一种基于LSTM-GRU-Attention的风光发电功率预测方法及相关装置制造方法及图纸

本发明专利技术公开了一种基于LSTM‑GRU‑Attention的风光发电功率预测方法及相关装置，预测方法包括：获取光伏场站和风力电站的历史发电数据；将获取的光伏场站和风力电站的历史发电数据输入到优化后的LSTM‑GRU‑Attention模型中，输出为风光发电功率；LSTM‑GRU‑Attention模型包括长短时记忆网络模块、门控循环单元模块和维度注意力模块。本发明专利技术使用长短时记忆网络LSTM和门控循环单元GRU、维度注意力相结合，使得LSTM‑GRU‑Attention方法比其他几种深度学习对比模型ANN、LSTM、GRU、LSTM‑GRU具有更强的预测能力和更好的鲁棒性。

【技术实现步骤摘要】

本专利技术属于风光发电预测，尤其涉及一种基于lstm-gru-attention的风光发电功率预测方法及相关装置。

技术介绍

1、风光发电受到多种因素的影响，如天气、气温、季节、海拔高度等，这些因素往往是不可控的。准确地预测风光发电情况可以帮助企业和政府、用户更好的规划和管理光伏发电系统，提高发电效率和经济效益，也可以减轻广泛发电不确定性带来的负面影响。而由于各种影响因素的存在，风光发电的功率和发电量是随时间动态变化的，所以准确而稳定的风光发电预测是相当困难的。因而风光发电预测一直是整个光伏、风力产业发展过程中的一个重要且棘手的问题。

2、近年来，随着深度学习的不断发展和技术的逐步完善，越来越多的深度学习的方法在各个领域都取得了不错的成绩，在风光发电领域深度学习方法的使用也是越来越多。但是传统的人工神经网络ann是一个全连接的神经网络，只能模拟输入空间和输出空间之间的点对点的映射。在风光发电预测问题上，这远远达不到要求，因为它不考虑时间序列的相关性。因此，循环神经网络rnn方法被引入风光发电预测中。rnn方法其内部具有循环连接的网络结构，允许模本文档来自技高网...

【技术保护点】

1.一种基于LSTM-GRU-Attention的风光发电功率预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于LSTM-GRU-Attention的风光发电功率预测方法，其特征在于，优化后的LSTM-GRU-Attention模型通以下过程获得：

3.根据权利要求2所述的基于LSTM-GRU-Attention的风光发电功率预测方法，其特征在于，时间戳、温度、湿度、风速、风向、全球水平辐射度、阵列辐照度平面、风力涡轮机Gaia有功功率、太阳能有功功率、气压、方位角和海拔高度。

4.根据权利要求2所述的基于LSTM-GRU-Attent...

【技术特征摘要】

1.一种基于lstm-gru-attention的风光发电功率预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于lstm-gru-attention的风光发电功率预测方法，其特征在于，优化后的lstm-gru-attention模型通以下过程获得：

3.根据权利要求2所述的基于lstm-gru-attention的风光发电功率预测方法，其特征在于，时间戳、温度、湿度、风速、风向、全球水平辐射度、阵列辐照度平面、风力涡轮机gaia有功功率、太阳能有功功率、气压、方位角和海拔高度。

4.根据权利要求2所述的基于lstm-gru-attention的风光发电功率预测方法，其特征在于，对数据进行不同的时间序列分割，按时间单位被分割为1分钟、5分钟、10分钟、15分钟、30分钟和60分钟。

5.根据权利要求2所述的基于lstm-gru-attention的风光发电功率预测方法，其特征在于，对分割后的数据进行预处理，包括缺失值填充、检查离群值、...

【专利技术属性】
技术研发人员：牛明博，杨建，李国兴，杨苗苗，吴浩，陈昊，
申请(专利权)人：长安大学，
类型：发明
国别省市：