【技术实现步骤摘要】
本专利技术涉及光伏发电功率预测，尤其是涉及一种基于ceemdan-lstm-tpa模型的短期光伏功率预测方法。
技术介绍
1、光伏发电因其安全高效和绿色低碳的优点倍受青睐，然而，光伏发电的输出功率受到多种因素的影响，如太阳辐射强度、环境温度和昼夜变化等，这些因素具有很强的随机性和波动性，当大规模的光伏发电系统并入电网后，这种随机性和波动性将进一步加剧，给电网的调度运行带来巨大的挑战，同时也给电力系统的安全和经济运行带来了严峻的考验。
2、通过光伏功率预测，电网可以更好地制定和调整调度计划，减少因发电功率波动带来的影响，降低电网的运行成本，提高电力系统的安全性和经济性，现有技术中常采用物理方法、统计方法、人工智能算法进行光发电功率预测，其中人工智能算法在处理非线性数据时表现出更好的性能，并且具备更高的容错能力，但目前的人工智能算法仍存在一些不足导致预测精度不高。
技术实现思路
1、为了克服上述问题，本专利技术的目的是提供一种基于ceemdan-lstm-tpa模型的短期光伏功率预测方法，该方法首先对原始的光伏功率数据进行ceemdan分解，然后通过样本熵对不同模态分量进行合并，以降低预测的复杂度，再构建基于时序注意力机制的长短期记忆网络模型充分挖掘模态分量与温度、辐射等特征间的相关信息，最后，将不同模态分量的预测结果相加得到光伏发电功率的预测结果，该预测方法降低了预测误差，提高了预测精度。
2、本专利技术采用的技术方案包括以下步骤：
3、s01：将
4、s02：计算各分量的样本熵值，将相近频率的分量合并降低预测的复杂度，合并为n个重组序列；
5、s03：将影响光伏功率的特征变量与不同模态分量输入基于时序注意力机制的长短期记忆网络进行预测；
6、s04：将不同分量的预测值合并得到最后的预测结果。
7、进一步的，所述步骤s01中的ceemdan算法的具体步骤为：
8、s011：在信号x(n)中加入幅值为ε0的高斯白噪声δi(n)，即：
9、xi(n)＝x(n)+ε0δi(n)
10、其中，δi(n)为第i次处理时添加的高斯白噪声；
11、s012：对xi(n)进行经验模态分解，对所有经验模态分解得到的第一个本征模态分量取平均值，作为ceemdan分解的第一个本征模态分量imf1(n)，即
12、
13、
14、其中，e1[xi(n)]为经验模态分解；
15、s013：计算原信号x(n)减去第一个本征模态分量后的残差r1(n)，即
16、r1(n)＝x(n)-imf1(n)
17、s014：将得到的第1阶段的余量加入特定噪声后，重复以上步骤，即
18、
19、rj(n)＝rj-1(n)-imfj(n)
20、进一步的，所述步骤s03中基于时序注意力机制的长短期记忆网络是在基于循环神经网络的长短期记忆网络结构中增加遗忘门、输入门、输出门和记忆单元，其内部结构的计算公式如下：
21、ft＝σ(wf[ht-1,xt]+bf)
22、it＝σ(wi[ht-1xt]+bi)
23、gt＝tanh(wc[ht-1,xt]+bc)
24、ot＝σ(of[ht-1,xt]+oi)
25、
26、
27、其中，ft，it，ot分别为遗忘门，输入门，输出门的输出；gt为候选记忆单元，与it相乘后输入进ct中；ct是细胞状态，用于存储记忆的历史信息；w，b分别为相应的权重参数与偏置项；xt，ht分别为t时刻的输入信息与隐藏状态，σ和tanh
28、为激活函数，σ是sigmoid函数，tanh是双曲正切函数。
29、进一步的，所述步骤s03中的时序注意力机制是模拟人脑对事物的注意力分配机制，忽略无关干扰，对数据实现放大，该机制通过一组滤波器提取多个时间步的信息，从而捕获长时间固定跨度的时间模式。
30、进一步的，所述时序注意力机制实现的具体步骤是：
31、第一步：使用循环神经网络对长短期记忆网络输出的隐藏层进行一维卷积，提取跨时间步的相关信息，公式为：
32、
33、其中，h为长短期记忆网络的隐藏层输出，c为循环神经网络层的卷积核，h为提取的时间模式矩阵；
34、第二步：计算注意力分数pi，通过sigmoid函数对p归一化得到权重α，公式为：
35、pi＝(hi)twahn
36、αi＝sigmoid(pi)
37、其中，wa为可学习的网络参数矩阵，hn为长短期记忆网络隐藏层最后一个神经元的输出；
38、第三步：用得到的注意力权重α对h矩阵行向量加权求和，筛选出有用的特征行向量vn，最后分别与相应的权重参数矩阵w相乘并求和，得到输出结果，公式为：
39、
40、h′n＝whhn+wvvn
41、其中，权重参数矩阵w根据网络学习得到。
42、进一步的，所述步骤s03中影响光伏功率的特征变量包括太阳辐照强度、太阳能电池板温度、太阳能电池板类型、现场方阵安装方式。
43、本专利技术的有益效果：
44、本专利技术一种基于ceemdan-lstm-tpa模型的短期光伏功率预测方法，该方法首先对原始的光伏功率数据进行ceemdan分解，该分解方法解决了模态混叠问题，然后通过样本熵对不同模态分量进行合并，降低预测的复杂度，提高运算速度，再构建基于时序注意力机制的长短期记忆网络模型充分挖掘模态分量与温度、辐射等特征间的相关信息进行预测，最后，将不同模态分量的预测结果相加得到光伏发电功率的预测结果，该预测方法降低了预测误差，提高了预测精度。
本文档来自技高网...【技术保护点】
1.一种基于CEEMDAN-LSTM-TPA模型的短期光伏功率预测方法，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CEEMDAN-LSTM-TPA模型的短期光伏功率预测方法，其特征在于，所述步骤S01中的CEEMDAN算法的具体步骤为：
3.根据权利要求1所述的一种基于CEEMDAN-LSTM-TPA模型的短期光伏功率预测方法，其特征在于，所述步骤S03中基于时序注意力机制的长短期记忆网络是在基于循环神经网络的长短期记忆网络结构中增加遗忘门、输入门、输出门和记忆单元，其内部结构的计算公式如下：
4.根据权利要求1所述的一种基于CEEMDAN-LSTM-TPA模型的短期光伏功率预测方法，其特征在于，所述步骤S03中的时序注意力机制是模拟人脑对事物的注意力分配机制，忽略无关干扰，对数据实现放大，该机制通过一组滤波器提取多个时间步的信息，从而捕获长时间固定跨度的时间模式。
5.根据权利要求4所述的一种基于CEEMDAN-LSTM-TPA模型的短期光伏功率预测方法，其特征在于，所述时序注意力机制实现的具体步骤是：
<...【技术特征摘要】
1.一种基于ceemdan-lstm-tpa模型的短期光伏功率预测方法，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ceemdan-lstm-tpa模型的短期光伏功率预测方法，其特征在于，所述步骤s01中的ceemdan算法的具体步骤为：
3.根据权利要求1所述的一种基于ceemdan-lstm-tpa模型的短期光伏功率预测方法，其特征在于，所述步骤s03中基于时序注意力机制的长短期记忆网络是在基于循环神经网络的长短期记忆网络结构中增加遗忘门、输入门、输出门和记忆单元，其内部结构的计算公式如下：
4.根据权利要求1所述的一种基于ceemdan-ls...
【专利技术属性】
技术研发人员：赵许许，廖俊龙，穆羡瑛，李霞，杜建城，杨春萍，黄琰，郭瑞，芦劼，詹鑫，胡健民，刘明兴，于海明，刘沙，李香增，窦浩平，豆丹，蔚凡，吴紫恒，罗晨，汤德海，邹德凡，何雨辰，刘凯波，马振峰，蔡润楷，
申请(专利权)人：国网新疆电力有限公司乌鲁木齐供电公司，
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。