CN112784960A - 一种基于滑动窗口和局部时序特征的光伏发电功率预测方法 - Google Patents
一种基于滑动窗口和局部时序特征的光伏发电功率预测方法 Download PDFInfo
- Publication number
- CN112784960A CN112784960A CN202110079389.3A CN202110079389A CN112784960A CN 112784960 A CN112784960 A CN 112784960A CN 202110079389 A CN202110079389 A CN 202110079389A CN 112784960 A CN112784960 A CN 112784960A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- time sequence
- data
- layer
- feature map
- 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 56
- 238000010248 power generation Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000011176 pooling Methods 0.000 claims description 29
- 238000013527 convolutional neural network Methods 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000015654 memory Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 4
- 230000000737 periodic effect Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
Abstract
本发明提供了一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,首先利用数据窗口在光伏功率数据上截取出尺寸为M×N的数据块,其中M为数据块在时间维度的长度,N为空间维度的长度。然后利用CNN对数据块在空间维度上执行一维卷积操作来提取数据的空间特征。在空间特征的基础上再利用LSTM提取数据的时序特征,并通过全连接层对时空特征进行回归预测分析以得到最终的光伏功率预测结果。本发明与六种常用预测方法相比,所有测试样本上的误差值更加集中,且更加趋向于0刻度线,通过定性的方式验证了CALSTM相比于其他方法的优越性。本发明可准确地拟合数据的周期分布规律,且在功率值接近于0时,可实现精准预测。
Description
技术领域
本发明属于计算机深度学习时序预测技术领域,具体涉及一种基于滑动窗口和局部时序特征的光伏发电功率预测方法。
背景技术
现如今,气候变化和能源危机的问题日益突出,寻找和利用可再生的清洁能源受到大家的广泛关注。其中太阳能作为重要的可在生能源之一,得到了广泛地发展。在2019年底,中国光伏装机容量达200GW,全年新增和总累计装机容量均为全球第一,这充分说明了中国光伏发电对世界光伏能源制造的突出贡献作用。地表太阳能属于间歇性能源,受太阳辐照度和气象状况的影响,输出功率呈现出一定的周期性和突变性。而突变型的光伏输出功率在一定程度上干扰了光伏系统运行的稳定性和安全性,因此对光伏输出功率实施准确的预测可有效满足电力系统的实际需求。
光伏功率预测方法经过几十年的发展,现已出现多种不同类型的预测方法,主要可分为以下三类:物理方法,统计方法和人工智能方法。其中物理方法主要依赖于物理定律与大气中太阳辐射之间的相互作用。数值天气预报(numerical weather prediction,NWP)方法作为一种常用的物理方法被广泛地应用在新建立能源场的能源预测任务上,但是其高精度的预测结果往往需要依赖丰富的天气资源数据,如常规数值天气预报数据,全天影像图和卫星云图等。统计方法主要是利用大量的历史光伏数据,建立光伏功率与相关因素之间的映射关系来获得功率预测结果。常用的统计方法有季节性分析,自回归平均移动(autoregressive and moving average,ARMA),自回归综合平均移动(autoregressiveintegrated moving average,ARIMA)和多次回归分析等。
人工智能方法由于其优越的自学习能力被广泛地应用在各个领域,其在光伏功率预测领域也得到了广泛地发展,其中K邻近算法(K-nearest neighbir,KNN),支持向量机(support vector regression,SVR),多层感知机(multilayer perceptrons,MLP),循环神经网络(recurrent neural network,RNN)和卷积神经网络(convolutional neuralnetworks,CNN)都是典型的人工智能方法。
在2016年,GENSLER等人提出使用自编码器与长短时记忆网络(long-short-term-memory,LSTM)相结合的组合模型(AutoLSTM)用于对光伏功率实施预测。它首先通过自编码器独立地提取每个时刻光伏数据的空间特征,再将提取得到的空间特征,按照一定的时间步长送入到LSTM中用于提取数据的时序特征。通过对当下流行预测模型的对比可以发现,将时序特征与空间特征进行组合学习的组合模型往往会获得优于单一特征学习模型的预测性能。但是由于现有的光伏数据在空间维度上和时间维度上的数据都较为丰富,现有模型很难在空间维度和时间维度上同时进行较好的特征提取以及数据的利用并且做出更加准确的功率预测。
发明内容
本发明的目的是提供一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,克服现有技术中存在的上述技术问题。
为此,本发明提供的技术方案如下:
一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,先利用带注意力模块的一维卷积神经网络CNN提取光伏功率数据的空间特征,再利用长短时记忆网络LSTM对提取得到的空间特征进行时序特征学习,提取时序特征,并利用全连接层对提取得到的时序特征进行回归预测分析,得到最终的光伏功率预测结果。
所述一维卷积神经网络CNN包括四个卷积层和两个池化层,每两个卷积层后接入一个池化层,所述注意力模块嵌在第四个卷积层内。
具体过程如下:
步骤1)利用尺寸为M×N的移动窗口在光伏功率数据上截取尺寸为M×N的输入数据块;其中,M为光伏功率数据在时间维度上的长度,N为光伏功率数据集中变量的个数,其为固定值;
步骤2)利用带注意力模块的一维卷积神经网络CNN提取光伏功率数据的空间特征,得到特征图F;
步骤3)利用LSTM对提取得到的空间特征进行时序特征学习:将特征图F进行全局最大池化,得到每个滑动窗口的局部时空特征Si,并按照所有滑动窗口的时序关系,将S1,S2,…,SM依序拼接,然后将其送入到长短时记忆网络LSTM中进行时序特征提取,并利用全连接层对提取得到的特征进行回归预测分析,得到最终的光伏功率预测结果。
利用带注意力模块的一维卷积神经网络CNN提取光伏功率数据的空间特征的具体过程如下:
第一卷积层对输入数据块进行一维卷积操作输出特征图F1,第二卷积层对特征图F1进行一维卷积操作后输出特征图F2后,通过第一池化层对特征图F2进行一维最大值池化操作,然后由第三卷积层进行一维卷积操作后输出特征图F3,特征图F3分别流向了两个分支,第一分支是第四卷积层,通过一维卷积操作后输出特征图F4,另一分支通过注意力模块获得权重向量W,通过特征图F4和权重向量W得到特征图F。
带注意力模块包括一个池化层和一个softmax激活层。
所述一维卷积操作的表达式如下:
式中,f表示第x个卷积层的卷积操作,X则表示当前层的输入,Fx表示第x层的输出特征图,Conv<1×3>表示一维的卷积操作,该卷积的卷积核尺寸为1×3。
G=GMP1D(F3)
W=softmax(G)
式中,GMP1D表示最大池化操作,W表示由G经过softmax激活层激活的权重向量。
特征图F是通过特征图F4与该权重向量W进行点乘操作得到,表达式如下:F=F4·W。
本发明的有益效果是:
本发明提供的这种基于滑动窗口和局部时序特征的光伏发电功率预测方法,通过将带注意力模块的一维卷积网络与长短时记忆网络相结合,同步提取其空间和时间特征,以实现对光伏功率实施准确的短期预测。
本发明通过一维的卷积网络来提取多变量之间的相互关联性,并通过注意模块对其进行加权分配,使模型更加关注数据的重要特征,进一步提高了模型的有效性。
本发明在公开的光伏功率数据集GermanSolarFarm上与六种常用预测方法进行了对比试验,结果表明,本发明所有测试样本上的误差值更加集中,且更加趋向于0刻度线,通过定性的方式验证了CALSTM相比于其他方法的优越性。本发明可准确地拟合数据的周期分布规律,且在功率值接近于0时,可实现精准预测。
下面将结合附图做进一步详细说明。
附图说明
图1是本发明的网络结构示意图;
图2是不同方法在PV07上的预测误差分布;
图3是不同方法在PV16上的预测误差分布;
图4是本发明方法在PV07上部分预测值与真实曲线;
图5是本发明方法在PV16上部分预测值与真实曲线;
图6是实施例中的输入输出示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,本领域技术人员可由本说明书所揭示的内容轻易地了解本发明的其他优点及功效。
现参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
实施例1:
本实施例提供了一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,先利用带注意力模块的一维卷积神经网络CNN提取光伏功率数据的空间特征,再利用长短时记忆网络LSTM对提取得到的空间特征进行时序特征学习,提取时序特征,并利用全连接层对提取得到的时序特征进行回归预测分析,得到最终的光伏功率预测结果。
本发明针对于相关属性变量较多的光伏功率数据,并结合数据自身的特点,设计了一种带注意力模块的CNN与LSTM相结合的组合预测模型(CALSTM)用于实现对光伏功率的短期预测。CALSTM首先利用数据窗口在光伏功率数据上截取出尺寸为M×N的数据块,其中M为数据块在时间维度的长度,N为空间维度的长度。然后利用带有注意力机制的CNN对数据块在空间维度上执行一维卷积操作来提取数据的空间特征。在空间特征的基础上再利用LSTM提取数据的时序特征,并通过全连接层对时空特征进行回归预测分析以得到最终的光伏功率预测结果。
实施例2:
在实施例1的基础上,本实施例提供了一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,所述一维卷积神经网络CNN包括四个卷积层和两个池化层,每两个卷积层后接入一个池化层,所述注意力模块嵌在第四个卷积层内。
一维卷积神经网络共含有四个卷积层和两个池化层,另外为对最后一个卷积层提取得到的特征图进行通道权重的重分配而嵌入了注意力模块。
实施例3:
在实施例1的基础上,本实施例提供了一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,如图1所示,具体过程如下:
步骤1)利用尺寸为M×N的移动窗口在光伏功率数据上截取尺寸为M×N的输入数据块;其中,M为光伏功率数据在时间维度上的长度,N为光伏功率数据集中变量的个数,其为固定值;
步骤2)利用带注意力模块的一维卷积神经网络CNN提取光伏功率数据的空间特征,得到特征图F;
步骤3)利用LSTM对提取得到的空间特征进行时序特征学习:将特征图F进行全局最大池化,得到每个滑动窗口的局部时空特征Si,并按照所有滑动窗口的时序关系,将S1,S2,…,SM依序拼接,然后将其送入到长短时记忆网络LSTM中进行时序特征提取,并利用全连接层对提取得到的特征进行回归预测分析,得到最终的光伏功率预测结果。
实施例4:
在实施例1的基础上,本实施例提供了一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,利用带注意力模块的一维卷积神经网络CNN提取光伏功率数据的空间特征的具体过程如下:
第一卷积层对输入数据块进行一维卷积操作输出特征图F1,第二卷积层对特征图F1进行一维卷积操作后输出特征图F2后,通过第一池化层对特征图F2进行一维最大值池化操作,然后由第三卷积层进行一维卷积操作后输出特征图F3,特征图F3分别流向了两个分支,第一分支是第四卷积层,通过一维卷积操作后输出特征图F4,另一分支通过注意力模块获得权重向量W,通过特征图F4和权重向量W得到特征图F。
如图1所示,第三个卷积层出来的特征图F3分别流向了两个分支,其中第一个分支为第四个卷积层,用于得到特征图F4。第二个分支为注意力模块,用于获得权重向量W。
实施例5:
在实施例1或2的基础上,本实施例提供了一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,带注意力模块包括一个池化层和一个softmax激活层。
如图1所示,第三个卷积层出来的特征图F3流向第二个分支注意力模块后,先经过一维的全局最大值池化操作,再经过softmax激活层进行激活操作。
实施例6:
在实施例1或2或3或4或5的基础上,本实施例提供了一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,如图1所示,分为以下三个步骤:
1)利用数据窗口在光伏功率数据上截取模型的输入数据块。数据窗口的尺寸为M×N,其中M为数据在时间维度上的长度,其取值根据实验对比结果设定为4,N为光伏功率数据集中变量的个数,其为固定值。利用尺寸为M×N的数据窗口截取得到的数据块尺寸也为M×N。
2)利用带注意力机制的卷积网络提取光伏功率数据的空间特征。本文中设计的卷积模块共含有四个卷积层和两个池化层,另外为对最后一个卷积层提取得到的特征图进行通道权重的重分配而嵌入了注意力模块。图中标记为Conv<1×3>表示一维的卷积操作(该操作每次计算的数据在时间维度上的长度为1,在空间维度上的长度为3,Conv<1×3>每次只计算单个时刻的部分数据,所以Conv<1×3>是等价于一维卷积操作,该卷积的卷积核尺寸为1×3,具体地表达如下:
其中f表示第x个卷积层的卷积操作,X则表示当前层的输入,Fx表示第x层的输出。每两个卷积层后接入的是一个池化层,这里使用的是一维的最大值池化,采用MP1D<2>进行标记,其中2表示池化的步长。第三个卷积层出来的特征图F3分别流向了两个分支,其中第一个分支为第四个卷积层,用于得到特征图F4。第二个分支为注意力块,该注意力块中包含了一个池化层和一个softmax激活层,用于获得权重向量W。将第一个分支得到的特征图F4与该权重向量W进行点乘操作,以实现F4在通道上的权重重分配,从而让模型重点关注一些代表性的空间特征。具体的执行过程如下:
其中GMP1D表示一维的全局最大值池化操作,W表示由G经过softmax激活层激活的权重向量,F为将F4经过注意力块处理后得到的特征图。
3)利用LSTM对提取得到的空间特征进行时序特征学习。对经过权重分配的特征图F进行最后一次全局最大池化,得到每个滑动窗口的局部时空特征Si,并按照所有滑动窗口的时序关系,将S1,S2,…,SM依序拼接,,然后将其送入到LSTM中进行时序特征提取,并利用全连接层对提取得到的特征进行回归预测分析,得到最终的光伏功率预测结果。
如图6所示,本实施例中数据窗口的尺寸为(M,N),M经实验设置为4,是数据在时间维度上的长度,N固定为50,是光伏功率数据集中变量的个数。通过本发明最终得到光伏发电预测功率(图中,圆圈代表预测功率数值,(1,)表示数据的维度为一维)。
实施例7:
本实施例对本发明与六种常用预测方法进行了对比试验。
本发明预测结果分析
本发明在公开的光伏功率数据集GermanSolarFarm上进行了对比实验,GermanSolarFarm光伏功率数据集包含了德国的21个光伏设施,其装机额定功率在100kW至8500kW之间。这些光伏设施包括了从安装在屋顶上的光伏电池板到成熟的太阳能农场,它们分布在德国的不同地方,如图3所示。对于每一个设施,都有990天的历史数值天气预报数据和3小时分辨率的光伏发电量数据。数据集中的所有时间序列(测量的光伏功率输出除外)都使用最大最小值归一化在0和1之间。而目标变量,即测量的功率输出,使用相应光伏设施的标称输出容量进行了归一化。
评价指标:
为评估本发明模型(带注意力模块的CNN与LSTM相结合的组合预测模型CALSTM)的预测性能,使用2个误差指标,分别为平均绝对误差MAE和均方根误差RMSE,两者的值越小表明模型的预测效果越好。具体的计算公式如下所示:
式中,yi为实际的测量功率,yi′为模型的预测功率,N为评价过程中使用的样本量。
结果评价
为验证本发明所提出预测模型的有效性和鲁棒性,本实施例选取了六种常用的预测方法与CALSTM进行预测性能对比,其中包含三种经典的机器学习方法和三种经典的循环神经网络方法。表1展示了不同预测方法在21个光伏功率子数据集上的预测精度,由于RMSE相比于MAE而言,对误差更加敏感更能感知误差的变化,因此该表中主体选择性展示了不同方法的RMSE预测指标。
通过对比机器学习方法与深度学习方法的预测性能差异以及不同循环神经网络的预测表现,可以得出以下三点:1)基于神经网络方法的预测性能优于传统的机器学习方法,这充分说明了深度学习方法的自学习能力和在处理时序数据任务上的优越性。
2)具有复杂循环结构的深度模型要优于简单循环结构的深度模型。从表中可以看出,三种循环神经网络按预测性能由低到高依次是RNN,GRU和LSTM,且这三种循环神经网络的复杂度也是逐渐上升的,这充分说明了具有复杂循环结构的模型可以更好地记录数据在时间维度上的关联性。
3)GermanSolarFarm数据集在时间维度上体现出了长期的关联性和周期性。这一数据特性可从图4和图5中测量值曲线观察得到,也可以通过分析LSTM的特性以及它与另外两种循环神经网络的预测性能差异上得出。由于LSTM相比于RNN具有长期记忆的特性,且比GRU具有更丰富的门逻辑单元,这样使LSTM能够更好的学习得到数据的长期变化规律,这一点与数据本身体现出的分布特点是相辅相成的。
表1七种预测方法的预测精度比较
为验证CALSTM模型中注意力块的有效性,本文分析了CALSTM-at和CALSTM的预测性能差异,其中CALSTM-at表示在CALSTM中去掉注意力块得到的预测模型。从表1中最后两列数据上可以看出,CALSTM在21个子数据集上的预测性能要优于CALSTM-at,这充分说明了该注意力块对于提升CALSTM预测性能的有效助益作用。
为进一步说明CALSTM的有效性和优越性,本实施例对七种方法的真实预测误差进行可视化,并以箱线图的形式进行展示。真实预测误差标记为error,预测值为y’,测量值为y,则error可用如下式子表达:
error=y'-y (5)
图2和图3分别展示了七种预测方法在PV07和PV21上error的可视化箱线图,可以看出CALSTM在所有测试样本上的误差值更加集中,且更加趋向于0刻度线,该图通过定性的方式验证了CALSTM相比于其他方法的优越性。为展示CALSTM的光伏功率预测值和真实值之间的差异,本实施例特意选取CALSTM在PV07以及PV16上的预测结果进行了可视化展示。
图4和图5分别展示了CALSTM在PV07和PV16上部分预测值和真实值曲线,通过对比这两条曲线之间的差异和分布状态,可以得出以下两点发现:1)本文选取的光伏功率数据集具有明显的周期性,且以24小时为最小正周期。2)CALSTM可准确地拟合数据的周期分布规律,且在功率值接近于0时,可实现精准预测,但当功率值分布在峰值附近时,CALSTM的预测值则与真实值存在一定的差异。这也说明数据中峰值附近的数据集点为主要的突变点,规律性相比于零点附近的数据点较弱,这在一定程度上加大了预测的难度。
以上例举仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (8)
1.一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,其特征在于:先利用带注意力模块的一维卷积神经网络CNN提取光伏功率数据的空间特征,再利用长短时记忆网络LSTM对提取得到的空间特征进行时序特征学习,提取时序特征,并利用全连接层对提取得到的时序特征进行回归预测分析,得到最终的光伏功率预测结果。
2.根据权利要求1所述的一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,其特征在于:所述一维卷积神经网络CNN包括四个卷积层和两个池化层,每两个卷积层后接入一个池化层,所述注意力模块嵌在第四个卷积层内。
3.根据权利要求1所述的一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,其特征在于,具体过程如下:
步骤1)利用尺寸为M×N的移动窗口在光伏功率数据上截取尺寸为M×N的输入数据块;其中,M为光伏功率数据在时间维度上的长度,N为光伏功率数据集中变量的个数,其为固定值;
步骤2)利用带注意力模块的一维卷积神经网络CNN提取光伏功率数据的空间特征,得到特征图F;
步骤3)利用LSTM对提取得到的空间特征进行时序特征学习:将特征图F进行全局最大池化,得到每个滑动窗口的局部时空特征Si,并按照所有滑动窗口的时序关系,将S1,S2,…,SM依序拼接,然后将其送入到长短时记忆网络LSTM中进行时序特征提取,并利用全连接层对提取得到的特征进行回归预测分析,得到最终的光伏功率预测结果。
4.根据权利要求2所述的一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,其特征在于,利用带注意力模块的一维卷积神经网络CNN提取光伏功率数据的空间特征的具体过程如下:
第一卷积层对输入数据块进行一维卷积操作输出特征图F1,第二卷积层对特征图F1进行一维卷积操作后输出特征图F2后,通过第一池化层对特征图F2进行一维最大值池化操作,然后由第三卷积层进行一维卷积操作后输出特征图F3,特征图F3分别流向了两个分支,第一分支是第四卷积层,通过一维卷积操作后输出特征图F4,另一分支通过注意力模块获得权重向量W,通过特征图F4和权重向量W得到特征图F。
5.根据权利要求1或2所述的一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,其特征在于:带注意力模块包括一个池化层和一个softmax激活层。
8.根据权利要求4所述的一种基于滑动窗口和局部时序特征的光伏发电功率预测方法,其特征在于:特征图F是通过特征图F4与该权重向量W进行点乘操作得到,表达式如下:F=F4·W。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110079389.3A CN112784960A (zh) | 2021-01-21 | 2021-01-21 | 一种基于滑动窗口和局部时序特征的光伏发电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110079389.3A CN112784960A (zh) | 2021-01-21 | 2021-01-21 | 一种基于滑动窗口和局部时序特征的光伏发电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112784960A true CN112784960A (zh) | 2021-05-11 |
Family
ID=75758136
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110079389.3A Pending CN112784960A (zh) | 2021-01-21 | 2021-01-21 | 一种基于滑动窗口和局部时序特征的光伏发电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112784960A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886492A (zh) * | 2019-02-26 | 2019-06-14 | 浙江鑫升新能源科技有限公司 | 基于Attention LSTM的光伏发电功率预测模型及其构建方法 |
CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
KR20190113119A (ko) * | 2018-03-27 | 2019-10-08 | 삼성전자주식회사 | 합성곱 신경망을 위한 주의집중 값 계산 방법 |
CN112016736A (zh) * | 2020-07-29 | 2020-12-01 | 天津大学 | 基于门控卷积和注意力机制的光伏发电功率的控制方法 |
-
2021
- 2021-01-21 CN CN202110079389.3A patent/CN112784960A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190113119A (ko) * | 2018-03-27 | 2019-10-08 | 삼성전자주식회사 | 합성곱 신경망을 위한 주의집중 값 계산 방법 |
CN109886492A (zh) * | 2019-02-26 | 2019-06-14 | 浙江鑫升新能源科技有限公司 | 基于Attention LSTM的光伏发电功率预测模型及其构建方法 |
CN110059878A (zh) * | 2019-04-15 | 2019-07-26 | 中国计量大学 | 基于cnn lstm光伏发电功率预测模型及其构建方法 |
CN112016736A (zh) * | 2020-07-29 | 2020-12-01 | 天津大学 | 基于门控卷积和注意力机制的光伏发电功率的控制方法 |
Non-Patent Citations (1)
Title |
---|
谢宏文 等: "一种使用CALSTM模型进行短期光伏功率预测的方法", 《供用电》, vol. 37, no. 12, pages 61 - 66 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
Lin et al. | Short-term power prediction for photovoltaic power plants using a hybrid improved Kmeans-GRA-Elman model based on multivariate meteorological factors and historical power datasets | |
Kardakos et al. | Application of time series and artificial neural network models in short-term forecasting of PV power generation | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN109784473A (zh) | 一种基于双时序特征学习的短期风功率预测方法 | |
CN112016736B (zh) | 基于门控卷积和注意力机制的光伏发电功率的控制方法 | |
CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
CN104732296A (zh) | 一种分布式光伏输出功率短期预测模型建模方法 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
Pradhan et al. | Wind speed forecasting based on wavelet transformation and recurrent neural network | |
CN112100911A (zh) | 一种基于深度bisltm的太阳辐射预测方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
Benamrou et al. | A proposed model to forecast hourly global solar irradiation based on satellite derived data, deep learning and machine learning approaches | |
Li et al. | Temporal attention based tcn-bigru model for energy time series forecasting | |
Kaur et al. | Solar power forecasting using ordinary least square based regression algorithms | |
CN111275238A (zh) | 基于每时晴空指数的大规模电站光伏出力序列生成方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
KR20230076695A (ko) | 태양광 주기성에 적합한 시간 변수를 반영한 태양광 발전량 예측 장치 및 방법 | |
Zhang et al. | A deep learning method for real-time bias correction of wind field forecasts in the Western North Pacific | |
Suzuki et al. | Forecasting of solar irradiance with just‐in‐time modeling | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN112784960A (zh) | 一种基于滑动窗口和局部时序特征的光伏发电功率预测方法 | |
Symeonidis et al. | Wind Energy Prediction Guided by Multiple-Location Weather Forecasts | |
Mutaz et al. | Solar radiation prediction using radial basis function models | |
Zhang et al. | Correntropy‐based parameter estimation for photovoltaic array model considering partial shading condition |
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 |