一种新能源发电功率预测方法、系统及应用技术方案

本发明专利技术属于新能源技术领域，公开了一种新能源发电功率预测方法、系统及应用，输入层对输入的新能源发电数据进行Embedding操作；编码层先对输入层的结果利用多头注意力模块进行前向传播计算，再进行归一化；输出层通过两个全连接层形成的映射关系获得新能源发电功率的预测结果。本发明专利技术提供的新能源发电功率预测方法将输入的新能源发电数据编码量化后作为预测模型输入量，能降低天气变化对预测精度的影响，在训练神经网络时，权值的学习算法结合附加动量与变学习率，使模型既能较快收敛，又减少模型陷入局部最优解的可能性，精确的新能源发电功率预测有利于电网规划与调度，对大规模新能源电站平稳安全接入电网至关重要。规模新能源电站平稳安全接入电网至关重要。规模新能源电站平稳安全接入电网至关重要。

【技术实现步骤摘要】
一种新能源发电功率预测方法、系统及应用


[0001]本专利技术属于新能源
，尤其涉及一种新能源发电功率预测方法、系统及应用。

技术介绍

[0002]目前，随着化石燃料的逐渐枯竭，大量使用化石燃料给环境带来巨大压力，新能源是未来各国发展的重要方向，开发和使用新能源能够有效缓解经济和环境带来的双重压力。因此新能源的分布式发电和微网技术凭借其独特优势也受到了越来越多的关注和应用。
[0003]风光等新能源出力具有随机性大、波动性强等特点，对开发和利用新能源造成很大的困难。风光等分布式新能源作为微网系统的组成部分，对风光出力能够做出准确的判断至关重要。对风机和光伏系统的出力进行短期预测，便是对该系统进行预测未来一段时间内的功率输出。
[0004]考虑到风光系统出力受多重外界因素的影响，电量的输出功率具有很强的不确定性。现有的预测模型误差很大，为此本专利技术提出了一种基于transformer模型的新能源发电功率预测方法。
[0005]通过上述分析，现有技术存在的问题及缺陷为：
[0006]现有风光系统出力受多重外界因素的影响，现有的预测模型误差很大，电量的输出功率具有不确定性。

技术实现思路

[0007]针对现有技术存在的问题，本专利技术提供了一种新能源发电功率预测方法、系统及应用。
[0008]本专利技术是这样实现的，一种新能源发电功率预测方法包括：
[0009]步骤一，输入层对输入的新能源发电数据进行Embedding操作；
[0010]步骤二，编码层先对输入层的结果利用多头注意力模块进行前向传播计算：Y(X
i
)＝ReLu(X
i
·
W+b)
·
W+b，再进行归一化，X
y
＝Norm(X
i
+Y(X
i
))；
[0011]步骤三，输出层通过两个全连接层形成的映射关系获得新能源发电功率的预测结果：Y＝max(0，XW1+b1)W2+b2。
[0012]进一步，所述步骤一对输入数据进行Embedding操作的具体步骤包括：
[0013]设样本数据集表示共有N个样本，每个样本的特征维度为d，位置编码Pos2＝sin{pos/10000
2i/d
}，Pos2＝cos{pos/10000
2i/d
}，其中i表示样本编号，pos表示样本i某一具体时刻的实际值；
[0014]对输入数据进行线性变换：表示权重矩阵，b表示偏置，W和Pos是在模型训练时需要迭代更新的参数；
[0015]进一步，所述步骤二中的多头注意力模块包括三个矩阵，为Q、K、V，
[0016][0017]MultiHead(Q，K，V)＝Concat(head1，
…
，head
h
)，h表示多头注意力的头数；
[0018]。
[0019]进一步，所述步骤二中归一化步骤为：
[0020](1)得到的每个值都标准化：μ表示均值，σ表示方差；
[0021](2)放射变换：y
i
为最终归一化值；
[0022](3)最终表达式为：LayerNorm(X+MultiHead(X))。
[0023]进一步，所述步骤三输出层通过两个全连接层形成的映射关系获得新能源发电功率的预测结果中，将所提取特征通过单层全连接网络分类，将自注意力网络的输出矩阵转换为概率分布，预测是否具有结合位点；将输出矩阵展平为一维数组，再通过一次线性变换来计算新能源发电功率。
[0024]本专利技术的另一目的在于提供一种新能源发电功率预测系统，所述新能源发电功率预测系统包括：
[0025]输入层，用于对输入的新能源发电数据进行Embedding操作；
[0026]编码层，用于对输入层的结果进行前向传播计算，再进行归一化；
[0027]输出层，用于两个全连接层：Y＝max(0，XW1+b1)W2+b2。
[0028]进一步，所述编码层包括多头注意力模块和归一化模块，所述多头注意力模块用于对输入数据通过足够跳数的独立计算模块堆叠转换，使多头注意力记忆网络学习到输入数据内部蕴含的非线性特征，对输入数据进行有效地编码；
[0029]所述归一化模块用于对编码后的输入数据进行归一化处理。
[0030]结合上述的技术方案和解决的技术问题，本专利技术所要保护的技术方案所具备的优点及积极效果为：
[0031]第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本专利技术的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本专利技术技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
[0032]本专利技术提供的新能源发电功率预测方法将输入的新能源发电数据编码量化后作为预测模型输入量，能降低天气变化对预测精度的影响，在训练神经网络时，权值的学习算法结合附加动量与变学习率，使模型既能较快收敛，又减少模型陷入局部最优解的可能性，精确的新能源发电功率预测有利于电网规划与调度，对大规模新能源电站平稳安全接入电网至关重要。
[0033]第二，把技术方案看做一个整体或者从产品的角度，本专利技术所要保护的技术方案具备的技术效果和优点，具体描述如下：
[0034]本专利技术能降低天气变化对预测精度的影响，精确的新能源发电功率预测有利于电网规划与调度，对大规模新能源电站平稳安全接入电网至关重要。
附图说明
[0035]图1是本专利技术实施例提供的新能源发电功率预测方法的流程图；
[0036]图2是本专利技术实施例提供的新能源发电功率预测系统的结构框图。
具体实施方式
[0037]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。
[0038]如图1所示，本专利技术实施例提供的新能源发电功率预测方法包括：
[0039]S101，输入层对输入的新能源发电数据进行Embedding操作；
[0040]S102，编码层先对输入层的结果利用多头注意力模块进行前向传播计算：Y(X
i
)＝ReLu(X
i
·
w+b)
·
w+b，再进行归一化，X
y
＝Norm(X
i
+Y(X
i
))；
[0041]S103，输出层通过两个全连接层形成的映射关系获得新能源发电功率的预测结果：Y＝max(0，XW1+b1)W2+b2。
[0042]进一步，所述步骤S101对输入数据进行Embedding操作的具体步骤包括：
[0043]设样本数据集表示共有N个样本，每个样本的特征维度为d，位置编码Pos2＝sin{pos/10000
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新能源发电功率预测方法，其特征在于，所述新能源发电功率预测方法包括：步骤一，输入层对输入的新能源发电数据进行Embedding操作；步骤二，编码层先对输入层的结果利用多头注意力模块进行前向传播计算：Y(X
i
)＝ReLu(X
i
·
w+b)
·
w+b，再进行归一化，X
y
＝Norm(X
i
+Y(X
i
))；步骤三，输出层通过两个全连接层形成的映射关系获得新能源发电功率的预测结果：Y＝max(0，XW1+b1)W2+b2。2.如权利要求1所述的新能源发电功率预测方法，其特征在于，所述步骤一对输入数据进行Embedding操作的具体步骤包括：设样本数据集表示共有N个样本，每个样本的特征维度为d，位置编码Pos2＝sin{pos/10000
2i/d
}，Pos2＝cos{pos/10000
2i/d
}，其中i表示样本编号，pos表示样本i某一具体时刻的实际值；对输入数据进行线性变换：W表示权重矩阵，b表示偏置，W和Pos是在模型训练时需要迭代更新的参数。3.如权利要求1所述的新能源发电功率预测方法，其特征在于，所述步骤二中的多头注意力模块包括三个矩阵，为Q、K、V，MultiHead(Q，K，V)＝Concat(head1，
…
，head
h
)，h表示多头注意力的头数；)，h表示多头注意力的头数；。4.如权利要求1所述的新能源发电功率预测方法，其特征在于，所述步骤二中归一化步骤为：(1)得到的每个值都标准化：μ表示均值，σ表示方差；(2)放射变换：y

【专利技术属性】
技术研发人员：何清素，付嘉瑜，郝强，刘晓光，张媛，黄培冬，孙亚璐，李宁，韩庆芝，杨晶，郭行，张智利，
申请(专利权)人：国网甘肃省电力公司，
类型：发明
国别省市：