CN115222024A - 基于深度特征选择网络的短期光伏发电预测方法和*** - Google Patents

基于深度特征选择网络的短期光伏发电预测方法和*** Download PDF

Info

Publication number
CN115222024A
CN115222024A CN202211075674.9A CN202211075674A CN115222024A CN 115222024 A CN115222024 A CN 115222024A CN 202211075674 A CN202211075674 A CN 202211075674A CN 115222024 A CN115222024 A CN 115222024A
Authority
CN
China
Prior art keywords
network
value
characteristic
feature
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.)
Granted
Application number
CN202211075674.9A
Other languages
English (en)
Other versions
CN115222024B (zh
Inventor
胡浩莹
郑小慧
朱秋霖
张斌
王兆阳
刘柏村
许超尧
喻凌立
陈臻
陈华春
李源腾
占志峰
罗宗杰
王海峰
叶鹏运
徐华爵
黄强
麦成瀚
王平波
陈燕丽
庞秋明
李镇明
王英
黄锐杰
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.)
Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Zhanjiang Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority to CN202211075674.9A priority Critical patent/CN115222024B/zh
Publication of CN115222024A publication Critical patent/CN115222024A/zh
Application granted granted Critical
Publication of CN115222024B publication Critical patent/CN115222024B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Photovoltaic Devices (AREA)

Abstract

本发明提供了一种基于深度特征选择网络的短期光伏发电预测方法和***，其中本发明提供的预测方法通过搭建基于门控循环神经网络的光伏预测神经网络，并在该网络的输入层处搭建用于特征选择的深度强化学习特征选择网络，该选择网络通过其Q值网络计算的Q值从若干个输入特征中选择最优输入特征组合，从而在进行光伏发电预测时，从若干输入特征中有选择的进行预测，减少了网络的输入特征数量，提高了预测效率的同时能够根据光伏发电功率应用场景的不同自主选择最优光伏特征，使特征数据的选择更加地灵活适用。

Description

基于深度特征选择网络的短期光伏发电预测方法和***
技术领域
本发明属于光伏发电预测技术领域，具体涉及一种基于深度特征选择网络的短期光伏发电预测方法和***。
背景技术
光伏发电功率预测就是根据气象条件、统计规律等技术和手段，对光伏发电站有功功率进行预报。对光伏发电功率进行预测的时候，通常是通过寻找大量采集的光伏电场特征数据与光伏发电功率之间的耦合关系对预测值进行拟合，从而预测出光伏发电功率。然而采集的光伏电场特征数据中存在着大量的无关信息与冗余信息，大量无关信息与冗余信息占用计算机大量资源，增加预测模型的预测难度。
在光伏预测领域，由于神经网络强大的非线性映射能力，神经网络广泛应用于光伏预测当中，但是，目前的BP神经网络、CNN卷积神经网络并不具有特征选择能力，神经网络本身的特征信息提取能力受到多维冗余特征信息的限制。总的来说，现有的方法并没有寻找特征数据与光伏发电功率之间的耦合关系，无法真正实现剔除无关信息与冗余信息。
发明内容
有鉴于此，本发明旨在解决采用神经网络预测光伏发电功率时，光伏电场特征数据中存在大量无关信息与冗余信息，增加预测模型的预测难度的问题。
为了解决上述技术问题，本发明提供以下技术方案：
第一方面，本发明提供了一种基于深度特征选择网络的短期光伏发电预测方法，包括如下步骤：
获取历史光伏发电场的若干个特征数据和光伏功率并进行预处理；
基于门控循环神经网络搭建光伏预测神经网络，并在光伏预测神经网络的输入层处搭建深度强化学习特征选择网络，深度强化学习特征选择网络基于Q值网络进行特征选择；
利用预处理后的历史光伏发电场若干个特征数据和光伏功率对光伏预测神经网络和深度强化学习特征选择网络进行训练；
将当前时刻光伏发电场的若干个特征数据预处理后输入深度强化学习特征选择网络中进行特征选择，并经过光伏预测神经网络进行光伏发电预测。
进一步的，搭建深度强化学习特征选择网络，具体包括：
构建特征的输入状态空间，其中特征的输入状态由预处理后的若干个特征数据中每个特征在t时刻前若干时间节点的数据和对应的预测误差构成；
构建特征选择空间，特征选择空间的大小由特征输入矩阵的大小决定，特征输入矩阵中被选择的特征编码为1，未被选择的特征编码为0；
构建特征选择Q值网络，特征选择Q值网络以特征输入状态矩阵作为输入，以不同特征选择方式下的Q值作为输出；
设置强化学习奖惩函数，奖惩函数的表达式如下：
Figure 101199DEST_PATH_IMAGE001
式中，
Figure 886752DEST_PATH_IMAGE002
为光伏功率真实值，
Figure 811983DEST_PATH_IMAGE003
为特征筛选前的光伏功率预测输出值，
Figure 223242DEST_PATH_IMAGE004
为特征筛选后的光伏功率预测输出值；
通过时间差分算法对特征选择Q值网络进行训练，得到深度强化学习特征选择网络。
进一步的，通过时间差分算法对特征选择Q值网络进行训练，具体包括：
获取t时刻的特征输入状态并输入至特征选择Q值网络，得到不同特征选择方式下的Q值；
从不同特征选择方式下的Q值中选择Q值最大时对应的特征选择组合，并记录对应的Q值为
Figure 488001DEST_PATH_IMAGE005
；
获取t+1时刻的特征输入状态并输入至特征选择Q值网络，得到t+1时刻时Q值最大的特征选择组合并记录对应的Q值为
Figure 959303DEST_PATH_IMAGE006
，将t+1时刻选择的特征选择组合输入到光伏预测神经网络中得到光伏功率输出值，并利用强化学习奖惩函数计算t+1时刻奖励分数
Figure 309512DEST_PATH_IMAGE007
；
通过时间差分算法对深度特征选择网络单元Q网络进行训练，计算时间差分误差，并通过梯度反向传播算法更新Q网络，时间差分误差具体如下式：
Figure 258883DEST_PATH_IMAGE008
其中，
Figure 440465DEST_PATH_IMAGE009
为时间差分误差，
Figure 833401DEST_PATH_IMAGE010
为差分系数，一般设置为0.9；
迭代以上步骤直至特征选择Q值网络训练完毕。
进一步的，预处理具体包括：
使用拉格朗日插值法对光伏特征数据空缺值进行补充，其具体表达式为：
Figure 920174DEST_PATH_IMAGE011
其中，t为光伏特征数据空缺值对应时刻，L(t)为光伏特征数据空缺值插值大小，n为光伏特征数据时间样本数量，
Figure 423968DEST_PATH_IMAGE012
为第i时刻光伏特征数据，t为光伏特征数据时刻大小，
Figure 460057DEST_PATH_IMAGE012
，
Figure 273161DEST_PATH_IMAGE013
分别为第i与第j时刻大小；
对补充后的光伏特征数据进行归一化处理，所述归一化的表达式为：
Figure 597963DEST_PATH_IMAGE014
其中，
Figure 702185DEST_PATH_IMAGE015
为第i种特征数据向量，
Figure 45311DEST_PATH_IMAGE016
为第i种归一化后的特征数据向量，
Figure 780049DEST_PATH_IMAGE017
为第i种特征数据最小值，
Figure 569976DEST_PATH_IMAGE018
为第i种特征数据最大值。
进一步的，门控循环神经网络的表达式具体如下：
Figure 743468DEST_PATH_IMAGE019
其中，
Figure 691833DEST_PATH_IMAGE020
为
Figure 846739DEST_PATH_IMAGE021
时刻的重置门状态值，
Figure 880554DEST_PATH_IMAGE022
为
Figure 326579DEST_PATH_IMAGE021
时刻的隐藏层输入特征，
Figure 644297DEST_PATH_IMAGE023
为
Figure 720837DEST_PATH_IMAGE024
时刻的隐藏门状态值，
Figure 491216DEST_PATH_IMAGE025
为
Figure 740932DEST_PATH_IMAGE021
时刻的隐藏门状态值，
Figure 663889DEST_PATH_IMAGE026
为
Figure 160598DEST_PATH_IMAGE024
时刻与
Figure 169005DEST_PATH_IMAGE021
时刻的中间隐藏门状态值，
Figure 222412DEST_PATH_IMAGE027
为
Figure 249143DEST_PATH_IMAGE021
时刻的更新门状态值，
Figure 667486DEST_PATH_IMAGE028
、
Figure 146877DEST_PATH_IMAGE029
、
Figure 3975DEST_PATH_IMAGE030
分别为重置门的权重与偏置，
Figure 635945DEST_PATH_IMAGE031
、
Figure 474456DEST_PATH_IMAGE032
、
Figure 519773DEST_PATH_IMAGE033
分别为更新门的权重与偏置，
Figure 852665DEST_PATH_IMAGE034
、
Figure 594268DEST_PATH_IMAGE035
、
Figure 619993DEST_PATH_IMAGE036
分别为隐藏门的权重与偏置，tanh( )为tanh函数。
第二方面，本发明提供了一种基于深度特征选择网络的短期光伏发电预测***，包括：
数据处理单元，用于获取历史和当前时刻光伏发电场的若干个特征数据和光伏功率并进行预处理；
神经网络搭建单元，用于基于门控循环神经网络搭建光伏预测神经网络，并在光伏预测神经网络的输入层处搭建深度强化学习特征选择网络，深度强化学习特征选择网络基于Q值网络进行特征选择；
神经网络训练单元，利用预处理后的历史光伏发电场若干个特征数据和光伏功率对光伏预测神经网络和深度强化学习特征选择网络进行训练；
光伏发电预测单元，用于将预处理后的当前时刻光伏发电场的若干个特征数据输入深度强化学习特征选择网络中进行特征选择，并经过光伏预测神经网络进行光伏发电预测。
进一步的，神经网络搭建单元包括特征选择网络搭建单元，特征选择网络搭建单元用于搭建深度强化学习特征选择网络，具体包括：
构建特征的输入状态空间，其中特征的输入状态由预处理后的若干个特征数据中每个特征在t时刻前若干时间节点的数据和对应的预测误差构成；
构建特征选择空间，特征选择空间的大小由特征输入矩阵的大小决定，特征输入矩阵中被选择的特征编码为1，未被选择的特征编码为0；
构建特征选择Q值网络，特征选择Q值网络以特征输入状态矩阵作为输入，以不同特征选择方式下的Q值作为输出；
设置强化学习奖惩函数，奖惩函数的表达式如下：
Figure 887026DEST_PATH_IMAGE001
式中，
Figure 7298DEST_PATH_IMAGE002
为光伏功率真实值，
Figure 613860DEST_PATH_IMAGE003
为特征筛选前的光伏功率预测输出值，
Figure 872803DEST_PATH_IMAGE004
为特征筛选后的光伏功率预测输出值；
通过时间差分算法对特征选择Q值网络进行训练，得到深度强化学习特征选择网络。
进一步的，特征选择网络搭建单元中，通过时间差分算法对特征选择Q值网络进行训练，具体包括：
获取t时刻的特征输入状态并输入至特征选择Q值网络，得到不同特征选择方式下的Q值；
从不同特征选择方式下的Q值中选择Q值最大时对应的特征选择组合，并记录对应的Q值为
Figure 548504DEST_PATH_IMAGE005
；
获取t+1时刻的特征输入状态并输入至特征选择Q值网络，得到t+1时刻时Q值最大的特征选择组合并记录对应的Q值为
Figure 488778DEST_PATH_IMAGE006
；将t+1时刻选择的特征选择组合输入到光伏预测神经网络中得到光伏功率输出值，并利用强化学习奖惩函数计算t+1时刻奖励分数
Figure 199114DEST_PATH_IMAGE007
；
通过时间差分算法对深度特征选择网络单元Q网络进行训练，计算时间差分误差，并通过梯度反向传播算法更新Q网络，时间差分误差具体如下式：
Figure 363379DEST_PATH_IMAGE008
其中，
Figure 542687DEST_PATH_IMAGE009
为时间差分误差，
Figure 270341DEST_PATH_IMAGE010
为差分系数，一般设置为0.9；
迭代以上步骤直至特征选择Q值网络训练完毕。
进一步的，数据处理单元中，预处理具体包括：
使用拉格朗日插值法对光伏特征数据空缺值进行补充，其具体表达式为：
Figure 585916DEST_PATH_IMAGE011
其中，t为光伏特征数据空缺值对应时刻，L(t)为光伏特征数据空缺值插值大小，n为光伏特征数据时间样本数量，
Figure 186661DEST_PATH_IMAGE012
为第i时刻光伏特征数据，t为光伏特征数据时刻大小，
Figure 836954DEST_PATH_IMAGE012
，
Figure 119031DEST_PATH_IMAGE013
分别为第i与第j时刻大小；
对补充后的光伏特征数据进行归一化处理，所述归一化的表达式为：
Figure 803959DEST_PATH_IMAGE014
其中，
Figure 310027DEST_PATH_IMAGE015
为第i种特征数据向量，
Figure 463928DEST_PATH_IMAGE016
为第i种归一化后的特征数据向量，
Figure 533384DEST_PATH_IMAGE017
为第i种特征数据最小值，
Figure 885868DEST_PATH_IMAGE018
为第i种特征数据最大值。
进一步的，神经网络搭建单元包括预测网络搭建单元，预测网络搭建单元用于基于门控循环神经网络搭建光伏预测神经网络，门控循环神经网络的表达式具体如下：：
Figure 500520DEST_PATH_IMAGE019
其中，
Figure 955483DEST_PATH_IMAGE020
为
Figure 579363DEST_PATH_IMAGE021
时刻的重置门状态值，
Figure 786353DEST_PATH_IMAGE022
为
Figure 86753DEST_PATH_IMAGE021
时刻的隐藏层输入特征，
Figure 949667DEST_PATH_IMAGE023
为
Figure 173975DEST_PATH_IMAGE024
时刻的隐藏门状态值，
Figure 688002DEST_PATH_IMAGE025
为
Figure 910036DEST_PATH_IMAGE021
时刻的隐藏门状态值，
Figure 243934DEST_PATH_IMAGE026
为
Figure 271933DEST_PATH_IMAGE024
时刻与
Figure 391199DEST_PATH_IMAGE021
时刻的中间隐藏门状态值，
Figure 33401DEST_PATH_IMAGE027
为
Figure 933224DEST_PATH_IMAGE021
时刻的更新门状态值，
Figure 437018DEST_PATH_IMAGE028
、
Figure 660058DEST_PATH_IMAGE029
、
Figure 223894DEST_PATH_IMAGE030
分别为重置门的权重与偏置，
Figure 345434DEST_PATH_IMAGE031
、
Figure 902186DEST_PATH_IMAGE032
、
Figure 996044DEST_PATH_IMAGE033
分别为更新门的权重与偏置，
Figure 793099DEST_PATH_IMAGE034
、
Figure 588885DEST_PATH_IMAGE035
、
Figure 434482DEST_PATH_IMAGE036
分别为隐藏门的权重与偏置，tanh( )为tanh函数。
综上，本发明提供了一种基于深度特征选择网络的短期光伏发电预测方法和***，其中本发明提供的预测方法通过搭建基于门控循环神经网络的光伏预测神经网络，并在该网络的输入层处搭建用于特征选择的深度强化学习特征选择网络，该选择网络通过其Q值网络计算的Q值从若干个输入特征中选择最优输入特征组合，从而在进行光伏发电预测时，从若干输入特征中有选择的进行预测，减少了网络的输入特征数量，提高了预测效率的同时能够根据光伏发电功率应用场景的不同自主选择最优光伏特征，使特征数据的选择更加地灵活适用。
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，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。
图1为本发明实施例提供的一种基于深度特征选择网络的短期光伏发电预测方法的流程示意图；
图2为本发明实施例提供的基于深度特征选择网络的短期光伏发电预测方法的神经网络结构示意图；
图3为本发明实施例提供的某一实例应用场景下得到的最优特征选择矩阵示意图；
图4为本发明实施例提供的光伏特征数据筛选前后光伏功率预测值的曲线示意图。
具体实施方式
为使得本发明的目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
光伏发电功率预测就是根据气象条件、统计规律等技术和手段，对光伏发电站有功功率进行预报。对光伏发电功率进行预测的时候，通常是通过寻找大量采集的光伏电场特征数据与光伏发电功率之间的耦合关系对预测值进行拟合，从而预测出光伏发电功率。然而采集的光伏电场特征数据中存在着大量的无关信息与冗余信息，大量无关信息与冗余信息占用计算机大量资源，增加预测模型的预测难度。
在光伏预测领域，由于神经网络强大的非线性映射能力，神经网络广泛应用于光伏预测当中，但是，目前的BP神经网络、CNN卷积神经网络并不具有特征选择能力，神经网络本身的特征信息提取能力受到多维冗余特征信息的限制。总的来说，现有的方法并没有寻找特征数据与光伏发电功率之间的耦合关系，无法真正实现剔除无关信息与冗余信息。
现有的普遍做法是通过皮尔逊相关系数法寻找光伏电场特征数据与光伏发电功率之间相关性，剔除特征数据中相关性弱的部分，但这是一种取优舍劣的做法，保留了相关性强的特征数据，剔除相关性弱的特征数据，保留的数据中依然存在冗余信息，剔除数据中依然存在重要特征信息，并且，相关系数特征选择的方法固定了选择的特征，没有根据不同的光伏发电场景自适应地选择光伏特征数据。
基于此，本发明提供了一种基于深度特征选择网络的短期光伏发电预测方法和***。
以下是对本发明的一种基于深度特征选择网络的短期光伏发电预测方法的实施例进行的详细介绍。
请参阅图1，本实施例提供了一种基于深度特征选择网络的短期光伏发电预测方法，包括如下步骤：
S100：获取历史光伏发电场的若干个特征数据和光伏功率并进行预处理。
光伏电场中采集的特征数据一般包括太阳总辐射强度、散射水平辐射强度、温度、湿度、风速、风向和日降雨量等7种数据。
对获取的数据预处理，得到特征向量的过程为：
1）使用拉格朗日插值法对光伏特征数据空缺值进行补充，其具体表达式为：
Figure 445163DEST_PATH_IMAGE011
其中，t为光伏特征数据空缺值对应时刻，L(t)为光伏特征数据空缺值插值大小，n为光伏特征数据时间样本数量，
Figure 605929DEST_PATH_IMAGE012
为第i时刻光伏特征数据，t为光伏特征数据时刻大小，
Figure 639744DEST_PATH_IMAGE012
，
Figure 351348DEST_PATH_IMAGE013
分别为第i与第j时刻大小；
2）对补充后的光伏特征数据进行归一化处理，归一化的表达式为：
Figure 669066DEST_PATH_IMAGE014
其中，
Figure 745606DEST_PATH_IMAGE015
为第i种特征数据向量，
Figure 63455DEST_PATH_IMAGE016
为第i种归一化后的特征数据向量，
Figure 765701DEST_PATH_IMAGE017
为第i种特征数据最小值，
Figure 688657DEST_PATH_IMAGE018
为第i种特征数据最大值。
S200：基于门控循环神经网络搭建光伏预测神经网络，并在光伏预测神经网络的输入层处搭建深度强化学习特征选择网络，深度强化学习特征选择网络基于Q值网络进行特征选择。
需要说明的是，门控循环神经网络包括重置门、隐藏门、更新门，将输入层输入特征
Figure 998416DEST_PATH_IMAGE037
输入至隐藏层，隐藏层输出门控循环单元特征
Figure 990512DEST_PATH_IMAGE038
，其表达式具体如下：
Figure 981601DEST_PATH_IMAGE019
其中，
Figure 8332DEST_PATH_IMAGE020
为
Figure 426675DEST_PATH_IMAGE021
时刻的重置门状态值，
Figure 984695DEST_PATH_IMAGE022
为
Figure 763165DEST_PATH_IMAGE021
时刻的隐藏层输入特征，
Figure 660713DEST_PATH_IMAGE023
为
Figure 499225DEST_PATH_IMAGE024
时刻的隐藏门状态值，
Figure 278962DEST_PATH_IMAGE025
为
Figure 611855DEST_PATH_IMAGE021
时刻的隐藏门状态值，
Figure 613178DEST_PATH_IMAGE026
为
Figure 373323DEST_PATH_IMAGE024
时刻与
Figure 640357DEST_PATH_IMAGE021
时刻的中间隐藏门状态值，
Figure 20348DEST_PATH_IMAGE027
为
Figure 626910DEST_PATH_IMAGE021
时刻的更新门状态值，
Figure 620274DEST_PATH_IMAGE028
、
Figure 561554DEST_PATH_IMAGE029
、
Figure 501828DEST_PATH_IMAGE030
分别为重置门的权重与偏置，
Figure 212164DEST_PATH_IMAGE031
、
Figure 314112DEST_PATH_IMAGE032
、
Figure 555738DEST_PATH_IMAGE033
分别为更新门的权重与偏置，
Figure 283391DEST_PATH_IMAGE034
、
Figure 598966DEST_PATH_IMAGE035
、
Figure 199711DEST_PATH_IMAGE036
分别为隐藏门的权重与偏置，tanh( )为tanh函数。
在光伏预测卷积神经网络的基础上，于输入层处搭建深度特征选择网络单元Q网络与之相连。搭建的深度强化学习特征选择网络模型包括特征输入状态空间、特征选择空间、Q网络、强化学习奖惩函数，并通过时间差分算法对深度特征选择网络单元Q网络进行训练。
具体的，搭建的深度强化学习特征选择网络包括如下几个部分：
1）构建特征的输入状态空间，其中特征的输入状态由预处理后的若干个特征数据中每个特征在t时刻前若干时间节点的数据和对应的预测误差构成。以时间节点数为6为例，状态空间如下：
Figure 850004DEST_PATH_IMAGE039
其中，St为特征的输入状态，
Figure 132081DEST_PATH_IMAGE040
为t时刻第i种特征的特征数据向量。
2）构建特征选择空间，特征选择空间Ct的大小由特征输入矩阵的大小决定，特征输入矩阵中被选择的特征编码为1，未被选择的特征编码为0，特征选择空间Ct如下：
Figure 551430DEST_PATH_IMAGE041
其中c表示特征选择编码，n表示特征输入总数量。
3）构建特征选择Q值网络，特征选择Q值网络以特征输入状态矩阵作为输入，以不同特征选择方式下的Q值作为输出。Q网络的中间层与普通的神经网络结构相同。
4）设置强化学习奖惩函数，奖惩函数的表达式如下：
Figure 323077DEST_PATH_IMAGE001
式中，
Figure 211399DEST_PATH_IMAGE002
为光伏功率真实值，
Figure 280855DEST_PATH_IMAGE003
为特征筛选前的光伏功率预测输出值，
Figure 571022DEST_PATH_IMAGE004
为特征筛选后的光伏功率预测输出值；
5）通过时间差分算法对特征选择Q值网络进行训练，得到深度强化学习特征选择网络。
需要说明的是，通过时间差分算法对特征选择Q值网络进行训练，具体包括：
获取t时刻的特征输入状态并输入至特征选择Q值网络，得到不同特征选择方式下的Q值；
从不同特征选择方式下的Q值中选择Q值最大时对应的特征选择组合，并记录对应的Q值为
Figure 513570DEST_PATH_IMAGE005
；
获取t+1时刻的特征输入状态并输入至特征选择Q值网络，得到t+1时刻时Q值最大的特征选择组合并记录对应的Q值为
Figure 138455DEST_PATH_IMAGE006
，将t+1时刻选择的特征选择组合输入到光伏预测神经网络中得到光伏功率输出值，并利用强化学习奖惩函数计算t+1时刻奖励分数
Figure 762335DEST_PATH_IMAGE007
；
通过时间差分算法对深度特征选择网络单元Q网络进行训练，计算时间差分误差，并通过梯度反向传播算法更新Q网络，时间差分误差具体如下式：
Figure 162135DEST_PATH_IMAGE008
其中，
Figure 275585DEST_PATH_IMAGE009
为时间差分误差，
Figure 138498DEST_PATH_IMAGE010
为差分系数，一般设置为0.9；
迭代以上步骤直至特征选择Q值网络训练完毕。
S300：利用预处理后的历史光伏发电场若干个特征数据和光伏功率对光伏预测神经网络和深度强化学习特征选择网络进行训练。
基于搭建好的预测神经网络，将历史特征数据输入进行训练。
S400：将当前时刻光伏发电场的若干个特征数据预处理后输入深度强化学习特征选择网络中进行特征选择，并经过光伏预测神经网络进行光伏发电预测。
图2为基于深度特征选择网络的短期光伏发电预测方法的神经网络结构训练好的预测神经网络，其根据输入的特征，动态地对光伏输入数据进行特征筛选，输入预处理的光伏特征数据，得到光伏发电功率预测结果，该过程包括：
1）将预处理完毕的六个时间节点长度的光伏发电场特征数据输入至神经网络；
2）将光伏特征选择Q网络迁移至光伏预测神经网络，获取所预测时刻的特征输入状态S，将特征输入状态输入至Q网络，获得不同特征选择方式下的Q值，选择Q值最大的特征选择方式，根据光伏特征选择矩阵，保留筛选出来的特征数据，剔除未选择的特征数据，获得经筛选后的光伏发电场特征数据；
3）将特征筛选后的六个时间节点长度的光伏发电场特征数据输入至神经网络，得到未来一个时间节点的光伏发电功率预测值。
为进一步验证本实施例所提出的方法的有效性，对某光伏发电场进行未来一小时的短期风电功率预测，图3表示应用本发明实施例提出的基于深度特征选择网络的短期光伏发电预测方法的深度特征选择网络训练后得到的特征选择矩阵；图4表示应用本发明实施例提出的基于深度特征选择网络的短期光伏发电预测方法进行光伏数据特征筛选与不进行光伏数据特征筛选的光伏发电功率预测效果对比图；图4中实线为进行光伏数据特征筛选的光伏功率预测值，虚线为不进行光伏数据特征筛选的光伏功率预测值，虚点线为光伏功率真实际值，即将光伏功率实际值作为光伏功率预测目标。可看出，相较于不进行光伏数据特征筛选，进行光伏数据特征筛选的光伏功率预测输出值非常贴近于光伏功率实际值，拟合效果好，预测精度高。以此可知，本实施例提供的预测方法可获得较好的风电功率预测提升效果。
本实施例提供了一种基于深度特征选择网络的短期光伏发电预测方法，通过搭建基于门控循环神经网络的光伏预测神经网络，并在该网络的输入层处搭建用于特征选择的深度强化学习特征选择网络，该选择网络通过其Q值网络计算的Q值从若干个输入特征中选择最优输入特征组合，从而在进行光伏发电预测时，从若干输入特征中有选择的进行预测，减少了网络的输入特征数量，提高了预测效率的同时能够根据光伏发电功率应用场景的不同自主选择最优光伏特征，使特征数据的选择更加地灵活适用。
以上是对本发明的一种基于深度特征选择网络的短期光伏发电预测方法的一个实施例进行的详细介绍，以下将对本发明的一种基于深度特征选择网络的短期光伏发电预测***的实施例进行详细的介绍。
本实施例提供了一种基于深度特征选择网络的短期光伏发电预测***，包括：数据处理单元、神经网络搭建单元、神经网络训练单元和光伏发电预测单元。
在本实施例中，数据处理单元用于获取历史和当前时刻光伏发电场的若干个特征数据和光伏功率并进行预处理。
具体的，预处理具体包括：
使用拉格朗日插值法对光伏特征数据空缺值进行补充，其具体表达式为：
Figure 549757DEST_PATH_IMAGE011
其中，t为光伏特征数据空缺值对应时刻，L(t)为光伏特征数据空缺值插值大小，n为光伏特征数据时间样本数量，
Figure 876833DEST_PATH_IMAGE012
为第i时刻光伏特征数据，t为光伏特征数据时刻大小，
Figure 833288DEST_PATH_IMAGE012
，
Figure 432765DEST_PATH_IMAGE013
分别为第i与第j时刻大小；
对补充后的光伏特征数据进行归一化处理，归一化的表达式为：
Figure 398447DEST_PATH_IMAGE014
其中，
Figure 580030DEST_PATH_IMAGE015
为第i种特征数据向量，
Figure 222233DEST_PATH_IMAGE016
为第i种归一化后的特征数据向量，
Figure 794159DEST_PATH_IMAGE017
为第i种特征数据最小值，
Figure 547221DEST_PATH_IMAGE018
为第i种特征数据最大值。
在本实施例中，神经网络搭建单元用于基于门控循环神经网络搭建光伏预测神经网络，并在光伏预测神经网络的输入层处搭建深度强化学习特征选择网络，深度强化学习特征选择网络基于Q值网络进行特征选择。
需要说明的是，门控循环神经网络的表达式具体如下：
Figure 786572DEST_PATH_IMAGE019
其中，
Figure 412726DEST_PATH_IMAGE020
为
Figure 721216DEST_PATH_IMAGE021
时刻的重置门状态值，
Figure 28701DEST_PATH_IMAGE022
为
Figure 184875DEST_PATH_IMAGE021
时刻的隐藏层输入特征，
Figure 168881DEST_PATH_IMAGE023
为
Figure 715400DEST_PATH_IMAGE024
时刻的隐藏门状态值，
Figure 810264DEST_PATH_IMAGE025
为
Figure 820945DEST_PATH_IMAGE021
时刻的隐藏门状态值，
Figure 726584DEST_PATH_IMAGE026
为
Figure 27245DEST_PATH_IMAGE024
时刻与
Figure 738849DEST_PATH_IMAGE021
时刻的中间隐藏门状态值，
Figure 541720DEST_PATH_IMAGE027
为
Figure 867528DEST_PATH_IMAGE021
时刻的更新门状态值，
Figure 450956DEST_PATH_IMAGE028
、
Figure 903934DEST_PATH_IMAGE029
、
Figure 810579DEST_PATH_IMAGE030
分别为重置门的权重与偏置，
Figure 120338DEST_PATH_IMAGE031
、
Figure 128745DEST_PATH_IMAGE032
、
Figure 369102DEST_PATH_IMAGE033
分别为更新门的权重与偏置，
Figure 146565DEST_PATH_IMAGE034
、
Figure 627225DEST_PATH_IMAGE035
、
Figure 372196DEST_PATH_IMAGE036
分别为隐藏门的权重与偏置，tanh( )为tanh函数。
搭建深度强化学习特征选择网络，具体包括：
构建特征的输入状态空间，其中特征的输入状态由预处理后的若干个特征数据中每个特征在t时刻前若干时间节点的数据和对应的预测误差构成；
构建特征选择空间，特征选择空间的大小由特征输入矩阵的大小决定，特征输入矩阵中被选择的特征编码为1，未被选择的特征编码为0；
构建特征选择Q值网络，特征选择Q值网络以特征输入状态矩阵作为输入，以不同特征选择方式下的Q值作为输出；
设置强化学习奖惩函数，奖惩函数的表达式如下：
Figure 901398DEST_PATH_IMAGE001
式中，
Figure 595684DEST_PATH_IMAGE002
为光伏功率真实值，
Figure 699775DEST_PATH_IMAGE003
为特征筛选前的光伏功率预测输出值，
Figure 417196DEST_PATH_IMAGE004
为特征筛选后的光伏功率预测输出值；
通过时间差分算法对特征选择Q值网络进行训练，得到深度强化学习特征选择网络。
进一步的，特征选择网络搭建单元中，通过时间差分算法对特征选择Q值网络进行训练，具体包括：
获取t时刻的特征输入状态并输入至特征选择Q值网络，得到不同特征选择方式下的Q值；
从不同特征选择方式下的Q值中选择Q值最大时对应的特征选择组合，并记录对应的Q值为
Figure 812405DEST_PATH_IMAGE005
；
获取t+1时刻的特征输入状态并输入至特征选择Q值网络，得到t+1时刻时Q值最大的特征选择组合并记录对应的Q值为
Figure 813728DEST_PATH_IMAGE006
，将t+1时刻选择的特征选择组合输入到光伏预测神经网络中得到光伏功率输出值，并利用强化学习奖惩函数计算t+1时刻奖励分数
Figure 573873DEST_PATH_IMAGE007
；
通过时间差分算法对深度特征选择网络单元Q网络进行训练，计算时间差分误差，并通过梯度反向传播算法更新Q网络，时间差分误差具体如下式：
Figure 27857DEST_PATH_IMAGE008
其中，
Figure 226758DEST_PATH_IMAGE009
为时间差分误差，
Figure 833319DEST_PATH_IMAGE010
为差分系数，一般设置为0.9；
迭代以上步骤直至特征选择Q值网络训练完毕。
在本实施例中，神经网络训练单元利用预处理后的历史光伏发电场若干个特征数据和光伏功率对光伏预测神经网络和深度强化学习特征选择网络进行训练；
在本实施例中，光伏发电预测单元用于将预处理后的当前时刻光伏发电场的若干个特征数据输入深度强化学习特征选择网络中进行特征选择，并经过光伏预测神经网络进行光伏发电预测。
需要说明的是，本实施例提供的预测***用于实现前述实施例提供的预测方法，各单元的具体设置均以完整实现该方法为准，在此不再赘述。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.基于深度特征选择网络的短期光伏发电预测方法，其特征在于，包括如下步骤：
获取历史光伏发电场的若干个特征数据和光伏功率并进行预处理；
基于门控循环神经网络搭建光伏预测神经网络，并在所述光伏预测神经网络的输入层处搭建深度强化学习特征选择网络，所述深度强化学习特征选择网络基于Q值网络进行特征选择；
利用预处理后的历史光伏发电场若干个特征数据和光伏功率对所述光伏预测神经网络和所述深度强化学习特征选择网络进行训练；
将当前时刻光伏发电场的若干个特征数据预处理后输入所述深度强化学习特征选择网络中进行特征选择，并经过所述光伏预测神经网络进行光伏发电预测。
2.根据权利要求1所述的基于深度特征选择网络的短期光伏发电预测方法，其特征在于，搭建深度强化学习特征选择网络，具体包括：
构建特征的输入状态空间，其中特征的输入状态由预处理后的所述若干个特征数据中每个特征在t时刻前若干时间节点的数据和对应的预测误差构成；
构建特征选择空间，所述特征选择空间的大小由特征输入矩阵的大小决定，所述特征输入矩阵中被选择的特征编码为1，未被选择的特征编码为0；
构建特征选择Q值网络，所述特征选择Q值网络以特征输入状态矩阵作为输入，以不同特征选择方式下的Q值作为输出；
设置强化学习奖惩函数，奖惩函数的表达式如下：
Figure 641449DEST_PATH_IMAGE001
式中，
Figure 85200DEST_PATH_IMAGE002
为光伏功率真实值，
Figure 504680DEST_PATH_IMAGE003
为特征筛选前的光伏功率预测输出值，
Figure 59289DEST_PATH_IMAGE004
为特征筛选后的光伏功率预测输出值；
通过时间差分算法对所述特征选择Q值网络进行训练，得到深度强化学习特征选择网络。
3.根据权利要求2所述的基于深度特征选择网络的短期光伏发电预测方法，其特征在于，通过时间差分算法对所述特征选择Q值网络进行训练，具体包括：
获取t时刻的特征输入状态并输入至所述特征选择Q值网络，得到不同特征选择方式下的Q值；
从不同特征选择方式下的Q值中选择Q值最大时对应的特征选择组合，并记录对应的Q值为
Figure 411773DEST_PATH_IMAGE005
；
获取t+1时刻的特征输入状态并输入至所述特征选择Q值网络，得到t+1时刻时Q值最大的特征选择组合并记录对应的Q值为
Figure 557584DEST_PATH_IMAGE006
，将t+1时刻选择的特征选择组合输入到所述光伏预测神经网络中得到光伏功率输出值，并利用所述强化学习奖惩函数计算t+1时刻奖励分数
Figure 667622DEST_PATH_IMAGE007
；
通过时间差分算法对深度特征选择网络单元Q网络进行训练，计算时间差分误差，并通过梯度反向传播算法更新Q网络，时间差分误差具体如下式：
Figure 88239DEST_PATH_IMAGE008
其中，
Figure 498492DEST_PATH_IMAGE009
为时间差分误差，
Figure 549625DEST_PATH_IMAGE010
为差分系数，设置为0.9；
迭代以上步骤直至所述特征选择Q值网络训练完毕。
4.根据权利要求1所述的基于深度特征选择网络的短期光伏发电预测方法，其特征在于，所述预处理具体包括：
使用拉格朗日插值法对光伏特征数据空缺值进行补充，其具体表达式为：
Figure 146959DEST_PATH_IMAGE011
其中，t为光伏特征数据空缺值对应时刻，L(t)为光伏特征数据空缺值插值大小，n为光伏特征数据时间样本数量，
Figure 371267DEST_PATH_IMAGE012
为第i时刻光伏特征数据，t为光伏特征数据时刻大小，
Figure 636027DEST_PATH_IMAGE012
，
Figure 123640DEST_PATH_IMAGE013
分别为第i与第j时刻大小；
对补充后的光伏特征数据进行归一化处理，所述归一化的表达式为：
Figure 536166DEST_PATH_IMAGE014
其中，
Figure 970690DEST_PATH_IMAGE015
为第i种特征数据向量，
Figure 355535DEST_PATH_IMAGE016
为第i种归一化后的特征数据向量，
Figure 810787DEST_PATH_IMAGE017
为第i种特征数据最小值，
Figure 382714DEST_PATH_IMAGE018
为第i种特征数据最大值。
5.根据权利要求1所述的基于深度特征选择网络的短期光伏发电预测方法，其特征在于，所述门控循环神经网络的表达式具体如下：
Figure 886508DEST_PATH_IMAGE019
其中，
Figure 922597DEST_PATH_IMAGE020
为
Figure 752012DEST_PATH_IMAGE021
时刻的重置门状态值，
Figure 805376DEST_PATH_IMAGE022
为
Figure 909598DEST_PATH_IMAGE021
时刻的隐藏层输入特征，
Figure 3456DEST_PATH_IMAGE023
为
Figure 3773DEST_PATH_IMAGE024
时刻的隐藏门状态值，
Figure 612609DEST_PATH_IMAGE025
为
Figure 458205DEST_PATH_IMAGE021
时刻的隐藏门状态值，
Figure 672149DEST_PATH_IMAGE026
为
Figure 312209DEST_PATH_IMAGE024
时刻与
Figure 408341DEST_PATH_IMAGE021
时刻的中间隐藏门状态值，
Figure 792049DEST_PATH_IMAGE027
为
Figure 126078DEST_PATH_IMAGE021
时刻的更新门状态值，
Figure 264935DEST_PATH_IMAGE028
、
Figure 520467DEST_PATH_IMAGE029
、
Figure 707866DEST_PATH_IMAGE030
分别为重置门的权重与偏置，
Figure 896402DEST_PATH_IMAGE031
、
Figure 206161DEST_PATH_IMAGE032
、
Figure 948989DEST_PATH_IMAGE033
分别为更新门的权重与偏置，
Figure 205658DEST_PATH_IMAGE034
、
Figure 45438DEST_PATH_IMAGE035
、
Figure 198202DEST_PATH_IMAGE036
分别为隐藏门的权重与偏置，tanh( )为tanh函数。
6.基于深度特征选择网络的短期光伏发电预测***，其特征在于，包括：
数据处理单元，用于获取历史和当前时刻光伏发电场的若干个特征数据和光伏功率并进行预处理；
神经网络搭建单元，用于基于门控循环神经网络搭建光伏预测神经网络，并在所述光伏预测神经网络的输入层处搭建深度强化学习特征选择网络，所述深度强化学习特征选择网络基于Q值网络进行特征选择；
神经网络训练单元，利用预处理后的历史光伏发电场若干个特征数据和光伏功率对所述光伏预测神经网络和所述深度强化学习特征选择网络进行训练；
光伏发电预测单元，用于将预处理后的当前时刻光伏发电场的若干个特征数据输入所述深度强化学习特征选择网络中进行特征选择，并经过所述光伏预测神经网络进行光伏发电预测。
7.根据权利要求6所述的基于深度特征选择网络的短期光伏发电预测***，其特征在于，所述神经网络搭建单元包括特征选择网络搭建单元，所述特征选择网络搭建单元用于搭建深度强化学习特征选择网络，具体包括：
构建特征的输入状态空间，其中特征的输入状态由预处理后的所述若干个特征数据中每个特征在t时刻前若干时间节点的数据和对应的预测误差构成；
构建特征选择空间，所述特征选择空间的大小由特征输入矩阵的大小决定，所述特征输入矩阵中被选择的特征编码为1，未被选择的特征编码为0；
构建特征选择Q值网络，所述特征选择Q值网络以特征输入状态矩阵作为输入，以不同特征选择方式下的Q值作为输出；
设置强化学习奖惩函数，奖惩函数的表达式如下：
Figure 428326DEST_PATH_IMAGE001
式中，
Figure 285423DEST_PATH_IMAGE002
为光伏功率真实值，
Figure 182972DEST_PATH_IMAGE003
为特征筛选前的光伏功率预测输出值，
Figure 500778DEST_PATH_IMAGE004
为特征筛选后的光伏功率预测输出值；
通过时间差分算法对所述特征选择Q值网络进行训练，得到深度强化学习特征选择网络。
8.根据权利要求7所述的基于深度特征选择网络的短期光伏发电预测***，其特征在于，所述特征选择网络搭建单元中，通过时间差分算法对所述特征选择Q值网络进行训练，具体包括：
获取t时刻的特征输入状态并输入至所述特征选择Q值网络，得到不同特征选择方式下的Q值；
从不同特征选择方式下的Q值中选择Q值最大时对应的特征选择组合，并记录对应的Q值为
Figure 546094DEST_PATH_IMAGE005
；
获取t+1时刻的特征输入状态并输入至所述特征选择Q值网络，得到t+1时刻时Q值最大的特征选择组合并记录对应的Q值为
Figure 878987DEST_PATH_IMAGE006
，将t+1时刻选择的特征选择组合输入到所述光伏预测神经网络中得到光伏功率输出值，并利用所述强化学习奖惩函数计算t+1时刻奖励分数
Figure 631042DEST_PATH_IMAGE007
；
通过时间差分算法对深度特征选择网络单元Q网络进行训练，计算时间差分误差，并通过梯度反向传播算法更新Q网络，时间差分误差具体如下式：
Figure 719084DEST_PATH_IMAGE008
其中，
Figure 658221DEST_PATH_IMAGE009
为时间差分误差，
Figure 591542DEST_PATH_IMAGE010
为差分系数，设置为0.9；
迭代以上步骤直至所述特征选择Q值网络训练完毕。
9.根据权利要求6所述的基于深度特征选择网络的短期光伏发电预测***，其特征在于，所述数据处理单元中，所述预处理具体包括：
使用拉格朗日插值法对光伏特征数据空缺值进行补充，其具体表达式为：
Figure 463683DEST_PATH_IMAGE011
其中，t为光伏特征数据空缺值对应时刻，L(t)为光伏特征数据空缺值插值大小，n为光伏特征数据时间样本数量，
Figure 394730DEST_PATH_IMAGE012
为第i时刻光伏特征数据，t为光伏特征数据时刻大小，
Figure 883480DEST_PATH_IMAGE012
，
Figure 823754DEST_PATH_IMAGE013
分别为第i与第j时刻大小；
对补充后的光伏特征数据进行归一化处理，所述归一化的表达式为：
Figure 550402DEST_PATH_IMAGE014
其中，
Figure 386771DEST_PATH_IMAGE015
为第i种特征数据向量，
Figure 628396DEST_PATH_IMAGE016
为第i种归一化后的特征数据向量，
Figure 106782DEST_PATH_IMAGE017
为第i种特征数据最小值，
Figure 687936DEST_PATH_IMAGE018
为第i种特征数据最大值。
10.根据权利要求6所述的基于深度特征选择网络的短期光伏发电预测***，其特征在于，所述神经网络搭建单元包括预测网络搭建单元，所述预测网络搭建单元用于基于门控循环神经网络搭建光伏预测神经网络，所述门控循环神经网络的表达式具体如下：
Figure 288682DEST_PATH_IMAGE019
其中，
Figure 424128DEST_PATH_IMAGE020
为
Figure 971784DEST_PATH_IMAGE021
时刻的重置门状态值，
Figure 469761DEST_PATH_IMAGE022
为
Figure 647933DEST_PATH_IMAGE021
时刻的隐藏层输入特征，
Figure 801834DEST_PATH_IMAGE023
为
Figure 887601DEST_PATH_IMAGE024
时刻的隐藏门状态值，
Figure 906330DEST_PATH_IMAGE025
为
Figure 520982DEST_PATH_IMAGE021
时刻的隐藏门状态值，
Figure 834283DEST_PATH_IMAGE026
为
Figure 723741DEST_PATH_IMAGE024
时刻与
Figure 602836DEST_PATH_IMAGE021
时刻的中间隐藏门状态值，
Figure 857231DEST_PATH_IMAGE027
为
Figure 454565DEST_PATH_IMAGE021
时刻的更新门状态值，
Figure 616556DEST_PATH_IMAGE028
、
Figure 146895DEST_PATH_IMAGE029
、
Figure 103349DEST_PATH_IMAGE030
分别为重置门的权重与偏置，
Figure 453559DEST_PATH_IMAGE031
、
Figure 481558DEST_PATH_IMAGE032
、
Figure 335245DEST_PATH_IMAGE033
分别为更新门的权重与偏置，
Figure 728180DEST_PATH_IMAGE034
、
Figure 831265DEST_PATH_IMAGE035
、
Figure 87058DEST_PATH_IMAGE036
分别为隐藏门的权重与偏置，tanh( )为tanh函数。
CN202211075674.9A 2022-09-05 2022-09-05 基于深度特征选择网络的短期光伏发电预测方法和*** Active CN115222024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211075674.9A CN115222024B (zh) 2022-09-05 2022-09-05 基于深度特征选择网络的短期光伏发电预测方法和***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211075674.9A CN115222024B (zh) 2022-09-05 2022-09-05 基于深度特征选择网络的短期光伏发电预测方法和***

Publications (2)

Publication Number Publication Date
CN115222024A true CN115222024A (zh) 2022-10-21
CN115222024B CN115222024B (zh) 2023-01-24

Family

ID=83617476

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211075674.9A Active CN115222024B (zh) 2022-09-05 2022-09-05 基于深度特征选择网络的短期光伏发电预测方法和***

Country Status (1)

Country Link
CN (1) CN115222024B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108448610A (zh) * 2018-03-12 2018-08-24 华南理工大学 一种基于深度学习的短期风功率预测方法
CN112926653A (zh) * 2021-02-25 2021-06-08 山东大学 基于小时级天气类型校正的光伏功率短期预测方法及***
CN113507118A (zh) * 2021-07-11 2021-10-15 湘潭大学 一种风电功率预测方法及***
WO2022069747A1 (en) * 2020-10-02 2022-04-07 Deepmind Technologies Limited Training reinforcement learning agents using augmented temporal difference learning
CN114819382A (zh) * 2022-05-11 2022-07-29 湘潭大学 一种基于lstm的光伏功率预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108448610A (zh) * 2018-03-12 2018-08-24 华南理工大学 一种基于深度学习的短期风功率预测方法
WO2022069747A1 (en) * 2020-10-02 2022-04-07 Deepmind Technologies Limited Training reinforcement learning agents using augmented temporal difference learning
CN112926653A (zh) * 2021-02-25 2021-06-08 山东大学 基于小时级天气类型校正的光伏功率短期预测方法及***
CN113507118A (zh) * 2021-07-11 2021-10-15 湘潭大学 一种风电功率预测方法及***
CN114819382A (zh) * 2022-05-11 2022-07-29 湘潭大学 一种基于lstm的光伏功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱振国 等: "基于强化学习的特征选择算法", 《计算机***应用》 *

Also Published As

Publication number Publication date
CN115222024B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN108900346B (zh) 基于lstm网络的无线网络流量预测方法
CN112348271A (zh) 基于vmd-ipso-gru的短期光伏功率预测方法
CN110648014B (zh) 一种基于时空分位数回归的区域风电预测方法及***
CN110059867B (zh) 一种swlstm结合gpr的风速预测方法
CN113468803B (zh) 一种基于改进的woa-gru洪水流量预测方法及***
CN113128113B (zh) 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法
CN109583565A (zh) 基于注意力模型长短时记忆网络的洪水预测方法
CN110910004A (zh) 一种多重不确定性的水库调度规则提取方法及***
CN112733997B (zh) 基于woa-lstm-mc的水文时间序列预测优化方法
CN115347571B (zh) 基于迁移学习的光伏发电功率短期预测方法及装置
CN115758290A (zh) 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法
CN117154690A (zh) 一种基于神经网络的光伏发电功率预测方法及***
Fu et al. A building energy consumption prediction method based on integration of a deep neural network and transfer reinforcement learning
CN115983494A (zh) 一种新建小样本风电场的短期风电功率预测方法及***
CN115343784A (zh) 一种基于seq2seq-attention模型的局部气温预测方法
CN114004152B (zh) 基于图卷积和循环神经网络的多风场风速时空预测方法
CN117394350A (zh) 短期电力负荷预测方法、装置、设备及介质
CN116341391B (zh) 基于STPM-XGBoost模型的降水预测方法
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理***
CN117114168A (zh) 一种长时间尺度的海面温度智能预报方法
CN116663744A (zh) 一种用于近零能耗建筑的能耗预测方法及***
CN115222024B (zh) 基于深度特征选择网络的短期光伏发电预测方法和***
CN116709409A (zh) 基于知识蒸馏的轻量化频谱预测方法
CN115860165A (zh) 一种考虑初损的神经网络流域降雨径流预报方法及***
CN113610665B (zh) 一种基于多延迟输出回声状态网的风力发电功率预测方法

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
GR01 Patent grant
GR01 Patent grant