CN115456235A - 一种基于多模态融合的光伏功率预测系统 - Google Patents
一种基于多模态融合的光伏功率预测系统 Download PDFInfo
- Publication number
- CN115456235A CN115456235A CN202210911460.4A CN202210911460A CN115456235A CN 115456235 A CN115456235 A CN 115456235A CN 202210911460 A CN202210911460 A CN 202210911460A CN 115456235 A CN115456235 A CN 115456235A
- Authority
- CN
- China
- Prior art keywords
- data
- processing module
- photovoltaic power
- attention
- data processing
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 40
- 230000007246 mechanism Effects 0.000 claims abstract description 20
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 5
- 238000010248 power generation Methods 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 5
- 238000000034 method Methods 0.000 description 10
- 230000015654 memory Effects 0.000 description 8
- 239000000284 extract Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000012466 permeate Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06N3/049—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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开一种基于多模态融合的光伏功率预测系统。其包括:第一数据处理模块,其反馈的天气预报数据信息,并通过维度信息进行融合得到预报数据特征;第二数据处理模块,其接收预报数据特征并基于自注意力机制得到预报数据的注意力特征;第三数据处理模块,其用以获得历史气象数据,通过维度信息进行融合,得到历史数据特征;第四数据处理模块,其接收历史数据特征并基于自注意力机制得到历史数据的注意力特征;第五数据处理模块,其通过融合预报数据的注意力特征与历史数据的注意力特征,得到融合特征,并传输至第六数据处理模块然后基于双向LSTM网络获取融合特征的前向特征和后向特征,再依据自注意力机制,以可靠获得预测的光伏功率。
Description
技术领域
本申请涉及光伏发电技术领域,尤其涉及一种基于多模态融合的光伏功率预测系统。
背景技术
随着化石能源的缺乏和环境污染等问题在全球范围内的日益突出,因此发展可再生能源并使其利用率最大化引起了国内外专家和学者的广泛重视。由于太阳辐照和其他环境因素的波动性、随机性和非线性等特点,光伏发电系统的输出功率随时间动态地改变,其变化不仅会影响并接的电力系统的稳定性还会给光伏发电系统的投资者增加利益风险。因此对光伏功率进行预测显得非常重要。
近年来,光伏发电工程规模已在我国呈现着逐渐扩大的趋势。随着并网的光伏系统数量的快速增长,其对电网的威胁正在凸现。特别地,在短时间内,电力系统调度运行因光伏发电呈现出这些不确定性和间歇性特点而引发的困扰会越来越明显。为了解决这些问题,需要采用准确可靠的光伏预测技术来降低运行成本,减小电力系统的不确定性。而对光电功率的准确预测,不仅是解决光电消纳这一问题的重要手段,也会增强光电在电力市场中的竞争力,提高上网电价。对发电企业来说,光电功率的精准预测有助于发电企业合理安排大型检修活动、减少浪费,提高经济效益。对发电功率进行短期或长期预测是解决该问题的主要途径。对于并网的新能源电站,要求必须配备功率预测系统,预测精度需满足一定要求。
目前国内外已提出了多种光伏功率预测算法,主要分为两种,一种是统计方法,另一种是物理方法。统计方法是建立在大量的历史数据基础上,运用数理统计的思想,包括经典数学理论和人工智能等方法进行预测。统计方法不需要详细的物理信息,但是如果光伏电站的历史数据不够完备,会影响预测的精度。有人用基于马尔科夫链的直接预测法,直接对光伏电站的历史功率数据统计建模,从而预测出光伏电站出力值。还有人对影响光伏输出功率的多种气象因素,如太阳辐照、温度、云量等进行分析,并建立了基于BP神经网络算法的光伏发电功率预测的统计模型,进而对光伏电站未来一天24h输出功率进行预测。物理预测方法则是将太阳辐照、温度、风速等气象数据作为物理模型的预测输入,利用求解物理方程的方式进行光伏发电预测。物理方法的优点是不需要大量的光伏发电系统历史运行数据,但是却需要考虑光伏组件详细的地理位置信息和光电转换效率等。
尽管研究者提出了很多光电功率预测模型,并在实验室条件和现场试验中获得了成功,但目前为止,能够实现商业化并能实现工业应用的预测系统还非常少。仍需要对光电电功率预测做进一步的研究,提高模型的精度和稳定性。
发明内容
为克服上述缺点,本申请的目的在于提供一种基于多模态融合的光伏功率预测系统,以有效提高预测准确度和稳定性。
为了达到以上目的,本申请采用如下技术方案:
一种基于多模态融合的光伏功率预测系统,其包括:
第一数据处理模块,其用以获得天气预报预测值支路反馈的天气预报数据信息,并通过维度信息进行融合,得到预报数据特征;
第二数据处理模块,其接收预报数据特征并基于自注意力机制得到预报数据的注意力特征;
第三数据处理模块,其用以获得对应的光伏电站的历史气象数据,并通过维度信息进行融合,得到历史数据特征;
第四数据处理模块,其接收历史数据特征并基于自注意力机制得到历史数据的注意力特征;
第五数据处理模块,其通过融合预报数据的注意力特征与历史数据的注意力特征,得到融合特征,并传输至第六数据处理模块,
第六数据处理模块,基于双向LSTM网络获取融合特征的前向特征和后向特征,再依据自注意力机制获取最终的注意力特征,以获得预测的光伏功率。该系统能够有效提取、融合多通道信号的信息,建模多通道天气预报预测值和历史数据值间的相关性,自动提取与目标任务强相关的高层语义特征,实现准确的光电功率预测。
优选的,该光伏功率预测系统中第六数据处理模块,依据自注意力机制获取最终的注意力特征并经全连接层数据处理以获得预测的光伏功率。
优选的,该注意力机制包括:基于给定一个查询向量q,通过计算与Key的注意力并附加到value,通过公式,
得到attention值,
式中,q表示Query,k表示Key,v表示Value。
优选的,该天气预报数据信息包括:气温、云量、总辐射照度或总辐射曝辐量中至少一种。
优选的,该历史气象数据包含直辐射、散辐射、总辐射、风速、风向或温度中的至少一种。
优选的,该第一数据处理模块包括一一匹配天气预报数据信息的相同结构的第一卷积网络模型,天气预报数据信息经所述第一数据处理模块处理得到各自特征后,通过维度信息进行融合,得到整个天气预报预测值支路的预报数据特征。
优选的,该第三数据处理模块包括一一匹配历史气象数据的相同结构的第二卷积网络模型,历史气象数据经所述第三数据处理模块处理得到各自特征后,通过维度信息进行融合,得到历史数据特征。
优选的,该第一卷积网络模型及第二卷积网络模型均为一维卷积网络,其分别包括:卷积层和激活层。
有益效果
与现有技术相比,本申请提供的预测系统能够有效提取、融合多通道信号的信息,建模多通道天气预报预测值和历史数据值间的相关性,自动提取与目标任务强相关的高层语义特征,实现准确的光电功率预测。
附图说明
附图用来提供对本公开技术方案的理解,并且构成说明书的一部分,与本公开的实施例一起用于解释本公开的技术方案,并不构成对本公开技术方案的限制。附图中各部件的形状和大小不反映真实比例,目的只是示意说明本申请内容。
图1为本申请实施例的基于多模态融合的光伏功率预测的功能示意图;
图2为本申请实施例的基于多模态融合的光伏功率预测系统的示意图;
图3为本申请实施例的光伏功率预测系统的预测与实际的对比示意图。
具体实施方式
以下结合具体实施例对上述方案做进一步说明。应理解,这些实施例是用于说明本申请而不限于限制本申请的范围。实施例中采用的实施条件可以如具体厂家的条件做进一步调整,未注明的实施条件通常为常规实验中的条件。
除非另外定义,本公开实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。在本文中,“电性连接”包括构成要素通过具有某种电作用的元件连接在一起的情况。“具有某种电作用的元件”只要可以进行连接的构成要素间的电信号的授受,就对其没有特别的限制。“具有某种电作用的元件”例如可以是电极或布线,或者是晶体管等开关元件,或者是电阻器、电感器或电容器等其它功能元件等。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
在本申请中,术语“上”、“下”、“内”、“中”等指示的方位或位置关系为基于附图所示的方位或位置关系。这些术语主要是为了更好地描述本申请及其实施例,并非用于限定所指示的装置、元件或组成部分必须具有特定方位,或以特定方位进行构造和操作。
本申请针对目前光伏发电功率预测研究中普遍集中于确定性单点预测上,即只能确定出某一时刻的一个单一值。考虑到光伏发电出力因受天气影响而表现出了较大的不确定性,这一不确定性使得在对光伏发电出力进行确定性的单点预测时,其预测误差是不可能被消除的。确定性预测中包含比较有限的信息量,因而无法准确体现出光伏预测结果的这一特性,并且随着未来十年中光伏电站在配电系统中的渗透,想要通过确定性的方法来满足电力系统优化运行的需求是很难的。对此申请人对光伏发电功率预测进行改进,提出一种基于多模态融合的光伏功率预测系统,以提高预测的精度。
接下来描述本申请提出的基于多模态融合的光伏功率预测系统(下称系统)。
太阳辐照强度的输出曲线基本代表了光伏输出功率曲线的波动趋势,据此申请人认为光电功率预测不但直接与天气预报的气温、云量、总辐射照度等因素相关,也与各种历史数据有一定的关联,因而提出基于多模态融合的光伏功率预测系统。
如图1所示该基于多模态融合的光伏功率预测系统框图,该系统包括:
第一数据处理模块,其用以获得天气预报预测值支路反馈的天气预报数据信息,并通过维度信息进行融合,得到预报数据特征;
第二数据处理模块,其接收预报数据特征并基于自注意力机制得到预报数据的注意力特征;
第三数据处理模块,其用以获得对应的光伏电站的历史气象数据,并通过维度信息进行融合,得到历史数据特征;
第四数据处理模块,其接收历史数据特征并基于自注意力机制得到历史数据的注意力特征;
第五数据处理模块,其通过融合预报数据的注意力特征与历史数据的注意力特征,得到融合特征,并传输至第六数据处理模块,
第六数据处理模块,基于双向LSTM网络获取融合特征的前向特征和后向特征,再依据自注意力机制获取最终的注意力特征,以获得预测的光伏功率。该系统通过建模来建立多通道天气预报预测值和历史数据值间的相关性,自动提取与目标任务强相关的高层语义特征,来实现准确的光电功率预测。
在一实施方式中,如图2所示,该系统进一步的包括:
两组信号(天气预报数据支路及历史气象数据支路),分别为天气预报数据和对应的光伏电站的历史气象数据。
天气预报预测值包含但不限于气温、云量、总辐射照度、总辐射曝辐量等因素的数值;历史数据值包含但不限于直辐射、散辐射、总辐射、风速、风向、温度等因素的数值。
在天气预报数据支路,气温、云量、总辐射照度、总辐射曝辐量等因素的数值被相同结构的卷积网络1进行操作,参数共享,得到各自特征后,通过维度信息进行融合,得到整个天气预报预测值支路的预报数据特征,然后通过自注意力机制得到预报数据的注意力特征。
在历史气象数据支路,多种历史数据通过相同的卷积网络2操作,参数共享,得到各自特征后,并通过维度信息进行融合,得到历史数据特征;再通过自注意力机制得到历史数据的注意力特征。
通过融合历史数据注意力特征与预报数据注意力特征,得到融合特征。
最后进过双向LSTM网络获取融合特征的前向特征和后向特征,再通过自注意力机制获取最终的注意力特征,特征以表达光伏功率的特征,再经过全连接层(fullyconnected layers,FC)即可获得预测的光伏功率。
上述实施方式中,卷积长短期记忆网络1和卷积长短期记忆网络2均为一维卷积网络。一维卷积即从序列中按照一定大小的窗口提取局部一维序列段(即子序列),然后与一个权重做点积,然后输出为新序列上的一个部分。卷积层和激活层是卷积网络最核心的部分,输入数据首先对卷积核进行卷积,卷积输出加上偏移量,然后使用下面的激活单元生成输出特征。卷积操作使用本地连接和权重共享的方法。与传统的全连接层相比,卷积层可以减少模型参数,提高模型计算速度更适合直接处理复杂的输入数据和提取局部特征。
卷积层通常包含多个卷积核,即多个滤波器。假设卷积核数为k,每个卷积核提取1个卷积核类型特征,对应一个特征矩阵,k个卷积核可输出k个特征特性矩阵。卷积运算可以表示为
Zk=f(Wk*X+b)
式中X为长度为m的输入数据,Wk是第k个大小为k1的卷积核,b是偏置,‘*’代表卷积操作。f是非线性激活函数,对卷积层的输出进行非线性变换,常用的激活函数有sigmoid,tanh和ReLu。
长短期记忆网络(LSTM)能够对具有长期依赖性的时间序列数据进行建模。相比RNN或其它RNN变种,LSTM已被证明是实际应用中最稳定、最强大的长时间学习模型。LSTM使用三个“门”结构控制存储单元ct的状态。这三个门可以删除或添加信息到单元格状态。这三个门是输入门it,忘记门ft和输出门ot,可以理解为允许信息通过的一种方法。
LSTM中信息传递和更新的过程可以用如下方程描述:
ft=σ(Wxfxt+Whfht-1+bf)
it=σ(Wxixt+Whiht-1+bi)
ot=σ(Wxoxt+Whoht-1+bo)
ht=ottanh(ct)
在每个时间步长t时,当前输入的xt、前一时刻隐藏状态gt-1和前一时刻存储单元状态ct-1可更新存储单元状态ct和隐藏状态ht。当有新的输入时,ft可以决定ct-1中有多少信息应该被遗忘。然后,it和将决定哪些新信息可以存储在单元状态。下一步是将旧的单元状态ct-1更新为新的细胞状态ct。最后,xt,ht-1和ct确定输出ht。LSTM(Long Short-TermMemory)的输入、单元格状态和输出都是一维向量。LSTM在输入到状态和状态到状态转换中使用完全连接。
为了获取更好的效果,本申请使用卷积长短期记忆网络提取特征,该网络不但可以提取到时间序列数据的时空特征,还可以学习复杂的时间依赖性以及时间序列数据的空间依赖性,使得局部卷积长短期记忆网络比卷积神经网络和长短期记忆网络能够发现更多的隐藏信息,将长短期记忆网络中的矩阵乘操作替换成卷积操作即可:
ft=σ(Wxf*xt+Whf*ht-1+bf)
it=σ(Wxi*xt+Whi*ht-1+bi)
ot=σ(Wxo*xt+Who*ht-1+bo)
ht=ottanh(ct)
本申请所用的注意力机制是给定一个查询向量q,通过计算与Key的注意力并附加到value,从而得到attention值。计算公式如下所示:
式中,q表示Query,k表示Key,v表示Value,首先q与k进行点乘,为防止结果过大,除以一个尺度标度dk为q和k的向量维度,再利用softmax(每个输出分类的结果都赋予一个概率值,表示属于每个类别的可能性)将结果归一化成概率分布,最终乘以矩阵v得到权重求和。
数据说明:本申请可以对光电功率进行长期预测(预测次年)、中期预测(预测未来几周或几月)、短期预测(预测未来2天或3天)和超短期预测(预测未来若干分钟,常用15min),使用者仅需根据需求,按照时间尺度构建数据即可。
训练阶段:输入根据需求构建的数据,通过卷积网络及本申请提出的方案,获得对光电功率预测有强表现力的特征,最后采用均方误差损失。前向传播得到各支路输出后根据上述损失函数计算梯度,进行反馈训练,迭代至模型收敛。
测试阶段:输入根据需求构建的数据,输出为光电功率的预测值。
本方案提出了多模态融合的光电功率预测系统,通过所设计的模块,能够有效提取、融合多通道信号的信息,建模多通道天气预报预测值和历史数据值间的相关性,自动提取与目标任务强相关的高层语义特征,实现准确的光电功率预测。
并通过实验进行验证,结果如图3所示,图3中横坐标是日期,纵坐标是发电功率,红色曲线是实际值,绿色曲线是预测值,在实际发电功率发生突变的时刻,本方案模型也能够较为准确的做出判断,预测结果也贴近实际发电功率曲线。说明本申请提出的方案能实现准确的光电功率预测。
上述实施例只为说明本申请的技术构思及特点,其目的在于让熟悉此项技术的人是能够了解本申请的内容并据以实施,并不能以此限制本申请的保护范围。凡如本申请精神实质所做的等效变换或修饰,都应涵盖在本申请的保护范围之内。
Claims (8)
1.一种基于多模态融合的光伏功率预测系统,其特征在于,包括:
第一数据处理模块,其用以获得天气预报预测值支路反馈的天气预报数据信息,并通过维度信息进行融合得到预报数据特征;
第二数据处理模块,其接收预报数据特征并基于自注意力机制得到预报数据的注意力特征;
第三数据处理模块,其用以获得对应的光伏电站的历史气象数据,并通过维度信息进行融合得到历史数据特征;
第四数据处理模块,其接收历史数据特征并基于自注意力机制得到历史数据的注意力特征;
第五数据处理模块,其通过融合预报数据的注意力特征与历史数据的注意力特征,得到融合特征,并传输至第六数据处理模块,
第六数据处理模块,基于双向LSTM网络获取融合特征的前向特征和后向特征,再依据自注意力机制获取最终的注意力特征,以获得预测的光伏发电功率。
2.如权利要求1所述的基于多模态融合的光伏功率预测系统,其特征在于,
第六数据处理模块,依据自注意力机制获取最终的注意力特征并经全连接层数据处理以获得预测的光伏功率。
4.如权利要求1所述的基于多模态融合的光伏功率预测系统,其特征在于,
所述天气预报数据信息包括:气温、云量、总辐射照度或总辐射曝辐量中至少一种。
5.如权利要求1所述的基于多模态融合的光伏功率预测系统,其特征在于,
所述历史气象数据包含直辐射、散辐射、总辐射、风速、风向或温度中的至少一种。
6.如权利要求1所述的基于多模态融合的光伏功率预测系统,其特征在于,
所述第一数据处理模块包括一一匹配天气预报数据信息的相同结构的第一卷积网络模型,天气预报数据信息经所述第一数据处理模块处理得到各自特征后,通过维度信息进行融合,得到整个天气预报预测值支路的预报数据特征。
7.如权利要求6所述的基于多模态融合的光伏功率预测系统,其特征在于,
所述第三数据处理模块包括一一匹配历史气象数据的相同结构的第二卷积网络模型,历史气象数据经所述第三数据处理模块处理得到各自特征后,通过维度信息进行融合,得到历史数据特征。
8.如权利要求7所述的基于多模态融合的光伏功率预测系统,其特征在于,
所述第一卷积网络模型及第二卷积网络模型均为一维卷积网络,其分别包括:卷积层和激活层。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210911460.4A CN115456235A (zh) | 2022-07-30 | 2022-07-30 | 一种基于多模态融合的光伏功率预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210911460.4A CN115456235A (zh) | 2022-07-30 | 2022-07-30 | 一种基于多模态融合的光伏功率预测系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115456235A true CN115456235A (zh) | 2022-12-09 |
Family
ID=84296767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210911460.4A Pending CN115456235A (zh) | 2022-07-30 | 2022-07-30 | 一种基于多模态融合的光伏功率预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456235A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721356A (zh) * | 2023-08-10 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 一种光伏系统的输出功率预测方法及相关设备 |
CN117913866A (zh) * | 2024-01-18 | 2024-04-19 | 中机智源科技有限公司 | 基于光伏发电的蓄能系统 |
-
2022
- 2022-07-30 CN CN202210911460.4A patent/CN115456235A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116721356A (zh) * | 2023-08-10 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 一种光伏系统的输出功率预测方法及相关设备 |
CN116721356B (zh) * | 2023-08-10 | 2023-11-24 | 深圳航天科创泛在电气有限公司 | 一种光伏系统的输出功率预测方法及相关设备 |
CN117913866A (zh) * | 2024-01-18 | 2024-04-19 | 中机智源科技有限公司 | 基于光伏发电的蓄能系统 |
CN117913866B (zh) * | 2024-01-18 | 2024-06-07 | 中机智源科技有限公司 | 基于光伏发电的蓄能系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Photovoltaic power forecasting based LSTM-Convolutional Network | |
Wang et al. | A day-ahead PV power forecasting method based on LSTM-RNN model and time correlation modification under partial daily pattern prediction framework | |
Mellit et al. | Deep learning neural networks for short-term photovoltaic power forecasting | |
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
Yang et al. | LSTM-attention-embedding model-based day-ahead prediction of photovoltaic power output using Bayesian optimization | |
Guo et al. | Study on short-term photovoltaic power prediction model based on the Stacking ensemble learning | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN115456235A (zh) | 一种基于多模态融合的光伏功率预测系统 | |
Aslam et al. | Deep learning based techniques to enhance the performance of microgrids: a review | |
Li et al. | Spatio-temporal modeling with enhanced flexibility and robustness of solar irradiance prediction: a chain-structure echo state network approach | |
CN112215428A (zh) | 基于误差修正和模糊逻辑的光伏发电功率预测方法及系统 | |
Dou et al. | Elman neural network based short-term photovoltaic power forecasting using association rules and kernel principal component analysis | |
Hu et al. | Improved multistep ahead photovoltaic power prediction model based on LSTM and self-attention with weather forecast data | |
Xin | Forecast of photovoltaic generated power based on WOA-LSTM | |
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 | |
Liu et al. | A weight-varying ensemble method for short-term forecasting PV power output | |
Huang et al. | Short-term load forecasting based on a hybrid neural network and phase space reconstruction | |
Jønler et al. | Probabilistic forecasts of global horizontal irradiance for solar systems | |
Mohanty et al. | Artificial intelligence based forecasting & optimization of solar cell model | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
Xu et al. | One-day ahead forecast of PV output based on deep belief network and weather classification | |
Tran et al. | Short-term solar power generation forecasting using edge ai | |
Alsafasfeh | An Efficient Algorithm for Power Prediction in PV Generation System. | |
Dou et al. | Short-term photovoltaic output forecasting based on multivariable phase space reconstruction and support vector regression | |
Zhang et al. | A Convolutional Neural Network for Regional Photovoltaic Generation Point Forecast |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |