本發明專利技術提出了一種基于CNN、BiLSTM和Attent?ion的光伏發電預測方法和系統，將光伏發電數據序列進行歸一化處理；通過一維卷積神經網絡CNN初步提取光伏發電數據序列的時間特征并進行降維；通過雙向長短時記憶網絡BiLSTM進一步提取時間特征，前向層進行正向計算得到每個步長向前隱含層的輸出，后向層進行反向計算得到每個步長向后隱含層的輸出，結合得到最終輸出的特征序列向量；通過注意力機制Attent?ion結合特征序列向量提取關鍵特征并按照重要程度進行合并，為特征序列向量分配注意力權重并進行加權求和，得到光伏發電序列的完整特征；構建光伏發電預測模型并結合完整特征預測光伏發電功率。本發明專利技術能對光伏發電數據序列進行充分的學習，大大提高了預測效率和準確性。
【技術實現步驟摘要】
本專利技術涉及計算機技術與數據處理，具體涉及一種基于cnn、bilstm和attention的光伏發電預測方法和系統。
技術介紹
1、
2、
3、早期的光伏發電功率預測主要是以構建光伏電站的物理預測模型為主，但由于模型機理認知的局限，這種方法的預測精度并不是很理想。后來，以數據驅動為代表的預測模型建立方法被廣泛地研究，預測模型建立方法主要分為線性映射和非線性映射兩種形式，線性映射形式主要是時間序列分析法；非線性映射形式主要是基于機器學習算法的光伏電站統計預測模型，包括最常用的人工神經網絡、支持向量機及馬爾可夫鏈。
4、隨著深度學習算法的不斷進步，循環神經網絡(recurrent?neural?network，rnn)、長短期記憶網絡(long?short?term?memory，lstm)、卷積神經網絡(convolutionalneural?network，cnn)等方法也被引入到了光伏發電功率預測中，大大提高了預測的精度。為解決多云等天氣下地表接收到的輻照度會在短時間內快速波動的問題，現有技術中提出了引入云圖信息的預測方法，但其觀測手段及方法還不是十分成熟。
5、傳統的基于循環神經網絡的光伏發電功率預測一般使用遞歸神經網絡、長短期記憶網絡等模型進行預測，雖然這些方法在光伏發電功率的預測精度上已經達到了較高的水平，但其對輸入序列的學習仍然存在不充分、無法有效獲取長期依賴的問題，而且一般用于時間序列預測的神經網絡，無法關注此刻的輸出與之后時刻的輸入之間存在的聯系。
技術實現思路
1、本專利技術針對上述現有技術中一個或多個技術缺陷，提出了如下技術方案。
2、基于本專利技術的第一方面，提出了一種基于cnn、bilstm和attent?ion的光伏發電預測方法，包括：
3、s1:將獲取到的光伏發電數據序列分為訓練集和測試集并進行歸一化處理；
4、s2:通過一維卷積神經網絡cnn初步提取所述光伏發電數據序列的時間特征并進行降維；
5、s3:通過雙向長短時記憶網絡bilstm進一步提取所述光伏發電數據序列的時間特征，所述雙向長短時記憶網絡bilstm的前向層進行正向計算得到每個步長向前隱含層的輸出，所述雙向長短時記憶網絡bilstm的后向層進行反向計算得到每個步長向后隱含層的輸出，將每個步長向前隱含層的輸出和向后隱含層的輸出進行結合得到所述雙向長短時記憶網絡bilstm最終輸出的特征序列向量；
6、s4:通過注意力機制attent?ion并結合所述特征序列向量提取所述光伏發電數據序列的關鍵特征，將所述光伏發電數據序列按照重要程度進行合并，為所述特征序列向量分配注意力權重并進行加權求和，得到所述光伏發電序列的完整特征；
7、s5:構建光伏發電預測模型并結合所述完整特征預測光伏發電功率。
8、更進一步地，所述進行歸一化處理的公式如下：
9、
10、其中，x’表示歸一化后的數據，x表示時間序列的原始數據，min(x)表示時間序列的最小值，max(x)表示表示時間序列的最大值。
11、更進一步地，s2具體包括所述一維卷積神經網絡cnn的卷積層通過卷積操作感知所述光伏發電數據輸入序列的局部信息并提取時間特征，所述一維卷積神經網絡cnn的池化層保留所述局部信息的最優特征并減少參數對所述時間特征進行降維，所述一維卷積神經網絡cnn的全連接層將池化后的所述光伏發電數據向量連接成序列化結構。
12、更進一步地，所述關鍵特征的計算公式為：
13、
14、其中，m表示輸入的雙向長短時記憶網絡bi?lstm的時間總步長，vi表示雙向長短時記憶網絡bi?lstm最終輸出的特征序列向量，βi表示向量的權重，c表示關鍵特征。
15、更進一步地，所述時間特征的計算公式為：
16、
17、其中，y(k)表示時間特征，h(k)表示隱藏層特征序列，u(k)表示隱藏層特征序列的反轉移位序列，k表示卷積次數，n表示u的長度。
18、更進一步地，通過所述注意力機制模型中的小型神經網絡得到所述向量的權重βi，計算公式如下：
19、
20、ei＝a(vi)＝σ(wvi+b)；
21、其中,ei表示相似度，σ表示s?igmoid函數，w表示輸入層至隱藏層的權重矩陣，vi表示雙向長短時記憶網絡bilstm輸出的特征向量，b表示偏置值矩陣。
22、基于本專利技術的第二方面，還提出了一種基于cnn、bilstm和attent?ion的光伏發電預測系統，包括：
23、預處理模塊:將獲取到的光伏發電數據序列分為訓練集和測試集并進行歸一化處理；
24、cnn模塊:通過一維卷積神經網絡cnn初步提取所述光伏發電數據序列的時間特征并進行降維；
25、bilstm模塊:通過雙向長短時記憶網絡bilstm進一步提取所述光伏發電數據序列的時間特征，所述雙向長短時記憶網絡bilstm的前向層進行正向計算得到每個步長向前隱含層的輸出，所述雙向長短時記憶網絡bilstm的后向層進行反向計算得到每個步長向后隱含層的輸出，將每個步長向前隱含層的輸出和向后隱含層的輸出進行結合得到所述雙向長短時記憶網絡bilstm最終輸出的特征序列向量；
26、attent?ion模塊:通過注意力機制attent?ion并結合所述特征序列向量提取所述光伏發電數據序列的關鍵特征，將所述光伏發電數據序列按照重要程度進行合并，得到注意力分配的權重并進行加權求和得到所述光伏發電序列的完整特征；
27、預測模塊:構建光伏發電預測模型并結合所述完整特征預測光伏發電功率。
28、基于本專利技術的第三方面，還提出了一種計算機程序產品，包括計算機程序，所述計算機程序在被計算機處理器執行時實施如上述之任一項所述的方法的步驟。
29、本專利技術的技術效果在于：本專利技術提出了一種基于cnn、bilstm和attent?ion的光伏發電預測方法和系統，通過構建光伏發電預測模型，能夠對輸入的光伏發電數據序列進行充分的學習，是光伏發電預測模型具有更高的學習力和更高的質量，以及獲取到有效的長期依賴，并且關注到此刻的輸入和下一刻的輸出之間的聯系，進一步提高了預測光伏發電的效率和準確性。
本文檔來自技高網...
【技術保護點】
1.一種基于CNN、BiLSTM和Attention的光伏發電預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述進行歸一化處理的公式如下：
3.根據權利要求1所述的方法，其特征在于，S2具體包括所述一維卷積神經網絡CNN的卷積層通過卷積操作感知所述光伏發電數據輸入序列的局部信息并提取時間特征，所述一維卷積神經網絡CNN的池化層保留所述局部信息的最優特征并減少參數對所述時間特征進行降維，所述一維卷積神經網絡CNN的全連接層將池化后的所述光伏發電數據向量連接成序列化結構。
4.根據權利要求1所述的方法，其特征在于，所述關鍵特征的計算公式為：
5.根據權利要求3所述的方法，其特征在于，所述時間特征的計算公式為：
6.根據權利要求4所述的方法，其特征在于，通過所述注意力機制模型中的小型神經網絡得到所述向量的權重βi，計算公式如下：
7.一種基于CNN、BiLSTM和Attention的光伏發電預測系統，其特征在于，包括：
8.一種計算機程序產品，包括計算機程序，其特征在于，所述計算機程序在被計算機處理器執行時實施如權利要求1-6之任一項所述的方法的步驟。
...
【技術特征摘要】
1.一種基于cnn、bilstm和attention的光伏發電預測方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述進行歸一化處理的公式如下：
3.根據權利要求1所述的方法，其特征在于，s2具體包括所述一維卷積神經網絡cnn的卷積層通過卷積操作感知所述光伏發電數據輸入序列的局部信息并提取時間特征，所述一維卷積神經網絡cnn的池化層保留所述局部信息的最優特征并減少參數對所述時間特征進行降維，所述一維卷積神經網絡cnn的全連接層將池化后的所述光伏發電數據向量連接成序列化結構。
...
【專利技術屬性】
技術研發人員：徐園園，李炳昊，林寶卿，
申請(專利權)人：華僑大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。