CN110909926A - 基于tcn-lstm的太阳能光伏发电预测方法 - Google Patents
基于tcn-lstm的太阳能光伏发电预测方法 Download PDFInfo
- Publication number
- CN110909926A CN110909926A CN201911125632.XA CN201911125632A CN110909926A CN 110909926 A CN110909926 A CN 110909926A CN 201911125632 A CN201911125632 A CN 201911125632A CN 110909926 A CN110909926 A CN 110909926A
- Authority
- CN
- China
- Prior art keywords
- tcn
- data
- lstm
- convolution
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000010248 power generation Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 34
- 230000001364 causal effect Effects 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 210000004027 cell Anatomy 0.000 claims description 19
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 230000010339 dilation Effects 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 9
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 230000001939 inductive effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 2
- 238000000844 transformation Methods 0.000 claims description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000012706 support-vector machine Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241001522296 Erithacus rubecula Species 0.000 description 2
- 238000003339 best practice Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 108010003272 Hyaluronate lyase Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种基于TCN‑LSTM的太阳能光伏发电预测方法，包括以下步骤：数据预处理：通过将总的一年的光伏数据处理为春夏秋冬四季并去除无用的光伏数据，整理归纳光伏数据集中影响光伏发电的关键特征进行归一化处理；预测模型搭建和预测：搭建基于时间卷积神经网络和长短期记忆网络的混合模型，采用所述训练集数据训练所述预测模型；将训练样本输入TCN‑LSTM模型，经TCN进行特征提取后，将时间序列数据输入到二层扩张的因果卷积中与一维卷积输出结果相加得到的输出结果输入到LSTM模型，LSTM模型对接收TCN的输出结果的特征进行高层特征的信息抽象，并将其处理成一个一维向量再输入LSTM模型的全连接层，全连接层直接输出下一时刻光伏发电功率预测值。
Description
技术领域
本发明涉及计算机预测技术领域，具体地说是一种基于TCN-LSTM的太阳能光伏发电预测方法。
背景技术
对时间序列的预测分析，传统的方法主要是运用统计学的知识，主要有：时间序列法、回归分析法、卡尔曼滤波法、以及马尔可夫链方法等。近年来随着智能算法的快速发展，研究者们已经成功将智能算法运用到时间序列的研究上，例如人工神经网络法、SVM支持向量机法、灰色系统预测法、专家系统法等。以下介绍几种现代的预测方法。
人工神经网络是仿照生物神经系统建立的一种计算模型，模拟大脑处理信息的过程，适合用于时间序列的预测，尤其对非线性具有较强的自适应功能，但同时由于数据样本较小、隐藏层数难以确定和隐含层神经元的个数无法统计的原因使得人工神经网络效果较差。
灰色理论法是一种对含有不确定因素的系统进行预测的方法，认为时间序列是多种影响因素综合作用的结果，这种不确定性和未知性构成了系统的灰色特征，该方法的好处是在历史数据缺乏，计算简便、时间序列成单调性变化时预测效果较好，但当出现数据相关性差、模型较为复杂时该模型就受到了局限。
支持向量机(Support Vector Machine,SVM)算法基于统计学习理论的VC维理论和结构风险最小化原理的一种新机器学习方法，该方法适用于数据样本较小的模型中，具有适应性高，泛化能力强的优点，但其预测结果受众多因素影响，如：训练样本选取、输入数据大小和参数选择等。目前正在改进相应的问题，但SVR的扩展—最小二乘法支持向量机(Least Square Support Machine,LS-SVM)算法，在短期预测中有良好的实验结果。
时间序列预测是在一定假设条件下进行的，待预测变量的发展变化规律具有多样性、复杂性和随机性。单一的方法并不是总能取得满意的预测效果，而组合预测方法通常比单一法预测精度高。当前组合预测方法的研究主要有两类：组合方法预测，即综合使用两种及以上预测方法，例如相似日法与最小二乘支持向量机算法的组合，小波变换与神经网络的组合，粒子群算法与支持向量机的组合等；组合结果预测，即通过对多种不同预测方法得出的预测结果。显然，组合预测方法整合了多种单一预测方法的信息，考虑的影响因素、特点、结构等比较全面，能够使单一方法优势互补，从而有效改善预测效果；但是，目前准确、可靠、稳健的组合预测技术还并不完全成熟，需进一步适当修正以提高预测精度。
在太阳能光伏发电中，其发电数据的预测难以通过单一方法进行准确预测，而且现有技术中未能给出组合预测太阳能光伏发电数据的启示。
时间卷积神经网络(Temporal Convolutional Networks，简称TCN)，使用TCN进行序列建模的优点和缺点进行具体的介绍如下：
1、并行性。与后续时间步长的预测必须等待其前任完成的RNN不同，由于在每一层中使用相同的滤波器，因此可以并行完成卷积。因此，在训练和评估中，长输入序列可以作为整体在TCN中处理，而不是像在RNN中那样顺序处理。
2、灵活的感受野。TCN可以通过多种方式改变其感受野大小。例如，堆叠更多扩张(因果)卷积层，使用更大的扩张因子，或增加过滤器尺寸都是可行的选择(可能有不同的解释)。因此，TCN可以更好地控制模型的内存大小，并且易于适应不同的域。
3、稳定的梯度。与循环架构不同，TCN具有与序列的时间方向不同的反向传播路径。因此，TCN避免了梯度爆炸/消失的问题，这是RNN的主要问题(并且导致LSTM，GRU，HF-RNN 等的发展)。
4、内存要求低。特别是在长输入序列的情况下，LSTM和GRU可以容易地消耗大量存储器来存储其多个单元门的部分结果。但是，在TCN中，过滤器在一个层上共享，反向传播路径仅取决于网络深度。因此，在实践中，门控RNN可能最多使用乘法比TCN更多的内存。
4、可变长度的输入。就像RNN一样，它以可循环的方式对可变长度的输入进行建模， TCN也可以通过滑动1D卷积核来获取任意长度的输入。这意味着可以采用TCN作为RNN的插入式替换，用于任意长度的顺序数据。
使用TCN还有两个值得注意的缺点：
1、评估期间的数据存储。在评估/测试中，RNN仅需要维持隐藏状态并接收当前输入xt以便生成预测。换句话说，整个历史的“概要”由固定长度的矢量集合ht提供，并且可以丢弃实际观察到的序列。相反，TCN需要将原始序列接收到有效历史长度，因此在评估期间可能需要更多的存储器。
2、域转移的潜在参数更改。不同的域对模型所需的历史记录量有不同的要求以进行预测。因此，当将模型从仅需要很少存储器的域(即：小k和d)传送到需要更长存储器的域(即：更大的k和d)时，TCN可能表现不佳而没有足够大的感受野。
长短期记忆人工神经网络(LSTM)是循环神经网络(RNN)的一种特殊形式。LSTM模型的流程图有四个重要元素：单元状态，输入门，遗忘门和输出门，其中，输入门、遗忘门和输出门用于控制单元状态中包含的信息的更新，维护和删除。LSTM网络训练过程采用通过时间反向传播算法(back-propagation through time，简称BPTT)，反向计算每个LSTM 神经元输出值与真实值的误差项，根据相应的误差项，计算每个权重的梯度，应用梯度优化算法更新权重。LSTM是一种时间循环神经网络，适用于时间序列的处理和预测。
发明内容
有鉴于此，本发明针对上述现有技术存在的无法实现准确的预测光伏发电量的问题，提供了一种基于TCN-LSTM的太阳能光伏发电预测方法，同时降低了预测的误差。
本发明的技术解决方案是，提供一种基于TCN-LSTM的太阳能光伏发电预测方法，包括以下步骤：
数据预处理：通过将总的一年的光伏数据处理为春夏秋冬四季并去除无用的光伏数据，整理归纳光伏数据集中影响光伏发电的关键特征进行归一化处理，最后将处理好的数据集分为训练集(占比80％)、验证集(占比10％)和测试集(占比10％)；
预测模型搭建和预测：搭建基于时间卷积神经网络(TCN)和长短期记忆网络(LSTM) 的混合模型，采用所述训练集数据训练所述预测模型，通过验证集数据和测试集数据对训练后的预测模型进行验证和测试；
将训练样本输入TCN-LSTM模型，经TCN进行特征提取后，将时间序列数据输入到二层扩张的因果卷积中与一维卷积输出结果相加得到的输出结果输入到LSTM模型， LSTM模型对接收TCN的输出结果的特征进行高层特征的信息抽象，并将其处理成一个一维向量再输入LSTM模型的全连接层，全连接层直接输出下一时刻光伏发电功率预测值。
可选的，所述LSTM模型包括输入门、遗忘门和输出门所组成的块单元的体系结构，为了建立时间连接，LSTM模型在整个循环周期内定义和维护一个内部记忆单元状态即细胞状态Ct，然后通过遗忘门ft、输入门it、输出门ot三个门结构，来更新、维护或删除细胞状态内的信息，前向计算过程表示为：
ft＝σ(Wf·[ht-1,xt]+bf)；(1)
it＝σ(Wi·[ht-1,xt]+bi)；(2)
ot＝σ(Wo·[ht-1,xt]+bo)；(5)
ht＝ot*tanh(Ct)；(6)
其中，Ct、Ct-1表示当前时刻和上一时刻的细胞状态，
表示输入的候选状态，ft、it、 ot分别表示遗忘门、输入门、输出门，Wf、Wi、WC、Wo、bf、bi、bC、bo分别表示对应的权重系数矩阵和偏置项，σ、tanh分别表示sigmoid和双曲正切激活函数；
首先上一时刻隐藏层输出ht-1和当前输出xt通过公式(1)、(2)、(5)计算出遗忘门、输入门、输出门的系数；然后上一时刻隐藏层输出ht-1和当前输出xt经过公式(3)得到当前神经元的候选状态
接着由遗忘门和输入门确定上一时刻的细胞状态Ct-1和当前时刻的候选状态
在当前细胞状态中所占的比例，并经过公式(4)完成当前时刻细胞状态的更新最后经过公式(6)计算当前时刻的隐藏层输出值ht。
可选的，TCN模型使用1D全卷积网络架构，其中每个隐藏层与输入层的长度相同，并且长度为零填充被添加，以保持后续层与先前层的长度相同，TCN使用因果卷积，其中时间t的输出仅与来自前一层中的时间t和更早的元素卷积相关；
所述TCN模型还采用扩张的卷积，使指数大的接受领域，更正式地对于1-D序列输入X∈n和滤波器f:{0,...,k-1}→，序列的元素s上的扩张卷积运算F被定义为：
扩张系数k是滤波器大小，s-d·i解释了过去的方向；因此，膨胀相当于在每两个相邻滤波器之间引入固定步长；当d＝1时，扩张的卷积减少到规则的卷积，使得顶层的输出能够表示更广泛的输入，从而有效地扩展了ConvNet的感受域。
可选的，所述TCN模型还包括剩余连接，残差块包含一个分支，导致一系列变换F，其输出被添加到块的输入x：
o＝Activation(x+F(x))；
在残余区块内，TCN具有两层扩张的因果卷积和非线性，并使用整流线性单元，将权重归一化应用于卷积滤波器，空间辍学dropout在每个扩张卷积之后添加以进行正则化：在每个训练步骤中，将整个通道归零；使用额外的1x1卷积来确保元素加法⊕接收相同形状的张量。
可选的，采用MAE、MAPE、RMSE三个评价指标对预测模型的性能进行评价；其中，作为输入数据表示为X＝{x1,x2,...,xS}，输出结果表示为Y＝{y1,y2,...,ys}，其评价标准MAE、 RMSE、MAPE计算公式如下：
其中，yi是模型预测的结果；yi是实际测试样本值；n是测试样本的总数。
可选的，通过学习率为0.002的Adam优化器优化整个TCN-LSTM模型的神经网络权值，使损失函数的损失值最小化。
可选的，所述的归一化处理采用min-max标准化，包括以下步骤：
其中xi为原始数据，
为归一化后的数据，xmax输入数据的最大值xmin输入数据的最小值； t时刻的训练样本可表示为：
Sample＝[(P(t-len+1),P(t-len+2),...,P(t-1),P(t),P(t+1)]；
其中P为光伏发电功率，len为时间序列长度，P(t+1)为训练样本的训练目标。
采用以上方法，本发明与现有技术相比，具有以下优点：时间卷积网络(TCN)将扩张和残差连接等最佳实践与自回归预测所需的因果卷积相结合，并且TCN比具有相同容量的循环架构表现出更长的内存，基于时间卷积神经网络(TCN)的缺点，相应的可以通过长短期记忆人工神经网络(LSTM)来弥补，本发明将TCN的优点和LSTM相结合，降低了太阳能光伏发电预测误差值，提高了太阳能光伏发电量的预测精度。
附图说明
图1为本发明实施例中基于TCN-LSTM的太阳能光伏发电预测研究的模型示意图；
图2为LSTM模型的块单元结构示意图；
图3(a)为TCN中的扩张的因果卷积(扩张因子d＝1,2,4，滤波器大小k＝3该感受野能够覆盖输入序列中的所有值)；
图3(b)为TCN残留块(在残差时添加1x1卷积输入和输出具有不同的尺寸)；
图3(c)为TCN中剩余连接的实施例(直线是残差中的滤波器功能，曲线是标识映射)。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
本发明涵盖任何在本发明的精髓和范围上做的替代、修改、等效方法以及方案。为了使公众对本发明有彻底的了解，在以下本发明优选实施例中详细说明了具体的细节，而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。此外，本发明之附图中为了示意的需要，并没有完全精确地按照实际比例绘制，在此予以说明。
如图1所示，本发明的一种基于TCN-LSTM的太阳能光伏发电预测研究，包括数据集预处理、模型的搭建和性能的评估等；其中，TCN-LSTM为时间卷积神经网络和长短期记忆人工神经网络共同搭建的混合模型的简称。
所述的数据预处理：通过总的一年的光伏数据处理为春夏秋冬四季并去除无用的光伏数据，整理归纳数据集中影响光伏发电的关键特征进行归一化处理，最后将处理好的数据集分为训练集(80％)、验证集(10％)和测试集(10％)；
所述的模型搭建：提出一种基于时间卷积神经网络(TCN)和长短期记忆网络(LSTM) 的混合模型，对光伏发电进行更精准的预测并且与MLP、SVR、LSTM和TCN等模型进行对比，从1min、5min和10min三部分整体对比；
所述的性能评估：多个模型的对比实验就应该有统一的评价指标，统一采用平均绝对误差(MAE)、平均绝对百分误差(MAPE)和均方根误差(RMSE)等通用误差评价指标进行衡量。
如图1所示，是基于TCN-LSTM的太阳能光伏发电预测研究的模型框图。具体数据在模型中的步骤为：将训练样本输入TCN-LSTM模型，经TCN进行特征提取后，将时间序列数据输入到2层扩张的因果卷积中与一维卷积输出结果相加得到的输出结果输入到 LSTM模型，最终得到太阳能光伏发电功率的具体数据，然后将得到数据结果在通过全连接层：多个神经元经过全连接层连接到一起，输出一个数据；
如图2所示，LSTM由输入、遗忘和输出门组成的块单元的体系结构。LSTM神经元内部结构如图2所示，为了建立时间连接，LSTM在整个循环周期内定义和维护一个内部记忆单元状态—细胞状态Ct，.然后通过遗忘门ft、输入门it、输出门ot三个门结构，来更新、维护或删除细胞状态内的信息.前向计算过程可以表示为：
ft＝σ(Wf·[ht-1,xt]+bf)(1)
it＝σ(Wi·[ht-1,xt]+bi)(2)
ot＝σ(Wo·[ht-1,xt]+bo)(5)
ht＝ot*tanh(Ct)(6)
其中，Ct、Ct-1表示当前时刻和上一时刻的细胞状态，
表示输入的候选状态，ft、it、 ot分别表示遗忘门、输入门、输出门，Wf、Wi、WC、Wo、bf、bi、bC、bo分别表示对应的权重系数矩阵和偏置项，σ、tanh分别表示sigmoid和双曲正切激活函数.首先上一时刻隐藏层输出ht-1和当前输出xt通过公式(1)、(2)、(5)计算出遗忘门、输入门、输出门的系数；然后上一时刻隐藏层输出ht-1和当前输出xt经过公式(3)得到当前神经元的候选状态
接着由遗忘门和输入门确定上一时刻的细胞状态Ct-1和当前时刻的候选状态
在当前细胞状态中所占的比例，并经过公式(4)完成当前时刻细胞状态的更新.最后经过公式(6)计算当前时刻的隐藏层输出值ht。
LSTM网络训练过程采用通过时间反向传播算法(back-propagationthroughtime，简称 BPTT)，反向计算每个LSTM神经元输出值与真实值的误差项，根据相应的误差项，计算每个权重的梯度，应用梯度优化算法更新权重。
如图3(a)、3(b)和3(c)所示，TCN中的架构元素，具体介绍有因果卷积、扩张卷积、残差卷积的跳层连接。
如图3(a)所示，首先介绍因果卷积。如上所述，TCN基于两个原则：网络产生与输入相同长度的输出，以及从未来到过去不会泄漏的事实。为了实现第一点，TCN使用1D 全卷积网络(FCN)架构，其中每个隐藏层与输入层的长度相同，并且长度为零填充(内核大小-1)被添加以保持后续层与先前层的长度相同。为了实现第二点，TCN使用因果卷积，其中时间t的输出仅与来自前一层中的时间t和更早的元素卷积。
简单地说：TCN＝1D全卷积网络(FCN)+因果卷积。
为了获得长的有效历史尺寸，我们需要一个极深的网络或非常大的滤波器，当这些方法首次引入时，这两种滤波器都不是特别可行。因此，在以下部分中，将描述如何将现代卷积体系结构中的技术集成到TCN中，以允许非常深的网络和非常长的有效历史。
其次介绍的是扩张的卷积。因果卷积只能回顾网络深度线性大小的历史。这使得将上述因果卷积应用于序列任务变得具有挑战性，尤其是那些需要更长历史的因素。本发明的解决方案是采用扩张的卷积，使指数大的接受领域，更正式地对于1-D序列输入X∈n和滤波器f:{0,...,k-1}→，序列的元素s上的扩张卷积运算F被定义为：
扩张系数k是滤波器大小，s-d·i解释了过去的方向。因此，膨胀相当于在每两个相邻滤波器之间引入固定步长。当d＝1时，扩张的卷积减少到规则的卷积。使用较大的扩张因子使得顶层的输出能够表示更广泛的输入，从而有效地扩展了ConvNet的感受域。
这为本发明提供了两种方法来增加TCN的感受野：选择更大的滤波器尺寸k并增加扩张系数d，其中一个这样的层的有效历史是(k-1)d。如在使用扩张卷积时常见的那样，随着网络的深度指数地增加d(即在网络的级别i处d＝O(2i)。这样可以确保在有效历史记录中有一些过滤器可以访问每个输入，同时还可以使用深层网络获得极大的有效历史记录，本发明提供了一个附图如图3(a)。
如图3(b)，(c)所示，本发明将使用剩余连接，残差块包含一个分支，导致一系列变换F，其输出被添加到块的输入x：
o＝Activation(x+F(x))；
这有效地允许层学习对身份映射的修改而不是整个转换，有益于非常深的网络。
由于TCN的感知场取决于网络深度n以及滤波器大小212和扩张因子d，因此越来越大的TCN的稳定变得重要。例如，在预测可能取决于大小212的历史和高维输入序列的情况下，可能需要多达12层的网络。更具体地说，每个层由用于特征提取的多个过滤器组成。因此，在我们的通用TCN模型的设计中，我们使用通用残差模块代替卷积层。
基线TCN的残余区块如图3(b)所示。在残余区块内，TCN具有两层扩张的因果卷积和非线性，我们使用整流线性单元(ReLU)。为了归一化，我们将权重归一化应用于卷积滤波器。此外，dropout在每个扩张卷积之后添加以进行正则化：在每个训练步骤中，将整个通道归零。
但是，在标准ResNet中，输入直接添加到残差函数的输出中，在TCN(和一般的ConvNets)中，输入和输出可以具有不同的宽度。为了解决差异输入输出宽度，本发明使用额外的1x1卷积来确保元素加法⊕接收相同形状的张量(见图3(b)，(c))。
本实施例中，整个预测过程研究可以分为以下几个步骤进行：
(1)数据预处理：因为太阳能光伏发电功率每日波动幅度较大，因此需要对数据进行归一化处理，本发明采用min-max标准化归一化方法：
其中xi为原始数据，
为归一化后的数据，xmax输入数据的最大值xmin输入数据的最小值； t时刻的训练样本可表示为：
Sample＝[(P(t-len+1),P(t-len+2),...,P(t-1),P(t),P(t+1)]；
其中P为光伏发电功率，len为时间序列长度，P(t+1)为训练样本的训练目标；
将处理好的数据分为春季、夏季、秋季和冬季以及全年数据，每个数据集又划分为训练集(80％)、验证集(10％)和测试集(10％) TCN-LSTM模型使用归一化的样本进行训练，因此预测时需要对输入的预测样本进行归一化处理，采用与训练过程相同的归一化方法。
进一步，所述的基于TCN-LSTM的光伏发电功率预测模型的构建方法具体包括以下步骤：
(1)数据预处理：对光伏发电功率数据进行归一化处理使回归误差最小化，提高精度并保持数据集中的相关性；
(2)模型训练：然后将训练样本输入TCN-LSTM模型，经TCN进行特征提取后，将时间序列数据输入到2层扩张的因果卷积中与一维卷积输出结果相加得到的输出结果输入到LSTM模型，最终得到太阳能光伏发电功率的具体数据，然后将得到数据结果在通过全连接层：多个神经元经过全连接层连接到一起，直接输出下一时刻光伏发电功率预测值；
(3)评价标准：通过评价指标MAE、RMSE、MAPE衡量一个模型性能的好坏，评价指标越小，说明这个模型性能越好；
(4)优化：通过学习率为0.002的Adam优化器优化整个神经网络权值，使损失函数的损失值最小化。
将发明的TCN-LSTM架构与规范的循环架构与标准正则化进行比较。本发明中的所有实验使用完全相同的TCN架构，只是改变网络n的深度，偶尔改变内核大小k，以便感知域覆盖足够的预测上下文。除非另有说明，否则对网络中的第i层使用指数扩张d＝2i，对于TCN使用学习率为0.002的Adam优化器。
本发明实施例采用的对比模型如下：
SVR模型：SVM非常适合时间序列分析，当应用于时间序列预测时，SVM建模被称为支持向量回归(SVR)。SVR算法是非线性回归算法，来自时间序列数据样本的输入被映射到高维特征空间以用于非线性映射；随后，进行线性回归。
MLP模型：MLP是一种浅层神经网络，具有良好的预测能力，在光伏发电预测领域有着广泛的研究和应用。该模型以光伏电源时间序列和光伏组件温度时间序列为输入，采用两个隐层，直接输出光伏电源的预测结果。
LSTM模型：LSTM模型使用两个LSTM层分别对输入的发电功率时间序列和数据集进行重要特征提取，将提取的特征向量展开成一维后进行融合，通过一个全连接层输出预测结果。
TCN模型：将卷积网络设计中的最佳实践提炼成一个简单的架构，可以作为一个方便但强大的起点。所提出的架构即为时间卷积网络(TCN)。TCN的主要组成结构为：一维卷积、扩张卷积、因果卷积和残差卷积的跳层连接。
本发明所用的硬件及软件平台：
实验室中所用的计算机配置环境为：处理器Intel(R)Core(TM)i7-8700K CPU@3.70GHz，内存为16.0GB，CPU为基于Pascal架构NVIDIA GeForce GTX1080显卡，显存为2.00GB；操作系统为Windows10(64-bit)；程序设计语言为Python 3.6.5(64-bit)；集成开发环境为PYCharm CommEidition2017.2.1.深度学习代码后端基于Google的深度学习开源框架Tensorflow训练，版本为tensorflow1.8.0，前端为Keras2.6.1。
本发明基于Keras框架实现TCN-LSTM模型，具有建模快速、可移植性高、预测精度高的优点。
本发明基于TCN-LSTM的光伏发电功率预测模型及其构建方法和应用，使用光伏电站历史数据训练预测模型，使用验证集评估预测模型在不同季节的预测精度。本发明基于Python语言和Keras框架实现了基于时间卷积层(TCN)、长短期记忆网络(LSTM)的 TCN-LSTM模型，该模型使用光伏发电功率时间序列为输入，输出下一时刻光伏发电功率预测值；TCN可以提取数据的多种特征。LSTM可以对输入的特征实现到高层特征的信息抽象；然后将输出向量处理成一个一维向量输入全连接层，全连接层直接输出下一时刻光伏发电功率预测值。
深度学习具有灵活性，可根据实际数据量对隐层进行调整。深度学习具备优秀的预测能力，尤其是对大中型数据集的预测，能够提高发电量预测的准确性。本发明使用Keras 框架实现TCN-LSTM模型，将其应用在太阳能光伏发电功率的预测上。
虽然以上将实施例分开说明和阐述，例如，方法和系统可以作为两套发明，即可基于本发明的方法形成相应的演示系统，但涉及部分共通之技术，在本领域普通技术人员看来，可以在实施例之间进行替换和整合，涉及其中一个实施例未明确记载的内容，则可参考有记载的另一个实施例。
以上仅就本发明较佳的实施例作了说明，但不能理解为是对权利要求的限制。本发明不仅局限于以上实施例，其具体结构允许有变化。总之，凡在本发明独立权利要求的保护范围内所作的各种变化均在本发明的保护范围内。
Claims (7)
1.一种基于TCN-LSTM的太阳能光伏发电预测方法，其特征在于：包括以下步骤：
数据预处理：通过将总的一年的光伏数据处理为春夏秋冬四季并去除无用的光伏数据，整理归纳光伏数据集中影响光伏发电的关键特征进行归一化处理，最后将处理好的数据集分为训练集(占比80％)、验证集(占比10％)和测试集(占比10％)；
预测模型搭建和预测：搭建基于时间卷积神经网络(TCN)和长短期记忆网络(LSTM)的混合模型，采用所述训练集数据训练所述预测模型，通过验证集数据和测试集数据对训练后的预测模型进行验证和测试；
将训练样本输入TCN-LSTM模型，经TCN进行特征提取后，将时间序列数据输入到二层扩张的因果卷积中与一维卷积输出结果相加得到的输出结果输入到LSTM模型，LSTM模型对接收TCN的输出结果的特征进行高层特征的信息抽象，并将其处理成一个一维向量再输入LSTM模型的全连接层，全连接层直接输出下一时刻光伏发电功率预测值。
2.根据权利要求1所述的基于TCN-LSTM的太阳能光伏发电预测方法，特征在于：所述LSTM模型包括输入门、遗忘门和输出门所组成的块单元的体系结构，为了建立时间连接，LSTM模型在整个循环周期内定义和维护一个内部记忆单元状态即细胞状态Ct，然后通过遗忘门ft、输入门it、输出门ot三个门结构，来更新、维护或删除细胞状态内的信息，前向计算过程表示为：
ft＝σ(Wf·[ht-1,xt]+bf)； (1)
it＝σ(Wi·[ht-1,xt]+bi)； (2)
ot＝σ(Wo·[ht-1,xt]+bo)； (5)
ht＝ot*tanh(Ct)； (6)
其中，Ct、Ct-1表示当前时刻和上一时刻的细胞状态，
表示输入的候选状态，ft、it、ot分别表示遗忘门、输入门、输出门，Wf、Wi、WC、Wo、bf、bi、bC、bo分别表示对应的权重系数矩阵和偏置项，σ、tanh分别表示sigmoid和双曲正切激活函数；
首先上一时刻隐藏层输出ht-1和当前输出xt通过公式(1)、(2)、(5)计算出遗忘门、输入门、输出门的系数；然后上一时刻隐藏层输出ht-1和当前输出xt经过公式(3)得到当前神经元的候选状态
接着由遗忘门和输入门确定上一时刻的细胞状态Ct-1和当前时刻的候选状态
在当前细胞状态中所占的比例，并经过公式(4)完成当前时刻细胞状态的更新.最后经过公式(6)计算当前时刻的隐藏层输出值ht。
3.根据权利要求2所述的基于TCN-LSTM的太阳能光伏发电预测方法，其特征在于：TCN模型使用1D全卷积网络架构，其中每个隐藏层与输入层的长度相同，并且长度为零填充被添加，以保持后续层与先前层的长度相同，TCN使用因果卷积，其中时间t的输出仅与来自前一层中的时间t和更早的元素卷积相关；
所述TCN模型还采用扩张的卷积，使指数大的接受领域，更正式地对于1-D序列输入X∈n和滤波器f:{0,...,k-1}→，序列的元素s上的扩张卷积运算F被定义为：
扩张系数k是滤波器大小，s-d·i解释了过去的方向；因此，膨胀相当于在每两个相邻滤波器抽头之间引入固定步长；当d＝1时，扩张的卷积减少到规则的卷积，使得顶层的输出能够表示更广泛的输入，从而有效地扩展了ConvNet的感受域。
4.根据权利要求3所述的基于TCN-LSTM的太阳能光伏发电预测方法，其特征在于：所述TCN模型还包括剩余连接，残差块包含一个分支，导致一系列变换F，其输出被添加到块的输入x：
o＝Activation(x+F(x))；
在残余区块内，TCN具有两层扩张的因果卷积和非线性，并使用整流线性单元，将权重归一化应用于卷积滤波器，空间辍学dropout在每个扩张卷积之后添加以进行正则化：在每个训练步骤中，将整个通道归零；使用额外的1x1卷积来确保元素加法⊕接收相同形状的张量。
5.根据权利要求4所述的基于TCN-LSTM的太阳能光伏发电预测方法，其特征在于：采用MAE、MAPE、RMSE三个评价指标对预测模型的性能进行评价；其中，作为输入数据表示为X＝{x1,x2,...,xS}，输出结果表示为Y＝{y1,y2,...,ys}，其评价标准MAE、RMSE、MAPE计算公式如下：
其中，yi是模型预测的结果；yi是实际测试样本值；n是测试样本的总数。
6.根据权利要求1-5任意一项所述的基于TCN-LSTM的太阳能光伏发电预测方法，其特征在于：通过学习率为0.002的Adam优化器优化整个TCN-LSTM模型的神经网络权值，使损失函数的损失值最小化。
7.根据权利要求1-5任意一项所述的基于TCN-LSTM的太阳能光伏发电预测方法，其特征在于：所述的归一化处理采用min-max标准化，包括以下步骤：
其中xi为原始数据，
为归一化后的数据，xmax输入数据的最大值xmin输入数据的最小值；t时刻的训练样本可表示为：
Sample＝[(P(t-len+1),P(t-len+2),...,P(t-1),P(t),P(t+1)]；
其中P为光伏发电功率，len为时间序列长度，P(t+1)为训练样本的训练目标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911125632.XA CN110909926A (zh) | 2019-11-18 | 2019-11-18 | 基于tcn-lstm的太阳能光伏发电预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911125632.XA CN110909926A (zh) | 2019-11-18 | 2019-11-18 | 基于tcn-lstm的太阳能光伏发电预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110909926A true CN110909926A (zh) | 2020-03-24 |
Family
ID=69817892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911125632.XA Pending CN110909926A (zh) | 2019-11-18 | 2019-11-18 | 基于tcn-lstm的太阳能光伏发电预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909926A (zh) |
Cited By (38)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111563624A (zh) * | 2020-05-06 | 2020-08-21 | 北京工业大学 | 一种基于LSTM与Attention相结合的绿色能源预测方法 |
| CN111563611A (zh) * | 2020-04-13 | 2020-08-21 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
| CN111598289A (zh) * | 2020-03-30 | 2020-08-28 | 国网河北省电力有限公司 | 计及lstm光伏出力预测的综合能源系统分散式优化方法 |
| CN111624874A (zh) * | 2020-06-09 | 2020-09-04 | 浙江超梵环境科技有限公司 | 用于城市污水处理的泵站集群智能化预测方法及系统 |
| CN111709785A (zh) * | 2020-06-18 | 2020-09-25 | 北京字节跳动网络技术有限公司 | 用于确定用户留存时间的方法、装置、设备和介质 |
| CN111798975A (zh) * | 2020-06-01 | 2020-10-20 | 山东师范大学 | 基于循环时间卷积网络的疾病诊断系统、设备及介质 |
| CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
| CN111914400A (zh) * | 2020-07-03 | 2020-11-10 | 天津大学 | 基于多任务学习的hrrp特征提取方法 |
| CN111931981A (zh) * | 2020-07-06 | 2020-11-13 | 安徽天尚清洁能源科技有限公司 | 基于机器学习多模型组合的光伏发电超短期预测方法 |
| CN111950805A (zh) * | 2020-08-25 | 2020-11-17 | 润联软件系统(深圳)有限公司 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
| CN112016038A (zh) * | 2020-08-03 | 2020-12-01 | 广西大学 | 一种超超临界燃煤锅炉高温再热器炉外壁温预测方法 |
| CN112241676A (zh) * | 2020-07-07 | 2021-01-19 | 西北农林科技大学 | 一种地形杂物自动识别的方法 |
| CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
| CN112434891A (zh) * | 2020-12-18 | 2021-03-02 | 中国计量大学上虞高等研究院有限公司 | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 |
| CN112798949A (zh) * | 2020-10-22 | 2021-05-14 | 国家电网有限公司 | 一种抽水蓄能机组发电机温度预警方法和系统 |
| CN112818033A (zh) * | 2021-01-28 | 2021-05-18 | 河北工业大学 | 基于神经网络的袋式除尘器破袋智能检测方法 |
| CN112881518A (zh) * | 2021-01-08 | 2021-06-01 | 东冶及策河北能源技术有限公司 | 一种动态滤波补偿器剩余寿命预测方法 |
| CN113095596A (zh) * | 2021-05-07 | 2021-07-09 | 北京理工大学 | 基于多级Gate-SA-TCN的光伏功率预测方法 |
| CN113159990A (zh) * | 2021-04-21 | 2021-07-23 | 华南理工大学 | 一种光伏发电运维系统的设计方法 |
| CN113240198A (zh) * | 2021-06-07 | 2021-08-10 | 兰州大学 | 一种基于tcn模型的港口船舶轨迹预测方法 |
| CN113344260A (zh) * | 2021-05-27 | 2021-09-03 | 国网福建省电力有限公司信息通信分公司 | 一种基于数据融合的太阳能光伏功率的预测方法 |
| CN113469427A (zh) * | 2021-06-24 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于卷积lstm的光伏电站日前发电量预测方法及系统 |
| CN113487064A (zh) * | 2021-06-10 | 2021-10-08 | 淮阴工学院 | 基于主成分分析和改进lstm的光伏功率预测方法及系统 |
| CN113537279A (zh) * | 2021-05-18 | 2021-10-22 | 齐鲁工业大学 | 基于类残差卷积和lstm的covid-19识别系统 |
| CN113627070A (zh) * | 2021-05-24 | 2021-11-09 | 国网新疆电力有限公司经济技术研究院 | 一种短期光伏功率预测方法 |
| CN113837894A (zh) * | 2021-08-06 | 2021-12-24 | 国网江苏省电力有限公司南京供电分公司 | 基于残差卷积模块的非侵入式居民用户负荷分解方法 |
| CN113837434A (zh) * | 2021-08-16 | 2021-12-24 | 同盾科技有限公司 | 太阳能光伏发电预测方法、装置、电子设备和存储介质 |
| CN113919604A (zh) * | 2021-12-13 | 2022-01-11 | 阿里云计算有限公司 | 时间序列数据的预测方法、装置、存储介质及处理器 |
| CN114037901A (zh) * | 2021-10-25 | 2022-02-11 | 河海大学 | 光伏发电预测导向的实时卫星近红外图像推算方法 |
| CN114098681A (zh) * | 2021-11-12 | 2022-03-01 | 南京海量物联科技有限公司 | 一种基于tcn模型和ppg信号的智能血压预测方法 |
| CN114298446A (zh) * | 2022-03-11 | 2022-04-08 | 南京工业大学 | 一种基于数模双驱的风电功率预测方法、装置和存储介质 |
| CN114363195A (zh) * | 2022-01-11 | 2022-04-15 | 北京工业大学 | 面向时间和频谱残差卷积网络的网络流量预测预警方法 |
| CN114548372A (zh) * | 2022-02-14 | 2022-05-27 | 山东大学 | 一种基于时序卷积记忆网络的短期风速预测方法及系统 |
| CN114818997A (zh) * | 2022-06-28 | 2022-07-29 | 苏芯物联技术(南京)有限公司 | 一种基于高频焊接时序数据的烧穿故障预测方法 |
| CN116167465A (zh) * | 2023-04-23 | 2023-05-26 | 杭州经纬信息技术股份有限公司 | 基于多变量时间序列集成学习的太阳辐照度预测方法 |
| CN116579509A (zh) * | 2023-07-14 | 2023-08-11 | 天津福天科技有限公司 | 一种基于虚拟现实的光伏发电预测方法 |
| CN116842855A (zh) * | 2023-09-01 | 2023-10-03 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
| CN117709556A (zh) * | 2024-02-06 | 2024-03-15 | 山东建筑大学 | 一种光伏发电短期预测方法、系统、介质及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
| CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
| JP2019106140A (ja) * | 2017-12-14 | 2019-06-27 | アイシン精機株式会社 | 機械学習のモデルパラメータの学習装置 |
-
2019
- 2019-11-18 CN CN201911125632.XA patent/CN110909926A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019106140A (ja) * | 2017-12-14 | 2019-06-27 | アイシン精機株式会社 | 機械学習のモデルパラメータの学習装置 |
| CN108280551A (zh) * | 2018-02-02 | 2018-07-13 | 华北电力大学 | 一种利用长短期记忆网络的光伏发电功率预测方法 |
| CN109284870A (zh) * | 2018-10-08 | 2019-01-29 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 周楚杰: "基于LSTM和TCN混合深度学习的风速短期预测模型" * |
| 简献忠;顾洪志;王如志;: "一种基于双通道CNN和LSTM的短期光伏功率预测方法" * |
| 黄睿;杜文娟;王海风;: "计及湍流强度的风电功率短期预测" * |
Cited By (49)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111598289A (zh) * | 2020-03-30 | 2020-08-28 | 国网河北省电力有限公司 | 计及lstm光伏出力预测的综合能源系统分散式优化方法 |
| CN111563611A (zh) * | 2020-04-13 | 2020-08-21 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
| CN111563611B (zh) * | 2020-04-13 | 2023-11-24 | 北京工业大学 | 面向图卷积网络的云数据中心可再生能源时空预测方法 |
| CN111563624A (zh) * | 2020-05-06 | 2020-08-21 | 北京工业大学 | 一种基于LSTM与Attention相结合的绿色能源预测方法 |
| CN111798975A (zh) * | 2020-06-01 | 2020-10-20 | 山东师范大学 | 基于循环时间卷积网络的疾病诊断系统、设备及介质 |
| CN111624874B (zh) * | 2020-06-09 | 2022-12-06 | 浙江超梵环境科技有限公司 | 用于城市污水处理的泵站集群智能化预测方法及系统、存储介质 |
| CN111624874A (zh) * | 2020-06-09 | 2020-09-04 | 浙江超梵环境科技有限公司 | 用于城市污水处理的泵站集群智能化预测方法及系统 |
| CN111709785A (zh) * | 2020-06-18 | 2020-09-25 | 北京字节跳动网络技术有限公司 | 用于确定用户留存时间的方法、装置、设备和介质 |
| CN111709785B (zh) * | 2020-06-18 | 2023-08-22 | 抖音视界有限公司 | 用于确定用户留存时间的方法、装置、设备和介质 |
| CN111860979A (zh) * | 2020-07-01 | 2020-10-30 | 广西大学 | 一种基于tcn与ipso-lssvm组合模型的短期负荷预测方法 |
| CN111914400A (zh) * | 2020-07-03 | 2020-11-10 | 天津大学 | 基于多任务学习的hrrp特征提取方法 |
| CN111914400B (zh) * | 2020-07-03 | 2023-01-03 | 天津大学 | 基于多任务学习的hrrp特征提取方法 |
| CN111931981A (zh) * | 2020-07-06 | 2020-11-13 | 安徽天尚清洁能源科技有限公司 | 基于机器学习多模型组合的光伏发电超短期预测方法 |
| CN112241676A (zh) * | 2020-07-07 | 2021-01-19 | 西北农林科技大学 | 一种地形杂物自动识别的方法 |
| CN112016038A (zh) * | 2020-08-03 | 2020-12-01 | 广西大学 | 一种超超临界燃煤锅炉高温再热器炉外壁温预测方法 |
| CN112016038B (zh) * | 2020-08-03 | 2023-07-28 | 广西大学 | 一种超超临界燃煤锅炉高温再热器炉外壁温预测方法 |
| CN111950805A (zh) * | 2020-08-25 | 2020-11-17 | 润联软件系统(深圳)有限公司 | 中长期电力负荷预测方法、装置、计算机设备及存储介质 |
| CN112798949A (zh) * | 2020-10-22 | 2021-05-14 | 国家电网有限公司 | 一种抽水蓄能机组发电机温度预警方法和系统 |
| CN112365040A (zh) * | 2020-11-03 | 2021-02-12 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
| CN112365040B (zh) * | 2020-11-03 | 2022-03-01 | 哈尔滨工业大学 | 一种基于多通道卷积神经网络和时间卷积网络的短期风电功率预测方法 |
| CN112434891A (zh) * | 2020-12-18 | 2021-03-02 | 中国计量大学上虞高等研究院有限公司 | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 |
| CN112881518A (zh) * | 2021-01-08 | 2021-06-01 | 东冶及策河北能源技术有限公司 | 一种动态滤波补偿器剩余寿命预测方法 |
| CN112881518B (zh) * | 2021-01-08 | 2022-07-12 | 东冶及策河北能源技术有限公司 | 一种动态滤波补偿器剩余寿命预测方法 |
| CN112818033A (zh) * | 2021-01-28 | 2021-05-18 | 河北工业大学 | 基于神经网络的袋式除尘器破袋智能检测方法 |
| CN113159990A (zh) * | 2021-04-21 | 2021-07-23 | 华南理工大学 | 一种光伏发电运维系统的设计方法 |
| CN113095596A (zh) * | 2021-05-07 | 2021-07-09 | 北京理工大学 | 基于多级Gate-SA-TCN的光伏功率预测方法 |
| CN113537279A (zh) * | 2021-05-18 | 2021-10-22 | 齐鲁工业大学 | 基于类残差卷积和lstm的covid-19识别系统 |
| CN113627070A (zh) * | 2021-05-24 | 2021-11-09 | 国网新疆电力有限公司经济技术研究院 | 一种短期光伏功率预测方法 |
| CN113344260B (zh) * | 2021-05-27 | 2022-09-06 | 国网福建省电力有限公司信息通信分公司 | 一种基于数据融合的太阳能光伏功率的预测方法 |
| CN113344260A (zh) * | 2021-05-27 | 2021-09-03 | 国网福建省电力有限公司信息通信分公司 | 一种基于数据融合的太阳能光伏功率的预测方法 |
| CN113240198A (zh) * | 2021-06-07 | 2021-08-10 | 兰州大学 | 一种基于tcn模型的港口船舶轨迹预测方法 |
| CN113487064A (zh) * | 2021-06-10 | 2021-10-08 | 淮阴工学院 | 基于主成分分析和改进lstm的光伏功率预测方法及系统 |
| CN113469427A (zh) * | 2021-06-24 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于卷积lstm的光伏电站日前发电量预测方法及系统 |
| CN113837894A (zh) * | 2021-08-06 | 2021-12-24 | 国网江苏省电力有限公司南京供电分公司 | 基于残差卷积模块的非侵入式居民用户负荷分解方法 |
| CN113837894B (zh) * | 2021-08-06 | 2023-12-19 | 国网江苏省电力有限公司南京供电分公司 | 基于残差卷积模块的非侵入式居民用户负荷分解方法 |
| CN113837434A (zh) * | 2021-08-16 | 2021-12-24 | 同盾科技有限公司 | 太阳能光伏发电预测方法、装置、电子设备和存储介质 |
| CN114037901A (zh) * | 2021-10-25 | 2022-02-11 | 河海大学 | 光伏发电预测导向的实时卫星近红外图像推算方法 |
| CN114098681A (zh) * | 2021-11-12 | 2022-03-01 | 南京海量物联科技有限公司 | 一种基于tcn模型和ppg信号的智能血压预测方法 |
| CN113919604A (zh) * | 2021-12-13 | 2022-01-11 | 阿里云计算有限公司 | 时间序列数据的预测方法、装置、存储介质及处理器 |
| CN114363195A (zh) * | 2022-01-11 | 2022-04-15 | 北京工业大学 | 面向时间和频谱残差卷积网络的网络流量预测预警方法 |
| CN114548372A (zh) * | 2022-02-14 | 2022-05-27 | 山东大学 | 一种基于时序卷积记忆网络的短期风速预测方法及系统 |
| CN114298446A (zh) * | 2022-03-11 | 2022-04-08 | 南京工业大学 | 一种基于数模双驱的风电功率预测方法、装置和存储介质 |
| CN114298446B (zh) * | 2022-03-11 | 2022-06-03 | 南京工业大学 | 一种基于数模双驱的风电功率预测方法、装置和存储介质 |
| CN114818997A (zh) * | 2022-06-28 | 2022-07-29 | 苏芯物联技术(南京)有限公司 | 一种基于高频焊接时序数据的烧穿故障预测方法 |
| CN116167465A (zh) * | 2023-04-23 | 2023-05-26 | 杭州经纬信息技术股份有限公司 | 基于多变量时间序列集成学习的太阳辐照度预测方法 |
| CN116579509A (zh) * | 2023-07-14 | 2023-08-11 | 天津福天科技有限公司 | 一种基于虚拟现实的光伏发电预测方法 |
| CN116842855A (zh) * | 2023-09-01 | 2023-10-03 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
| CN116842855B (zh) * | 2023-09-01 | 2024-03-29 | 国网天津市电力公司滨海供电分公司 | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
| CN117709556A (zh) * | 2024-02-06 | 2024-03-15 | 山东建筑大学 | 一种光伏发电短期预测方法、系统、介质及设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110909926A (zh) | 基于tcn-lstm的太阳能光伏发电预测方法 | |
| CN110321603B (zh) | 一种用于航空发动机气路故障诊断的深度计算模型 | |
| Gulcehre et al. | Mollifying networks | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| Jain et al. | Stock price prediction on daily stock data using deep neural networks | |
| Luo et al. | Using spotted hyena optimizer for training feedforward neural networks | |
| Tyagi et al. | Fuzzy C-means clustering based construction and training for second order RBF network | |
| Leung et al. | On the selection of weight decay parameter for faulty networks | |
| Barman et al. | Transfer learning for small dataset | |
| Peng et al. | Multi-step-ahead host load prediction with gru based encoder-decoder in cloud computing | |
| CN111222689A (zh) | 基于多尺度时间特征的lstm负荷预测方法、介质及电子装置 | |
| Liu et al. | EACP: An effective automatic channel pruning for neural networks | |
| CN108876038B (zh) | 大数据、人工智能、超算协同的材料性能预测方法 | |
| Shin et al. | Neural bootstrapper | |
| Wang et al. | Adaptive echo state network with a recursive inverse-free weight update algorithm | |
| Basterrech et al. | Evolutionary Echo State Network: A neuroevolutionary framework for time series prediction | |
| CN116542701A (zh) | 一种基于cnn-lstm组合模型的碳价预测方法及系统 | |
| Zhang et al. | A hierarchical multivariate denoising diffusion model | |
| CN115694985A (zh) | 基于tmb的混合网络流量攻击预测方法 | |
| CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
| Liu et al. | Model design and parameter optimization of CNN for side-channel cryptanalysis | |
| CN113988415A (zh) | 一种中长期电力负荷预测方法 | |
| Luo et al. | Image classification with a MSF dropout | |
| Khumprom et al. | A hybrid evolutionary CNN-LSTM model for prognostics of C-MAPSS aircraft dataset | |
| Wang et al. | Multi-reservoir echo state network with five-elements cycle |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200324 |