CN113128762B - 一种多源异构数据的短期光伏发电功率预测方法及系统 - Google Patents

一种多源异构数据的短期光伏发电功率预测方法及系统 Download PDF

Info

Publication number
CN113128762B
CN113128762B CN202110419476.9A CN202110419476A CN113128762B CN 113128762 B CN113128762 B CN 113128762B CN 202110419476 A CN202110419476 A CN 202110419476A CN 113128762 B CN113128762 B CN 113128762B
Authority
CN
China
Prior art keywords
data
input
module
output
decoder
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.)
Active
Application number
CN202110419476.9A
Other languages
English (en)
Other versions
CN113128762A (zh
Inventor
王珏
姚铁锤
王晓光
刘晓艳
许可
王彦棡
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Computer Network Information Center of CAS
Original Assignee
Computer Network Information Center of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Computer Network Information Center of CAS filed Critical Computer Network Information Center of CAS
Priority to CN202110419476.9A priority Critical patent/CN113128762B/zh
Publication of CN113128762A publication Critical patent/CN113128762A/zh
Application granted granted Critical
Publication of CN113128762B publication Critical patent/CN113128762B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Databases & Information Systems (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Photovoltaic Devices (AREA)
  • Image Analysis (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种多源异构数据的短期光伏发电功率预测方法及系统，该方法包括：接收非结构化数据的输入，经过Res‑Unet模型得到未来非结构化数据特征图，其中特征图作为解码器中注意力机制和长短期记忆网络模块的输入；所述编码器模块同时接收结构化数据的输入，经过编码器模块的长短期记忆网络和注意力机制模块后，得到结构化数据特征图，然后与非结构化数据特征图融合，输入到解码器模块；接收结构化数据特征图与非结构化数据特征图融合后的特征，通过注意力机制和长短期记忆网络模块对其解码后，得到未来时刻的光伏出力。

Description

一种多源异构数据的短期光伏发电功率预测方法及系统
技术领域
本发明涉及短期光伏发电功率预测技术，具体涉及一种多源异构数据的短期光伏发电功率预测方法及系统。
背景技术
近二十年全球变暖不断加剧，极端灾害频发，面对迫在眉睫的气候危机，建成以新能源和可再生能源为主体的可持续能源体系是必然的改革方向。太阳能开发利用已经成为全球能源转型的重要领域，光伏发电全面进入规模化发展阶段，呈现出良好的发展前景。光伏发电具有清洁环保、投资成本低等优点，准确的预测光伏发电功率可以提高光伏电站运营效率，帮助电网调度部门及时调整运行方式，提升电网运行的安全性，经济性和稳定性。
然而由于光伏发电出力受气象等因素影响较大，其较强的间歇性和波动性使得高比例光伏接入后给电力系统造成巨大的冲击与挑战。间接的预测方法将气象数据作为输入，构建辐射预测模型和光转电模型从而预测光伏输出功率，这种方法难以同时获取结构化数据和非结构化数据的特征且预测精度较低。将多源异构的数据如数值天气预报(Numerical Weather Prediction,NWP)，多传感器数值(Multi-Sensor Value,MSV)、卫星云图的短波辐射图(Short Wave Radiant,SWR)、历史光伏出力等同时作为预测模型的输入是一种更为精确的光伏出力直接预测方法。
发明内容
本发明的目的在于，提供一种基于多源异构数据的短期光伏发电功率预测方法，能够同时支持结构化数据(NWP、MSV)和非结构化数据(SWR)的输入和特征提取，从而提升对光伏出力预测的精确度。
为实现上述目的，一方面，本发明提供了一种基于多源异构数据的短期光伏发电功率预测方法，该方法包括以下步骤：
接收非结构化数据的输入，经过Res-Unet模型得到未来非结构化数据特征图，其中特征图作为解码器中注意力机制和长短期记忆网络模块的输入；所述编码器模块同样接收结构化数据的输入，经过编码器模块的长短期记忆网络和注意力机制模块后，得到结构化数据特征图，然后与非结构化数据特征图融合，输入到解码器模块；所述非结构化数据包括历史时刻的卫星云图的短波辐射图SWR数据；结构化数据包括总辐照度、直射辐照度、散射辐照度、环境温度、环境湿度、气压等传感器数值中的一种或多种，以及数值天气预报NWP数据和历史功率记录数据；
接收结构化数据特征图与非结构化数据特征图融合后的特征，通过注意力机制和长短期记忆网络模块对其解码后，得到未来时刻的光伏出力。
另一方面，本发明提供了一种基于多源异构数据的短期光伏发电功率预测系统，该系统包括：输入模块、编码器模块、解码器模块和输出模块；
所述输入模块包含非结构化数据和结构化数据，所述非结构化数据包括历史时刻的卫星云图数据；所述非结构化数据包括实测辐射度、温度、湿度传感器数值，以及历史功率记录数据；
编码器模块用于接收非结构化数据的输入，经过Res-Unet模型得到未来非结构化数据特征图，其中特征图作为解码器中注意力机制和长短期记忆网络模块的输入；所述编码器模块同样接收结构化数据的输入，经过编码器模块的长短期记忆网络和注意力机制模块后，得到结构化数据特征图，然后与非结构化数据特征图融合，输入到解码器模块；
解码器模块用于接收结构化数据特征图与非结构化数据特征图融合后的特征，通过注意力机制和长短期记忆网络模块对其解码后，得到未来时刻的光伏出力。
本发明的有益效果在于：
1)使用Res-Unet模型能够有效处理非结构化数据，并获取其具有卫星云图中运动信息的特征图。
2)使用LSTM模型和Attention机制能够有效处理结构化数据，并获取其时间维度的相关性。
附图说明
图1为本发明实施例提供的一种多源异构数据的短期光伏发电功率预测方法流程示意图；
图2为本发明实施采用的Encoder-Decoder架构示意图；
图3为本发明实施例采用的LSTM单元结构示意图；
图4为本发明实施例采用的Attention机制示意图；
图5为基于Res-UNet的非结构化数据处理与预测模块示意图；
图6为Res-UNet模型结构示意图；
图7为本发明实施例的模型实验结果，即预测的未来功率示意图；
图8为encoder阶段中的Attention机制的注意力分数可视化图；
图9为Res-Unet中特征可视化图。
具体实施方式
下面结合附图与具体实施方式对本发明作进一步详细描述。
本发明实施例采用Encoder-Decoder架构，将基于Res-Unet的非结构化数据处理与预测模块和基于长短期记忆网络和注意力机制的结构化数据处理与预测模块结合在一起，能够有效处理结构化数据(NWP、MSV)和非结构化数据(SWR)，并且前者模块可以有效提取卫星云图数据特征，后者模块能够有效提取NWP和MSV以及历史功率数据的特征，最终实现未来的光伏出力(功率)预测。
如图1和图2所示，本发明实施例多源异构数据的短期光伏发电功率预测系统包含四个模块，分别是Input输入模块、Encoder编码器模块、Decoder解码器模块。预测方法包括以下步骤：
输入模块包含非结构化数据：SWR，即历史时刻的卫星云图数据；结构化数据：NWP、MSV(包括总辐照度、直射辐照度、散射辐照度、环境温度、环境湿度、气压等传感器数值中的一种或多种)；历史功率记录数据。
步骤S101，Encoder模块接收非结构化数据SWR的输入，经过Res-Unet模型得到未来SWR数据和特征图，其中特征图作为Decoder模块中Attention和LSTM模块的输入。Encoder模块同样接收结构化数据的输入，经过Encoder模块的LSTM和Attention模块后，得到结构化数据特征图，然后与非结构化数据特征图融合，输入到Decoder模块。
步骤S102，Decoder模块接收结构化数据特征图与非结构化数据特征图融合后的特征，通过Attention和LSTM模块对其解码后，得到未来时刻的光伏出力(功率)。
本发明实施例采用了长短期记忆网络(Long Short-Term Memory,LSTM)和注意力机制(Attention Mechanism)处理具有时间相关性的NWP和MSV数据。
光伏发电是一个连续的过程，每一刻的光伏发电功率不仅取决于当前时刻的NWP和MSV数据特征，还取决于过去时刻的NWP和MSV数据特征。LSTM是一类用于处理时间序列数据的循环神经网络。LSTM模型的核心设计一定程度上解决了循环神经网络中梯度消失和梯度爆炸的问题，相比普通的循环神经网络，LSTM能够在更长的时间序列预测中有更好的表现。LSTM网络模型由输入层、隐含层和输出层构成，隐含层不再是普通的神经单元，而是具有独特记忆细胞和3个“门”来控制记忆细胞状态的LSTM单元。3个“门”分别是：输入门，遗忘门，输出门。LSTM依靠独特记忆细胞以及“门”结构解决了循环神经网络短时记忆的问题，从而获得了提取长期时间依赖关系的能力。
图3为本发明实施例采用的LSTM单元结构示意图，图中各变量之间的计算公式如下：
ft＝σ(Wf*(ht-1,xt)+bf)
it＝σ(Wi*(ht-1,xt)+bi)
Figure BDA0003027246090000041
Figure BDA0003027246090000042
ot＝σ(Wo*(ht-1,xt)+bo)
ht＝ot*tanh(Ct)
yt＝σ(W*ht)
式中：ft、it、ot、Ct分别为遗忘门、输入门、输出门、记忆细胞状态的向量值，Wf、Wi、Wo、WC为遗忘门、输入门、输出门、记忆细胞的权重系数，bf、bi、bo、bc为遗忘门、输入门、输出门、记忆细胞的偏置向量，σ为激活函数，一般为Sigmoid函数，tanh为双曲正切函数。当前t时刻数据xt输入后，前一个单元的状态ct-1会进行更新产生当前时刻的状态ct。ht看作短期状态，ct看作长期状态，这样可以较好地学习到长期依赖的信息。yt是当前时刻的输出。
图4为本发明实施例采用的Attention机制示意图。Attention Mechanism是在机器学习模型中嵌入的一种特殊结构，用来自动学习和计算输入数据对输出数据的贡献大小。光伏出力受气象因素影响较大，针对光伏出力预测问题，使用Attention能方便的研究输入数据中的NPW、MSV数据对光伏出力的影响大小。
如图4所示，输入序列为
Figure BDA0003027246090000051
输出序列为
Figure BDA0003027246090000052
Figure BDA0003027246090000053
对于输入,先将其线性映射到三个不同的空间,得到Q,K,V。其中：
Figure BDA0003027246090000054
Figure BDA0003027246090000055
Figure BDA0003027246090000056
对于每一个查询向量qn∈Q计算输出向量hn有：
Figure BDA0003027246090000057
其中，αj为计算出的注意力分数，kj∈K,vn∈V，都是输入X的某一线性映射空间中的一个向量，sj(kj,qj)为计算两者的相似性或者相关性的函数，函数sj(kj,qj)可为求两者的向量点积、cosine相似度公式、或引入其他神经网络处理；该方案选择使用求点积公式，即sj(kj,q；)＝q；·kj。
图5为基于Res-UNet的非结构化数据处理与预测模块示意图。如图5所示，Encoder-Decoder架构图描述如下:
在Encoder阶段，我们将时间(天、小时、分钟)编码数据，和历史的MSV数据、历史的NWP数据、历史功率数据共同作为模型的输入(X1、X2、X3、……、XTh)，以上结构化的时间序列数据通过Attention机制运算、LSTM单元运算，得到隐藏层的输出
Figure BDA0003027246090000064
序列。
在Decoder阶段，一方面，将获得的Res-Unet特征(图中简记为UNET feature)与
Figure BDA0003027246090000063
序列进行合并(concatenate)操作，经过attention机制运算
Figure BDA0003027246090000062
操作得到向量，再与预测的功率和未来NWP数据进行合并(concatenate)操作，此时的合并后的向量作为decoder中的LSTM单元的输入之一；另一方面，将UNET feature与LSTM记忆细胞状态Cj进行合并(concatenate)操作，作为decoder中LSTM单元的另一输入。最终，由decoder中的多个LSTM单元运算得到未来的功率序列
Figure BDA0003027246090000065
图6为Res-UNet模型结构示意图。Unet是目前应用最广泛的图像(语义)分割模型，在预测卫星云图未来时刻状态的任务中表现优秀。Res-UNet同样采用了Encoder-Decoder结构，先对SWR图像进行多次卷积层(包括卷积操作Convolution，简写为Conv，归一化操作Batch Normalization，简写为BN，激活函数Relu)和下采样(pooling)，再进行上采样(upsample)，裁剪之前的低层特征图，与上采样后的特征图进行融合，重复上采样和融合的过程直到得到与输入图像尺寸相同的预测图像。特别地，我们也会将中间的特征图输入到结构化数据处理与预测模型Decoder中，以此结合非结构化数据的特征进行光伏出力预测。
卷积层中的单个神经元(卷积函数)可以简写为：
Conv＝f(x)＝Wx+bias
其中，卷积函数Conv的W、bias为自动学习参数。
激活函数Relu如下所示：
Figure BDA0003027246090000061
归一化操作BN层如下所示：
Figure BDA0003027246090000071
其中，xi为向量x中的第i个元素，E(xi)为x向量的的均值，Yar(xi)为x向量的方差。
在一个实施例中，以某光伏电站为例，数据集中包括逐15分钟的光伏功率信息和MSV、NWP等气象数据、以及SWR卫星云图数据(从2018年9月2日至2019年6月10日)。
具体实施方案如下：
步骤一、数据预处理。对MSV、NWP结构化数据计算方差、均值，进行标准归一化，同时，对SWR卫星图像(覆盖指定光伏电站区域)数据压缩至256×256尺寸。
步骤二、系统输入。MSV、NWP作为时间序列向量输入到Encoder阶段中的LSTM和Attention结构，同时，SWR作为图像矩阵输入到Res-UNet网络中。
步骤三、特征组合。将Res-Unet的中间输入特征、encoder阶段中的数据特征、未来NWP数据合并输入到Decoder阶段的LSTM和Attention结构中。
步骤四、系统输出。模型输出预测的未来15分钟、30分钟、45分钟、60分钟时刻的功率值。
步骤五、进行预测与真值曲线可视化、特征图可视化、Attention分数可视化。
系统采用均方根误差RMSE(Root Mean Squared Error)和平均绝对误差MAE(MeanAbsolute Error)评估所述预测模型的准确性。式中N为测试集样本个数，yi为功率实际值，Yi为预测值。
Figure BDA0003027246090000072
Figure BDA0003027246090000073
上述方案的实验结果，即预测的未来功率，如图7所示，图7中实线表示真实值，虚线表示预测值。由图7得出，本发明实施例提供的预测系统能够有效融合并处理多源异构数据，并准确预测短期光伏发电功率。根据上述误差评价指标计算如下：
15min 30min 45min 60min Average
RMSE 1.6701 1.9214 2.0986 2.2321 1.9806
MAE 1.0515 1.2287 1.3593 1.4619 1.2753
其中，在encoder阶段中的Attention机制可视化如图8所示：Res-Unet中可视化如图9所示。
本发明实施例使用Res-Unet模型能够有效处理非结构化数据，并获取其具有卫星云图中运动信息的特征图。以及使用LSTM模型和Attention机制能够有效处理结构化数据，并获取其时间维度的相关性。
显而易见，在不偏离本发明的真实精神和范围的前提下，在此描述的本发明可以有许多变化。因此，所有对于本领域技术人员来说显而易见的改变，都应包括在本权利要求书所涵盖的范围之内。本发明所要求保护的范围仅由所述的权利要求书进行限定。

Claims (6)

1.一种基于多源异构数据的短期光伏发电功率预测方法，其特征在于，该方法包括以下步骤：
接收非结构化数据的输入，经过Res-Unet模型得到未来非结构化数据特征图，其中特征图作为解码器中注意力机制和长短期记忆网络模块的输入；编码器模块同样接收结构化数据的输入，经过编码器模块的长短期记忆网络和注意力机制模块后，得到结构化数据特征图，然后与非结构化数据特征图融合，输入到解码器模块；所述非结构化数据包括历史时刻的卫星云图的短波辐射图SWR数据；所述结构化数据包括总辐照度、直射辐照度、散射辐照度、环境温度、环境湿度、气压等传感器数值中的一种或多种，以及数值天气预报NWP数据和历史功率记录数据；
接收结构化数据特征图与非结构化数据特征图融合后的特征，通过注意力机制和长短期记忆网络模块对其解码后，得到未来时刻的光伏出力；
所述经过Res-Unet模型得到未来非结构化数据特征图步骤，包括：
采用Encoder-Decoder结构，首先对SWR图像进行多次卷积层和下采样，再进行上采样，裁剪之前的低层特征图，与上采样后的特征图进行融合，重复上采样和融合的过程直到得到与输入图像尺寸相同的预测图像；
在Encoder阶段，将时间编码数据，和历史的多传感器数值MSV数据、历史的NWP数据、历史功率数据共同作为模型的输入，以上结构化的时间序列数据通过Attention机制运算、LSTM单元运算，得到隐藏层的输出序列；
在Decoder阶段，一方面，将获得的Res-Unet特征与输出序列进行合并操作，经过Attention机制运算
Figure FDA0003584657670000011
操作得到向量，再与预测的功率和未来NWP数据进行合并操作，此时的合并后的向量作为Decoder中的LSTM单元的输入之一；另一方面，将UNET feature与LSTM记忆细胞状态C0进行合并操作，作为Decoder中LSTM单元的另一输入；最终，由Decoder中的多个LSTM单元运算得到未来的功率序列；
所述通过注意力机制和长短期记忆网络模块对其解码后，得到未来时刻的光伏出力步骤，包括：
注意力机制将输入序列为
Figure FDA0003584657670000021
输出序列为
Figure FDA0003584657670000022
对于输入,先将其线性映射到三个不同的空间,得到Q,K,V， 其中：
Figure FDA0003584657670000023
Figure FDA0003584657670000024
Figure FDA0003584657670000025
对于每一个查询向量qj∈Q计算输出向量hj有：
Figure FDA0003584657670000026
其中，αj为计算出的注意力分数，kj∈K,vj∈V，都是输入X的某一线性映射空间中的一个向量，sj(kj,qj)为计算两者的相似性或者相关性的函数，函数sj(kj,qj)为求两者的向量点积，即sj(kj,qj)＝qj·kj。
2.根据权利要求1所述的方法，其特征在于，还包括数据预处理步骤，所述数据预处理是对所述结构化数据计算方差、均值，进行标准归一化，同时，对所述非结构化数据中SWR卫星图像数据调整至256×256尺寸。
3.根据权利要求1所述的方法，其特征在于，所述长短期记忆网络中各变量之间的计算公式为：
ft＝σ(Wf*(ht-1,xt)+bf)
it＝σ(Wi*(ht-1,xt)+bi)
Figure FDA0003584657670000027
Figure FDA0003584657670000028
ot＝σ(Wo*(ht-1,xt)+bo)
ht＝ot*tanh(Ct)
yt＝σ(W*ht)
式中：ft、it、ot、Ct分别为遗忘门、输入门、输出门、记忆细胞状态的向量值，Wf、Wi、Wo、WC为遗忘门、输入门、输出门、记忆细胞的权重系数，bf、bi、bo、bC为遗忘门、输入门、输出门、记忆细胞的偏置向量，σ为激活函数，tanh为双曲正切函数；当前t时刻数据xt输入后，前一个单元的状态ct-1会进行更新产生当前时刻的状态ct；ht看作短期状态，ct看作长期状态，yt是当前时刻的输出。
4.一种基于多源异构数据的短期光伏发电功率预测系统，其特征在于，包括：输入模块、编码器模块、解码器模块和输出模块；
所述输入模块包含非结构化数据和结构化数据，所述非结构化数据包括历史时刻的卫星云图的短波辐射图SWR数据；所述结构化数据包括总辐照度、直射辐照度、散射辐照度、环境温度、环境湿度、气压等传感器数值中的一种或多种，以及数值天气预报NWP数据和历史功率记录数据；
所述编码器模块，用于接收非结构化数据的输入，经过Res-Unet模型得到未来非结构化数据特征图，其中特征图作为解码器中注意力机制和长短期记忆网络模块的输入；所述编码器模块同样接收结构化数据的输入，经过编码器模块的长短期记忆网络和注意力机制模块后，得到结构化数据特征图，然后与非结构化数据特征图融合，输入到解码器模块；
所述解码器模块，用于接收结构化数据特征图与非结构化数据特征图融合后的特征，通过注意力机制和长短期记忆网络模块对其解码后，得到未来时刻的光伏出力；
所述经过Res-Unet模型得到未来非结构化数据特征图步骤，包括：
采用Encoder-Decoder结构，首先对SWR图像进行多次卷积层和下采样，再进行上采样，裁剪之前的低层特征图，与上采样后的特征图进行融合，重复上采样和融合的过程直到得到与输入图像尺寸相同的预测图像；
在Encoder阶段，将时间编码数据，和历史的多传感器数值MSV数据、历史的NWP数据、历史功率数据共同作为模型的输入，以上结构化的时间序列数据通过Attention机制运算、LSTM单元运算，得到隐藏层的输出序列；
在Decoder阶段，一方面，将获得的Res-Unet特征与输出序列进行合并操作，经过Attention机制运算
Figure FDA0003584657670000031
操作得到向量，再与预测的功率和未来NWP数据进行合并操作，此时的合并后的向量作为Decoder中的LSTM单元的输入之一；另一方面，将UNET feature与LSTM记忆细胞状态C0进行合并操作，作为Decoder中LSTM单元的另一输入；最终，由Decoder中的多个LSTM单元运算得到未来的功率序列；
所述通过注意力机制和长短期记忆网络模块对其解码后，得到未来时刻的光伏出力步骤，包括：
注意力机制将输入序列为
Figure FDA0003584657670000041
输出序列为
Figure FDA0003584657670000042
对于输入,先将其线性映射到三个不同的空间,得到Q,K,V， 其中：
Figure FDA0003584657670000043
Figure FDA0003584657670000044
Figure FDA0003584657670000045
对于每一个查询向量qj∈Q计算输出向量hj有：
Figure FDA0003584657670000046
其中，αj为计算出的注意力分数，kj∈K,vj ∈V，都是输入X的某一线性映射空间中的一个向量，sj(kj,qj)为计算两者的相似性或者相关性的函数，函数sj(kj,qj)为求两者的向量点积，即sj(kj,qj)＝qj·kj。
5.根据权利要求4所述的系统，其特征在于，还包括数据预处理步骤，所述数据预处理是对所述结构化数据计算方差、均值，进行标准归一化，同时，对所述非结构化数据中SWR卫星图像数据压缩至256×256尺寸。
6.根据权利要求4所述的系统，其特征在于，所述长短期记忆网络中各变量之间的计算公式为：
ft＝σ(Wf*(ht-1,xt)+bf)
it＝σ(Wi*(ht-1,xt)+bi)
Figure FDA0003584657670000047
Figure FDA0003584657670000048
ot＝σ(Wo*(ht-1,xt)+bo)
ht＝ot*tanh(Ct)
yt＝σ(W*ht)
式中：ft、it、ot、Ct分别为遗忘门、输入门、输出门、记忆细胞状态的向量值，Wf、Wi、Wo、WC为遗忘门、输入门、输出门、记忆细胞的权重系数，bf、bi、bo、bC为遗忘门、输入门、输出门、记忆细胞的偏置向量，σ为激活函数，tanh为双曲正切函数；当前t时刻数据xt输入后，前一个单元的状态ct-1会进行更新产生当前时刻的状态ct；ht看作短期状态，ct看作长期状态，yt是当前时刻的输出。
CN202110419476.9A 2021-04-19 2021-04-19 一种多源异构数据的短期光伏发电功率预测方法及系统 Active CN113128762B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110419476.9A CN113128762B (zh) 2021-04-19 2021-04-19 一种多源异构数据的短期光伏发电功率预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110419476.9A CN113128762B (zh) 2021-04-19 2021-04-19 一种多源异构数据的短期光伏发电功率预测方法及系统

Publications (2)

Publication Number Publication Date
CN113128762A CN113128762A (zh) 2021-07-16
CN113128762B true CN113128762B (zh) 2022-05-10

Family

ID=76778099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110419476.9A Active CN113128762B (zh) 2021-04-19 2021-04-19 一种多源异构数据的短期光伏发电功率预测方法及系统

Country Status (1)

Country Link
CN (1) CN113128762B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115564100A (zh) * 2022-09-22 2023-01-03 济南大学 光伏功率预测方法、系统及设备

Citations (4)

* Cited by examiner, † Cited by third party
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
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
CN111222674A (zh) * 2019-10-08 2020-06-02 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
CN112508255A (zh) * 2020-12-01 2021-03-16 北京科技大学 一种基于多源异构数据的光伏出力超短期预测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018065045A1 (en) * 2016-10-05 2018-04-12 Telecom Italia S.P.A. Method and system for estimating energy generation based on solar irradiance forecasting

Patent Citations (4)

* Cited by examiner, † Cited by third party
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
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
CN111222674A (zh) * 2019-10-08 2020-06-02 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
CN112508255A (zh) * 2020-12-01 2021-03-16 北京科技大学 一种基于多源异构数据的光伏出力超短期预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Attention-LSTM的光伏超短期功率预测模型;马磊 等;《电测与仪表》;20210215;第58卷(第2期);第1-2节 *

Also Published As

Publication number Publication date
CN113128762A (zh) 2021-07-16

Similar Documents

Publication Publication Date Title
Hossain et al. Short-term photovoltaic power forecasting using an LSTM neural network and synthetic weather forecast
Zhang et al. Short-term wind power forecasting approach based on Seq2Seq model using NWP data
Gao et al. Interpretable deep learning model for building energy consumption prediction based on attention mechanism
Xiaoyun et al. Short-term prediction of wind power based on deep long short-term memory
Hu et al. Improved multistep ahead photovoltaic power prediction model based on LSTM and self-attention with weather forecast data
Li et al. Deep spatio-temporal wind power forecasting
Tong et al. Hourly solar irradiance forecasting based on encoder–decoder model using series decomposition and dynamic error compensation
CN116760031B (zh) 基于气象数据的高时间分辨率光伏功率预测方法和装置
Li et al. Spatio-temporal modeling with enhanced flexibility and robustness of solar irradiance prediction: a chain-structure echo state network approach
Sari et al. Prediction model of wind speed and direction using convolutional neural network-long short term memory
CN114781744A (zh) 基于编码解码器的深度学习多步长辐照度预测方法
Rathore et al. Multi scale graph wavenet for wind speed forecasting
Bai et al. Hybrid model based on K-means++ algorithm, optimal similar day approach, and long short-term memory neural network for short-term photovoltaic power prediction
Zhang et al. A hybrid deep learning model with error correction for photovoltaic power forecasting
CN113128762B (zh) 一种多源异构数据的短期光伏发电功率预测方法及系统
Yang et al. Statistical downscaling of numerical weather prediction based on convolutional neural networks
CN115456235A (zh) 一种基于多模态融合的光伏功率预测系统
Wang et al. Mid-long term forecasting of reservoir inflow using the coupling of time-varying filter-based empirical mode decomposition and gated recurrent unit
Moustris et al. Wind power forecasting using historical data and artificial neural networks modeling
Xu et al. Minutely multi-step irradiance forecasting based on all-sky images using LSTM-InformerStack hybrid model with dual feature enhancement
Zhou et al. A short-term wind speed prediction method utilizing rolling decomposition and time-series extension to avoid information leakage
Dhakal et al. Deep Learning Model with Probability Density Function and Feature Engineering for Short Term Wind Speed Prediction
Olaofe Assessment of LSTM, Conv2D and ConvLSTM2D Prediction Models for Long-Term Wind Speed and Direction Regression Analysis
CN115860281B (zh) 基于跨实体注意力的能源系统多实体负载预测方法和装置
Rhouma et al. Solar energy forecasting based on complex valued auto-encoder and recurrent neural network

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
GR01 Patent grant
GR01 Patent grant