[發明專利]一種基于滑動窗口和局部時序特征的光伏發電功率預測方法

在審

• 申請號: 202110079389.3
• 申請日: 2021-01-21
• 公開（公告）號: CN112784960A
• 公開（公告）日: 2021-05-11
• 發明（設計）人: 謝宏文;陳慶文;查浩;辛頌旭;石耀宇;奚瑜;常雪劍;李暉
• 申請（專利權）人: 中國電建集團西北勘測設計研究院有限公司;水電水利規劃設計總院
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F17/18;G06Q10/04;G06Q50/06
• 代理公司: 西安吉盛專利代理有限責任公司 61108
• 代理人: 李新苗

1.一種基于滑動窗口和局部時序特征的光伏發電功率預測方法，其特征在于：先利用帶注意力模塊的一維卷積神經網絡CNN提取光伏功率數據的空間特征，再利用長短時記憶網絡LSTM對提取得到的空間特征進行時序特征學習，提取時序特征，并利用全連接層對提取得到的時序特征進行回歸預測分析，得到最終的光伏功率預測結果。

2.根據權利要求1所述的一種基于滑動窗口和局部時序特征的光伏發電功率預測方法，其特征在于：所述一維卷積神經網絡CNN包括四個卷積層和兩個池化層，每兩個卷積層后接入一個池化層，所述注意力模塊嵌在第四個卷積層內。

3.根據權利要求1所述的一種基于滑動窗口和局部時序特征的光伏發電功率預測方法，其特征在于，具體過程如下：

步驟1)利用尺寸為M×N的移動窗口在光伏功率數據上截取尺寸為M×N的輸入數據塊；其中，M為光伏功率數據在時間維度上的長度，N為光伏功率數據集中變量的個數，其為固定值；

步驟2)利用帶注意力模塊的一維卷積神經網絡CNN提取光伏功率數據的空間特征，得到特征圖F；

步驟3)利用LSTM對提取得到的空間特征進行時序特征學習：將特征圖F進行全局最大池化，得到每個滑動窗口的局部時空特征S_i，并按照所有滑動窗口的時序關系，將S₁，S₂，…，S_M依序拼接，然后將其送入到長短時記憶網絡LSTM中進行時序特征提取，并利用全連接層對提取得到的特征進行回歸預測分析，得到最終的光伏功率預測結果。

4.根據權利要求2所述的一種基于滑動窗口和局部時序特征的光伏發電功率預測方法，其特征在于，利用帶注意力模塊的一維卷積神經網絡CNN提取光伏功率數據的空間特征的具體過程如下：

第一卷積層對輸入數據塊進行一維卷積操作輸出特征圖F1，第二卷積層對特征圖F1進行一維卷積操作后輸出特征圖F2后，通過第一池化層對特征圖F2進行一維最大值池化操作，然后由第三卷積層進行一維卷積操作后輸出特征圖F3，特征圖F3分別流向了兩個分支，第一分支是第四卷積層，通過一維卷積操作后輸出特征圖F4，另一分支通過注意力模塊獲得權重向量W，通過特征圖F4和權重向量W得到特征圖F。

5.根據權利要求1或2所述的一種基于滑動窗口和局部時序特征的光伏發電功率預測方法，其特征在于：帶注意力模塊包括一個池化層和一個softmax激活層。

6.根據權利要求4所述的一種基于滑動窗口和局部時序特征的光伏發電功率預測方法，其特征在于，所述一維卷積操作的表達式如下：

式中，f表示第x個卷積層的卷積操作，X則表示當前層的輸入，Fx表示第x層的輸出特征圖，Conv1×3表示一維的卷積操作，該卷積的卷積核尺寸為1×3。

7.根據權利要求4所述的一種基于滑動窗口和局部時序特征的光伏發電功率預測方法，其特征在于：

G＝GMP1D(F₃)

W＝softmax(G)

式中，GMP1D表示最大池化操作，W表示由G經過softmax激活層激活的權重向量。

8.根據權利要求4所述的一種基于滑動窗口和局部時序特征的光伏發電功率預測方法，其特征在于：特征圖F是通過特征圖F4與該權重向量W進行點乘操作得到，表達式如下：F＝F₄·W。