【技术实现步骤摘要】
本专利技术涉及光伏功率预测网络，特别是一种基于自注意力机制的光伏功率预测方法。
技术介绍
1、随着太阳能光伏技术的不断发展和广泛应用，光伏发电系统成为城市和基础设施中日益重要的能源供应方式。为了更有效地监测和管理城市能源系统，光伏功率预测显得尤为关键，其可以帮助识别太阳能光伏设施的能量产出，并优化能源消耗，提高能源利用效率。通过精确识别光伏设施的特征，包括板块的朝向、倾斜角度和阴影情况，可以更准确地估算太阳辐射照射到光伏电池板上的能量，从而改进光伏功率预测模型，减少能源浪费，提高光伏系统的整体效率。因此，光伏功率预测的背景知识包括对光伏设施的准确识别和特征提取，以支持城市能源系统的监测、管理和优化。然而，由传感器收集而来的光伏数据可能受到分辨率差异、大气效应和阴影等因素的影响，以及光伏设施可以具有多种布局、板块尺寸和组件类型，这些因素使得开发能够准确预测光伏功率的模型具有挑战性。
2、借助传统机器学习方法进行光伏功率预测已被认为是一种高效的手段，能够为光伏发电系统提供大规模、高质量的数据支持。近年来，各种机器学习技术在光伏功率预测领域得到了广泛应用，包括利用不同决策树模型进行特征提取、序列分析等，以实现对光伏功率的准确预测。其中，一些方法通过利用空间特征将光伏数据进行划分时间域，从而能够提取光伏序列的特征并实现对其进行有效预测。此外，通过融合遥感数据与其他数据源(如气象数据、地形数据，甚至激光雷达数据)的技术，可以利用卷积神经网络等深度学习结构提取多源数据的特征，从而提高对光伏功率的准确预测。然而，随着传感器技术的进
技术实现思路
1、本专利技术的目的是提供一种基于自注意力机制的光伏功率预测方法，从而提高光伏预测的准确率。
2、本专利技术的技术方案为：一种基于自注意力机制的光伏功率预测方法，包括以下步骤：
3、步骤(1)：对历史光伏数据基于天气特征进行分类；
4、步骤(2)：从步骤(1)获取分类好的光伏数据，使用图神经网络对其中不利于光伏发电的天气进行异常检测；
5、步骤(3)：获取步骤(2)中经过异常检测的光伏数据，构建基于自注意力机制的预测模型，对未来的光伏功率进行预测；
6、步骤(4)：基于步骤(3)中的光伏功率预测模型，利用公开的光伏数据训练模型；
7、步骤(5)：基于均方误差和平均绝对值误差两个评价指标对训练后的模型性能进行评估。
8、步骤(1)中，使用辐照度平均值和辐照度二阶差分对历史光伏数据进行分类。
9、步骤(2)包括：
10、步骤(2.1)：对光伏数据进行嵌入表示，其数学表达式如公式(1)所示：
11、
12、其中，vi表示在第i个特征映射到隐空间向量后的嵌入表示，表示隐空间特征维度；
13、步骤(2.2)：使用有向图表示光伏数据中不同的特征，其数学表达式如公式(2)-(4)所示：
14、
15、
16、
17、其中，表示特征的集合，vi和vj分别表示在第i个特征映射到隐空间向量后的嵌入表示和第j个特征映射到隐空间向量后的嵌入表示，eji表示两个特征嵌入表示的相似度，aji表示最终构建的邻接矩阵，k表示属于集合中的元素，eki表示第k个特征和第i个特征嵌入表示的相似度，topk表示最具有相关性的前k个特征；
18、步骤(2.3)：引入了基于图注意力的特征提取器，建立异常检测模型，用于检测异常，其数学表达式如公式(5)-(9)所示：
19、
20、
21、
22、
23、
24、其中，表示第i个特征在第t时间步的值，表示第i个特征在t时间点的聚合表示，w表示可学习的参数矩阵，表示将隐空间向量和经过线性变换后的向量的拼接，表示注意力系数，π(i，j)表示注意力得分，表示异常检测模型的预测值，表示在t时刻，第i个特征的真实异常数值，表示在t时刻，模型预测中第i个特征的异常数值，erri(t)表示在t时刻的误差分数，relu和leakyrelu分别表示relu和leakyrelu激活函数，表示拼接操作。
25、步骤(3)包括：
26、步骤(3.1)：引入自相关机制，其数学表达式如公式(10)-(12)所示：
27、
28、
29、
30、其中，表示周期长度为τ序列的置信度，l表示序列总数量，argtopk表示取前k个周期序列，τ1，…，τk表示前k个最置信的序列，表示经过softmax函数的序列置信度，roll表示滑窗操作，ν表示经过线性映射后的值矩阵，attention表示自注意力操作；
31、步骤(3.2)：构建基于编-解码器的预测模块，其数学表达式如公式(13)-(15)所示：
32、
33、
34、
35、其中，表示输入序列，表示分解出来的周期序列，表示分解出来的趋势序列，seriesdecomp表示滑窗分解操作，表示最终预测结果。
36、步骤(4)中，训练过程采用adam优化器进行梯度更新，权重衰减系数为0.0001，学习率为0.001，交叉熵损失作为损失函数。
37、步骤(5)中，：均方误差和平均绝对值误差的数学表达式如公式(16)-(17)所示：
38、
39、
40、其中，mse为均方误差，mae为平均绝对值误差，
41、yi表示在第i个时刻的真实值，表示在第i个时刻的预测值，t表示所有的时刻。
42、本专利技术在工作中，首先，在原始光伏数据中引入多种天气条件的模拟数据，以模拟不同天气对光伏功率的影响，并且根据不同的天气模拟数据对当前的气象数据进行分类；其次，在特征学习的过程中引入了基于图神经网络异常检测操作，有选择地突出异常区域，修正异常情况；最后，引入了自注意力机制，有选择性地关注光伏数据历史序列的关键信息，聚焦于具有重要信息的时间点，从而提高对功率波动和变化的敏感性，最终获得更准确的光伏功率预测结果。
本文档来自技高网...【技术保护点】
1.一种基于自注意力机制的光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法，其特征在于，
3.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法，其特征在于，
4.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法，其特征在于，
5.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法，其特征在于，
6.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法，其特征在于，
【技术特征摘要】
1.一种基于自注意力机制的光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法，其特征在于，
3.根据权利要求1所述的一种基于自注意力机制的光伏功率预测方法，其特征在于，
<...【专利技术属性】
技术研发人员：吴云，陈猛，印斯佳，沈玉兰，黄睿，赵军，
申请(专利权)人：国网江苏省电力有限公司扬州供电分公司，
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。