CN116599050A - 基于自注意力机制的光伏预测方法及相关装置 - Google Patents

基于自注意力机制的光伏预测方法及相关装置 Download PDF

Info

Publication number
CN116599050A
CN116599050A CN202310572579.8A CN202310572579A CN116599050A CN 116599050 A CN116599050 A CN 116599050A CN 202310572579 A CN202310572579 A CN 202310572579A CN 116599050 A CN116599050 A CN 116599050A
Authority
CN
China
Prior art keywords
self
data
attention mechanism
photovoltaic
attention
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
Application number
CN202310572579.8A
Other languages
English (en)
Inventor
徐小波
何嘉瑜
陈逍锐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changan University
Original Assignee
Changan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changan University filed Critical Changan University
Priority to CN202310572579.8A priority Critical patent/CN116599050A/zh
Publication of CN116599050A publication Critical patent/CN116599050A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Power Engineering (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

基于自注意力机制的光伏预测方法及相关装置，包括通过对光伏电站的组件进行数据采集，得到不同时间的组件输出电流原始数据；对原始数据进行预处理，得到预处理后的数据集；将预处理后的数据集送入基于自注意力机制的时间卷积网络中，训练并调整神经网络模型超参数，搭建自注意力机制和时间卷积机制的光伏组件输出电流预测模型，再将预处理后的数据集送入预测模型，对光伏组件输出电流进行预测。本发明实现基于自注意力机制的光伏组件输出电流预测神经网络的构建，通过多次自注意力和因果卷积实现对输入序列底层特征到高层特征的逐层提取，从而精确预测光伏组件输出电流。

Description

基于自注意力机制的光伏预测方法及相关装置
技术领域
本发明属于光伏预测技术领域，具体涉及基于自注意力机制的光伏预测方法及相关装置。
背景技术
近年来，化石燃料的大量使用导致了重大的气候和环境问题。在这种资源减少和环境约束的规范下，改变当前的能源结构并推动能源革命至关重要。与其他可再生能源相比，太阳能环保、安全、丰富，被公认为最理想的可再生能源发电来源。光伏发电是太阳能利用的主要形式之一。然而，太阳能是间歇性的，很难准确预测其发电量，另外，光伏电站中的组件性能随着时间衰减问题一直困扰研究人员，此问题会直接影响发电规划，并可能加剧电能质量和安全性，随着光伏发电比例的迅速提高，准确的光伏输出电流预测对于输出功率的评估、能源效率和可再生能源生产变得更加重要。
发明内容
本发明的目的在于提供基于自注意力机制的光伏预测方法及相关装置，以解决光伏电站中的组件性能随着时间衰减影响电流输出预测的问题。
为实现上述目的，本发明采用以下技术方案：
第一方面，本发明提供基于自注意力机制的光伏预测方法，包括
通过对光伏电站的组件进行数据采集，得到不同时间的组件输出电流原始数据；
对原始数据进行预处理，得到预处理后的数据集；
将预处理后的数据集送入基于自注意力机制的时间卷积网络中，训练并调整神经网络模型超参数，搭建自注意力机制和时间卷积机制的光伏组件输出电流预测模型，再将预处理后的数据集送入预测模型，对光伏组件输出电流进行预测。
可选的，原始时序数据包括：输出功率、时间日期、辐照度、组件温度、相对湿度、逆变器温度、空气温度、输入电压、短路电流、开路电压、降水量和气压。
可选的，数据集的预处理过程为：
根据特定阈值电压情况下输出电流大小，判断测试结果是否异常，如果异常，将数据剔除；同时对数据不平衡的现象进行处理，通过网格采样的方法使不同外界条件下的测试数据量保持均衡，同时通过插值法使每一条电流-电压曲线上的输入电压选取点保持不变；计算输入数据的均值和方差，将输入数据减去算出的均值，除以方差，得到均值为0方差为1的归一化数据集；使数据均匀分布，划分训练集、验证集、测试集。
可选的，数据集的构建过程为：
将输入数据按照比例划分为训练集和测试集，其中训练集再次等分为多份，将其中一份作为验证集，其余部分作为训练集；引入K折交叉验证思想，训练完一轮后更换另一等分数据为验证集，剩下的多份数据为训练集，重复K次。
可选的，用数据集对所述自注意力机制构建过程如下：
将输入分别送入两个卷积层和一个全连接层，分别得到Q、K和V，其中Q、K通过卷积获得序列局部上下文信息，而V通过全连接获得包含序列原始数值信息的值输出，实现对时间序列中上下文信息和原始信息的同时映射，将V与转置后的Q矩阵相乘，经过掩码和softmax，得到权重系数，将其与原始信息的映射向量V中的元素一一相乘，实现对原始信息的自注意力加权。
可选的，基于注意力机制的光伏组件输出电流预测模型搭建步骤如下所示：
将预处理后的数据集进行嵌入编码后，送入网络，构建自注意力所需的三个向量K、Q、V，经过运算和softmax获得注意力权重，对数据集特征的有效提取，从而得到用于卷积输入的加权输出向量，再使用不同膨胀率的因果卷积进行卷积运算，同时，将卷积的输入和输出进行残差连接，重复以上自注意力和因果卷积过程，对数据集底层到顶层特征的分层提取，最终经过全连接层进行解码，得到基于自注意力机制的光伏输出电流预测模型。
可选的，数据集送入基于自注意力机制的时间卷积模型中的过程如下：
将数据集送入自注意力模块，得到经过加权的数据后，将其送入膨胀因果卷积中，卷积的输出经过层归一化、ReLU非线性激活后，与因果卷积的输入实现残差相加，此时完成一个完整的自注意力卷积模块，将自注意力卷积模块的输出再次进行自注意力编码和因果卷积，重复以上过程，最终得到的卷积输出向量，最后经过一层全连接网络实现解码功能，实现对光伏组件输出电流的预测；一轮训练结束后，启用K-折交叉验证，更换训练集和验证集，重新训练神经网络，直到重复K次，计算每一轮训练的模型评价指标，求出K次训练后的平均值，得到模型参数。
第二方面，本发明提供基于自注意力机制的光伏组件输出电流预测系统，包括：
数据采集模块，用于通过对光伏电站的组件进行数据采集，得到不同时间的组件输出电流原始数据；
数据处理模块，用于对原始数据进行预处理，得到预处理后的数据集；
预测输出模块，用于将预处理后的数据集送入基于自注意力机制的时间卷积网络中，训练并调整神经网络模型超参数，搭建自注意力机制和时间卷积机制的光伏组件输出电流预测模型，再将预处理后的数据集送入预测模型，对光伏组件输出电流进行预测。
第三方面，本发明提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如基于自注意力机制的光伏预测方法的步骤。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于自注意力机制的光伏预测方法的步骤。
与现有技术相比，本发明有以下技术效果：
本发明通过将经过编码的数据集经过卷积网络得到自注意力机制里面的Q值和K值，实现对输入序列局部特征的融合和提取，将经过编码的数据集经过全连接层得到自注意力机制里面的V值，实现对输入序列原始数据的有效编码及信息保存，将Q、K和V有机结合起来，实现对原始输入序列的上下文信息融合及加权，再将经过加权的向量送入因果卷积，引入标准化和残差，重复自注意力模块和因果卷积模块，最终通过全连接网络实现解码，实现基于自注意力机制的光伏组件输出电流预测神经网络的构建，通过多次自注意力和因果卷积实现对输入序列底层特征到高层特征的逐层提取，从而精确预测光伏组件输出电流。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1.基于自注意力机制的光伏输出电流预测的数据预处理模块；
图2.基于自注意力机制的光伏输出电流预测的电流线性插值流程图；
图3.基于自注意力机制的光伏输出电流预测整体模型架构
图4.基于自注意力机制的光伏输出电流预测自注意力模块
图5.基于自注意力机制的光伏输出电流预测注意力机制示意图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
提供了一种光伏组件输出电流预测方法。
实施例
步骤一：通过光伏电站收集大量实验数据，包括输出功率、时间日期、辐照度、组件温度、相对湿度、逆变器温度、空气温度、输入电压、短路电流、开路电压、降水量和气压，得到电流-电压I-V特性曲线
步骤二：受环境等不可控因素影响，所测得的I-V特性曲线存在误差，在阴影条件下，光伏组件的电流会过早的大幅度下降，为防止这些不符合要求的数据影响模型的准确性，需剔除这一部分数据，设定一个阈值，在阈值处，电流的大小发生骤变，电流的变化量超过所设定的阈值，删除该条I-V特性曲线。
步骤三：将整个数据集分成训练集，验证集，测试集。随机抽取90％的数据作为训练集，10％数据作为测试集。训练集再次等分为10份，将其中1份作为验证集，其余9份作为训练集。进行训练验证，经过一次训练后，换另一等分数据作为验证集，其余9份作为训练集，重复10次训练，每次训练用1份作为验证集，其余9份作为训练集，每份数据都当过验证集、也都当过训练集，不会存在因数据问题带来模型偏差。最后把10次评估指标的平均值作为最终的评估指标。
步骤四：将所述数据集进行嵌入编码后送入网络，构建自注意力所需的三个向量K、Q、V向量，K、Q通过矩阵的乘法得到一个8×8的矩阵Wl(l)，应用softmax函数将Wl(l)归一化,得到Wa(l)，即矩阵的下三角，图中的黄色块，Wa(l)与V相乘得到再通过因果卷积，进行卷积运算，重复以上自注意力和因果卷积过程多次，最后通过全连接层输出电流预测模型。
步骤五：将测试集数据送入已经训练好的网络进行预测，与真实数据进行对比，通过修改网络中的超参数，修改完善自注意力模型，直到预测数据与真实数据接近至满意程度。将真实数据送入网络，对光伏组件输出电流进行预测。
图2为基于自注意力机制的光伏输出电流预测对电流进行线性插值模型图；
如图2所示，在I-V曲线上选取点构建神经网络，为了防止每条曲线选取的点的数不同而导致网络输入长度不一致从而无法建立准确的神经网络模型，所以对I-V特性曲线以取数为100进行等间隔，等数量取点，进行线性插值。如果是在两个点之间有一个未知点，如果不知道两个点之间的点如何变化，通常认为是线性变化的，也即对两个点进行线性插值，得到第三个点。线性插值在一定允许误差下，可以近似代替原来函数；在查询各种数值表时，可通过线性插值来得到表中没有的数值。
1.确定I-V特性曲线中电压的值域为[0，VMAX)
2.对I-V特性曲线在值域为[0，VMAX)的范围内等间隔等数量取点100个(V0-V99)并通过I-V特性曲线将点V0-V99一一对应I0-I99找到
3.对新生成的电压VS找到Vs相邻两端的电压Va-Vb(a,b∈[0，100)),根据对应的电流值找到Va，Vb所对应的电流值Ia，Ib,得到线性函数
根据线性函数和Vs可以得到Is的值。
4.若电压值取值数大于100则结束进程，若电压取值数小于100，则继续进程。
图3为基于自注意力机制的光伏输出电流预测整体模型图
一个输入序列为x1:T＝x1,x2,…xT,长度为T,目标序列y1:T＝y1,y2,…yT,长度为T,任务是找到一个满足以下关系的函数SeqMod:
y1:T＝seqMod(x1:T)
yt应满足因果约束,它是x1:t的函数,模型应防止未来信息xt+1:T的泄漏；
输入x1:t的长度应与输出的长度相同.从本质上讲,函数SeqMod是为了找到一个网络,使模型的输出和真实数据之间的预期损失最小
在模型的开始,编码器将输入数据x1:7＝x1,x2,…x7送入网络其中T表示序列的长度0表示第0层。在最基本的层面上,在时间步骤t和层数l+1，/>是通过三个步骤计算的,如图3所示:
1.是通过自注意力得到:
其中,表示一个包含时间步骤t之前的信息的中间变量,如图4所示
2.给定对其应用因果卷积:
其中,表示因果卷积的输出.因果块可以被堆叠成许多层.为了保持每层的长度相同,在图3中的左边白色块上添加长度为((k-1)2(l-1))的零填充.这样一来,输入的左边相关信息就会逐渐积累到右边.
3.最后通过全连接层输出电流预测模型y1:7＝y1,y2,…y7。
图4基于自注意力机制的光伏输出电流预测自注意力模块模型图。
将通过自注意力模块得到/>通过因果卷积计算输出得到/>
再通过LayerNorm归一化(数据往往可能会有不同的量级，量级差距过大，这样的情况会影响到数据分析的结果，为了消除数据量级的影响，需要进行数据归一化处理，否则大量级的数据会导致小量级的数据没有作用。原始数据经过数据归一化处理后，使数据被限定在一定范围之内，消除不同量级的的不良影响，使各指标处于同一数量级)和一个ReLU函数(激活函数的一种)进行非线性激活，得到 与/>相加之后再得到/>
如图5基于自注意力机制的光伏输出电流预测自注意力机制示意图
在第一步,分别通过两个卷积计算和一个全连接计算来将映射到三个不同的向量上,/>和/>然后为了得到权重矩阵Wal,计算/>和/>的点积,再除以得到一个8×8的矩阵Wll
其中i,j＝1,2,…,T。。之后,通过Mask取矩阵W(l)的下三角部分如下:
其中i,j＝1,2,…,T。这样可以屏蔽未来时间的权重,从而达到只使用已经知道的信息而不使用未来信息的目的.最后,应用softmax函数将Wl(l)归一化,得到Wa(l),矩阵的在此操作的基础上,每一列的权重之和在一行中可以大于1,也就是说,目前前一个时间步骤/>的总贡献会和第一维度的归一化会有很大的不同,给定权重,/>与Wa(l)进行矩阵的乘法，可以得到加权输出:
其中,t＝1,2,…,T。为因果卷积的输入。
本发明再一实施例中，提供基于自注意力机制的光伏组件输出电流预测系统系统，能够用于实现上述的基于自注意力机制的光伏预测方法，具体的，该系统包括：
数据采集模块，用于通过对光伏电站的组件进行数据采集，得到不同时间的组件输出电流原始数据；
数据处理模块，用于对原始数据进行预处理，得到预处理后的数据集；
预测输出模块，用于将预处理后的数据集送入基于自注意力机制的时间卷积网络中，训练并调整神经网络模型超参数，搭建自注意力机制和时间卷积机制的光伏组件输出电流预测模型，再将预处理后的数据集送入预测模型，对光伏组件输出电流进行预测。
本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于自注意力机制的光伏预测方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于自注意力机制的光伏预测方法的相应步骤。
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装置。
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装置的制造品，该指令装置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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.基于自注意力机制的光伏预测方法，其特征在于，包括
通过对光伏电站的组件进行数据采集，得到不同时间的组件输出电流原始数据；
对原始数据进行预处理，得到预处理后的数据集；
将预处理后的数据集送入基于自注意力机制的时间卷积网络中，训练并调整神经网络模型超参数，搭建自注意力机制和时间卷积机制的光伏组件输出电流预测模型，再将预处理后的数据集送入预测模型，对光伏组件输出电流进行预测。
2.根据权利要求1所述的基于自注意力机制的光伏预测方法，其特征在于，原始时序数据包括：输出功率、时间日期、辐照度、组件温度、相对湿度、逆变器温度、空气温度、输入电压、短路电流、开路电压、降水量和气压。
3.根据权利要求1所述的基于自注意力机制的光伏预测方法，其特征在于，数据集的预处理过程为：
根据特定阈值电压情况下输出电流大小，判断测试结果是否异常，如果异常，将数据剔除；同时对数据不平衡的现象进行处理，通过网格采样的方法使不同外界条件下的测试数据量保持均衡，同时通过插值法使每一条电流-电压曲线上的输入电压选取点保持不变；计算输入数据的均值和方差，将输入数据减去算出的均值，除以方差，得到均值为0方差为1的归一化数据集；使数据均匀分布，划分训练集、验证集、测试集。
4.根据权利要求3所述的基于自注意力机制的光伏预测方法，其特征在于，数据集的构建过程为：
将输入数据按照比例划分为训练集和测试集，其中训练集再次等分为多份，将其中一份作为验证集，其余部分作为训练集；引入K折交叉验证思想，训练完一轮后更换另一等分数据为验证集，剩下的多份数据为训练集，重复K次。
5.根据权利要求1所述的基于自注意力机制的光伏预测方法，其特征在于，用数据集对所述自注意力机制构建过程如下：
将输入分别送入两个卷积层和一个全连接层，分别得到Q、K和V，其中Q、K通过卷积获得序列局部上下文信息，而V通过全连接获得包含序列原始数值信息的值输出，实现对时间序列中上下文信息和原始信息的同时映射，将V与转置后的Q矩阵相乘，经过掩码和softmax，得到权重系数，将其与原始信息的映射向量V中的元素一一相乘，实现对原始信息的自注意力加权。
6.根据权利要求1所述的基于自注意力机制的光伏预测方法，其特征在于，基于注意力机制的光伏组件输出电流预测模型搭建步骤如下所示：
将预处理后的数据集进行嵌入编码后，送入网络，构建自注意力所需的三个向量K、Q、V，经过运算和softmax获得注意力权重，对数据集特征的有效提取，从而得到用于卷积输入的加权输出向量，再使用不同膨胀率的因果卷积进行卷积运算，同时，将卷积的输入和输出进行残差连接，重复以上自注意力和因果卷积过程，对数据集底层到顶层特征的分层提取，最终经过全连接层进行解码，得到基于自注意力机制的光伏输出电流预测模型。
7.根据权利要求1所述的基于自注意力机制的光伏预测方法，其特征在于，数据集送入基于自注意力机制的时间卷积模型中的过程如下：
将数据集送入自注意力模块，得到经过加权的数据后，将其送入膨胀因果卷积中，卷积的输出经过层归一化、ReLU非线性激活后，与因果卷积的输入实现残差相加，此时完成一个完整的自注意力卷积模块，将自注意力卷积模块的输出再次进行自注意力编码和因果卷积，重复以上过程，最终得到的卷积输出向量，最后经过一层全连接网络实现解码功能，实现对光伏组件输出电流的预测；一轮训练结束后，启用K-折交叉验证，更换训练集和验证集，重新训练神经网络，直到重复K次，计算每一轮训练的模型评价指标，求出K次训练后的平均值，得到模型参数。
8.基于自注意力机制的光伏组件输出电流预测系统，其特征在于，包括：
数据采集模块，用于通过对光伏电站的组件进行数据采集，得到不同时间的组件输出电流原始数据；
数据处理模块，用于对原始数据进行预处理，得到预处理后的数据集；
预测输出模块，用于将预处理后的数据集送入基于自注意力机制的时间卷积网络中，训练并调整神经网络模型超参数，搭建自注意力机制和时间卷积机制的光伏组件输出电流预测模型，再将预处理后的数据集送入预测模型，对光伏组件输出电流进行预测。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于自注意力机制的光伏预测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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至7任一项所述基于自注意力机制的光伏预测方法的步骤。
CN202310572579.8A 2023-05-19 2023-05-19 基于自注意力机制的光伏预测方法及相关装置 Pending CN116599050A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310572579.8A CN116599050A (zh) 2023-05-19 2023-05-19 基于自注意力机制的光伏预测方法及相关装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310572579.8A CN116599050A (zh) 2023-05-19 2023-05-19 基于自注意力机制的光伏预测方法及相关装置

Publications (1)

Publication Number Publication Date
CN116599050A true CN116599050A (zh) 2023-08-15

Family

ID=87605840

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310572579.8A Pending CN116599050A (zh) 2023-05-19 2023-05-19 基于自注意力机制的光伏预测方法及相关装置

Country Status (1)

Country Link
CN (1) CN116599050A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933047A (zh) * 2023-09-19 2023-10-24 湖州新江浩电子有限公司 一种铝电解电容器耐压在线测试方法和装置
CN117805607A (zh) * 2024-02-29 2024-04-02 山西漳电科学技术研究院(有限公司) 发电厂直流系统直流级差配合试验方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116933047A (zh) * 2023-09-19 2023-10-24 湖州新江浩电子有限公司 一种铝电解电容器耐压在线测试方法和装置
CN116933047B (zh) * 2023-09-19 2023-12-08 湖州新江浩电子有限公司 一种铝电解电容器耐压在线测试方法和装置
CN117805607A (zh) * 2024-02-29 2024-04-02 山西漳电科学技术研究院(有限公司) 发电厂直流系统直流级差配合试验方法
CN117805607B (zh) * 2024-02-29 2024-05-07 山西漳电科学技术研究院(有限公司) 发电厂直流系统直流级差配合试验方法

Similar Documents

Publication Publication Date Title
CN116599050A (zh) 基于自注意力机制的光伏预测方法及相关装置
CN112215442B (zh) 电力系统短期负荷预测方法、系统、设备及介质
CN111461445B (zh) 短期风速预测方法、装置、计算机设备及存储介质
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
CN115018209B (zh) 一种数字化电能计量系统运行误差长期预测方法及设备
CN111709569A (zh) 风电场输出功率预测修正方法及装置
CN112653198A (zh) 一种基于预测箱的风电出力场景生成方法及系统
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
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
CN117117819A (zh) 一种光伏发电短期功率预测方法、系统、设备和介质
CN116629416A (zh) 光伏电站功率预测方法及装置
CN111680712A (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN110674460B (zh) 基于E-Seq2Seq技术的数据驱动型机组组合智能决策方法
CN113111592A (zh) 一种基于emd-lstm的短期风电功率预测方法
CN116629406A (zh) 一种基于改进Prophet模型的用电碳排放预测方法
CN112036672B (zh) 一种基于迭代订正的新能源发电超短期功率预测方法及系统
CN115375014A (zh) 一种源荷组合概率预测方法、装置及存储介质
CN112232598A (zh) 一种递进式光伏发电系统输出功率组合预测方法及系统
Huang et al. Probabilistic prediction intervals of wind speed based on explainable neural network
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统
CN115907131B (zh) 一种北方地区电采暖负荷预测模型搭建方法和系统
CN117077859A (zh) 一种新能源发电功率预测优化方法及系统
CN117633497A (zh) 基于模型性能与计算代价的数值预测模型特征甄选方法
Liu et al. A double‐layer neural network wind speed prediction framework based on training set segmentation and error correction

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