基于层级关系实现太阳能发电量预测的方法技术

本发明专利技术公开了一种基于层级关系太阳能发电量预测系统及其设计方法，本设计方法挖掘到太阳能数据的特殊重要特性，即层级结构：发电机

【技术实现步骤摘要】
基于层级关系实现太阳能发电量预测的方法


[0001]本专利技术涉及太阳能发电技术，更具体地说，涉及太阳能发电量的预测。

技术介绍

[0002]太阳能热发电的发电方式，是集光热转换发电、大规模储热和电网同步机特性于一身的可再生能源发电方式，正因为电网友好型特性收到越来越多工厂、家庭的使用。
[0003][0004]国家对太阳能发电给予大气支持，为了保护环境和减少电力消耗，如何将太阳能资源合理利用是一个急需解决的问题，例如，对于一个工厂发电站来说，将实时数据进行分析，会降低电力被浪费的概率，并且通1过预测的结果得到简单、直接、客观的结论，有利于工厂的经营决策。当发电站提供一段时间内某类型数据的使用情况，如果可以还会提供相关的数据特征，比如：每个发电站所包含的发电机数量、每个发电机特殊的特征。将数据作为预测模型的输入，就可以得到某个时间或者某段时间的结果，方便后续分析利用。
[0005]时间序列预测技术更新换代很频繁，从基础到复杂都经历了不少的改革换代。传统的预测模型包括线性自回归方法，比如ARIMA模型(差分整合移动平均自回归模型Autoregressive Integrated Moving Average model)，还有一些机器学习模型比如ANN(人工神经网络Artificial Neural Network)，SVR(支持向量回归support vector regression，是支持向量机SVM的重要的应用分支)，还有一些深度学习模型RNN(循环神经网络Recurrent Neural Networks)，LSTM(长短期记忆网络Long Short
‑
Term Memory)。
[0006]随着信息时代的到来，数据量增多，对于发电机数据来说，气候条件环境因素是影响发电机效率的主要原因，若发电机位置相近，那么所处的环境条件相似，受到的光照、适度、温度都是相似的，也就是说明位置相近的发电机的发电功率相关性强。所以数据会因为地理结构出现一种层级关系(该层级关系会在后文详细介绍)。
[0007]现阶段对层级数据也有一些研究，可以使用基础序列来分解时间序列，使用嵌入均值属性代替数据的均值来达到一个模型的限制，提升就矩阵分解的正确性。有人提出了一种新的应用深度因子模型的全局
‑
局部方法，该方法更加全面考虑了深度神经网络和图结构。有人提出了具有缺失值的高维时间序列的正则化方法，将该预测技术所需的矩阵分解的方法提升了一个新高度。提出用一个时间卷积技术达到矩阵分解的正则化。有人提出使用图卷积和时间卷积来预测多元时间序列。目前来看，并没有一个解决针对具有层级关系的时间序列数据进行预测的特别合适的方案。

技术实现思路

[0008]本专利技术提出一种基于层级关系实现太阳能发电量预测的方法，通过合理的探究太阳能发电机层级数据的特征，达到准确预测的目的，旨在解决如下问题：
[0009]1、在时间层面。对于光电时序数据来水，时间跨度大，因为会涉及到多年的数据，过去的设计方法由于数据量过长，会存在遗忘的问题，如何提升由于数据量长预测结果不
准确是一个挑战。
[0010]2、在数据量方面。随着国家对光电技术重视程度加大，技术也在逐年发展，发电机总数逐渐增加。目前现有的技术是应用图网络，捕捉数据和数据之间有密切不可分的相关性。但是在本专利技术看来，发电机中不仅仅有相关性，还有更加深层的结构，即层级关系，如何体现层级关系的重要性，也是本技术的挑战。
[0011]3、发电机数据之间存在动态变化。发电机会由于情况进行调整，也会随着外界情况越发严酷，损耗量增加，发电机也会进行更新换代，也会由于地理位置的改变，发电机之间就会出现动态变化。所以如何提取之间的动态变化的图关系也是一种挑战。
[0012]为了达到上述目的，本专利技术提供了一种基于层级关系实现太阳能发电量预测的方法，包括如下步骤：
[0013]S1、数据处理；
[0014]获取原始数据：原始数据是二维数据，纵坐标发电机种类，横坐标为历史时间、每日发电机历史发电量、每种发电机所在区域、所在发电站、所在发电站的历史发电量、历史逆变器功率、历史放电器功率、发电机类型、温度、光照、湿度、太阳辐照度、土壤湿度、CO2、气压、风向、瞬时风速、星期、月份、年份、季节、节假日类型；
[0015]使用数据补全，对齐时间所有历史时间，整合数据；
[0016]得到三维数据定义为X∈R
N*T*D
，发电量层级数据的时间用T表示包括所有的历史时间，每个值为一天，包括发电机数量N，除此以外的所有特征整体定义为D称之为总体特征；预测使用量Y∈R
N*1
，代表所有发电机在未来一天的发电量；获取层级结构的信息：有N个发电机，每个发电机属于哪个区域，有N1种区域，这些区域属于哪个发电站，有N2种发电站；
[0017]S2、滑动时间窗口模块；
[0018]输入：将X输入滑动时间窗口模块中；
[0019]所述窗口模块的过程：在X中以步长p，窗口长度T
′
向右滑动，以获取时间窗口；步长为每次向右滑动p次得到一个时间窗口；
[0020]输出：将时间序列数据转换成多个时间窗口数据，最后这些时间窗口的数量为c，第i个时间窗口为X
i
∈R
N*T
′
*D
，i∈[1，2，...，c]，其中c＝T
‑
(T
′‑
p)；其中每个时间窗口对应的发电量为该时间长度下一段时间结点的发电量；
[0021]S3、分配矩阵模块；
[0022]由S1获取得到发电机数量N、区域数量N1、发电站数量N2；
[0023]设置零矩阵S1维度为N*N1，其中第一个为维度是发电机个数，第二个维度是区域个数，若在X中，第i个发电机属于第j个区域：则S1中第i行第j列的数值置为1，得到分配矩阵S1，将所有区域所属于发电站的个数定为N2；
[0024]设置零矩阵S2维度为N1*N2，其中第一个为维度是区域个数，第二个维度是发电站个数，若在X中，第i个区域属于第j个发电站：则S2中第i行第j列的数值置为1，得到分配矩阵S2；
[0025]由发电机数据本身的层级关系得分配矩阵S1，S2；
[0026]S4、时间图学习层模块；包括步骤S41和步骤S42；
[0027]步骤S41，矩阵分解：
[0028]随机生成两个矩阵，分别为结点嵌入矩阵N
w
∈R
N*k
，时间嵌入矩阵T
w
∈R
c*k
，k为嵌入
维度，每一行N
w
[i，：]代表第i个结点嵌入向量，每一行T
w，j
＝T
w
[j，：]代表第j个时间窗口嵌入向量；将第i个结点和第j个时间窗口对应的嵌入向量相乘，得到对应时间窗口未来发电量的值；N
w
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于层级关系实现太阳能发电量预测的方法，其特征在于，包括如下步骤：S1、数据处理；获取原始数据：原始数据是二维数据，纵坐标发电机种类，横坐标为历史时间、每日发电机历史发电量、每种发电机所在区域、所在发电站、所在发电站的历史发电量、历史逆变器功率、历史放电器功率、发电机类型、温度、光照、湿度、太阳辐照度、土壤湿度、CO2、气压、风向、瞬时风速、星期、月份、年份、季节、节假日类型；使用数据补全，对齐时间所有历史时间，整合数据；得到三维数据定义为X∈R
N*T*D
，发电量层级数据的时间用T表示包括所有的历史时间，每个值为一天，包括发电机数量N，除此以外的所有特征整体定义为D称之为总体特征；预测使用量Y∈R
N*1
，代表所有发电机在未来一天的发电量；获取层级结构的信息：有N个发电机，每个发电机属于哪个区域，有N1种区域，这些区域属于哪个发电站，有N2种发电站；S2、滑动时间窗口模块；输入：将X输入滑动时间窗口模块中；所述窗口模块的过程：在X中以步长p，窗口长度T
′
向右滑动，以获取时间窗口；步长为每次向右滑动p次得到一个时间窗口；输出：将时间序列数据转换成多个时间窗口数据，最后这些时间窗口的数量为c，第i个时间窗口为X
i
∈R
N*T
′
*D
，i∈[1,2,
…
,c]，其中c＝T
‑
(T
′‑
p)；其中每个时间窗口对应的发电量为该时间长度下一段时间结点的发电量；S3、分配矩阵模块；由S1获取得到发电机数量N、区域数量N1、发电站数量N2；设置零矩阵S1维度为N*N1，其中第一个为维度是发电机个数，第二个维度是区域个数，若在X中，第i个发电机属于第j个区域：则S1中第i行第j列的数值置为1，得到分配矩阵S1，将所有区域所属于发电站的个数定为N2；设置零矩阵S2维度为N1**N2，其中第一个为维度是区域个数，第二个维度是发电站个数，若在X中，第i个区域属于第j个发电站：则S2中第i行第j列的数值置为1，得到分配矩阵S2；由发电机数据本身的层级关系得分配矩阵S1，S2；S4、时间图学习层模块；包括步骤S41和步骤S42；步骤S41，矩阵分解：随机生成两个矩阵，分别为结点嵌入矩阵N
w
∈R
N*k
，时间嵌入矩阵T
w
∈R
c*k
，k为嵌入维度，每一行N
w
[i,:]代表第i个结点嵌入向量，每一行T
w,j
＝T
w
[j,:]代表第j个时间窗口嵌入向量；将第i个结点和第j个时间窗口对应的嵌入向量相乘，得到对应时间窗口未来发电量的值；N
w
∈R
N*k
和T
w,j
∈R
1*k
相乘后得到的结果约等于第j个时间窗口所有发电机的发电量y
j
∈R
N*1
；嵌入矩阵会在学习中被更新，将使用L2正则项作为损失函数来更新两个矩阵，对于第i个数据，更新公式如下：L1代表本设计算法第一个损失函数，T
w,jT
右上角的T表示数学运算中的矩阵转置；步骤S42，时间图学习层，基于如下公式实现：
M1＝tanh(ω1N
w
+ω2T
w,j
)M2＝tanh(ω3N
w
+ω4T
w,j
)N
w
是结点特征矩阵，T
w,j
是第j个时间窗口嵌入向量，ω1,ω2,ω3,ω4是神经网络中四个参数,*所述四个参数会随训练更新，并设置α敏感系数；使用选择函数argtopk()，S42...

【专利技术属性】
技术研发人员：邵明明，金博，魏小鹏，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：