一种基于DCLSTNet神经网络模型预测光伏发电量的方法技术

本发明专利技术公开一种基于DCLSTNet神经网络模型预测光伏发电量的方法，涉及光伏发电领域。该基于DCLSTNet神经网络模型预测光伏发电量的方法，包括以下的步骤：S1：问题引入；S2：纵向卷积层；S3：横向卷积层；S4：循环层；S5：跳接记忆循环层；S6：线性自回归；S7：整合预测；S8：优化策略。该基于DCLSTNet神经网络模型预测光伏发电量的方法，采用DCLSTNet模型，充分考虑并挖掘了光伏发电过程数据的相关性，整合线性(VAR模型)和非线性(深度神经网络模型)模型的输出，并对结果进行预测，更好的体现了数据价值，相较于传统的根据天气进行测算，大数据预测算法有着准确并且成本低廉的优点。测算法有着准确并且成本低廉的优点。测算法有着准确并且成本低廉的优点。

【技术实现步骤摘要】
一种基于DCLSTNet神经网络模型预测光伏发电量的方法


[0001]本专利技术涉及光伏发电
，具体为一种基于DCLSTNet神经网络模型预测光伏发电量的方法。

技术介绍

[0002]在传统能源开采日益见底且生态环境急剧恶化的今天，太阳能作为一种清洁能源并且储量丰富，加之目前光伏发电技术日益成熟，光伏发电已经被国际公认为最具竞争性的一项能源技术之一。然而，光伏发电也存在明显的缺点，光伏发电严重受制于环境的影响，导致光伏发电不稳定以及不连续。因此，在一些应用场景，如光伏、储能以及电网共同作用的园区等，通过预测光伏发电量来实现园区绿电有着重要的意义。
[0003]目前行业中对于光伏的预测存在多种方式，有采用支持向量回归机模型进行光伏发电量预测，但该模型把光伏发电量随时间变化的预测问题看做是具有时变参数的回归问题，假定光伏数据服从某种概率分布或是具体的函数形式，而这些具有具体表达式的模型通常无法捕获数据背后潜在的复杂非线性趋势；也有使用深度神经网络的进行光伏发电量预测，如LSTM。但在超长记忆情况下，LSTM模型也存在梯次减弱的问题导致预测不准的问题。此外，也有通过安装精密的设备，能够短时间内捕捉天气变化，但高昂的成本又让人望而却步。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术公开了一种基于DCLSTNet神经网络模型预测光伏发电量的方法，以解决上述
技术介绍
中提出的问题。
[0006](二)技术方案
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：一种基于DCLSTNet 神经网络模型预测光伏发电量的方法，包括以下的步骤：
[0008]S1：问题引入，在光伏发电预测中，选取影响光伏发电的N个因子，如天气、辐射强度、温度、湿度、光照时长、灰尘覆盖度、发电量等各个数据因子；
[0009]S2：纵向卷积层，通过在图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核，使用多张列向量组成的卷积核，沿着时间轴方向对各个数据因子进行纵向卷积，得到多张二维卷积特征图，之后把多张特征图组合成一张二维特征图，提取光伏发电数据的自相关特征；
[0010]S3：横向卷积层，使用多张宽度等于光伏发电数据特征数的卷积核，沿着时间轴的方向对上一步操作得到的特征图进行横向卷积，提取光伏发电数据变量间的互相关特征；
[0011]S4：循环层，把横向卷积得到的多张向量特征图送入GRU循环神经网络，提取光伏发电数据的长短期趋势；
[0012]S5：跳接记忆循环层，跳接记忆循环神经网络，从而扩大了信息流动的范围，使得循环神经网络可以设计得更长，记忆的信息更多，而不用担心梯度减弱的问题，可以捕获光伏发电中的超长期趋势；
[0013]S6：线性自回归，在非线性网络的基础上叠加了线性模型，线性模型对输入数据变化十分敏感，及时捕获到周期变化的趋势；
[0014]S7：整合预测，整合线性(VAR模型)和非线性(深度神经网络模型)模型的输出，并对结果进行预测；
[0015]S8：优化策略，对于大多数预测任务，均方误差是默认的目标函数，可以采取随机梯度下降(SGD)或者Adam优化器对目标函数进行优化。
[0016]优选的，所述光伏的发电历史数据Y＝{y1，y2，...，y
t
}，n是变量的维度，其中y
t
代表t时刻发电量的相关数据，它是一个1
×
n的行向量，向量中的每一个数据代表一个特征。
[0017]优选的，所述纵向卷积操作的目的是提取变量自身的自相关特征，纵向卷积层使用多个维度为w
×
1的卷积核(w代表卷积核的高度)；
[0018]第k个卷积核扫过矩阵X
t
得到:
[0019]Xk＝ReLU(Wk*Xt+bk)
[0020]之后把得到的多张二维特征图x
k
线性加权组合成一张二维特征图；
[0021][0022]其中：*表示卷积操作；x
k
代表纵向卷积得到的二维特征图；ReLU表示激活函数，定义为ReLU(x)＝max(0，x)；N
c
代表纵向卷积核的数量；x
k
(i，j)表示第张特征图在第i行第j列位置的数值；Z
t
(i，j)。
[0023]优选的，所述横向卷积神经网络(不包含池化操作)的目的是提取变量之间的互相关特征；横向卷积层使用多个维度为w
×
n的卷积核(其中：n代表卷积核的宽度，也等于时间序列数据特征的数目；w代表卷积核的高度)；第 k个卷积核扫过矩阵X
t
得到
[0024]h
k
＝ReLU(w
k
*Z
t
+b
k
)
[0025]其中：*表示卷积操作；卷积输出h
k
是一维向量，为了使卷积得到的每一个 h
k
的长度为T，当h
k
＜T时，则在h
k
的左边填充0使其长度为T，卷积层输出一个大小为的矩阵，d
c
等于横向卷积核的数量。
[0026]优选的，所述门控循环体(GRU)作为循环神经网络的循环体，并使用ReLU 激活函数作为隐藏层的激活函数；在t时刻，隐藏层的计算公式为
[0027]r
t
＝σ(x
t
W
xr
+h
t
‑1W
hr
+b
r
[0028]u
t
＝σ(x
t
+W
xu
+h
t
‑1W
hu
+b
u
)
[0029]c
t
＝ReLU(x
t
W
xc
+r
t
⊙
(h
t
‑1W
hc
)+b
c
)
[0030]h
t
＝(1
‑
u
t
)
⊙
h
t
‑1+u
t
⊙
c
t
[0031]其中：
⊙
表示矩阵点乘；σ表示sigmoid激活函数；x
t
表示t时刻当前层的输入，当前层输出是前t
‑
T个时刻循环神经网络的记忆{h
t
‑
T
，
…
，h
t
‑1，h
t
}。
[0032]优选的，所述跳接循环层的更新公式为
[0033]r
t
＝σ(x
...

【技术保护点】

【技术特征摘要】
1.一种基于DCLSTNet神经网络模型预测光伏发电量的方法，其特征在于，包括以下的步骤：S1：问题引入，在光伏发电预测中，选取影响光伏发电的N个因子，如天气、辐射强度、温度、湿度、光照时长、灰尘覆盖度、发电量等各个数据因子；S2：纵向卷积层，通过在图像处理时，给定输入图像，输入图像中一个小区域中像素加权平均后成为输出图像中的每个对应像素，其中权值由一个函数定义，这个函数称为卷积核，使用多张列向量组成的卷积核，沿着时间轴方向对各个数据因子进行纵向卷积，得到多张二维卷积特征图，之后把多张特征图组合成一张二维特征图，提取光伏发电数据的自相关特征；S3：横向卷积层，使用多张宽度等于光伏发电数据特征数的卷积核，沿着时间轴的方向对上一步操作得到的特征图进行横向卷积，提取光伏发电数据变量间的互相关特征；S4：循环层，把横向卷积得到的多张向量特征图送入GRU循环神经网络，提取光伏发电数据的长短期趋势；S5：跳接记忆循环层，跳接记忆循环神经网络，从而扩大了信息流动的范围，使得循环神经网络可以设计得更长，记忆的信息更多，而不用担心梯度减弱的问题，可以捕获光伏发电中的超长期趋势；S6：线性自回归，在非线性网络的基础上叠加了线性模型，线性模型对输入数据变化十分敏感，及时捕获到周期变化的趋势；S7：整合预测，整合线性(VAR模型)和非线性(深度神经网络模型)模型的输出，并对结果进行预测；S8：优化策略，对于大多数预测任务，均方误差是默认的目标函数，可以采取随机梯度下降(SGD)或者Adam优化器对目标函数进行优化。2.根据权利要求1所述的一种基于DCLSTNet神经网络模型预测光伏发电量的方法，其特征在于：所述光伏的发电历史数据Y＝{y1，y2，...，y
t
}，n是变量的维度，其中y
t
代表t时刻发电量的相关数据，它是一个1
×
n的行向量，向量中的每一个数据代表一个特征。3.根据权利要求1所述的一种基于DCLSTNet神经网络模型预测光伏发电量的方法，其特征在于：所述纵向卷积操作的目的是提取变量自身的自相关特征，纵向卷积层使用多个维度为w
×
1的卷积核(w代表卷积核的高度)；第k个卷积核扫过矩阵X
t
得到：X
k
＝ReLU(W
k
*X
t
+b
k
)之后把得到的多张二维特征图x
k
线性加权组合成一张二维特征图；其中：*表示卷积操作；x
k
代表纵向卷积得到的二维特征图；ReLU表示激活函数，定义为ReLU(x)＝max(0，x)；N
c
代表纵向卷积核的数量；x
k
(i，j)表示第张特征图在第i行第j列位置的数值；Z
t
(i，j)代表合并之后的特征图在第i行第j列位置的数值。4.根据权利要求1所述的一种基于DCLSTNet神经网络模型预测光伏发电量的方法，其特征在于：所述横向卷积神经网络(不包含池化操作)的目的是提取变量之间的互相关特
征；横向卷积层使用多个维度为w
×
n的卷积核(其中：n代表卷积核的宽度，也等于时间序列数据特征的数目；w代表卷积核的高度)；第k个卷积核扫过矩阵X
t
得到h
k
＝ReLU(w
k
*Z
t
+b
k
)其中：*表示卷积操作；卷积输出h
k
是一维向量，为了使卷积得到的每一个h
k
的长度为T，当h
k
＜T时，则在h
k
的左边填充0使其长度为T，卷积层输出一个大小为的矩阵，d
c
等于横向卷积核的数量。5.根据权利要求1所述的一种基于DCLSTNet神经网络模型预测光伏发电量的方法，其特征在于：所述门控循环体(GRU)作为循环神经网络的循环体，并使用ReLU激活函数作为隐藏层的激活函数；在t时刻，隐藏层的计算公式为r
t
＝σ(x
t
W
xr
+h
t

【专利技术属性】
技术研发人员：潘飞，
申请(专利权)人：江苏慧智能源工程技术创新研究院有限公司，
类型：发明
国别省市：