Document
拖动滑块完成拼图
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索

基于CNN-BiLSTM-SE的广域光伏站点功率超短期预测方法和装置 

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:浙江工业大学

摘要:基于CNN‑BiLSTM‑SE的广域光伏站点功率超短期预测方法和装置,其方法包括:原始特征数据采集及数据预处理,构建动态三维时空结构数据3D_Data和一维功率结构数据P_data,逐步形成历史输入‑输出数据集Real_Con,搭建了CNN‑BiLSTM‑SE预测模型,设置光伏预测模型model_y结构参数及训练超参数,并对模型进行训练,加载并启动预测模型进行光伏功率预测,根据光伏功率预测误差评价指标对模型进行性能监测,若监测误差超出性能阈值σ则重新训练模型,若否,继续使用最新的光伏预测模型model_y预测目标光伏站点的输出功率。本发明无需气象数据,能够有效地利用区域内大量光伏站点的时空动态特征进行光伏站点超短期功率预测,且CNN‑BiLSTM‑SE预测模型能够提取数据集中的关键时空特征,显著提高了光伏功率预测精度,方法具有较好的实用性和推广价值。

主权项:1.基于CNN-BiLSTM-SE的广域光伏站点功率超短期预测方法,其特征在于,包含以下步骤:S1:原始特征数据采集及预处理:获取广域光伏集群中多个站点的不依赖气象数据的多维实时数据,并构建输入数据矩阵,第k时刻第i个站点的数据矩阵记为Dik,接着对数据矩阵Dik进行异常值和缺失值处理和归一化处理形成针对目标站点的标准化矩阵S2:构建动态三维时空结构数据3D_Data和一维功率结构数据P_data,其中3D_Data中按时序方向堆叠存放步骤S1中标准化数据P_data中按时序方向堆叠存放中目标站点归一化功率数据;确定预测关联步长w_size和预测时长h,在3D_Data和P_data时序方向上以关联步长w_size为窗口大小创建输入-输出数据,该数据集存储为历史输入-输出数据集Real_Con;S3:整合卷积神经网络CNN、双向长短期记忆网络BiLSTM和注意力机制SE构建光伏超短期功率预测模型model_y,该模型包括输入数据处理、抽象特征提取、注意力机制调整、时序建模和输出数据处理五个模块;输入数据处理模块用于接收处理数据;抽象特征提取模块用于提取抽象空间特征;注意力机制调整模块用于调整模型对数据的关注,注意力机制模块集成至CNN旁路,动态地调整卷积神经网络特征图权重,突出关键信息;时序建模模块用于捕捉时序关系;输出数据处理模块用于生成最终的光伏功率预测;S4:设置光伏预测模型model_y结构参数及训练超参数,其中模型结构参数包括卷积神经网络CNN的层数、卷积核大小、输出通道数、池化大小以及激活函数参数,双向长短期记忆网络BiLSTM的层数、隐藏单元数以及随机丢弃率参数,注意力机制的通道数量和缩放比例参数;训练超参数包括优化算法、最大迭代次数、批量大小、初始学习率、学习率衰减策略和梯度阈值;S5:模型训练:使用步骤S4中设置的结构参数和训练超参数,对模型进行训练,训练过程包括使用优化算法对光伏预测模型model_y的参数进行迭代更新,以最小化损失函数,训练数据集为步骤S2中生成的历史输入-输出数据集Real_Con;S6:加载步骤S2中3D_Data中最后时刻关联时长w_size窗口内三维数据为预测输入数据,加载并启动S5中获取的预测模型进行光伏功率预测,输出未来h时长的预测值,并根据步骤S1中归一化参数进行反归一化为光伏功率预测值;S7:根据光伏功率预测误差评价指标对模型进行性能监测,若监测误差超出性能阈值σ则返回步骤S5使用最新历史数据集Real_Con重新训练模型,若否,继续使用最新的光伏预测模型model_y预测目标光伏站点的输出功率。

全文数据:

权利要求:

百度查询: 浙江工业大学 基于CNN-BiLSTM-SE的广域光伏站点功率超短期预测方法和装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。