CN116341613A - 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 - Google Patents
一种基于Informer encoder和LSTM的超短期光伏功率预测方法 Download PDFInfo
- Publication number
- CN116341613A CN116341613A CN202211743137.7A CN202211743137A CN116341613A CN 116341613 A CN116341613 A CN 116341613A CN 202211743137 A CN202211743137 A CN 202211743137A CN 116341613 A CN116341613 A CN 116341613A
- Authority
- CN
- China
- Prior art keywords
- lstm
- layer
- encoder
- data
- model
- 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 28
- 238000010248 power generation Methods 0.000 claims abstract description 27
- 238000004821 distillation Methods 0.000 claims abstract description 9
- 238000011176 pooling Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 10
- 210000004027 cell Anatomy 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000005855 radiation Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 230000008034 disappearance Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- CIWBSHSKHKDKBQ-JLAZNSOCSA-N Ascorbic acid Chemical compound OC[C@H](O)[C@H]1OC(=O)C(O)=C1O CIWBSHSKHKDKBQ-JLAZNSOCSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000000306 recurrent effect Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 102000001690 Factor VIII Human genes 0.000 description 2
- 108010054218 Factor VIII Proteins 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
Abstract
本发明属于机器学习、新能源领域,公开了一种基于Informer encoder和LSTM的超短期光伏功率预测方法,该方法将历史气象数据和历史功率数据经过预处理之后分为训练集、验证集和测试集,然后建立结合信息器编码器Informer encoder和长短时记忆网络LSTM的预测模型并对其进行训练,将测试集和验证集输入训练好的模型中得到预测功率。本发明可以利用Informer encoder捕获远距离的信息依赖关系,并通过去除Informer encoder的蒸馏层以保留全局特征,然后利用LSTM增强局部相关性,最后在LSTM后加入池化层以减少全连接层的参数,来减缓过拟合现象,提高了光伏发电预测精度。
Description
技术领域
本发明属于机器学习、新能源领域,尤其涉及一种基于Informer encoder和LSTM的超短期光伏功率预测方法。
背景技术
太阳能因其安全高效、分布广泛以及可再生性在全球能源市场受到广泛关注,光伏发电在全球范围内得到快速发展。但由于光伏发电功率受到间歇性太阳辐射的影响,具有波动性和不确定性的特点,导致光伏发电并网和电力调度难度增加、弃光现象严重。光伏发电功率预测是解决上述现象最有效、最经济的方法之一,可以提高电网运行的安全性和有效性.
光伏发电功率预测方法可分为直接预测和间接预测。直接预测是根据历史气象数据及历史功率数据建立预测模型直接预测发电功率,间接预测则是以光伏发电系统物理发电原理为基础建立物理模型,根据未来气象信息进行功率预测。基于历史数据的直接预测方法包括整合移动平均自回归模型(autoregressive integrated moving average,ARIMA),支持向量机(support vector machine,SVM)、径向基函数神经网络(radial basisfunction,RBF)、反向传播神经网络(back propagation,BP)、极限学习机(extremelearning machine,ELM)、卷积神经网络(convolutional neural networks,CNN)、长短时记忆网络(long short-term memory,LSTM)等方法。
参考(1)申请号:201911232794.3,名称为一种基于HIMVO-SVM的短期光伏发电功率预测方法;参考(2)申请号:201811270305.9,名称为基于CDA-BP的微电网短期光伏发电功率预测方法;参考(3)申请号:201810106023.9,名称为一种利用长短期记忆网络的光伏发电功率预测方法。然而上述方法中,传统的机器学习(如SVM)使用手工提取特征的方法在训练数据规模较大时预测精度不高、泛化性能不足;广泛用于光伏发电出力预测的RNN、LSTM和GRU模型由于其顺序提取特征并逐级向后传递的特性,当输入序列较长时容易出现梯度消失现象,很难捕捉到序列之间的长期关联。
因此,亟待解决上述技术难题。
发明内容
本发明为了有效提取输入序列长距离信息之间的相关性,进一步提升预测精度,提出了一种基于Informer encoder和LSTM的超短期光伏功率预测方法,其特征在于利用Informer encoder捕获远距离的信息依赖关系,并通过去除Informer encoder的蒸馏层以保留全局特征,然后利用LSTM增强局部相关性,最后在LSTM后加入池化层以减少全连接层的参数,来减缓过拟合现象,从而提高了预测精度。
本发明的技术方案如下:
S1:获取光伏电厂的历史发电功率与历史气象数据,并对其进行预处理;
S2:将数据集按照7∶1∶2划分为训练集验证集和测试集,以当前时刻前一天共48个时间点的历史气象数据和历史功率数据作为输入,以未来四小时16个时间点的光伏发电功率作为输出;
S3:建立基于Informer encoder和LSTM的预测模型,将训练集输入模型进行训练,其训练方式采用反向传播BPTT算法;
S4:将测试集和验证集输入到训练好的模型得到预测功率,交叉验证模型的预测精度。
接上述技术方案,历史发电数据为光伏电厂提供的历史发电功率数据,而气象数据由气象中心提供,气象数据包括温度、湿度、风向、降雨量、水平辐照强度与水平散射辐射强度。
接上述技术方案,预处理包括使用皮尔森相关系数衡量气象因素与发电功率之间的相关性,选择影响光伏发电功率的重要因素作为输入特征,对输入特征进行归一化处理,具体采用最大最小值归一化方法:
其中,x为原数据,x*为归一化后的数据,xmin为原数据中的最小值,xmax为原数据中的最大值。
接上述技术方案,所述预测模型包括1层多头数为6、采样因子为8、去除蒸馏层的Informer encoder,1层神经元数为256是的LSTM,1层池化层和1层全连接层,其中模型优化器为Adam优化器,损失函数为均方误差MSE:
其中xmodel为模型输出值,xactual为为实测值。
接上述技术方案,所述预测模型具有以下特点:
(1)去除蒸馏层的Informer encoder由位置编码以及多个堆叠的多头概率稀疏自注意力层(Muti-head ProbSparse Self-attention)组成,每个多头概率稀疏自注意力层都包含两个子层,一个是多头概率稀疏自注意力机制层,另一个是前反馈网络,每个子层都采用了层归一化和残差连接,多头概率稀疏自注意力机制的输入由Q、K、V组成,通过计算注意力概率分布最远离均匀分布的u个qi组成代替Q来计算概率稀疏自注意力值:
其中u=c×lnN由采样因子c决定,其余qi的自注意力则使用V的均值代替;
(2)LSTM是基于循环神经网络(RNN)的改进网络,LSTM在RNN的基础上引入了遗忘门ft、输入门it和输出门ot三个门控结构和记忆细胞Ct,选择性记忆重要信息,缓解了梯度爆炸和梯度消失的问题,其中遗忘门ft决定了前一时刻状态的遗忘程度,输入门it决定将多少当前时刻的信息更新到当前状态中,输出门ot决定了哪些信息作为最终状态输出,三个门的输出均在0和1之间,表示信息通过比例,且每个LSTM单元共享同一套参数;
LSTM的内部计算方法如下:
ft=Sigmoid(Wx,fxt+Wh,fht-1+bf)
it=Sigmoid(Wx,ixt+Wh,iht-1+bt)
gt=tanh(Wx,gxt+Wh,ght-1+bg)
Ct=Ct-1⊙ft+gt⊙it
ot=Sigmoid(Wx,oxt+Wh,oht-1+bo)
ht=ot⊙tanh(Ct)
其中,Wx,f,Wx,i,Wx,g,Wh,f,Wh,i,Wh,g为三个门结构的权重矩阵,bf,bi,bg为三个门结构的偏置,xt为当前时刻的输入,ht-1为上一LSTM单元的输出信息,Ct-1为上一LSTM单元记忆细胞的细胞状态,gt为添加到记忆细胞的候选向量。
为了缓解模型出现过拟合现象,在训练过程中添加了Dropout(停用)层和earlystop(早停)机制。
本发明产生的有益效果是:本发明基于基于Informer encoder和LSTM的预测模型,通过Informer encoder提取输入时间序列的远距离信息的相关性,通过LSTM增强局部相关性和信息的位置关系,通过加入池化层,减少全连接层的参数,缓解过拟合现象,提高了预测精度,无论是在稳定天气还是突变天气,其预测效果都优于经典时间序列预测模型。
附图说明
图1为本发明基于Informer encoder和LSTM的超短期光伏功率预测方法的流程图。
图2为本发明基于Informer encoder和LSTM的预测模型框架图。
图3为多头概率稀疏自注意力层结构图。
图4为LSTM单元内部结构图。
图5为本发明实例提供的基于Informer encoder和LSTM的模型晴天预测结果对比图。
图6为本发明实例提供的基于Informer encoder和LSTM的模型阴雨天时预测结果对比图突变天气时预测结果对比图。
具体实例方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图1和图2所示,本发明提供了一种基于Informer encoder和LSTM的超短期光伏功率预测方法,其流程包括以下步骤:
S1:获取光伏电厂的历史发电功率与历史气象数据,历史发电功率数据由光伏电厂提供,气象数据由气象中心提供,气象数据包括温度、湿度、风向、降雨量、水平辐照强度与水平散射辐射强度,并对其进行预处理,其中包括根据历史数据结合皮尔森相关系数计算选择影响光伏发电功率的重要因素作为输入特征,对输入特征进行归一化处理,具体采用最大最小值归一化方法:
其中,x为原数据,x*为归一化后的数据,xmin为原数据中的最小值,xmax为原数据中的最大值;
S2:将数据集按照7∶1∶2划分为训练集验证集和测试集,以当前时刻前一天共48个时间点的历史气象数据和历史功率数据作为输入,以未来四小时16个时间点的光伏发电功率作为输出;
S3:建立基于Informer encoder和LSTM的预测模型,将训练集输入模型进行训练,其训练方式采用反向传播BPTT算法;所建立的预测模型包括1层多头数为6、采样因子为8、去除蒸馏层的Informer encoder,1层神经元数为256是的LSTM,1层池化层和1层全连接层,其中模型优化器为Adam优化器,损失函数为均方误差MSE:
其中xmodel为模型输出值,xactual为实测值;
S4:将测试集和验证集输入到训练好的模型交叉验证模型的预测精度;
去除蒸馏层的Informer encoder由位置编码以及多个堆叠的多头概率稀疏自注意力层(Muti-head ProbSparse Self-attention)组成,如图3所示,每个多头概率稀疏自注意力层都包含两个子层,一个是多头概率稀疏自注意力机制层,另一个是前反馈网络,每个子层都采用了层归一化和残差连接;多头概率稀疏自注意力机制的输入由Q、K、V组成,通过计算注意力概率分布最远离均匀分布的u个qi组成代替Q来计算概率稀疏自注意力值:
其中u=c×lnN由采样因子c决定,其余qi的自注意力则使用V的均值代替;
LSTM是基于循环神经网络(RNN)的改进网络,如图4所示LSTM在RNN的基础上引入了遗忘门ft、输入门it和输出门ot三个门控结构和记忆细胞Ct,选择性记忆重要信息,缓解了梯度爆炸和梯度消失的问题,其中遗忘门ft决定了前一时刻状态的遗忘程度,输入门it决定将多少当前时刻的信息更新到当前状态中,输出门ot决定了哪些信息作为最终状态输出,三个门的输出均在0和1之间,表示信息通过比例,且每个LSTM单元共享同一套参数,LSTM的内部计算方法如下:
ft=Sigmoid(Wx,fxt+Wh,fht-1+bf)
it=Sigmoid(Wx,ixt+Wh,iht-1+bt)
gt=tanh(Wx,gxt+Wh,ght-1+bg)
Ct=Ct-1⊙ft+gt⊙it
ot=Sigmoid(Wx,oxt+Wh,oht-1+bo)
ht=ot⊙tanh(Ct)
式中,Wx,f,Wx,i,Wx,g,Wh,f,Wh,i,Wh,g为三个门结构的权重矩阵,bf,bi,bg为三个门结构的偏置,xt为当前时刻的输入,ht-1为上一LSTM单元的输出信息,Ct-1为上一LSTM单元记忆细胞的细胞状态,gt为添加到记忆细胞的候选向量。
为了缓解模型出现过拟合现象,在训练过程中添加Dropout(停用)层和earlystop(早停)机制。
为了进一步说明本发明的优越性,用澳大利亚沙漠太阳能研究中心(DKASC)中爱丽丝泉中站点7的2018年12月1日到2020年11月30日每天7点到19点的数据进行验证。
所使用的数据集中包含的气象数据分别有温度、湿度、水平辐射、水平散射辐射、风向和降雨量,使用皮尔森相关系数衡量气象因素与发电功率之间的相关性:
根据相关系数与相关程度的对应关系,选取温度、湿度、水平辐射、水平散射辐射及历史发电功率作为模型输入。
将澳大利亚沙漠太阳能研究中心(DKASC)中爱丽丝泉中站点72018年12月1日到2020年11月30日每天7点到19点的数据按照7∶1∶2分为训练集验证集和测试集,训练集用于模型训练,验证集和测试集用于交叉验证模型的预测精度。
建立一个基于基于Informer encoder和LSTM的预测模型,输入层为预测点前一天共48个时间点的数据,时间间隔为15min,输入层维数为5由选取的气象特征数量决定;本模型模型包括1层多头数为6、采样因子为8、去除蒸馏层的Informer encoder,1层神经元数为256是的LSTM,1层池化层和1层全连接层;直接输出未来四小时16个时间点的光伏发电功率,输出变量的维数为1。
将基于Informer encoder和LSTM的模型与BP、LSTM和GRU模型进行对比,评价指标采用均方根误差RMSE、平均绝对误差MAE和决定系数R2,结果如下:
由上表显示,基于Informer encoder和LSTM的模型相对于BP、LSTM和GRU模型,RMSE分别降低了9.87%、6.42%和7.55%,MAE分别降低了26.54%、9.62%和10.54%,决定系数R2分别提升了2.24%、1.33%和1.67%。根据评价指标结果可得基于Informerencoder和LSTM的评价指标均优于BP、LSTM和GRU模型,预测效果最好。
将以上四种模型在不同天气情况下的预测效果进行对比,晴天时的预测功率与真实功率曲线对比如图5,阴雨天时的预测功率与真实功率曲线对比图6所示,可以看出在阴雨天时,光伏发电功率波动明显,四种模型预测结果与真实值之间都存在一定偏差,晴天时光伏发电功率较为平滑,四种模型的预测误差都比较小,但两种天气下基于Informerencoder和LSTM的模型的预测值曲线都更贴合真实值曲线,拟合程度最好。
综上所述,在测试集中基于Informer encoder和LSTM的模型性能优于BP、LSTM和GRU。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (6)
1.一种基于Informer encoder和LSTM的超短期光伏功率预测方法,其特征在于,包括:
S1:获取光伏电厂的历史发电功率与历史气象数据,并对其进行预处理;
S2:将数据集按照7∶1∶2划分为训练集验证集和测试集,以当前时刻前一天共48个时间点的历史气象数据和历史功率数据作为输入,以未来四小时16个时间点的光伏发电功率作为输出;
S3:建立基于Informer encoder和LSTM的预测模型,将训练集输入模型进行训练,其训练方式采用反向传播BPTT算法;
S4:将测试集和验证集输入到训练好的模型得到预测功率,交叉验证模型的预测精度。
2.根据权利要求1所述的一种基于Informer encoder和LSTM的超短期光伏功率预测方法其特征在于,历史发电数据为光伏电厂提供的历史发电功率数据,而气象数据由气象中心提供,气象数据包括温度、湿度、风向、降雨量、水平辐照强度与水平散射辐射强度。
5.根据权利要求4所述的一种基于Informer encoder和LSTM的超短期光伏功率预测方法其特征在于,所述预测模型具有以下特点:
(1)去除蒸馏层的Informer encoder由位置编码以及多个堆叠的多头概率稀疏自注意力层(Muti-head ProbSparse Self-attention)组成,每个多头概率稀疏自注意力层都包含两个子层,一个是多头概率稀疏自注意力机制层,另一个是前反馈网络,每个子层都采用了层归一化和残差连接,多头概率稀疏自注意力机制的输入由Q、K、V组成,通过计算注意力概率分布最远离均匀分布的u个qi组成代替Q来计算概率稀疏自注意力值:
其中u=c×lnN由采样因子c决定,其余qi的自注意力则使用V的均值代替;
(2)LSTM是基于循环神经网络(RNN)的改进网络,LSTM在RNN的基础上引入了遗忘门ft、输入门it和输出门ot三个门控结构和记忆细胞Ct,选择性记忆重要信息,缓解了梯度爆炸和梯度消失的问题,其中遗忘门ft决定了前一时刻状态的遗忘程度,输入门it决定将多少当前时刻的信息更新到当前状态中,输出门ot决定了哪些信息作为最终状态输出,三个门的输出均在0和1之间,表示信息通过比例,且每个LSTM单元共享同一套参数,LSTM的内部计算方法如下:
ft=Sigmoid(Wx,fxt+Wh,fht-1+bf)
it=Sigmoid(Wx,ixt+Wh,iht-1+bt)
gt=tanh(Wx,gxt+Wh,ght-1+bg)
Ct=Ct-1⊙ft+gt⊙it
ot=Sigmoid(Wx,oxt+Wh,oht-1+bo)
ht=ot⊙tanh(Ct)
式中,Wx,f,Wx,i,Wx,g,Wh,f,Wh,i,Wh,g为三个门结构的权重矩阵,bf,bi,bg为三个门结构的偏置,xt为当前时刻的输入,ht-1为上一LSTM单元的输出信息,Ct-1为上一LSTM单元记忆细胞的细胞状态,gt为添加到记忆细胞的候选向量。
6.根据权利要求4所述的一种基于Informer encoder和LSTM的超短期光伏功率预测方法其特征在于,为了缓解模型出现过拟合现象,在训练过程中添加了Dropout(停用)层和earlystop(早停)机制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211743137.7A CN116341613A (zh) | 2022-12-26 | 2022-12-26 | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211743137.7A CN116341613A (zh) | 2022-12-26 | 2022-12-26 | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116341613A true CN116341613A (zh) | 2023-06-27 |
Family
ID=86882895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211743137.7A Pending CN116341613A (zh) | 2022-12-26 | 2022-12-26 | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116341613A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035446A (zh) * | 2023-07-24 | 2023-11-10 | 西华大学 | 一种考虑阵列间时空相关性的超短期光伏出力预测方法 |
CN117275723A (zh) * | 2023-09-15 | 2023-12-22 | 上海全景医学影像诊断中心有限公司 | 一种早期帕金森病预测方法、装置及系统 |
-
2022
- 2022-12-26 CN CN202211743137.7A patent/CN116341613A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035446A (zh) * | 2023-07-24 | 2023-11-10 | 西华大学 | 一种考虑阵列间时空相关性的超短期光伏出力预测方法 |
CN117275723A (zh) * | 2023-09-15 | 2023-12-22 | 上海全景医学影像诊断中心有限公司 | 一种早期帕金森病预测方法、装置及系统 |
CN117275723B (zh) * | 2023-09-15 | 2024-03-15 | 上海全景医学影像诊断中心有限公司 | 一种早期帕金森病预测方法、装置及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
Tahmasebifar et al. | A new hybrid model for point and probabilistic forecasting of wind power | |
CN112418346B (zh) | 一种数值天气预报总辐射系统误差分类计算方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
CN112163689A (zh) | 基于深度Attention-LSTM的短期负荷分位点概率预测方法 | |
CN115796004A (zh) | 一种基于SLSTM和MLSTNet模型的光伏电站超短期功率智能预测方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
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 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
Bai et al. | Deep attention ConvLSTM-based adaptive fusion of clear-sky physical prior knowledge and multivariable historical information for probabilistic prediction of photovoltaic power | |
CN115860177A (zh) | 基于组合式机器学习模型光伏发电功率预测方法及其应用 | |
CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
Jin et al. | Adaptive forecasting of wind power based on selective ensemble of offline global and online local learning | |
CN114676622A (zh) | 基于自编码器深度学习模型的短期光伏功率预测方法 | |
Li et al. | Photovoltaic power prediction method for zero energy consumption buildings based on multi-feature fuzzy clustering and MAOA-ESN | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN112232714B (zh) | 一种基于深度学习的结构参数不完备下配电网风险评估方法 | |
CN114219122A (zh) | 基于网格气象数据的小水电站发电功率超短期预测方法 | |
CN113962441A (zh) | 一种基于历史数据分析的短期辐照度预测方法及预测系统 | |
Song et al. | Short-term pv output prediction method based on feature analysis and multi-model fusion |
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 |