CN113935534A - 一种基于卷积transformer架构的光伏日前预测方法、系统及设备 - Google Patents
一种基于卷积transformer架构的光伏日前预测方法、系统及设备 Download PDFInfo
- Publication number
- CN113935534A CN113935534A CN202111223326.7A CN202111223326A CN113935534A CN 113935534 A CN113935534 A CN 113935534A CN 202111223326 A CN202111223326 A CN 202111223326A CN 113935534 A CN113935534 A CN 113935534A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic
- output
- decoder
- irradiance
- 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 43
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000006641 stabilisation Effects 0.000 claims description 3
- 238000011105 stabilization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013082 photovoltaic technology Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于卷积transformer架构的光伏日前预测方法、系统及设备,获取气象历史数据和光伏系统运行历史数据,并作为数据集;将数据集分成训练集和测试集,从原始时间序列中提取多个不同的训练集,按顺序或随机地将第一年的训练集划分多个部分;对第一年的训练集进行辐照度过滤,辐照度过滤后的数据集被用来训练在不同辐照度下的机器学习模型;计算编码器和解码器中的自注意力层,在计算解码器的上一个输出和编码器的输出时采用大于1的卷积核来进行卷积操作;堆叠编码器和解码器得到光伏功率预测模型;获取当前气象数据和光伏系统运行数据输入光伏功率预测模型,光伏功率预测模型的输出结果为光伏日前功率的预测结果。
Description
技术领域
本发明属于光伏功率预测领域,涉及一种基于卷积transformer架构的光伏日 前预测方法、系统及设备。
背景技术
光伏技术正在成为满足未来电力需求的主要来源。更高份额的可再生能源技 术对于满足未来新型电力系统电网的需求至关重要,但也带来了新的电网运行挑 战。电力公司需要对光伏发电功率进行预测,以便进行发电调度操作。预测是一 个主要的推动因素,可以确保安全和经济的光伏并网,同时在电力系统不同层面 的许多灵活性创新之间建立联系,以实现协同效应。准确的光伏功率预测是一个 重要的、具有成本效益的能源管理要素,它还有助于光伏电站和集合系统有效和 直接地参与电力市场,并且通过优化供应计划来增加收入。
大部分光伏功率预测基于时间序列分析的方法都假定信号是以固定的时间 间隔系统地测量的。首先大家会想到递归神经网络类的模型,但递归神经网络在 网络加深时存在梯度消失和梯度爆炸问题。即使是后续的长短期记忆网络,在捕 捉长期依赖上依然力不从心。后续发展出来的Transformer架构更强的长期依赖 建模能力,在长序列上效果更好。在前面提到过,基于递归神经网络的方法面对 长序列时无法完全消除梯度消失和梯度爆炸的问题,而Transformer架构则可以 解决这个问题,在长序列上效果更好,但原始Transformer架构的自注意力计算 方法存在对局部信息不敏感的问题,使得模型易受异常点影响。
发明内容
本发明的目的在于克服上述现有技术的缺点,提供一种基于卷积transformer 架构的光伏日前预测方法、系统及设备,针对时序数据预测任务的特点,增强对 局部上下文信息的关注,使预测更精准。
为达到上述目的,本发明采用以下技术方案予以实现:
一种基于卷积transformer架构的光伏日前预测方法,包括以下过程:
S1,获取气象历史数据和光伏系统运行历史数据,并作为数据集;
S2,将设定年数及以上的数据集分成训练集和测试集,从原始时间序列中提 取多个不同的训练集,按顺序或随机地将第一年的训练集划分多个部分;
S3,对第一年的训练集进行辐照度过滤,辐照度过滤后的数据集被用来训练 在不同辐照度下的机器学习模型;
S4,计算编码器和解码器中的自注意力层,在计算解码器的上一个输出和编 码器的输出时采用大于1的卷积核来进行卷积操作;堆叠编码器和解码器得到光 伏功率预测模型;
S5,获取当前气象数据和光伏系统运行数据输入光伏功率预测模型,光伏功 率预测模型的输出结果为光伏日前功率的预测结果。
优选的,S1中,气象历史数据包括平面内太阳高度角、风向、风速和环境温 度;光伏系统运行历史数据包括最大功率点、最大功率输出点的电流、电压、功 率、在光伏阵列的输出端输出值和模块温度、逆变器交流侧输出值、太阳方位角 和仰角。
优选的,S2中,按顺序或随机地将第一年的训练集划分10%、30%、50%和 70%的部分。
优选的,S3中,辐照度过滤器包括低通过滤器和高通滤波器,低通过滤器过 滤掉辐照度>600瓦/平方米的高辐照度条件,高通滤波器过滤掉辐照度≤600瓦/ 平方米的数据。
优选的,S4中,计算自注意力层时,解码器中特征向量如下所示:
将输入转化成嵌入向量;根据嵌入向量得到Q、K和V三个向量;为每个向 量计算一个分数:score=q*k;为了梯度的稳定,Transformer使用了分数归一化, 即除以对分数施以softmax激活函数;softmax点乘Value值,得到加权的 每个输入向量的评分v,相加之后得到最终的输出结果:tex=z=∑v;在计 算Q和K时采用大于1的卷积核来进行卷积操作;得到上述输出结果后,将输 出结构送入编码器下一模块,前馈神经网络层,前馈神经网络层有两层,第一层 的激活函数是ReLU,第二层是一个线性激活函数,表示为:
FFN(Z)=max(0,ZW1+b1)W2+b2。
进一步,解码器中,比编码器中多了个编码-解码注意力层,在编码-解码注 意力层中,Q来自于解码器的上一个输出,K和V来自于与编码器的输出,解码 器解码之后,解码的特征向量经过一层激活函数为softmax的全连接层之后得到 反映每个数据概率的输出向量。一个完整可训练的网络结构便是编码器和解码器 的堆叠。
再进一步,S5的具体过程为,获取当前气象数据和光伏系统运行数据输入光 伏功率预测模型的卷积层和编码层、通过卷积层和编码层的输出相加后得到第一 当前初始数据并输送至解码器组,解码器组根据第一当前初始数据和第二历史初 始数据得到初始目标数据并输送至激活输出层,激活输出层的输出结果为光伏日 前功率的预测结果。
一种基于卷积transformer架构的光伏日前预测系统,包括:
评估数据集获取模块,用于获取气象历史数据和光伏系统运行历史数据,并 作为数据集;
数据集划分模块,用于将设定年数及以上的数据集分成训练集和测试集,从 原始时间序列中提取多个不同的训练集,按顺序或随机地将第一年的训练集划分 多个部分;
辐照度过滤模块,用于对第一年的训练集进行辐照度过滤,辐照度过滤后的 数据集被用来训练在不同辐照度下的机器学习模型;
光伏功率预测模型建立模块,用于计算编码器和解码器中的自注意力层,在 计算解码器的上一个输出和编码器的输出时采用大于1的卷积核来进行卷积操 作;堆叠编码器和解码器得到光伏功率预测模型;
光伏日前功率预测模块,用于获取当前气象数据和光伏系统运行数据输入光 伏功率预测模型,光伏功率预测模型的输出结果为光伏日前功率的预测结果。
一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述 处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意 一项所述基于卷积transformer架构的光伏日前预测方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所 述计算机程序被处理器执行时实现如上述任意一项所述基于卷积transformer架 构的光伏日前预测方法的步骤。
与现有技术相比,本发明具有以下有益效果:
本发明利用了Transformer的优势,并在Transformer的基础上改进了自注意 力层的计算方式以适应时序数据,针对时序数据预测任务的特点,通过增强局部 上下文的建模能力,提出的改进方法是在计算解码器的上一个输出和编码器的输 出时采用大于1的卷积核来进行卷积操作,从而实现使注意力关注局部上下文, 使得更相关的特征能够得到匹配,通过产生查询和键值的因果卷积,从而使局部 环境可以更好地纳入到注意力机制,能够更快地拟合,在复杂的数据集中可提升 了模型的预测准确度,且取得更低的训练损失。
进一步,应用辐照度过滤器,针对不同辐照度状态下,分类研究光伏工况, 提升模型准确率。
附图说明
图1为本发明的卷积transformer架构的光伏日前预测模型预测流程图;
图2为本发明的卷积transformer架构的自注意力层流程图;
图3为本发明的卷积transformer架构编码器-解码器流程图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例 中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述 的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的 实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、 “第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应 该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例 能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具 有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步 骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单 元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其 它步骤或单元。
下面结合附图对本发明做进一步详细描述:
如图1所示,为本发明所述的基于卷积transformer架构的光伏日前预测方 法,包括以下过程:
步骤1:根据国际电工委员会的要求(IEC)61724。获取气象历史数据,清洗无 效数据,同时筛选正常工况数据并进行数据归一化,公式为:
测量的气象参数包括平面内太阳高度角G1和风向Wa、风速Ws、环境温度Tamb。
步骤2:获取光伏系统至少两年的运行数据,清洗无效数据,同时筛选正常 工况数据并进行数据归一化;测量点包括最大功率点(MPP)最大功率输出点的 电流Imp、最大功率输出点电压Vmp,以及功率Pmp,在光伏阵列的输出端(直流 侧)输出值和模块温度。逆变器交流侧输出值。太阳的位置参数即太阳方位角和仰角α。
步骤3:对获得的气象历史数据和光伏系统运行历史数据作为数据集进行彻 底检查,以发现错误的数值、异常值、空白和重复,对数据集进行连续的过滤和 数据挖掘确保数据的可用性。通过数据集中的数据设置阈值范围来检测与正常实 例有显著差异的特征,通过搜索空值(NA)来检测缺失的数据,以及重复的测量。 所有检测到的错误和缺失数据都从数据集中丢弃,作为评估数据集。
步骤4:不同的数据分割方法,将2年及以上的评估数据集分成训练集和测 试集。从原始时间序列中提取10个不同的训练集,按顺序或随机地将第一年的 训练集划分为10%、30%、50%和70%的部分。
步骤5:对第一年的评估数据集应用辐照度过滤器。应用的过滤器包括一个 低通过滤器,过滤辐照度>600瓦/平方米的高辐照度条件,即保持低度和中度辐 照度条件;以及一个高通滤波器,过滤掉辐照度≤600瓦/平方米的数据即保持高 辐照度条件,低辐照度和高辐照度的数据集都被用来训练在不同辐照度下的机器 学习模型。
将输入转化成嵌入向量;
根据嵌入向量得到Q、K和V三个向量;
为每个向量计算一个分数:score=q·k;
对分数施以softmax激活函数;
softmax点乘Value值,得到加权的每个输入向量的评分V,
相加之后得到最终的输出结果:tex=z=∑v。在计算Q和K时采用大 于1的卷积核来进行卷积操作,从而实现使注意力关注局部上下文,使得更相关 的特征能够得到匹配。得到上述输出结果后,将输出结构送入编码器下一模块, 前馈神经网络层。这个全连接有两层,第一层的激活函数是ReLU,第二层是一 个线性激活函数,可以表示为:
FFN(Z)=max(0,ZW1+b1)W2+b2
步骤7:如图3所示,解码器中,比编码器中多了个编码-解码注意力层。在 编码-解码注意力层中,Q来自于解码器的上一个输出,K和V则来自于与编码 器的输出。解码器解码之后,解码的特征向量经过一层激活函数为softmax的全 连接层之后得到反映每个数据概率的输出向量。一个完整可训练的网络结构便是 编码器和解码器的堆叠,堆叠编码器和解码器得到光伏功率预测模型。
步骤8:获取当前气象数据和光伏系统运行数据输入光伏功率预测模型的卷 积层和编码层、通过卷积层和编码层的输出相加后得到第一当前初始数据并输送 至解码器组,解码器组根据第一当前初始数据和第二历史初始数据得到初始目标 数据并输送至激活输出层,得到预测结果。
下述为本发明的装置实施例,可以用于执行本发明方法实施例。对于装置实 施例中未纰漏的细节,请参照本发明方法实施例。
本发明再一个实施例中,提供了一种基于卷积transformer架构的光伏日前预 测系统,该基于卷积transformer架构的光伏日前预测系统可以用于实现上述基于 卷积transformer架构的光伏日前预测方法,具体的包括:
评估数据集获取模块,用于获取气象历史数据和光伏系统运行历史数据,并 作为数据集。
数据集划分模块,用于将设定年数及以上的数据集分成训练集和测试集,从 原始时间序列中提取多个不同的训练集,按顺序或随机地将第一年的训练集划分 多个部分。
辐照度过滤模块,用于对第一年的训练集进行辐照度过滤,辐照度过滤后的 数据集被用来训练在不同辐照度下的机器学习模型。
光伏功率预测模型建立模块,用于计算编码器和解码器中的自注意力层,在 计算解码器的上一个输出和编码器的输出时采用大于1的卷积核来进行卷积操 作;堆叠编码器和解码器得到光伏功率预测模型。
光伏日前功率预测模块,用于获取当前气象数据和光伏系统运行数据输入光 伏功率预测模型,光伏功率预测模型的输出结果为光伏日前功率的预测结果。
本发明再一个实施例中,提供了一种终端设备,该终端设备包括处理器以及 存储器,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述 处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单 元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit, ASIC)、现成可编程门阵列(Field-Programmable GateArray,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,其是终端的计算核 心以及控制核心,其适于实现一条或一条以上指令,具体适于加载并执行一条或 一条以上指令从而实现相应方法流程或相应功能;本发明实施例所述的处理器可 以用于基于卷积transformer架构的光伏日前预测方法的操作。
再一个实施例中,本发明还提供了一种计算机可读存储介质(Memory),所 述计算机可读存储介质是终端设备中的记忆设备,用于存放程序和数据。可以理 解的是,此处的计算机可读存储介质既可以包括终端设备中的内置存储介质,当 然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空 间,该存储空间存储了终端的操作系统。并且,在该存储空间中还存放了适于被 处理器加载并执行的一条或一条以上的指令,这些指令可以是一个或一个以上的 计算机程序(包括程序代码)。需要说明的是,此处的计算机可读存储介质可以是 高速RAM存储器,也可以是非不稳定的存储器(non-volatile memory),例如至少 一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令, 以实现上述实施例中有关基于卷积transformer架构的光伏日前预测方法的相应 步骤;计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步 骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算 机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软 件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计 算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、 光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的 流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方 框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的 结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或 其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编 程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流 程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备 以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指 令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得 在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从 而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或 多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制, 尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当 理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发 明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范 围之内。
Claims (10)
1.一种基于卷积transformer架构的光伏日前预测方法,其特征在于,包括以下过程:
S1,获取气象历史数据和光伏系统运行历史数据,并作为数据集;
S2,将设定年数及以上的数据集分成训练集和测试集,从原始时间序列中提取多个不同的训练集,按顺序或随机地将第一年的训练集划分多个部分;
S3,对第一年的训练集进行辐照度过滤,辐照度过滤后的数据集被用来训练在不同辐照度下的机器学习模型;
S4,计算编码器和解码器中的自注意力层,在计算解码器的上一个输出和编码器的输出时采用大于1的卷积核来进行卷积操作;堆叠编码器和解码器得到光伏功率预测模型;
S5,获取当前气象数据和光伏系统运行数据输入光伏功率预测模型,光伏功率预测模型的输出结果为光伏日前功率的预测结果。
2.根据权利要求1所述的基于卷积transformer架构的光伏日前预测方法,其特征在于,S1中,气象历史数据包括平面内太阳高度角、风向、风速和环境温度;光伏系统运行历史数据包括最大功率点、最大功率输出点的电流、电压、功率、在光伏阵列的输出端输出值和模块温度、逆变器交流侧输出值、太阳方位角和仰角。
3.根据权利要求1所述的基于卷积transformer架构的光伏日前预测方法,其特征在于,S2中,按顺序或随机地将第一年的训练集划分10%、30%、50%和70%的部分。
4.根据权利要求1所述的基于卷积transformer架构的光伏日前预测方法,其特征在于,S3中,辐照度过滤器包括低通过滤器和高通滤波器,低通过滤器过滤掉辐照度>600瓦/平方米的高辐照度条件,高通滤波器过滤掉辐照度≤600瓦/平方米的数据。
5.根据权利要求1所述的基于卷积transformer架构的光伏日前预测方法,其特征在于,S4中,计算自注意力层时,解码器中特征向量如下所示:
将输入转化成嵌入向量;根据嵌入向量得到Q、K和V三个向量;为每个向量计算一个分数:score=q*k;为了梯度的稳定,Transformer使用了分数归一化,即除以对分数施以softmax激活函数;softmax点乘Value值,得到加权的每个输入向量的评分v,相加之后得到最终的输出结果:tex=z=∑v;在计算Q和K时采用大于1的卷积核来进行卷积操作;得到上述输出结果后,将输出结构送入编码器下一模块,前馈神经网络层,前馈神经网络层有两层,第一层的激活函数是ReLU,第二层是一个线性激活函数,表示为:
FFN(Z)=max(0,ZW1+b1)W2+b2。
6.根据权利要求5所述的基于卷积transformer架构的光伏日前预测方法,其特征在于,解码器中,比编码器中多了个编码-解码注意力层,在编码-解码注意力层中,Q来自于解码器的上一个输出,K和V来自于与编码器的输出,解码器解码之后,解码的特征向量经过一层激活函数为softmax的全连接层之后得到反映每个数据概率的输出向量。一个完整可训练的网络结构便是编码器和解码器的堆叠。
7.根据权利要求6所述的基于卷积transformer架构的光伏日前预测方法,其特征在于,S5的具体过程为,获取当前气象数据和光伏系统运行数据输入光伏功率预测模型的卷积层和编码层、通过卷积层和编码层的输出相加后得到第一当前初始数据并输送至解码器组,解码器组根据第一当前初始数据和第二历史初始数据得到初始目标数据并输送至激活输出层,激活输出层的输出结果为光伏日前功率的预测结果。
8.一种基于卷积transformer架构的光伏日前预测系统,其特征在于,包括:
评估数据集获取模块,用于获取气象历史数据和光伏系统运行历史数据,并作为数据集;
数据集划分模块,用于将设定年数及以上的数据集分成训练集和测试集,从原始时间序列中提取多个不同的训练集,按顺序或随机地将第一年的训练集划分多个部分;
辐照度过滤模块,用于对第一年的训练集进行辐照度过滤,辐照度过滤后的数据集被用来训练在不同辐照度下的机器学习模型;
光伏功率预测模型建立模块,用于计算编码器和解码器中的自注意力层,在计算解码器的上一个输出和编码器的输出时采用大于1的卷积核来进行卷积操作;堆叠编码器和解码器得到光伏功率预测模型;
光伏日前功率预测模块,用于获取当前气象数据和光伏系统运行数据输入光伏功率预测模型,光伏功率预测模型的输出结果为光伏日前功率的预测结果。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任意一项所述基于卷积transformer架构的光伏日前预测方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任意一项所述基于卷积transformer架构的光伏日前预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111223326.7A CN113935534A (zh) | 2021-10-20 | 2021-10-20 | 一种基于卷积transformer架构的光伏日前预测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111223326.7A CN113935534A (zh) | 2021-10-20 | 2021-10-20 | 一种基于卷积transformer架构的光伏日前预测方法、系统及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935534A true CN113935534A (zh) | 2022-01-14 |
Family
ID=79280926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111223326.7A Pending CN113935534A (zh) | 2021-10-20 | 2021-10-20 | 一种基于卷积transformer架构的光伏日前预测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935534A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN115049169A (zh) * | 2022-08-16 | 2022-09-13 | 国网湖北省电力有限公司信息通信公司 | 基于频域和空域结合的区域用电量预测方法、系统及介质 |
CN115545269A (zh) * | 2022-08-09 | 2022-12-30 | 南京信息工程大学 | 一种基于卷积自注意力Transformer模型的电网参数辨识方法 |
WO2023070960A1 (zh) * | 2021-10-29 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于卷积transformer架构的风功率预测方法、系统及设备 |
CN116384593A (zh) * | 2023-06-01 | 2023-07-04 | 深圳市国电科技通信有限公司 | 分布式光伏出力预测方法、装置、电子设备和介质 |
WO2024016586A1 (zh) * | 2022-07-18 | 2024-01-25 | 中国电信股份有限公司 | 机房温度控制方法及装置、电子设备、存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705789A (zh) * | 2019-09-30 | 2020-01-17 | 国网青海省电力公司经济技术研究院 | 一种光伏电站短期功率预测方法 |
CN111080032A (zh) * | 2019-12-30 | 2020-04-28 | 成都数之联科技有限公司 | 一种基于Transformer结构的负荷预测方法 |
CN112991090A (zh) * | 2021-02-05 | 2021-06-18 | 江南大学 | 基于Transformer模型的光伏功率预测方法 |
CN113269182A (zh) * | 2021-04-21 | 2021-08-17 | 山东师范大学 | 一种基于变体transformer对小区域敏感的目标果实检测方法及系统 |
CN113487061A (zh) * | 2021-05-28 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 一种基于图卷积-Informer模型的长时序交通流量预测方法 |
-
2021
- 2021-10-20 CN CN202111223326.7A patent/CN113935534A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705789A (zh) * | 2019-09-30 | 2020-01-17 | 国网青海省电力公司经济技术研究院 | 一种光伏电站短期功率预测方法 |
CN111080032A (zh) * | 2019-12-30 | 2020-04-28 | 成都数之联科技有限公司 | 一种基于Transformer结构的负荷预测方法 |
CN112991090A (zh) * | 2021-02-05 | 2021-06-18 | 江南大学 | 基于Transformer模型的光伏功率预测方法 |
CN113269182A (zh) * | 2021-04-21 | 2021-08-17 | 山东师范大学 | 一种基于变体transformer对小区域敏感的目标果实检测方法及系统 |
CN113487061A (zh) * | 2021-05-28 | 2021-10-08 | 山西云时代智慧城市技术发展有限公司 | 一种基于图卷积-Informer模型的长时序交通流量预测方法 |
Non-Patent Citations (1)
Title |
---|
王晨阳: "基于遗传算法优化卷积长短记忆混合神经网络模型的光伏发电功率预测", 物理学报, no. 10, 31 May 2020 (2020-05-31), pages 149 - 155 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023070960A1 (zh) * | 2021-10-29 | 2023-05-04 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于卷积transformer架构的风功率预测方法、系统及设备 |
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 |
CN114662807B (zh) * | 2022-05-26 | 2022-10-14 | 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 |
WO2024016586A1 (zh) * | 2022-07-18 | 2024-01-25 | 中国电信股份有限公司 | 机房温度控制方法及装置、电子设备、存储介质 |
CN115545269A (zh) * | 2022-08-09 | 2022-12-30 | 南京信息工程大学 | 一种基于卷积自注意力Transformer模型的电网参数辨识方法 |
CN115049169A (zh) * | 2022-08-16 | 2022-09-13 | 国网湖北省电力有限公司信息通信公司 | 基于频域和空域结合的区域用电量预测方法、系统及介质 |
CN116384593A (zh) * | 2023-06-01 | 2023-07-04 | 深圳市国电科技通信有限公司 | 分布式光伏出力预测方法、装置、电子设备和介质 |
CN116384593B (zh) * | 2023-06-01 | 2023-08-18 | 深圳市国电科技通信有限公司 | 分布式光伏出力预测方法、装置、电子设备和介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113935534A (zh) | 一种基于卷积transformer架构的光伏日前预测方法、系统及设备 | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
AU2017206794B2 (en) | Localized temporal model forecasting | |
WO2023070960A1 (zh) | 一种基于卷积transformer架构的风功率预测方法、系统及设备 | |
CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
CN110059891B (zh) | 一种基于vmd-svm-wsa-gm组合模型的光伏电站输出功率预测方法 | |
CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测系统及其方法 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
CN104077632A (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN103984986B (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
JP6086875B2 (ja) | 発電量予測装置および発電量予測方法 | |
CN106503861B (zh) | 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
Viet et al. | A short-term wind power forecasting tool for vietnamese wind farms and electricity market | |
CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
CN112801357B (zh) | 日照辐射量预测方法、装置、设备及存储介质 | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
Wang et al. | An ultra-short-term forecasting model for high-resolution solar irradiance based on SOM and deep learning algorithm | |
van der Walt et al. | A comparison of regression algorithms for wind speed forecasting at Alexander Bay | |
Dong et al. | Studies on wind farms ultra-short term NWP wind speed correction methods | |
Rashkovska et al. | Online short-term forecasting of photovoltaic energy production | |
CN104376386A (zh) | 一种风电场中风电机功率预测方法 | |
Huang et al. | Photovoltaic Power Prediction Model Based on Weather Forecast | |
Liu et al. | A Bayesian Deep Learning-Based Probabilistic Risk Assessment and Early-Warning Model for Power Systems Considering Meteorological Conditions | |
CN113468797A (zh) | 一种电-气综合能源系统状态估计方法和系统 |
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 |