CN119419798A 基于sax-mha-gcn的区域光伏功率预测方法 （国网浙江省电力有限公司电力科学研究院）

本申请为基于SAX_MHA_GCN的区域光伏功率预测方法，属于分布式光伏超短期功率预测领择近时段分布式光伏出力时序数据作为输入特法嵌入图卷积网络中的每个GCN图卷积块，以构23通过计算图卷积SAX符号特征矩阵中每两个站点i和j之间的距离，得到不同节点间的将中间过程矩阵的非对角线数值归一化处理4;将模型输入数据xin的维度从(B,N',FimT)变换为(B,T,N'XFin)，按批次将模型输入数据xin与平均时间注意力矩阵Ar进行矩阵乘法，得到多头时间注将多头时间注意力矩阵xrar的维度从(B,N,FmT)变换为(B,FmnxT,N)，并进行多头RX。59.根据权利要求8所述的基于SAX_MHA_GCN的区域将时间卷积结果yrme与经过残差卷积处理后的输出相加，得到图卷积输出矩阵。BfoT；eRl。6[0001]本发明属于分布式光伏超短期功率预测领域，特别涉及基于SAX_MHA_GCN的区域78的面积为2/o，当映射规则为时将符号化矩阵c中的每个元通过计算图卷积SAX符号特征矩阵中每两个站点i和j之间的距离，得到不同节点9将中间过程矩阵的非对角线数值归一化处理S2.2，对模型输入数据xin进行多头时间注意力处理，获得多头时间注意力矩阵;S2.3，基于多头时间注意力矩阵xra[0015]将全局SAX邻接矩阵非对角线数值归一化后，可得最终图卷积网络所使用的邻S2.2，对模型输入数据xin进行多头时间注意力处理，获得多头时间注意力矩阵;S2.3，基于多头时间注意力矩阵xra(B,N",Fim,T)，进行多头空间注意力处理，B*N'=N，Fn为特征数，T为压缩步长，设多头自注意力机制的初始输入序列表达式为xeRxd[0019]通过线性变化将映射到查询Qin、键Kin和值Vin的向量表示，设ininin的计算公式具体如下：对于第in个头（in=1,2…,h注意力得分A,通过查询Q、键K的点积并进行归一化过置换维度得到，然后计算平均注意力矩阵，设取平均的维度为d=3（对应空间节点数量N的维度对Ar.p在维度d上取平均得到注意力矩阵Ar：Arp(:,:,:,n)表示取A:p中第n个空间节点维度上的元素，然后对所有w'个元素按批次将模型输入数据xin与平均时间注意力矩阵Ar进行矩阵乘法，得到多头时[0023]将多头时间注意力矩阵xrar的维度从(B,N,FmT)变换为(B,FmnxT,N)，并进行[0024]根据全局SAX邻接矩阵A成第k阶Chebyshev多项式TK，将第k阶Chebyshev多项式[0025]对输入数据xin进行残差卷积处理,设残差卷积层的权重矩阵为w,e，将时间卷积结果yrme与经过残差卷积处理后的输出相加，得到图卷积输出矩阵。；本发明提出了一种基于SAX_MHA_GCN的区域光伏功率预测方法，旨在高效处理多[0030]本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同行：,表征区域各分布式光伏站点；ε为边，A为基于边的无向图邻接矩阵，将高斯概率密度曲线划分为0个区间（k=1,2,…,o确保每个区间曲线下的面积为2/o，当映射规则为or-1sctso4时将符号化矩阵c中的每个[0036]通过计算图卷积SAX符号特征矩阵中每两个站点i和j之间的距离，得到不同节点tfT,其中B为批处理数，n'为单个批次的元素（站点）个数，即B"=N，Fn为特征数，T为压缩步长，设多头自注意力机制的初始输入序列表达式为xeRxd[0038]通过线性变化将映射到查询Qin、键Kin和值Vin的向量表示，设ininin的计算公式具体如下：对于第in个头（in=1,2…,h注意力得分A,通过查询Q、键K的点积并进行归一化有批次的所有通道拼接起来，可得多头注意力机制的最终输出。通（对应空间节点数量N的维度对A:p在维度d上取平均得到注意力矩阵：Arp(:,:,:,n)表示取A:p中第n个空间节点维度上的元素，然后对所有w'个元素[0042]S2.3，将多头时间注意力矩阵xrar的维度从(B,N,FmT)变换为(B,FmnxT,N)，根据全局SAX邻接矩阵A成第k阶Chebyshev多项式TK，将第k阶Chebyshev多项式积输出矩阵z=yrime+x,。B'fouT；[0049]在GCN各图卷积块中率先运用时空多头注意力机制精准捕捉复杂特征依赖关系，层与SAX反演过程计算得出超短期功率预测值，实现面向区域多站点的高性能分布式光伏将本发明所提方法应用于某区域分布式光伏集群共计109个分布式光伏站点，总pp阵均采用未经SAX符号化压缩的关联度矩阵，构建方法为场站间功率相似度除以距离的归[0054]图2展示了各模型在各季节典型月份的四种典型天气下4h光伏功率预测对比曲法在处理多样化天气条件时具备最强的泛化能力和最高[0055]图3为各模型在2023全年不同月份四种典型天气下的预测评价指标雷达图。从图在12个月的RMSE与MAPE指标上分别平均降低了12.05%明方法则采用区域预测输出的场站结果。附图4展示了该站点在不同典型日中的超短期功此外，方法还依据基于多对多预测框架的MHA_GCN模型一次性快速计算出所有场站的超短[0060]为了直观地展现SAX与MHA算法在本发明模型中的作用，本发明挑选了9个分布式强的