CN119448209A 一种基于多元特征时频同步分析和注意力机制的光伏出力预测方法 （东南大学）

一种基于多元特征时频同步分析和注意力本发明公开了一种基于多元特征时频同步采用分时段MIC相关性分析法提取出力最相关天对齐的多元本征模态；构建基于Huber损失函数应出力IMF模态分量及其相关气象模态分量，对21.一种基于多元特征时频同步分析和注意力机制的光伏出力预测方法，其特征在于，2.根据权利要求1所述的一种基于多元特征时频同步分析和注意力机制的光伏出力预3.根据权利要求1所述的一种基于多元特征时频同步分析和注意力机制的光伏出力预4.根据权利要求1所述的一种基于多元特征时频同步分析和注意力机制的光伏出力预5.根据权利要求4所述的一种基于多元特征时频同步分析和注意力机制的光伏出力预36.根据权利要求5所述的一种基于多元特征时频同步分析和注意力机制的光伏出力预7.根据权利要求1所述的一种基于多元特征时频同步分析和注意力机制的光伏出力预8.根据权利要求1所述的一种基于多元特征时频同步分析和注意力机制的光伏出力预9.根据权利要求1所述的一种基于多元特征时频同步分析和注意力机制的光伏出力预编码器接收长序列输入，通过多头概率稀疏自注意力模块和4解码器接收长序列输入，通过多头注意力与编码特征进行交互5期预测。2)基于机器学习的方法，如k最近邻(k_nearestneighbor,kNN)、支持向量机通常包括长短期记忆网络(longshort_termmemory,LSTM)和门控循环单元(gated[0009]S2：采用MVMD多元变分模态分解对出力时序结合相关气象特征进行时频同步分6[0013]进一步地，所述步骤S1中分时段MIC相关性分析法包括全时相关性分析和出力时相关性分析则专注于这些关键时段，能够更直接地识别出对光伏出力最为关键的天气因7Informer模型中，对注意力机制进行了改进，步骤S3中改进注意力机制的注意力计算方式为：测偏差大于δ,则采用类似于MAE的线性误差，减少8种等价形式的修改均落于本申请所附权利要求所限定包括全时相关性分析和出力时段相关性分析。全时相关性分析涵盖了全天24小时的数据，[0046]S2：采用MVMD多元变分模态分解对出力时序结合相关气象特征进行时频同步分[0047]MVMD多元变分模态分解的核心思想是将输入的多元时序数据分解为其固有的多9[0054]其中τ是更新步长。这个公式表明拉格朗日乘数会在每次迭代中根据当前的分解[0063]编码器接收长序列输入，通过多头概率稀疏自注意力模[0065]在训练中为了不以损失训练速度为代价来提高模型训练的准确性，采用Huber损失函数的改进Informer网络模型进行光伏出力预测模型的训练。Huber损失函数具有超参[0068]S4：根据MVMD得到的相应k个出力IMF模态分量及其相关气象模态分量，构建k个[0072]首先进行分时段MIC相关性分析，即全时相关性分析和出力时段相关性分析。其辐照度是光伏出力的决定性因素。同时不同季节的气象变量与光伏出力相关性差异明显。并将其输入基于Huber损失函数和注意力机制的Informer预测模型中进行训练并预测得到测模型，和经过MVMD分解的MVMD_CNN_LSTM预测模型、MVMD_WaveNet预测模型和提出的[0081]根据图5，图6可得，所提出的MVMD_Informer预测模型其预测曲线与真实值最接型相比，MVMD_Informer在RMSE上降低了62.48在MAE上降低了52.18在MAPE上降低了20.92％。与CNN_LSTM模型相比，性能提升更为显著，RMSE降低了81.67MAE降低了