【技术实现步骤摘要】
本专利技术属于电力系统，尤其涉及一种基于人工智能的配网新能源出力预测模型。
技术介绍
1、随着新能源在电力系统中的不断增长，对新能源出力的预测和调度优化成为了一个重要的研究领域。新能源出力预测的准确性和调度优化的高效性对电力系统的运行和稳定性有着重要的影响。具体的说，新能源出力预测是指对风能、光能等新能源发电装置的出力进行预测，并根据预测结果进行后续的电力系统调度。
2、目前，普遍使用的配网新能源出力预测的方法是循环神经网络(rnn)、长短期记忆网络(lstm)、集成学习方法(grad i ent boost i ng tree和xgboost)、统计方法等，但其基本上都是针对历史数据的预测，对于天气因素、生活和经济政策因素考虑较少且无法组成统一的预测系统，而且针对地理位置关系量上的使用也较为不完整，因此，探索一种带有空间信息结合历史数据且适配新能源出力的时空预测模型是本方案解决预测准确性的关键技术，为此，我们提供了一种基于人工智能的配网新能源出力预测模型。
技术实现思路
1、本专利技术针对上述所存在的技术问题，提出一种能集使用空间、历史、政策信息于一体的sl-i gatv2时空预测神经网络模型，提高使用功能，充分保障使用功能完整性的一种基于人工智能的配网新能源出力预测模型。
2、为了达到上述目的，本专利技术采用的技术方案为一种基于人工智能的配网新能源出力预测模型，包括sl-i gatv2时空预测模型架构，所述sl-i gatv2时空预测模型架构对于配网新能
3、s1：首先进行原始数据的收集，包括历史发电量、天气数据、季节信息、地理位置参数以及设备性能指标；
4、s2：搭建gatv2图神经编码器，将所收集的原始数据输入后，进行数据信息的初始化和归一化处理，并将不同的数据源进行特征提取和融合，然后进行每个节点的最终输出特征；
5、s3：搭建spat iotempora l lstm模型，用于实现对时空序列数据进行建模，以捕捉时序数据中的长期依赖关系和时空动态性；
6、s4：在spat iotempora l lstm模型的末端搭建一个softmax层，用于实现对不同的影响因素进行权重分配，以衡量不同因素对配网新能源出力预测的影响程度，并根据softmax层的输出与spat iotempora l lstm模型的预测结果相乘，获得综合各种因素下的预测结果。
7、作为优选，所述步骤2包括以下步骤：
8、s2.1：在信息初始化中，对目标节点u和其一个邻居节点v，使用一个共享参数的函数来计算其注意力或兼容性，所述计算目标节点和其一个邻居节点注意力或兼容性的公式为：
9、e_{uv}＝leakyrelu(w^t[h_u||h_v])
10、其中，h_u和h_v是节点u和v的特征向量，[h_u||h_v]表示特征向量的串联，w^t是注意力机制的权重矩阵，leakyrelu是一个非线性激活函数。
11、s2.2：使用softmax函数进行归一化处理，以获得概率分布，所述获得概率分布的公式为：α_{uv}＝softmax(e_{uv})；
12、s2.3：利用所计算出的注意力系数对邻居节点的特征进行加权求和，以此聚合信息，所述聚合信息的公式为：h'_u＝∑_{v∈n(u)}α_{uv}wh_v，其中，n(u)表示节点u的邻居集合，w是另一个变换矩阵；
13、s2.4：在获得归一化注意力系数后，利用归一化注意力系数计算与其对应的特征的线性组合，来作为每个节点的最终输出特征，所述最终输出特征的公式为：
14、
15、其中，σ表示s i gmo i d激活函数，w、h代表训练中可学习的参数；
16、s2.5：搭建i nfect i on gatv2模型来动态调整模型的行为，以根据节点之间的关系和重要性动态调整注意力权重，实现对图数据的局部特征和全局结构的捕捉。
17、作为优选，所述步骤s2.3中注意力机制的注意力系统的计算公式表示为：
18、
19、其中，||表示串联运算，leakyrelu表示激活函数，wh表示可学习的参数。
20、作为优选，所述步骤s2.5中动态调整注意力权重的公式表示为：
21、
22、作为优选，在所述步骤s3的spat i otempora l lstm模型中搭建门控机制，所述门控机制包括输入门、遗忘门、细胞状态更新和输出门，并包括以下步骤：
23、s3.1：利用输入门查看当前的输入数据和前一时间步的隐藏状态，并来决定被存储的信息，所述输入门的确定信息被存储的公式为：
24、it＝σ(wxi·[xt；ht-1]+bi)
25、其中，xt是当前时间步的输入，ht-1是前一时间步的隐藏状态，wxi是输入门对应的权重矩阵，bi是偏置项，σ表示s i gmo i d激活函数；
26、s3.2：利用遗忘门来确定模型中允许被舍弃不重要的信息，所述遗忘门的允许模型舍弃信息的公式为：ft＝σ(wxf·[xt；ht-1]+bf)，其中，xt是当前时间步的输入，ht-1是前一时间步的隐藏状态，wxf是遗忘门的权重矩阵，bf是偏置项；
27、s3.3：根据s3.1和s3.2中的信号输入，进行细胞状态的更新，所述细胞状态更新的公式为：
28、ct＝ft·ct-1+it·tanh(wxc·[xt；ht-1]+bc)
29、其中，ct是当前时间步的细胞状态，ct-1是前一时间步的细胞状态，ft是遗忘门的输出，it是输入门的输出，wxc是相关的权重矩阵，bc是偏置项；
30、s3.4：利用输出门来决定细胞状态更新中输出信息的多少到最终结果，所述输出门的确定信息输出多少的公式为：
31、ot＝σ(wxo·[xt；ht-1]+bo)
32、其中，wxo是输出门的权重矩阵，bo是偏置项。
33、作为优选，所述步骤s4包括以下步骤：
34、s4.1：假设影响因素为n个，利用搭建的softmax层为其产生一个概率分布，所述softmax层的概率分布确定公式为：
35、p＝(p1,p2,...,pn)
36、其中，pi代表第i个因素的权重。
37、s4.2：假设lstm层基于每个因素作出一个预测值，记为：
38、l＝(l 1,l2,...,l n)；
39、s4.3：利用步骤s4.1中的输出作为权重来对s4.2中的预测值进行加权求和，所述加权后的预测结果的确定公式表示为：其中，pi·l i是第(i)个因素的加权预值。
40、与现有技术相比，本专利技术的优点和积极效果在于，
41、1、本专利技术提供的一种基于人工智能的配网新能源出力预测模型，融合了gatv2图本文档来自技高网...
【技术保护点】
1.一种基于人工智能的配网新能源出力预测模型，其特征在于，包括SL-iGATv2时空预测模型架构，所述SL-iGATv2时空预测模型架构对于配网新能源出力预测的方法包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的配网新能源出力预测模型，其特征在于，所述步骤2包括以下步骤：
3.根据权利要求2所述的一种基于人工智能的配网新能源出力预测模型，其特征在于，所述步骤S2.3中注意力机制的注意力系统的计算公式表示为：
4.根据权利要求3所述的一种基于人工智能的配网新能源出力预测模型，其特征在于，所述步骤S2.5中动态调整注意力权重的公式表示为：
5.根据权利要求4所述的一种基于人工智能的配网新能源出力预测模型，其特征在于，在所述步骤S3的Spatiotemporal LSTM模型中搭建门控机制，所述门控机制包括输入门、遗忘门、细胞状态更新和输出门，并包括以下步骤：
6.根据权利要求5所述的一种基于人工智能的配网新能源出力预测模型，其特征在于，所述步骤S4包括以下步骤：
【技术特征摘要】
1.一种基于人工智能的配网新能源出力预测模型，其特征在于，包括sl-igatv2时空预测模型架构，所述sl-igatv2时空预测模型架构对于配网新能源出力预测的方法包括以下步骤：
2.根据权利要求1所述的一种基于人工智能的配网新能源出力预测模型，其特征在于，所述步骤2包括以下步骤：
3.根据权利要求2所述的一种基于人工智能的配网新能源出力预测模型，其特征在于，所述步骤s2.3中注意力机制的注意力系统的计算公式表示为：
4.根据权利...
【专利技术属性】
技术研发人员：韩振峰，王震，刘波，卢愿，武传奇，张云鹏，刘刚，支应辉，王克山，王涛，傅鹏，
申请(专利权)人：山东鲁软数字科技有限公司，
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。