CN116881665A - 一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法 - Google Patents
一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法 Download PDFInfo
- Publication number
- CN116881665A CN116881665A CN202310976038.1A CN202310976038A CN116881665A CN 116881665 A CN116881665 A CN 116881665A CN 202310976038 A CN202310976038 A CN 202310976038A CN 116881665 A CN116881665 A CN 116881665A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- bilstm
- representing
- amplitude
- population
- 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 33
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 230000015654 memory Effects 0.000 claims abstract description 25
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 3
- 241000196324 Embryophyta Species 0.000 claims description 29
- 241000233866 Fungi Species 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 21
- 238000012545 processing Methods 0.000 claims description 18
- 230000007787 long-term memory Effects 0.000 claims description 14
- 230000006403 short-term memory Effects 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000001502 supplementing effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 2
- 208000025174 PANDAS Diseases 0.000 claims description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 claims description 2
- 240000000220 Panda oleosa Species 0.000 claims description 2
- 235000016496 Panda oleosa Nutrition 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000004220 aggregation Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000007123 defense Effects 0.000 claims description 2
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000012856 packing Methods 0.000 claims description 2
- 238000006116 polymerization reaction Methods 0.000 claims description 2
- 230000000306 recurrent effect Effects 0.000 claims description 2
- 230000002441 reversible effect Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 238000001228 spectrum Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于CMOA优化的TimesNet‑BiLSTM光伏出力预测方法，包括：首先，采集历史光伏出力数据并进行预处理；其次，搭建时序分析骨干网络TimesNet，构建时序分析骨干网络与双向长短期记忆网络组合模型TimesNet‑BiLSTM；最后，采用连续菌根优化自然启发方法CMOA确定时序分析骨干网络与双向长短期记忆网络组合模型TimesNet‑BiLSTM的超参数，并利用训练好的模型进行光伏出力预测。该方法中，时序分析骨干网络TimesNet能实现周期内和周期间的变化的呈现，从而解决了复杂的时间变化难以建模的问题；使用的双向长短期记忆网络BiLSTM能充分利用历史信息，获得更全面的时间序列表示，从而提高预测性能；通过连续菌根优化自然启发方法CMOA寻找最优参数，从而提高光伏出力预测的精确度。
Description
技术领域
本发明属于电力系统光伏出力预测技术领域，涉及一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法，适用于电力系统光伏出力的预测。
背景技术
目前，深度模型被广泛用于光伏功率预测的时序分析任务中，沈艳霞，沈俊豪，赵芝璞，基于Transformer模型的光伏功率预测方法：CN202110161723.X，中国,.2021.02.05中Transformer模型中的多头注意力机制使能够较好地处理较长序列和大规模数据，但是在复杂的时间模式中，注意力机制很难从分散的时间点中找出复杂的时间依赖关系。
另外，唐贤伦，张家瑞等人，一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法：CN202310128193.8，中国，2023.05.05的TCN-BiLSSTM模型中的时间卷积网络TCN虽然能够捕捉到时间序列中的长期依赖关系，但是由于一维卷积核的局部性，只能对相邻时间点之间进行建模，仍然难以解决长期依赖性的问题。
因此，提出一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法，来解决复杂的时序变化问题，解决了1D序列在表示能力方面的局限性。
发明内容
一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法，具有高预测性能和预测精度，在使用过程中有以下步骤：
步骤1：将采集的长时间序列切割，分离出日负荷时间序列；
步骤2：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；
步骤3：确定预处理所用时间序列的时间范围，在该时间范围内，若光伏出力数据始终为零则判定为异常，去除该日数据，若光伏出力数据只在某个取样点缺失，先用检测缺失值函数Pandas.isnull.sum(·)检测出变量的缺失比例，若变量的缺失率大于80％则采取删除变量法，若缺失率小于95％则根据数据分布的情况进行填充，若需要填充的变量是连续型则采用均值法进行填充；若变量是离散型，采用哑变量进行填充；
步骤4：按照时间顺序将经步骤3处理得到的时间序列记为X＝{x1 x2,...,xn}，其中x1表示采集的数据经步骤1、2、3处理后得到的第1个光伏出力数据，x2表示采集的数据经步骤1、2、3处理后得到的第2个光伏出力数据，xn表示采集的数据经步骤1、2、3处理后得到的第n个光伏出力数据，将所得时间序列进行归一化处理，使数据映射在0～1之间：
其中，yi表示归一化后的数据，xi表示时间序列的原始数据，xmin表示时间序列的最小值，xmax表示时间序列的最大值；经归一化处理后得到新时间序列记为Y＝{y1,y2,...,yn}，其中，y1表示x1经归一化后得到的数据，y2表示x2经归一化后得到的数据，yn表示xn经归一化后得到的数据，然后将新序列划分为训练集和测试集；
步骤5：将步骤4得到的训练集输入到时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM中，作为时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM的输入；将输入一个的一维时间序列记为Y1D；
步骤6：对输入的一维时间序列Y1D通过快速傅里叶变换分析频谱：
A＝Avg(Amp(FFT(Y1D))) (2)
其中A表示不同频率的平均振幅，FFT(·)表示将一维时间序列进行快速傅里叶变换，Amp(·)表示计算各个时间序列转换后在各个频率上的振幅，Avg(·)表示对不同时间序列的振幅求平均值；
取平均振幅最大的k个频率为：
其中argTopk(·)表示提取振幅最大对应的k个频率并按照振幅值从大到小的顺序进行排序，f1表示数值最大振幅对应的频率，f2表示数值大小位于第2的振幅对应的频率，fk数值大小位于第k的振幅对应的频率，T表示原时间序列长度，f*指代振幅最大对应的k个频率,其取值范围为1到T/2；
取k个频率相对应的k个周期为：
其中，T表示原时间序列长度，pi表示为fi对应的周期；
步骤7：将时间序列Y1D经过嵌入层得到深度特征后续过程的第t个TimesBlock层的输入记为/>输出记为/>其中TimesBlock(·)表示经过TimesBlock层的处理；
在第t个TimesBlock层中：
步骤8：将第t-1层的输出得到对应的平均振幅以及振幅最大的k个频率和对应的周期记为：
其中，At-1表示第t-1个TimesBlock层输出的平均振幅，f1表示数值最大的振幅对应的频率，f2表示数值大小位于第2的振幅对应的频率，fk数值大小位于第k的振幅对应的频率，f*指代振幅最大对应的k个频率,其取值范围为1到T/2，p1表示f1对应的周期，p2表示f2对应的周期，pk表示fk对应的周期，用period(·)表示确定的频率和对应的周期长度；
步骤9：根据(5)式中的k个频率和周期，将一维时间序列转化到不同的二维张量中：
其中，表示第t个TimesBlock层中经过转化后获得的第i个二维张量，表示将一维时间序列以pi为行数且fi为列数转化成第i个二维张量，pi表示所得二维张量的行数，fi表示所得二维张量的列数，Padding(·)表示在时间序列末端补0从而使得一维时间序列正好能转化到二维张量；
步骤10：将所得二维张量记为其中/>表示第t个TimesBlock层经过转化后获得的第1个向量，/>表示第t个TimesBlock层经过转化后获得的第2个向量,/>表示第t个TimesBlock层经过转化后获得的第k个向量,对该二维张量使用2D深层卷积网络ResNext提取时序特征信息：
其中，使表示用2D深层卷积网络ResNext从/>中提取到的特征序列，ResNext(·)表示使用2D深层卷积网络ResNext提取时序特征信息；
步骤11：将提取的时序特征转化回一维空间：
其中，表示将二维张量/>转化得到的一维序列，/>将二维张量/>根据其对应的频率和周期转化回一维时间序列，Trunc(·)表示将(6)式中Padding(·)操作补充的0去除并将时间序列长度放缩到原来的T；
步骤12：获取第t-1个TimesBlock层输出的频率fk对应的振幅对应的权重：
其中，表示第t-1个TimesBlock层输出的频率f1对应的振幅，/>第t-1个TimesBlock层输出的频率f2对应的振幅，/>表示第t-1个TimesBlock层输出的频率fk对应的振幅，Softmax(·)表示获取每个元素对应的权重，/>表示对/>获取权重后得到的振幅，/>表示对/>获取权重后得到的振幅，/>表示对/>获取权重后得到的振幅；
步骤13：将获取权重后得到的振幅作为加权重新聚合步骤11得到的一维表征
其中，表示聚合后得到的一维时间序列
步骤14：构建双向长短期记忆网络BiLSTM层：
双向长短期记忆网络BiLSTM层由正反向的长短期记忆递归神经网络LSTM构成，将步骤13中特征信息输入到双向长短期记忆网络BiLSTM层中，利用式(11)得到隐藏状态向量：
hT＝BiLSTM(hTs,hTz) (11)
其中，hT表示双向长短期记忆网络BiLSTM的隐藏状态向量，hTs,hTz分别表示前向和后向LSTM的隐藏状态向量；BiLSTM(·)表示经过双向长短期记忆网络BiLSTM层进行处理；
步骤15：将向量hT输入输出层中：
u＝σ(hTω+b) (12)
其中，u为预测值，ω和b是输出层的权重向量和偏置向量；σ(·)表示ReLU函数；
步骤16：将时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM输出的预测值u经过反归一化处理，得到实际光伏出力功率预测值u0；
步骤17：初始化连续菌根优化自然启发方法CMOA和时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM的网络参数，随机生成时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM初始网络，其初始化参数包括真菌Q的种群数量β，一种与真菌Q共生的植物R的种群数量α，植物R的种群数量的增长率χ，植物R的种群数量对自身的影响γ，真菌Q的种群数量对植物R种群数量的影响λ，真菌Q的种群数量的增长率ρ，植物R的种群数量对真菌Q的种群数量的影响κ，真菌Q的种群数量对自身的影响ζ，最大迭代次数η；连续菌根优化自然启发方法CMOA优化的参数包括双向长短期记忆网络BiLSTM所包含的隐藏层节点数学习率δ，最大训练周期τ；
步骤18：用随机解初始化植物和菌根网络的种群数量,找到最优的树适应度；
步骤19：使用洛特卡－沃尔泰拉Lotka-Volterra连续方程组从随机解获得的两个种群开始，得到树适应度最优的两个种群的种群数量；
步骤20：更新最优的两个种群的种群数量，并计算下一次迭代后的新的种群的种群数量；
步骤21：判断是否达到最大迭代次数，若达到最大迭代次数，则结束迭代，返回最优参数；否则，返回步骤18；
步骤22：将最优参数带入到时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM中进行训练，从而得到训练好的光伏出力预测模型；
步骤23：利用训练好的时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM进行预测，获得光伏出力预测结果。
步骤19使用的洛特卡－沃尔泰拉Lotka-Volterra连续方程组为：
(1)洛特卡－沃尔泰拉防御方程LV-Predator-Prey：
其中，表示植物R种群数量时间l内的的增长率；β表示真菌Q的种群数量；α表示植物R的种群数量；χ表示植物R的种群数量的增长率，γ表示植物R的种群数量对自身的影响；
其中，表示真菌Q种群数量时间l内的的增长率；λ表示真菌Q的种群数量对植物R种群数量的影响，ρ表示真菌Q的种群数量的增长率；
(2)洛特卡－沃尔泰拉资源互换方程LV-Competitve Model：
其中，λ表示真菌Q的种群数量对植物R种群数量的影响；
其中，κ表示植物R的种群数量对真菌Q的种群数量的影响；ζ表示真菌Q的种群数量对自身的影响；
(3)洛特卡－沃尔泰拉殖民地化方程LV-Cooperative-Model：
本发明相对于现有技术具有如下的优点及效果：
(1)本发明针对复杂变化的时序信息的提取问题，提出时序分析骨干网络TimesNet从多周期视角分析时序变化，并将原始的多周期一维时间序列转化到二维空间实现了周期间和周期内变化的建模，比目前直接从1D时间序列中提取信息的模型更有效。
(2)本发明将时序分析骨干网络TimesNet和双向长短期记忆网络BiLSTM相结合，可以处理时间序列的双向依赖性问题；同时在模型深度和广度方面都有很大的提升，可以提高预测的精度；在模型训练过程中，残差网络技术被应用于模型的设计，有效地解决了训练困难的问题。
(3)本发明针对时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM中超参数选择困难的问题，提出利用连续菌根优化自然启发方法CMOA的全局搜索能力寻找时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM中学习率γ、双向长短期记忆网络BiLSTM所包含的隐藏层节点数、以及训练周期，以获得最优网络模型，从而在预测过程中避免了陷入局部最优，大大提高了光伏出力预测的收敛速率和精确度。
附图说明
图1是基于CMOA优化的TimesNet-BiLSTM光伏出力预测示意图；
图2是TimesNet-BiLSTN网络模型结构示意图；
图3是基于CMOA优化的TimesNet-BiLSTM光伏出力预测系统框图。
具体实施方式
本发明提出的一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法，结合附图详细说明如下：
图1是本发明基于CMOA优化的TimesNet-BiLSTM光伏出力预测示意图；首先，获取光伏出力历史数据并对该数据进行预处理，然后使用时序分析骨干网络TimesNet对得到的时间序列数据进行处理和特征学习，然后利用双向长短期记忆网络BiLSTM提取序列中更多的信息并进行预测，得到实际光伏出力预测值，最后对预测结果进行误差分析。
图2是TimesNet-BiLSTM网络模型结构示意图。首先，将预处理得到的时序数据输入到时序分析骨干网络TimesNet中，时序分析骨干网络TimesNet由堆叠的TimesBlock组成，在TimesBlock中，时序数据通过快速傅里叶变换分析频谱，然后实现一维时间序列到二维张量的转化，然后使用2D深层卷积网络ResNext捕获二维特征，再将二维张量转化回一维序列，然后通过自适应融合得到输出的特征信息，再将该特征信息输入到双向长短期记忆网络BiLSTM中得到预测值，最后通过反归一化处理得到实际光伏出力预测值。
图3是基于CMOA优化的TimesNet-BiLSTM光伏出力预测系统框图。首先采集历史光伏出力数据，然后对所得数据进行预处理，然后将数据分成训练集和预测集；初始化连续菌根优化自然启发方法CMOA和时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM的网络参数，并使用连续菌根优化自然启发方法CMOA对初始值进行编码，然后使用随机解初始化植物和菌根网络的种群数量，因为植物的根和真菌网络形成一个生态系统且其中树是最大的植物，所以先寻找到最优树适应度，再使用洛特卡－沃尔泰拉Lotka-Volterra连续方程组从随机解获得的两个种群开始，得到适应度最优的两个种群的种群数量，然后判断是否达到最大迭代次数，若达到最大迭代次数，则结束迭代，返回最优参数，否则返生物运营机制，得到最优参数后对参数进行解码，获得对应的迭代次数、学习率、隐藏层节点数，然后根据参数建立时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM，然后使用训练集对时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM进行训练，得到训练好的光伏出力预测模型，将测试集带入到训练好的时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM中进行预测，获得光伏出力预测结果，最后计算测试集误差。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (2)
1.一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法，其特征在于，该方法有高预测性能和预测精度，在使用过程中有以下步骤：
步骤1：将采集的长时间序列切割，分离出日负荷时间序列；
步骤2：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；
步骤3：确定预处理所用时间序列的时间范围，在该时间范围内，若光伏出力数据始终为零则判定为异常，去除该日数据，若光伏出力数据只在某个取样点缺失，先用检测缺失值函数Pandas.isnull.sum(·)检测出变量的缺失比例，若变量的缺失率大于80％则采取删除变量法，若缺失率小于95％则根据数据分布的情况进行填充，若需要填充的变量是连续型则采用均值法进行填充；若变量是离散型，采用哑变量进行填充；
步骤4：按照时间顺序将经步骤3处理得到的时间序列记为X＝{x1 x2,...,xn}，其中x1表示采集的数据经步骤1、2、3处理后得到的第1个光伏出力数据，x2表示采集的数据经步骤1、2、3处理后得到的第2个光伏出力数据，xn表示采集的数据经步骤1、2、3处理后得到的第n个光伏出力数据，将所得时间序列进行归一化处理，使数据映射在0～1之间：
其中，yi表示归一化后的数据，xi表示时间序列的原始数据，xmin表示时间序列的最小值，xmax表示时间序列的最大值；经归一化处理后得到新时间序列记为Y＝{y1,y2,...,yn}，其中，y1表示x1经归一化后得到的数据，y2表示x2经归一化后得到的数据，yn表示xn经归一化后得到的数据，然后将新序列划分为训练集和测试集；
步骤5：将步骤4得到的训练集输入到时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM中，作为时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM的输入；将输入一个的一维时间序列记为Y1D；
步骤6：对输入的一维时间序列Y1D通过快速傅里叶变换分析频谱：
A＝Avg(Amp(FFT(Y1D))) (2)
其中A表示不同频率的平均振幅，FFT(·)表示将一维时间序列进行快速傅里叶变换，Amp(·)表示计算各个时间序列转换后在各个频率上的振幅，Avg(·)表示对不同时间序列的振幅求平均值；
取平均振幅最大的k个频率为：
其中argTopk(·)表示提取振幅最大对应的k个频率并按照振幅值从大到小的顺序进行排序，f1表示数值最大振幅对应的频率，f2表示数值大小位于第2的振幅对应的频率，fk数值大小位于第k的振幅对应的频率，T表示原时间序列长度，f*指代振幅最大对应的k个频率,其取值范围为1到T/2；
取k个频率相对应的k个周期为：
其中，T表示原时间序列长度，pi表示为fi对应的周期；
步骤7：将时间序列Y1D经过嵌入层得到深度特征后续过程的第t个TimesBlock层的输入记为/>输出记为/>其中TimesBlock(·)表示经过TimesBlock层的处理；
在第t个TimesBlock层中：
步骤8：将第t-1层的输出得到对应的平均振幅以及振幅最大的k个频率和对应的周期记为：
其中，At-1表示第t-1个TimesBlock层输出的平均振幅，f1表示数值最大的振幅对应的频率，f2表示数值大小位于第2的振幅对应的频率，fk数值大小位于第k的振幅对应的频率，f*指代振幅最大对应的k个频率,其取值范围为1到T/2，p1表示f1对应的周期，p2表示f2对应的周期，pk表示fk对应的周期，用period(·)表示确定的频率和对应的周期长度；
步骤9：根据(5)式中的k个频率和周期，将一维时间序列转化到不同的二维张量中：
其中，表示第t个TimesBlock层中经过转化后获得的第i个二维张量，表示将一维时间序列以pi为行数且fi为列数转化成第i个二维张量，pi表示所得二维张量的行数，fi表示所得二维张量的列数，Padding(·)表示在时间序列末端补0从而使得一维时间序列正好能转化到二维张量；
步骤10：将所得二维张量记为其中/>表示第t个TimesBlock层经过转化后获得的第1个向量，/>表示第t个TimesBlock层经过转化后获得的第2个向量,表示第t个TimesBlock层经过转化后获得的第k个向量,对该二维张量使用2D深层卷积网络ResNext提取时序特征信息：
其中，使表示用2D深层卷积网络ResNext从/>中提取到的特征序列，ResNext(·)表示使用2D深层卷积网络ResNext提取时序特征信息；
步骤11：将提取的时序特征转化回一维空间：
其中，表示将二维张量/>转化得到的一维序列，/>将二维张量/>根据其对应的频率和周期转化回一维时间序列，Trunc(·)表示将(6)式中Padding(·)操作补充的0去除并将时间序列长度放缩到原来的T；
步骤12：获取第t-1个TimesBlock层输出的频率fk对应的振幅对应的权重：
其中，表示第t-1个TimesBlock层输出的频率f1对应的振幅，/>第t-1个TimesBlock层输出的频率f2对应的振幅，/>表示第t-1个TimesBlock层输出的频率fk对应的振幅，Softmax(·)表示获取每个元素对应的权重，/>表示对/>获取权重后得到的振幅，/>表示对/>获取权重后得到的振幅，/>表示对/>获取权重后得到的振幅；
步骤13：将获取权重后得到的振幅作为加权重新聚合步骤11得到的一维表征
其中，表示聚合后得到的一维时间序列
步骤14：构建双向长短期记忆网络BiLSTM层：
双向长短期记忆网络BiLSTM层由正反向的长短期记忆递归神经网络LSTM构成，将步骤13中特征信息输入到双向长短期记忆网络BiLSTM层中，利用式(11)得到隐藏状态向量：
hT＝BiLSTM(hTs,hTz) (11)
其中，hT表示双向长短期记忆网络BiLSTM的隐藏状态向量，hTs,hTz分别表示前向和后向LSTM的隐藏状态向量；BiLSTM(·)表示经过双向长短期记忆网络BiLSTM层进行处理；
步骤15：将向量hT输入输出层中：
u＝σ(hTω+b) (12)
其中，u为预测值，ω和b是输出层的权重向量和偏置向量；σ(·)表示ReLU函数；
步骤16：将时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM输出的预测值u经过反归一化处理，得到实际光伏出力功率预测值u0；
步骤17：初始化连续菌根优化自然启发方法CMOA和时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM的网络参数，随机生成时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM初始网络，其初始化参数包括真菌Q的种群数量β，一种与真菌Q共生的植物R的种群数量α，植物R的种群数量的增长率χ，植物R的种群数量对自身的影响γ，真菌Q的种群数量对植物R种群数量的影响λ，真菌Q的种群数量的增长率ρ，植物R的种群数量对真菌Q的种群数量的影响κ，真菌Q的种群数量对自身的影响ζ，最大迭代次数η；连续菌根优化自然启发方法CMOA优化的参数包括双向长短期记忆网络BiLSTM所包含的隐藏层节点数学习率δ，最大训练周期τ；
步骤18：用随机解初始化植物和菌根网络的种群数量,找到最优的树适应度；
步骤19：使用洛特卡－沃尔泰拉Lotka-Volterra连续方程组从随机解获得的两个种群开始，得到树适应度最优的两个种群的种群数量；
步骤20：更新最优的两个种群的种群数量，并计算下一次迭代后的新的种群的种群数量；
步骤21：判断是否达到最大迭代次数，若达到最大迭代次数，则结束迭代，返回最优参数；否则，返回步骤18；
步骤22：将最优参数带入到时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM中进行训练，从而得到训练好的光伏出力预测模型；
步骤23：利用训练好的时序分析骨干网络与双向长短期记忆网络组合模型TimesNet-BiLSTM进行预测，获得光伏出力预测结果。
2.根据权利要求1的一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法，其特征在于，所述步骤19使用的洛特卡－沃尔泰拉Lotka-Volterra连续方程组为：
(1)洛特卡－沃尔泰拉防御方程LV-Predator-Prey：
其中，表示植物R种群数量时间l内的的增长率；β表示真菌Q的种群数量；α表示植物R的种群数量；χ表示植物R的种群数量的增长率，γ表示植物R的种群数量对自身的影响；
其中，表示真菌Q种群数量时间l内的的增长率；λ表示真菌Q的种群数量对植物R种群数量的影响，ρ表示真菌Q的种群数量的增长率；
(2)洛特卡－沃尔泰拉资源互换方程LV-Competitve Model：
其中，λ表示真菌Q的种群数量对植物R种群数量的影响；
其中，κ表示植物R的种群数量对真菌Q的种群数量的影响；ζ表示真菌Q的种群数量对自身的影响；
(3)洛特卡－沃尔泰拉殖民地化方程LV-Cooperative-Model：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310976038.1A CN116881665A (zh) | 2023-08-04 | 2023-08-04 | 一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310976038.1A CN116881665A (zh) | 2023-08-04 | 2023-08-04 | 一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116881665A true CN116881665A (zh) | 2023-10-13 |
Family
ID=88266307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310976038.1A Pending CN116881665A (zh) | 2023-08-04 | 2023-08-04 | 一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116881665A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052338A (zh) * | 2024-04-16 | 2024-05-17 | 华东交通大学 | 一种基于广域协同训练的分布式光伏功率预测方法 |
-
2023
- 2023-08-04 CN CN202310976038.1A patent/CN116881665A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118052338A (zh) * | 2024-04-16 | 2024-05-17 | 华东交通大学 | 一种基于广域协同训练的分布式光伏功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110674604B (zh) | 基于多维时序帧卷积lstm的变压器dga数据预测方法 | |
| CN108448610A (zh) | 一种基于深度学习的短期风功率预测方法 | |
| CN109685314B (zh) | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 | |
| CN109165664A (zh) | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 | |
| CN105574615B (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
| CN111242377B (zh) | 一种集成深度学习和数据去噪的短期风速预测方法 | |
| CN111382906B (zh) | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 | |
| CN112906987B (zh) | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 | |
| CN109255728B (zh) | 混沌相空间优化重构的光伏发电功率神经网络预测法 | |
| CN108074015B (zh) | 一种风电功率超短期预测方法及系统 | |
| CN113094860B (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
| CN116881665A (zh) | 一种基于CMOA优化的TimesNet-BiLSTM光伏出力预测方法 | |
| CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
| CN113607325A (zh) | 一种钢结构螺栓群松动定位智能监测方法及系统 | |
| CN113107626A (zh) | 一种基于多变量lstm的联合循环发电机组负荷预测方法 | |
| CN115495991A (zh) | 一种基于时间卷积网络的降水区间预测方法 | |
| CN116702831A (zh) | 一种考虑数据大量丢失的混合短期风电功率预测方法 | |
| CN115840893A (zh) | 一种多变量时间序列预测方法及装置 | |
| CN110851959A (zh) | 一种融合深度学习和分位数回归的风速区间预测方法 | |
| CN116957849A (zh) | 一种基于双注意力机制的风电功率预测方法 | |
| CN109840308B (zh) | 一种区域风电功率概率预报方法及系统 | |
| JP4711355B2 (ja) | 時系列データの解析装置 | |
| CN115829157A (zh) | 基于变分模态分解和Autoformer模型的化工水质指标预测方法 | |
| CN113537573B (zh) | 基于双重时空特征提取的风电功率运行趋势预测方法 | |
| CN113705885B (zh) | 一种融合VMD、XGBoost及TCN的配电网电压预测方法及系统 |
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 |