CN113469427A - 基于卷积lstm的光伏电站日前发电量预测方法及系统 - Google Patents
基于卷积lstm的光伏电站日前发电量预测方法及系统 Download PDFInfo
- Publication number
- CN113469427A CN113469427A CN202110705885.5A CN202110705885A CN113469427A CN 113469427 A CN113469427 A CN 113469427A CN 202110705885 A CN202110705885 A CN 202110705885A CN 113469427 A CN113469427 A CN 113469427A
- Authority
- CN
- China
- Prior art keywords
- layer
- power generation
- photovoltaic power
- lstm
- 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
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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
本公开所述方案提供了基于卷积LSTM的光伏电站日前发电量预测方法及系统,所述方案融合了多层卷积层和LSTM模型,使得模型可以提取沿时间序列的信息和不同时间序列特征数据之间的融合信息,同时,通过引入注意力机制模型可以更好的利用历史信息;通过引入快捷连接模型可以获取不同尺度的信息,并可以改善梯度流,防止梯度消失。从而提高模型特征提取能力,提高模型识别的准确率,从而提高模型的鲁棒性。
Description
技术领域
本公开属于光伏发电技术领域,尤其涉及一种基于卷积LSTM的光伏电站日前发电量预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
电力是影响城市化和工业化的关键因素,不断增长的能源需求导致对发电和配电的需求增加。为应对全球变暖和气候变化,减少对化石燃料的依赖,寻求可再生能源作为替代品至关重要,而光伏发电最具潜力。但光伏发电的间歇性和波动性,不可预测的发电功率会对电力系统带来巨大挑战,高效可靠的预测光伏电站的发电量,对于电网的管理优化和电能调度具有重要意义。
发明人发现,光伏发电量预测问题建模中,其所依赖的特征与气候因素高度相关,并且特征的选择往往直接影响预测结果的精度。传统的LSTM模型神经网络只能提取沿时间维度的序列信息,如历史太阳辐射、温度、湿度、气压等气象特征,发电功率,电池板电压、电池板温度等光伏组件信息,使得模型不能准确的从光伏电站历史特征数据中提取有效特征,并且对特征数量变化和异常值敏感,导致光伏电站发电量预测的预测精度较低,无法对电网的管理优化和电能调度提供准确的指导;同时,基于CNN和RNN的混合模型通常使用Conv1D进行提取特征,使用LSTM进行预测,这使得模型不能很好地提取输入序列之间的关联信息,模型预测结果较差;并且光伏电站采集的数据中存在大量的缺失值和异常值数据,这使得建模异常困难,建立具有良好的容错能力的鲁邦模型极为关键。
发明内容
本公开为了解决上述问题,提供了一种基于卷积LSTM的光伏电站日前发电量预测方法及系统,所述方案通过融合多层卷积层和LSTM模型,并引入注意力机制模型和快捷连接,有效解决了光伏发电预测误差大、对数据变化敏感以及容易拟合的问题。
根据本公开实施例的第一个方面,提供了一种基于卷积LSTM的光伏电站日前发电量预测方法,包括:
获取待预测光伏电站的历史用电数据,并进行预处理;
将预处理后的数据输入预训练的光伏发电量预测模型中,输出预测结果;
其中,所述光伏发电量预测模型融合若干层卷积层和LSTM模型,提取沿时间序列的信息以及不同时间序列特征数据之间的融合信息,其具体结构包括2D卷积层、平均池化层、ReLU层、全连接层、LSTM层、展平层以及输出层。
进一步的,在所述光伏发电量预测模型中引入注意力机制模型,其具体结构包括2D卷积层、最大池化层、ReLU层、批归一化层、全连接层、LSTM和注意力机制层、展平层以及输出层。
进一步的,在所述光伏发电量预测模型中引入快捷连接机制,其融合两个通道的预测结果来来进行发电量预测,具体结构包括2D卷积层、平均池化层、ReLU层、全连接层、LSTM层、展平层、连接层以及输出层。
进一步的,所述将预处理后的数据输入预训练的光伏发电量预测模型中,具体包括:
对3D的样本数据沿滑动窗口宽度维度进行切分,重塑为4D样本数据集;
通过卷积和池化运算,将4D的输入时间序列数据进行特征提取,获得4D特征图;
将4D特征图重塑为3D特征图,将3D特征图输入LSTM层,输出特征图;
经全连接层和展平层处理特征图,输出预测结果。
根据本公开实施例的第二个方面,提供了一种基于卷积LSTM的光伏电站日前发电量预测系统,包括:
数据获取单元,获取待预测光伏电站的历史用电数据,并进行预处理;
预测单元,将预处理后的数据输入预训练的光伏发电量预测模型中,输出预测结果;
其中,所述光伏发电量预测模型融合若干层卷积层和LSTM模型,其具体结构包括2D卷积层、平均池化层、ReLU层、全连接层、LSTM层、展平层以及输出层。
根据本公开实施例的第三个方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,所述处理器执行所述程序时实现所述的基于卷积LSTM的光伏电站日前发电量预测方法。
根据本公开实施例的第四个方面,提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现所述的基于卷积LSTM的光伏电站日前发电量预测方法。
与现有技术相比,本公开的有益效果是:
(1)本公开所述方案的光伏发电量预测模型融合了多层卷积层和LSTM层(即Conv-LSTM模型),并且结合注意力机制和快捷连接,扩展了另外两种架构,分别称为Conv-LSTM-A模型和Conv-LSTM-S模型。使得其不仅可以提取时间维度的信息,还可以提取特征序列之间的融合信息,即空间信息。同时,注意力机制模型可以更好的利用历史信息;快捷连接模型可以获取不同尺度的信息,并可以改善梯度流,防止梯度消失。从而提高模型预测精度和鲁棒性,使用很少的特征序列即可实现准确的预测。
(2)采用对原始输入序列数据进行切分的方式,分为长度相同的几部分短序列,而非直接扩充数据维度,这样处理的优势是可以极大的降低模型的参数数量,提高训练和推理速度;使用Conv2D卷积,相比较Conv1D,Conv2D可以更好提取短期局部特征,并且可以提取序列之前的关联特征信息;使用平均池化进行下采样,减少数据处理量同时保留有用信息,降低网络训练参数及模型的过拟合程度;经过ReLU激活函数之后得到特征图,对维度进行调整后输入LSTM层进行预测,可以捕获更长期的信息,并且充分利用序列的周期特性。
(3)本公开提出的Conv-LSTM模型并未采用编码器-解码器架构,而是属于CNN和RNN的混合模型,这在保证模型预测精度的同时,极大降低了模型参数数量,并且易于训练和优化。
(4)本公开所述方案通过贝叶斯优化调整超参数,从而辅助模型找到最佳的超参数配置;且通过平均值化,及时停止策略降低过拟合风险,使用学习率衰减,进一步提高模型预测精度。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例一中所述的预测方法流程图;
图2(a)-图2(c)分别为本公开实施例一中所述的不同光伏发电量预测模型结构示意图;
图3为本公开实施例一中所述不同光伏发电量预测模型结构预测实例的效果图。
具体实施方式
下面结合附图与实施例对本公开做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一:
本实施例的目的是提供一种基于卷积LSTM的光伏电站日前发电量预测方法。
如图1所示,基于卷积LSTM的光伏电站日前发电量预测方法,包括如下步骤:
步骤1:获取待预测光伏电站的历史用电数据,并进行预处理;
步骤2:将预处理后的数据输入预训练的光伏发电量预测模型中,输出预测结果;
步骤3、按照预测结果输出配电控制方案;
其中,所述光伏发电量预测模型融合若干层卷积层和LSTM模型(以下表示为Conv-LSTM),提取沿时间序列的信息以及不同时间序列特征数据之间的融合信息,其具体结构包括2D卷积层、平均池化层、ReLU层、全连接层、LSTM层、展平层以及输出层。
进一步的,在所述光伏发电量预测模型中引入注意力机制模型(以下表示为Conv-LSTM-A),其具体结构包括2D卷积层、最大池化层、ReLU层、批归一化层、全连接层、LSTM和注意力机制层、展平层以及输出层。
进一步的,在所述光伏发电量预测模型中引入快捷连接机制(以下表示为Conv-LSTM-S),其具体结构包括2D卷积层、平均池化层、ReLU层、全连接层、LSTM层、展平层、连接层以及输出层。
可选地,配电控制方案包括配电时间分配、配电区域配合等,按照预测结果控制相应的线路的控制开关,实现各个配电支路的智能化配电。
本实施例中所述的Conv-LSTM模型融合了多层卷积层和LSTM模型,使得模型可以提取沿时间序列的信息和不同时间序列特征数据之间的融合信息,同时,通过引入注意力机制模型可以更好的利用历史信息;通过引入快捷连接模型可以获取不同尺度的信息,并可以改善梯度流,防止梯度消失。从而提高模型特征提取能力,提高模型识别的准确率,从而提高模型的鲁棒性。
在一些实施例中,所述预处理包括归一化处理和滑动窗口处理。
可选地,所述归一化处理包括通过以下公式对原始数据进行处理,使其缩放到[0,1]之间,转换为无量纲数据,消除数据波动对模型性能的影响。
其中,x’表示归一化之后的数据,min()表示数据x中的最小值,max()表示数据x中的最大值。
可选地,采用滑动窗口处理原始数据获得重塑样本数据集,具体方法为:通过设定的滑动窗口宽度(历史序列时间步长)和滑动步长,将原始序列数据在多维度时间序列数据上进行截取,获得包含样本数量、滑动窗口宽度和特征数量的样本数据集。
具体地,重塑后的样本数据集的形状可以为[样本数量,滑动窗口宽度,特征数量]。
包含多层卷积层和LSTM层的多层神经网络可以简称为Conv-LSTM模型,其包括2D卷积层、平均池化层、ReLU层、全连接层、LSTM层、展平层以及输出层;包含注意力机制(Attention Mechanism)的模型可以简称为Conv-LSTM-A模型,其包括2D卷积层、最大池化层、ReLU层、批归一化层、全连接层、LSTM和注意力机制层、展平层以及输出层;包含快捷连接(Shortcut Connection)的模型可以简称为Conv-LSTM-S,其包括2D卷积层、平均池化层、ReLU层、全连接层、LSTM层、展平层、连接层以及输出层。
以上三种模型中的2D卷积层、池化层、批归一化层、LSTM层、全连接层可以根据数据集的不同设置不同层数。
如图2(a)-图2(c)所示,展示了本实施例中的ConvLSTM模型,Conv-LSTM-A模型,Conv-LSTM-S模型的具体结构,本实施例的数据输入为3D的样本数据集,因为本发明的模型要求输入为4D,所以首先将滑动窗口宽度序列进行切分,使样本数据集重塑为4D数据集,然后输入2D卷积层进行提取特征,之后重塑样本为3D特征图,然后输入到LSTM进行进一步特征提取。特别的,如图2(b)所示,Conv-LSTM-A模型在通过ReLU层输出的特征图输入LSTM-Attention层进一步提取特征;而如图2(c)所示,所述Conv-LSTM-S模型中包括两条路径,其中,Conv-LSTM-S模型第二条路径,经过LSTM层和Dropout层之后,与第一条路径输出的特征图进行连接(Concatenate),然后经过展平层输出预测结果。
步骤2中将预处理后的样本传输至训练好的Conv-LSTM多层神经网络模型,输出预测结果的方法,包括以下步骤:
步骤2-1、重塑样本维度:对3D的样本数据沿滑动窗口宽度维度进行切分,重塑为4D样本数据集;
可选地,其切分方式由多种,本发明中尝试了不同的组合,并选择效果最好的切分方式;具体的,本实施例的数据是针对时间序列数据,多以不同的切分方式,可以具体如下:
将滑动窗口宽度切分为两个维度,第一个维度较大,第二个维度较小;
将滑动窗口宽度切分为两个维度,第一个维度较小,第二个维度较大;
但均需要满足,第一个维度*第二个维度=滑动窗口宽度。
步骤2-2、卷积、池化运算:将4D的输入时间序列数据提取信息后,输出4D特征图;具体地,卷积运算公式可表示为:
其中,(x,y)表示输入数据的空间坐标,p*q表示卷积核大小,w表示卷积核的权重,v表示样本数据中的某个数据单值。
对卷积运算后的数据添加偏置项,并采用激活函数进行激活。可选的,激活函数可以具体如下:
其中,g表示激活函数,b表示偏置。fx,y表示经过激活后的输出。
步骤2-3、重塑特征图形状:将4D特征图重塑为3D特征图,经过一层全连接层输出;
步骤2-4、LSTM层进一步提取特征:将3D特征图输入LSTM层,输出特征图;所述的LSTM模型进行特征提取的计算公式为:
ft=σ(Wf·[ht-1,xt]+bf)#
it=σ(Wi·[ht-1,xt]+bi)#
ot=σ(Wo·[ht-1,xt]+bo)#
ht=ot⊙tanh(Ct)#
其中,it表示输入门的状态,ft表示遗忘门的状态,Ct表示单元状态,ot表示输出门的状态,ht表示隐藏状态,σ表示激活函数,xt表示输入数据,W表示权重矩阵,⊙表示Hadamard积。
步骤2-5、经过全连接层和展平层处理特征图,输出预测结果。
特别地,Conv-LSTM-A多层神经网络模型的处理流程稍有不同,其添加了批归一化层、注意力机制层以及最大池化层。如图2(c)所示,对于Conv-LSTM-S多层神经网络模型,其通过融合两个通道的预测结果来输出最终的结果,其第二条通道将原始的3D数据输入LSTM,输出特征图,并与第一条通道输出的特征图进行连接,最后经过展平层输出。本公开提出的Conv-LSTM-S模型,通过融合两个通道的预测结果来输出最终的结果,使得模型可以学习到不同视角的特征,其中主通道为Conv-LSTM模型,使用Conv2D提取特征,重新调整特征图尺寸之后,输入LSTM层进行预测;辅助通道为LSTM模型。为提高推理速度,主通道隐藏层中无全连接层,降低了参数数量。两个通道起到了集成模型的效果,具有更高的预测精度,更好的鲁棒性。
所述的注意力机制的计算公式可以为:
si=g(si-1,yi-1,ci)#
其中,Si是当前的隐藏状态,Si-1是前一时刻的隐藏状态,yi-1是前一时刻的目标输出。
进一步地,还包括对最终的预测值进行反归一化处理的步骤,将无量纲的数据转化为与原始数据(即预处理之前的数据)量纲相同的数据。
步骤2中,对Conv-LSTM等三种多层神经网络模型进行训练的,如图1所示,包括如下步骤:
步骤2-1、获取历史光伏发电量数据及相关传感器记录的数据并进行数据清洗和归一化处理;
步骤2-2、将归一化后的数据使用滑动窗口处理成3D的样本数据集;
步骤2-1至步骤2-2于前述步骤1中的预处理的归一化处理和滑动窗口处理方法相同,处理后的数据按照一定的比例划分为训练样本、验证样本和测试样本。
步骤2-3、采用Conv-LSTM模型、Conv-LSTM-A模型、Conv-LSTM-S模型构建多层神经网络;该步骤搭建的神经网络与步骤2中的网络结构设置相同。
步骤2-4、根据定义的三种Conv-LSTM模型,将3D样本数据集重塑为4D样本数据集,其具体方式与步骤2中相同;
步骤2-5、根据模型中可变的参数确定模型需要搜索的超参数,具体地超参数包括滑动窗口宽度、滑动步长,学习率,优化器,学习率衰减策略,批大小,卷积核数量、卷积核尺寸,隐藏层单元数、网络层数、Dropout比率等。
步骤2-6、使用贝叶斯优化器调整三种模型的超参数,所使用的的评价指标为MAPE和RMSE。其计算公式分别为:
步骤2-7、使用搜索到的最佳超参数配置重新训练Conv-LSTM、Conv-LSTM-A、Conv-LSTM-S模型,并使用上述评估指标在测试集评估模型性能;
所述光伏电站历史发电量数据和传感器采集的数据包括训练集和测试集,其中训练集又分为训练集和验证集,训练集用来训练模型,验证集辅助改善模型参数,测试集评估模型性能。其中,训练过程的处理流程为步骤2-1到2-7。
下面以具体地示例进行说明。
表1是某光伏电站某天的24小时各特征相关数据。
获取某光伏电站某一时段的包含各特征序列的历史数据,采样间隔可以为15分钟,也可以为1小时,但历史数据周期不能小于半年,特征包括但不限定于日期,太阳辐射(Solar Radiation),直射辐射(Direct Radiation),散射辐射(Scattered Radiation),电池板温度(Panel Temperature),环境温度(Temperature),大气压强(Air Pressure),湿度(Humidity),发电功率(Active Power)等。
基于表1,如果要预测未来某一时段内的光伏发电量,则需要将该时段之前的一段历史数据相关的特征序列作为输入,使用Conv-LSTM多层神经网络模型进行训练,经过超参数调整后,选择最佳的模型重新训练,并作为最终的模型进行预测。具体地,可以调节不同的卷积层数量,数据切分方式,减低预测误差,当模型在验证集上的损失在一定周期内不再变化时,停止训练,此时训练得到的模型即可作为最终的预测模型。
对于其它不同时长的发电量预测可以使用相同的方式,可以按照分钟,小时天数计,需要视具体需求而定。
采用本实施例的预测方法基于表1的数据进行预测,结果如图3所示横轴表示时间步,纵轴表示归一化之后的值,本实施例中采用历史的120个小时的数据预测之后24个小时的数据;其中,历史数据,真实数据和三个模型的预测数据分别如图中的曲线所示。从图中可以看出,模型预测值与真实值差距很小,达到了较为理想的效果。
实施例二:
本实施例的目的是提供一种基于卷积LSTM的光伏电站日前发电量预测系统。
基于卷积LSTM的光伏电站日前发电量预测系统,包括:
数据获取单元,获取待预测光伏电站的历史用电数据,并进行预处理;
预测单元,将预处理后的数据输入预训练的光伏发电量预测模型中,输出预测结果;
其中,所述光伏发电量预测模型融合若干层卷积层和LSTM模型,其具体结构包括2D卷积层、平均池化层、ReLU层、全连接层、LSTM层、展平层以及输出层。
在更多实施例中,还提供:
一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例一中所述的方法。为了简洁,在此不再赘述。
应理解,本实施例中,处理器可以是中央处理单元CPU,处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC,现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器,并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如,存储器还可以存储设备类型的信息。
一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例一中所述的方法。
实施例一中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。为避免重复,这里不再详细描述。
本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步骤,能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
上述实施例提供的基于卷积LSTM的光伏电站日前发电量预测方法及系统可以实现,具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (10)
1.基于卷积LSTM的光伏电站日前发电量预测方法,其特征在于,包括:
获取待预测光伏电站的历史用电数据,并进行预处理;
将预处理后的数据输入预训练的光伏发电量预测模型中,输出预测结果;
其中,所述光伏发电量预测模型融合若干层卷积层和LSTM模型,提取沿时间序列的信息以及不同时间序列特征数据之间的融合信息,其具体结构包括2D卷积层、平均池化层、ReLU层、全连接层、LSTM层、展平层以及输出层。
2.如权利要求1所述的基于卷积LSTM的光伏电站日前发电量预测方法,其特征在于,所述光伏发电量预测模型中引入注意力机制模型,其具体结构包括2D卷积层、最大池化层、ReLU层、批归一化层、全连接层、LSTM和注意力机制层、展平层以及输出层。
3.如权利要求1所述的基于卷积LSTM的光伏电站日前发电量预测方法,其特征在于,所述光伏发电量预测模型中引入快捷连接机制,其融合两个通道的预测结果来来进行发电量预测,具体结构包括2D卷积层、平均池化层、ReLU层、全连接层、LSTM层、展平层、连接层以及输出层。
4.如权利要求1所述的基于卷积LSTM的光伏电站日前发电量预测方法,其特征在于,所述将预处理后的数据输入预训练的光伏发电量预测模型中,具体包括:
对3D的样本数据沿滑动窗口宽度维度进行切分,重塑为4D样本数据集;
通过卷积和池化运算,将4D的输入时间序列数据进行特征提取,获得4D特征图;
将4D特征图重塑为3D特征图,将3D特征图输入LSTM层,输出特征图;
经全连接层和展平层处理特征图,输出预测结果。
5.如权利要求1所述的基于卷积LSTM的光伏电站日前发电量预测方法,其特征在于,所述光伏发电量预测模型的训练具体包括:
获取历史光伏发电量数据及相关传感器记录的数据并进行预处理;
构建光伏发电量预测模型,并利用预处理后的数据进行模型训练;
根据模型中可变的参数确定模型需要搜索的超参数;
使用贝叶斯优化器调整所述伏发电量预测模型的超参数,获得训练好的光伏发电量预测模型。
6.如权利要求1所述的基于卷积LSTM的光伏电站日前发电量预测方法,其特征在于,所述预处理包括归一化处理和滑动窗口处理。
7.如权利要求1所述的基于卷积LSTM的光伏电站日前发电量预测方法,其特征在于,所述滑动窗口处理,通过设定的滑动窗口宽度和滑动步长,将原始序列数据在多维度时间序列数据上进行截取,获得包含样本数量、滑动窗口宽度和特征数量的样本数据集。
8.基于卷积LSTM的光伏电站日前发电量预测系统,其特征在于,包括:
数据获取单元,获取待预测光伏电站的历史用电数据,并进行预处理;
预测单元,将预处理后的数据输入预训练的光伏发电量预测模型中,输出预测结果;
其中,所述光伏发电量预测模型融合若干层卷积层和LSTM模型,其具体结构包括2D卷积层、平均池化层、ReLU层、全连接层、LSTM层、展平层以及输出层。
9.一种电子设备,包括存储器、处理器及存储在存储器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于卷积LSTM的光伏电站日前发电量预测方法。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一项所述的基于卷积LSTM的光伏电站日前发电量预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705885.5A CN113469427A (zh) | 2021-06-24 | 2021-06-24 | 基于卷积lstm的光伏电站日前发电量预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110705885.5A CN113469427A (zh) | 2021-06-24 | 2021-06-24 | 基于卷积lstm的光伏电站日前发电量预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113469427A true CN113469427A (zh) | 2021-10-01 |
Family
ID=77872609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110705885.5A Pending CN113469427A (zh) | 2021-06-24 | 2021-06-24 | 基于卷积lstm的光伏电站日前发电量预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113469427A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
CN114330934A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 一种模型参数自适应的gru新能源短期发电功率预测方法 |
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
CN114971058A (zh) * | 2022-06-09 | 2022-08-30 | 哈尔滨工业大学 | 基于深度注意力网络和晴空辐射先验融合的光伏预报方法 |
CN116707019A (zh) * | 2023-05-12 | 2023-09-05 | 云南电网有限责任公司信息中心 | 一种日前电力市场的电量分配方法、系统及计算机设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108140141A (zh) * | 2015-08-15 | 2018-06-08 | 易享信息技术有限公司 | 采用3d批归一化的三维(3d)卷积 |
CN108960491A (zh) * | 2018-06-15 | 2018-12-07 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的光伏发电量预测方法 |
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 |
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
CN111161217A (zh) * | 2019-12-10 | 2020-05-15 | 中国民航大学 | 基于Conv-LSTM多尺度特征融合的模糊检测方法 |
CN112152201A (zh) * | 2020-08-25 | 2020-12-29 | 国网山东综合能源服务有限公司 | 基于卷积长短时记忆神经网络的用电负荷预测方法及系统 |
KR20210023388A (ko) * | 2019-08-23 | 2021-03-04 | 주식회사 화성 | 기계 학습을 기반으로 한 태양광 발전량 예측 시스템 |
CN112508173A (zh) * | 2020-12-02 | 2021-03-16 | 中南大学 | 交通时空序列多步预测方法、系统及存储介质 |
KR20210047627A (ko) * | 2019-10-22 | 2021-04-30 | 한국전력공사 | 태양광 발전량 예측 장치 및 방법 |
-
2021
- 2021-06-24 CN CN202110705885.5A patent/CN113469427A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108140141A (zh) * | 2015-08-15 | 2018-06-08 | 易享信息技术有限公司 | 采用3d批归一化的三维(3d)卷积 |
CN108960491A (zh) * | 2018-06-15 | 2018-12-07 | 常州瑞信电子科技有限公司 | 基于rbf神经网络的光伏发电量预测方法 |
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 |
KR20210023388A (ko) * | 2019-08-23 | 2021-03-04 | 주식회사 화성 | 기계 학습을 기반으로 한 태양광 발전량 예측 시스템 |
KR20210047627A (ko) * | 2019-10-22 | 2021-04-30 | 한국전력공사 | 태양광 발전량 예측 장치 및 방법 |
CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
CN111161217A (zh) * | 2019-12-10 | 2020-05-15 | 中国民航大学 | 基于Conv-LSTM多尺度特征融合的模糊检测方法 |
CN112152201A (zh) * | 2020-08-25 | 2020-12-29 | 国网山东综合能源服务有限公司 | 基于卷积长短时记忆神经网络的用电负荷预测方法及系统 |
CN112508173A (zh) * | 2020-12-02 | 2021-03-16 | 中南大学 | 交通时空序列多步预测方法、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
李艳等: "基于CNN-LSTM网络模型的风电功率短期预测研究", 《华东交通大学学报》 * |
肖玉东: "基于随机森林与卷积神经网络的电力负荷预测研究", 《计算技术与自动化》 * |
陈莹等: "基于贝叶斯融合的时空流异常行为检测模型", 《电子与信息学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114123200A (zh) * | 2022-01-24 | 2022-03-01 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
CN114123200B (zh) * | 2022-01-24 | 2022-04-12 | 国网山西省电力公司晋城供电公司 | 基于数据驱动的光伏电站动态建模方法、存储设备 |
CN114330934A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 一种模型参数自适应的gru新能源短期发电功率预测方法 |
CN114662807A (zh) * | 2022-05-26 | 2022-06-24 | 国网浙江省电力有限公司电力科学研究院 | 基于序列编码重构的多尺度区域光伏出力预测方法及系统 |
CN114971058A (zh) * | 2022-06-09 | 2022-08-30 | 哈尔滨工业大学 | 基于深度注意力网络和晴空辐射先验融合的光伏预报方法 |
CN116707019A (zh) * | 2023-05-12 | 2023-09-05 | 云南电网有限责任公司信息中心 | 一种日前电力市场的电量分配方法、系统及计算机设备 |
CN116707019B (zh) * | 2023-05-12 | 2024-01-26 | 云南电网有限责任公司信息中心 | 一种日前电力市场的电量分配方法、系统及计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113469427A (zh) | 基于卷积lstm的光伏电站日前发电量预测方法及系统 | |
US20220373984A1 (en) | Hybrid photovoltaic power prediction method and system based on multi-source data fusion | |
Hong et al. | Day-ahead solar irradiation forecasting utilizing gramian angular field and convolutional long short-term memory | |
CN110348624B (zh) | 一种基于Stacking集成策略的沙尘暴等级预测方法 | |
Shang et al. | Short-term load forecasting based on PSO-KFCM daily load curve clustering and CNN-LSTM model | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
CN110909919A (zh) | 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 | |
CN113505923B (zh) | 一种地区电网短期负荷预测方法及系统 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN115115125A (zh) | 基于深度学习融合模型的光伏功率区间概率预测方法 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
Li et al. | Short-term Forecasting Approach Based on bidirectional long short-term memory and convolutional neural network for Regional Photovoltaic Power Plants | |
CN117233870B (zh) | 一种基于多气象要素的短临降水集合预报及降尺度方法 | |
CN113984198A (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
CN115481788B (zh) | 相变储能系统负荷预测方法及系统 | |
CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN116307746A (zh) | 基于分时体感温度相关性的lstm配变负荷预测实现方法 | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
Wang et al. | Optimization of Convolutional Long Short-Term Memory Hybrid Neural Network Model Based on Genetic Algorithm for Weather Prediction | |
Li et al. | Research on sand-dust storm forecasting based on deep neural network with stacking ensemble learning | |
Zhong et al. | Wind power generation prediction during the COVID-19 epidemic based on novel hybrid deep learning techniques | |
CN116842855B (zh) | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
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 |