CN115496263A - 一种基于时空遗传注意力网络的短期光伏发电预测方法 - Google Patents
一种基于时空遗传注意力网络的短期光伏发电预测方法 Download PDFInfo
- Publication number
- CN115496263A CN115496263A CN202211022701.6A CN202211022701A CN115496263A CN 115496263 A CN115496263 A CN 115496263A CN 202211022701 A CN202211022701 A CN 202211022701A CN 115496263 A CN115496263 A CN 115496263A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- meteorological
- steps
- photovoltaic power
- 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 58
- 230000002068 genetic effect Effects 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000035772 mutation Effects 0.000 claims description 3
- 239000000243 solution Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010339 dilation Effects 0.000 description 2
- 239000012895 dilution Substances 0.000 description 2
- 238000010790 dilution Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012423 maintenance 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000006403 short-term memory 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Power Engineering (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)
Abstract
本发明公开了一种基于时空遗传注意力网络的短期光伏发电预测方法,包括以下步骤:对原始气象因素数据进行归一化处理,得到预处理后的归一化气象信息数据;将归一化气象信息数据输入时空模块得到气象预测数据;将历史发电数据和气象预测数据输入基于遗传注意力模块以预测分布式光伏电站的实际发电量;模型训练,得到预测的功率结果。本发明解决了现有方法受到有限数据的限制,无法发现潜在的相关性和相关信息的问题。
Description
技术领域
本发明涉及时空数据预测领域,特别涉及一种基于时空遗传注意力网络的短期光伏发电预测方法。
背景技术
近年来,随着传统资源的短缺和环境保护的需要,对可再生能源(RESs)的需求急剧增加。在所有的可再生能源中,太阳能作为最典型的一种,因其丰富的资源和几乎无处不在的可及性而引起广泛关注。
然而,光伏发电的随机性、波动性和间歇性,由于其对大气温度、总云量和湿度等即时气象因素的依赖,使其在利用上比传统发电来源更具挑战性。在一些分布式光伏电站中,气象因素的精确测量往往被忽视,这给发电量的预测带来了更多困难。这些不确定性会降低实时控制性能,降低系统的经济性,并危及电力系统的稳定运行,从而给电力和能源系统的管理和运行带来重大挑战。
为了克服这些缺点,需要准确的光伏发电量预测。此外,它还可以为电网调度和光伏电站的运行提供参考,这对安全和经济效益都有意义。光伏发电量预测可分为超短期预测(<1小时)、短期预测(1小时-24小时)、中期预测(1天-1个月)和长期预测(1个月-1年)。
短期预测有助于预先安排和设备维护,以防止不适当的输出功率。此外,光伏输出功率过高或过低都会影响电网的安全和可靠运行,这限制了大型光伏并网系统的使用。因此,有必要建立一个准确的短期光伏预测模型,以确保光伏发电站保持稳定和可靠。
目前大多数短期光伏预测模型可用的方法都受到有限数据的限制,无法发现潜在的相关性和相关信息。
发明内容
针对现有技术的不足,本发明提供了一种基于时空遗传注意力网络的短期光伏发电预测方法,该方法解决了现有方法受到有限数据的限制,无法发现潜在的相关性和相关信息的问题,提高了光伏发电量预测的准确性。
本发明通过以下技术方案实现:
一种基于时空遗传注意力网络的短期光伏发电预测方法,包括以下步骤:
对原始气象因素数据进行归一化处理,得到预处理后的归一化气象信息数据;
将归一化气象信息数据输入时空模块得到气象预测数据;
将历史发电数据和气象预测数据输入基于遗传注意力模块以预测分布式光伏电站的实际发电量;
模型训练,得到预测的功率结果。
进一步的,所述步骤:对原始气象因素数据进行归一化处理,得到预处理后的归一化气象信息数据,具体包括:
其中x′in是归一化气象信息数据;xin是原始气象因素数据;max(xin)和min(xin)分别是原始气象因素数据的最大值和最小值。
进一步的,所述步骤:将归一化气象信息数据输入时空模块得到气象预测数据,具体包括:
将归一化气象信息数据输入第一时间子模块进行计算,具体包括以下步骤:
分别进行扩张卷积运算,得到两个大小相同的输出结果A和B,扩张卷积运算如下:
其中,d是控制跳过距离的扩张参数,f∈Rk是内核,xt是序列x的第t个值;
将A和B分别通过sigmoid函数运算和融合运算,最后进行Hadamard乘积来获得结果;结果计算方式如下:
将第一时间子模块得出的结果输入空间子模块进行计算,具体包括:
gθ(·)*x=Ugθ(A)UTx
其中,x为输入,gθ(·)*x为输出,其中U是归一化图拉普拉斯L=IN-D-1/2AD-1/2=UΛU的特征向量矩阵,其特征值为Λ,UTx是x的图形傅里叶变换。
将空间子模块得出的结果输入第二时间子模块进行计算,具体包括以下步骤:
分别进行扩张卷积运算,得到两个大小相同的输出结果A1和B1,扩张卷积运算如下:
其中,d是控制跳过距离的扩张参数,f∈Rk是内核,xt是序列x的第t个值;
将A1和B1分别通过sigmoid函数运算和融合运算,最后进行Hadamard乘积来获得结果;结果计算方式如下:
将第二时间子模块得出的结果通过全连接层产生综合特征,生成最终的气象预测数据。
进一步的,所述步骤:将历史发电数据和气象预测数据输入基于遗传注意力模块以预测分布式光伏电站的实际发电量,具体包括以下步骤:
通过滑动窗口构造将历史发电数据和气象预测数据组成输入矩阵;
基于遗传的搜索算子初始化输入矩阵的权重;
将输入矩阵馈送到长短期记忆网络(LSTM,Long Short-Term Memory)以获得进一步迭代的损失并获得更好的权重。
进一步的,所述步骤:将输入矩阵馈送到LSTM以获得进一步迭代的损失并获得更好的权重之前,还包括以下步骤:
基于遗传的搜索算子来训练注意力权重,将训练损失作为参考,以获得LSTM网络注意力层的最佳参数。
进一步的,所述步骤:基于遗传的搜索算子来训练注意力权重,将训练损失作为参考,以获得LSTM网络注意力层的最佳参数,具体包括以下步骤:
新的注意力权重子集空间将通过交叉和变异操作重建。
进一步的,所述LSTM引入了记忆单元和门机制来有效地执行时间序列数据。
进一步的,所述步骤:将输入矩阵馈送到LSTM模型以获得进一步迭代的损失并获得更好的权重,具体包括:
N个长度的时间步骤的注意权重表示为:
Waat=(W1,W2,…WN)
基于重要性的输入数据与注意力权重定义为:
在时间t,序列输入向量LSTM隐藏层输出ht-1和细胞状态Ct-1被送入单元,然后得到LSTM隐藏层输出ht和单元格状态作为输出Ct。单元状态的计算Ct是将前一阶段的状态和当前候选单元的状态相结合,其比例分别被遗忘门和输入门占据,候选单元的状态是由双曲正切激活函数计算的,LSTM的更新过程可以描述如下:
ht=ot·tanh(Ct)
其中,Wf,Wi,Wo,Wc表示权重参数;bf,bi,bo,bc分别表示遗忘门的偏置参数、输入门的偏置参数、输出门的偏置参数和内部细胞状态的偏置参数;σ代表sigmoid激活函数。
进一步的,所述步骤:模型训练,得到预测的功率结果,具体包括:
通过损失反馈进行函数损失运算,直到损耗收敛,得到预测的功率结果。
相比于现有技术,本发明的优点在于:
1、本发明提出了一个混合集合深度学习模型,即基于时空模块和基于遗传注意力模块,考虑了历史气象和发电数据。该方法旨在通过利用输入的相互联系和稳定预测的输出结果来实现更准确的结果。
2、本发明提出了一个空间-时间模块,利用光伏电站之间的空间依赖性来预测缺失的太阳辐照度数据。空间-时间模块由时间和空间子模块组成,用于预测没有气象收集器的光伏电站的太阳辐照度,以支持发电预测,并包含一个图卷积神经网络,以学习历史气象数据之间的空间和时间依赖关系,同时使用稀释卷积作为非线性部分,以简化网络结构。
3、本发明提出了一种基于LSTM和遗传算法的新型注意力机制来预测光伏发电量,探索数据之间的深层联系并寻找全局最优解。GAM结合预测的太阳辐照度和历史发电数据来预测光伏电站的发电量,使用注意力机制来有效地探索输入特征中的潜在关系,并使用基于遗传的操作和LSTM,以预测误差为参考,找到全局最优解,避免陷入局部最优解中。
附图说明
图1为本发明一实施例的基于时空遗传注意力网络的短期光伏发电预测方法流程图;
图2为本发明模型训练流程图示意图;
图3为时间子模块工作流程图;
图4为基于遗传的搜索算子的工作流程图。
具体实施方式
以下结合较佳实施例及其附图对发明技术方案作进一步非限制性的详细说明。在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”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。此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
如图1和图2所示,本发明一实施例一种基于时空遗传注意力网络的短期光伏发电预测方法,包括以下步骤:
S1:对原始气象因素数据进行归一化处理,得到预处理后的归一化气象信息数据。
为了避免数据尺度的巨大差异损害模型的有效性,通过数据预处理将原始气象因素数据进行数据归一化,使数据被限制在0到1的范围内,得到预处理后的归一化气象信息数据。
归一化公式,如下所示:
其中x′in是归一化气象信息数据;xin是原始气象因素数据;max(xin)和min(xin)分别是原始气象因素数据的最大值和最小值。
S2:将归一化气象信息数据输入时空模块得到气象预测数据。
具体的,将S1处理后得到的归一化气象信息数据输入时空模块来预测缺失的气象信息。
关于时空预测模块,在无向图中定义了具有结构化气象时间序列的光伏电站的分布:
Gt=(Vt,ε,W);
其中,Vt有限的顶点,每个顶点表示时间t时的气象因子,ε是边集,W是图的邻接矩阵。气象预测数据可以用以下公式表示:
其中,P是历史数据的数量,H是预测数据的数量。
步骤S2具体包括入下步骤:
S20:将归一化气象信息数据输入第一时间子模块进行计算,参考图3,具体包括以下步骤:
扩张卷积运算如下:
其中,d是控制跳过距离的扩张参数,f∈Rk是内核,xt是序列x的第t个值;
将A和B分别通过sigmoid函数运算和融合运算,最后进行Hadamard乘积来获得结果;结果计算方式如下:
sigmoid函数有助于过滤有助于发现数据的动态变化模式的输入,而非线性门可以捕捉到数据的一般信息。
S21:将第一时间子模块得出的结果输入空间子模块进行计算;
图卷积网络(GCN)通过在谱域中用图傅里叶变换进行计算,将CNN推广到图域中。
具体包括:
gθ(·)*x=Ugθ(Λ)UTx
其中,x为输入,gθ(·)*x为输出,其中U是归一化图拉普拉斯L=IN-D-1/2AD-1/2=UΛU的特征向量矩阵,即图1中的权重矩阵,其特征值为Λ,UTx是x的图形傅里叶变换。
根据光伏电站的分布情况将数据组织成图,可以有效地利用空间信息,同时本发明直接对结构化数据进行图卷积运算,提取空间域的深层模式和特征。然而,上式中特征向量的矩阵乘法对于大型图来说可能计算成本很高,可以采用切比雪夫多项式近似法和分层线性公式来克服这个问题。
S22:将空间子模块得出的结果输入第二时间子模块进行计算,该步骤同步骤S20,参考图3,具体包括以下步骤:
分别进行扩张卷积运算,得到两个大小相同的输出结果A1和B1,扩张卷积运算如下:
其中,d是控制跳过距离的扩张参数,f∈Rk是内核,xt是序列x的第t个值;
将A1和B1分别通过sigmoid函数运算和融合运算,最后进行Hadamard乘积来获得结果;结果计算方式如下:
S23:将第二时间子模块得出的结果通过全连接层产生综合特征,生成最终的气象预测数据。
具体的,整个时空模块包含两个时间子模块,中间是一个空间子模块,最后是一个全连接层。时空模块对输入数据进行统一处理,共同探索空间和时间上的依赖关系,然后由输出层产生综合特征,生成最终的气象预测结果。
本发明提出了一个时空模块,利用光伏电站之间的空间依赖性来预测缺失的太阳辐照度数据。时空模块由时间和空间子模块组成,用于预测没有气象收集器的光伏电站的太阳辐照度,以支持发电预测,并包含一个图卷积神经网络,以学习历史气象数据之间的空间和时间依赖关系,同时使用稀释卷积作为非线性部分,以简化网络结构。
S3:将历史发电数据和气象预测数据输入基于遗传注意力模块以预测分布式光伏电站的实际发电量。
具体的,基于遗传注意力模块由LSTM、注意力机制和基于遗传的搜索算子组成,并通过损失反馈进行损失函数的计算,从而进行模型训练。
基于遗传注意力模块的输入是历史发电数据和时空模块处理后的气象预测数据,LSTM用于处理长期依赖关系,注意力机制加强了重要因素的影响,基于遗传的搜索算子用于搜索最佳权重。
步骤S3具体包括入下步骤:
S30:通过滑动窗口构造将历史发电数据和气象预测数据组成输入矩阵;
S31:基于遗传的搜索算子初始化输入矩阵的权重;
S32:基于遗传的搜索算子来训练注意力权重,将训练损失作为参考,以获得LSTM网络注意力层的最佳参数。
注意力机制有助于给关键输入分配更多的权重,而给其他输入分配的权重较小,以弱化其影响。本发明使用基于遗传的搜索算子来训练注意力权重,将训练损失作为参考,以获得LSTM网络注意力层的最佳参数,更好地利用气象预测数据和历史发电数据之间的内在关系。基于遗传的搜索算子基本步骤如图4所示,具体操作如下:
注意力权重集Waat=(W1,W2,…WM)被二进制值编码为并且初始代码是随机产生的;其中,Wi表示历史发电数据和气象预测数据的注意力权重将被传递给网络,并根据训练损失产生相应的适配分数;根据训练损失的适配度,选择最合适的子集空间根据相应的适配分数,选择最合适的子集空间其中,所选子集将被平均分为N段,即新的注意力权重子集空间将通过交叉和变异操作重建。
S33:将输入矩阵馈送到LSTM以获得进一步迭代的损失并获得更好的权重。
作为递归神经网络的一种特殊形式,LSTM引入了记忆单元和门机制来有效地执行时间序列数据。
首先,将输入矩阵馈送到LSTM模型以获得进一步迭代的损失并获得更好的权重,具体包括:
N个长度的时间步骤的注意权重表示为:
Waat=(W1,W2,…WN)
然后,基于重要性的输入数据与注意力权重定义为:
在时间t,序列输入向量LSTM隐藏层输出ht-1和细胞状态Ct-1被送入单元,然后得到LSTM隐藏层输出ht和单元格状态作为输出Ct。单元状态的计算Ct是将前一阶段的状态和当前候选单元的状态相结合,其比例分别被遗忘门和输入门占据,候选单元的状态是由双曲正切激活函数计算的,LSTM的更新过程可以描述如下:
ht=ot·tanh(Ct)
其中,Wf,Wi,Wo,Wc表示权重参数;bf,bi,bo,bc分别表示遗忘门的偏置参数、输入门的偏置参数、输出门的偏置参数和内部细胞状态的偏置参数;σ代表sigmoid激活函数。
本发明提出了一种基于LSTM和遗传算法的新型注意力机制来预测光伏发电量,探索数据之间的深层联系并寻找全局最优解。基于遗传注意力模块结合预测的太阳辐照度和历史发电数据来预测光伏电站的发电量,使用注意力机制来有效地探索输入特征中的潜在关系,并使用基于遗传的操作和LSTM,以预测误差为参考,找到全局最优解,避免陷入局部最优解中。
S4模型训练,得到预测的功率结果。
通过损失反馈进行函数损失运算,直到损耗收敛,得到预测的功率结果。
本发明提出了一个混合集合深度学习模型,即基于时空模块和基于遗传注意力模块,考虑了历史气象和发电数据。该方法旨在通过利用输入的相互联系和稳定预测的输出结果来实现更准确的结果。
本发明提出的基于时空遗传注意力网络的短期光伏发电预测方法,专注于短期分布式光伏发电预测。本发明利用图卷积对光伏电站之间的空间联系进行预测,并通过注意力机制捕捉全局和全球的依赖关系。这种方法可以克服分布式光伏电站中天气数据的缺失,从而实现准确的发电量预测。本发明在光伏发电预测中具有更强的竞争力,可以有效地接近最佳注意力权重和有效地挖掘时空依赖。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种基于时空遗传注意力网络的短期光伏发电预测方法,其特征在于,包括以下步骤:
对原始气象因素数据进行归一化处理,得到预处理后的归一化气象信息数据;
将归一化气象信息数据输入时空模块得到气象预测数据;
将历史发电数据和气象预测数据输入基于遗传注意力模块以预测分布式光伏电站的实际发电量;
模型训练,得到预测的功率结果。
4.根据权利要求3所述的短期光伏发电预测方法,其特征在于,所述步骤:将归一化气象信息数据输入时空模块得到气象预测数据,具体包括:
将归一化气象信息数据输入第一时间子模块进行计算,具体包括以下步骤:
分别进行扩张卷积运算,得到两个大小相同的输出结果A和B,扩张卷积运算如下:
其中,d是控制跳过距离的扩张参数,f∈Rk是内核,xt是序列x的第t个值;
将A和B分别通过sigmoid函数运算和融合运算,最后进行Hadamard乘积来获得结果;结果计算方式如下:
将第一时间子模块得出的结果输入空间子模块进行计算,具体包括:
gθ(·)*x=Ugθ(Λ)UTx
其中,x为输入,gθ(·)*x为输出,其中U是归一化图拉普拉斯L=IN-D-1/2AD-1/2=UΛU的特征向量矩阵,其特征值为Λ,UTx是x的图形傅里叶变换。
将空间子模块得出的结果输入第二时间子模块进行计算,具体包括以下步骤:
分别进行扩张卷积运算,得到两个大小相同的输出结果A1和B1,扩张卷积运算如下:
其中,d是控制跳过距离的扩张参数,f∈Rk是内核,xt是序列x的第t个值;
将A1和B1分别通过sigmoid函数运算和融合运算,最后进行Hadamard乘积来获得结果;结果计算方式如下:
将第二时间子模块得出的结果通过全连接层产生综合特征,生成最终的气象预测数据。
5.根据权利要求1所述的短期光伏发电预测方法,其特征在于,所述步骤:将历史发电数据和气象预测数据输入基于遗传注意力模块以预测分布式光伏电站的实际发电量,具体包括以下步骤:
通过滑动窗口构造将历史发电数据和气象预测数据组成输入矩阵;
基于遗传的搜索算子初始化输入矩阵的权重;
将输入矩阵馈送到LSTM以获得进一步迭代的损失并获得更好的权重。
6.根据权利要求5所述的短期光伏发电预测方法,其特征在于,所述步骤:将输入矩阵馈送到LSTM以获得进一步迭代的损失并获得更好的权重之前,还包括以下步骤:
基于遗传的搜索算子来训练注意力权重,将训练损失作为参考,以获得LSTM网络注意力层的最佳参数。
8.根据权利要求5所述的短期光伏发电预测方法,其特征在于,所述LSTM引入了记忆单元和门机制来有效地执行时间序列数据。
9.根据权利要求8所述的短期光伏发电预测方法,其特征在于,所述步骤:将输入矩阵馈送到LSTM模型以获得进一步迭代的损失并获得更好的权重,具体包括:
N个长度的时间步骤的注意权重表示为:
Waat=(W1,W2,…WN)
基于重要性的输入数据与注意力权重定义为:
在时间t,序列输入向量LSTM隐藏层输出ht-1和细胞状态Ct-1被送入单元,然后得到LSTM隐藏层输出ht和单元格状态作为输出Ct。单元状态的计算Ct是将前一阶段的状态和当前候选单元的状态相结合,其比例分别被遗忘门和输入门占据,候选单元的状态是由双曲正切激活函数计算的,LSTM的更新过程可以描述如下:
ht=ot·tanh(Ct)
其中,Wf,Wi,Wo,Wc表示权重参数;bf,bi,bo,bc分别表示遗忘门的偏置参数、输入门的偏置参数、输出门的偏置参数和内部细胞状态的偏置参数;σ代表sigmoid激活函数。
10.根据权利要求1所述的短期光伏发电预测方法,其特征在于,所述步骤:模型训练,得到预测的功率结果,具体包括:
通过损失反馈进行函数损失运算,直到损耗收敛,得到预测的功率结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022701.6A CN115496263A (zh) | 2022-08-24 | 2022-08-24 | 一种基于时空遗传注意力网络的短期光伏发电预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022701.6A CN115496263A (zh) | 2022-08-24 | 2022-08-24 | 一种基于时空遗传注意力网络的短期光伏发电预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115496263A true CN115496263A (zh) | 2022-12-20 |
Family
ID=84466051
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211022701.6A Pending CN115496263A (zh) | 2022-08-24 | 2022-08-24 | 一种基于时空遗传注意力网络的短期光伏发电预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115496263A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117114190A (zh) * | 2023-08-29 | 2023-11-24 | 华中科技大学 | 一种基于混合深度学习的河道径流预测方法及设备 |
CN117154704A (zh) * | 2023-08-29 | 2023-12-01 | 淮阴工学院 | 一种基于多尺度时空图注意力卷积网络的光伏功率预测方法 |
CN117220287A (zh) * | 2023-11-09 | 2023-12-12 | 四川大学 | 一种发电量预测方法 |
CN117154704B (zh) * | 2023-08-29 | 2024-06-07 | 淮阴工学院 | 一种基于多尺度时空图注意力卷积网络的光伏功率预测方法 |
-
2022
- 2022-08-24 CN CN202211022701.6A patent/CN115496263A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN117114190A (zh) * | 2023-08-29 | 2023-11-24 | 华中科技大学 | 一种基于混合深度学习的河道径流预测方法及设备 |
CN117154704A (zh) * | 2023-08-29 | 2023-12-01 | 淮阴工学院 | 一种基于多尺度时空图注意力卷积网络的光伏功率预测方法 |
CN117154704B (zh) * | 2023-08-29 | 2024-06-07 | 淮阴工学院 | 一种基于多尺度时空图注意力卷积网络的光伏功率预测方法 |
CN117220287A (zh) * | 2023-11-09 | 2023-12-12 | 四川大学 | 一种发电量预测方法 |
CN117220287B (zh) * | 2023-11-09 | 2024-02-06 | 四川大学 | 一种发电量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A short‐term load forecasting method based on GRU‐CNN hybrid neural network model | |
Li et al. | Photovoltaic power forecasting with a hybrid deep learning approach | |
Hu et al. | An improved deep belief network based hybrid forecasting method for wind power | |
CN115496263A (zh) | 一种基于时空遗传注意力网络的短期光伏发电预测方法 | |
Lu et al. | Feature extraction of meteorological factors for wind power prediction based on variable weight combined method | |
CN110942205B (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
Cheng et al. | Probabilistic residential load forecasting based on micrometeorological data and customer consumption pattern | |
Li et al. | Building’s hourly electrical load prediction based on data clustering and ensemble learning strategy | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
Wang et al. | Deep autoencoder with localized stochastic sensitivity for short-term load forecasting | |
Phan et al. | A novel forecasting model for solar power generation by a deep learning framework with data preprocessing and postprocessing | |
Ziyabari et al. | A spatio-temporal hybrid deep learning architecture for short-term solar irradiance forecasting | |
Kim et al. | Solar radiation forecasting based on the hybrid CNN-CatBoost model | |
Wang et al. | An approach for day-ahead interval forecasting of photovoltaic power: A novel DCGAN and LSTM based quantile regression modeling method | |
Chen et al. | Graph neural network-based wind farm cluster speed prediction | |
CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
Rosato et al. | 2-D convolutional deep neural network for multivariate energy time series prediction | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及系统 | |
CN116245259A (zh) | 基于深度特征选择的光伏发电预测方法、装置和电子设备 | |
CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及系统 | |
Shahid et al. | Short term solar energy prediction by machine learning algorithms | |
Wang et al. | Self-organizing maps for scenario reduction in long-term hydropower scheduling | |
Silva et al. | Application of a hybrid neural fuzzy inference system to forecast solar intensity | |
Zameer et al. | Intelligent forecast models for daily solar energy prediction | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 |
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 |