CN119482456A 一种基于kan的光伏功率预测方法及系统 （华南理工大学）

本发明公开了一种基于KAN的光伏功率预测模型；使用光伏出力日前预测模型预测光伏功间点的变量特征，学习各个输入变量特征的关2;特征输入至时空特征融合及预测功率输出模块以输出光伏功率预4.根据权利要求3所述的一种基于KAN的光伏功率预测5.根据权利要求4所述的一种基于KAN的;3;;是指对的每一行向量进行运算，设某一行向量为r-a，则;;;其中为多头注意力机制计算结果拼接后的矩阵，为第G头注意力机制计算结果，6.根据权利要求3所述的一种基于KAN的光伏功;其中，分别空间特征提取模块和时序特征提取模将训练集的天气特征输入至光伏出力日前预测模型，光伏出力日前;4s-[h,…]为训练集中的真实输出功率序列，将测试集的天气特征输入训练好的光伏出力日前预测模型，光伏出43）将预处理后的天气特征数据输入至达到测试;10.实现权利要求1~9任一项所述的一种基于KAN的光伏功率预测方法的系统，其特征所述空间特征提取模块用于提取样本数据中同一时间点变量所述时序特征提取模块用于提取样本数据中不同时间点变量所述时空特征融合及预测功率输出模块的作用是将空间特5[0001]本发明涉及风电功率预测领域，具体涉及一种基于KAN的光伏功率预测方法及系（BidirectionalLongShort_TermMemory,BiLSTM）、卷积神经网络(Convolutional足之处在于，它们都是将不可学习的激活函数放置于神经元上，使得模型的非线性拟合能致预测精度受限。b）将天气特征和输出功率缺失或超出正常范围的数据点用相邻两时刻的平均值;6;mp为输入样本的时间点个是指对的每一行向量进行运算，设某一行向量为，则;7为向量Z的第j个元素，J为向量长度，jE(1,2…J)；;;;;j的序列长度。[0014]其中为月平均均方根误差，Ba为i时刻实际功率，Pu为i时刻预测的光伏功843）将预处理后的天气特征数据输入至达到测试要求的光伏出力日前预测模型;[0016]实现所述的一种基于KAN的光伏功率预测方法的系统，包括光伏出力日前预测模所述空间特征提取模块用于提取样本数据中同一时间点变量所述时序特征提取模块用于提取样本数据中不同时间点变量所述时空特征融合及预测功率输出模块的作用是将空间特征与时序特征进行融9光伏出力日前预测模型以科尔莫戈洛夫_阿诺德网络(Kolmogorov_ArnoldNetworksKAN)为基本架构，整个模型的结构示意图如图2所示，整个光伏出力日前预测模型分为三个模[0024]科尔莫戈洛夫_阿诺德网络(Kolmogorov_ArnoldNetworksKAN)是受Kolmogorov_Arnold表示定理(Kolmogorov–ArnoldRepresentationTheoremKART)启发;;;,∈x，自变量取值范围为;;[0027]图1所示的KAN为两个KAN层堆叠构成，第一个KAN层输入为[t,][h,hr,hs,,hz,h]，第二个KAN层输入为b1,hz,hs,h,h]和输出为。[0028]本发明所述的空间特征提取模块的作用是提取样本数据中同一时间点的变量特征，用于学习同一时间点各个输入天气变量之间相互作用对该时间点的光伏功率的影响。通过引入跳跃连接（skipconnections如图2中空间特征提取模块中所示的跳跃连接跃连接为基本单元，如图2的空间特征提取模块中所示的基本单元，后面跟随的数字为编;;;:;;;其中A为多头注意力机制计算结果拼接后的矩阵，AC为第G头注意力机制计算结[0031]所述时空特征融合及预测功率输出模块的作用是将时序特征提取模块提取到的;其中，分别空间特征提取模块和时序特征[0033]实现所述的一种基于KAN的光伏功率预测系统的光伏功率预测方法，整个光伏功从待应用的光伏场站获取历史数据作为原始数据集，这些数据需要包含天气特a）将输出功率为0所对应的天气特征置为0，因为此时光伏发电机组尚未开始工;;其中，MSE(,)为的均方根误差，为训练集中的真实输出功率序[0046]根据国家标准，光伏出力日前预测模型的预测精度须达到月平均准确率cx为85%获取数值天气预报的天气特征作为光伏出力日前预测模型的输入以进行;所展示的仿真实验结果皆为基于min_max归一化后的数据值，且由于该数据集缺乏开机容的深度KAN在本发明的光伏出力日前预测模型中作为空间特征提取模块提取输入数据的特[0053]为了对比突出本发明改进后的深度KAN对深层次特征的强大提取能力，现对现有而体现各模型对不同输入特征的提取能力。利用下式计算输出功率与各输入变量的;;出现的恶化情况，说明三者无法有效提取到新加入的输入特征；虽然CNN_LSTM模型的说明本发明模型对新加入的最深层次的输入特征提取能力强大。总体来说本发明模型的[0063]图4为各模型功率值的预测结果，展示