买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：北京理工大学

摘要：本发明公开的基于多级Gate‑SA‑TCN的光伏功率预测方法，属于电气工程领域。本发明在TCN的基础上引入注意力机制，得到数据加权处理后的特征提取结果，将处理后的特征向量展开成一维向量输入全连接层，预测光伏发电功率；多级门控正向优化网络根据校正结果和门控权重，对前一阶段的预测结果进行优化，并计算均方误差RMSE作为损失函数；最后，基于该模型对光伏发电功率进行实时预测。本发明通过注意力机制提高神经网络处理信息的能力以实现实时预测，并采用一种多级门控正向优化网络，通过较小的门控权重滤除前几级的累积误差，从而提高预测的准确性，可应用在光伏发电领域。

主权项：1.基于多级Gate-SA-TCN的光伏功率预测方法，其特征在于，包括如下步骤：S1对历史光伏发电功率数据进行预处理，包括对异常数据的删除，对缺失数据的补充，最后进行归一化处理；S2通过输入层将预处理后的数据输入到多级Gate-SA-TCN进行大规模的网络训练，所述预处理后的数据包括：不同温度，光照，风速条件下的历史光伏发电功率数据；S3TCN基本块堆叠了膨胀残差层和注意力机制层，用于对光伏发电站采集的数据进行特征提取；S4将处理后的特征向量展开成一维向量输入全连接层，预测光伏发电功率；S5多级门控正向优化网络，包括门控单元、校正单元和损失函数，根据校正结果和门控单元输出的权重，对前一阶段的预测结果进行优化，并计算均方误差RMSE作为损失函数；步骤S5的实现方式为：多级门控正向优化网络由两个子网络组成，一个是校正单元将上一阶段的预测作为输入并生成校正的结果，另一个是门控单元输入前一阶段的隐藏层特征表示和预测结果，并输出门控权重以使用来自校正单元的校正结果来完善先前的预测；校正单元和门控单元仅包含时间卷积层，并且校正单元具有与TCN基本块相同的网络体系结构；具体来说，校正单元由L个扩张的残差层组成，其操作表示如下：RS＝FYs-1其中，Rs是在s阶段先前预测的校正结果，是该阶段的输出，F是TCN基本块用到的函数；除特征表示外，对先前的预测结果进行操作有助于捕获时间序列之间的依赖关系；此外，由于输入输出维度相差较大，两个连续阶段之间存在瓶颈层，这有助于缓解过度拟合的问题；对于门控单元，阶段s的门控单元将前一阶段s-1的预测结果Ys-1和特征表示Hs-1作为其输入；Hs-1中的特征表示连续时刻之间的相似性和差异性，而上一阶段的输出Ys-1捕捉到了预测序列结果；合并Ys-1和Hs-1的是为了将具有相似特征表示的两个连续时刻预测结果标记为相似数据；在softmax激活函数后执行一系列操作，首先，分别对两个输入进行带有D个卷积滤波器的1×1卷积，完成这些操作后，将两个输出进行级联并馈入内核大小为3的全连接层；最后，使用另一个具有softmax激活的卷积层来获得门控优化权重Ms，门控单元中的操作公式可以写成如下： 其中，Wh，Wy是卷积权重，bh，by，b是偏差矢量；Wg连接输出gh，gy，然后将输出g馈入时间卷积，最后进行softmax激活，输出门控权重Ms以控制优化过程；给定上一阶段的预测结果Ys-1，校正结果Rs和门控优化权重Ms，优化单元R可以将对先前预测进行优化，得到校正后的预测结果Ys：Ys＝Ms⊙Rs+Ms⊙Ys-1其中⊙表示元素乘积；为了使模型最优，对于每一步的预测值都需要计算均方误差RMSE作为损失函数，再通过优化网络使损失函数值最小化，损失函数Loss为： 其中，Yreal为光伏发电功率真实值；S6输出层输出光伏发电功率训练结果，通过大量数据参与训练，从而构建得到多级Gate-SA-TCN网络模型；S7基于该模型对实时获取的数据进行光伏预测，输出实时预测结果。

全文数据：

权利要求：

百度查询： 北京理工大学 基于多级Gate-SA-TCN的光伏功率预测方法