【技术实现步骤摘要】
一种基于注意力及深度学习的光伏发电量预测系统及方法
[0001]本专利技术属于光伏发电量预测
，具体是涉及一种基于注意力及深度学习的光伏发电量预测系统及方法。
技术介绍
[0002]近年来随着光伏发电相关技术的不断提高，光伏发电成为了重要的发电方式之一。国家大力发展光伏发电作为清洁能源，以实现“碳达峰”，“碳中和”目标，但由于光伏发电本身的性质，其输出的功率并不确定，在实际应用中需要对其输出功率进行预测，以便更好调整发电结构。
[0003]目前的光伏预测大多通过智能算法，深度学习等方法实现；相比于传统算法，深度学习的效率更高，效果更好。但基于深度学习的预测算法大多基于卷积神经网络，长短期记忆网络等网络，在信息提取方面，单一的网络大多只能单一的提取同一时刻的多变量信息，或者在时间维度上提取单一变量的时序特征。如专利申请CN115347571A提出了一种基于迁移学习的光伏发电功率短期预测方法及装置，其基于迁移学习的数据集迁移，对光伏发电功率数据变分模态分解，然后构建预测模型，对光伏发电功率预测；该技术方案基于迁移学...
【技术保护点】
【技术特征摘要】
1.一种基于注意力及深度学习的光伏发电量预测系统，其特征在于，所述系统包括训练模块、数据预处理模块、transformer网络模块、CNN网络模块及应用模块；所述数据预处理模块对数据集进行预处理，并生成训练集；所述训练模块使用transformer网络模块、CNN网络模块进行训练和预测；所述transformer网络模块基于注意力机制提取时序特征，并预测下一时刻的值，生成时序预测结果；所述CNN网络模块对训练集的数据及时序预测结果进行训练，生成最终预测结果；所述应用模块通过训练好的模型，对于发电量预测任务输出预测结果；其中，CNN网络模块包括2层一维卷积层，1层一维最大池化层，2层全连接层；2层全连接层之间通过ReLU激活函数,连接，一维卷积层卷积核大小为3，池化层大小为2；CNN网络接受transformer网络输出作为参数，但transformer网络不参与反向传播；CNN网络模块和transformer网络模块之间使用残差连接，记transformer网络输出为；分别在CNN网络模块的输入层，以及CNN网络模块的第一层全连接层输入CNN网络；CNN网络模块的输入数据包括以及数据集中的多变量部分，输入数据首先通过卷积层提取关联信息，然后由池化层对信息降维，最后通过残差连接至全连接层输出得到预测值。2.根据权利要求1所述的一种基于注意力及深度学习的光伏发电量预测系统，其特征在于，所述transformer网络模块包括位置编码层、基于注意力机制的6个transformer编码器、基于注意力机制的6个transformer解码器、全连接层和Softmax输出层；其中每个transformer编码器依次由多头注意力层和全连接前馈网络层组成，这两个子层各自通过残差和归一化层连接至下一层；transformer解码器依次由带有掩码的多头注意力层、继承编码器权重的多头注意力层和全连接前馈网络层组成，各个子层各自通过残差和归一化层连接至下一层。3.一种基于注意力及深度学习的光伏发电量预测方法，其特征在于，基于权利要求1
‑
2任一项所述的系统进行光伏发电量预测，所述方法步骤为：S1、收集智能电网中光伏电站的各项数据，对缺漏异常数据进行预处理；S2、将训练数据输入训练模块，使用训练数据集训练transformer网络，并使用训练数据集以及以训练的transformer网络训练CNN网络；S3、训练完成后启动预测程序，将待预测数据转换为输入向量格式，输入到训练完成的网络中，输出发电量预测值。4.根据权利要求3所述的一种基于注意力及深度学习的光伏发电量预测方法，其特征在于，步骤1中，对缺漏异常数据进行预处理具体为：S101、获取目标电站的数据集，并根据每条数据的时间戳得到对应的月份和小时，将月份及小时合并进数据集并删除时间戳；S102、针对每一条数据，首先检查每条数据是否在设置的阈值范围内，若发现异常数据则将这项数据置空；S103、检查每条数据内完整性；若数据为空，则先判定缺失部分数据项上下两条数据是否为空；若不为空则将上下两条数据的平均值作为该项数据的值，否则，使用前三天该项数据的平均值作为该项数据的值；
S104、检查数据是否缺失；通过检查时间戳是否和上一条数据间隔为一次标准采样时间间隔，若间隔时间超过一次标准采样时间间隔，即代表出现数据缺失；首先计算间隔时间，若间隔时间是2个标准采样时间间隔，即只有一条数据缺失，则将上下两条数据的平均值...
【专利技术属性】
技术研发人员：孙雁飞，赵闻涛，亓晋，许斌，董振江，
申请(专利权)人：南京邮电大学，
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。