CN115660032B - 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 - Google Patents
基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 Download PDFInfo
- Publication number
- CN115660032B CN115660032B CN202211056873.5A CN202211056873A CN115660032B CN 115660032 B CN115660032 B CN 115660032B CN 202211056873 A CN202211056873 A CN 202211056873A CN 115660032 B CN115660032 B CN 115660032B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- output
- input
- photovoltaic
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000007246 mechanism Effects 0.000 title claims abstract description 25
- 230000010354 integration Effects 0.000 title claims description 4
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 39
- 230000004913 activation Effects 0.000 claims description 29
- 238000010276 construction Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 230000009467 reduction Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000002203 pretreatment Methods 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000005036 nerve Anatomy 0.000 claims description 3
- 230000003935 attention Effects 0.000 abstract description 40
- 230000004927 fusion Effects 0.000 abstract description 16
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000002411 adverse Effects 0.000 abstract description 3
- 230000010332 selective attention Effects 0.000 abstract description 2
- 238000010248 power generation Methods 0.000 description 10
- 238000011161 development Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Photovoltaic Devices (AREA)
Abstract
本发明公开了基于BI‑LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法包括：获取楼宇屋顶历史光伏出力数据，对数据进行预处理；利用预处理后的数据构建CNN卷积神经网络并进行特征提取，将提取的特征信息整合输出到Dropout层；搭建双向长短期记忆神经网络结构，将神经网络结构的输出以及特征信息作为attention层的输入；利用attention层整合的文本信息作为楼宇屋顶光伏预测模型输出层的输入，得到归一化的预测结果。本发明通过对楼宇屋顶光伏数据的前置预处理、CNN结构的特征提取、基于改进传统LSTM结构的BI‑LSTM模型结构并结合attention机制的选择性关注优势，可以有效地过滤数据集的噪声和不利影响成分，有效地实现了对楼宇屋顶光伏出力的预测，并提高预测精度。
Description
技术领域
本发明涉及深度学习光伏预测技术领域，具体为基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法。
背景技术
随着社会经济和自然科学不断发展，人们对于能源的需求日益增大，随之带来的是日益突出的能源危机问题。鉴于传统化石能源作为当今世界能源结构的主要成分以及其不可再生的特征，如何引导清洁能源的高效利用使用成为了社会生产和生活持续发展的关键。在众多可再生且低污染的环境友好型清洁能源中，太阳能的开发利用已经成为全球能源转型的重要领域。
近年来，我国光伏发电全面进入规模化发展阶段，展现出了优秀的发展前景，根据统计预测2030年我国光伏发电装机容量将超过1亿千瓦，光伏系统年发电量可达1300亿千瓦时，发展潜力十分巨大。我国光伏发电站大多是大型的地面光伏发电站，主要建设在光照时间长、光照强度高，具有丰富太阳能资源的西北地区。但是由于西北地区地广人稀，经济发展水平较低，因此消纳光伏发电的能力不足。反观我国中东部地区人口相对集中，经济科学水平较高，对电力需求也相对较大，但是没有充足的面积来部署集中的大型地面光伏发电站，因此小规模大数量的屋顶光伏发电设备应运而生。随着各项鼓励政策的出台，越来越多的屋顶光伏发电进入楼宇。欧美国家也相继出台了新能源补贴政策，鼓励楼宇参与楼宇光伏并网。与传统的住宅相比，含有楼宇屋顶光伏发电系统的住宅的用户不仅是电力公司的客户，也可以是电网的参与者，用户可以向电力公司销售多余的光伏能量，获得更高的收益，且在这个过程中培养用户的节约意识，减少电力资源的浪费，同时减少传统发电过程中造成的资源浪费，提高清洁资源利用率，降低峰值负荷对电网的冲击。
光伏发电功率受环境和气候等外界因素影响较大，具有比较强的周期性和波动性，因此光伏电站是一种典型的间歇性电源。由于光伏发电站的波动性和间歇性，如果大规模的光伏电站并网则会对电力系统造成巨大的冲击，破坏电力系统的稳定性和安全性，造成经济损失。因此，如果能针对光伏发电的波动做出及时且准确的预测，不仅有利于光伏发电站的经济效益和运行效率，还对相关电力调度部门及时调整运行模式具有重要的意义。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有光伏功率预测方法，计算复杂度高、预测准确率低、受环境气候影响因素大的问题。
为解决上述技术问题，本发明提供如下技术方案：基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法，包括：获取楼宇屋顶历史光伏出力数据，对所述数据进行预处理；利用预处理后的数据构建CNN卷积神经网络并进行特征提取，将提取的特征信息整合输出到Dropout层；搭建双向长短期记忆神经网络结构，将所述神经网络结构的输出以及特征信息作为attention层的输入；利用所述attention层整合的文本信息作为楼宇屋顶光伏预测模型输出层的输入，得到归一化的预测结果。
作为本发明所述的基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法的一种优选方案，其中：所述楼宇屋顶历史光伏出力数据包括以30min为采样频率以一年为时间长度的时间序列。
作为本发明所述的基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法的一种优选方案，其中：所述预处理过程包括，
将长时间序列切割，分离出日负荷时间序列；
对分离出来的日负荷时间序列进行解析、数据清洗以及数据补充；
观察日负荷时间序列曲线，找出不同家庭日光伏集中出力时间和日负荷变化趋势，针对出力时间确定预处理时间范围；
在所述时间范围内，若光伏数据始终为零则判定为异常，去除该日数据，若光伏数据只在某个取样点缺失，则用样本数据平均值来补充。
作为本发明所述的基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法的一种优选方案，其中：还包括，
将前置预处理后的数据进行归一化处理；
所述归一化处理的计算包括，
其中，Xn表示归一化后数据，X表示数据集原始数据，Xmin表示数据集中数据最小值，Xmax表示数据集中数据最大值。
作为本发明所述的基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法的一种优选方案，其中：所述CNN卷积神经网络的构建包括，
将所述预处理后的屋顶光伏数据输入到卷积层进行特征提取；
通过sigmoid激活函数对所述卷积层的输出进行非线性映射，将输入映射到[0,1]之间；
所述激活函数的计算包括，
其中，h(x)表示激活函数的输出，x表示激活函数的输入；
将所述激活函数的输出输入到池化层，对特征数据进行降维处理；
将卷积层和池化层进行堆叠，整合特征信息输出到dropout层。
作为本发明所述的基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法的一种优选方案，其中：所述特征数据的降维处理包括，
将输入到池化层的数据划分为若干矩形区域，对每个矩形区域输出最大值，通过减小参数数量和计算量，实现降维。
作为本发明所述的基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法的一种优选方案，其中：所述dropout层的构建包括，
将降维处理后的特征数据作为flatten层的输入，将特征信息进行整合输出到dropout层；
dropout层的输入在前向传播的时候，设置dropout参数为0.5，在每次迭代过程中随机忽略设定比例特征检测器，减小检测器之间的相互作用，降低过拟合现象的影响。
作为本发明所述的基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法的一种优选方案，其中：所述双向长短期记忆神经网络结构的搭建包括，
通过sigmoid激活函数的神经层和一个逐点相乘的操作选择性地让所述特征信息通过，实现对遗忘门的构建；
所述遗忘门ft的构建包括，
ft＝σ(Wf·[ht-1,xt]+bf)
其中，Wf表示ft的权值系数，bf表示ft的偏置常数，σ表示sigmoid激活函数，ht-1表示上一时刻的输入，xt表示当前的输入；
输入门结构的构建包括，
it＝σ(Wi·[ht-1,xt]+bi)
ct＝tanh(WC·[ht-1,xt]+bC)
yt＝ft*yt-1+it*ct
其中，it表示sigmoid输入门单元激活函数的输出，Wi表示输入的权值系数，bi表示it的偏置常数，ct表示输入门单元tan函数的输出，WC表示ct的权值系数，tanh表示tanh的激活函数，bC表示ct的偏置常数，yt表示更新后的细胞状态，yt-1表示未更新时的细胞状态；
输出门结构的构建包括，
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(yt)
其中，ot表示输出单元simoid函数的输出，Wo表示ot的权值系数，bo表示ot的偏置常数，ht表示双向长短期记忆神经网络结构的总输出值；
在t时刻的双向长短期记忆神经网络结构的总输出值为前向长短期记忆神经网络和后向长短期记忆神经网络输出之和；
所述总输出值的计算包括，
其中，表示前向长短期记忆神经网络的输出，ht-1表示前向长短期记忆神经网络结构的总输出值，ct-1表示输入门单元前一时刻tan函数的输出，/>表示后向长短期记忆神经网络的输出，ht+1表示后向长短期记忆神经网络结构的总输出值，ct+1表示输入门单元后一时刻tan函数的输出，/>表示向量取和操作。
作为本发明所述的基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法的一种优选方案，其中：所述attention层的搭建包括，
将双向长短期记忆神经网络结构的输出及特征向量信息作为attention层的输入，对特征信息向量分配不同的权重，在t时刻得到BI-LSTM层的隐层状态为：[ht,1,ht,2,…,ht,i,…,ht,T]T，本发明选择点乘形式计算注意力权重；
所述注意力权重的计算包括，
其中，et,i表示t时刻的匹配度，表示query文本信息，ht,i表示双向长短期记忆神经网络结构的隐层状态的总输出值，αt,i表示在t时刻隐层状态hi对当前输出的注意力权重，et,k表示t时刻的匹配度的总和；
利用分配好的不同的权重的特征信息向量输入到全连接层进行数据文本信息的整合，选择sigmoid作为激活函数，输出第t+1时刻的电力负荷预测值；
将整合后的文本信息作为楼宇屋顶光伏预测模型输出层的输入，得到归一化的预测结果。
作为本发明所述的基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法的一种优选方案，其中：所述预测结果的评估包括，
将均方根误差RMSE、平均绝对误差MAE以及拟合优度R2作为评估指标，具体的计算包括，
其中，m表示训练集总容量，fi表示网络预测值，yi表示实际测试值，表示实际值取平均。
本发明的有益效果：本发明针对电力负荷的影响因素，利用CNN结构进行特征的提取，并使用双向长短期记忆(BI-LSTM)神经网络层进行双向的时序特征以及时序内部变化规律的学习，而且利用attention机制计算BI-LSTM隐层状态的不同权重，实现对隐含状态的选择性关注，通过对光伏负荷数据进行特征提取、特征学习以及选择性关注这三方面的处理，可以更有效地提高预测精度，过滤数据集的噪声和不利影响成分，更准确的为楼宇屋顶光伏系统提供预测服务。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明一个实施例提供的基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法的整体流程图；
图2为本发明第二个实施例提供的基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法与传统LSTM结构模型的真实值与预测值的对比示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”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，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1，为本发明的一个实施例，提供了基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法，包括：
S1：获取楼宇屋顶历史光伏出力数据，对数据进行预处理。需要说明的是：
采集的楼宇屋顶历史光伏出力数据包括以30min为采样频率以一年为时间长度的时间序列；
进一步的，预处理过程包括将长时间序列切割，分离出日负荷时间序列；对分离出来的日负荷时间序列进行解析、数据清洗以及数据补充；确定预处理时间范围；
优选的，本发明通过观察日负荷时间序列曲线，找出不同家庭日光伏集中出力时间和日负荷变化趋势，确定9:30-16:30时间段为处理区间，在该时间范围内，若光伏数据始终为零则判定为异常，去除该日数据，若光伏数据只在某个取样点缺失，则用样本数据平均值来补充；
再进一步的，将前置预处理后的数据进行归一化处理；
归一化处理的计算包括，
其中，Xn表示归一化后数据，X表示数据集原始数据，Xmin表示数据集中数据最小值，Xmax表示数据集中数据最大值；
优选的，线性归一化方法对原始数据进行线性变化，将原始数据映射到0到1之间的范围，实现了数据的等比缩放，这样就可以得到处理后的楼宇屋顶光伏设备对应的预测时间段的要素数据，并且通过前置处理后的数据更干净。
S2：利用预处理后的数据构建CNN卷积神经网络并进行特征提取，将提取的特征信息整合输出到Dropout层。需要说明的是：
CNN卷积神经网络的构建包括，
将预处理后的屋顶光伏数据输入到卷积层进行特征提取；
通过sigmoid激活函数对卷积层的输出进行非线性映射，将输入映射到[0,1]之间；
激活函数的计算包括，
其中，h(x)表示激活函数的输出，x表示激活函数的输入；
将激活函数的输出输入到池化层，对特征数据进行降维处理；
应说明的，特征数据的降维处理包括将输入到池化层的数据划分为若干矩形区域，对每个矩形区域输出最大值，通过减小参数数量和计算量实现降维，这样做会使模型更加关注不同区域之间即不同特征之间的相对关系和存在性而不是特征的具体位置；
将卷积层和池化层进行堆叠，用两个小尺寸的结构串联来替代一个大尺寸的结构以此来减少参数；
将降维处理后的特征数据作为flatten层的输入，将特征信息进行整合输出到dropout层；
优选的，dropout层的输入在前向传播的时候，设置dropout参数为0.5，在每次迭代过程中随机忽略设定比例特征检测器，这样做的操作就等同于训练不同的神经网络，得到不同神经网络结果，最终采用不同结果取平均或者取多数结果；这样的方法可以减小检测器之间的相互作用，有效地防止过拟合现象，因为不同的神经网络在产生不同的过拟合现象时，取平均可以让一些反向拟合效果互相抵消，最后在整体上达到抑制过拟合效果。
S3：搭建双向长短期记忆神经网络结构，将神经网络结构的输出以及特征信息作为attention层的输入。需要说明的是：
双向长短期记忆神经网络结构的搭建包括，
通过sigmoid激活函数的神经层和一个逐点相乘的操作选择性地让特征信息通过，实现对遗忘门的构建；
遗忘门ft的构建包括，
ft＝σ(Wf·[ht-1,xt]+bf)
其中，Wf表示ft的权值系数，bf表示ft的偏置常数，σ表示sigmoid激活函数，ht-1表示上一时刻的输入，xt表示当前的输入；
输入门结构的构建包括，
it＝σ(Wi[ht-1,xt]+bi)
ct＝tanh(WC·[ht-1,xt]+bC)
yt＝ft*yt-1+it*ct
其中，it表示sigmoid输入门单元激活函数的输出，Wi表示输入的权值系数，bi表示it的偏置常数，ct表示输入门单元tan函数的输出，WC表示ct的权值系数，tanh表示tanh的激活函数，bC表示ct的偏置常数，yt表示更新后的细胞状态，yt-1表示未更新时的细胞状态；
输出门结构的构建包括，
ot＝σ(Wo[ht-1,xt]+bo)
ht＝ot*tanh(yt)
其中，ot表示输出单元simoid函数的输出，Wo表示ot的权值系数，bo表示ot的偏置常数，ht表示双向长短期记忆神经网络结构的总输出值；
进一步的，在t时刻的双向长短期记忆神经网络结构的总输出值为前向长短期记忆神经网络和后向长短期记忆神经网络输出之和；
总输出值的计算包括，
其中，表示前向长短期记忆神经网络的输出，/>表示后向长短期记忆神经网络的输出，/>表示向量取和操作。
S4：利用attention层整合的文本信息作为楼宇屋顶光伏预测模型输出层的输入，得到归一化的预测结果。需要说明的是：
attention层的搭建包括，
将双向长短期记忆神经网络结构的输出及特征向量信息作为attention层的输入，对特征信息向量分配不同的权重，在t时刻得到BI-LSTM层的隐层状态为：[ht,1,ht,2,…,ht,i,…,ht,T]T，本发明选择点乘形式计算注意力权重；
注意力权重的计算包括，
其中，et,i表示t时刻的匹配度，表示query文本信息，ht,i表示双向长短期记忆神经网络结构的隐层状态的总输出值，αt,i表示在t时刻隐层状态hi对当前输出的注意力权重，et,k表示t时刻的匹配度的总和；
利用分配好的不同的权重的特征信息向量输入到全连接层进行数据文本信息的整合，选择sigmoid作为激活函数，输出第t+1时刻的电力负荷预测值；
将整合后的文本信息作为楼宇屋顶光伏预测模型输出层的输入，得到归一化的预测结果；
进一步的，预测结果的评估包括，
将均方根误差RMSE、平均绝对误差MAE以及拟合优度R2作为评估指标，具体的计算包括，
其中，m表示训练集总容量，fi表示网络预测值，yi表示实际测试值，表示实际值取平均。
本发明针对电力负荷的影响因素，通过对楼宇屋顶光伏数据的前置预处理、CNN结构的特征提取、基于改进传统LSTM结构的BI-LSTM模型结构并结合attention机制的选择性关注优势，可以有效地过滤数据集的噪声和不利影响成分，有效地实现了对楼宇屋顶光伏出力的预测，并提高预测精度，更准确的为楼宇屋顶光伏系统提供预测服务。
实施例2
参照图2为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法的验证测试，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
选取南京市江宁区楼宇屋顶光伏短期功率预测，包含三家用户屋顶共365天数据，取30min为一个间隔，每日包含数据点数为48。根据实际选用的数据集，输入序列为连续五天的0:00-11:59采样频率为30min的48*5光伏出力功率。图2为基于BI-LSTM神经网络融合attention机制模型与传统LSTM结构模型的真实值与预测值的对比示意图，其中按照75％、15％和10％比例进行划分，可以看出本发明提供的方法所测试出的预测值更接近楼宇屋顶光伏短期功率的真实值，可以达到精准预测的目的。
表1：预测性能指标。
表1是对基于BI-LSTM神经网络融合attention机制模型与传统LSTM结构模型所预测出来的结果的评估。从表1可以看出本发明所提出的CNN+BI-LSTM+attention的混合模型在均方根误差、平均绝对误差和拟合优度三个评估指标上都有着优异表现，说明基于BI-LSTM神经网络融合attention机制模型的预测结果更加准确、计算复杂度更低，能够有效地提取特征信息，使深度学习神经网络学习到对光伏出力影响更大的因素，提高预测模型的准确性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (1)
1.基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法，其特征在于，包括：
获取楼宇屋顶历史光伏出力数据，对所述数据进行预处理；
利用预处理后的数据构建CNN卷积神经网络并进行特征提取，将提取的特征信息整合输出到Dropout层；
搭建双向长短期记忆神经网络结构，将所述神经网络结构的输出以及特征信息作为attention层的输入；
利用所述attention层整合的文本信息作为楼宇屋顶光伏预测模型输出层的输入，得到归一化的预测结果；
所述楼宇屋顶历史光伏出力数据包括以30min为采样频率以一年为时间长度的时间序列；
所述预处理过程包括，
将长时间序列切割，分离出日负荷时间序列；
对分离出来的日负荷时间序列进行解析、数据清洗以及数据补充；
确定预处理时间范围，在所述时间范围内，若光伏数据始终为零则判定为异常，去除该日数据，若光伏数据只在某个取样点缺失，则用样本数据平均值来补充；
将前置预处理后的数据进行归一化处理；
所述归一化处理的计算包括，
其中，Xn表示归一化后数据，X表示数据集原始数据，Xmin表示数据集中数据最小值，Xmax表示数据集中数据最大值；
所述CNN卷积神经网络的构建包括，
将所述预处理后的屋顶光伏数据输入到卷积层进行特征提取；
通过sigmoid激活函数对所述卷积层的输出进行非线性映射，将输入映射到[0,1]之间；
所述激活函数的计算包括，
其中，h(x)表示激活函数的输出，x表示激活函数的输入；
将所述激活函数的输出输入到池化层，对特征数据进行降维处理；
将卷积层和池化层进行堆叠，整合特征信息输出到dropout层；
所述特征数据的降维处理包括，将输入到池化层的数据划分为若干矩形区域，对每个矩形区域输出最大值，通过减小参数数量和计算量，实现降维；
所述dropout层的构建包括，
将降维处理后的特征数据作为flatten层的输入，将特征信息进行整合输出到dropout层；
dropout层的输入在前向传播的时候，设置dropout参数为0.5，在每次迭代过程中随机忽略设定比例特征检测器，减小检测器之间的相互作用，降低过拟合现象的影响；
所述双向长短期记忆神经网络结构的搭建包括，
通过sigmoid激活函数的神经层和一个逐点相乘的操作选择性地让所述特征信息通过，实现对遗忘门的构建；
所述遗忘门ft的构建包括，
ft＝σ(Wf·[ht-1，xt]+bf)
其中，Wf表示ft的权值系数，bf表示ft的偏置常数，σ表示sigmoid激活函数，ht-1表示上一时刻的输入，xt表示当前的输入；
输入门结构的构建包括，
it＝σ(Wi·[ht-1，xt]+bi)
ct＝tanh(WC·[ht-1，xt]+bC)
yt＝ft*yt-1+it*ct
其中，it表示sigmoid输入门单元激活函数的输出，Wi表示输入的权值系数，bi表示it的偏置常数，ct表示输入门单元tan函数的输出，WC表示ct的权值系数，tanh表示tanh的激活函数，bC表示ct的偏置常数，yt表示更新后的细胞状态，yt-1表示未更新时的细胞状态；
输出门结构的构建包括，
ot＝σ(Wo[ht-1，xt]+bo)
ht＝ot*tanh(yt)
其中，ot表示输出单元simoid函数的输出，Wo表示ot的权值系数，b0表示ot的偏置常数，ht表示双向长短期记忆神经网络结构的总输出值；
在t时刻的双向长短期记忆神经网络结构的总输出值为前向长短期记忆神经网络和后向长短期记忆神经网络输出之和；
所述总输出值的计算包括，
其中，表示前向长短期记忆神经网络的输出，ht-1表示前向长短期记忆神经网络结构的总输出值，ct-1表示输入门单元前一时刻tan函数的输出，/>表示后向长短期记忆神经网络的输出，ht+1表示后向长短期记忆神经网络结构的总输出值，ct+1表示输入门单元后一时刻tan函数的输出，/>表示向量取和操作；
所述attention层的搭建包括，
将双向长短期记忆神经网络结构的输出及特征向量信息作为attention层的输入，对特征信息向量分配不同的权重；
利用分配好的不同的权重的特征信息向量输入到全连接层进行数据文本信息的整合；
将整合后的文本信息作为楼宇屋顶光伏预测模型输出层的输入，得到归一化的预测结果；
所述预测结果的评估包括，
将均方根误差RMSE、平均绝对误差MAE以及拟合优度R2作为评估指标，具体的计算包括，
其中，m表示训练集总容量，fi表示网络预测值，yi表示实际测试值，表示实际值取平均。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211056873.5A CN115660032B (zh) | 2022-08-31 | 2022-08-31 | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211056873.5A CN115660032B (zh) | 2022-08-31 | 2022-08-31 | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115660032A CN115660032A (zh) | 2023-01-31 |
| CN115660032B true CN115660032B (zh) | 2024-05-10 |
Family
ID=84983299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211056873.5A Active CN115660032B (zh) | 2022-08-31 | 2022-08-31 | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115660032B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116470496A (zh) * | 2023-04-24 | 2023-07-21 | 广东永光新能源设计咨询有限公司 | 可再生能源发电系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110942189A (zh) * | 2019-11-22 | 2020-03-31 | 华侨大学 | 一种基于记忆神经网络和注意机制的光伏功率预测系统 |
| CN111222674A (zh) * | 2019-10-08 | 2020-06-02 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
| CN114254556A (zh) * | 2021-11-17 | 2022-03-29 | 中国华能集团清洁能源技术研究院有限公司 | 光伏发电功率的预测方法、装置、电子设备和存储介质 |
| CN114282646A (zh) * | 2021-11-29 | 2022-04-05 | 淮阴工学院 | 基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统 |
| CN114492928A (zh) * | 2021-12-21 | 2022-05-13 | 中国科学院理化技术研究所 | 一种构建楼宇用能舒适度预测模型的方法、装置和设备 |
| WO2022116571A1 (zh) * | 2020-12-04 | 2022-06-09 | 东北大学 | 一种基于lstm的热轧弯辊力预测方法 |
-
2022
- 2022-08-31 CN CN202211056873.5A patent/CN115660032B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111222674A (zh) * | 2019-10-08 | 2020-06-02 | 南昌大学 | 基于长短期记忆神经网络的短期光伏发电量预测方法 |
| CN110942189A (zh) * | 2019-11-22 | 2020-03-31 | 华侨大学 | 一种基于记忆神经网络和注意机制的光伏功率预测系统 |
| WO2022116571A1 (zh) * | 2020-12-04 | 2022-06-09 | 东北大学 | 一种基于lstm的热轧弯辊力预测方法 |
| CN114254556A (zh) * | 2021-11-17 | 2022-03-29 | 中国华能集团清洁能源技术研究院有限公司 | 光伏发电功率的预测方法、装置、电子设备和存储介质 |
| CN114282646A (zh) * | 2021-11-29 | 2022-04-05 | 淮阴工学院 | 基于两阶段特征提取和改进BiLSTM的光功率预测方法及系统 |
| CN114492928A (zh) * | 2021-12-21 | 2022-05-13 | 中国科学院理化技术研究所 | 一种构建楼宇用能舒适度预测模型的方法、装置和设备 |
Non-Patent Citations (1)
| Title |
|---|
| 李鹏辉 ; 崔承刚 ; 杨宁 ; 陈辉 ; .基于ARIMA LSTM组合模型的楼宇短期负荷预测方法研究.上海电力学院学报.2019,(06),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115660032A (zh) | 2023-01-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shakya et al. | Solar irradiance forecasting in remote microgrids using markov switching model | |
| CN105260800A (zh) | 一种光伏组件温度预测方法及装置 | |
| CN104021427A (zh) | 一种基于因子分析的并网光伏电站日发电量预测方法 | |
| CN113052469B (zh) | 一种缺乏量测径流小水电地区的风光水荷互补特性的计算方法 | |
| CN103400204A (zh) | 基于svm-马尔科夫组合法的太阳能光伏发电量预测方法 | |
| WO2023201552A1 (en) | County-wide photovoltaic prediction method based on cluster division and data enhancement | |
| CN115660032B (zh) | 基于BI-LSTM神经网络融合attention机制的楼宇屋顶光伏功率预测方法 | |
| CN115630726B (zh) | 基于vmd-bilstm神经网络融合注意力机制的屋顶光伏功率预测方法 | |
| CN115775045A (zh) | 一种基于历史相似日和实时多维研判的光伏平衡预测方法 | |
| 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 | |
| CN115021331A (zh) | 基于贡献系数法的清洁能源基地水风光一体化补偿方法 | |
| CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
| Tannahill et al. | Modeling of system of systems via data analytics—Case for “Big Data” in SoS | |
| CN111509782B (zh) | 考虑充电负荷与光伏出力随机特性的概率潮流分析方法 | |
| CN115688982B (zh) | 基于wgan和鲸鱼优化算法的楼宇光伏数据补全方法 | |
| CN114977324A (zh) | 能源基地多能互补运行中多主体效益变化的量化方法 | |
| Xie et al. | Ultra-short-term Forecasting Method of Photovoltaic Power Generation Based on Combined Deep Neural Network | |
| Kartini et al. | Development hybrid model deep learning neural network (dl-nn) for probabilistic forecasting solar irradiance on solar cells to improve economics value added | |
| Gökgöz et al. | Analyzing the Renewable Energy Sources of Nordic and Baltic Countries with MCDM Approach | |
| Cheng et al. | Establishing The Photovoltaic Output Model With PIC-LS-SVM Based on Curve Characteristic Index Dimensionality Reduction | |
| Lai et al. | Data analytics for solar energy in promoting smart cities | |
| Fan et al. | Ultra-Short-Term Wind Power Forecasting Based on Fluctuation Pattern Clustering and Prediction | |
| Sun | Comparative Analysis of Short-term Photovoltaic Power Generation Forecasting Based on LSTM and BP Neural Network | |
| Ning et al. | Textual-Knowledge-Guided Numerical Feature Discovery Method for Power Demand Forecasting | |
| Thiaw et al. | Design and Multi-Objective Optimization of a Photovoltaic System by a Genetic Algorithm |
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 |