【技术实现步骤摘要】
基于多视角自适应特征融合的光伏发电功率预测方法
[0001]本专利技术涉及照明设备领域，尤其涉及一种基于多视角自适应特征融合的光伏发电功率预测方法。
技术介绍
[0002]近年来，在“双碳”的目标驱动下，我国在新能源发展领域取得了巨大成就，据国家能源局统计数据，截至2022年6月底，我国发电装机容量约24.4亿千瓦，同比增长8.1％，其中，风电累计装机容量约3.4亿千瓦，光伏发电累计装机约3.1亿千瓦，同比增长8.1％和25.8％，均居世界首位，大力发展光伏、风电、核电等可再生能源成为我国低碳转型发展的必然趋势。其中，太阳能就是一种清洁、安全、可持续的发电资源，用户在用电场地附近安装光伏发电系统设备后，不仅能够做到自发自用，还可以将多余电量输送给国家，平衡配电系统，这样就可以充分利用好当地的太阳能资源，替代和减少化石能源消费。然而，光伏发电有以下几种缺点：第一，光伏发电需要依赖太阳光，只有白天产生电力，发电方式具有间歇性。第二，光伏发电功率经常会随着太阳辐照度、温度等气象因素的变化而出现波动性。由以上两点可知，光伏发电功率具...
【技术保护点】
【技术特征摘要】
1.一种基于多视角自适应特征融合的光伏发电功率预测方法，其特征在于，其包括：S1：规定局部信息的特征数为n1，每个时间窗口所经历的时间为T1，数据颗粒度为T2，则一个时间窗口大小为win＝T1/T2，w为时间窗口个数，将每个时间窗口内的局部信息输入至时序特征提取模块，所述时序特征提取模块采用GRU门循环单元进行时序特征提取，其计算公式如下：式中，x
t
表示t时刻的局部信息h
t
‑1表示上一时刻的隐藏状态，r
t
表示重置门，z
t
表示更新门，σ(
·
)表示激活函数，W
r
、W
z
表示权重矩阵，b
r
、b
z
表示偏置向量；S2：根据所述r
t
、z
t
计算隐藏状态h
t
，其计算公式如下：式中，表示候选隐藏状态，h
t
表示经过GRU模块得到的t时刻隐藏状态，tanh(
·
)表示激活函数，*表示按元素运算，W
h
表示权重矩阵，b
h
表示偏置向量；所述隐藏状态h
t
为局部信息的时序特征，为w个时间窗口的时序特征提取模块的局部信息的时序特征；S3：将局部信息的所述时序特征输入至空间特征提取模块并得到局部信息的历史总特征，所述空间特征提取模块采用图卷积网络进行空间特征提取，其计算公式为：式中，表示邻接矩阵，表示单位矩阵，表示由邻接矩阵A
l
与单位矩阵I
l
相加得到的可达矩阵，k代表图卷积网络的层数，W
l(k)
表示图卷积网络的第k层权重矩阵，σ(
·
)表示激活函数，表示的对角度矩阵；表示第i个时间窗口的图卷积网络的初始输入，也是时序特征模块输出口的图卷积网络的初始输入，也是时序特征模块输出表示第i个时间窗口的第k层图卷积输出的特征矩阵，定义其为历史特征那么为w个时间窗口的空间特征提取模块的局部信息的历史总特征；S4：规定全局信息的特征数为n2，采集全局信息的时间长度为T3，数据颗粒度为T4，将全局信息输入至所述空间特征提取模块的图卷积网络中，经过k层学习后得到全局信息的未来总特征Z
G
,其计算公式如下：
式中，表示邻接矩阵，表示单位矩阵，表示由邻接矩阵A
g
与单位矩阵I
g
相加得到的可达矩阵，k代表图卷积网络的层数，表示图卷积网络的第k层权重矩阵，σ(
·
)表示激活函数，表示的对角度矩阵，表示图卷积网络的初始输入，也是全局信息X
g
，为第k层的图卷积网络输出的特征矩阵，定义其为未来总特征Z
G
；S5：将所述局部信息X
l
和全局信息X
g
输入至参数共享空间提取模块并得到共享历史特征与共享未来特征，所述参数共享空间提取模块采用共享图卷积网络进行共享特征提取，其计算公式为：式中，W
c(k)
表示第k层共享参数模块的权重矩阵，表示含义与S3步骤中相同，和表示含义与S4步骤中相同，σ(
·
)表示激活函数，表示第i个时间窗口的第k层共享图卷积网络输出的历史特征矩阵，定义其为共享历史特征图卷积网络输出的历史特征矩阵，定义其为共享历史特征表示第k层共享图卷积网络输出的未来特征矩阵，定义其为共享未来特征S6：将所述局部信息的历史总特征全局信息的未来总特征共享未来特征以及共享历史特征输入至注意力融合模块；借助未来总特征为每个时间窗口的历史总特征分配注意力权重，公式如下：式中，att(
·
)表示注意力函数，α1,α2,...,α
w
∈R
h
分别表示历史总特征的注意力权重，att函数具体计算公式如下：式中，ω
i
∈R
1*h
表示第i个时间窗口历史总特征各维度的关注值，ω∈R
w*h
表
示w个时间窗口的ω
i
组成的关注值矩阵，表示权重矩阵，b
A
∈R
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。