74、基于动量因子深度信念网络的光伏功率短期预测模型

基于动量因子深度信念网络的光伏功率短期预测模型

预测模型训练样本选择

预测模型训练样本选择不当，会使模型训练得到的参数无法达到最优解，还会增加模型的计算量，影响预测模型的预测速度和准确性。因此，可采用相似日原则确定训练样本，根据历史日与待测试日的相似度，确定预测模型所需的训练样本数据，减少训练模型使用的数据量。在此基础上，将天气特征向量设置为每小时的温度、湿度和光照强度，进一步提高训练样本的选择精度。

预测模型训练样本的选择过程如下：
1. 分析影响光伏发电的气象因素 ：通过PEARSON系数计算气象数据与实际发电数据，结果如下表所示。因此，选择相关性最高的温度、湿度和光照强度数据作为训练样本选择的依据。
| 影响因素 | 风速 | 温度 | 湿度 | 光照强度 |
| ---- | ---- | ---- | ---- | ---- |
| 相关系数 | 0.152 | 0.427 | -0.378 | 0.928 |
2. 归一化原始数据 ：为统一维度，对原始数据进行归一化处理。
3. 确定不同气象特征向量的权重 ：使用加权方法确定不同气象特征向量的权重。假设有样本数据，每个样本有k个气象因子参数，形成一个n×k阶矩阵[ϕλε]n×k，ϕλε是第ε个样本的第λ个气象因子参数的值，其值为：
- (E_{\varepsilon}=-\frac{1}{\ln n}\cdot\sum_{i = 1}^{n}\theta_{\lambda\varepsilon}\ln\theta_{\lambda\varepsilon})