【技术实现步骤摘要】
一种基于层次时序和Informer模型融合的发电功率预测方法
[0001]本专利技术涉及光伏发电领域,特别是基于层次时序和Informer模型融合的发电功率预测方法。
技术介绍
[0003]由于新能源易受气象因素影响,随机性和间歇性较强,为电网调度计划和稳定控制策略生成带来了前所未有的压力,准确地预测新能源发电功率将是解决上述问题的关键,因此,提升光伏发电功率预测精度具有重要意义。
技术实现思路
[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊,而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述和/或现有的基于层次时序和Informer模型融合的发电功率预测方法中存在的问题,提出了本专利技术。
[0006]因此,本专利技术所要解决的问题在于如何提供基于层次时序和Informer模型融合的发电功率预测方法。
[0007]为解决上述技术问题,本专利技术提供如下技术方案:基于层次时序和Informer模型融合的发电功率预测方法,其包括提取光伏发电功率当中的序列层次时序信息和序列信息,利用分解时间序列得到历史信息;通过历史信息的分解后得到模型嵌入层;通过Informer编码层概率稀疏自注意力机制进行筛选;利用自注意蒸馏计算提升Informer模型定向学习能力;通过解码层生成式机制一步预测发电功率。
[000 ...
【技术保护点】
【技术特征摘要】
1.一种基于层次时序和Informer模型融合的发电功率预测方法,其特征在于:包括,提取光伏发电功率当中的序列层次时序信息和序列信息,利用分解时间序列得到历史信息;分解历史信息的分解后得到模型嵌入层;通过Informer编码层概率稀疏自注意力机制进行筛选;利用自注意蒸馏计算提升Informer模型定向学习能力;通过解码层生成式机制一步预测发电功率。2.如权利要求1所述的基于层次时序和Informer模型融合的发电功率预测方法,其特征在于:所述时间序列可以分解为小时、日和星期后得到历史信息。3.如权利要求2所述的基于层次时序和Informer模型融合的发电功率预测方法,其特征在于:所述模型嵌入层包括层次时序信息、序列信息和序列位置信息。4.如权利要求3所述的基于层次时序和Informer模型融合的发电功率预测方法,其特征在于:所述分解历史信息的分解后得到模型嵌入层包括将层次时序信息将其编码后添加至模型嵌入层,通过Informer训练提取的层次时序信息挖掘时间周期对光伏发电功率的影响。5.如权利要求4所述的基于层次时序和Informer模型融合的发电功率预测方法,其特征在于:所述通过Informer编码层概率稀疏自注意力机制进行筛选,得到光伏发电功率和特征变量,且两者为Informer的输入信息,采用自注意力机制方法通过序列位置信息使其深度关联;所述概率稀疏自注意力机制,包括如下步骤:输入:Q∈R
m
×
d
,K∈R
n
×
d
,V∈R
n
×
d
设置超参数c,计算Q的采样维度u=c
·
lnm,随机选取的K采样维度U=c
·
lnn;从K中随机选取U个key,形成计算点积得分按行计算测量指标基于M表达式从Q中提取top
‑
u个query,形成计算u个query与所有key的点积,即计算S0=mean(V),S={S1,S0}即为概率稀疏自注意力机制的输出;其中,K:输入的原始key,大小为d
×
n,d为key向量维度,n为key的数量,U:随机选择的key个数,用于计算得分,从K中随机选择U个key形成的子集,大小为d
×
U,Q:查询矩阵,大小为d
×
m,m为查询数量,和Q的点积,大小为U
×
m,表示U个key对m个查询的相关性得分,M:测量指标,通过的最大值与平均值之差计算得到,用于判断相关key的数量,根据M从Q中提取top query,大小为d
×
p,p为提取的查询数量,S1:U个...
【专利技术属性】
技术研发人员:范俊秋,袁龙,赵维兴,谢威,范斌,姜世骁,唐学用,周海,严儒井,周健,曾晓蕾,李钰刚,饶贇,王军,宁楠,詹乐贵,杜刃刃,廖畅,陈晓,吴小康,黄元行,冯泳,杨瑞,王华,金臣,谢才科,王师国,宋达,代江,曹杰,李家璐,朱思霖,张裕,姜有泉,张俨,张耀,王兴龙,陈巨龙,刘明顺,李庆生,马覃峰,符玉珊,陈梦瑶,王嘉昊,姚璐,王国鸿,刘东杭,陶用伟,陆昊鹏,彭诗航,肖孝天,
申请(专利权)人:贵州电网有限责任公司,
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。