CN115587664A - 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 - Google Patents
基于图卷积长短期记忆网络的太阳辐射预测方法及系统 Download PDFInfo
- Publication number
- CN115587664A CN115587664A CN202211367020.3A CN202211367020A CN115587664A CN 115587664 A CN115587664 A CN 115587664A CN 202211367020 A CN202211367020 A CN 202211367020A CN 115587664 A CN115587664 A CN 115587664A
- Authority
- CN
- China
- Prior art keywords
- matrix
- time
- data
- site
- solar radiation
- 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.)
- Granted
Links
- 230000005855 radiation Effects 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000007787 long-term memory Effects 0.000 title claims abstract description 11
- 230000006403 short-term memory Effects 0.000 title claims description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 123
- 230000015654 memory Effects 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming 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
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (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图卷积长短期记忆网络的太阳辐射预测方法及系统,方法包括:采集各站点的特征,包括辐射数据和气象参数,基于所有站点数据构建三维数据矩阵,所述三维数据矩阵包括时间、站点、特征三个维度;从三维数据矩阵中提取出特征矩阵,基于特征矩阵构建自适应邻接矩阵,基于特征矩阵和对应的自适应邻接矩阵形成图数据;利用图卷积提取不同站点的空间特征;利用长短期记忆网络提取每个站点的时间特征;融合各站点时空特征作为多层感知器的输入,同时对所有站点的太阳辐射进行预测。本发明提高了太阳辐射预测精度,能够对指定区域同一气候类型多个站点的太阳辐射进行有效预测,保障了光伏并网时电力系统的安全稳定运行。
Description
技术领域
本发明涉及光伏发电技术领域,具体涉及一种基于图卷积长短期记忆网络的太阳辐射预测方法及系统。
背景技术
对煤、石油等传统能源的长期开发利用,加剧了全球气候变暖、环境污染、能源危机等问题的影响,寻求并使用可替代能源是有效化解一次能源危机的关键。太阳能,是最为理想的可再生能源之一,在太阳能的应用中,光伏发电是其最重要的形式。然而,受太阳辐射强度等因素的影响,光伏发电系统的输出功率具有波动性和间歇性,因而要实现光伏发电的广泛应用,确保大规模光电并网时电力系统能够维持安全稳定运行,需要对太阳辐射进行准确的预测。
现有的太阳辐射预测方法主要有统计方法和机器学习方法,统计方法是在历史时间序列数据基础上进行预测,机器学习方法又可分为传统的机器学习方法和深度学习方法,传统的机器学习方法如人工神经网络、支持向量机等在小样本数据集上取得了较好的预测效果,基于深度学习方法如卷积神经网络、长短期记忆网络等所构建的预测模型更是得到了广泛的应用。为了进一步提升太阳辐射预测精度,融合多站点数据兼顾时间和空间特征进行太阳辐射预测的时空建模得到广泛研究。然而现有的时空模型大多基于欧式数据进行特征工程,其对时空特征的刻画能力欠缺,因而构建非欧式数据、引入图结构十分必要。然而,传统图数据的构建通常根据站点的距离或特征相关程度事先定义好邻接矩阵,这种方法难以建立和具体预测任务直接有效的联系并完全包含所需的空间信息,影响了太阳辐射的预测精度;此外,这种方法的泛化性能欠缺,对不同气候类型的适应性低。
发明内容
发明目的:本发明针对传统太阳辐射预测模型的不足,如模型泛化能力差、时空特征刻画能力不足、对不同气候类型的适应性低、预测精度不高等问题,提出了一种基于自适应图卷积长短期记忆网络的逐时太阳辐射预测方法,结合图模型和深度学习技术,能够适应不同气候类型中不同站点的太阳辐射预测,提高预测精度并具有较好的泛化性能。
技术方案:为了实现上述发明目的,本发明提出的基于图卷积长短期记忆网络的太阳辐射预测方法,包括以下步骤:
(1)采集各站点的特征,所述特征包括辐射数据和气象参数,对同一气候类型下所选站点在每个时刻采集的特征按站点进行拼接,构建三维数据矩阵,所述三维数据矩阵包括时间、站点、特征三个维度;
(2)从三维数据矩阵中提取出特征矩阵X={X1,X2,...,Xj,...,XL},j=1,2,...,L,其中,X为三维数据所有样本对应特征矩阵的集合,Xj∈RN×F表示第j个样本对应的特征矩阵,基于特征矩阵构建自适应邻接矩阵,其中第j个样本对应的邻接矩阵由该样本对应的特征矩阵Xj和Dense层的参数决定,所述特征矩阵和对应的自适应邻接矩阵形成图数据;
(3)基于每个站点的图数据,利用图卷积提取站点的空间特征,经l层图卷积操作后,各站点现有特征融合了其他站点的空间特征;
(4)针对每个站点,构造数据样本的时间步,将指定数量的具备空间特征的时序数据按采集次序输入到长短期记忆网络LSTM中,利用LSTM提取每个站点的时间特征,各站点LSTM输出每个站点的时空特征;
(5)融合各站点的时空特征作为多层感知器的输入,同时对所有站点的太阳辐射进行逐时预测。
进一步地,所述三维数据矩阵表示为:
Y=dstack(S1,S2,...Si,...,SN),i=1,2,...,N
其中,Si∈RL×F表示第i个站点的采集时间*特征二维数据,L表示总样本数,F表示站点全部特征数,N表示站点总数,dstack表示对各站点二维数据矩阵按站点进行拼接,Y∈RL×N×F为构建的三维数据矩阵。
进一步地,所述自适应邻接矩阵的计算公式为:
Aj=(softmax(ReLU(Dense(Xj)×Dense(Xj)T)))/2+(softmax(ReLU(Dense(Xj)×Dense(Xj)T)))T/2
其中,Dense表示Keras中的全连接层,ReLU(·)和softmax(·)分别表示两种常用激活函数,上标T表示对矩阵进行转置,Aj∈RN×N表示第j个样本对应的邻接矩阵。
进一步地,利用图卷积提取站点的空间特征计算公式为:
Zj 1=ReLU(AjXjW1+b1)
Zj 2=ReLU(Zj 1W2+b2)
···
Zj l=ReLU(Zj l-1Wl+bl)
其中,Xj和Aj分别表示第j个样本对应的特征矩阵和邻接矩阵,Wl∈RF×C和bl分别表示第l层图卷积层待更新的权重矩阵和偏置,上标C表示第l层图卷积层的通道数,ReLU(·)表示激活函数,Zj l∈RN×C表示第l层图卷积层的输出。
进一步地,融合各站点的时空特征作为多层感知器的输入包括:利用concatenate操作将每个站点的时间时空特征进行聚合。
进一步地,所述辐射数据包括总水平辐照度、晴空辐照度,所述气象数据包括云类型、露点温度、太阳天顶角、风向、风速、相对湿度、温度和可降水量。
本发明还提供一种基于图卷积长短期记忆网络的太阳辐射预测系统,包括:
数据采集模块,被配置为采集各站点的特征,所述特征包括辐射数据和气象参数,对同一气候类型下所选站点在每个时刻采集的特征按站点进行拼接,构建三维数据矩阵,所述三维数据矩阵包括时间、站点、特征三个维度;
图构建模块,被配置为从三维数据矩阵中提取出特征矩阵X={X1,X2,...,Xj,...,XL},j=1,2,...,L,其中,X为三维数据所有样本对应特征矩阵的集合,Xj∈RN×F表示第j个样本对应的特征矩阵,基于特征矩阵构建自适应邻接矩阵,其中第j个样本对应的邻接矩阵由该样本对应的特征矩阵Xj和Dense层的参数决定,所述特征矩阵和对应的自适应邻接矩阵形成图数据;
空间特征提取模块,被配置为基于每个站点的图数据,利用图卷积提取站点的空间特征,经l层图卷积操作后,各站点现有特征融合了其他站点的空间特征;
时间特征提取模块,被配置为针对每个站点,构造数据样本的时间步,将指定数量的具备空间特征的时序数据按采集次序输入到长短期记忆网络LSTM中,利用LSTM提取每个站点的时间特征,各站点LSTM输出每个站点的时空特征;
预测模块,被配置为融合各站点的时空特征作为多层感知器的输入,同时对所有站点的太阳辐射进行逐时预测。
本发明还提供一种计算机设备,包括:一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如上所述的基于图卷积长短期记忆网络的太阳辐射预测方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于图卷积长短期记忆网络的太阳辐射预测方法的步骤。
有益效果:
1、本发明方法结合深度学习技术,构建了时空预测模型,能够同时对同一气候类型下不同站点的太阳辐射值进行预测,提高了预测结果的准确性和可靠性,提升了多站点太阳辐射预测的效率;并且能够适用于不同气候类型下不同站点的太阳辐射预测,具有较好的泛化性能。
2、本发明构建了图数据,建立了自适应邻接矩阵,能够更好地刻画不同站点间的联系与影响,有效提取不同站点的空间特征,进一步提升太阳辐射的预测精度。可用于光伏功率预测,进而保障光伏并网时电力系统的安全稳定运行。
附图说明
图1为本发明的预测方法流程图;
图2为本发明的预测系统的结构框图;
图3为本发明方法三维数据矩阵的构建和图数据中特征矩阵的提取过程;
图4为本发明方法图卷积过程示意图;
图5为本发明方法的自适应图卷积长短期记忆网络模型结构示意图;
图6为本发明实施例中不同模型的RMSE误差指标对比;
图7为本发明实施例中不同模型的MAE误差指标对比;
图8为本发明实施例中同一时刻(2020年8月28日12:00)不同气候类型站点对应的邻接矩阵。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,本发明提出了一种基于自适应图卷积长短期记忆网络(AGCLSTM)的逐时太阳辐射预测方法,包括以下步骤:
(1)采集各站点的特征,所述特征包括辐射数据和气象参数,对同一气候类型下所选站点在每个时刻采集的特征按站点进行拼接,构建三维数据矩阵,所述三维数据矩阵包括时间、站点、特征三个维度;
(2)从三维数据矩阵中提取出特征矩阵X={X1,X2,...,Xj,...,XL},j=1,2,...,L,其中,X为三维数据所有样本对应特征矩阵的集合,Xj∈RN×F表示第j个样本对应的特征矩阵,基于特征矩阵构建自适应邻接矩阵,其中第j个样本对应的邻接矩阵由该样本对应的特征矩阵Xj和Dense层的参数决定,所述特征矩阵和对应的自适应邻接矩阵形成图数据;
(3)基于每个站点的图数据,利用图卷积提取站点的空间特征,经l层图卷积操作后,各站点现有特征融合了其他站点的空间特征;
(4)针对每个站点,构造数据样本的时间步,将指定数量的具备空间特征的时序数据按采集次序输入到长短期记忆网络LSTM中,利用LSTM提取每个站点的时间特征,各站点LSTM输出每个站点的时空特征;
(5)融合各站点的时空特征作为多层感知器的输入,同时对所有站点的太阳辐射进行逐时预测。
参照图2,本发明提出的基于图卷积长短期记忆网络的太阳辐射预测系统,包括:
数据采集模块,被配置为采集各站点的特征,所述特征包括辐射数据和气象参数,对同一气候类型下所选站点在每个时刻采集的特征按站点进行拼接,构建三维数据矩阵,所述三维数据矩阵包括时间、站点、特征三个维度;
图构建模块,被配置为从三维数据矩阵中提取出特征矩阵X={X1,X2,...,Xj,...,XL},j=1,2,...,L,其中,X为三维数据所有样本对应特征矩阵的集合,Xj∈RN×F表示第j个样本对应的特征矩阵,基于特征矩阵构建自适应邻接矩阵,其中第j个样本对应的邻接矩阵由该样本对应的特征矩阵Xj和Dense层的参数决定,所述特征矩阵和对应的自适应邻接矩阵形成图数据;
空间特征提取模块,被配置为基于每个站点的图数据,利用图卷积提取站点的空间特征,经l层图卷积操作后,各站点现有特征融合了其他站点的空间特征;
时间特征提取模块,被配置为针对每个站点,构造数据样本的时间步,将指定数量的具备空间特征的时序数据按采集次序输入到长短期记忆网络LSTM中,利用LSTM提取每个站点的时间特征,各站点LSTM输出每个站点的时空特征;
预测模块,被配置为融合各站点的时空特征作为多层感知器的输入,同时对所有站点的太阳辐射进行逐时预测。
应理解,本发明实施例中的太阳辐射预测系统可以实现上述方法实施例中的全部技术方案,其各个功能模块的功能可以根据方法实施例中的方法具体实现。
下面结合具体的实施例,详细说明使用本发明方法进行逐时太阳辐射预测的具体实施过程。本发明选取俄克拉荷马州、德克萨斯州和俄勒冈州共计26个站点的数据进行测试,其中俄克拉荷马州选取了共计8个站点,其气候类型为湿润副热带气候(Cfa);德克萨斯州同样选取了8个站点,其气候类型为寒冷半干旱气候(Bsk);俄勒冈州选取共计10个站点,其气候类型为温暖夏日地中海气候(Csb)。每个站点数据为2016年1月1日至2020年12月31日的数据,共计43800个样本,其中2016年1月1日至2019年12月31日的数据作为训练样本对模型进行训练,2020年1月1日至2020年12月31日的数据作为测试样本用于评估模型表现。每个数据样本共计十个特征,包括两个辐射特征即总水平辐照度、晴空辐照度以及八个气象参数,八个气象参数为云类型、露点温度、太阳天顶角、风向、风速、相对湿度、温度和可降水量。基于所选样本数据,本发明方法的具体实施步骤如下:
(1)将同一气候类型的各站点原始样本数据从按站点进行拼接,得到三维数据矩阵,具体可表示为:
Y=dstack(S1,S2,...Si,...,SN)(i=1,2,...,N)
其中,Si∈RL×F表示第i个站点的原始二维数据,Y∈RL×N×F为构建的三维数据矩阵,包括时间、站点和特征三个维度。L表示总样本数,也是时间序列的长度。本实施例中,总样本数=43800,所用数据是一个小时采集一次,每个时刻采集的数据(包括辐射特征+气象参数)就是一个样本,数是一个1*10的向量,10为特征;采集了五年的数据,所以样本总数为43800。F表示站点全部特征数,各站点所用数据均为每小时采集一次,因此各站点每个时刻采集的特征(包括两个辐射特征和八个气象参数)就是一个样本;N表示指定区域同一气候类型的样本站点总数,实施例中三种气候类型Cfa,Bsk和Csb各自的样本站点数分别为8,8和10。本发明中三维指的是时间、站点、特征三个维度,原始二维是时间*特征,也就是L*F,数据长度*特征数,对应每个站点的数据。dstack表示对同一气候类型下所选样本站点各自的二维数据矩阵(时间×特征)按站点进行拼接。
(2)在已构建的三维数据矩阵基础上,首先提取不同样本对应的特征矩阵,其可表示为:
X={X1,X2,...,Xj,...,XL}(j=1,2,...,L)
其中,X为三维数据所有样本对应特征矩阵的集合,Xj∈RN×F表示第j个样本对应的特征矩阵,如图3所示,基于已经形成的三维数据矩阵Y,从样本(时间)轴方向可提取全部L个样本对应的特征矩阵,以图3中第j个样本对应的特征矩阵为例,其是一个站点×特征的二维矩阵,每个站点所在行包括辐射数据和气象参数10个特征,依次为总水平辐照度、晴空辐照度、云类型、露点温度、太阳天顶角、风向、风速、相对湿度、温度和可降水量,每个特征所在列则包括N个站点的该特征。
然后基于特征矩阵,构建自适应邻接矩阵,其计算公式为:
Aj=(softmax(ReLU(Dense(Xj)×Dense(Xj)T)))/2+(softmax(ReLU(Dense(Xj)×Dense(Xj)T)))T/2
其中,Dense表示Keras中的全连接层,ReLU(·)和softmax(·)分别表示两种常用激活函数,上标T表示对矩阵进行转置,Aj∈RN×N表示第j个样本的邻接矩阵,为一个对称归一化矩阵,由计算公式可知,第j个样本对应的邻接矩阵由该样本对应的特征矩阵Xj和Dense层的参数决定,其自适应性体现在:一方面,与样本特征矩阵Xj有关,同一气候类型下,不同时刻(样本)的特征矩阵不同,邻接矩阵也不同,另一方面体现在全连接层中有待学习的参数,包括权重和偏置项,需要结合具体的训练集和预测任务并通过模型训练来最终确定,本实施例中三个气候带的数据集不同,其全连接层中的参数不同,图8展示了同一时刻(2020年8月28日12:00)三种气候类型对应的邻接矩阵,其不同的权重分布意味着不同站点间的联系和影响有所差异。每个样本对应的特征矩阵和邻接矩阵便构成了该样本对应的图结构数据,其中特征矩阵包含了各站点的特征,邻接矩阵表征了不同站点间的联系(权重)。
(3)利用图卷积来提取每个站点的空间特征,图卷积的计算过程可表示为:
Zj 1=ReLU(AjXjW1+b1)
Zj 2=ReLU(Zj 1W2+b2)
···
Zj l=ReLU(Zj l-1Wl+bl)
其中,Xj和Aj分别表示第j个样本对应的特征矩阵和邻接矩阵,Wl∈RF×C和bl分别表示第l层图卷积层待更新的权重矩阵和偏置,上标C表示第l层图卷积层的通道数,ReLU(·)表示激活函数,Zj l∈RN×C表示第l层图卷积层的输出。如图4所示,图卷积的本质就是依次对图中所有节点进行操作,融合邻居节点的信息和特征,对于邻居节点特征的融合程度,则由邻接矩阵中两节点之间的权重来决定,权重越大,则包含对应邻居节点的信息越多;经l层图卷积操作后,各站点现有特征已经融合了其他站点的空间特征,对于图中第i个节点而言,经l层图卷积操作后其特征向量可表示为Zj l[i,:]∈R1×C,C为第l层图卷积层的通道数。
(4)如图5所示,对每个站点建立一个LSTM模型,并将各站点已经具备空间特征的时序数据输入至各自的LSTM中进而提取每个站点的时间特征,具体做法为针对每个站点,构造数据样本的时间步,将一定数量的样本按采集次序(时间顺序)作为LSTM的一个输入,实施例中时间步设置为48(时间步即样本数,表示用48个样本作为输入,此处所述的样本指的是各站点已经具备空间特征的时序数据),在此基础上再利用LSTM有效提取每个站点的时间特征。由于输入至LSTM的数据已经具备了空间特征,所以经LSTM提取时间特征后,各站点LSTM的输出可以认为是每个站点的时空特征。
(5)利用concatenate操作将每个站点的时空特征进行聚合,并将聚合的特征输入到多层感知器中,不断训练如图5所示的图卷积-长短期记忆-多层感知器混合模型,进而对同一气候类型中所有样本站点的太阳辐射值进行预测。
为了验证所提方法性能,基于测试样本对模型预测效果进行评估,所选模型评估指标为均方根误差(RMSE)、相对均方根误差(nRMSE)、绝对平均误差(MAE)、标准绝对平均误差(nMAE)和相关系数(R),其计算公式分别为:
除了本发明所提的AGCLSTM混合模型外,验证试验中选取了两种机器学习模型SVR和ANN、两种深度学习模型LSTM和LSTM-ANN、两种时空预测模型CNN-LSTM和GCNLSTM作为对比模型与所提方法进行比较。随机选取三种气候类型下Oklahoma City、Edmond、Slaton、West Linn和Portland五个站点作为SVR、ANN、LSTM、LSTM-ANN和CNN-LSTM的目标站点,由于GCNLSTM和AGCLSTM能够对多站点同时进行预测,选取该两种模型对应所选目标站点的预测结果与其余五种模型进行比较。表1为各模型在不同站点进行逐时太阳辐射预测的误差,图6、图7展示了所发明方法在五个目标站点与其他模型RMSR、MAE两种误差指标的对比情况。
表1不同模型在不同站点的逐时太阳辐射预测结果
结合表1可以看出,不同气候类型下,所提发明方法在五种误差指标评估下都有着更好的预测表现,验证了基于自适应图卷积长短期记忆网络的逐时太阳辐射预测方法的有效性和可靠性。图6和图7对比了不同模型的RMSE和MAE指标情况,同样说明了AGCLSTM的预测精度更高。
5个测试站点分属于三种不同的气候类型,模型在每种气候类型下都能取得较好的优于其他对比模型的预测结果,因此,本发明的预测方法能够适用于不同气候类型下不同站点的逐时太阳辐射预测,具有较高的预测精度和较好的泛化性能,预测结果能够进一步用于光伏功率预测,维持光伏并网时电力系统的安全稳定运行,该发明方法对其他类型的新能源预测同样具有指导和借鉴意义。
本发明还提供一种计算机设备,包括:一个或多个处理器;存储器;以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如上所述的基于图卷积长短期记忆网络的太阳辐射预测方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的基于图卷积长短期记忆网络的太阳辐射预测方法的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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系统。
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系统的制造品,该指令系统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。
Claims (10)
1.一种基于图卷积长短期记忆网络的太阳辐射预测方法,其特征在于,包括以下步骤:
(1)采集各站点的特征,所述特征包括辐射数据和气象参数,对同一气候类型下所选站点在每个时刻采集的特征按站点进行拼接,构建三维数据矩阵,所述三维数据矩阵包括时间、站点、特征三个维度;
(2)从三维数据矩阵中提取出特征矩阵X={X1,X2,...,Xj,...,XL},j=1,2,...,L,其中,X为三维数据所有样本对应特征矩阵的集合,Xj∈RN×F表示第j个样本对应的特征矩阵,基于特征矩阵构建自适应邻接矩阵,其中第j个样本对应的邻接矩阵由该样本对应的特征矩阵Xj和Dense层的参数决定,所述特征矩阵和对应的自适应邻接矩阵形成图数据;
(3)基于每个站点的图数据,利用图卷积提取站点的空间特征,经l层图卷积操作后,各站点现有特征融合了其他站点的空间特征;
(4)针对每个站点,构造数据样本的时间步,将指定数量的具备空间特征的时序数据按采集次序输入到长短期记忆网络LSTM中,利用LSTM提取每个站点的时间特征,各站点LSTM输出每个站点的时空特征;
(5)融合各站点的时空特征作为多层感知器的输入,同时对所有站点的太阳辐射进行逐时预测。
2.根据权利要求1所述的方法,其特征在于,所述三维数据矩阵表示为:
Y=dstack(S1,S2,...Si,...,SN),i=1,2,...,N
其中,Si∈RL×F表示第i个站点的采集时间*特征二维数据,L表示总样本数,F表示站点全部特征数,N表示站点总数,dstack表示对各站点二维数据矩阵按站点进行拼接,Y∈RL ×N×F为构建的三维数据矩阵。
3.根据权利要求1所述的方法,其特征在于,所述自适应邻接矩阵的计算公式为:
Aj=(softmax(ReLU(Dense(Xj)×Dense(Xj)T)))/2
+(softmax(ReLU(Dense(Xj)×Dense(Xj)T)))T/2
其中,Dense表示Keras中的全连接层,ReLU(·)和softmax(·)分别表示两种常用激活函数,上标T表示对矩阵进行转置,Aj∈RN×N表示第j个样本对应的邻接矩阵。
4.根据权利要求1所述的方法,其特征在于,利用图卷积提取站点的空间特征计算公式为:
Zj 1=ReLU(AjXjW1+b1)
Zj 2=ReLU(Zj 1W2+b2)
···
Zj l=ReLU(Zj l-1Wl+bl)
其中,Xj和Aj分别表示第j个样本对应的特征矩阵和邻接矩阵,Wl∈RF×C和bl分别表示第l层图卷积层待更新的权重矩阵和偏置,上标C表示第l层图卷积层的通道数,ReLU(·)表示激活函数,Zj l∈RN×C表示第l层图卷积层的输出。
5.根据权利要求1所述的方法,其特征在于,融合各站点的时空特征作为多层感知器的输入包括:利用concatenate操作将每个站点的时间时空特征进行聚合。
6.根据权利要求1所述的方法,其特征在于,所述辐射数据包括总水平辐照度、晴空辐照度,所述气象数据包括云类型、露点温度、太阳天顶角、风向、风速、相对湿度、温度和可降水量。
7.一种基于图卷积长短期记忆网络的太阳辐射预测系统,其特征在于,包括:
数据采集模块,被配置为采集各站点的特征,所述特征包括辐射数据和气象参数,对同一气候类型下所选站点在每个时刻采集的特征按站点进行拼接,构建三维数据矩阵,所述三维数据矩阵包括时间、站点、特征三个维度;
图构建模块,被配置为从三维数据矩阵中提取出特征矩阵X={X1,X2,...,Xj,...,XL},j=1,2,...,L,其中,X为三维数据所有样本对应特征矩阵的集合,Xj∈RN×F表示第j个样本对应的特征矩阵,基于特征矩阵构建自适应邻接矩阵,其中第j个样本对应的邻接矩阵由该样本对应的特征矩阵Xj和Dense层的参数决定,所述特征矩阵和对应的自适应邻接矩阵形成图数据;
空间特征提取模块,被配置为基于每个站点的图数据,利用图卷积提取站点的空间特征,经l层图卷积操作后,各站点现有特征融合了其他站点的空间特征;
时间特征提取模块,被配置为针对每个站点,构造数据样本的时间步,将指定数量的具备空间特征的时序数据按采集次序输入到长短期记忆网络LSTM中,利用LSTM提取每个站点的时间特征,各站点LSTM输出每个站点的时空特征;
预测模块,被配置为融合各站点的时空特征作为多层感知器的输入,同时对所有站点的太阳辐射进行逐时预测。
8.根据权利要求7所述的系统,其特征在于,所述图构建模块中对自适应邻接矩阵的计算公式为:
Aj=(softmax(ReLU(Dense(Xj)×Dense(Xj)T)))/2+(softmax(ReLU(Dense(Xj)×Dense(Xj)T)))T/2
其中,Dense表示Keras中的全连接层,ReLU(·)和softmax(·)分别表示两种常用激活函数,上标T表示对矩阵进行转置,Aj∈RN×N表示第j个样本对应的邻接矩阵。
9.一种计算机设备,其特征在于,包括:
一个或多个处理器;
存储器;以及
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如权利要求1-7中任一项所述的基于图卷积长短期记忆网络的太阳辐射预测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,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1-7中任一项所述的基于图卷积长短期记忆网络的太阳辐射预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367020.3A CN115587664B (zh) | 2022-11-02 | 2022-11-02 | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211367020.3A CN115587664B (zh) | 2022-11-02 | 2022-11-02 | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115587664A true CN115587664A (zh) | 2023-01-10 |
CN115587664B CN115587664B (zh) | 2023-04-28 |
Family
ID=84781549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211367020.3A Active CN115587664B (zh) | 2022-11-02 | 2022-11-02 | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587664B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151303A (zh) * | 2023-09-12 | 2023-12-01 | 河海大学 | 一种基于混合模型的超短期太阳辐照度预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260154A (zh) * | 2020-02-17 | 2020-06-09 | 河海大学 | 基于cnn-lstm的短期太阳辐射预测方法及装置 |
CN112906987A (zh) * | 2021-03-29 | 2021-06-04 | 福州大学 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
CN115099461A (zh) * | 2022-05-25 | 2022-09-23 | 中国计量大学 | 基于双分支特征提取的太阳辐射预测方法及系统 |
-
2022
- 2022-11-02 CN CN202211367020.3A patent/CN115587664B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111260154A (zh) * | 2020-02-17 | 2020-06-09 | 河海大学 | 基于cnn-lstm的短期太阳辐射预测方法及装置 |
CN112906987A (zh) * | 2021-03-29 | 2021-06-04 | 福州大学 | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 |
CN115099461A (zh) * | 2022-05-25 | 2022-09-23 | 中国计量大学 | 基于双分支特征提取的太阳辐射预测方法及系统 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151303A (zh) * | 2023-09-12 | 2023-12-01 | 河海大学 | 一种基于混合模型的超短期太阳辐照度预测方法及系统 |
CN117151303B (zh) * | 2023-09-12 | 2024-05-31 | 河海大学 | 一种基于混合模型的超短期太阳辐照度预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115587664B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110070226B (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及系统 | |
CN114356880B (zh) | 基于数据驱动的小尺度区域大气污染物快速溯源方法 | |
Khatib et al. | Solar energy prediction for Malaysia using artificial neural networks | |
CN109934423A (zh) | 基于并网逆变器运行数据的光伏电站功率预测方法及系统 | |
CN110705727B (zh) | 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统 | |
CN111260154B (zh) | 基于cnn-lstm的短期太阳辐射预测方法及装置 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN113987912A (zh) | 一种基于地理信息的污染物在线监测系统 | |
CN116722544B (zh) | 分布式光伏短期预测方法、装置、电子设备及存储介质 | |
Aliberti et al. | Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions. | |
Boutahir et al. | Machine learning and deep learning applications for solar radiation predictions review: morocco as a case of study | |
CN115587664B (zh) | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 | |
CN116796168A (zh) | 一种基于多头注意力机制的CNN-BiLSTM高海拔多因素输电线路可听噪声预测方法 | |
KR102064918B1 (ko) | 제로에너지 구축을 위한 높은 정확도를 가지는 에너지 진단 시스템 및 이의 방법 | |
CN114862023A (zh) | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN110059972B (zh) | 基于泛函深度信念网络的日太阳辐射资源评估方法 | |
CN117132130A (zh) | 一种实时采集信息进行建模的智慧城市预测系统 | |
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 | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及系统 | |
De Aquino et al. | Echo state networks, artificial neural networks and fuzzy systems models for improve short-term wind speed forecasting | |
Antonio Bello Acosta et al. | Hybrid Model for Energy Consumption Forecasting in Buildings Stocks at Tropical Regions | |
CN113962357A (zh) | 基于gwo-wnn的分布式光伏功率数据虚拟采集方法 | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |