基于S-BGD和梯度累积策略的改进深度学习方法及其在光伏出力预测中的应用

摘要：

为提高光伏出力的预测精度,提出了一种改进深度学习算法的光伏出力预测方法.首先,针对传统的深度学习算法采用批量梯度下降(batch gradient descent,BGD)法训练模型参数速度慢的问题,利用随机梯度下降(stochastic gradient descent,SGD)法训练快的优点,提出了一种改进的随机-批量梯度下降(stochastic-batch gradient descent,S-BGD)搜索方法,该方法兼具SGD和BGD的优点,提高了参数训练的速度.然后,针对参数训练过程中容易陷入局部最优点和鞍点的问题,借鉴运动学理论,提出了一种基于梯度累积(gradient pile,GP)的训练方法.该方法以累积梯度作为参数的修正量,可以有效地避免训练陷入局部点和鞍点,进而提高预测精度.最后,以澳大利亚艾丽斯斯普林光伏电站的数据为样本,将所提方法应用于光伏出力预测中,验证所提方法的有效性.

关键词：光伏出力预测、深度学习算法、梯度下降法、梯度累积量、参数训练、神经网络、随机-批量梯度下降

所属期刊栏目：41

分类号：TM721(输配电工程、电力网及电力系统)

资助基金：国家重点研发计划支持项目2016YFB0900100;国家自然科学基金项目资助51377027.Project Supported by the National Key Research and Development Program of China2016YFB0900100;National Natural Science Foundation of ChinaNSFC51377027

在线出版日期：2017-11-01（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：3292-3299