基于多尺度卷积循环神经网络的光伏发电功率预测方法与流程

1.本发明属于光伏发电功率预测技术领域，具体涉及基于多尺度卷积循环神经网络的光伏发电功率预测方法。


背景技术：

2.光伏发电功率出力具有明显的间歇波动特性，大规模光伏发电接入会给电网安全稳定运行带来一定冲击。随着各地风电、光伏等可再生能源比例的增加，弃风、弃光现象进一步增加。
3.光伏发电功率预测是解决此问题的关键技术之一，开展光伏电站发电功率预测方法与系统研究具有重要的学术与应用价值。因此，如何准确的开展光伏电站的功率预测，近几年成为研究的热点，备受国内外学者青睐。
4.目前对于光伏发电功率的预测精度仍然不够。传统机器学习方法难以捕捉到长时依赖关系，并且各个因素之间的时序重要性也没有很好的获取。而近来有学者采用深度学习的方法对光伏发电功率进行预测，取得了较好效果。然而无论是传统的机器学习方法以及近年来比较流行的深度学习方法，都没有从时序上去捕捉各个要素之间的关联特征，预测精度不够理想。


技术实现要素：

5.有鉴于此，为解决光伏发电功率的精准预测问题，本发明的目的在于提供基于多尺度卷积循环神经网络的光伏发电功率预测方法，所述方法通过利用辐照强度、温度、湿度、气压、海拔等气象数据，提供预测准确度和精度更高的方法，对光伏发电功率情况进行预测。
6.基于上述目的，提出基于多尺度卷积循环神经网络的光伏发电功率预测方法，包括以下步骤：
7.步骤1，构建基于多尺度卷积循环神经网络的光伏发电功率预测模型；
8.步骤2，利用训练集数据，对所述的光伏发电功率预测模型进行训练，所述的训练集数据包括影响因素数据和已知的光伏发电功率数据；
9.步骤3，将测试集数据输入训练完毕的光伏发电功率预测模型，计算获得光伏发电功率的预测值。
10.具体地，所述的光伏发电功率预测模型包括第一卷积层、第一双向gru层、第一多尺度卷积层、第二双向gru层、第二多尺度卷积层、第一全连接层和第二全连接层，各层之间依次顺序连接，第一卷积层的输出和第一双向gru层的输出连接后同时作为第一多尺度卷积层和第二多尺度卷积层的输入，所述的双向gru层由一个前向gru模型和一个后向gru模型并联形成一个双向结构，所述的双向gru层输出两个合并的gru信号，所述的第一全连接层的输出层为100，第二全连接层的输出层为1，所述的光伏发电功率预测模型中第一卷积层的输入为影响因素数据序列，第二全连接层的输出为光伏发电功率值。
11.具体地，对于所述的光伏发电功率预测模型为x0,...,x
t
为影响因素序列数据，(y0,...,y
k
),k<t为已知的光伏发电功率值，(y
k 1
,...,y
t
)为需要预测的光伏发电功率值，为相应的估计值，输入为x0,...,x
t
,y0,...,y
k
变量，依次输入所述的光伏发电功率预测模型中开始训练，损失函数采用标准归一化mse，激活函数采用relu函数。
12.具体地，所述的光伏发电功率预测模型的解析表达式如下：
[0013][0014][0015][0016][0017][0018][0019]
c
4t
＝η2([c
2t
,c
3t
])
[0020][0021]
其中，x
t
为t时刻模型的输入，η1(
·
)和η2(
·
)为两个卷积操作，[
·
，
·
]为合并连接操作，mutiscalconv(
·
，scale1)和mutiscalconv(
·
，scale2)分别是尺度为scale1和 scale2的两个多尺度卷积操作，具体的融合卷积的过程如下：
[0022]
第一卷积层η1(x
t
)接受序列数据x
t
的输入，输出为同时作为第一多尺度卷积层和第二多尺度卷积层的输入；
[0023]
为第一双向gru层的输出，表示将前向gru的输出与后向gru输出进行合并连接；是对第一双向gru层乘以权重向量并加上偏移向量的结果；
[0024]
将与η1(x
t
)的输出进行合并为p
t1
，作为第一多尺度卷积层的输入；
[0025]
是尺度为scale1的第一多尺度卷积层的输出，连接到第二双向gru层；
[0026]
为第二双向gru层的输出，表示将其中前向gru的输出与后向gru输出进行合并连接；是对第二双向gru层乘以权重向量并加上偏移向量的结果；
[0027]
以此类推，通过表达式得到通过一个尺度为scale2的卷积操作，对 [c
2t
,c
3t
]进行提取，使得那些对目标更为重要的尺度信息能够保留下来，得到输出再经过全连接操作得到输出o
t
；
[0028]
其中，和均是通过学习训练所得。
[0029]
具体地，所述的双向gru层通过连接前向gru和后向gru两个gru模型形成的一个双向结构，前向gru中第一层遗忘门输出：f
1t
＝σ(w
1f
[h
1t
‑1,x”t
] b
1f
)，σ(x)＝1/(1 e
‑
x
)，在前
向gru更新门中，第一输出为：z
1t
＝σ(w
1z
[h
1t
‑1,x”t
] b
1z
)，第二输出为：同理，后向gru相应的第一输出为：z
2t
＝σ(w
2z
[h
2t
‑1,x”t
] b
2z
)，第二输出：前向 gru的中间输出以及后向gru的中间输出通过对中间输出的聚合操作，得到输出得到输出表示将前向gru的输出与后向gru输出进行合并连接，作为双向gru层的输出为双向gru层的输入，[w
1f
,b
1f
]， [w
1z
,b
1z
]，[w
1h
,b
1h
]为前向gru模型参数，[w
2f
,b
2f
],[w
2z
,b
2z
]，[w
2h
,b
2h
]为反向gru模型参数，[w
12o
,b
12o
]为输出层参数。为第一双向gru层的输出，对应的，为第二双向gru层的输出。
[0030]
优选地，所述的卷积层为1维卷积网络。
[0031]
具体地，所述的影响因素数据包括辐照强度、温度、湿度和气压。
[0032]
本发明方法中的光伏发电功率预测模型主要包含多尺度卷积层、双向gru 层和全连接层，将多尺度卷积层引入到循环神经网络中，将改进后的多个注意力单元通过串联方式进行连接，从不同尺度上分布注意力机制，从而使得模型能够从不同尺度采集历史信息，区别不同输入元素对预测结果的影响，双向 gru层在gru的基础上能够更加充分的获取序列数据的上下文信息，整个模型采用卷积结构对不同尺度注意力机制的识别输出进行融合，并通过卷积连接对不同尺度对输出进行筛选和识别，使得那些对目标更为重要的尺度信息能够保留下来，由此对光伏发电功率的预测获取更好的精度。
附图说明
[0033]
图1为本发明方法的流程示意图；
[0034]
图2为本发明方法的数据处理流程图；
[0035]
图3为本发明中1维卷积网络的示意图。
具体实施方式
[0036]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0037]
如图1所示，提出基于多尺度卷积循环神经网络的光伏发电功率预测方法，包括以下步骤：
[0038]
步骤1，构建基于多尺度卷积循环神经网络的光伏发电功率预测模型；
[0039]
步骤2，利用训练集数据，对所述的光伏发电功率预测模型进行训练，所述的训练集数据包括影响因素数据和已知的光伏发电功率数据；
[0040]
步骤3，将测试集数据输入训练完毕的光伏发电功率预测模型，计算获得光伏发电功率的预测值。
[0041]
具体地，所述的光伏发电功率预测模型包括第一卷积层、第一双向gru层、第一多尺度卷积层、第二双向gru层、第二多尺度卷积层、第一全连接层和第二全连接层，各层之间依次顺序连接，第一卷积层的输出和第一双向gru层的输出连接后同时作为第一多尺度卷积层和第二多尺度卷积层的输入，所述的双向gru层由一个前向gru模型和一个后向gru模型并联形成一个双向结构，所述的双向gru层输出两个合并的gru信号，所述的第一全连接层的输出层为100，第二全连接层的输出层为1，所述的光伏发电功率预测模型中第一卷积层的输入为影响因素数据序列，全连接层的输出为光伏发电功率值。
[0042]
具体地，对于所述的光伏发电功率预测模型为x0,...,x
t
为影响因素序列数据，(y0,...,y
k
),k<t为已知的光伏发电功率值，(y
k 1
,...,y
t
)为需要预测的光伏发电功率值，为相应的估计值，输入为x0,...,x
t
,y0,...,y
k
变量，依次输入所述的光伏发电功率预测模型中开始训练，损失函数采用标准归一化mse，激活函数采用relu函数。
[0043]
具体地，所述的光伏发电功率预测模型的解析表达式如下：
[0044][0045][0046][0047][0048][0049][0050]
c
4t
＝η2([c
2t
,c
3t
])
[0051][0052]
其中，x
t
为t时刻模型的输入，η1(
·
)和η2(
·
)为两个卷积操作，[
·
，
·
]为合并连接操作，mutiscalconv(
·
，scale1)和mutiscalconv(
·
，scale2)分别是尺度为scale1和 scale2的两个多尺度卷积操作，具体的融合卷积的过程如下：
[0053]
第一卷积层η1(x
t
)接受序列数据x
t
的输入，输出为同时作为第一多尺度卷积层和第二多尺度卷积层的输入；
[0054]
为第一双向gru层的输出，表示将前向gru的输出与后向gru输出进行合并连接；是对第一双向gru层乘以权重向量并加上偏移向量的结果；
[0055]
将与η1(x
t
)的输出进行合并为p
t1
，作为第一多尺度卷积层的输入；
[0056]
是尺度为scale1的第一多尺度卷积层的输出，连接到第二双向gru层；
[0057]
为第二双向gru层的输出，表示将其中前向gru的输出与后向gru输出进行合并连接；是对第二双向gru层乘以权重向量并加上偏移向量
的结果；
[0058]
以此类推，通过表达式得到通过一个尺度为scale2的卷积操作，对 [c
2t
,c
3t
]进行提取，使得那些对目标更为重要的尺度信息能够保留下来，得到输出再经过全连接操作得到输出o
t
；本发明方法的数据处理流程如图2所示；
[0059]
其中，和均是通过学习训练所得。
[0060]
具体地，所述的双向gru层通过连接前向gru和后向gru两个gru模型形成的一个双向结构，前向gru中第一层遗忘门输出：f
1t
＝σ(w
1f
[h
1t
‑1,x”t
] b
1f
)，σ(x)＝1/(1 e
‑
x
)，在前向gru更新门中，第一输出为：z
1t
＝σ(w
1z
[h
1t
‑1,x”t
] b
1z
)，第二输出为：同理，后向gru相应的第一输出为：z
2t
＝σ(w
2z
[h
2t
‑1,x”t
] b
2z
)，第二输出：前向gru的中间输出以及后向gru的中间输出 h
2t
＝(1
‑
z
2t
)
·
h
2i
‑1 h
2t
·
z
2t
，通过对中间输出的聚合操作，得到输出得到输出表示将前向gru的输出与后向gru输出进行合并连接，作为双向gru层的输出x”t
为双向gru层的输入，[w
1f
,b
1f
]， [w
1z
,b
1z
]，[w
1h
,b
1h
]为前向gru模型参数，[w
2f
,b
2f
],[w
2z
,b
2z
]，[w
2h
,b
2h
]为反向gru模型参数，[w
12o
,b
12o
]为输出层参数。为第一双向gru层的输出，对应的，为第二双向gru层的输出。
[0061]
优选地，所述的卷积层为1维卷积网络。
[0062]
具体地，所述的影响因素数据包括辐照强度、温度、湿度和气压。
[0063]
优选地，所述的卷积层为1维卷积网络。卷积神经网络一般包括1维卷积、 2维卷积以及3维卷积网络。一维卷积网络主要用于序列数据，例如音频数据、设备维修抽样数据等，二维卷积主要用于图像处理，例如图像分类、目标识别、图像分割等，三维卷积网络主要用于视频处理，例如医学影像视频、动作检测等。本实施例中主要对时间序列数据进行分析，采用1维卷积网络结果。典型的1维卷积网络结果如图3所示。其中包含一维卷积核向量，过滤尺寸(filtersize)k＝4。卷积间隔(dilation factors)d＝1。
[0064]
对于当前需要卷积的元素s来讲，一维卷积操作的数学表达式为：
[0065]
其中f(i)表示卷积核函数，x
s
‑
d
·
i
表示向前取间隔为d的样本值。
[0066]
为了更好的展示本实施例的细节，本实施例提供一个实验进行效果说明。本发明所采用的数据是来自于国外某光伏发电公司的实测数据。每个一个小时采集一次数据，每天采集十个小时的数据。本实施例的实验数据包括300天的 3000组数据，其中2900组数据进行分类训练，100组数据作为测试数据，
[0067]
本实施例所采用的实验背景为：电脑主要配置为：pentium(r)dual
‑
core 3.06 cpu，8g ram内存。
[0068]
效果评估：本实施例对方法的性能评估采用的参数包括rmse、mae、mape 以及cc：
[0069]
rmse(root mean square error，均方根误差)，其计算方式为：
[0070][0071]
mae(mean absolutely error，平均绝对误差)，其计算方式为：
[0072][0073]
mape(mean absolutely percentage error平均绝对百分误差)，其计算方式为：
[0074][0075]
r2(coefficient of determination；)，确定系数，计算方式为：
[0076][0077]
需要说明的是，rmse、mae以及mape都是对预测误差的衡量，其值越小代表越准确，而r2参数代表两个序列数量的确定系数，其值越大，代表两个序列数据越为相关，预测效果越好。
[0078]
在上述数据中进行实验，可得预测光伏发电功率的预测精度如表1。
[0079]
表1：不同算法的预测结果值
[0080][0081]
从结果中可以看出，本发明方法相对于其他循环神经网络模型具备更好的精度。
[0082]
由发明内容和实施例可知，本发明方法中的光伏发电功率预测模型主要包含多尺度卷积层、双向gru层和全连接层，将多尺度卷积层引入到循环神经网络中，将改进后的多个注意力单元通过串联方式和跳连方式进行连接，从不同尺度上分布注意力机制，从而使得模型能够从不同尺度采集历史信息，区别不同输入元素对预测结果的影响，双向gru层在gru的基础上能够更加充分的获取序列数据的上下文信息，整个模型采用卷积结构对不同
尺度注意力机制的识别输出进行融合，并通过卷积连接对不同尺度对输出进行筛选和识别，使得那些对目标更为重要的尺度信息能够保留下来，由此对光伏发电功率的预测获取更好的精度。