CN113011674A - 一种光伏发电预测方法、装置、电子设备及存储介质 - Google Patents
一种光伏发电预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113011674A CN113011674A CN202110354693.4A CN202110354693A CN113011674A CN 113011674 A CN113011674 A CN 113011674A CN 202110354693 A CN202110354693 A CN 202110354693A CN 113011674 A CN113011674 A CN 113011674A
- Authority
- CN
- China
- Prior art keywords
- power generation
- long
- term memory
- memory network
- short term
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000015654 memory Effects 0.000 claims abstract description 85
- 230000007246 mechanism Effects 0.000 claims abstract description 54
- 239000011159 matrix material Substances 0.000 claims description 31
- 239000013598 vector Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000010219 correlation analysis Methods 0.000 claims description 13
- 230000006403 short-term memory Effects 0.000 claims description 10
- 230000007787 long-term memory Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供一种光伏发电预测方法、装置、电子设备及存储介质,该方法包括:获取多个周期的气象数据;计算出气象数据出在多个周期中每个周期的加权系数,获得多个加权系数;使用基于注意力机制的长短期记忆网络模型根据多个加权系数预测出光伏电板在下一个周期的发电量。在上述的实现过程中,通过基于注意力机制的长短期记忆网络模型捕捉到每种气象数据在不同周期中对预测周期发电量的影响程度,使得长短期记忆网络模型更加注意气象数据在不同周期的权重,也更加注意在相同周期内不同种类气象数据的权重,从而提高了预测光伏电板在下一个周期的发电量的准确率。
Description
技术领域
本申请涉及深度学习和光伏发电预测的技术领域,具体而言,涉及一种光伏发电预测方法、装置、电子设备及存储介质。
背景技术
目前,常见的光伏发电量的预测方法主要是基于统计学的方法;具体例如:使用统计学算法从大量的光伏发电功率时间序列和组件温度时间序列的历史数据中,分析出光伏发电功率时间序列走向趋势,从而搭建出反应该光伏发电功率时间序列规律的统计学模型,并使用该统计学模型来实现对未来光伏发电量的预测。然而,在具体的实践过程中发现,传统的基于统计学的方法难以准确地预测出光伏电板在下一个周期的发电量。
发明内容
本申请实施例的目的在于提供一种光伏发电预测方法、装置、电子设备及存储介质,用于改善难以准确地预测出光伏电板在下一个周期的发电量的问题。
本申请实施例提供了一种光伏发电预测方法,包括:获取多个周期的气象数据;计算出气象数据出在多个周期中每个周期的加权系数,获得多个加权系数;使用基于注意力机制的长短期记忆网络模型根据多个加权系数预测出光伏电板在下一个周期的发电量。在上述的实现过程中,通过计算出气象数据出在多个周期中每个周期的加权系数,获得多个加权系数,并使用基于注意力机制的长短期记忆网络模型根据多个加权系数预测出光伏电板在下一个周期的发电量,有效地捕捉到每种气象数据在不同周期中对预测周期发电量的影响程度,使得长短期记忆网络模型更加注意气象数据在不同周期的权重,也更加注意在相同周期内不同种类气象数据的权重,有效地避免了仅仅从光伏发电功率或者组件温度等时间序列中分析发电量的规律,从而提高了预测光伏电板在下一个周期的发电量的准确率。
可选地,在本申请实施例中,计算出气象数据出在多个周期中每个周期的加权系数,包括:计算出气象数据在每个周期的隐藏状态参数,获得隐藏状态矩阵;对隐藏状态矩阵进行计算,获得气象数据在多个周期中每个周期的加权系数。在上述的实现过程中,通过计算出气象数据出在多个周期中每个周期的加权系数,获得多个加权系数,并使用基于注意力机制的长短期记忆网络模型根据多个加权系数预测出光伏电板在下一个周期的发电量,有效地捕捉到每种气象数据在不同周期中对预测周期发电量的影响程度,从而提高了预测光伏电板在下一个周期的发电量的准确率。
可选地,在本申请实施例中,使用基于注意力机制的长短期记忆网络模型根据多个加权系数预测出光伏电板在下一个周期的发电量,包括:从长短期记忆网络模型中获取下一个周期的隐藏状态参数,并对多个加权系数和隐藏状态矩阵进行线性计算,获得上下文向量;使用长短期记忆网络模型对下一个周期的隐藏状态参数和上下文向量进行线性计算,获得光伏电板在下一个周期的发电量。在上述的实现过程中,通过对多个加权系数和隐藏状态矩阵进行线性计算,并使用长短期记忆网络模型对下一个周期的隐藏状态参数和上下文向量进行线性计算,有效地捕捉到每种气象数据在不同周期中对预测周期发电量的影响程度,从而提高了预测光伏电板在下一个周期的发电量的准确率。
可选地,在本申请实施例中,在使用基于注意力机制的长短期记忆网络模型根据多个加权系数预测出光伏电板在下一个周期的发电量之前,还包括:获取多个周期的发电量数据;对气象数据与发电量数据之间的相关性进行分析,获得相关性分析结果;若相关性分析结果是动态变化的,则在长短期记忆网络加入注意力机制,获得注意力机制加入后的长短期记忆网络。在上述的实现过程中,通过在相关性分析结果是动态变化的情况下,才在长短期记忆网络加入注意力机制,从而使得注意力记载能够有效地捕捉到每种气象数据在不同周期中对预测周期发电量的影响程度,从而提高了预测光伏电板在下一个周期的发电量的准确率。
可选地,在本申请实施例中,在获得注意力机制加入后的长短期记忆网络之后,还包括:获取气象数据样本和发电量数据样本;以气象数据样本为训练数据,以发电量数据样本为训练标签,对注意力机制加入后的长短期记忆网络进行训练,获得长短期记忆网络模型。
可选地,在本申请实施例中,气象数据包括:温度数据、湿度数据和/或风速数据。
可选地,在本申请实施例中,长短期记忆网络模型是双向长短记忆网络模型。
本申请实施例还提供了一种光伏发电预测装置,包括:气象数据获取模块,用于获取多个周期的气象数据;加权系数获得模块,用于计算出气象数据出在多个周期中每个周期的加权系数,获得多个加权系数;周期发电预测模块,用于使用基于注意力机制的长短期记忆网络模型根据多个加权系数预测出光伏电板在下一个周期的发电量。
可选地,在本申请实施例中,加权系数获得模块,包括:状态矩阵获得模块,用于计算出气象数据在每个周期的隐藏状态参数,获得隐藏状态矩阵;状态矩阵计算模块,用于对隐藏状态矩阵进行计算,获得气象数据在多个周期中每个周期的加权系数。
可选地,在本申请实施例中,周期发电预测模块,包括:参数向量获得模块,用于从长短期记忆网络模型中获取下一个周期的隐藏状态参数,并对多个加权系数和隐藏状态矩阵进行线性计算,获得上下文向量;参数向量计算模块,用于使用长短期记忆网络模型对下一个周期的隐藏状态参数和上下文向量进行线性计算,获得光伏电板在下一个周期的发电量。
可选地,在本申请实施例中,光伏发电预测装置,还包括:发电数据获取模块,用于获取多个周期的发电量数据;分析结果获得模块,用于对气象数据与发电量数据之间的相关性进行分析,获得相关性分析结果;注意机制加入模块,用于若相关性分析结果是动态变化的,则在长短期记忆网络加入注意力机制,获得注意力机制加入后的长短期记忆网络。
可选地,在本申请实施例中,光伏发电预测装置,还包括:数据样本获取模块,用于获取气象数据样本和发电量数据样本;网络模型训练模块,用于以气象数据样本为训练数据,以发电量数据样本为训练标签,对注意力机制加入后的长短期记忆网络进行训练,获得长短期记忆网络模型。
本申请实施例还提供了一种电子设备,包括:处理器和存储器,存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行如上面描述的方法。
本申请实施例还提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上面描述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出的本申请实施例提供的光伏发电预测方法的流程示意图;
图2示出的本申请实施例提供的发电量与温度数据的关系分析示意图;
图3示出的本申请实施例提供的发电量与湿度数据的关系分析示意图;
图4示出的本申请实施例提供的发电量与风速数据的关系分析示意图;
图5示出的本申请实施例提供的不同周期的温度、湿度、风速与发电量的皮尔逊相关性示意图;
图6示出的本申请实施例提供的注意力机制加入后的长短期记忆网络的网络结构示意图;
图7示出的本申请实施例提供的光伏发电预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整的描述。
在介绍本申请实施例提供的光伏发电预测方法之前,先介绍本申请实施例中所涉及的一些概念:
注意力机制(Attention Mechanism)源于对人类视觉的研究;在认知科学中,由于信息处理的瓶颈,人类会选择性地关注所有信息的一部分,同时忽略其他可见的信息;上述机制通常被称为注意力机制。
长短期记忆(Long Short-Term Memory,LSTM)网络,是一种时间递归神经网络,也是一种循环神经网络,适合于处理和预测时间序列中间隔和延迟相对较长的重要特征。
双向长短记忆(Bidirectional Long Short-Term Memory,Bi-LSTM)网络模型,是指一种与LSTM类似的神经网络结构,此处的Bi-LSTM模型相比与LSTM模型来说,区别在于不同于LSTM模型隐藏层的单向传播,Bi-LSTM模型包含两个相互独立的隐藏层,这里的两个相互独立的隐藏层就是前向LSTM网络和后向LSTM网络,前向LSTM网络传播方向和后向LSTM网络的传播方向是相反的。
Pearson相关性系数(Pearson Correlation Coefficient)是用来衡量两个数据集合是否在一条线上面,Pearson相关性系数可以用来衡量定距变量间的线性关系。Pearson相关性系数是衡量向量相似度的一种方法,其取值范围是从-1到+1,其中,取值为零代表没有相关性,取值为负数代表负相关性,取值为正数代表正相关性。
服务器是指通过网络提供计算服务的设备,服务器例如:x86服务器以及非x86服务器,非x86服务器包括:大型机、小型机和UNIX服务器。
需要说明的是,本申请实施例提供的光伏发电预测方法可以被电子设备执行,这里的电子设备是指具有执行计算机程序功能的设备终端或者上述的服务器,设备终端例如:智能手机、个人电脑(personal computer,PC)、平板电脑、个人数字助理(personaldigital assistant,PDA)或者移动上网设备(mobile Internet device,MID)等。
在介绍本申请实施例提供的光伏发电预测方法之前,先介绍该光伏发电预测方法适用的应用场景,这里的应用场景包括但不限于:由于其受气象因素影响较大,光伏产能曲线波动较大,光伏电能并网时会对电网造成安全问题,使用上述光伏发电预测方法可以有效地提高光伏发电的准确率,准确地预测光伏发电可以有效解决并网安全问题等。
由于传统注意力机制通常仅仅是对当前时刻之前的多个周期(即时间步)中的参数进行加权,然而在同一周期内的多种参数权重是相同的。实际上,每种参数变量对需要预测的周期发电量影响程度并不相同,通过计算每种参数变量与需要预测周期的发电量之间的Pearson相关系数,再根据Pearson相关系数绘制折线图后发现,不同气象参数变量与发电量之间并无明显线性关系,也就是说,不同周期的不同气象因素与发电量之间的相关性是动态变化的,因此,在同一周期内的多种参数权重应该是不相同的。基于这一发现,在长短期记忆网络模型加入了注意力机制,使得加入注意力机制后的长短期记忆网络模型能够捕捉到多种气象数据中的每种在不同周期中对预测周期发电量的影响程度,从而提高预测光伏发电量的准确率。
请参见图1示出的本申请实施例提供的光伏发电预测方法的流程示意图;该光伏发电预测方法的主要思路是,通过基于注意力机制的长短期记忆网络模型捕捉到每种气象数据在不同周期中对预测周期发电量的影响程度,使得长短期记忆网络模型更加注意气象数据在不同周期的权重,也更加注意在相同周期内不同种类气象数据的权重,有效地避免了仅仅从光伏发电功率或者组件温度等时间序列中分析发电量的规律,从而提高了预测光伏电板在下一个周期的发电量的准确率;上述的光伏发电预测方法可以包括:
步骤S110:获取多个周期的气象数据。
气象数据(Meteorological Data)是反映天气的一组时序数据;其中,气象数据可以包括:温度数据、湿度数据和/或风速数据等等。
上述步骤S110中的气象数据的获取方式有很多种,包括但不限于:第一种获得方式,使用传感器采集气象数据,例如:使用湿度传感器、温度传感器和风速传感器分别采集温度数据、湿度数据和风速数据;第二种实施方式,接收其它终端设备发送的气象数据,将气象数据存储至文件系统、数据库或移动存储设备中;第三种获得方式,获取预先存储的气象数据,具体例如:从文件系统中获取气象数据,或者从数据库中获取气象数据,或者从移动存储设备中获取气象数据。
在步骤S110之后,执行步骤S120:计算出气象数据出在多个周期中每个周期的加权系数,获得多个加权系数。
上述的步骤S120的实施方式可以包括:
步骤S121:使用公式计算出气象数据在每个周期的隐藏状态参数,获得隐藏状态矩阵;其中,C表示记忆细胞的信息,是隐藏状态矩阵的第i行向量中包含第j个变量的记忆细胞信息,得到的隐状态矩阵可以表示为H={ht-w,ht-w+1,……,ht-1},t是气象数据的周期总数,w是滑动窗口宽度,l是当前周期数。
步骤S122:使用公式对隐藏状态矩阵进行计算,获得气象数据在多个周期中每个周期的加权系数;其中,C表示记忆细胞的信息,是隐藏状态矩阵的第i行向量中的记忆细胞信息,ht表示第t个隐藏状态参数,Wa是隐藏状态矩阵与隐藏状态参数之间的矩阵权重,αi表示第i个周期的加权系数。
在步骤S120之后,执行步骤S130:使用基于注意力机制的长短期记忆网络模型根据多个加权系数预测出光伏电板在下一个周期的发电量。
在具体的实施过程中,可以使用基于注意力机制的长短期记忆网络模型对气象数据下的光伏发电量进行预测,由于基于注意力机制的长短期记忆网络模型能够采集到不同时刻的不同气象因素与发电量之间的相关性信息,因此,上述的基于注意力机制的长短期记忆网络模型又可以被称为多气象因素加权预测模型(Multi-Weather factor Weightedprediction Model,MWWM));其中,上述的长短期记忆网络模型可以采用Bi-LSTM网络模型。在使用基于注意力机制的长短期记忆网络模型之前,需要先将注意力机制加入到长短期记忆网络模型中,注意力机制的加入过程可以包括以下步骤:
步骤S131:获取多个周期的发电量数据。
上述步骤S131的实施方式包括:第一种获得方式,使用传感器获取每个周期的电流和电压等数据,并根据电流和电压等数据计算出发电量数据,从而获得多个周期的发电量数据;第二种实施方式,接收其它终端设备发送的发电量数据,将发电量数据存储至文件系统、数据库或移动存储设备中;第三种获得方式,获取预先存储的发电量数据,具体例如:从文件系统中获取发电量数据,或者从数据库中获取发电量数据,或者从移动存储设备中获取发电量数据;第四种获得方式,使用浏览器等软件获取互联网上的发电量数据。
步骤S132:对气象数据与发电量数据之间的相关性进行分析,获得相关性分析结果。
在进行相关性分析之前,还可以对气象数据与发电量的关系进行分析,请参见图2示出的本申请实施例提供的发电量与温度数据的关系分析示意图,请参见图3示出的本申请实施例提供的发电量与湿度数据的关系分析示意图,请参见图4示出的本申请实施例提供的发电量与风速数据的关系分析示意图。上述步骤S132的实施方式例如:在上面已经提到气象数据可以包括:温度数据、湿度数据和风速数据;可以分别根据温度数据、湿度数据和风速数据的历史数据来分析温度数据、湿度数据和风速数据与发电量数据之间的关系分析,从图2至图4可以看出气象因素与发电量之间的关系包括:温度与发电量有着比较明显的正关系趋势,而湿度与发电量有着比较明显的负关系趋势,然而,风速从整体上与发电量是负关系趋势,但是不是很明显。
请参见图5示出的本申请实施例提供的不同周期的温度、湿度、风速与发电量的皮尔逊相关性示意图;在具体的实践过程中,还可以使用Pearson相关性系数对气象数据与发电量数据之间的相关性进行分析,从图5可以看出,温度、湿度、风速与发电量之间并没有明显的线性关系,不同周期下的不同气象因素与发电量之间的相关性是动态变化的;其中,此处的周期可以根据具体情况进行设置,可以将周期设置为一秒、三秒或者十秒等,当然也可以将周期设置为1分钟、3分钟或者5分钟等等。
步骤S133:若相关性分析结果是动态变化的,则在长短期记忆网络加入注意力机制,获得注意力机制加入后的长短期记忆网络。
上述步骤S133的实施方式例如:由于相关性分析结果是动态变化的,即温度、湿度和风速与发电量之间并没有明显的线性关系,说明温度、湿度和风速等等气象因素对后续周期(时间步)的发电量预测影响程度并不同,因此,在长短期记忆网络加入注意力机制,使得同一周期(时间步)上不同变量有着不同的加权系数,这些不同的加权系数作为长短期记忆网络的输入,此处的不同变量可以是隐藏状态矩阵中的不同行向量。
可选地,在本申请实施例中,在注意力机制的加入之后,还需要对注意力机制加入后的长短期记忆网络进行训练,模型训练的过程可以包括:
步骤S134:获取气象数据样本和发电量数据样本。
其中,该步骤S134的实施原理和实施方式与步骤S110及步骤S131的实施原理和实施方式是类似的,因此,这里不再说明其实施原理和实施方式,如有不清楚的地方,可以参考对步骤S110及步骤S131的描述。
步骤S135:以气象数据样本为训练数据,以发电量数据样本为训练标签,对注意力机制加入后的长短期记忆网络进行训练,获得长短期记忆网络模型。
上述步骤S135的实施方式例如:以气象数据样本为训练数据,以发电量数据样本为训练标签,使用监督式学习(Supervised Learning)方式或者半监督学习(Semi-Supervised Learning)对注意力机制加入后的长短期记忆网络进行训练,获得长短期记忆网络模型。
上述步骤S130的实施方式可以包括:
步骤S136:从长短期记忆网络模型中获取下一个周期的隐藏状态参数,并对多个加权系数和隐藏状态矩阵进行线性计算,获得上下文向量。
请参见图6示出的本申请实施例提供的注意力机制加入后的长短期记忆网络的网络结构示意图;图中左侧的h代表一个周期(即时间步),例如:ht-1代表的是t-1周期的时间步,t是气象数据的周期总数,w是滑动窗口宽度。传统的LSTM在同一个周期内赋予气象因素相同的权重(即图6中选择一个垂直实线方框的所有气象因素作为变量),而本申请实施例提供的注意力机制加入后的LSTM是将不同周期的不同气象因素赋予不同的权重(即图6中选择每个水平虚线方框的一个气象因素作为变量)。
上述步骤S136的实施方式例如:从长短期记忆网络模型中获取下一个周期的隐藏状态参数,并使用公式对多个加权系数和隐藏状态矩阵进行线性计算,获得上下文向量;其中,αi表示第i个周期的加权系数,是隐藏状态矩阵的第i行向量中的记忆细胞信息,C表示记忆细胞的信息,vt是隐藏状态矩阵的上下文向量。
步骤S137:使用长短期记忆网络模型对下一个周期的隐藏状态参数和上下文向量进行线性计算,获得光伏电板在下一个周期的发电量。
上述的步骤S137的实施方式例如:使用长短期记忆网络模型对下一个周期的隐藏状态参数和上下文向量进行线性计算,获得光伏电板在下一个周期的发电量,上述线性计算的过程可以使用下面的公式表示:
其中,ht表示第t个隐藏状态参数,vt是隐藏状态矩阵的上下文向量,Wh、Wv和wh均表示矩阵的变换参数,h’ t表示第t个中间状态参数,△表示一个用于调整预测第几周期发电量的固定值,可以根据具体情况设置,例如设置为1或者2。
在上述的实现过程中,通过计算出气象数据出在多个周期中每个周期的加权系数,获得多个加权系数,并使用基于注意力机制的长短期记忆网络模型根据多个加权系数预测出光伏电板在下一个周期的发电量,有效地捕捉到每种气象数据在不同周期中对预测周期发电量的影响程度,使得长短期记忆网络模型更加注意气象数据在不同周期的权重,也更加注意在相同周期内不同种类气象数据的权重,有效地避免了仅仅从光伏发电功率或者组件温度等时间序列中分析发电量的规律,从而提高了预测光伏电板在下一个周期的发电量的准确率。
请参见图7示出的本申请实施例提供的光伏发电预测装置的结构示意图。本申请实施例提供了一种光伏发电预测装置200,包括:
气象数据获取模块210,用于获取多个周期的气象数据。
加权系数获得模块220,用于计算出气象数据出在多个周期中每个周期的加权系数,获得多个加权系数。
周期发电预测模块230,用于使用基于注意力机制的长短期记忆网络模型根据多个加权系数预测出光伏电板在下一个周期的发电量。
可选地,在本申请实施例中,加权系数获得模块,包括:
状态矩阵获得模块,用于计算出气象数据在每个周期的隐藏状态参数,获得隐藏状态矩阵。
状态矩阵计算模块,用于对隐藏状态矩阵进行计算,获得气象数据在多个周期中每个周期的加权系数。
可选地,在本申请实施例中,周期发电预测模块,包括:
参数向量获得模块,用于从长短期记忆网络模型中获取下一个周期的隐藏状态参数,并对多个加权系数和隐藏状态矩阵进行线性计算,获得上下文向量。
参数向量计算模块,用于使用长短期记忆网络模型对下一个周期的隐藏状态参数和上下文向量进行线性计算,获得光伏电板在下一个周期的发电量。
可选地,在本申请实施例中,光伏发电预测装置,还可以包括:
发电数据获取模块,用于获取多个周期的发电量数据。
分析结果获得模块,用于对气象数据与发电量数据之间的相关性进行分析,获得相关性分析结果。
注意机制加入模块,用于若相关性分析结果是动态变化的,则在长短期记忆网络加入注意力机制,获得注意力机制加入后的长短期记忆网络。
可选地,在本申请实施例中,该光伏发电预测装置,还可以包括:
数据样本获取模块,用于获取气象数据样本和发电量数据样本。
网络模型训练模块,用于以气象数据样本为训练数据,以发电量数据样本为训练标签,对注意力机制加入后的长短期记忆网络进行训练,获得长短期记忆网络模型。
应理解的是,该装置与上述的光伏发电预测方法实施例对应,能够执行上述方法实施例涉及的各个步骤,该装置具体的功能可以参见上文中的描述,为避免重复,此处适当省略详细描述。该装置包括至少一个能以软件或固件(firmware)的形式存储于存储器中或固化在装置的操作系统(operating system,OS)中的软件功能模块。
本申请实施例提供的一种电子设备,包括:处理器和存储器,存储器存储有处理器可执行的机器可读指令,机器可读指令被处理器执行时执行如上的方法。
本申请实施例还提供了一种存储介质,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上的方法。
其中,存储介质可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-OnlyMemory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
本申请实施例提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其他的方式实现。以上所描述的装置实施例仅是示意性的,例如,附图中的流程图和框图显示了根据本申请实施例的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以和附图中所标注的发生顺序不同。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这主要根据所涉及的功能而定。
另外,在本申请实施例中的各个实施例的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上的描述,仅为本申请实施例的可选实施方式,但本申请实施例的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请实施例揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请实施例的保护范围之内。
Claims (10)
1.一种光伏发电预测方法,其特征在于,包括:
获取多个周期的气象数据;
计算出所述气象数据出在所述多个周期中每个周期的加权系数,获得多个加权系数;
使用基于注意力机制的长短期记忆网络模型根据所述多个加权系数预测出光伏电板在下一个周期的发电量。
2.根据权利要求1所述的方法,其特征在于,所述计算出所述气象数据出在所述多个周期中每个周期的加权系数,包括:
计算出所述气象数据在每个周期的隐藏状态参数,获得隐藏状态矩阵;
对所述隐藏状态矩阵进行计算,获得所述气象数据在所述多个周期中每个周期的加权系数。
3.根据权利要求2所述的方法,其特征在于,所述使用基于注意力机制的长短期记忆网络模型根据所述多个加权系数预测出光伏电板在下一个周期的发电量,包括:
从所述长短期记忆网络模型中获取所述下一个周期的隐藏状态参数,并对所述多个加权系数和所述隐藏状态矩阵进行线性计算,获得上下文向量;
使用所述长短期记忆网络模型对所述下一个周期的隐藏状态参数和所述上下文向量进行线性计算,获得所述光伏电板在下一个周期的发电量。
4.根据权利要求1所述的方法,其特征在于,在所述使用基于注意力机制的长短期记忆网络模型根据所述多个加权系数预测出光伏电板在下一个周期的发电量之前,还包括:
获取所述多个周期的发电量数据;
对所述气象数据与所述发电量数据之间的相关性进行分析,获得相关性分析结果;
若所述相关性分析结果是动态变化的,则在所述长短期记忆网络加入所述注意力机制,获得注意力机制加入后的长短期记忆网络。
5.根据权利要求4所述的方法,其特征在于,在所述获得注意力机制加入后的长短期记忆网络之后,还包括:
获取气象数据样本和发电量数据样本;
以所述气象数据样本为训练数据,以所述发电量数据样本为训练标签,对所述注意力机制加入后的长短期记忆网络进行训练,获得所述长短期记忆网络模型。
6.根据权利要求1-5任一所述的方法,其特征在于,所述气象数据包括:温度数据、湿度数据和/或风速数据。
7.根据权利要求1-5任一所述的方法,其特征在于,所述长短期记忆网络模型是双向长短记忆网络模型。
8.一种光伏发电预测装置,其特征在于,包括:
气象数据获取模块,用于获取多个周期的气象数据;
加权系数获得模块,用于计算出所述气象数据出在所述多个周期中每个周期的加权系数,获得多个加权系数;
周期发电预测模块,用于使用基于注意力机制的长短期记忆网络模型根据所述多个加权系数预测出光伏电板在下一个周期的发电量。
9.一种电子设备,其特征在于,包括:处理器和存储器,所述存储器存储有所述处理器可执行的机器可读指令,所述机器可读指令被所述处理器执行时执行如权利要求1至7任一所述的方法。
10.一种存储介质,其特征在于,该存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如权利要求1至7任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354693.4A CN113011674A (zh) | 2021-03-31 | 2021-03-31 | 一种光伏发电预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110354693.4A CN113011674A (zh) | 2021-03-31 | 2021-03-31 | 一种光伏发电预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113011674A true CN113011674A (zh) | 2021-06-22 |
Family
ID=76387615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110354693.4A Pending CN113011674A (zh) | 2021-03-31 | 2021-03-31 | 一种光伏发电预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113011674A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228500A (zh) * | 2023-05-08 | 2023-06-06 | 云门(深圳)技术有限公司 | 气象软件的数据处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059082A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
CN110148068A (zh) * | 2019-05-23 | 2019-08-20 | 福州大学 | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 |
CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
CN111915059A (zh) * | 2020-06-29 | 2020-11-10 | 西安理工大学 | 基于注意力机制的Seq2seq泊位占有率预测方法 |
-
2021
- 2021-03-31 CN CN202110354693.4A patent/CN113011674A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110059082A (zh) * | 2019-04-17 | 2019-07-26 | 东南大学 | 一种基于1D-CNN与Bi-LSTM的天气预测方法 |
CN110148068A (zh) * | 2019-05-23 | 2019-08-20 | 福州大学 | 一种基于气象数据相似度分析和lstm神经网络实现光伏电站超短期功率预测方法 |
CN110909919A (zh) * | 2019-11-07 | 2020-03-24 | 哈尔滨工程大学 | 融合注意力机制的深度神经网络模型的光伏功率预测方法 |
CN111915059A (zh) * | 2020-06-29 | 2020-11-10 | 西安理工大学 | 基于注意力机制的Seq2seq泊位占有率预测方法 |
Non-Patent Citations (1)
Title |
---|
王竹荣等: "基于注意力机制的泊位占有率预测模型研究", 《通信学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116228500A (zh) * | 2023-05-08 | 2023-06-06 | 云门(深圳)技术有限公司 | 气象软件的数据处理方法 |
CN116228500B (zh) * | 2023-05-08 | 2023-07-25 | 云门(深圳)技术有限公司 | 气象软件的数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
CN114006826B (zh) | 一种融合流量特征的网络流量预测方法 | |
CN114285728B (zh) | 一种预测模型训练方法、流量预测方法、装置及存储介质 | |
Yu et al. | Improved convolutional neural network‐based quantile regression for regional photovoltaic generation probabilistic forecast | |
CN115347571B (zh) | 基于迁移学习的光伏发电功率短期预测方法及装置 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN115225520B (zh) | 一种基于元学习框架的多模态网络流量预测方法及装置 | |
CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
CN114330647A (zh) | 模型训练方法、装置及硅棒重量预测方法 | |
CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
CN111667024A (zh) | 内容推送方法、装置、计算机设备和存储介质 | |
CN113011674A (zh) | 一种光伏发电预测方法、装置、电子设备及存储介质 | |
CN114118570A (zh) | 业务数据预测方法及装置、电子设备和存储介质 | |
CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
CN117540336A (zh) | 时间序列预测方法、装置及电子设备 | |
Xu et al. | Residual autoencoder-LSTM for city region vehicle emission pollution prediction | |
CN115936236A (zh) | 一种卷烟厂能耗预测方法、系统、设备及介质 | |
CN116434569A (zh) | 基于stnr模型的交通流量预测方法及系统 | |
CN111461416B (zh) | 风速预测方法、系统、电子设备及存储介质 | |
Sanz-Alcaine et al. | Online voltage prediction using gaussian process regression for fault-tolerant photovoltaic standalone applications | |
CN112787882A (zh) | 一种物联网边缘流量预测方法、装置及设备 | |
CN112732777A (zh) | 基于时间序列的头寸预测方法、装置、设备和介质 | |
CN112734125A (zh) | 一种光伏出力预测方法、装置和电子设备 | |
Ziyabari et al. | Short-term solar irradiance forecasting based on self-attentive transformers | |
An et al. | Enhancement of Healthcare Data Performance Metrics using Neural Network Machine Learning Algorithms |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210622 |