基于深度傅里叶网络的超短期光伏功率预测系统的制作方法

1.本发明涉及光伏功率预测技术领域，特别涉及一种基于深度傅里叶网络的超短期光伏功率预测系统。


背景技术：

2.准确的光伏功率预测有助于电网能源的调度。传统的光伏功率预测方法一般采用傅里叶变换对光伏功率输出序列进行分解或换基操作后进行进一步预测，傅里叶变换在光伏功率输出的频域上进行特征提取具有较大的优势。随着深度学习的发展，深度的神经网络结构具有极强的非线性拟合能力，对于高维非线性的光伏功率输出序列具有较好的预测能力。基于此，如果能够将傅里叶变换嵌入至深度的神经网络中，则可以提取更多的频域特征从而获得更高的预测精度。


技术实现要素：

3.本发明要解决的技术问题是提供一种精度和准确度高的基于深度傅里叶网络的超短期光伏功率预测系统。
4.为了解决上述问题，本发明提供了基于深度傅里叶网络的超短期光伏功率预测系统，其包括：
5.卷积层，所述卷积层的卷积大小为1，步长为1，用于对历史数据进行维度变换，统一数据的维度；所述历史数据为历史环境和光伏功率序列；
6.位置编码层，用于对历史数据进行位置编码；
7.深度傅里叶变换模块，包括串联的残差傅里叶模块和残差前馈神经网络模块，所述残差傅里叶模块包括傅里叶变换层，所述残差前馈神经网络模块包括前馈神经网络层，所述残差傅里叶模块和残差前馈神经网络模块均包括层归一化层，所述傅里叶变换层用于对从所述卷积层和位置编码层输出的叠加数据进行离散傅里叶变换，所述前馈神经网络层用于对经过离散傅里叶变换后的数据进行非线性变换，所述层归一化层用于对所述傅里叶变换层和前馈神经网络层输出的数据进行归一化处理；
8.第一全连接层，用于在时间轴维度上对所述深度傅里叶变换模块输出的数据进行全连接；
9.第二全连接层，用于在空间轴维度上对所述第一全连接层输出的数据进行全连接，输出下一个采样点的功率输出预测值。
10.作为本发明的进一步改进，所述卷积层和位置编码层输出的叠加数据，其函数为：
11.pe(pos,2i)＝sin(pos/n
2i/d
)
12.pe(pos,2i 1)＝cos(pos/n
2i/d
)
13.其中，n为输入历史环境和光伏功率序列的长度，i为序列包含向量维度，pos为序列位置。
14.作为本发明的进一步改进，所述离散傅里叶变换如下：
[0015][0016]
其中，为取结果的实部，x为输入序列，y为输出序列；f(x)＝{x
k
}，x
k
为生成的新的序列；对应每一个k,傅里叶变换生成一个新的x
k
来表示原始输入x
n
的和；为对应x
n
的旋转因子。
[0017]
作为本发明的进一步改进，所述前馈神经网络层计算如下：
[0018]
ffn(x)＝max(0,xw
in
b
in
)w
out
b
out
[0019]
其中，w
in
、w
out
分别为输入、输出的权重矩阵；b
in
、b
out
分别为输入输出的偏置矩阵，x为输入序列。
[0020]
作为本发明的进一步改进，所述第一全连接层和第二全连接层计算如下：
[0021]
o(x)＝tanh(xw b)
[0022]
其中，w为输出的权重矩阵，b为输出的偏置矩阵；tanh为双曲正切。
[0023]
作为本发明的进一步改进，所述深度傅里叶变换模块有多个，叠加数据依次经过多个深度傅里叶变换模块后进入第一全连接层。
[0024]
作为本发明的进一步改进，所述卷积层使用卷积核数量为16。
[0025]
作为本发明的进一步改进，所述归一化处理表示为：
[0026]
y＝norm(sublayer(x) x)
[0027]
其中，sublayer为傅里叶变换层或前馈神经网络层，norm表示归一化操作，x为输入序列，y为输出序列。
[0028]
作为本发明的进一步改进，所述层归一化层用于将历史数据进行归一化处理，将数据分布归一化为均值为0，方差为1的分布。
[0029]
作为本发明的进一步改进，所述历史环境和光伏功率序列包括辐照度、风速、风向、温度、压强、湿度、实际功率。
[0030]
本发明的有益效果：
[0031]
本发明基于深度傅里叶网络的超短期光伏功率预测系统通过将历史环境和光伏功率数据输入至模型，利用卷积层提取特征并使用位置编码层提供时间轴上的计算能力，通过多次包含傅里叶变换和前馈神经网络的残差结构进行进一步特征提取和非线性拟合，有利于提高对光伏功率预测的精度和准确性，具有较高的应用价值。有利于决定光伏并网的接入；有利于决定电网的运行方式，决定电网的建设和发展；有利于决定不同能源发电的协调控制。
[0032]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
[0033]
图1是本发明优选实施例中基于深度傅里叶网络的超短期光伏功率预测系统的结构示意图；
[0034]
图2是本发明优选实施例中前馈神经网络层的结构示意图；
[0035]
图3是本发明优选实施例中残差模块的结构示意图。
具体实施方式
[0036]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0037]
如图1
‑
3所示，为本发明优选实施例中的基于深度傅里叶网络的超短期光伏功率预测系统，包括：
[0038]
卷积层，所述卷积层的卷积大小为1，步长为1，用于对历史数据进行维度变换，统一数据的维度；所述历史数据为历史环境和光伏功率序列；
[0039]
位置编码层，用于对历史数据进行位置编码；
[0040]
深度傅里叶变换模块，包括串联的残差傅里叶模块和残差前馈神经网络模块，所述残差傅里叶模块包括傅里叶变换层，所述残差前馈神经网络模块包括前馈神经网络层，所述残差傅里叶模块和残差前馈神经网络模块均包括层归一化层，所述傅里叶变换层用于对从所述卷积层和位置编码层输出的叠加数据进行离散傅里叶变换，所述前馈神经网络层用于对经过离散傅里叶变换后的数据进行非线性变换，所述层归一化层用于对所述傅里叶变换层和前馈神经网络层输出的数据进行归一化处理；
[0041]
第一全连接层，用于在时间轴维度上对所述深度傅里叶变换模块输出的数据进行全连接；
[0042]
第二全连接层，用于在空间轴维度上对所述第一全连接层输出的数据进行全连接，输出下一个采样点的功率输出预测值。
[0043]
如图3所示，残差傅里叶模块和残差前馈神经网络模块均可称为残差模块，残差模块包括一个子层和一个层归一化层。子层为傅里叶变换层或前馈神经网络层。
[0044]
在本实施例中，所述位置编码层中对输入数据进行位置编码，为表达输入数据的序列位置关系，使用不同频率的正弦余弦函数生成编码，与卷积层的输出向量相加，所述卷积层和位置编码层输出的叠加数据，其函数为：
[0045]
pe(pos,2i)＝sin(pos/n
2i/d
)
[0046]
pe(pos,2i 1)＝cos(pos/n
2i/d
)
[0047]
其中，n为输入历史环境和光伏功率序列的长度，i为序列包含向量维度，pos为序列位置。
[0048]
可选的，所述离散傅里叶变换如下：
[0049][0050]
其中，为取结果的实部，x为输入序列，y为输出序列；f(x)＝{x
k
}，x
k
为生成的新的序列；对应每一个k,傅里叶变换生成一个新的x
k
来表示原始输入x
n
的和；为对应x
n
的旋转因子。
[0051]
如图2所示，所述前馈神经网络层对经过离散傅里叶变换后的数据进行非线性变换，提高数据的非线性拟合能力，计算过程如下：
[0052]
ffn(x)＝max(0,xw
in
b
in
)w
out
b
out
[0053]
其中，w
in
、w
out
分别为输入、输出的权重矩阵；b
in
、b
out
分别为输入输出的偏置矩阵，x为输入序列。
[0054]
可选的，所述第一全连接层和第二全连接层计算如下：
[0055]
o(x)＝tanh(xw b)
[0056]
其中，w为输出的权重矩阵，b为输出的偏置矩阵；tanh为双曲正切，o(x)为输出的预测结果。
[0057]
可选的，所述深度傅里叶变换模块有多个，叠加数据依次经过多个深度傅里叶变换模块后进入第一全连接层。
[0058]
在其中一实施例中，所述卷积层使用卷积核数量为16。
[0059]
可选的，所述归一化处理表示为：
[0060]
y＝norm(sublayer(x) x)
[0061]
其中，sublayer为傅里叶变换层或前馈神经网络层，norm表示归一化操作，x为输入序列，y为输出序列。
[0062]
其中，所述层归一化层用于将历史数据进行归一化处理，将数据分布归一化为均值为0，方差为1的分布。
[0063]
可选的，所述历史环境和光伏功率序列包括辐照度、风速、风向、温度、压强、湿度、实际功率等。
[0064]
在一具体实施例中，利用基于深度傅里叶网络的超短期光伏功率预测系统进行预测的步骤如下：
[0065]
s1：将历史环境和光伏功率序列包括辐照度、风速、风向、温度、压强、湿度、实际功率等历史数据以每15分钟为一次采样，一天采样96个点，以输入过去5天数据为例，输入矩阵形状为(96*5,7)，同时输入至卷积层和位置编码层。
[0066]
s2：以16个卷积核的卷积层为例，将其输出与位置编码层的输出叠加，其形状为(96*5,16)，输入至l个类似结构的深度傅里叶模块中。其中，l大于1。
[0067]
s3：残差傅里叶模块的输出形状为(96*5,16)，残差前馈神经网络模块输出形状为(96*5,16)。
[0068]
s4：经过l个类似结构的串联计算后，即进行了l次s3步骤后，输出为形状为(96*5,16)的抽象高阶状态变量。
[0069]
s5：将步骤s4的输出输入至第一个全连接层后，在时间轴维度上进行全连接，输出形状为(16)的状态变量。
[0070]
s6:将形状为(16)的状态变量输入至第二个全连接层，在空间维度上进行全连接，输出为下一个采样点的功率输出预测值。
[0071]
本发明基于深度傅里叶网络的超短期光伏功率预测系统通过将历史环境和光伏功率数据输入至模型，利用卷积层提取特征并使用位置编码层提供时间轴上的计算能力，通过多次包含傅里叶变换和前馈神经网络的残差结构进行进一步特征提取和非线性拟合，有利于提高对光伏功率预测的精度和准确性，具有较高的应用价值。有利于决定光伏并网的接入；有利于决定电网的运行方式，决定电网的建设和发展；有利于决定不同能源发电的协调控制。
[0072]
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。