基于时间和空间注意力机制的可迁移光伏预测系统和方法技术方案

本发明专利技术公开了基于时间和空间注意力机制的可迁移光伏预测系统和方法，所述系统基于深度神经网络构建，用于基于时间和空间双路径注意力机制实现光伏辐照度数预测，所述系统包括空间路径与时间路径上的预训练模块，在迁移位置进行光伏辐照度数预测时，采用不同的编码的形式并基于预训练模块进行空间路径与时间路径上的云图特征识别，然后通过相应的自适应注意力训练，得到光伏辐照度数预测值

【技术实现步骤摘要】
基于时间和空间注意力机制的可迁移光伏预测系统和方法


[0001]本专利技术属于光伏预测
，涉及基于时间和空间注意力机制的可迁移光伏预测系统和方法
。

技术介绍

[0002]随着全球能源需求的不断增长和对环境保护的深刻认识，可持续和清洁的能源已成为人们关注的焦点
。
因此，在能源领域寻求可再生的
、
环保的解决方案变得至关重要
。
光伏发电作为一种利用太阳能的技术，近年来得到了广泛的关注
。
太阳能源源不断
、
可再生，且对环境影响较小
。
光伏发电利用太阳能电池将太阳能直接转化为电能，具有清洁
、
可持续和储量丰富的特点
。
[0003]光伏发电技术的发展不仅可以缓解传统能源带来的环境问题，还能降低对化石燃料的依赖，为能源的可持续发展做出贡献
。
然而，光伏发电也存在一定的挑战，例如系统间歇性
、
不稳定性等
。
为了克服这些问题，科研人员正努力寻求提高光伏发电效率
、
稳定性和预测准确性的方法
。
[0004]光伏功率数值预测对于光伏发电系统的优化和电网调度具有重要意义
。
常用的光伏功率预测方法包括统计方法
、
机器学习方法和人工神经网络方法等
。
统计方法如时间序列分析
、
回归分析等，主要通过分析历史数据的规律和变化趋势来进行预测
。
虽然统计方法简单易行，但其预测准确性受限于历史数据量和数据质量，对于光伏发电系统的非线性和随机性特点适应性较差
。
传统机器学习方法如支持向量机
(SVM)、
随机森林等，通过对历史数据进行学习，构建预测模型
。
这类方法在处理复杂非线性关系方面具有优势，但需要大量数据进行训练，且在模型选择和参数调整方面较为复杂
。
深度人工神经网络方法：如深度神经网络
(DNN)、
循环神经网络
(RNN)
和径向神经网络
(RBN)
等，通过构建神经网络模型对数据进行拟合和预测
。
神经网络方法可以更好地适应光伏发电系统的非线性和随机性，但在网络结构选择
、
参数调整以及训练时间方面存在挑战
。
[0005]地基云图预测方法是近年来光伏功率预测领域的一种新兴技术，通过对地面全天空成像仪采集的云图信息进行分析，以评估云层对太阳辐射的影响并预测光伏发电功率
。
这种方法有利于提高光伏发电预测的准确性，尤其在短期和超短期预测方面具有明显优势
。
然而，地基云图预测方法也存在一定的缺陷
。
首先，地基云图预测方法在时间信息利用上存在局限
。
典型的地基云图预测方法主要关注当前时刻的云层状况，较难有效利用过去的时间序列信息来提高预测精度
。
这导致在动态天气条件下，尤其是在云层快速变化的情况下，光伏功率预测可能出现较大波动
。
其次，地基云图预测方法对光伏系统之间的迁移能力较弱
。
由于每个光伏发电场地的地理环境
、
气候条件和成像设备差异较大，预测模型在一个地区训练得到的结果难以直接应用于另一个地区
。
这限制了地基云图预测方法在光伏发电领域的普及和推广
。
此外，地基云图预测方法对图像处理和分析技术的要求较高
。
云图数据往往具有较大的噪声
、
低分辨率和动态范围限制等问题，这些问题可能导致预测模型的性能降低
。
同时，图像处理和分析技术在计算复杂度和资源消耗方面较高，给实际应用带来
挑战
。

技术实现思路

[0006]为解决现有技术中存在的不足，本专利技术提供基于时间和空间注意力机制的可迁移光伏预测系统和方法，针对分布式光伏系统设计了一种基于时间和空间注意力机制的可迁移光伏预测系统，该系统模型通过空间路径自适应注意力训练单元提取云图图像的整体特征和局部细节来对光伏系统进行预测，并通过时间与编码降低探索时间相关性的能力，提升迁移训练能力
。
本专利技术通过采用基于时间和空间注意力机制的可迁移光伏预测系统实现光伏预测，提高了光伏功率预测的精确度和实用性，为分布式光伏系统的发展和应用提供强有力的支持
。
[0007]本专利技术采用如下的技术方案
。
[0008]基于时间和空间注意力机制的可迁移光伏预测系统，所述系统基于深度神经网络构建，用于基于时间和空间双路径注意力机制实现光伏辐照度数预测；
[0009]所述系统包括空间路径与时间路径上的预训练模块，在迁移位置进行光伏辐照度数预测时，采用不同的编码的形式并基于预训练模块进行空间路径与时间路径上的云图特征识别，然后通过相应的自适应注意力训练，得到光伏辐照度数预测值
。
[0010]优选地，所述系统在空间路径上，采用位置编码形式，进行多头注意力和多层感知机并行的自适应注意力训练；在时间路径上，采用时间与位置编码，进行多头注意力机制与多层感知机串行的自适应注意力训练
。
[0011]优选地，所述系统包括空间路径模块
、
时间路径模块
、
融合模块和全连接模块；
[0012]其中，空间路径模块包括单帧云图识别与编码单元
、
空间路径自适应注意力训练单元和平均池化单元；时间路径模块包括多帧云图识别单元和时间路径自适应注意力训练单元；
[0013]单帧云图识别与编码单元含空间路径上的预训练模块，用于对高分辨率的云图进行分割与位置编码后，按照编码顺序逐一提取云图中的空间特征信息；
[0014]空间路径自适应注意力训练单元，用于对单帧云图识别与编码单元提取的空间特征信息进行空间路径自适应注意力训练，得到云图特征数据；
[0015]平均池化单元，用于对空间路径自适应注意力训练单元得到的云图特征数据进行下采样，得到最终的单帧图像特征数据；
[0016]多帧云图识别与编码单元含时间路径上的预训练模块，用于基于时间与位置编码，将一个由连续多帧的低分辨率云图图像数据组成的网格状多帧图像集合作为输入数据，提取出空间特征信息；
[0017]时间路径自适应注意力训练单元，用于对多帧云图识别单元提取出的空间特征信息进行识别，得到视频域的图像特征数据；
[0018]融合模块，用于将平均池化单元得到的单帧图像特征数据与时间路径自适应注意力训练单元得到的视频域的图像特征数据进行融合，得到时空相关的云层运动与分布特征数据；
[0019]全连接模块，用于对融合模块得到特征数据进行相关性训练，得到光伏辐照度数预测值
。
[0020]优选地，单本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于时间和空间注意力机制的可迁移光伏预测系统，所述系统基于深度神经网络构建，用于基于时间和空间双路径注意力机制实现光伏辐照度数预测，其特征在于：所述系统包括空间路径与时间路径上的预训练模块，在迁移位置进行光伏辐照度数预测时，采用不同的编码的形式并基于预训练模块进行空间路径与时间路径上的云图特征识别，然后通过相应的自适应注意力训练，得到光伏辐照度数预测值
。2.
根据权利要求1所述的基于时间和空间注意力机制的可迁移光伏预测系统，其特征在于：所述系统在空间路径上，采用位置编码形式，进行多头注意力机制和多层感知机并行的自适应注意力训练；在时间路径上，采用时间与位置编码，进行多头注意力机制与多层感知机串行的自适应注意力训练
。3.
根据权利要求1或2所述的基于时间和空间注意力机制的可迁移光伏预测系统，其特征在于：所述系统包括空间路径模块
、
时间路径模块
、
融合模块和全连接模块；其中，空间路径模块包括单帧云图识别与编码单元
、
空间路径自适应注意力训练单元和平均池化单元；时间路径模块包括多帧云图识别单元和时间路径自适应注意力训练单元；单帧云图识别与编码单元含空间路径上的预训练模块，用于对高分辨率的云图进行分割与位置编码后，按照编码顺序逐一提取云图中的空间特征信息；空间路径自适应注意力训练单元，用于对单帧云图识别与编码单元提取的空间特征信息进行空间路径自适应注意力训练，得到云图特征数据；平均池化单元，用于对空间路径自适应注意力训练单元得到的云图特征数据进行下采样，得到最终的单帧图像特征数据；多帧云图识别与编码单元含时间路径上的预训练模块，用于基于时间与位置编码，将一个由连续多帧的低分辨率云图图像数据组成的网格状多帧图像集合作为输入数据，提取出空间特征信息；时间路径自适应注意力训练单元，用于对多帧云图识别单元提取出的空间特征信息进行识别，得到视频域的图像特征数据；融合模块，用于将平均池化单元得到的单帧图像特征数据与时间路径自适应注意力训练单元得到的视频域的图像特征数据进行融合，得到时空相关的云层运动与分布特征数据；全连接模块，用于对融合模块得到特征数据进行相关性训练，得到光伏辐照度数预测值
。4.
根据权利要求3所述的基于时间和空间注意力机制的可迁移光伏预测系统，其特征在于：单帧云图识别与编码单元对高分辨率的云图进行分割与位置编码后，按照编码顺序逐一通过预训练模块提取云图中的空间特征信息，具体为：首先对云图图像进行分割，然后对分割得到的图块进行位置编码以标记出每个分割图块在原图像空间结构的位置，得到空间标记集包括可学习的位置编码
p
SP
和图像类标记其中，
CLS
表示原图像被分割后的子图像集，图像类标记为与位
置编码相对应的分块图像数据；接着预训练模块对空间标记集进行分析，对
p
SP
数据构建神经元连接探索注意力区间，对进行卷积运算，提取区域云图特征，最终获得全局空间表示
y
SP
，即为单帧云图识别与编码单元提取得到的空间特征信息
。5.
根据权利要求3所述的基于时间和空间注意力机制的可迁移光伏预测系统，其特征在于：空间路径自适应注意力训练单元对单帧云图识别与编码单元提取的空间特征信息进行空间路径自适应注意力训练，得到云图特征数据，具体为：采用多头注意力和多层感知机两个并行适配器对全局空间表示
y
SP
进行注意力机制训练，以从全局空间表示
y
SP
中学习用于识别云图特征的空间上下文，同时保持用于对象识别的原始上下文，最终输出云图特征数据
。6.
根据权利要求3所述的基于时间和空间注意力机...

【专利技术属性】
技术研发人员：戴强晟，霍雪松，陆志平，崔志伟，朱正磊，郝威，曹潇，于若英，刘瑜俊，
申请(专利权)人：国网江苏省电力有限公司泰州供电分公司国网江苏省电力有限公司淮安供电分公司国网江苏省电力有限公司徐州供电分公司，
类型：发明
国别省市：