本发明属于分布式光伏系统智慧运维
技术领域：
，具体涉及一种分布式光伏运维数据智能采集终端优化配置方法。
背景技术：
：分布式光伏技术作为一种新兴的能源技术，可以同时满足能源需求、减少温室效应和提高供电可靠性，是世界能源技术未来发展的重要方向。近三年，分布式光伏装机增长迅猛，光伏渗透率逐年提高。截至2018年底，分布式光伏装机容量已超过5000万千瓦，较上年新增2096万千瓦，同比增长71％，光伏装机上升空间仍然很大。分布式光伏迎来“黄金期”，分布式光伏发电项目如浴春风，遍地开花的同时，分布式电站运维难度大、成本高、效率低等问题也逐渐显现。目前国内分布式光伏电站主要应用场景为山区地面型、平原地面型、户用屋顶型、工商业厂房型等光伏电站，相对于集中式光伏电站，分布式光伏电站场地资源利用率高、就地消纳能力强、弃光率低。分布式光伏电站规模不断扩大，应用场景复杂多样、气象条件各异、接入设备类型多样，设备规约繁多、海量数据的存储困难，给设备信息高效采集、有效高速传输、数据信息安全存储等方面带来诸多困难。分布式光伏站具有两类电站(光伏扶贫电站、光伏商业电站)类型、3种应用场景(kw级小型户用、百kw级中型及mw级大型分布式光伏电站)等，因此，如何针对不同的场景，设计不同的分布式光伏数据采集方案，是分布式光伏站智能采集终端优化布局的基础，是布式光伏系统智慧运维的一项重要内容。技术实现要素：本发明的目的在于：针对现有技术的不足，而提供的一种分布式光伏运维数据智能采集终端优化配置方法，该方法针对分布式光伏采集终端需求预测分析难、优化配置难的特点，在传统的分布式光伏运维数据智能采集终端优化配置方法中，加入了灰色残差修正方法与bp神经网络算法的组合预测模型，可使分布式光伏采集终端针对差异化场景的采集要求，实现大规模分布式光伏低成本、高效率、全覆盖的采集。为实现上述目的，本发明采用如下技术方案：一种分布式光伏运维数据智能采集终端优化配置方法，包括以下步骤：步骤1、建立分布式光伏运维数据智能采集终端优化配置模型；步骤2、利用灰色残差修正法分别对所述步骤1中的采集困难的数据和缺失的数据进行修正，得到修正的模型；步骤3、利用bp神经网络法对修正后的模型进行求解。作为对本发明中所述的分布式光伏运维数据智能采集终端优化配置方法的改进，所述步骤1具体包括对目标函数和约束条件的构建。作为对本发明中所述的分布式光伏运维数据智能采集终端优化配置方法的改进，所述目标函数包括固有费用、投资成本、维护成本和运营成本，其中，所述固有费用为所述投资成本为所述维护成本为所述运营成本为所述目标函数为minf＝a1cl a2ci a3cm a4co；(5)式(1)中，α表示单位容量造价；pndgki表示区域内第i个光伏站的容量；n表示区域内的分布式光伏站总数；式(2)中，ntype为分布式光伏站的安装类型；ndgk表示k型分布式光伏站点；cidgk表示k型分布式光伏站单位容量所需要的成本；pndgki表示k型分布式光伏第i个站点的容量；式(3)中，cmdgk表示k型分布式光伏站接入能源的容量是1kw时所需的维护成本；tdgk表示k型分布式光伏站中选择的节点i的等效利用小时数；pndgki表示k型分布式光伏站在第i个节点的容量；式(4)中，codgk表示k型分布式光伏站的容量是1kw时所需的运营成本；tdgk表示k型分布式光伏站中选择节点i的等效利用小时数；pndgki表示k型分布式光伏站在第i个节点的容量；式(5)中，a1、a2、a3、a4分别表示固有费用、投资成本、维护成本和运营成本影响的权重系数，它们的取值大小通过其影响大小确定，且a1 a2 a3 a4＝1。作为对本发明中所述的分布式光伏运维数据智能采集终端优化配置方法的改进，所述约束条件包括等式约束和不等式约束，其中，所述等式约束为ct＝mcs；(7)所述不等式约束为式(6)中，ntypea表示接入只能采集终端的设备类型，neq表示k型接入智能采集终端的设备，nini表示k型接入智能采集终端的设备的接口数，m表示区域范围内分布式光伏智能采集终端的总个数，nendj表示区域范围内第j个分布式光伏智能采集终端设备的接口数；式(7)中，ct为区域范围内建设投资的总投入资金，m为区域范围内分布光伏智能采集终端的总个数，cs为单个智能采集终端的价格；式(8)中，m表示区域范围内光伏智能采集终端的数量，nsinj表示区域范围内第j个分布式光伏智能采集终端的单一接口数；s表示区域范围内分布式光伏站的数量，npi表示区域范围内第i个分布式光伏站的接口总和。考虑分布式光伏智能采集终端可兼顾采集相邻或者相近的光伏站，且需要考虑相邻光伏站之间的距离、通信方式不同、通信线路成本等因素。作为对本发明中所述的分布式光伏运维数据智能采集终端优化配置方法的改进，所述步骤2具体包括以下步骤：步骤21、将原始序列x(0)设置为x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))，对其进行依次累加生成，得到其累加生成序列为x(1)＝(x(1)(1),x(1)(2),…,x(1)(n))；(9)即x(1)的紧邻均值生成序列为z(1)＝(z(1)(1),z(1)(2),…,z(1)(n))；(10)，其中，z(1)(k)＝0.5(x(1)(k),x(1)(k-1)),k＝2,3…,n；(11)设灰色微分方程为x(1)(k) az(1)(k)＝b；(12)则这个方程即为gm(1,1)模型；步骤22、利用最小二乘法计算所述gm(1,1)模型的参数，得到其中，y＝(x(0)(2),x(0)(3),…,x(0)(n))t；(14)称为所述灰色微分方程x(1)(k) az(1)(k)＝b的白化方程，所述白化方程的解为时间相应函数，为原始数据序列的预测公式为：由于上述gm(1,1)模型预测的数据精度不够，因此，采用残差修正法来提高模型的预测精度，改进预测结果；步骤23、设原始序列与预测序列之差为ε(0)＝(ε(0)(1),ε(0)(2),…,ε(0)(k),ε(0)(n))；(19)取残差尾段k0ε(0)＝(ε(0)(k0),ε(0)(k0 1),ε(0)(n))；(20)其一阶累加序列为ε(1)＝(ε(1)1(k0),ε(1)(k0 1),ε(1)(n))；(21)得到gm(1,1)模型的响应式为则残差尾段的模拟序列为由则相应的残差修正时间响应式为则相应得出的序列即为所需的预测结果。作为对本发明中所述的分布式光伏运维数据智能采集终端优化配置方法的改进，所述步骤3包括以下步骤：步骤31、设置网络，初始化训练参数，将隐含层和输出层各节点的连接权值、神经元阈值赋值，把所有的训练参数设定为恰当的值；步骤32、挑选训练模式，按照实际问题的要求和所出的实际环境从训练方式中挑选一个训练方式，将它的输入方式和期望输出方式输入网络；步骤33、正传播，输入模式确定后，从第一个隐含层开始，逐个计算神经网络的输出方式，并把得到的输出方式与期望方式两项作比较，若不够理想，那么执行下一步，否则转回步骤32中提供下一个训练方式；步骤34、反传播，从输出层开始逆向计算到第一个隐含层，根据规定的方式逐层修正各单元的连接权重，重复多次执行修正过程，直到输出式模达到预定要求；步骤35、重新执行第二步，将训练集合中的每个训练模式重复第二步到第三步，知道训练集合中的所有训练模式均满足期望输出为止；其中，在所述隐含层中有：在所述输出层有：根据误差平方和公式将sigmoid函数展开到所述隐含层，得到m表示输入层的神经元个数，p表示隐含层的神经元个数，n表示输出层的神经元个数，d(i)表示输出层节点(i＝1,2,…,m)，d(j)表示隐含层节点(j＝1,2,…,m)，d(k)表示输出层节点(k＝1,2,…,m)，xi表示d(i)的输入或输出，hj表示d(j)的输入，hj表示d(j)的输出，yk表示d(k)的输入，yk表示d(k)的输出，表示d(k)的期望输出，wij表示d(i)与d(j)的连接权，wjk表示d(j)与d(k)的连接权。本发明的有益效果在于：本发明提出了一种分布式光伏运维数据智能采集终端优化配置方法，克服了分布式光伏采集终端需求预测分析难、优化配置难的问题，解决了实现分布式光伏低成本、高效率、全覆盖的采集的问题。附图说明此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施方式及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：图1为本发明的工作流程图；图2为本发明实施例中灰色残差gm(1,1)-bp神经网络组合模型预测效果图。具体实施方式如在说明书及权利要求当中使用了某些词汇来指称特定组件。本领域技术人员应可理解，硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求并不以名称的差异来作为区分组件的方式，而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求当中所提及的“包含”为一开放式用语，故应解释成“包含但不限定于”。“大致”是指在可接受的误差范围内，本领域技术人员能够在一定误差范围内解决所述技术问题，基本达到所述技术效果。在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、水平”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。以下结合附图对本发明作进一步详细说明，但不作为对本发明的限定。如图1所示，一种分布式光伏运维数据智能采集终端优化配置方法，包括以下步骤：步骤1、建立分布式光伏运维数据智能采集终端优化配置模型；步骤2、利用灰色残差修正法分别对步骤1中的采集困难的数据和缺失的数据进行修正，得到修正的模型；步骤3、利用bp神经网络法对修正后的模型进行求解。优选的，步骤1具体包括对目标函数和约束条件的构建。优选的，目标函数包括固有费用、投资成本、维护成本和运营成本，其中，固有费用为投资成本为维护成本为运营成本为目标函数为minf＝a1cl a2ci a3cm a4co；(5)式(1)中，α表示单位容量造价；pndgki表示区域内第i个光伏站的容量；n表示区域内的分布式光伏站总数；式(2)中，ntype为分布式光伏站的安装类型；ndgk表示k型分布式光伏站点；cidgk表示k型分布式光伏站单位容量所需要的成本；pndgki表示k型分布式光伏第i个站点的容量；式(3)中，cmdgk表示k型分布式光伏站接入能源的容量是1kw时所需的维护成本；tdgk表示k型分布式光伏站中选择的节点i的等效利用小时数；pndgki表示k型分布式光伏站在第i个节点的容量；式(4)中，codgk表示k型分布式光伏站的容量是1kw时所需的运营成本；tdgk表示k型分布式光伏站中选择节点i的等效利用小时数；pndgki表示k型分布式光伏站在第i个节点的容量；式(5)中，a1、a2、a3、a4分别表示固有费用、投资成本、维护成本和运营成本影响的权重系数，它们的取值大小通过其影响大小确定，且a1 a2 a3 a4＝1。优选的，约束条件包括等式约束和不等式约束，其中，等式约束为ct＝mcs；(7)不等式约束为式(6)中，ntypea表示接入只能采集终端的设备类型，neq表示k型接入智能采集终端的设备，nini表示k型接入智能采集终端的设备的接口数，m表示区域范围内分布式光伏智能采集终端的总个数，nendj表示区域范围内第j个分布式光伏智能采集终端设备的接口数；式(7)中，ct为区域范围内建设投资的总投入资金，m为区域范围内分布光伏智能采集终端的总个数，cs为单个智能采集终端的价格；式(8)中，m表示区域范围内光伏智能采集终端的数量，nsinj表示区域范围内第j个分布式光伏智能采集终端的单一接口数；s表示区域范围内分布式光伏站的数量，npi表示区域范围内第i个分布式光伏站的接口总和。考虑分布式光伏智能采集终端可兼顾采集相邻或者相近的光伏站，且需要考虑相邻光伏站之间的距离、通信方式不同、通信线路成本等因素。优选的，步骤2具体包括以下步骤：步骤21、将原始序列x(0)设置为x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))，对其进行依次累加生成，得到其累加生成序列为x(1)＝(x(1)(1),x(1)(2),…,x(1)(n))；(9)即x(1)的紧邻均值生成序列为z(1)＝(z(1)(1),z(1)(2),…,z(1)(n))；(10)，其中，z(1)(k)＝0.5(x(1)(k),x(1)(k-1)),k＝2,3…,n；(11)设灰色微分方程为x(1)(k) az(1)(k)＝b；(12)则这个方程即为gm(1,1)模型；步骤22、设利用最小二乘法计算gm(1,1)模型的参数，得到其中，y＝(x(0)(2),x(0)(3),…,x(0)(n))t；(14)称为灰色微分方程x(1)(k) az(1)(k)＝b的白化方程，白化方程的解为时间相应函数，为原始数据序列的预测公式为：由于上述gm(1,1)模型预测的数据精度不够，因此，采用残差修正法来提高模型的预测精度，改进预测结果；步骤23、设原始序列与预测序列之差为ε(0)＝(ε(0)(1),ε(0)(2),…,ε(0)(k),ε(0)(n))；(19)取残差尾段k0ε(0)＝(ε(0)(k0),ε(0)(k0 1),ε(0)(n))；(20)其一阶累加序列为ε(1)＝(ε(1)1(k0),ε(1)(k0 1),ε(1)(n))；(21)得到gm(1,1)模型的响应式为则残差尾段的模拟序列为由则相应的残差修正时间响应式为则相应得出的序列即为所需的预测结果。优选的，步骤3中主要利用bp神经网络法对修正后的模型进行求解。需要说明的是，bp神经网络方是一种单向传播的多层前向网络典型的bp神经网络有三层或三层以上，一个输入层，一个(或多个隐含层)和一个输出层构成。每层包含好多个神经元，层与层之间以完全相互连通方式连接，但是在同一层内的各个神经元之间没有连接，紧邻的两层神经元用可以调节的权值连接。信息从输入层逐次向隐含层传递，直至输出层为止。每个神经元根据加权和式(25)的方式综合它的全部输入或部分输入，并根据激活函数的方式产生相应的输出，在具体实施的过程中，经常遇到的是线性输出的单隐层网络。bp神经网络的激活函数一般取为s型函数，s激活函数可以处理和逼近任何非线性的输入输出关系，在输出层一般不建议使用s型函数，这样做的目的就是为了避免将输出限制在一个很小的范围内，如果使用线性激活函数的话，则能够让网络输出任何值。因此，一般的模型中在隐层中使用s型激活函数，而在输出层常用线性激活函数。神经网络都要在学习规则的指导之下进行训练(或称为学习)，训练完成后才能正常工作，学习规则是调节连接强度的一个算法，通过训练网络能够获得知识的结构或者适应周围环境的变化。把训练的方式可以分为有导师训练和无导师训练两种。bp神经网络的训练是有导师训练，利用外部所给的数据环境进行训练,根据给定的输入模式,若实际的输出值和正确的期望输岀值(导师信号)二者之间有误差时，网络就会自动调节相应的连接强度，向减少误差的方向改变自己的连接强度经过多次反复训练,最后和正确的结果相吻合。bp神经网络的训练过程包含正向传播和反向传播两个过程。正向传播主要是指：输入样本从输入层输入以后,经过隐含层单元逐层处理后传向输出层，每层神经元的结果和只能影响下一层中神经元的结果。若输岀层不能得到一个满意的期望输岀结果，那么就转入反向传播过程。各单元的误差值信号按照特定的方式沿原来的神经元连接通路逐层返回，并计算每一层的误差值信号，沿着误差系数的负梯度方向，对各层神经元的权系数进行调节，最终让期望的误差函数趋于最小，然后重新开始正向传播过程。按照上述方式多次重复计算，的实际输出会逐渐向各自对应的期望输出趋近，此过程将直到网络的输出误差达到预定的准度或训练次数达到预定的次数为止。bp神经网络算法是有导师学习算法。其主要过程是遵循最小二乘法原理,按照梯度搜索方式使网络的实际输岀值与期望输岀值之间的误差平方和达到最小。若输入学习样本向量为p＝[p1,p2,…,pw]，其相对应的实际输出样本向量为t＝[t1,t2,…,tw]，学习的目的是用网络的实际输出向量a＝[a1,a2,…,aw]与目标输出向量t＝[t1,t2,…,tw]之间的误差来修正权值，使得aj(j＝1,2,…,w)与tj(j＝1,2,…,w)尽可能的接近，也就是使网络输出层的误差平方和达到最小。为了能够更加清楚地说明bp神经网络的算法原理,首先来定义一些简单的数学符号，具体含义如表1中所示：表1bp神经网络算法符号含义说明根据表1中的符号说明和神经网络的连接知：在隐含层中有：在输出层有：sigmoid函数作为激活函数，根据误差平方和公式展开到隐含层，有：通过上式可知，网络输出误差受到各层权值的影响，是各层权值的函数，只要能够调整杈值可以改变误差。因此，利用bp神经网络法对修正后的模型进行求解的过程为：步骤31、设置网络，初始化训练参数，将隐含层和输出层各节点的连接权值、神经元阈值赋值，把所有的训练参数设定为恰当的值；步骤32、挑选训练模式，按照实际问题的要求和所出的实际环境从训练方式中挑选一个训练方式，将它的输入方式和期望输出方式输入网络；步骤33、正传播，输入模式确定后，从第一个隐含层开始，逐个计算神经网络的输出方式，并把得到的输出方式与期望方式两项作比较，若不够理想，那么执行下一步，否则转回步骤32中提供下一个训练方式；步骤34、反传播，从输出层开始逆向计算到第一个隐含层，根据规定的方式逐层修正各单元的连接权重，重复多次执行修正过程，直到输出式模达到预定要求；步骤35、重新执行第二步，将训练集合中的每个训练模式重复第二步到第三步，知道训练集合中的所有训练模式均满足期望输出为止。为验证本发明的可行性，本实施例中使用灰色gm(1,1)残差修正与bp神经网络组合模型对分布式光伏电站的运营成本进行求解。在本实施例中，基础输入数据中主要包括：1)n种安装类型分布式光伏站的容量是1kw时所需的运营成本codgk(k＝1,2,…n)；2)n种安装类型分布式光伏站中选择节点i的等效利用小时数tdgki(k＝1,2,…n)；3)n种安装类型表示k型节点在第i个节点的容量pndgki(k＝1,2,…n)；输出数据为：分布式光伏电站运营成本co。使用灰色gm(1,1)残差修正与bp神经网络组合模型对分布式光伏电站的运营成本进行求解结果与分布式光伏电站的运营成本实际值比对，比对结果如图2和表2中所示：表2差异化场景下灰色残差gm(1,1)-bp神经网络组合模型训练结果场景实际值组合模型预测值相对误差(％)工业园区125.7136.7-8.75农村分散区155.46151.12.8农村集中区185.54183.90.88城市屋顶224.36228.6-1.89混合式235.15239.4-1.81从图2和表2可以得出：(1)灰色残差gm(1,1)-bp神经网络组合模型预测的分布式光伏电站运营成本实际值曲线与预测值曲线基本拟合。(2)各差异化场景下的实际值与组合模型预测值相对误差并不大，证明组合模型能够实现在含有缺失历史数据情况下对分布式光伏电站运营成本的高准确度预测。上述说明示出并描述了本发明的若干优选实施方式，但如前所述，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施方式的排除，而可用于各种其他组合、修改和环境，并能够在本文所述发明构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。当前第1页1 2 3
技术特征：1.一种分布式光伏运维数据智能采集终端优化配置方法，其特征在于，包括以下步骤：
步骤1、建立分布式光伏运维数据智能采集终端优化配置模型；
步骤2、利用灰色残差修正法分别对所述步骤1中的采集困难的数据和缺失的数据进行修正，得到修正的模型；
步骤3、利用bp神经网络法对修正后的模型进行求解。
2.根据权利要求1中所述的分布式光伏运维数据智能采集终端优化配置方法，其特征在于：所述步骤1具体包括对目标函数和约束条件的构建。
3.根据权利要求2中所述的分布式光伏运维数据智能采集终端优化配置方法，其特征在于：所述目标函数包括固有费用、投资成本、维护成本和运营成本，其中，
所述固有费用为
所述投资成本为
所述维护成本为
所述运营成本为
所述目标函数为minf＝a1cl a2ci a3cm a4co；(5)
式(1)中，α表示单位容量造价；pndgki表示区域内第i个光伏站的容量；n表示区域内的分布式光伏站总数；式(2)中，ntype为分布式光伏站的安装类型；ndgk表示k型分布式光伏站点；cidgk表示k型分布式光伏站单位容量所需要的成本；pndgki表示k型分布式光伏第i个站点的容量；式(3)中，cmdgk表示k型分布式光伏站接入能源的容量是1kw时所需的维护成本；tdgk表示k型分布式光伏站中选择的节点i的等效利用小时数；pndgki表示k型分布式光伏站在第i个节点的容量；式(4)中，codgk表示k型分布式光伏站的容量是1kw时所需的运营成本；tdgk表示k型分布式光伏站中选择节点i的等效利用小时数；pndgki表示k型分布式光伏站在第i个节点的容量；式(5)中，a1、a2、a3、a4分别表示固有费用、投资成本、维护成本和运营成本影响的权重系数，它们的取值大小通过其影响大小确定，且a1 a2 a3 a4＝1。
4.根据权利要求2中所述的分布式光伏运维数据智能采集终端优化配置方法，其特征在于：所述约束条件包括等式约束和不等式约束，其中，
所述等式约束为
ct＝mcs；(7)
所述不等式约束为
式(6)中，ntypea表示接入只能采集终端的设备类型，neq表示k型接入智能采集终端的设备，nini表示k型接入智能采集终端的设备的接口数，m表示区域范围内分布式光伏智能采集终端的总个数，nendj表示区域范围内第j个分布式光伏智能采集终端设备的接口数；式(7)中，ct为区域范围内建设投资的总投入资金，m为区域范围内分布光伏智能采集终端的总个数，cs为单个智能采集终端的价格；式(8)中，m表示区域范围内光伏智能采集终端的数量，nsinj表示区域范围内第j个分布式光伏智能采集终端的单一接口数；s表示区域范围内分布式光伏站的数量，npi表示区域范围内第i个分布式光伏站的接口总和。
5.根据权利要求1中所述的分布式光伏运维数据智能采集终端优化配置方法，其特征在于，所述步骤2具体包括以下步骤：
步骤21、将原始序列x(0)设置为x(0)＝(x(0)(1),x(0)(2),…,x(0)(n))，对其进行依次累加生成，得到其累加生成序列为
x(1)＝(x(1)(1),x(1)(2),…,x(1)(n))；(9)
即
x(1)的紧邻均值生成序列为
z(1)＝(z(1)(1),z(1)(2),…,z(1)(n))；(10)，其中，
z(1)(k)＝0.5(x(1)(k),x(1)(k-1)),k＝2,3…,n；(11)
设灰色微分方程为x(1)(k) az(1)(k)＝b；(12)
则这个方程即为gm(1,1)模型；
步骤22、设利用最小二乘法计算所述gm(1,1)模型的参数，得到
其中，
y＝(x(0)(2),x(0)(3),…,x(0)(n))t；(14)
称
为所述灰色微分方程x(1)(k) az(1)(k)＝b的白化方程，所述白化方程的解为时间相应函数，为
原始数据序列的预测公式为：
由于上述gm(1,1)模型预测的数据精度不够，因此，采用残差修正法来提高模型的预测精度，改进预测结果；
步骤23、设原始序列与预测序列之差为
ε(0)＝(ε(0)(1),ε(0)(2),…,ε(0)(k),ε(0)(n))；(19)
取残差尾段k0
ε(0)＝(ε(0)(k0),ε(0)(k0 1),ε(0)(n))；(20)
其一阶累加序列为
ε(1)＝(ε(1)1(k0),ε(1)(k0 1),ε(1)(n))；(21)
得到gm(1,1)模型的响应式为
则残差尾段的模拟序列为
由则相应的残差修正时间响应式为
则相应得出的序列即为所需的预测结果。
6.根据权利要求1中所述的分布式光伏运维数据智能采集终端优化配置方法，其特征在于，所述步骤3包括以下步骤：
步骤31、设置网络，初始化训练参数，将隐含层和输出层各节点的连接权值、神经元阈值赋值，把所有的训练参数设定为恰当的值；
步骤32、挑选训练模式，按照实际问题的要求和所出的实际环境从训练方式中挑选一个训练方式，将它的输入方式和期望输出方式输入网络；
步骤33、正传播，输入模式确定后，从第一个隐含层开始，逐个计算神经网络的输出方式，并把得到的输出方式与期望方式两项作比较，若不够理想，那么执行下一步，否则转回步骤32中提供下一个训练方式；
步骤34、反传播，从输出层开始逆向计算到第一个隐含层，根据规定的方式逐层修正各单元的连接权重，重复多次执行修正过程，直到输出式模达到预定要求；
步骤35、重新执行第二步，将训练集合中的每个训练模式重复第二步到第三步，知道训练集合中的所有训练模式均满足期望输出为止；
其中，在所述隐含层中有：
在所述输出层有：
根据误差平方和公式将sigmoid函数展开到所述隐含层，得到
m表示输入层的神经元个数，p表示隐含层的神经元个数，n表示输出层的神经元个数，d(i)表示输出层节点(i＝1,2,…,m)，d(j)表示隐含层节点(j＝1,2,…,m)，d(k)表示输出层节点(k＝1,2,…,m)，xi表示d(i)的输入或输出，hj表示d(j)的输入，hj表示d(j)的输出，yk表示d(k)的输入，yk表示d(k)的输出，表示d(k)的期望输出，wij表示d(i)与d(j)的连接权，wjk表示d(j)与d(k)的连接权。
技术总结本发明属于分布式光伏系统智慧运维技术领域，具体涉及一种分布式光伏运维数据智能采集终端优化配置方法，包括，步骤1、建立分布式光伏运维数据智能采集终端优化配置模型；步骤2、利用灰色残差修正法分别对所述步骤1中的采集困难的数据和缺失的数据进行修正，得到修正的模型；步骤3、利用BP神经网络法对修正后的模型进行求解。与现有技术相比，本发明针对分布式光伏采集终端需求预测分析难、优化配置难的特点，在传统的分布式光伏运维数据智能采集终端优化配置方法中，加入了灰色残差修正方法与BP神经网络算法的组合预测模型，可使分布式光伏采集终端针对差异化场景的采集要求，实现大规模分布式光伏低成本、高效率、全覆盖的采集。
技术研发人员：刘嘉恒;李元良;葛磊蛟;林强
受保护的技术使用者：天津大学
技术研发日：2020.01.09
技术公布日：2020.06.09
