System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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vmd-bigru-ae模型的短期光伏功率预测方法。
技术介绍
1、由于化石能源的逐渐耗竭和环境污染的日益严重,推动新能源替代传统化石能源已成为全球各国的共识,电力作为我国基础能源的重要组成部分,其中光伏发电技术已经成为中国解决资源与环境的重要手段之一,光伏发电的输出功率会受到气象因素及硬件温度、电压、电流等影响,因此,精确的光伏发电功率预测有助于降低光伏并网后产生的负面影响,确保电网安全稳定运行。
2、现有技术中常采用的光发电功率预测方法包括:物理方法:主要是使用预测的未来太阳辐射强度,再通过物理方程对光伏系统建模,从而对光伏发电功率进行间接预测,该方法存在建模复杂、对输入数据精度要求高等缺点;统计方法:使用历史数据,统计并分析其内在的规律从而对光伏功率进行预测,该方法对复杂的非线性光伏数据处理能力较弱,无法准确有效地提取特征信息进行预测;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,但目前的人工智能模型存在一定的问题,其预测精度不是很高。
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vmd-bigru-ae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vmd分解,将原始数据分解为不同频率的模态分量,然后计算不同模态分量的排列熵,根据排列熵将不同分量合并重组,并在考虑不同影响因素的条件下,将不同分量分别经过bigru-ae模型进行预测,最后,对不同频率分
2、本专利技术采用的技术方案包括以下步骤:
3、s01:将预处理后的光伏功率数据经过vmd算法分解为k个不同频率的模态分量;
4、s02:计算不同模态分量的排列熵,根据各分量的排列熵值将不同分量合并为n个重组序列;
5、s03:将重组后的序列矩阵与影响光伏功率的特征信息矩阵拼接,分别将其输入bigru-ae模型中进行预测;
6、s04:将输出的预测值重构相加,得到最后的预测值并分析误差。
7、进一步的,所述步骤s01中的vmd算法的具体步骤为:
8、s011:构造变分问题
9、假设原信号能够分解为k个有限带宽的模态分量,在所有分量之和等于原信号的条件下,我们将各模态的估计带宽之和最小作为目标函数,则vmd约束变分模型如下:
10、
11、其中,f(t)为待分解信号,uk(t)为分解得到的第k个模态分量,δ(t)为冲激函数,wk为第k个模态分量的中心频率;
12、s012:求解变分问题
13、引入拉格朗日乘子λ(t)和二次惩罚因子α,将约束变分问题转化为无约束变分问题,如下:
14、
15、采用交替方向乘子法求取上式的鞍点,得到uk和wk。
16、进一步的,所述uk和wk的求解步骤如下:
17、第一步:初始化λ1,vmd初始迭代次数n=0,在循环过程中uk、wk、λ进行更新;
18、第二步:在非负频率区间内,更新uk:
19、
20、其中,分别为相应函数的傅里叶变换;
21、第三步:更新wk:
22、
23、第四步:更新λ:
24、
25、第五步:重复第二步到第五步,直到满足如下的迭代停止条件:
26、
27、进一步的,所述步骤s03中vmd-bigru-ae模型采用gru的变体bigru结构,bigru由两层方向相反的gru构成,所述gru内部结构的计算公式如下:
28、rt=σ(wr·[ht-1,xt])
29、zt=σ(wz·[ht-1,xt])
30、
31、
32、其中,rt,zt分别为重置门,更新门;为候选隐藏状态,w为相应的权重矩阵,xt和ht分别为t时刻的输入数据与隐藏状态;σ和tanh都是激活函数,σ为sigmoid函数,tanh为双曲正切函数。
33、进一步的,所述步骤s03中影响光伏功率的特征信息矩阵采用自注意力机制求出。
34、进一步的,所述自注意力机制是根据数据内部自身的相关性来分配注意力资源,其中,x是输入数据,w是相应线性层的权重矩阵,注意力评分函数f通过向量点积来计算向量间的相关性,具体步骤如下:
35、第一步:将输入x通过三个不同的线性层,生成q、k、v三个矩阵;
36、q=xwq
37、k=xwk
38、v=xwv
39、第二步:使用注意力评分函数f计算输入向量之间的相关性分布;
40、
41、第三步:对该分布进行softmax处理,生成具有可解释性的概率分布值;
42、attn(q,k,v)=softmax(f(q,k))v
43、第四步:根据概率分布,对v各矩阵的各个向量进行加权求和,得到对应矩阵不同位置加权求和后的输出矩阵。
44、
45、本专利技术的有益效果:
46、本专利技术一种基于vmd-bigru-ae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vmd分解,将原始数据分解为不同频率的模态分量,然后计算不同模态分量的排列熵,根据排列熵将不同分量合并重组,并在考虑不同影响因素的条件下,将不同分量分别经过bigru-ae模型进行预测,能够充分地挖掘时序信息,最后,对不同频率分量的预测结果重构相加得到最终预测值,所述bigru-ae模型能够充分地挖掘时序信息,所述影响光伏功率的特征信息矩阵采用自注意力机制,根据数据内部自身的相关性分配注意力资源,更容易提取全局信息,从而提高了运算效率和准确率,总体来说,该方法提出的模型在预测光伏功率数据上具有更高的预测精度并提升预测效率。
本文档来自技高网...【技术保护点】
1.一种基于VMD-BiGRU-AE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VMD-BiGRU-AE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VMD算法的具体步骤为:
3.根据权利要求2述的一种基于VMD-BiGRU-AE模型的短期光伏功率预测方法,其特征在于,所述uk和wk的求解步骤如下:
4.根据权利要求1述的一种基于VMD-BiGRU-AE模型的短期光伏功率预测方法,其特征在于,所述步骤S03中VMD-BiGRU-AE模型采用GRU的变体BiGRU结构,BiGRU由两层方向相反的GRU构成,所述GRU内部结构的计算公式如下:
5.根据权利要求1所述的一种基于VMD-BiGRU-AE模型的短期光伏功率预测方法,其特征在于,所述步骤S03中影响光伏功率的特征信息矩阵采用自注意力机制求出。
6.根据权利要求5所述的一种基于VMD-BiGRU-AE模型的短期光伏功率预测方法,其特征在于,所述自注意力机制是根据数据内部自身的相关性来分配注意力资源,其中,X是输入
...【技术特征摘要】
1.一种基于vmd-bigru-ae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vmd-bigru-ae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vmd算法的具体步骤为:
3.根据权利要求2述的一种基于vmd-bigru-ae模型的短期光伏功率预测方法,其特征在于,所述uk和wk的求解步骤如下:
4.根据权利要求1述的一种基于vmd-bigru-ae模型的短期光伏功率预测方法,其特征在于,所述步骤s03中vmd-bigru-ae模型采用gru的变...
【专利技术属性】
技术研发人员:王世青,廖俊龙,李霞,卢秋郁,詹鑫,杨春萍,芦劼,香静,王建红,孟祥军,王炯程,韩生龙,李凯,谢鹏,傅永康,胡昭杰,张文斌,邓琳,薛文斌,张高宇,姚伟,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。