【技術實現步驟摘要】
本專利技術涉及新能源發電，具體來說是基于狀態頻率記憶網絡的光伏發電功率預測方法。
技術介紹
1、隨著全球新能源產業的快速發展，光伏發電已成為可再生能源發電的重要組成部分。然而，由于天氣條件、季節變化和地理位置等多種因素的影響，光伏發電系統的輸出功率表現出顯著的波動性和不確定性。傳統的預測方法，包括基于物理模型、統計模型和機器學習模型等，雖然在一定程度上可以提高光伏功率預測的精度，但其對復雜時域和頻域特性的處理能力仍存在不足。
2、近年來，深度學習模型如遞歸神經網絡（rnn）和長短期記憶網絡（lstm）在光伏發電功率預測中取得了一定的應用，但其在頻域特征建模和處理不確定性方面仍有明顯局限。因此，提出一種結合時域和頻域信息的新型預測模型，以提高預測的精確度和可靠性，具有重要意義。
技術實現思路
1、本專利技術的目的是為了解決現有技術中光伏發電功率預測方法在處理頻域特征和數據不確定性方面不足的缺陷，提供一種基于狀態頻率記憶網絡的光伏發電功率預測方法來解決上述問題。
2、為了實現上述目的，本專利技術的技術方案如下：
3、一種基于狀態頻率記憶網絡的光伏發電功率預測方法，包括以下步驟：
4、11）數據采集與預處理：獲取光伏發電站的發電歷史數據和氣象數據，并對數據進行歸一化處理；
5、12）構建狀態頻率記憶網絡：利用張量空間維度設置、矩陣運算邏輯設計、優化算法的選擇以及損失函數的構造搭建狀態頻率記憶網絡；
6、13）模型訓練
7、14）光伏發電功率預測：將處理后的數據輸入訓練好的狀態頻率記憶網絡中進行短期光伏發電功率預測。
8、所述構建狀態頻率記憶網絡包括以下步驟：
9、21）根據輸入數據特征確定合適的張量空間維度，以捕捉時序和頻域特征：
10、假設輸入特征矩陣為?，其中t表示時間步長，f表示特征數量，輸入數據的特征維度決定張量的形狀，確保模型有效存儲和更新不同頻率的特征信息，特征維度包括歷史發電功率、日照強度、溫度；
11、22）將輸入特征矩陣與頻率特征矩陣進行外積操作，以捕獲時序依賴和頻域依賴，具體計算過程如下：
12、聯合遺忘門計算：狀態遺忘門和頻率遺忘門分別控制時域和頻域信息的保留，狀態遺忘門和頻率遺忘門計算公式如下：
13、；
14、其中，是激活函數，、和?、是權重矩陣，、為偏置項，通過狀態遺忘門和頻率遺忘門的外積操作，聯合遺忘門控制時域和頻域信息的遺忘和保留程度；
15、狀態更新公式：狀態頻率記憶矩陣的更新公式如下：
16、，
17、其中，表示逐元素乘積操作，是聯合遺忘門輸出的保留信息，是輸入門輸出的注入信息，是一個激活函數，用于將輸入信號映射到合適的范圍，?、?和分別為狀態更新的權重和偏置，確保狀態頻率記憶矩陣在每個時間步包含最相關的時域和頻域信息；
18、23）數學庫與實現工具的使用：利用pandas和numpy讀取和轉換輸入數據，將其處理成多樣本、多特征的輸入矩陣立方體；
19、tensorflow用于構建狀態頻率記憶網絡并進行矩陣運算；輸入數據為多樣本、多特征的形式，其中n表示樣本數量，pandas和numpy構建輸入矩陣，tensorflow負責搭建并訓練sfm網絡，sys庫用于預測結果輸出和模型保存路徑設定；
20、24）設定優化算法與損失函數：
21、選擇adam優化算法以進行梯度下降，其更新公式如下：
22、
23、其中，表示梯度，為學習率，?和?為動量參數，為梯度一階動量，即梯度的移動平均，為梯度二階動量，即平方梯度的移動平均，和?是動量的偏差修正值，是一個小常數，用于防止除零錯誤；
24、損失函數與評估指標：定義均方誤差mse為損失函數，用于優化模型的預測精度：
25、，
26、同時采用平均絕對百分比誤差mape作為精度評價指標：
27、
28、其中，表示實際值，表示模型的預測值，為樣本數，通過最小化均方誤差，優化模型預測性能。
29、所述模型訓練與參數調優包括以下步驟：
30、31）進行數據集切割與預處理：
31、將光伏發電數據集按任務需求進行切割處理，將目標變量轉換成向量形式作為標簽集，目標變量即光伏發電功率數據，將氣象和環境參數數據拼接成特征矩陣，氣象和環境參數即日照強度、溫度、濕度、風速，其中每個表示每個時間步的多特征輸入數據；
32、對特征矩陣進行歸一化處理：
33、，
34、其中，和?分別為該特征的最小值和最大值；
35、然后將標簽集和特征矩陣進一步劃分為訓練集和測試集；
36、32）模型參數初始化：
37、將訓練集輸入模型，讀取其維度特征用于初始化模型參數，包括權重矩陣、偏置項和狀態頻率記憶矩陣?c的初始狀態；
38、假設權重矩陣?w?和偏置項?b?的初始化通過標準正態分布進行，如下所示：
39、
40、這表示權重矩陣?w?的每個元素都從均值為?0、方差為?的正態分布?中采樣得到，初始狀態頻率記憶矩陣?c?通常初始化為零矩陣，以確保模型在訓練初期不具有歷史信息；
41、33）模型訓練與迭代優化：
42、將訓練集數據輸入模型，并設置訓練迭代次數?n或預設預測誤差門限，若模型滿足以下任一條件則停止訓練：
43、達到最大迭代次數；
44、預測誤差mse?達到設定閾值：
45、，
46、其中，表示實際值，表示模型的預測值，為樣本數。通過最小化均方誤差，優化模型預測性能。
47、訓練完成后，使用測試集檢測模型的預測精度；
48、若精度不符合要求，則返回32），應用交叉驗證方法對模型進行進一步訓練；
49、34）模型保存與預測結果導出：
50、在模型達到預期精度后，將當前模型的參數保存，參數包括權重矩陣?w、偏置量b、超參數如學習率?α、批量大小，然后將預測特征數據?輸入最優模型，輸出預測結果：
51、，
52、并將預測結果導出至excel表格。
53、有益效果
54、本專利技術的基于狀態頻率記憶網絡的光伏發電功率預測方法，與現有技術相比通過結合時域和頻域的信息來捕捉光伏發電功率的復雜特性，以提高預測精度和系統的魯棒性，實現了光伏發電功率的準確預測。
55、本專利技術提出了一種基于狀態頻率記憶網絡（sfm）的光伏發電功率預測方法，結合小波變換和傅里葉變換，通過狀態頻率解耦層提取數據中的頻率特征，顯著提升了模型對周期性波動的捕捉能力本文檔來自技高網...
【技術保護點】
1.一種基于狀態頻率記憶網絡的光伏發電功率預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于狀態頻率記憶網絡的光伏發電功率預測方法，其特征在于，所述構建狀態頻率記憶網絡包括以下步驟：
3.根據權利要求1所述的基于狀態頻率記憶網絡的光伏發電功率預測方法，其特征在于，所述模型訓練與參數調優包括以下步驟：
【技術特征摘要】
1.一種基于狀態頻率記憶網絡的光伏發電功率預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于狀態頻率記憶網絡的光伏發電功率預測方法，其特征在于...
【專利技術屬性】
技術研發人員：葉筱，陳曉峰，張立軍，劉志博，張佳佳，
申請(專利權)人：中國能源建設集團安徽省電力設計院有限公司，
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。