本發(fā)明屬于輻照度預(yù)測(cè)技術(shù)領(lǐng)域，具體涉及一種基于GRU(gated recurrent unit，門限遞歸單元)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行光伏電站輻照度中長(zhǎng)期預(yù)測(cè)的方法和裝置。

背景技術(shù)：

由于光伏電站的普及度提高，太陽(yáng)輻照度預(yù)測(cè)變得日益重要。為了確保電力系統(tǒng)的穩(wěn)定運(yùn)行，準(zhǔn)確的輻照度預(yù)測(cè)至關(guān)重要。

但是目前大部分現(xiàn)存輻照度預(yù)測(cè)為短期預(yù)測(cè)，不能給電力系統(tǒng)的中長(zhǎng)期規(guī)劃和調(diào)度以指導(dǎo)性意見。而且，目前大部分預(yù)測(cè)方法都需要采集與輻照度相關(guān)的氣象數(shù)據(jù)，如：溫度、濕度和云量等，這些附加數(shù)據(jù)采集過程中的誤差會(huì)對(duì)后續(xù)的輻照度預(yù)測(cè)產(chǎn)生一定的影響?？梢?，準(zhǔn)確有效的、實(shí)現(xiàn)簡(jiǎn)單的、可有效的用于光伏電站輻照度中長(zhǎng)期預(yù)測(cè)的方法和裝置有待開發(fā)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明公開的一種基于GRU的光伏電站輻照度中長(zhǎng)期預(yù)測(cè)的方法及裝置，目的是提供一種光伏電站輻照度中長(zhǎng)期預(yù)測(cè)方法和裝置，實(shí)現(xiàn)光伏電站輻照度中長(zhǎng)期預(yù)測(cè)。

本發(fā)明通過以下的技術(shù)方案實(shí)現(xiàn)以上發(fā)明目的。

本發(fā)明公開的一種基于GRU的光伏電站輻照度中長(zhǎng)期預(yù)測(cè)的方法，包括如下步驟：

步驟一：采集光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)；

步驟二：將步驟一中采集光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)載入基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型，將采集的光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集?；贕RU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型對(duì)所述光伏電站輻照度進(jìn)行預(yù)測(cè)，根據(jù)輻照度的訓(xùn)練集預(yù)測(cè)值和訓(xùn)練集真實(shí)值進(jìn)行比較，得到訓(xùn)練集預(yù)測(cè)誤差。通過誤差反向傳播(Error Back Propagation，BP)算法利用訓(xùn)練集預(yù)測(cè)誤差更新所述GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)；

步驟三：將步驟二得到的網(wǎng)絡(luò)參數(shù)帶入基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型，通過基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的測(cè)試集測(cè)試基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力，從而將最終得到的基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)光伏電站所在位置的太陽(yáng)輻照度；

步驟四：電力部門根據(jù)步驟三得到的輻照度預(yù)測(cè)結(jié)果進(jìn)行中長(zhǎng)期規(guī)劃和調(diào)度，實(shí)現(xiàn)資源的合理利用，減少不合理增加裝機(jī)量造成的設(shè)備損耗等問題。

現(xiàn)有技術(shù)中光伏電站輻照度預(yù)測(cè)為1周以內(nèi)的短期預(yù)測(cè)，本發(fā)明所述的中長(zhǎng)期預(yù)測(cè)結(jié)果指1周以上的光伏電站輻照度預(yù)測(cè)，例如可以優(yōu)選下一季度或下一年光伏電站的輻照度預(yù)測(cè)值。

所述訓(xùn)練集和驗(yàn)證集用于訓(xùn)練基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型，所述測(cè)試集用于測(cè)試基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力。其中，通過誤差反向傳播(Error Back Propagation，BP)算法利用訓(xùn)練集預(yù)測(cè)誤差更新所述GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)。驗(yàn)證集用于減少過度擬合，如果訓(xùn)練集的誤差減小而驗(yàn)證集的誤差不變或者增大，那么基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)過擬合，基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型應(yīng)該停止訓(xùn)練。

通過訓(xùn)練集預(yù)測(cè)值和訓(xùn)練集真實(shí)值對(duì)比能夠得到訓(xùn)練集誤差率(loss)；通過驗(yàn)證集預(yù)測(cè)值和驗(yàn)證集真實(shí)值對(duì)比能夠得到驗(yàn)證集誤差率(loss)；通過測(cè)試集預(yù)測(cè)值和測(cè)試集真實(shí)值對(duì)比能夠得到測(cè)試集誤差率(loss)。

所述的真實(shí)值指步驟一中采集光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)。

優(yōu)選地，步驟一中采集光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)優(yōu)選為歷史實(shí)測(cè)值。

所述的步驟二中基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱藏層和輸出層，其中隱藏層包括更新門和重置門，通過公式(1)至(5)，根據(jù)x_t和h_t-1進(jìn)行更新h_t：

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (1)

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (2)

g_t＝r_t⊙h_t-1 (3)

其中，x和h為所述隱藏層的輸入和輸出，z和r分別為所述更新門和重置門，如何組合新輸入和之前的記憶由重置門決定，留下多少之前的記憶由更新門決定。W為權(quán)重矩陣，b為偏置向量。σ為sigmoid函數(shù)，⊙為向量按元素的乘積。所述sigmoid函數(shù)和tanh函數(shù)的計(jì)算公式分別為sigmoid(x)＝1/(1+e^-x)和tanh(x)＝(e^x-e^-x)/(e^x+e^-x)。

本發(fā)明還公開實(shí)現(xiàn)上述一種基于GRU的光伏電站輻照度中長(zhǎng)期預(yù)測(cè)的方法的一種基于GRU的光伏電站輻照度中長(zhǎng)期預(yù)測(cè)的裝置，包括采集模塊、預(yù)測(cè)模塊和決策模塊。

采集模塊，用于采集指定光伏電站所在位置太陽(yáng)輻照度數(shù)據(jù)；

預(yù)測(cè)模塊，用基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型對(duì)所述光伏電站輻照度進(jìn)行預(yù)測(cè)，得到輻照度的中長(zhǎng)期預(yù)測(cè)結(jié)果。所述預(yù)測(cè)模塊中將采集的光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。預(yù)測(cè)模塊中還根據(jù)輻照度的訓(xùn)練集預(yù)測(cè)值和訓(xùn)練集真實(shí)值進(jìn)行比較，得到訓(xùn)練集預(yù)測(cè)誤差，通過誤差反向傳播(Error Back Propagation，BP)算法利用訓(xùn)練集預(yù)測(cè)誤差更新所述GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)，將得到的網(wǎng)絡(luò)參數(shù)帶入基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型，通過基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的測(cè)試集測(cè)試基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力，從而將最終得到的基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)光伏電站所在位置的太陽(yáng)輻照度；

決策模塊，用于電力部門根據(jù)得到的輻照度預(yù)測(cè)結(jié)果進(jìn)行中長(zhǎng)期規(guī)劃和調(diào)度，實(shí)現(xiàn)資源的合理利用，減少不合理增加裝機(jī)量造成的設(shè)備損耗等問題。

現(xiàn)有技術(shù)中光伏電站輻照度預(yù)測(cè)為1周以內(nèi)的短期預(yù)測(cè)，本發(fā)明所述的中長(zhǎng)期預(yù)測(cè)結(jié)果指1周以上的光伏電站輻照度預(yù)測(cè)，例如可以優(yōu)選下一季度或下一年光伏電站的輻照度預(yù)測(cè)值。

所述訓(xùn)練集和驗(yàn)證集用于訓(xùn)練基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型，所述測(cè)試集用于測(cè)試基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力。其中，通過誤差反向傳播(Error Back Propagation，BP)算法利用訓(xùn)練集預(yù)測(cè)誤差更新所述GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)。驗(yàn)證集用于減少過度擬合，如果訓(xùn)練集的誤差減小而驗(yàn)證集的誤差不變或者增大，那么基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型出現(xiàn)過擬合，基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型應(yīng)該停止訓(xùn)練。

通過訓(xùn)練集預(yù)測(cè)值和訓(xùn)練集真實(shí)值對(duì)比能夠得到訓(xùn)練集誤差率(loss)；通過驗(yàn)證集預(yù)測(cè)值和驗(yàn)證集真實(shí)值對(duì)比能夠得到驗(yàn)證集誤差率(loss)；通過測(cè)試集預(yù)測(cè)值和測(cè)試集真實(shí)值對(duì)比能夠得到測(cè)試集誤差率(loss)。

優(yōu)選地，所述所需的光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)為歷史實(shí)測(cè)值。

所述基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱藏層和輸出層，其中隱藏層包括更新門和重置門，通過公式(6)至(10)，根據(jù)x_t和h_t-1進(jìn)行更新h_t：

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (6)

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (7)

g_t＝r_t⊙h_t-1 (8)

其中，x和h為所述隱藏層的輸入和輸出，z和r分別為所述更新門和重置門，如何組合新輸入和之前的記憶由重置門決定，留下多少之前的記憶由更新門決定。W為權(quán)重矩陣，b為偏置向量。σ為sigmoid函數(shù)，⊙為向量按元素的乘積。所述sigmoid函數(shù)和tanh函數(shù)的計(jì)算公式分別為sigmoid(x)＝1/(1+e^-x)和tanh(x)＝(e^x-e^-x)/(e^x+e^-x)。

有益效果：

本發(fā)明公開的一種基于GRU的光伏電站輻照度中長(zhǎng)期預(yù)測(cè)的方法及裝置，基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型對(duì)光伏電站所在位置的太陽(yáng)輻照度進(jìn)行預(yù)測(cè)，由于基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型具有記憶功能，能夠充分考慮歷史輻照度對(duì)當(dāng)前輻照度的影響，可以有效的用于電力部門對(duì)包括光伏電站在內(nèi)的電力中長(zhǎng)期規(guī)劃和調(diào)度，實(shí)現(xiàn)資源的合理利用，減少不合理增加裝機(jī)量造成的設(shè)備損耗等問題，此外，所述的中長(zhǎng)期預(yù)測(cè)的方法及裝置還具有準(zhǔn)確高效，實(shí)現(xiàn)簡(jiǎn)單的優(yōu)點(diǎn)。

附圖說(shuō)明

圖1為本發(fā)明基于GRU的光伏電站輻照度中長(zhǎng)期預(yù)測(cè)方法的流程圖；

圖2為本發(fā)明GRU隱藏層的結(jié)構(gòu)圖；

圖3為本發(fā)明基于GRU的光伏電站輻照度中長(zhǎng)期預(yù)測(cè)裝置的結(jié)構(gòu)框圖。

本申請(qǐng)中附圖僅作為示意型說(shuō)明，以使本領(lǐng)域技術(shù)人員更容易理解本發(fā)明，采用這些附圖并非用于對(duì)本發(fā)明產(chǎn)生任何限制。

具體實(shí)施方式

下面將結(jié)合附圖說(shuō)明和具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明。

實(shí)施例一

參照?qǐng)D1，本實(shí)施例公開的一種基于GRU的光伏電站輻照度中長(zhǎng)期預(yù)測(cè)方法，具體包括如下步驟：

步驟K101：采集光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)。

太陽(yáng)輻照度直接影響光伏電站發(fā)電功率，所述光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)需要提前采集獲取，存儲(chǔ)在本地?cái)?shù)據(jù)庫(kù)中。在數(shù)據(jù)輸入GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的實(shí)際應(yīng)用中，所需調(diào)用的太陽(yáng)輻照度數(shù)據(jù)在本發(fā)明中特指中長(zhǎng)期數(shù)據(jù)，一般為兩年以上。在實(shí)際應(yīng)用中，輻照度數(shù)據(jù)采集工作一般實(shí)時(shí)進(jìn)行。

步驟K102：將步驟K101中采集光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)載入基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型，將采集的光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型對(duì)所述光伏電站輻照度進(jìn)行預(yù)測(cè)，根據(jù)輻照度的訓(xùn)練集預(yù)測(cè)值和訓(xùn)練集真實(shí)值進(jìn)行比較，得到訓(xùn)練集預(yù)測(cè)誤差。通過誤差反向傳播(Error Back Propagation，BP)算法利用訓(xùn)練集預(yù)測(cè)誤差更新所述GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)。

步驟K103：將步驟K102得到的網(wǎng)絡(luò)參數(shù)帶入基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型，通過基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的測(cè)試集測(cè)試基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力，從而將最終得到的基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)光狀電站所在位置的太陽(yáng)輻照度。

門限遞歸單元(gated recurrent unit，GRU)通常用于描述動(dòng)態(tài)時(shí)間行為序列，將狀態(tài)在自身網(wǎng)絡(luò)中循環(huán)傳遞，由于存在當(dāng)前輸入與過去狀態(tài)的連接，GRU具有優(yōu)秀的記憶功能，使得歷史輸入信息對(duì)當(dāng)前輸出的影響也被考慮在內(nèi)。

門限遞歸單元包括輸入層、隱藏層和輸出層。門限遞歸單元的核心是隱藏層的兩個(gè)門，這些門可以選擇性地讓信息通過來(lái)控制歷史數(shù)據(jù)對(duì)最終結(jié)果的影響。其中隱藏層的結(jié)構(gòu)圖參見圖2，包括更新門和重置門，通過公式(11)至(15)，根據(jù)x_t和h_t-1進(jìn)行更新h_t：

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (11)

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (12)

g_t＝r_t⊙h_t-1 (13)

其中，x和h為所述隱藏層的輸入和輸出，z和r分別為所述更新門和重置門，如何組合新輸入和之前的記憶由重置門決定，留下多少之前的記憶由更新門決定。W為權(quán)重矩陣，b為偏置向量。σ為sigmoid函數(shù)，⊙為向量按元素的乘積。所述sigmoid函數(shù)和tanh函數(shù)的計(jì)算公式分別為sigmoid(x)＝1/(1+e^-x)和tanh(x)＝(e^x-e^-x)/(e^x+e^-x)。

步驟K101中采集的光伏電站輻照度數(shù)據(jù)，例如兩年，在被輸入到GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型中被分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。三個(gè)數(shù)據(jù)集的比例可以由本領(lǐng)域技術(shù)人員采用適當(dāng)方式進(jìn)行設(shè)定，如可以根據(jù)采集的數(shù)據(jù)集大小和需要預(yù)測(cè)的數(shù)據(jù)集大小進(jìn)行設(shè)定，或者采用人工經(jīng)驗(yàn)設(shè)定，本發(fā)明對(duì)此不作限制。

所需預(yù)測(cè)的太陽(yáng)輻照度預(yù)測(cè)在本發(fā)明中特指中長(zhǎng)期預(yù)測(cè)，一般為1周以上，在實(shí)際應(yīng)用中，一般可選下一季度或者下一年光伏電站的輻照度預(yù)測(cè)。

步驟K104：電力部門根據(jù)步驟K103得到的輻照度預(yù)測(cè)結(jié)果進(jìn)行中長(zhǎng)期規(guī)劃和調(diào)度，實(shí)現(xiàn)資源的合理利用，減少不合理增加裝機(jī)量造成的設(shè)備損耗等問題。

電力部門根據(jù)步驟K103得到的預(yù)測(cè)結(jié)果進(jìn)行包括光伏電站在內(nèi)的電力中長(zhǎng)期規(guī)劃和調(diào)度，如：預(yù)測(cè)結(jié)果若表明下一年光照強(qiáng)度明顯增大，則可以提前適當(dāng)安排增加光伏電站裝機(jī)量。本發(fā)明對(duì)此不作限制。

本實(shí)施例，通過一種基于GRU的光伏電站輻照度中長(zhǎng)期預(yù)測(cè)的方法，實(shí)現(xiàn)光伏電站輻照度中長(zhǎng)期預(yù)測(cè)，充分考慮歷史輻照度對(duì)當(dāng)前輻照度的影響，為光伏電站的中長(zhǎng)期規(guī)劃和調(diào)度及整個(gè)電力系統(tǒng)的運(yùn)行提供指導(dǎo)性意見，實(shí)現(xiàn)資源的合理利用，減少不合理增加裝機(jī)量造成的設(shè)備損耗等問題。

實(shí)施例二

本發(fā)明實(shí)施例二中公開的一種基于GRU的光伏電站輻照度中長(zhǎng)期預(yù)測(cè)裝置的結(jié)構(gòu)框圖參見圖3，包括：

采集模塊K301，用于采集指定光伏電站所在位置太陽(yáng)輻照度的數(shù)據(jù)。

在實(shí)際應(yīng)用中，太陽(yáng)輻照度采集模塊需要合理安裝在指定光伏電站所在位置，模塊的安裝位置和角度都會(huì)對(duì)數(shù)據(jù)采集工作產(chǎn)生一定影響。采集模塊的選型、安裝可以由本領(lǐng)域技術(shù)人員采用適當(dāng)方式確定，或者采用人工經(jīng)驗(yàn)確定，本發(fā)明對(duì)此不作限制。

預(yù)測(cè)模塊K302，用基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型對(duì)所述光伏電站輻照度進(jìn)行預(yù)測(cè)，得到輻照度的中長(zhǎng)期預(yù)測(cè)結(jié)果。所述預(yù)測(cè)模塊中將采集的光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。預(yù)測(cè)模塊中還根據(jù)輻照度的訓(xùn)練集預(yù)測(cè)值和訓(xùn)練集真實(shí)值進(jìn)行比較，得到訓(xùn)練集預(yù)測(cè)誤差，通過誤差反向傳播(Error Back Propagation，BP)算法利用訓(xùn)練集預(yù)測(cè)誤差更新所述GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)參數(shù)，將得到的網(wǎng)絡(luò)參數(shù)帶入基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型，通過基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的測(cè)試集測(cè)試基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)能力，從而將最終得到的基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型用于預(yù)測(cè)光伏電站所在位置的太陽(yáng)輻照度。

決策模塊K303，用于電力部門根據(jù)得到的輻照度預(yù)測(cè)結(jié)果進(jìn)行中長(zhǎng)期規(guī)劃和調(diào)度，實(shí)現(xiàn)資源的合理利用，減少不合理增加裝機(jī)量造成的設(shè)備損耗等問題。

所需預(yù)測(cè)的太陽(yáng)輻照度預(yù)測(cè)在本發(fā)明中特指中長(zhǎng)期預(yù)測(cè)，一般為1周以上，在實(shí)際應(yīng)用中，一般可選下一季度或者下一年光伏電站的輻照度預(yù)測(cè)。

所述所需的光伏電站所在位置的太陽(yáng)輻照度數(shù)據(jù)為采集模塊K301采集的歷史實(shí)測(cè)值。

所述采集模塊K301采集的光伏電站輻照度數(shù)據(jù)，例如兩年，在被輸入到GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型中被分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。三個(gè)數(shù)據(jù)集的比例可以由本領(lǐng)域技術(shù)人員采用適當(dāng)方式進(jìn)行設(shè)定，如可以根據(jù)采集的數(shù)據(jù)集大小和需要預(yù)測(cè)的數(shù)據(jù)集大小進(jìn)行設(shè)定，或者采用人工經(jīng)驗(yàn)設(shè)定，本發(fā)明對(duì)此不作限制。

所述基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型包括輸入層、隱藏層和輸出層，其中隱藏層包括更新門和重置門，通過公式(16)至(20)，根據(jù)x_t和h_t-1進(jìn)行更新h_t：

z_t＝σ(W_zxx_t+W_zhh_t-1+b_z) (16)

r_t＝σ(W_rxx_t+W_rhh_t-1+b_r) (17)

g_t＝r_t⊙h_t-1 (18)

其中，x和h為所述隱藏層的輸入和輸出，z和r分別為所述更新門和重置門，如何組合新輸入和之前的記憶由重置門決定，留下多少之前的記憶由更新門決定。W為權(quán)重矩陣，b為偏置向量。σ為sigmoid函數(shù)，⊙為向量按元素的乘積。所述sigmoid函數(shù)和tanh函數(shù)的計(jì)算公式分別為sigmoid(x)＝1/(1+e^-x)和tanh(x)＝(e^x-e^-x)/(e^x+e^-x)。

本實(shí)施例，通過基于GRU門限遞歸單元神經(jīng)網(wǎng)絡(luò)模型構(gòu)造光伏電站輻照度中長(zhǎng)期預(yù)測(cè)的裝置，解決光伏電站輻照度中長(zhǎng)期預(yù)測(cè)的問題，充分考慮歷史輻照度對(duì)當(dāng)前輻照度的影響，從而為光伏電站出力的中長(zhǎng)期預(yù)測(cè)提供參考，為電力部門的中長(zhǎng)期規(guī)劃和調(diào)度提供一定參考。

對(duì)于裝置實(shí)施例而言，由于其與方法實(shí)施例基本相似，所以描述的比較簡(jiǎn)單，相關(guān)之處參見方法實(shí)施例的部分說(shuō)明即可。

以上為本發(fā)明對(duì)基于GRU的光伏電站輻照度中長(zhǎng)期預(yù)測(cè)的方法和裝置的詳細(xì)闡述。以上實(shí)施例僅為理解本發(fā)明的核心思想，本領(lǐng)域的技術(shù)人員在具體應(yīng)用過程中會(huì)根據(jù)實(shí)際情況做出一些修正。綜上，本說(shuō)明書內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。