CN114971007A - 基于多尺度图卷积神经网络的光伏发电预测方法及*** - Google Patents
基于多尺度图卷积神经网络的光伏发电预测方法及*** Download PDFInfo
- Publication number
- CN114971007A CN114971007A CN202210560677.5A CN202210560677A CN114971007A CN 114971007 A CN114971007 A CN 114971007A CN 202210560677 A CN202210560677 A CN 202210560677A CN 114971007 A CN114971007 A CN 114971007A
- Authority
- CN
- China
- Prior art keywords
- time
- space
- photovoltaic power
- convolution
- graph
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 16
- 230000004927 fusion Effects 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000010586 diagram Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 235000004257 Cordia myxa Nutrition 0.000 claims description 5
- 244000157795 Cordia myxa Species 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013075 data extraction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000002123 temporal effect Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000010339 dilation Effects 0.000 description 3
- 238000000053 physical method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 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
- 239000000284 extract Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/045—Combinations of 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (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
本发明提供了基于多尺度图卷积神经网络的光伏发电预测方法及***,所述方法构建了一个注意力时空卷积核,利用1x1卷积和1x1图卷积分别提取同一地区多个光伏电站数据的时间和空间特征,并引入注意力机制对各个时刻的相互关系进行建模,衡量不同时刻的数据对预测结果的影响程度。在网络构建方法上,引入Res2Net,将上述注意力时空卷积核嵌入到Res2Net网络中,实现多种尺度的时空特征融合,进而实现多尺度的时空特征表达,最终实现多尺度动态图卷积神经网络的光伏发电预测。
Description
技术领域
本发明涉及光伏发电技术领域,尤其是基于多尺度图卷积神经网络的光伏发电预测方法及***。
背景技术
近年来光伏并网由于具有分布式运行,且可以减小输电和配电***压力,并对电网的可靠性有所提高等特点,正逐渐在全球流行开来。光伏电站只能在白天产生电能,是一种典型的间歇式电源,其发电功率受太阳辐照强度和环境温度等气象条件的影响,具有较大的波动性和随机性。光伏发电的这些特点会使得大规模光伏发电并网时对电网的稳定运行带来剧烈的冲击,给整个电力***造成不良的影响。若能够及时且准确地预测光伏发电功率,将大大减轻光伏发电的波动给电网带来的影响,对电网调度和光伏电站运行有重要意义。准确的光伏功率预测有助于解决光伏大规模开发与利用所面临的问题。预测结果可作为电网调度和光伏电站运维的决策参考。
目前,很多的研究人员对光伏发电预测进行了研究。在现有的研究中,对于光伏发电的预测技术主要分为两类:物理法、统计法。物理法主要基于光伏组件和影响电力生产的天气条件:太阳辐照度,温度等。这些技术使用数学模型将天气条件转换为电能的机会。统计法通过对历史数据进行分析然后预测未来一段时间的光伏发电。相比于物理法,统计法可以更好的适用于光伏发电功率预测。
在光伏发电中存在很多预测模型,如人工神经网络,支持向量机,BP神经网络等在很多文献中都被很好地用来做光伏发电的预测,但是普通的神经网络预测模型无法有效地同时捕捉分布式光伏站点的时间和空间的特征,影响预测精度。
发明内容
本发明提供了基于多尺度图卷积神经网络的光伏发电预测方法及***,用于解决现有光伏发电预测模型的预测精度低的问题。
为实现上述目的,本发明采用下述技术方案:
本发明第一方面提供了一种基于多尺度图卷积神经网络的光伏发电预测方法,所述方法包括以下步骤:
获取输入信息,从所述输入信息中提取光伏电站数据的时间特征和空间特征,形成时空特征图,所述时间特征通过一维扩张卷积提取;
将所述时空特征图沿通道维度分成若干个特征子图,计算每个特征子图对应的注意力时空卷积核,除第一个特征子图对应的注意力时空卷积核外,其余特征子图对应的注意力时空卷积核中包括之前所有特征子图的时空信息,所述特征子图与对应的注意力时空卷积核形成当前特征子图的时空特征;
将多种尺度的时空特征沿通道维度拼接,形成与输入信息维度一致的拼接时空特征,对所述拼接时空特征中的各尺度时空特征进行加权融合得到光伏发电预测结果。
进一步地,所述时间特征的提取具体为:
进一步地,所述空间特征通过近似图卷积算子提取,具体为:
计算图信号X与卷积核Θ的频域图卷积
通过K阶切比雪夫多项式近似所述频域图卷积
进一步地,所述注意力时空卷积核的计算具体为:
利用全局平均池化对空间特征图除时间外的特征进行聚合操作,得到各时刻的全局空间特征;
基于两个全连接层不同时刻的相互关系,利用激活函数将所述相互关系映射到预设区间,得到时间权重系数,将所述时间权重系数分配给所述空间特征图,得到注意力时空卷积核。
进一步地,所述各时刻全局空间特征的计算具体为:
进一步地,所述权重系数的计算具体为:
进一步地,所述注意力时空卷积核的计算为:
进一步地,所述将多种尺度的时空特征沿通道维度拼接的过程中,包括:
引入Res2Net网络结构以多尺度时空特征融合的方式获取光伏电站数据的时空相关性,然后利用卷积层将提取的时空特征整理成与预测目标一致的维度。
本发明第二方面提供了一种多尺度动态图卷积神经网络的光伏发电预测***,所述***包括:
数据提取单元,用于获取输入信息,从所述输入信息中提取光伏电站数据的时间特征和空间特征,形成时空特征图,所述时间特征通过一维扩张卷积提取;
数据处理单元,用于将所述时空特征图沿通道维度分成若干个特征子图,计算每个特征子图对应的注意力时空卷积核,除第一个特征子图对应的注意力时空卷积核外,其余特征子图对应的注意力时空卷积核中包括之前所有特征子图的时空信息,所述特征子图与对应的注意力时空卷积核形成当前特征子图的时空特征;
发电预测单元,用于将多种尺度的时空特征沿通道维度拼接,形成与输入信息维度一致的拼接时空特征,对所述拼接时空特征中的各尺度时空特征进行加权融合得到光伏发电预测结果。
本发明第三方面提供了一种计算机存储介质,所述计算机存储介质中存储有计算机指令,所述计算机指令在所述***上运行时,使所述***执行所述方法的步骤。
本发明第二方面的所述光伏发电预测***能够实现第一方面及第一方面的各实现方式中的方法,并取得相同的效果。
发明内容中提供的效果仅仅是实施例的效果,而不是发明所有的全部效果,上述技术方案中的一个技术方案具有如下优点或有益效果:
1、本发明在进行光伏发电预测的过程中,将提取的时空特征图分成多个特征子图,并基于注意力时空卷积核,实现多种尺度的时空特征融合,且注意力时空卷积核中考虑各个时刻之间的相关性,提升模型表达能力,可以有效地提取光伏电站时间和空间的特征,更深入地挖掘数据特性从而提高图卷积神经网络光伏发电预测模型的预测精度。
2、在进行时间特征提取时,采用一维扩张卷积设置扩张率,在卷积核的每个元素之间加入适当数量的零值来控制卷积核的维度,进而非线性地调节时间维度,解决固定尺寸的卷积核,影响时间特征记忆力的问题。
3、在进行空间特征提取时,本发明对传统的基于频域的图卷积进行切比雪夫近似,降低公式计算的复杂度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,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是本发明所述方法实施例的流程示意图;
图2是本发明所述方法实施例中,注意力时空卷积核的构建过程示意图;
图3是本发明所述方法实施例中权重系数计算过程中对应的数据维度变化示意图;
图4是本发明所述***实施例的结构示意图。
具体实施方式
为能清楚说明本方案的技术特点,下面通过具体实施方式,并结合其附图,对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意,在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示,本发明实施例提供了一种基于多尺度图卷积神经网络的光伏发电预测方法,所述方法包括以下步骤:
S1,获取输入信息,从所述输入信息中提取光伏电站数据的时间特征和空间特征,形成时空特征图,所述时间特征通过一维扩张卷积提取;
S2,将所述时空特征图沿通道维度分成若干个特征子图,计算每个特征子图对应的注意力时空卷积核,除第一个特征子图对应的注意力时空卷积核外,其余特征子图对应的注意力时空卷积核中包括之前所有特征子图的时空信息,所述特征子图与对应的注意力时空卷积核形成当前特征子图的时空特征;
S3,将多种尺度的时空特征沿通道维度拼接,形成与输入信息维度一致的拼接时空特征,对所述拼接时空特征中的各尺度时空特征进行加权融合得到光伏发电预测结果。
如图2所示,步骤S1中,将时间数据看作是一维的结构化数据,利用一维卷积神经网络对其进行时间特征的提取。由于卷积神经网络的卷积核尺寸是固定的,会导致其对时间特征的记忆能力也只能是短期的。为了缓解这一问题,本发明采用一维扩张卷积对光伏电站数据的时间特征进行捕获。作为特殊的一维卷积,扩张卷积可以通过设置扩张率d,在卷积核的每个元素之间加入d-1个零值来控制卷积核的维度,进而非线性地调节时间维度:
式中δ为Selu激活函数,*d为一维扩张卷积算子。假设该扩张卷积的卷积核个数为C′,且使用填充操作维持特征图的尺寸。H是光伏电站时间特征的原始数据。
通过一维扩张卷积对光伏电站数据的时间维度进行特征提取后,再对同一地区多个光伏电站数据进行空间特征提取。现有的光伏电站数据预测模型大部分使用的是基于频域的图卷积。
图信号X与卷积核Θ的频域图卷积操作可以被定义为:
其中是图卷积算子,L为图拉普拉斯矩阵,经过归一化处理后IN是单位阵,是L的特征向量矩阵,D是度矩阵,Λ是以L的特征值为对角线元素的对角阵,U是L的特征向量矩阵,A是反映图X内部连接情况的邻接矩阵由于上面公式拉普拉斯的特征分解较为复杂,计算量大,这里采用K阶切比雪夫多项式来近似图卷积核:
在光伏电站历史数据中,不同时间的光伏数据对预测结果的贡献是有差别的。因此,根据各个时刻特征之间的关系,动态地给不同时刻的特征分配不同的权重,使得模型关注对预测结果更有利的特征。本发明将注意力机制运用到光伏电站数据的时间维度上,整合每个时刻的特征,并对不同时刻特征之间的相关性进行建模,进而动态地给每个时刻的时空特征Z分配权重,强调有价值的特征,削弱无效特征的影响。
步骤S3中,计算每个特征子图对应的注意力时空卷积核具体为:
首先利用全局平均池化对时空特征图除了时间以外其他维度的特征进行聚合操作,得到各个时刻的全局空间特征然后通过如下公式,两个全连接层(2FC)考虑不同时刻之间的相互关系,并利用sigmoid激活函数σ将这种关系映射到[0,1]取值区间,得到时间权重系数最后,将该权重分配给得到注意力时空卷积核整个过程用公式表示为:
步骤S3中,以构建的注意力时空卷积核为基本单元,提出多尺度时空图卷积层。如图4所示,假设***的输入为经过1x1卷积处理后,得到特征图其中F'=F×s。接着沿通道维度将H(l)均分成s个特征子图,即每个子特征图都有一个对应的注意力时空卷积核ASTi (l)(·)对其进行时空特征提取,并输出Qi (l)。Hi (l)将会融合ASTi-1 (l)(·)的输出Qi-1 (l)一同输入到ASTi (l)(·)中。因此,每个注意力时空卷积核ASTi (l)(·)都会接收到之前所有子特征图{Hj (l),j≤i}的时空信息。为了降低模型的参数量,***省略了对H1 (l)时空特征提取,直接将其当作重复利用的特征。上述过程数学描述为:
接着***把所有尺度的时空特征Qi (l)沿通道的维度拼接成最后,对整合了s阶时空特征的Q(l)进行聚合,得到与X(l)维度一致的该聚合操作目的是让模型可以动态地调节不同尺度时空特征的重要性,从而获得节点混合尺度的时空特征表达,更准确地完成后续的预测任务。具体的实现方式采用注意力机制对不同位置的时空特征进行注意力加权。
基于光伏发电的周期特征,距离预测目标序列前一天、一月甚至一年对应时段的天气情况、光照情况也会对当前的预测带来较强的指导意义。为了考虑光伏电站数据的周期性通过3个结构相同的网络组件分别对光伏电站数据近期、月周期和年周期序列Xr,Xm,Xy的时空特征进行建模。
每个组件由多尺度时空图卷积层和卷积层构成,引入Res2Net网络结构以多尺度时空特征融合的方式获取光伏电站数据的时空相关性。接着,利用卷积层将提取的时空特征整理成与预测目标一致的维度。最后对各个组件的输出进行加权融合,得到最终的预测结果。
本发明提出了一种基于多尺度动态图卷积神经网络的光伏发电预测方法,其构建了一个注意力时空卷积核,利用1x1卷积和1x1图卷积分别提取同一地区多个光伏电站数据的时间和空间特征,并引入注意力机制对各个时刻的相互关系进行建模,衡量不同时刻的数据对预测结果的影响程度。在网络构建方法上,引入Res2Net,将上述注意力时空卷积核嵌入到Res2Net网络中,实现多种尺度的时空特征融合,进而实现多尺度的时空特征表达,最终实现多尺度动态图卷积神经网络扥的光伏发电预测。
如图4所示,本发明还提供了一种多尺度动态图卷积神经网络的光伏发电预测***,包括数据提取单元1、数据处理单元2和发电预测单元3。
数据提取单元1用于获取输入信息,从所述输入信息中提取光伏电站数据的时间特征和空间特征,形成时空特征图,所述时间特征通过一维扩张卷积提取;数据处理单元2用于将所述时空特征图沿通道维度分成若干个特征子图,计算每个特征子图对应的注意力时空卷积核,除第一个特征子图对应的注意力时空卷积核外,其余特征子图对应的注意力时空卷积核中包括之前所有特征子图的时空信息,所述特征子图与对应的注意力时空卷积核形成当前特征子图的时空特征;发电预测单元3用于将多种尺度的时空特征沿通道维度拼接,形成与输入信息维度一致的拼接时空特征,对所述拼接时空特征中的各尺度时空特征进行加权融合得到光伏发电预测结果。
本发明还提供了一种计算机存储介质,所述计算机存储介质中存储有计算机指令,所述计算机指令在所述***上运行时,使所述***执行所述方法的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于多尺度图卷积神经网络的光伏发电预测方法,其特征是,所述方法包括以下步骤:
获取输入信息,从所述输入信息中提取光伏电站数据的时间特征和空间特征,形成时空特征图,所述时间特征通过一维扩张卷积提取;
将所述时空特征图沿通道维度分成若干个特征子图,计算每个特征子图对应的注意力时空卷积核,除第一个特征子图对应的注意力时空卷积核外,其余特征子图对应的注意力时空卷积核中包括之前所有特征子图的时空信息,所述特征子图与对应的注意力时空卷积核形成当前特征子图的时空特征;
将多种尺度的时空特征沿通道维度拼接,形成与输入信息维度一致的拼接时空特征,对所述拼接时空特征中的各尺度时空特征进行加权融合得到光伏发电预测结果。
4.根据权利要求1所述基于多尺度图卷积神经网络的光伏发电预测方法,其特征是,所述注意力时空卷积核的计算具体为:
利用全局平均池化对空间特征图除时间外的特征进行聚合操作,得到各时刻的全局空间特征;
基于两个全连接层不同时刻的相互关系,利用激活函数将所述相互关系映射到预设区间,得到时间权重系数,将所述时间权重系数分配给所述空间特征图,得到注意力时空卷积核。
8.根据权利要求1所述基于多尺度图卷积神经网络的光伏发电预测方法,其特征是,所述将多种尺度的时空特征沿通道维度拼接的过程中,包括:
引入Res2Net网络结构以多尺度时空特征融合的方式获取光伏电站数据的时空相关性,然后利用卷积层将提取的时空特征整理成与预测目标一致的维度。
9.一种基于多尺度图卷积神经网络的光伏发电预测***,其特征是,所述***包括:
数据提取单元,用于获取输入信息,从所述输入信息中提取光伏电站数据的时间特征和空间特征,形成时空特征图,所述时间特征通过一维扩张卷积提取;
数据处理单元,用于将所述时空特征图沿通道维度分成若干个特征子图,计算每个特征子图对应的注意力时空卷积核,除第一个特征子图对应的注意力时空卷积核外,其余特征子图对应的注意力时空卷积核中包括之前所有特征子图的时空信息,所述特征子图与对应的注意力时空卷积核形成当前特征子图的时空特征;
发电预测单元,用于将多种尺度的时空特征沿通道维度拼接,形成与输入信息维度一致的拼接时空特征,对所述拼接时空特征中的各尺度时空特征进行加权融合得到光伏发电预测结果。
10.一种计算机存储介质,所述计算机存储介质中存储有计算机指令,其特征是,所述计算机指令在权利要求9所述***上运行时,使所述***执行如权利要求1-8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560677.5A CN114971007A (zh) | 2022-05-20 | 2022-05-20 | 基于多尺度图卷积神经网络的光伏发电预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560677.5A CN114971007A (zh) | 2022-05-20 | 2022-05-20 | 基于多尺度图卷积神经网络的光伏发电预测方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114971007A true CN114971007A (zh) | 2022-08-30 |
Family
ID=82986071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210560677.5A Pending CN114971007A (zh) | 2022-05-20 | 2022-05-20 | 基于多尺度图卷积神经网络的光伏发电预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114971007A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128130A (zh) * | 2023-01-31 | 2023-05-16 | 广东电网有限责任公司 | 一种基于图神经网络的短期风能数据预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292562A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航空流量预测方法 |
CN112307958A (zh) * | 2020-10-30 | 2021-02-02 | 河北工业大学 | 基于时空外观运动注意力网络的微表情识别方法 |
WO2021068528A1 (zh) * | 2019-10-11 | 2021-04-15 | 平安科技(深圳)有限公司 | 基于卷积神经网络的注意力权重计算方法、装置及设备 |
CN113283581A (zh) * | 2021-05-14 | 2021-08-20 | 南京邮电大学 | 多融合图网络协同多通道注意力模型及其应用和应用方法 |
CN113852492A (zh) * | 2021-09-01 | 2021-12-28 | 南京信息工程大学 | 基于注意力机制和图卷积神经网络的网络流量预测方法 |
-
2022
- 2022-05-20 CN CN202210560677.5A patent/CN114971007A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021068528A1 (zh) * | 2019-10-11 | 2021-04-15 | 平安科技(深圳)有限公司 | 基于卷积神经网络的注意力权重计算方法、装置及设备 |
CN111292562A (zh) * | 2020-05-12 | 2020-06-16 | 北京航空航天大学 | 一种航空流量预测方法 |
CN112307958A (zh) * | 2020-10-30 | 2021-02-02 | 河北工业大学 | 基于时空外观运动注意力网络的微表情识别方法 |
CN113283581A (zh) * | 2021-05-14 | 2021-08-20 | 南京邮电大学 | 多融合图网络协同多通道注意力模型及其应用和应用方法 |
CN113852492A (zh) * | 2021-09-01 | 2021-12-28 | 南京信息工程大学 | 基于注意力机制和图卷积神经网络的网络流量预测方法 |
Non-Patent Citations (1)
Title |
---|
温钧林: "基于多尺度时空图卷积网络的交通流预测算法研究" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116128130A (zh) * | 2023-01-31 | 2023-05-16 | 广东电网有限责任公司 | 一种基于图神经网络的短期风能数据预测方法及装置 |
CN116128130B (zh) * | 2023-01-31 | 2023-10-24 | 广东电网有限责任公司 | 一种基于图神经网络的短期风能数据预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110059878B (zh) | 基于cnn lstm光伏发电功率预测模型及其构建方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
CN112529282A (zh) | 基于时空图卷积神经网络的风电场集群短期功率预测方法 | |
CN110556820B (zh) | 用于确定能量***操作场景的方法和设备 | |
CN112910711B (zh) | 一种基于自注意力卷积网络的无线业务流量预测方法、设备及介质 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
US20240054267A1 (en) | Method for planning a layout of a renewable energy site | |
CN116128170B (zh) | 一种光伏电站功率超短期预测方法、装置及相关设备 | |
CN110782071A (zh) | 基于时空特性融合的卷积神经网络进行风电功率预测方法 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
Singh | Application of artificial neural networks for predicting generated wind power | |
CN114676923A (zh) | 发电功率的预测方法、装置、计算机设备和存储介质 | |
Dokur | Swarm decomposition technique based hybrid model for very short-term solar PV power generation forecast | |
Dou et al. | Elman neural network based short-term photovoltaic power forecasting using association rules and kernel principal component analysis | |
CN114971007A (zh) | 基于多尺度图卷积神经网络的光伏发电预测方法及*** | |
CN116341728A (zh) | 一种基于数据驱动的超短期光伏输出功率预测方法 | |
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*** | |
CN107358059A (zh) | 短期光伏能量预测方法和装置 | |
Tuyen et al. | A combination of novel hybrid deep learning model and quantile regression for short‐term deterministic and probabilistic PV maximum power forecasting | |
CN116706903B (zh) | 光伏发电量预测方法、装置、设备及介质 | |
CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN116634030A (zh) | 一种光伏电站功率预测的网关机及分布式电站拓扑结构 | |
CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
CN113988395A (zh) | 基于SSD和双重注意力机制BiGRU的风电超短期功率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220830 |