【技术实现步骤摘要】
本申请涉及光伏发电数据分析的，尤其涉及短期光伏功率预测方法、装置。
技术介绍
1、由于化石燃料的短缺，环境污染和温室效应问题变得越来越严重，可再生能源的开发和利用已逐渐引起全世界的关注。太阳能是一种清洁能源，具有巨大的储量和较高的发展潜力。光伏发电是太阳能利用的主要形式之一，近年来受到研究者的越来越多的关注。当将光伏板大规模用于发电时，必须预测光伏功率以确保电网的可靠性，稳定性和经济性。
2、光伏发电预测是光伏发电场整合必不可少的关键环节，可以为电力系统的发电、调度和维护提供有效依据。准确的预测结果将大大降低光伏并网带来的调峰压力，减少对电网的负面影响，从而确保电网的安全运行。因此，短期光伏功率预测的研究具有重要的现实意义。太阳能出力随机性和波动性特征使光伏发电的输出功率不稳定，这增加了光伏功率预测难度。
3、相关技术中，光伏功率的预测，较为广泛地采用诸如循环神经网络(recursiveneural network，rnn)、随机森林算法和向量学习机等深度学习。该方式在处理复杂的时间序列时均存在特征能力提取不足的困难和关键信息丢失问题，常常使传统方法的预测准确性较大地受限。
技术实现思路
1、有鉴于此，本申请提供短期光伏功率预测方法、装置，能够提高光伏功率预测的准确性。
2、第一方面，本申请提供一种短期光伏功率预测方法，包括：
3、获取光伏功率历史特征数据；
4、基于vmd分解所述光伏功率历史特征数据，以形成光伏功率的时间
5、构建woa-cnn-bilstm--attention模型，并将时间特征序列作为woa-cnn-bilstm--attention模型的输入输出对象，以得到光伏功率预测模型；
6、将待分析的电力负荷特征数据输入经过训练的光伏功率预测模型中，生成光伏功率预测结果。
7、可选地，所述获取光伏功率历史特征数据，具体为：
8、根据功率预测目标区域的历史发电数据及对应的电力功率影响因素，获取所述光伏功率历史特征数据。
9、可选地，构建woa-cnn-bilstm--attention模型，包括：
10、通过woa算法对cnn-bilstm的学习率、隐藏层节点和正则化系数的超参数进行组合优化以获取最佳超参数组合，以形成woa-cnn-bilstm模型；
11、向所述woa-cnn-bilstm模型中引入注意力机制，以获得woa-cnn-bilstm--attention模型。
12、可选地，通过woa算法对cnn-bilstm超参数进行组合优化的过程中，最佳搜索策略为以下形式，
13、；
14、
15、其中，为目前的迭代次数，为当前个体的实际位置与最佳个体的位置之间距离，为最佳个体的位置，为当前个体的实际位置，、为系数向量，、为[0,1]中的随机向量，为随机向量系数。
16、可选地，通过woa算法对cnn-bilstm超参数进行组合优化的过程中，位置更新公式为以下形式，
17、；
18、其中，为当前搜索个体与当前最优解的距离，为概率，为最佳个体的位置，为当前实际位置，为螺旋形状参数，为值在[-1,1]均匀分布的随机数，为系数向量，为目前的迭代次数。
19、可选地，若所述系数向量满足，所述位置更新公式为以下形式，
20、
21、式中，为目前的迭代次数，、为系数向量，为相距搜索个体的距离，代表当前随机个体位置。
22、可选地，引入注意力机制，为以下公式所表示形式：
23、
24、式中，source由一系列键值对构成；query代表给定的target元素；key为source中元素的key值；value为source中元素的value值；attention value为对value值进行加权求和。
25、第二方面，本申请提供一种短期光伏功率预测装置，包括：
26、获取模块，用以获取光伏功率历史特征数据；
27、分解模块，用以基于vmd分解所述光伏功率历史特征数据，以形成光伏功率的时间特征序列；
28、构建模块，用以构建woa-cnn-bilstm--attention模型，并将时间特征序列作为woa-cnn-bilstm--attention模型的输入输出对象，以得到光伏功率预测模型；
29、生成模块，用以将待分析的电力负荷特征数据输入经过训练的光伏功率预测模型中，生成光伏功率预测结果。
30、第三方面，本申请提供一种计算机可读存储介质，包括程序，当所述程序在计算机上运行时，使得计算机执行上述的方法。
31、第四方面，本申请提供一种执行设备，包括处理器和存储器，所述处理器与所述存储器耦合；
32、所述存储器，用于存储程序；
33、所述处理器，用于执行所述存储器中的程序，使得所述执行设备执行如上述的方法。
34、本申请所公开方法中，通过在构建相应预测模型时，在woa算法使用前引入vmd处理光伏发电数据，在woa算法后增加注意力机制，解决了现有的单一利用woa算法以及lstm模型进行短期光伏发电功率预测时存在的woa算法易陷入局部最优及算法收敛速度慢的问题，使得短期光伏发电功率预测的准确性能够得到提升。
本文档来自技高网...【技术保护点】
1.一种短期光伏功率预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取光伏功率历史特征数据，具体为：
3.根据权利要求1所述的方法，其特征在于，构建WOA-CNN-BiLSTM--Attention模型，包括：
4.根据权利要求3所述的方法，其特征在于，通过WOA算法对CNN-BiLSTM超参数进行组合优化的过程中，最佳搜索策略为以下形式，
5.根据权利要求1所述的方法，其特征在于，通过WOA算法对CNN-BiLSTM超参数进行组合优化的过程中，位置更新公式为以下形式，
6.根据权利要求5所述的方法，其特征在于，若所述系数向量满足，所述位置更新公式为以下形式，
7.根据权利要求3所述的方法，其特征在于，引入注意力机制，为以下公式所表示形式：
8.一种短期光伏功率预测装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，包括程序，当所述程序在计算机上运行时，使得计算机执行如权利要求1至7中任一项所述的方法。
10.一种执行设备，其特征
...【技术特征摘要】
1.一种短期光伏功率预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取光伏功率历史特征数据，具体为：
3.根据权利要求1所述的方法，其特征在于，构建woa-cnn-bilstm--attention模型，包括：
4.根据权利要求3所述的方法，其特征在于，通过woa算法对cnn-bilstm超参数进行组合优化的过程中，最佳搜索策略为以下形式，
5.根据权利要求1所述的方法，其特征在于，通过woa算法对cnn-bilstm超参数进行组合优化的过程...
【专利技术属性】
技术研发人员：余君一，廖思阳，徐箭，柯德平，孙元章，
申请(专利权)人：武汉大学，
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。