【技术实现步骤摘要】
本专利技术属于新能源与电力系统，具体涉及一种光伏发电功率预测方法及装置。
技术介绍
1、光伏（pv）技术被广泛用于补充火力发电。光伏发电量预测越准确，电网运行越可靠。因此，开发一种高质量的光伏功率预测方法是解决该问题的关键。
2、光伏发电预测与人工智能中的时间序列预测任务具有高度的适应性。在深度学习的预测模型研究方面，特别是循环神经网络（rnn）模型自诞生以来就受到了广泛的关注。它的变体长短期记忆网络（lstm）和门控循环单元网络（gru）以其门控机制，擅长捕获和处理数据的长期依赖性，使其适合循环数据。与lstm相比，gru的参数更少，计算时间更快。在当前的深度学习光伏发电预测模型中，虽然其表现出较为出色的预测精度和自适应性，但仍存在一定的局限性。例如，现有模型往往依赖大量的历史数据和高性能计算资源以及在进行光伏数据信息的捕捉时仅仅考虑了单向的信息捕捉，而没有全面进行光伏数据的信息捕捉，这使得它们在实际应用中面临数据稀缺和计算开销过大的挑战。此外，随着天气、季节和光照条件的动态变化，模型的泛化能力尚待提升，尤其是在处理复杂且突发的环境因素时，预测结果可能出现较大的偏差。
3、中国专利公开号为cn117993553a，名称为一种集中式光伏电站发电功率预测方法及装置的专利申请，方法包括：获取光伏电站的光伏发电原始数据集；根据光伏发电原始数据集的数据，进行一次数据处理得到间接数据集；对各所述数据集中的数据进行二次数据处理后生成样本数据集；利用样本数据集构造训练集，以对光伏发电功率预测模型进行训练，得到最优光伏发
技术实现思路
1、为了克服上述现有技术中存在的问题，本专利技术的目的在于提供一种光伏发电功率预测方法及装置，通过提供基于双向深度网络的光伏发电功率预测方法。解决了现有技术中存在的光伏数据信息捕捉不够全面以及预测模型的泛化能力和进行光伏预测不够精准问题。
2、为实现上述目的，本专利技术采用的技术方案是：
3、第一方面，本专利技术提供一种光伏发电功率预测方法，包括以下步骤：
4、根据预设的采样间隔采集光伏电站的历史气象数据以及发电功率数据；
5、通过构建双向时间卷积层捕捉提取光伏发电输入时间序列中的长时依赖关系，同时保证局部特征的提取；使用双向门控循环单元捕捉时间序列中的上下文依赖关系，提取光伏发电功率的非线性时变特征；通过全局注意力模型优化双向门控循环单元动态调整时间步的权重，在每个时间步，全局注意力模型根据当前目标状态和所有源状态推断出一个变长对齐权重向量，根据变长对齐向量计算全局上下文向量作为所有源状态的加权平均值；
6、通过已构建的光伏发电预测模型对训练集训练；
7、采用单步预测或多步预测模式进行光伏发电预测，生成连续的光伏发电功率序列；
8、通过生成的光伏发电功率预测序列预测光伏发电功率。
9、可选地，利用时间戳对气象数据和发电功率数据进行同步：
10、
11、其中，是在时间上光伏发电数据和气象数据之间的时间对齐误差，是在时间点上的光伏发电数据时间戳，是在时间点上的气象数据时间戳。
12、可选地，对采集的光伏发电功率数据缺失值进行插值算法填充缺失值：
13、
14、其中，是对光伏发电数据填充后的值，是当前缺失值之前的已知值，是当前缺失值之后的已知值，是缺失值的数量。
15、可选地，双向时序卷积网络的时序卷积操作采用公式：
16、
17、
18、
19、式中，为对光伏数据进行卷积之后的输出，是卷积核的权重，为光伏数据输入序列的时间步，为卷积核的宽度，和分别表示对光伏数据集的前向和后向卷积的输出，表示卷积操作，是卷积窗口的大小。
20、可选地，双向门控循环单元采用公式：
21、
22、
23、
24、式中，是一种传统的gru网络计算过程，和分别是当前前向隐藏层的状态和权重，、分别是当时后向隐藏层状态和权重，是时间时隐藏层状态的偏移量。
25、可选地，双向门控循环单元的隐藏层单元数设置为64、网络层数设置为2，dropput比例设置为0.3，学习率设置为0.001，优化器采用adam优化器。
26、第二方面，本专利技术提供一种光伏发电功率预测系统，包括：
27、数据采集模块，用于根据预设的采样间隔采集光伏电站的历史气象数据以及发电功率数据；
28、模型构建模块，用于通过构建双向时间卷积层捕捉提取光伏发电输入时间序列中的长时依赖关系，同时保证局部特征的提取；使用双向门控循环单元捕捉时间序列中的上下文依赖关系，提取光伏发电功率的非线性时变特征；通过全局注意力模型优化双向门控循环单元动态调整时间步的权重，在每个时间步，全局注意力模型根据当前目标状态和所有源状态推断出一个变长对齐权重向量，根据变长对齐向量计算全局上下文向量作为所有源状态的加权平均值；
29、模型训练模块，用于通过已构建的光伏发电预测模型对训练集训练；
30、预测序列生成模块，用于采用单步预测或多步预测模式进行光伏发电预测，生成连续的光伏发电功率序列；
31、功率预测模块，用于通过生成的光伏发电功率预测序列预测光伏发电功率。
32、第三方面，本专利技术提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述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所述光伏发电功率预测方法。
33、第四方面，本专利技术提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述光伏发电功率预测方法。
34、第五方面，本专利技术提供一种包括计算机可读介质的计算机程序产品，在所述计算机可读介质上包含计算机可读程序代码，所述程序代码执行所述光伏发电功率预测方法。
35、与现有技术相比，本专利技术具有以下有益效果：
36、本专利技术的一种光伏发电功率预测方法，提供了基于双向深度网络的光伏发电功率预测方法，克服了现有技术存在的光伏发电预测在实时数据处理和模型自适应调整方面不足、预测精度不高的问题，不依赖大量的历史数据和高性能计算资源。在进行光伏数据信息的捕捉时，考虑了双向的信息捕捉，能够在实际应用中，面对处理复杂且突发的环境因素时，进行更准确地预测。
37、进一步，本专利技术的一种光伏发电功率预测方法结合了双向时间卷积网络、双向门控循环单元以及全局注意力机制，能够提高预测精度。
本文档来自技高网...【技术保护点】
1.一种光伏发电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，利用时间戳对气象数据和发电功率数据进行同步：
3.根据权利要求1所述的一种光伏发电功率预测方法，对采集的光伏发电功率数据缺失值进行插值算法填充缺失值：
4.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，双向时序卷积网络的时序卷积操作采用公式：
5.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，双向门控循环单元采用公式：
6.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，双向门控循环单元的隐藏层单元数设置为64、网络层数设置为2，Dropput比例设置为0.3，学习率设置为0.001，优化器采用Adam优化器。
7.一种光伏发电功率预测系统，其特征在于，包括：
8.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述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权利要求1-6任一项所述光伏发电功率预测方法。<...
【技术特征摘要】
1.一种光伏发电功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，利用时间戳对气象数据和发电功率数据进行同步：
3.根据权利要求1所述的一种光伏发电功率预测方法，对采集的光伏发电功率数据缺失值进行插值算法填充缺失值：
4.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，双向时序卷积网络的时序卷积操作采用公式：
5.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，双向门控循环单元采用公式：
6.根据权利要求1所述的一种光伏发电功率预测方法，其特征在于，双向门控循环单元的隐藏层单元数设置为64、网络层数设置为2，dropput比例设置为0...
【专利技术属性】
技术研发人员：闫秀英，赵山西，何许馨，李阳，
申请(专利权)人：西安建筑科技大学，
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。