整数据中心的作业调度和能耗安排，提高新能源的利用率，减少对电网供电的依赖。现有的新能源预测方法包括物理模型预测、统计模型预测和人工智能预测等；物理模型预测方法对长期预测(3-10天)具有良好的效果，但对超短期预测(0-4小时)效果欠佳；统计学模型预测方法的短期预测效果较好；但因其没有学习能力不适于进行长期预测；人工智能预测方法适用于短期和长期预测，包括多元线性回归算法、人工神经网络(ANN)算法、支持向量机(SVM)算法，但在天气骤变情况下，这类方法预测误差较大。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种基于动态条件玻尔兹曼机的太阳能预测方法，其目的在于提高太阳能预测准确率。为实现上述目的，按照本专利技术的一个方面，提供了一种基于动态条件玻尔兹曼机的太阳能预测方法，包括如下步骤：(1)建立条件玻尔兹曼机的参数，包括输入层向量，隐藏层向量，输出层向量，隐藏层与输出层的连接权值，输入向量指向输出向量的链接权值，输入向量与隐藏层向量的连接权值；(2)根据所述动态条件玻尔兹曼机的参数，建立动态条件玻尔兹曼机的模型；(3)对动态条件玻尔兹曼机的模型进行训练，获取训练好的动态条件玻尔兹曼机模型的参数；(4)采用训练好的动态条件玻尔兹曼机模型的参数以及与当天输出向量最接近的样本向量，经过吉布斯采样处理获取太阳能预测值。优选地，上述太阳能预测方法，其动态条件玻尔兹曼机的模型的函数其中，u是指输入层向量，h是指隐藏层向量，v是指输出层向量，是指隐藏层与输出层在T＝n时刻的无向连接权值，是指输入层与输出层在T＝n时刻的有向连接权值，是指输入层与隐藏层在T＝n时刻的有向连接权值，是输出层在T＝n时刻的偏差值，是隐藏层在T＝n时刻的偏差值；在上述动态条件玻尔兹曼机中，输入层与输出层的节点数目随着时间动态变化，输入层向量u与输出层向量v的维度动态变化，而这两个向量的维度之和是固定的。优选地，上述太阳能预测方法，其步骤(3)中，采用随机梯度下降法或对比散度算法对动态条件玻尔兹曼机进行训练，获取训练好的动态条件玻尔兹曼机模型的参数优选地，上述太阳能预测方法，其步骤(4)采用训练好的动态条件玻尔兹曼机，进行太阳能预测；在输入向量中输入(t-1)个历史数据，采用数据挖掘方法获取与输出向量最接近的k个样本向量，并获取这k个样本向量的均值；将该均值作为输出层的输入变量，经过吉布斯采样获取预测值其中，k的取值范围为[5,20]。优选地，上述太阳能预测方法，其步骤(3)具体如下：(3-1)随机初始化动态条件玻尔兹曼机的参数；(3-2)采用对比散度算法更新隐藏层与输出层的连接权值ΔWvh，更新法则为：ΔWvh∝＜v·h＞data-＜v·h＞recon；(3-3)根据下式更新隐藏层静态偏差值和输出层静态偏差值bT=nh=bT=nh+ΔbT=nh;]]>bT=nv=bT=nv+ΔbT=nv;]]>其中，(3-4)根据下式更新输入层与输出层的有向连接权值以及输入层与隐藏层的有向连接权值bT=nuv=bT=nuv+ΔbT=nuv]]>bT=nuh=bT=nuh+ΔbT=nuh]]>其中是输入向量和输出向量的连接权值矩阵的更新法则，是输入向量和隐藏权值的连接权值矩阵的更新法则；(3-5)获取各向量的训练误差，并判断各向量的训练误差是否满足各自精度要求，若否，则重复步骤(3-2)～(3-4)；若是，则结束训练。优选地，上述太阳能预测方法，其步骤(4)具体如下：(4-1)根据当前的时间点t，确定输入层节点数与输出层的节点数；(4-2)根据所述输入层与输出层的节点数，采用KNN(K-Nearest Neighbor)算法获取与当天输出向量最接近的k个样本向量v(k)；v(k)＝KNN(u,D,k)；(4-3)获取所述k个样本向量的均值，并在所述均值上加入噪音，获得输出层的激活概率的初始化值p(v)；其中，p(v)＝mean(v(k))+α*rand()；rand()是指随机函数，mean()是指求均值函数，α是噪音因子；(4-4)将前(t-1)个数据作为输入向量u，初始化输入向量u；根据初始化后的输入向量u以及步骤(3)训练得到的模型参数和获取隐藏层的动态偏差值buh，以及输出层的动态偏差值buv；buh=buh+u*bT=nuh;]]>buv=buv+u*bT=nuv;]]>其中，是指输入层与隐藏层在T＝n时刻的有向连接权值；是指输入层与输出层在T＝n时刻的有向连接权值；(4-5)进行N次吉布斯采样，迭代更新输出层的激活概率p(v)与隐藏层的激活概率p(h)；其中，N为正整数；(4-6)通过均场采样对输出层向量进行去噪处理，获得太阳能预测值优选地，上述太阳能预测方法，其步骤(4-5)具体如下：(4-5-1)从输入层和输出层向隐藏层传播，计算隐藏层多个节点的激活概率；其中，隐藏层节点的激活概率其中，向量的每个单元分别对应一个节点；(4-5-2)根据s(h)＝Activation(p(h))，概率性地激活隐藏层的部分节点；如果随机的参数大于p(h)，则对应的节点为1，为激活状态；否则为0，处于非激活状态；其中，Activation()是指激活函数，s(h)的取值为0或者1；取值为0表示非激活状态，取值为1表示激活状态；(4-5-3)从隐藏层向输出层传播，获取输出层的激活概率采样值(4-5-4)判断采样的次数是否超过预设定的阈值，若否，则重复步骤(4-5-1)～(4-5-3)；若是，则结束吉布斯采样。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：(1)本专利技术提供的基于动态条件玻尔兹曼机的太阳能预测方法，由于所采用的条件波尔兹曼机可以有效动态捕捉基于时间序列的数据的变化，因此采用该模型可以学习到太阳能数据的变化规律，具有提高实时预测准确率效果；(2)本专利技术提供的基于动态条件玻尔兹曼机的太阳能预测方法，采用KNN算法找出最接近当天输出向量的k个样本向量，将数据挖掘的方法引进到条件玻尔兹曼机，可以实时获取最相似样本作为输入样本，具有进一步提高实时预测准确度效果。附图说明图1是本专利技术实施例提供的条件玻尔兹曼机模型示意图；图2是本专利技术实施例提供的基于动态条件玻尔兹曼机的太阳能预测方法的流程示意图；图3是本专利技术实施例提供的动态条件玻尔兹曼机模型示意图之一；图4是本专利技术实施例建立的动态条件玻尔兹曼预测模型示意图之二。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。此外，下面所描述的本专利技术各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。图1所示，是实施例中用于太阳能预测的条件玻尔兹曼机，由于太阳能发电数据是时间序列数据，所以输出向量是一维向量，输本文档来自技高网...

【技术保护点】
一种基于动态条件玻尔兹曼机的太阳能预测方法，其特征在于，包括如下步骤：(1)获取动态条件玻尔兹曼机的参数，包括输入层向量，隐藏层向量，输出层向量，隐藏层与输出层的连接权值，输入向量指向输出向量的链接权值，输入向量与隐藏层向量的连接权值；(2)根据所述动态条件玻尔兹曼机的参数，建立动态条件玻尔兹曼机的模型；(3)对动态条件玻尔兹曼机的模型进行训练，获取训练好的动态条件玻尔兹曼机模型的参数；(4)采用训练好的动态条件玻尔兹曼机模型的参数以及与当天输出向量最接近的样本向量，经过吉布斯采样处理及均场采样去噪处理获取太阳能预测值。

【技术特征摘要】
1.一种基于动态条件玻尔兹曼机的太阳能预测方法，其特征在于，包括如下步骤：(1)获取动态条件玻尔兹曼机的参数，包括输入层向量，隐藏层向量，输出层向量，隐藏层与输出层的连接权值，输入向量指向输出向量的链接权值，输入向量与隐藏层向量的连接权值；(2)根据所述动态条件玻尔兹曼机的参数，建立动态条件玻尔兹曼机的模型；(3)对动态条件玻尔兹曼机的模型进行训练，获取训练好的动态条件玻尔兹曼机模型的参数；(4)采用训练好的动态条件玻尔兹曼机模型的参数以及与当天输出向量最接近的样本向量，经过吉布斯采样处理及均场采样去噪处理获取太阳能预测值。2.如权利要求1所述的太阳能预测方法，其特征在于，所述动态条件玻尔兹曼机的模型的函数其中，u是指输入层向量，h是指隐藏层向量，v是指输出层向量，是指隐藏层与输出层在T＝n时刻的无向连接权值，是指输入层与输出层在T＝n时刻的有向连接权值，是指输入层与隐藏层在T＝n时刻的有向连接权值，是输出层在T＝n时刻的偏差值，是隐藏层在T＝n时刻的偏差值。3.如权利要求2所述的太阳能预测方法，其特征在于，所述步骤(3)中，采用随机梯度下降法或对比散度算法对动态条件玻尔兹曼机进行训练，获取训练好的动态条件玻尔兹曼机模型的参数4.如权利要求3所述的太阳能预测方法，其特征在于，所述步骤(3)具体如下：(3-1)随机初始化动态条件玻尔兹曼机的参数；(3-2)采用对比散度算法更新隐藏层与输出层的连接权值ΔWvh，更新法则为：ΔWvh∝＜v·h＞data-＜v·h＞recon；(3-3)根据下式更新隐藏层静态偏差值和输出层静态偏差值bT=nh=bT=nh+ΔbT=nh;]]>bT=nv=bT=nv+ΔbT=nv;]]>其中，(3-4)根据下式更新输入层与输出层的有向连接权值以及输入层与隐藏层的有向连接权值bT=nuv=bT=nuv+ΔbT=nuv]]>bT=nuh=bT=nuh+ΔbT=nuh]]>其中...

【专利技术属性】
技术研发人员：万继光，刘丽琼，瞿晓阳，谭志虎，谢长生，张钰彪，张和泉，李大平，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42