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

• 作者: 韦善阳 黄乾 黄玉金 黎静华
• 来源期刊: 电网技术
• 学科: 工学
• 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
• 年，卷（期）: 2017,（10）
• 所属期刊栏目: 可再生能源发电及并网消纳技术
• 页码范围: 3292-3299
• 页数: 8页
• 分类号: TM721
• 语种: 中文
• DOI: 10.13335/j.1000-3673.pst.2017.1393

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	黎静华		24	446	10.0	21.0
2	黄乾		3	3	1.0	1.0
3	韦善阳		2	0	0.0	0.0
4	黄玉金		2	3	1.0	1.0