【技术实现步骤摘要】
本专利技术涉及一种光伏功率预测方法，尤其涉及一种融合时间模式特征的lstm超短期光伏功率预测方法及系统。
技术介绍
1、为实现“碳达峰、碳中和”目标，积极构建高比例可再生能源的新型电力系统是关键步骤。随着装机容量的不断提高，准确有效的新能源出力预测对保证电力系统稳定运行至关重要。光伏功率预测按照时间尺度可分为超短期，短期和中长期，其中，超短期预测的时间尺度为几小时，一般为4小时，时间分辨率为15分钟，预测精度要求更高，因此，准确高效的超短期预测方法对电网调度计划安排和储能配置具有重要意义。
2、为提升在实际工程中的应用价值，数据挖掘和组合预测的方法被广泛应用到新能源出力预测任务中，其中，数据挖掘方法分析原始数据分布，挖掘数据的深层特性，主要包括特征选择，聚类方法，信号分解等；组合预测方法参考多种数据映射建模思路，取代单一的建模方法，整体预测精度显著提高。对于特定的预测场景，需要考虑实际数据分布和实际任务需要，采用针对性的数据挖掘方法和建模思路，才能合理有效地提升预测表现。
3、目前，以卷积神经网络和长短期记忆网络为代表的深度学习算法凭借复杂的映射关系，成为研究热点之一，其中，卷积神经网络(cnn)常用于图像分类领域，能够挖掘局部的耦合特性；长短期记忆(lstm)网络常用于语音识别和时序建模领域，凭借特殊的门控结构与信息筛选能力，可以实现时序信息的长时间传递。针对深度学习算法的潜在优势，不少研究将其应用到光伏预测方向，例如，采取cnn从历史气象信息中提取特征向量，再采用lstm网络进行功率预测。由于气象运动
技术实现思路
1、专利技术目的：针对以上问题，本专利技术提出一种融合时间模式特征的lstm超短期光伏功率预测方法及系统，能够实现对光伏功率的短期高精度预测，并提高模型效率。
2、技术方案：本专利技术所采用的技术方案是一种融合时间模式特征的lstm超短期光伏功率预测方法，该方法用于超短期光伏功率预测，所述超短期预测的时间尺度为小时，包括：双分支输入预处理后的光伏功率实测数据和数值天气预报数据，分别采用改进型lstm模型进行特征学习得到特征序列，再融合光伏功率实测数据的特征序列和数值天气预报数据的特征序列，通过全连接层输出超短期光伏功率预测结果；所述改进型lstm模型包括lstm神经网络，改进型lstm模型的当前输入数据先与lstm神经网络的前一输出训练状态数据进行前置信息增益计算后，再输入lstm神经网络进行学习；所述lstm神经网络采用融合时间模式注意力机制的lstm神经网络，通过若干个一维卷积核对lstm神经网络中的隐藏层状态矩阵进行卷积获得注意力向量后，和原隐藏层状态进行融合，作为新的隐藏层状态矩阵。
3、所述前置信息增益计算包括改进型lstm模型的当前输入数据与lstm神经网络的前一输出训练状态数据进行哈达玛积运算。
4、所述前置信息增益计算，计算式为：
5、i为奇数，i∈[1...r]
6、i为偶数，i∈[1...r]
7、式中，r为交互计算轮数，超参数r可以通过实验分析判断；xi为第i轮交互计算的输入；为第i轮交互计算的状态；qi和ri为两层交互计算的相应参数，σ为sigmoid函数，⊙为哈达玛积。
8、所述lstm神经网络的计算式为：
9、ft＝σ(wf[ht-1xt]+bf)
10、it＝σ(wi[ht-1xt]+bi)
11、gt＝tanh(wg[ht-1xt]+bg)
12、ot＝σ(wo[ht-1xt]+bo)
13、ct＝ct-1⊙ft+it⊙gt
14、ht＝ot⊙tanh ct
15、式中，ft为t时刻的遗忘门状态；it为t时刻的输入门状态；gt为为t时刻的输入节点；ot为t时刻的输出门状态；ht-1和xt分别为t-1时刻的输出和t时刻的输入；wf,wi，wg，wo分别为输入变量在相应逻辑门中的权重矩阵；bf，bi，bg，bo分别为相应逻辑门中的偏置项；ct-1和ct分别为t-1和t时刻的状态变量；σ为sigmoid函数；tanh为双曲正切激活函数；⊙为哈达玛积。
16、历史实测数据和数值天气预报数据的预处理包括：数据清洗和归一化处理，并采用皮尔森相关系数法对采集的气象数据进行特征筛选，选择与光伏发电功率强关联的气象特征形成特征库；采用滑动时间窗口构建时间序列输入数据；所述数据清洗包括对异常数据进行标记，采用最近邻插值法填补异常数据与缺失数据。
17、对光伏功率预测模型进行训练，包括：采用训练集样本中的预测功率与实际功率进行损失值计算，并利用adam优化器优化均方误差损失函数，根据验证集的评估结果对超参数进行调整。其中，评估指标包括：平均绝对百分比误差和均方根百分比误差。
18、本专利技术还提出一种融合时间模式特征的lstm超短期光伏功率预测系统，包括：
19、数据存储模块，用于光伏功率实测数据和数值天气预报数据存储；
20、数据预处理模块，包括光伏功率实测数据预处理模块和数值天气预报数据预处理模块；
21、改进型lstm算法模块，包括两个并行的lstm算法模块，用于分别进行光伏功率实测数据和数值天气预报数据的特征学习，得到特征序列输出至数据预测模块；所述改进型lstm模型包括lstm神经网络，改进型lstm模型的当前输入数据先与lstm神经网络的前一输出训练状态数据进行前置信息增益计算后，再输入lstm神经网络进行学习；所述lstm神经网络采用融合时间模式注意力机制的lstm神经网络，通过若干个一维卷积核对lstm神经网络中的隐藏层状态矩阵进行卷积获得注意力向量后，和原隐藏层状态进行融合，作为新的隐藏层状态矩阵；
22、数据预测模块，包括特征融合模块和全连接层，特征融合模块用于融合光伏功率实测数据的特征序列和数值天气预报数据的特征序列，通过全连接层输出超短期光伏功率预测结果。
23、所述前置信息增益计算包括改进型lstm模型的当前输入数据与lstm神经网络的前一输出训练状态数据进行哈达玛积运算。
24、所述前置信息增益计算，计算式为：
25、i为奇数，i∈[1...r]
26、i为偶数，i∈[1...r]
27、式中，r为交互计算轮数，超参数r可以通过实验分析判断；xi为第i轮交互计算的输入；为第i轮交互计算的状态；qi和ri为两层交互计算的相应参数，σ为sigmoid函数，⊙为哈达玛积。
28、本专利技术提出一种计算机设备，包括存储器、处理器及存储在存储器上并可在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上述的融合时间模式特征的lstm本文档来自技高网...
【技术保护点】
1.一种融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，包括：双分支输入预处理后的光伏功率实测数据和数值天气预报数据，分别采用改进型LSTM模型进行特征学习得到特征序列，再融合光伏功率实测数据的特征序列和数值天气预报数据的特征序列，通过全连接层输出超短期光伏功率预测结果；其中所述改进型LSTM模型包括LSTM神经网络，改进型LSTM模型的当前输入数据先与LSTM神经网络的前一输出训练状态数据进行前置信息增益计算后，再输入LSTM神经网络进行学习；所述LSTM神经网络采用融合时间模式注意力机制的LSTM神经网络，通过若干个一维卷积核对LSTM神经网络中的隐藏层状态矩阵进行卷积获得注意力向量后，和原隐藏层状态进行融合，作为新的隐藏层状态矩阵。
2.根据权利要求1所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，所述前置信息增益计算包括改进型LSTM模型的当前输入数据与LSTM神经网络的前一输出训练状态数据进行哈达玛积运算。
3.根据权利要求2所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，所述前置信息增益计算
4.根据权利要求1所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于：所述LSTM神经网络的计算式为：
5.根据权利要求1所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，历史实测数据和数值天气预报数据的预处理包括：数据清洗和归一化处理，并采用皮尔森相关系数法对采集的气象数据进行特征筛选，选择与光伏发电功率强关联的气象特征形成特征库；采用滑动时间窗口构建时间序列输入数据；所述数据清洗包括对异常数据进行标记，采用最近邻插值法填补异常数据与缺失数据。
6.根据权利要求1所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，对光伏功率预测模型进行训练，包括：采用训练集样本中的预测功率与实际功率进行损失值计算，并利用Adam优化器优化均方误差损失函数，根据验证集的评估结果对超参数进行调整。
7.根据权利要求6所述的融合时间模式特征的LSTM超短期光伏功率预测方法，其特征在于，评估指标包括：平均绝对百分比误差和均方根百分比误差。
8.一种融合时间模式特征的LSTM超短期光伏功率预测系统，其特征在于，包括：
9.根据权利要求8所述的融合时间模式特征的LSTM超短期光伏功率预测系统，其特征在于，所述前置信息增益计算包括改进型LSTM模型的当前输入数据与LSTM神经网络的前一输出训练状态数据进行哈达玛积运算。
10.根据权利要求8所述的融合时间模式特征的LSTM超短期光伏功率预测系统，其特征在于，所述前置信息增益计算，计算式为：
11.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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权利要求1至7中任一项所述的融合时间模式特征的LSTM超短期光伏功率预测方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的融合时间模式特征的LSTM超短期光伏功率预测方法。
...【技术特征摘要】
1.一种融合时间模式特征的lstm超短期光伏功率预测方法，其特征在于，包括：双分支输入预处理后的光伏功率实测数据和数值天气预报数据，分别采用改进型lstm模型进行特征学习得到特征序列，再融合光伏功率实测数据的特征序列和数值天气预报数据的特征序列，通过全连接层输出超短期光伏功率预测结果；其中所述改进型lstm模型包括lstm神经网络，改进型lstm模型的当前输入数据先与lstm神经网络的前一输出训练状态数据进行前置信息增益计算后，再输入lstm神经网络进行学习；所述lstm神经网络采用融合时间模式注意力机制的lstm神经网络，通过若干个一维卷积核对lstm神经网络中的隐藏层状态矩阵进行卷积获得注意力向量后，和原隐藏层状态进行融合，作为新的隐藏层状态矩阵。
2.根据权利要求1所述的融合时间模式特征的lstm超短期光伏功率预测方法，其特征在于，所述前置信息增益计算包括改进型lstm模型的当前输入数据与lstm神经网络的前一输出训练状态数据进行哈达玛积运算。
3.根据权利要求2所述的融合时间模式特征的lstm超短期光伏功率预测方法，其特征在于，所述前置信息增益计算，计算式为：
4.根据权利要求1所述的融合时间模式特征的lstm超短期光伏功率预测方法，其特征在于：所述lstm神经网络的计算式为：
5.根据权利要求1所述的融合时间模式特征的lstm超短期光伏功率预测方法，其特征在于，历史实测数据和数值天气预报数据的预处理包括：数据清洗和归一化处理，并采用皮尔森相关系数法对采集的气象数据进行特征筛选，选择与光伏发电功率强关联的气象特征形成...
【专利技术属性】
技术研发人员：赵景涛，付明，黄堃，章寒冰，叶吉超，吴新华，赵波，倪筹帷，唐雅洁，龚迪阳，李志浩，林达，孙伟伟，
申请(专利权)人：国电南瑞科技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。