【《基于双道CNN和LSTM短期光伏功率预测模型分析案例》2600字】

基于双道CNN和LSTM短期光伏功率预测模型分析案例目录TOC\o"1-3"\h\u31485基于双道CNN和LSTM短期光伏功率预测模型分析案例 128091.1预测模型 1269291.1.1双通道CNN特征提取部分 247881.1.2基于LSTM的序列预测模型 2157651.1.3模型参数设置 3109761.1.4评价指标 3114291.2数据处理 3205021.3预测结果分析 5为了预测诸如太阳能发电的时间序列数据，整个目标序列具有很强的时间相关性。通常，这种相关性对于预测的准确性特别重要。在传统的人类神经网络预测方法中，它只是在输入序列和预测结果之间创建某种类型的离散系统投影关联。序列中数据时间信息内容可能丢失，并且不可能在不同时刻捕获数据。因此，明确提出了一种CNN结构以解决该问题。与BP等传统神经网络相比，CNN的历史时间记忆更适合于预测时序频率数据信息（例如太阳能输出功率）。本文构建双通道：CNN和LSTM，并对其学习和训练优化算法LSTM神经网络进行改进。创建测试模型并给出测试模型和比较模型的关键参数。1.1预测模型本文所提出的双通道模型如下图所示基于LSTM的序列预测模型。图4-11.1.1双通道CNN特征提取部分双通道存储器CNN卷积神经网络的一部分由卷积层，池化层和完全连接层组成。其中，卷积层是CNN的关键。应用卷积检查数据信息并进行卷积运算以获得数据信息的内部特征。以下公式可用于计算： Cj=σ(其中：ⓧ表示卷积运算；σ是激活函数；w表示权重值1的矩阵；b表示偏置矩阵。池化层在卷积层的输出上执行池化操作，其作用是减少数据信息并提高网络的泛化能力。双通道记忆卷积神经元网络使用两个并行处理的一维CNN，每个安全通道使用双层卷积层。这两个安全通道使用不同大小的卷积核来获得初始太阳能发电数据信息中不同的特征。所获取的特征通过组合层进行组合，然后发送到LSTM预测模型以进行预测分析。1.1.2基于LSTM的序列预测模型LSTM结构如图图4-2在该单元中ht，ct分别看作短期状态，长期状态。其中it为输入门，gt是一个候选值，ot,为输出门，ft,为遗忘门。在某一时刻输入完毕后，前面一个单元ct-1进行更新产生某一时刻内部状态ct。ct也可以用下面公式表示: ct=最后输出yt可以表示为： yt=1.1.3模型参数设置在提出的模型中，CNN双通道都选择两个卷积层的一维网络,池化尺寸选择3。两个通道的卷积核尺寸分别选择3和5。LSTM设置为两层，神经元数量设为90。两个全连接层接受LSTM的输出，同时使用relu函数作为CNN和LSTM的激活函数，全连层采用Linear激活函数。均方根误差代替训练参数，优化器选择adam。学习率设为0.001,batchsize设为24,Epoch设为200。1.1.4评价指标为验证本次实验的性能，将采用均方根误差RMSE。RMSE小,说明本次实验模拟度较好。计算公式如下所示: RMSE=t=1N式中：yt表示t时刻光伏功率真实值yt’表示PV预测值；N表示测试集尺寸。1.2数据处理机器设备常见故障，人为因素操作失误，极端天气等引起的原始记录样本中异常现象的发生和信息的缺乏：其多样化的输入自变量是由不同的物理原因引起的，无法计算相应模型。为此，有必要解决实验前缺乏信息和原始记录样本不规范的问题，以提高预测分析的精度，减少不必要的计算程序，并加快物理模型的训练速度。（1）异常值检测在特定工程项目的应用中，由于某些极端天气，电气设备工作异常，电厂人员操作失误等，在某些极端情况下会导致采集数据失真和信息异常点的发生。这种极端的异常点是数据信息样本的异常值。下图显示了发电厂一个月的每日输出功率的原始收集的样本和已解析的样本的比较。图4-3如图所示，左侧是采集后尚未解析的样本数据信息曲线的组合，右侧是经过选择和替换异常值的样本曲线的组合。可以看出，在未处理的样本图中有2个显著的极端点，并且这些极端点是离散值。在样本数据的预处理中，必须筛选并清除此类异常值。（2）缺失数据填补缺失数据由随机数据和非随机数据组成。当丢失的数据为非随机数据时，填充相邻的标准值的平均值；如果丢失的数据是随机数据，则使用热卡填充方法查找相同类型的样本数据。使用相似的数据填充最接近丢失值的数据。（3）归一化归一化是一种简化测量的方法：将数据维数限制在一定范围内。解决方案：将该表达式转换为无量纲关系表达式，使不同维度的数据计算更加方便，快捷，减少运算的片面化。将电站历史数据与气象数据匹配后，归一化将数值映射，公式如下： Xnorm=（4）天气类型量化天气数据信息中的天气类型属于叙述性词汇，不能立即带到实体模型中。因为阳光指数受天气影响无量纲的危害，无法完全替代天气类型并将其带入物理模型。因此，将阳光指数用作天气类型定量分析的基础。随机选择四种天气类型：晴天，阴天，多云和雨天，以及相似的50天样本，并使用“日照晴朗指数”输出散点图观察其散布。图4-4如图4-8所示，以雨天数据信息点为例，匹配的阳光指数集中在0.5-3.5区域，而“0.15”则更集中。从小到大这四种天气类型的匹配阳光指数是阴天<多云<阴天<晴朗。1.3预测结果分析由于地球自转和天气变化等因素的危害，太阳能发电的输出功率数据信息包括低频和高频数据信号。输入太阳能数据信息，通过不同大小的卷积核获得不同的高频特性和低频特性限制，防止丢失某些信息，使网络学习和训练特性更丰富，并提高预测分析的准确性。表4-1比较了不同预测模型的特征。如表4-1所示，与多通道网络相比，明确提出的双通道存储网络在三个错误指数值上获得了更强的结果。事实证明，与多通道网络相比，双通道存储网络的使用可以获得更丰富的功能，并合理地提高了预测分析的准确性。在双通道内存网络中，具有不同卷积内核限制的网络可以进一步提高预测分析的准确性。与多通道CNNLSTM0相比，所提出的具有不同卷积内核大小的双通道内存网络使MAE降低了12.3％，RMSE降低了3％。使用三安全通道CNN来执行svm算法引起了更多信息，这促进了计算消耗量的增加，并降低了预测分析的准确性。

表4-1方法RMSE/kW单通道CNN+LSTM(卷积核=3)49.08单通道CNN+LSTM(卷积核=5)49.31双通道CNN+LSTM(卷积核=3&3)47.87双通道CNN+LSTM(卷积核=5&5)49.20双通道CNN+LSTM(卷积核=3&5)47.61三通道CNN+LSTM(卷积核=3&5&7)47.79表4-2显示了不同卷积和大小匹配特性的比较。从表2中可以看出，卷积核大小为3和5的实体模型获得了最佳的实际结果。不同大小的卷积核的组合对预测分析的准确性有害。卷积内核大小和通信过多会导致数据信息的某些关键点丢失，而卷积内核大小过小则会导致转换能力不足并导致svm算法过时。表4-2方法RMSE/kW双通道CNN+LSTM(卷积核=2&3)48.30双通道CNN+LSTM(卷积核=3&5)47.61双通道CNN+LSTM(卷积核=5&7)