CN117829211A - 一种基于自注意力机制的光伏功率预测方法 - Google Patents
一种基于自注意力机制的光伏功率预测方法 Download PDFInfo
- Publication number
- CN117829211A CN117829211A CN202410026617.4A CN202410026617A CN117829211A CN 117829211 A CN117829211 A CN 117829211A CN 202410026617 A CN202410026617 A CN 202410026617A CN 117829211 A CN117829211 A CN 117829211A
- Authority
- CN
- China
- Prior art keywords
- representing
- photovoltaic power
- photovoltaic
- self
- data
- 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 29
- 230000007246 mechanism Effects 0.000 title claims abstract description 27
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 15
- 230000005856 abnormality Effects 0.000 claims abstract description 13
- 238000010248 power generation Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims abstract description 7
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 230000014509 gene expression Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 101100481876 Danio rerio pbk gene Proteins 0.000 claims description 3
- 101100481878 Mus musculus Pbk gene Proteins 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000035945 sensitivity Effects 0.000 abstract description 3
- 230000008859 change Effects 0.000 abstract description 2
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003760 hair shine Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000013083 solar photovoltaic technology Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/084—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—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
-
- 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
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Photovoltaic Devices (AREA)
Abstract
一种基于自注意力机制的光伏功率预测方法。涉及光伏功率预测网络。包括以下步骤:步骤(1):对历史光伏数据基于天气特征进行分类;步骤(2):从步骤(1)获取分类好的光伏数据,使用图神经网络对其中不利于光伏发电的天气进行异常检测;步骤(3):获取步骤(2)中经过异常检测的光伏数据,构建基于自注意力机制的预测模型,对未来的光伏功率进行预测;步骤(4):基于步骤(3)中的光伏功率预测模型,利用公开的光伏数据训练模型;步骤(5):基于均方误差和平均绝对值误差两个评价指标对训练后的模型性能进行评估。本发明提高对功率波动和变化的敏感性,最终获得更准确的光伏功率预测结果。
Description
技术领域
本发明涉及光伏功率预测网络,特别是一种基于自注意力机制的光伏功率预测方法。
背景技术
随着太阳能光伏技术的不断发展和广泛应用,光伏发电***成为城市和基础设施中日益重要的能源供应方式。为了更有效地监测和管理城市能源***,光伏功率预测显得尤为关键,其可以帮助识别太阳能光伏设施的能量产出,并优化能源消耗,提高能源利用效率。通过精确识别光伏设施的特征,包括板块的朝向、倾斜角度和阴影情况,可以更准确地估算太阳辐射照射到光伏电池板上的能量,从而改进光伏功率预测模型,减少能源浪费,提高光伏***的整体效率。因此,光伏功率预测的背景知识包括对光伏设施的准确识别和特征提取,以支持城市能源***的监测、管理和优化。然而,由传感器收集而来的光伏数据可能受到分辨率差异、大气效应和阴影等因素的影响,以及光伏设施可以具有多种布局、板块尺寸和组件类型,这些因素使得开发能够准确预测光伏功率的模型具有挑战性。
借助传统机器学习方法进行光伏功率预测已被认为是一种高效的手段,能够为光伏发电***提供大规模、高质量的数据支持。近年来,各种机器学习技术在光伏功率预测领域得到了广泛应用,包括利用不同决策树模型进行特征提取、序列分析等,以实现对光伏功率的准确预测。其中,一些方法通过利用空间特征将光伏数据进行划分时间域,从而能够提取光伏序列的特征并实现对其进行有效预测。此外,通过融合遥感数据与其他数据源(如气象数据、地形数据,甚至激光雷达数据)的技术,可以利用卷积神经网络等深度学习结构提取多源数据的特征,从而提高对光伏功率的准确预测。然而,随着传感器技术的进步,现有的方法在应对更为复杂和高维度的光伏数据时可能面临一定的挑战。
发明内容
本发明的目的是提供一种基于自注意力机制的光伏功率预测方法,从而提高光伏预测的准确率。
本发明的技术方案为:一种基于自注意力机制的光伏功率预测方法,包括以下步骤:
步骤(1):对历史光伏数据基于天气特征进行分类;
步骤(2):从步骤(1)获取分类好的光伏数据,使用图神经网络对其中不利于光伏发电的天气进行异常检测;
步骤(3):获取步骤(2)中经过异常检测的光伏数据,构建基于自注意力机制的预测模型,对未来的光伏功率进行预测;
步骤(4):基于步骤(3)中的光伏功率预测模型,利用公开的光伏数据训练模型;
步骤(5):基于均方误差和平均绝对值误差两个评价指标对训练后的模型性能进行评估。
步骤(1)中,使用辐照度平均值和辐照度二阶差分对历史光伏数据进行分类。
步骤(2)包括:
步骤(2.1):对光伏数据进行嵌入表示,其数学表达式如公式(1)所示:
其中,vi表示在第i个特征映射到隐空间向量后的嵌入表示,表示隐空间特征维度;
步骤(2.2):使用有向图表示光伏数据中不同的特征,其数学表达式如公式(2)-(4)所示:
其中,表示特征的集合,vi和vj分别表示在第i个特征映射到隐空间向量后的嵌入表示和第j个特征映射到隐空间向量后的嵌入表示,eji表示两个特征嵌入表示的相似度,Aji表示最终构建的邻接矩阵,k表示属于/>集合中的元素,eki表示第k个特征和第i个特征嵌入表示的相似度,TopK表示最具有相关性的前K个特征;
步骤(2.3):引入了基于图注意力的特征提取器,建立异常检测模型,用于检测异常,其数学表达式如公式(5)-(9)所示:
其中,表示第i个特征在第t时间步的值,/>表示第i个特征在t时间点的聚合表示,W表示可学习的参数矩阵,/>表示将隐空间向量和经过线性变换后的向量的拼接,表示注意力系数,π(i,j)表示注意力得分,/>表示异常检测模型的预测值,/>表示在t时刻,第i个特征的真实异常数值,/>表示在t时刻,模型预测中第i个特征的异常数值,Erri(t)表示在t时刻的误差分数,ReLU和LeakyReLU分别表示relu和leakyrelu激活函数,表示拼接操作。
步骤(3)包括:
步骤(3.1):引入自相关机制,其数学表达式如公式(10)-(12)所示:
其中,表示周期长度为τ序列的置信度,L表示序列总数量,argTopk表示取前k个周期序列,τ1,…,τk表示前k个最置信的序列,/>表示经过SoftMax函数的序列置信度,Roll表示滑窗操作,ν表示经过线性映射后的值矩阵,Attention表示自注意力操作;
步骤(3.2):构建基于编-解码器的预测模块,其数学表达式如公式(13)-(15)所示:
其中,表示输入序列,/>表示分解出来的周期序列,/>表示分解出来的趋势序列,SeriesDecomp表示滑窗分解操作,/>表示最终预测结果。
步骤(4)中,训练过程采用Adam优化器进行梯度更新,权重衰减系数为0.0001,学习率为0.001,交叉熵损失作为损失函数。
步骤(5)中,:均方误差和平均绝对值误差的数学表达式如公式(16)-(17)所示:
其中,MSE为均方误差,MAE为平均绝对值误差,
yi表示在第i个时刻的真实值,表示在第i个时刻的预测值,t表示所有的时刻。
本发明在工作中,首先,在原始光伏数据中引入多种天气条件的模拟数据,以模拟不同天气对光伏功率的影响,并且根据不同的天气模拟数据对当前的气象数据进行分类;其次,在特征学习的过程中引入了基于图神经网络异常检测操作,有选择地突出异常区域,修正异常情况;最后,引入了自注意力机制,有选择性地关注光伏数据历史序列的关键信息,聚焦于具有重要信息的时间点,从而提高对功率波动和变化的敏感性,最终获得更准确的光伏功率预测结果。
附图说明
图1为本发明的方法流程图;
图2为S1中天气分类示意图;
图3为S2中异常检测的原理示意图;
图4为S3中自注意力机制的原理示意图。
具体实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1-4所示,一种基于自注意力机制的光伏功率预测方法,包括以下步骤:
步骤(1):对历史光伏数据基于天气特征进行分类;
步骤(2):从步骤(1)获取分类好的光伏数据,使用图神经网络对其中不利于光伏发电的天气进行异常检测;
步骤(3):获取步骤(2)中经过异常检测的光伏数据,构建基于自注意力机制的预测模型,对未来的光伏功率进行预测;
步骤(4):基于步骤(3)中的光伏功率预测模型,利用公开的光伏数据训练模型;
步骤(5):基于均方误差和平均绝对值误差两个评价指标对训练后的模型性能进行评估。
本发明为了增强模型的通用性和鲁棒性,首先在原始光伏数据中引入多种天气条件的模拟数据,以模拟不同天气对光伏功率的影响,并且根据不同的天气模拟数据对当前的气象数据进行分类。
为了更有效地识别光伏电池板和气象数据的异常情况,提高模型的预测准确性,本发明在特征学习的过程中引入了基于图神经网络异常检测操作。该单元过学习光伏数据的正常和异常模式,有选择地突出异常区域,以更准确地修正异常情况。
最后,为了更好地捕捉光伏发电***的细节和特征,本发明在预测模型中引入了自注意力机制,该机制能够有选择性地关注光伏数据历史序列的关键信息,使模型能够有选择性地聚焦于具有重要信息的时间点。
这样的设计使得模型能够更好地捕捉光伏功率数据中的长期和短期关联,从而提高对功率波动和变化的敏感性,最终获得更准确的光伏功率预测结果。
具体步骤如下:
步骤(1):对历史光伏数据基于天气特征例如辐照度、温度、湿度、风速等进行分类,从而识别出对光伏发电不利的天气条件;
分类的方式采用了基于过去两天的历史数据计算辐照度平均值和辐照度二阶差分,以此作为判定标准。辐照度是指太阳光线在单位面积上的能量强度,对于光伏发电而言,辐照度越高,发电效率通常越好。辐照度平均值是指过去两天的辐照度数据的平均数。辐照度二阶差分是对辐照度数据进行二次差分运算的结果,可用于检测辐照度的变化趋势。通过计算过去两天的辐照度数据的差分,可以观察到辐照度的变化情况,包括增加、减少或保持稳定。
具体而言,通过计算光伏发电***的历史数据,使用辐照度平均值和辐照度二阶差分作为判定指标。在进行模型训练时,需要对历史数据进行训练、验证、测试集的划分,即将历史数据分成用于训练模型的不同部分或子集,以确保模型在训练过程中不会泄露未来的信息,从而更准确地模拟真实场景中的预测和决策。训练集的划分方式根据时间的先后顺序,按照7:1:2的比例将数据分为训练集、验证集和测试集。
若某一天的天气特征满足以下任一条件:辐照度平均值低于训练集的30%分位数,或者辐照度二阶差分高于训练集的70%分位数,则将该天视为不利于光伏发电的天气。
步骤(2):从步骤(1)获取分类好的光伏数据,使用图神经网络对其中不利于光伏发电的天气进行异常检测,首先光伏数据的各个特征视为一个图,其中每个数据点代表一个特定的时间点或地点,而数据之间的关系则由它们之间的相互影响和依赖关系构成。这样既充分考虑数据之间的复杂关联,使得异常检测模型更加敏感和精准;
步骤(2.1)对光伏数据进行嵌入表示,其数学表达式如公式(1)所示:
其中,vi表示在第i个特征映射到隐空间向量后的嵌入表示,表示隐空间特征维度。内嵌值是随机初始化的,后续与模型的其他部分一起进行训练。这些内嵌值之间的相似性表明了行为的相似性,因此,具有相似内嵌值的传感器应该很有可能彼此相关;
步骤(2.2)使用有向图表示光伏数据中不同的特征,其节点单一特征,边代表特征之间的依赖关系。从一个特征到另一个特征的边表示第一个特征用于模拟第二个特征的行为模式,然后选出前k个最有联系的特征构建边,其数学表达式如公式(2)-(4)所示:
其中,表示特征的集合,vi和vj分别表示在第i个特征映射到隐空间向量后的嵌入表示和第j个特征映射到隐空间向量后的嵌入表示,eji表示两个特征嵌入表示的相似度,Aji表示最终构建的邻接矩阵,k表示属于/>集合中的元素,eki表示第k个特征和第i个特征嵌入表示的相似度,TopK表示最具有相关性的前K个特征;
步骤(2.3)引入了基于图注意力的特征提取器,根据学习到的图结构将节点信息与其邻居信息融合在一起。并结合了传感器嵌入向量去描述了不同类型特征的不同模式。通过学习到的关系,检测并解释偏离这些序列点的异常情况。模型会为每个特征计算单独的异常度分数,并将它们合并为每个时间点的单一异常度分数,从而能够定位出哪些时间点出现异常,其数学表达式如公式(5)-(9)所示:
其中,表示第i个特征在第t时间步的值,/>表示第i个特征在t时间点的聚合表示,W表示可学习的参数矩阵,/>表示将隐空间向量和经过线性变换后的向量的拼接,表示注意力系数,π(i,j)表示注意力得分,/>表示异常检测模型的预测值,/>表示在t时刻,第i个特征的真实异常数值,/>表示在t时刻,模型预测中第i个特征的异常数值,Erri(t)表示在t时刻的误差分数,ReLU和LeakyReLU分别表示relu和leakyrelu激活函数,/>表示拼接操作;
步骤(3)获取步骤(2)中经过异常检测模型的光伏数据,构建基于自注意力机制的预测模型,对未来的光伏功率进行预测;
步骤(3.1)引入自相关机制;自相关机制能够实现序列级连接的高效性,从而进一步扩展信息的有效利用。在观察中发现,不同周期的相似相位通常表现出相似的子过程,为了充分利用了这种序列固有的周期性,设计出一种精巧而高效的自相关机制,从而实现更加精准的信息传递,其数学表达式如公式(10)-(12)所示:
其中,表示周期长度为τ序列的置信度,L表示序列总数量,argTopk表示取前k个周期序列,τ1,…,τk表示前k个最置信的序列,/>表示经过SoftMax函数的序列置信度,Roll表示滑窗操作,ν表示经过线性映射后的值矩阵,Attention表示自注意力操作;
步骤(3.2)构建基于编-解码器的预测模块;使用深度分解架构,将序列分解作为编-解码器的一个内部单元,嵌入到编-解码器中。在预测过程中,模型交替进行预测结果优化和序列分解,即从隐变量中逐步分离趋势项与周期项,实现渐进式分解,其数学表达式如公式(13)-(15)所示:
其中,表示输入序列,/>表示分解出来的周期序列,/>表示分解出来的趋势序列,SeriesDecomp表示滑窗分解操作,/>表示最终预测结果;
步骤(4)构建基于自注意力模型的光伏功率预测模型,并利用公开的光伏数据训练本发明的模型;在本发明中,我们采用国家电网提供的光伏数据集进行实验,模型基于Pytorch框架进行搭建,在GeForce RTX 3090GPU上进行训练,配备有英特尔i5处理器,64GBRAM和Ubuntu***;训练过程采用Adam优化器进行梯度更新,权重衰减系数为0.0001,学习率为0.001,交叉熵损失作为损失函数;
步骤(5)基于均方误差(MSE)和平均绝对值误差(MAE)两个评价指标对模型性能进行评估,其数学表达式如公式(16)-(17)所示:
其中,yi表示在第i个时刻的真实值,表示在第i个时刻的预测值,t表示所有的时刻。MSE和MAE反应的是模型的预测误差,MSE和MAE的值越低,说明模型的预测效果越好。
和现有的光伏功率预测方法相比,本发明最终预测准确率有了较大的提升。由于神经网络对数据的异常值较为敏感,因此首先在原始光伏数据中引入多种天气条件的模拟数据,并且根据不同的天气模拟数据对当前的气象数据进行分类;其次,为了更有效地识别光伏电池板和气象数据的异常情况,在特征学习的过程中引入了基于图神经网络异常检测单元,通过学习光伏数据的正常和异常模式,有选择地突出异常区域,以更准确地修正异常情况;最后,为了更好地捕捉光伏发电***的细节和特征,在预测模型中引入了自注意力机制,有选择性地关注光伏数据历史序列的关键信息,聚焦于具有重要信息的时间点,获得更准确的光伏功率预测结果。通过利用MSE和MAE两个评价指标对模型进行性能评估,发现本发明的基于自注意力的光伏功率预测方法明显优于现有的算法。
Claims (6)
1.一种基于自注意力机制的光伏功率预测方法,其特征在于,包括以下步骤:
步骤(1):对历史光伏数据基于天气特征进行分类;
步骤(2):从步骤(1)获取分类好的光伏数据,使用图神经网络对其中不利于光伏发电的天气进行异常检测;
步骤(3):获取步骤(2)中经过异常检测的光伏数据,构建基于自注意力机制的预测模型,对未来的光伏功率进行预测;
步骤(4):基于步骤(3)中的光伏功率预测模型,利用公开的光伏数据训练模型;
步骤(5):基于均方误差和平均绝对值误差两个评价指标对训练后的模型性能进行评估。
2.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法,其特征在于,
步骤(1)中,使用辐照度平均值和辐照度二阶差分对历史光伏数据进行分类。
3.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法,其特征在于,
步骤(2)包括:
步骤(2.1):对光伏数据进行嵌入表示,其数学表达式如公式(1)所示:
其中,vi表示在第i个特征映射到隐空间向量后的嵌入表示,表示隐空间特征维度;
步骤(2.2):使用有向图表示光伏数据中不同的特征,其数学表达式如公式(2)-(4)所示:
其中,表示特征的集合,vi和vj分别表示在第i个特征映射到隐空间向量后的嵌入表示和第j个特征映射到隐空间向量后的嵌入表示,eji表示两个特征嵌入表示的相似度,Aji表示最终构建的邻接矩阵,k表示属于/>集合中的元素,eki表示第k个特征和第i个特征嵌入表示的相似度,TopK表示最具有相关性的前K个特征;
步骤(2.3):引入了基于图注意力的特征提取器,建立异常检测模型,用于检测异常,其数学表达式如公式(5)-(9)所示:
其中,表示第i个特征在第t时间步的值,/>表示第i个特征在t时间点的聚合表示,W表示可学习的参数矩阵,/>表示将隐空间向量和经过线性变换后的向量的拼接,/>表示注意力系数,π(i,j)表示注意力得分,/>表示异常检测模型的预测值,/>表示在t时刻,第i个特征的真实异常数值,/>表示在t时刻,模型预测中第i个特征的异常数值,Erri(t)表示在t时刻的误差分数,ReLU和LeakyReLU分别表示relu和leakyrelu激活函数,/>表示拼接操作。
4.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法,其特征在于,
步骤(3)包括:
步骤(3.1):引入自相关机制,其数学表达式如公式(10)-(12)所示:
其中,表示周期长度为τ序列的置信度,L表示序列总数量,argTopk表示取前k个周期序列,τ1,…,τk表示前k个最置信的序列,/>表示经过SoftMax函数的序列置信度,Roll表示滑窗操作,/>表示经过线性映射后的值矩阵,Attention表示自注意力操作;
步骤(3.2):构建基于编-解码器的预测模块,其数学表达式如公式(13)-(15)所示:
其中,表示输入序列,/>表示分解出来的周期序列,/>表示分解出来的趋势序列,SeriesDecomp表示滑窗分解操作,/>表示最终预测结果。
5.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法,其特征在于,
步骤(4)中,训练过程采用Adam优化器进行梯度更新,权重衰减系数为0.0001,学习率为0.001,交叉熵损失作为损失函数。
6.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法,其特征在于,
步骤(5)中,:均方误差和平均绝对值误差的数学表达式如公式(16)-(17)所示:
其中,MSE为均方误差,MAE为平均绝对值误差,
表示在第i个时刻的真实值,/>表示在第i个时刻的预测值,t表示所有的时刻。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410026617.4A CN117829211A (zh) | 2024-01-08 | 2024-01-08 | 一种基于自注意力机制的光伏功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410026617.4A CN117829211A (zh) | 2024-01-08 | 2024-01-08 | 一种基于自注意力机制的光伏功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117829211A true CN117829211A (zh) | 2024-04-05 |
Family
ID=90509602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410026617.4A Pending CN117829211A (zh) | 2024-01-08 | 2024-01-08 | 一种基于自注意力机制的光伏功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117829211A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测***及方法 |
CN114399081A (zh) * | 2021-12-14 | 2022-04-26 | 国网浙江省电力有限公司金华供电公司 | 一种基于天气分类的光伏发电功率预测方法 |
CN115130661A (zh) * | 2022-07-05 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 模型参数的优化方法、时序数据的异常检测方法及装置 |
CN116881821A (zh) * | 2022-12-28 | 2023-10-13 | 国能大渡河检修安装有限公司 | 基于图神经网络的水轮机组监测数据异常检测方法及*** |
-
2024
- 2024-01-08 CN CN202410026617.4A patent/CN117829211A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104573879A (zh) * | 2015-01-30 | 2015-04-29 | 河海大学 | 基于最优相似日集的光伏电站出力预测方法 |
CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测***及方法 |
CN114399081A (zh) * | 2021-12-14 | 2022-04-26 | 国网浙江省电力有限公司金华供电公司 | 一种基于天气分类的光伏发电功率预测方法 |
CN115130661A (zh) * | 2022-07-05 | 2022-09-30 | 腾讯科技(深圳)有限公司 | 模型参数的优化方法、时序数据的异常检测方法及装置 |
CN116881821A (zh) * | 2022-12-28 | 2023-10-13 | 国能大渡河检修安装有限公司 | 基于图神经网络的水轮机组监测数据异常检测方法及*** |
Non-Patent Citations (1)
Title |
---|
游凯超: "Autoformer:基于深度分解架构和自相关机制的长期序列预测模型", pages 1 - 9, Retrieved from the Internet <URL:https://zhuanlan.zhihu.com/p/385066440> * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106059492A (zh) | 基于功率预测的光伏组件阴影故障类型判定方法 | |
Jiang et al. | Attention-LSTM architecture combined with Bayesian hyperparameter optimization for indoor temperature prediction | |
CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
Paoli et al. | Solar radiation forecasting using ad-hoc time series preprocessing and neural networks | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN115347571B (zh) | 基于迁移学习的光伏发电功率短期预测方法及装置 | |
CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
CN115983087A (zh) | 一种注意力机制与lstm结合检测时序数据异常方法及终端机 | |
CN116913098B (zh) | 一种融合空气质量与车流量数据的短时交通流预测方法 | |
CN116722545B (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及*** | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供***负荷预测方法 | |
CN117290716A (zh) | 一种基于KPCA-TCN-Attention的光伏阵列故障诊断方法 | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及*** | |
CN117829211A (zh) | 一种基于自注意力机制的光伏功率预测方法 | |
El Marghichi | A Solar PV Model Parameter Estimation Based on the Enhanced Self-Organization Maps | |
Xu et al. | Prediction of Daily Climate Using Long Short-Term Memory (LSTM) Model | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及*** | |
Marikkar et al. | Modified auto regressive technique for univariate time series prediction of solar irradiance | |
CN118069717B (zh) | 基于循环神经网络的时序数据特征预测方法 | |
Jin et al. | Research on multi-sensor information fusion algorithm of fan detection robot based on improved BP neural network | |
Amreen et al. | Solar power forecasting using hybrid model | |
CN117371824B (zh) | 一种基于光伏数据的异常检测方法及装置 | |
CN117688367B (zh) | 一种基于即时学习的风力发电超短期功率预测方法及装置 | |
CN118072873B (zh) | 一种空气质量预测方法 |
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 |