CN119539160A 基于频域解耦和交叉注意力的光伏发电预测方法与系统 (广东工业大学)_第1页
CN119539160A 基于频域解耦和交叉注意力的光伏发电预测方法与系统 (广东工业大学)_第2页
CN119539160A 基于频域解耦和交叉注意力的光伏发电预测方法与系统 (广东工业大学)_第3页
CN119539160A 基于频域解耦和交叉注意力的光伏发电预测方法与系统 (广东工业大学)_第4页
CN119539160A 基于频域解耦和交叉注意力的光伏发电预测方法与系统 (广东工业大学)_第5页
已阅读5页,还剩30页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

基于频域解耦和交叉注意力的光伏发电预本发明公开了一种基于频域解耦和交叉注练集对所述光伏发电预测模型进行光伏发电预准确反映历史数据和未来数据之间潜在的动态2构建光伏发电预测模型,并将预处理后的光伏发电数据划分2.根据权利要求1所述的基于频域解耦和交叉注意力的光伏发电预测方法,其特征在x∈RMXL;3.根据权利要求2所述的基于频域解耦和交叉注意力的光伏发电预测方法,其特征在构建的光伏发电预测模型包括Top_K周期选择模块、时间混合多层感知机模块及跨变设置若干轮次的迭代训练对所述光伏发电预测模型进行利用Top_K周期选择模块将训练集中的单变量时间序列解耦为若干个双变量时间序时间混合多层感知机模块根据提取的若干个双变量时基于局部变化特征和全局变化特征,跨变量交叉注意模块将双变量时伏发电的内生变量和外生变量,并根据光伏发电的内生变量和外生变量进行光伏发电预4.根据权利要求3所述的基于频域解耦和交叉注意力的光伏发电预测方法,其特征在于,利用Top_K周期选择模块将训练集中的单变量时间序列解耦为若干个双变量时间序列3根据幅度谱中振幅Ai的大小对每个频率进行排序,并选择排名前K个频率进行周期计5.根据权利要求4所述的基于频域解耦和交叉注意力的光伏发电预测方法,其特征在变量时间序列;6.根据权利要求4所述的基于频域解耦和交叉注意力的光伏发电预测方法,其特征在对Top_K周期选择模块中输出的若干个双变量时间序列,利用一个时间混合多层感知对提取全局变化特征后的双变量时间序列进行转置,并利用一个新i分别表示ReLU激活函数和可学习参数矩阵,的下标in表示变量X是一个47.根据权利要求6所述的基于频域解耦和交叉注意力的光伏发电预测方法,其特征在X1∈R1xtxp;2X∈R(M_1)xtxp。28.根据权利要求7所述的基于频域解耦和交叉注意力的光伏发电预测方法,其特征在所述跨变量交叉注意模块包括若干个跨变量交叉注意力层与若干个将来自外生变量的信息整合到内生变量中,并全连接层将跨变Qk9.根据权利要求8所述的基于频域解耦和交叉注意力的光伏发电预测方法,其特征在于,将光伏发电预测值xout分别反向传播到时间混合多层感知机模块与跨变量交叉注意模块中进行模型参数更新,对时间混合多层感知机模块与跨变量交叉注意模块进行迭代优10.一种基于频域解耦和交叉注意力的光伏发电预测系统,其特征在于,所述系统包模型训练模块,用于将预处理后的光伏发电数据划分为训练集与测试集,光伏发电预测模块,用于利用训练好的光伏发电预测模型进行5[0004]随着光伏发电技术的广泛应用,现有的光伏发电预测方法逐渐暴露出其局限[0010]构建光伏发电预测模型,并将预处理后的光伏发电数据6伏发电内生变量外,还有许多气象因素外生变量,如天气及日雨量(WeatherDailyRainfall)和漫射水平辐射(DiffuseHorizontalRadiation),量化光伏发电数据中内生[0023]构建的光伏发电预测模型包括Top_K周期选择模块、时间混合多层感知机模块及[0025]利用Top_K周期选择模块将训练集中的单变量时间序列解耦为若干个双变量时间练过程的光伏发电预测模型进行参数优化,当设置的迭代训练轮次结束或损失函数收敛[0029]在上述技术方案中,利用Top_K周期选择模块将训练集中的单变量时间序列解耦7[0030]进一步地,利用Top_K周期选择模块将训练集中的单变量时间序列解耦为若干个[0036]根据幅度谱中振幅Ai的大小对每个频率进行排序,并选择排名前K个频率进行周8[0048]对Top_K周期选择模块中输出的若干个双变量时间序列,利用一个时间混合多层1122WkX2VX2;史数据和未来数据之间潜在的动态关系,从而有效提高电力调度系统的决策效率和准确[0069]进一步地,将光伏发电预测值xout分别反向传播到时间混合多层感知机模块与跨9[0070]在上述技术方案中,将光伏发电预测值xout分别反向传播到时间混合多层感知机采集的历史光伏发电数据进行预处理,能够有效提高历史光伏发电数据的实用性与可靠[0079]图1为本申请实施例提供的一种基于频域解耦和交叉注意力的光伏发电预测方法[0082]图4为本申请实施例提供的时间混合多层感知机模块的内部数据处理流程示意[0085]图7为本申请实施例提供的一种基于频域解耦和交叉注意力的光伏发电预测系统历史多元序列为单变量时间序列。[0101]具体地,假设输入变量(采集的历史光伏发电数据)除了有功功率(ActivatePower)等光伏发电内生变量外,还有许多气象因素外生变量,如天气及日雨量(WeatherDailyRainfall)和漫射水平辐射(DiffuseHorizontalRadiation)。过多的输入变量会xi表示某个特定变量。[0112]本实施例中,利用Top_K周期选择模块将训练集中的单变量时间序列解耦为若干得到双变量时间序列;[0134]对Top_K周期选择模块中输出的若干个双变量时间序列,利用一个时间混合多层22[0165]作为优选地实施例,将光伏发电预测值xout分别反向传播到时间混合多层感知机[0166]可以理解的,将光伏发电预测值xout分别反向传播到时间混合多层感知机模块与DiffuseTilted)、辐射全局倾斜(RadiationGlobalTilted)、天气日降雨量(WeatherDailyRainfall)、风向(WindDirection)、扩散水平辐射(DiffuseHorizontalRadiation)、全球水平辐射(GlobalHorizontalRadiation)、天气相对湿度(WeatherRelativeHumidity)、天气摄氏温度(WeatherTemperatureCelsius)和性能比[0175]计算每个站点每个外生变量与内生变量的MIC值,得出选择的数据集中,所有的[0182]步骤六:此时输入矩阵的每一行都被转化为三个类型(选择TOP_K的频率就有K个

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论