一种结合注意力机制以及误差修正的光伏功率预测方法技术

本发明专利技术为一种结合注意力机制以及误差修正的光伏功率预测方法，该方法包括以下内容：建立BiLSTM‑Attention神经网络模型；选取与待预测日相近的历史相似日的光伏发电序列为训练样本，并对历史相似日的光伏功率序列进行模态分解，得到不同的分量，然后以每个分量作为输入分别训练一个BiLSTM‑Attention神经网络模型，得到每个分量的预测值，所有分量的预测值相加得到总的预测值记为y1；同时，以训练样本直接训练一个BiLSTM‑Attention神经网络模型，得到训练样本的预测值，再将相似日的训练样本的预测值与真实的训练样本做差获得误差序列；对误差序列进行相同的分解、预测操作得到总的误差预测值记为y2；则最终的预测结果y为二者相加。实现了光伏功率预测结果的修正，使预测结果更加准确。

【技术实现步骤摘要】
一种结合注意力机制以及误差修正的光伏功率预测方法
本专利技术属于光伏发电预测
，具体涉及一种结合注意力机制以及误差修正的光伏功率预测方法，对光伏功率预测输出进行矫正，根据光伏功率历史数据，对光伏功率进行超短期预测。
技术介绍
由于化石能源受资源储量和环境问题等制约，开发利用可再生能源已成为全球能源发展的必然趋势。光伏发电作为一个具有广阔前景的清洁能源，正成为能源转型的主要方向，今年来发展迅速。但光伏发电的波动性严重阻碍了电网安全可靠的运行，这种波动性或随机性主要是由气象因素引起的，比如辐照度、温度和湿度等环境因素的变化，但预测结果的不准确也经常会对光伏的调度造成影响，从而当其大规模并网时会使其频率超过临界值从而对电网的安全经济运行造成危险。因此建立一个准确的光伏发电预测模型是解决这一问题的有效方法。基于此。本文提出了一种结合注意力机制以及误差修正的光伏功率预测方法，通过EEMD-BiLSTM-Attention-误差修正预测模型的建立，来提高光伏功率的预测精度。但文献《阳霜，罗滇生，何洪英，等.基于EMD-LSSVM的光伏发电系统本文档来自技高网...

【技术保护点】
1.一种结合注意力机制以及误差修正的光伏功率预测方法，该预测方法包括以下内容：/n建立注意力机制，将注意力机制的连接在BiLSTM神经网络的输入侧，构成BiLSTM-Attention神经网络模型；/n选取与待预测日相近的历史相似日的光伏发电序列为训练样本，并对历史相似日的光伏功率序列进行模态分解，得到不同的模态分量，然后以每个分量作为输入分别训练一个BiLSTM-Attention神经网络模型，得到每个分量的预测值，所有分量的预测值相加得到总的预测值记为y1；/n同时，选取与待预测日相近的历史相似日的光伏发电序列作为训练样本，该训练样本用于直接训练一个BiLSTM-Attention神经网络...

【技术特征摘要】
1.一种结合注意力机制以及误差修正的光伏功率预测方法，该预测方法包括以下内容：
建立注意力机制，将注意力机制的连接在BiLSTM神经网络的输入侧，构成BiLSTM-Attention神经网络模型；
选取与待预测日相近的历史相似日的光伏发电序列为训练样本，并对历史相似日的光伏功率序列进行模态分解，得到不同的模态分量，然后以每个分量作为输入分别训练一个BiLSTM-Attention神经网络模型，得到每个分量的预测值，所有分量的预测值相加得到总的预测值记为y1；
同时，选取与待预测日相近的历史相似日的光伏发电序列作为训练样本，该训练样本用于直接训练一个BiLSTM-Attention神经网络模型，得到训练样本的预测值，再将相似日的训练样本的预测值与真实的训练样本做差获得误差序列；
对误差序列进行模态分解，得到不同的误差序列分量，然后以每个误差序列分量作为输入分别训练一个BiLSTM-Attention神经网络模型，得到每个误差序列分量的预测值，所有误差序列分量的预测值相加得到总的误差预测值记为y2；
则最终的预测结果y为y＝y1+y2。


2.根据权利要求1所述的预测方法，其特征在于，两处模态分解采用集成经验模态分解EEMD，获得多个模态分量。


3.根据权利要求1所述的预测方法，其特征在于，所述注意力机制的输...

【专利技术属性】
技术研发人员：张家安，郝峰，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：天津;12