光伏发电超短期预测方法技术

本发明专利技术涉及一种光伏发电超短期预测方法，其包括以下步骤：步骤1：获取光伏历史出力数据并进行归一化得到样本训练数据；步骤2：利用softmax函数建立权重矩阵，并分别对各个样本训练数据计算不同矩阵权重下的注意力输出值构成多头注意力输出值；步骤3：将每个样本训练数据对应的多头注意力输出值拼接为向量后进行线性变换而得到每个样本训练数据对应的注意力输出终值；步骤4：将各个样本训练数据对应的注意力输出终值所构成的序列输入LSTM网络，得到具有长短期记忆能力的预测网络，将预测网络的输出作为光伏发电超短期预测结果。本发明专利技术能够加速模型收敛、提高原始数据质量，从而提高光伏发电超短期预测的效率和结果准确度。高光伏发电超短期预测的效率和结果准确度。高光伏发电超短期预测的效率和结果准确度。

【技术实现步骤摘要】
光伏发电超短期预测方法


[0001]本专利技术属于电力系统
，涉及电气工程中的光伏发电超短期预测方法，尤其是一种基于多头注意力机制和长短期记忆神经网络的光伏发电超短期预测方法。

技术介绍

[0002]随着光伏发电的快速发展和普及，光伏发电的动态特性和间歇性给电力系统带来了巨大的挑战，为了解决这个问题，对光伏的功率进行预测是一种重要的方法。
[0003]现有的基于数据驱动对光伏发电出力进行超短期预测的方法，通过历史运行数据与天气预报数据结合，对光伏发电的出力进行预测。以上方法存在着两个问题，一是所使用的模型过于复杂，当数据集不足时，容易产生过拟合；二是对输入数据没有进行分析和处理，可能对预测结果产生不良影响。

技术实现思路

[0004]本专利技术的目的是提供一种能够加速模型收敛、提高原始数据质量，从而提高预测效率和预测结果准确度的光伏发电超短期预测方法。
[0005]为达到上述目的，本专利技术采用的技术方案是：
[0006]一种光伏发电超短期预测方法，包括以下步骤：
[0007]步骤1：获取光伏历史出力数据，对所述光伏历史出力数据进行归一化得到样本训练数据；
[0008]步骤2：基于所述样本训练数据，利用softmax函数建立权重矩阵，并分别对各个所述样本训练数据计算不同矩阵权重下的注意力输出值，从而构成各个所述样本训练数据对应的多头注意力输出值；
[0009]步骤3：将每个所述样本训练数据对应的多头注意力输出值拼接为向量后进行线性变换而得到每个所述样本训练数据对应的注意力输出终值；
[0010]步骤4：将各个所述样本训练数据对应的注意力输出终值所构成的序列输入LSTM网络，通过遗忘门、输入门和输出门的共同控制，得到具有长短期记忆能力的预测网络，将所述预测网络的输出作为光伏发电超短期预测结果。
[0011]所述步骤1中，对所述光伏历史出力数据进行归一化的方法为：
[0012][0013]其中，x为所述光伏历史出力数据，min(x)为所述光伏历史出力数据中的最小值，max(x)为所述光伏历史出力数据中的最大值，x*为归一化得到的样本训练数据。
[0014]所述步骤2中，对各个所述样本训练数据计算注意力输出值的方法为：
[0015][0016]其中，x
i
为第i个所述样本训练数据，n为所述样本训练数据所构成序列的长度，W
(q)
为查询矩阵，W
(k)
为键矩阵，W
(v)
为值矩阵，d
q,k
为所述样本训练数据x
i
的向量维度。
[0017]所述步骤3中，将每个所述样本训练数据对应的多头注意力输出值通过末端矢量连接起来而构成所述向量。
[0018]所述步骤3中，将所述向量输入单层全连接神经网络进行线性变换。
[0019]由于上述技术方案运用，本专利技术与现有技术相比具有下列优点：本专利技术能够加速模型收敛、提高原始数据质量，从而提高光伏发电超短期预测的效率和结果准确度。
附图说明
[0020]附图1为本专利技术的光伏发电超短期预测方法的流程图。
[0021]附图2为预测网络原理示意图。
具体实施方式
[0022]下面结合附图所示的实施例对本专利技术作进一步描述。
[0023]实施例一：如附图1所示，一种光伏发电超短期预测方法，包括以下步骤：
[0024]步骤1：获取光伏历史出力数据作为输入数据，对光伏历史出力数据进行归一化得到样本训练数据。
[0025]对光伏历史出力数据进行归一化的方法为：
[0026][0027]其中，x为光伏历史出力数据，min(x)为光伏历史出力数据中的最小值，max(x)为光伏历史出力数据中的最大值，x*为归一化得到的样本训练数据。
[0028]步骤2：基于样本训练数据，利用softmax函数建立权重矩阵，并分别对各个样本训练数据计算不同矩阵权重下的注意力输出值，从而构成各个样本训练数据对应的多头注意力输出值。
[0029]对各个样本训练数据计算注意力输出值的方法为：
[0030][0031]其中，x
i
为第i个样本训练数据，n为样本训练数据所构成序列的长度，i＝1，2，
…
，n，W
(q)
为查询矩阵，W
(k)
为键矩阵，W
(v)
为值矩阵，d
q,k
为样本训练数据x
i
的向量维度。利用上式可以对同一个样本x
i
，分别在不同权重下计算对应b
i
，从而得到多头注意力输出值，记为
[0032]步骤3：将每个样本训练数据对应的多头注意力输出值拼接为向量后进行线性变换而得到每个样本训练数据对应的注意力输出终值，即将多头注意力输出值通过末端矢量连接起来拼接而构成向量，并将向量输入单层全连接神经网络进行线性变换，得到每个样本训练数据对应的注意力输出终值b
i
，进而可以得到多头注意力机制在输入序列x*下得到的注意力输出终值序列b
i
。
[0033]步骤4：将各个样本训练数据对应的注意力输出终值所构成的序列b
i
输入LSTM网络，通过遗忘门、输入门和输出门的共同控制，得到具有长短期记忆能力的预测网络，其原理如附图2所示。图中，x
t
为输入，c
t
为长期状态，h
t
为短期状态和输出值，f
t
、i
t
、o
t
分别为遗忘门、输入门和输出门的控制变量。
[0034]遗忘门：由f
t
控制长期状态需要遗忘的部分，其公式如下：
[0035]f
t
＝σ(W
fc
·
[h
t
‑1,x
t
,C
t
‑1]+b
fc
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0036]输入门：由i
t
控制需要添加到长期状态的部分，其公式如下：
[0037]C
t0
＝tanh(W
c
·
[h
t
‑1,x
t
]+b
c
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0038]i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0039]对长期记忆进行更新，其公式如下：
[0040][0041]输出门本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏发电超短期预测方法，其特征在于：所述光伏发电超短期预测方法包括以下步骤：步骤1：获取光伏历史出力数据，对所述光伏历史出力数据进行归一化得到样本训练数据；步骤2：基于所述样本训练数据，利用softmax函数建立权重矩阵，并分别对各个所述样本训练数据计算不同矩阵权重下的注意力输出值，从而构成各个所述样本训练数据对应的多头注意力输出值；步骤3：将每个所述样本训练数据对应的多头注意力输出值拼接为向量后进行线性变换而得到每个所述样本训练数据对应的注意力输出终值；步骤4：将各个所述样本训练数据对应的注意力输出终值所构成的序列输入LSTM网络，通过遗忘门、输入门和输出门的共同控制，得到具有长短期记忆能力的预测网络，将所述预测网络的输出作为光伏发电超短期预测结果。2.根据权利要求1所述的光伏发电超短期预测方法，其特征在于：所述步骤1中，对所述光伏历史出力数据进行归一化的方法为：其中，x为所述光伏历史出力数据，min(x)为所述光伏历史出...

【专利技术属性】
技术研发人员：朱小明，王亮，顾家如，王鹏，汤继刚，郝金宝，项敏，陆杨文，陆心澄，
申请(专利权)人：国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：