[發明專利]基于多級Gate-SA-TCN的光伏功率預測方法

有效

• 申請號: 202110496086.1
• 申請日: 2021-05-07
• 公開（公告）號: CN113095596B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 周艷婷;鄒蘇酈;馬中靜
• 申請（專利權）人: 北京理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/045;G06N3/0442;G06N3/0464;G06N3/047;G06N3/048;G06N3/084
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 鄔曉楠

1.基于多級Gate-SA-TCN的光伏功率預測方法，其特征在于，包括如下步驟：

S1對歷史光伏發電功率數據進行預處理，包括對異常數據的刪除，對缺失數據的補充，最后進行歸一化處理；

S2通過輸入層將預處理后的數據輸入到多級Gate-SA-TCN進行大規模的網絡訓練，所述預處理后的數據包括：不同溫度，光照，風速條件下的歷史光伏發電功率數據；

S3?TCN基本塊堆疊了膨脹殘差層和注意力機制層，用于對光伏發電站采集的數據進行特征提取；

S4將處理后的特征向量展開成一維向量輸入全連接層，預測光伏發電功率；

S5多級門控正向優化網絡，包括門控單元、校正單元和損失函數，根據校正結果和門控單元輸出的權重，對前一階段的預測結果進行優化，并計算均方誤差RMSE作為損失函數；

步驟S5的實現方式為：

多級門控正向優化網絡由兩個子網絡組成，一個是校正單元將上一階段的預測作為輸入并生成校正的結果，另一個是門控單元輸入前一階段的隱藏層特征表示和預測結果，并輸出門控權重以使用來自校正單元的校正結果來完善先前的預測；校正單元和門控單元僅包含時間卷積層，并且校正單元具有與TCN基本塊相同的網絡體系結構；具體來說，校正單元由L個擴張的殘差層組成，其操作表示如下：

R_S＝F(Y_s-1)

其中，R_s是在s階段先前預測的校正結果，是該階段的輸出，F是TCN基本塊用到的函數；除特征表示外，對先前的預測結果進行操作有助于捕獲時間序列之間的依賴關系；此外，由于輸入輸出維度相差較大，兩個連續階段之間存在瓶頸層，這有助于緩解過度擬合的問題；

對于門控單元，階段s的門控單元將前一階段s-1的預測結果Y_s-1和特征表示H_s-1作為其輸入；H_s-1中的特征表示連續時刻之間的相似性和差異性，而上一階段的輸出Y_s-1捕捉到了預測序列結果；合并Y_s-1和H_s-1的是為了將具有相似特征表示的兩個連續時刻預測結果標記為相似數據；在softmax激活函數后執行一系列操作，首先，分別對兩個輸入進行帶有D個卷積濾波器的1×1卷積，完成這些操作后，將兩個輸出進行級聯并饋入內核大小為3的全連接層；

最后，使用另一個具有softmax激活的卷積層來獲得門控優化權重M_s，門控單元中的操作公式可以寫成如下：

其中，W_h，W_y是卷積權重，b_h，b_y，b是偏差矢量；W_g連接輸出g_h，g_y，然后將輸出g饋入時間卷積，最后進行softmax激活，輸出門控權重M_s以控制優化過程；

給定上一階段的預測結果Y_s-1，校正結果R_s和門控優化權重M_s，優化單元R可以將對先前預測進行優化，得到校正后的預測結果Y_s：

Y_s＝M_s⊙R_s+M_s⊙Y_s-1

其中⊙表示元素乘積；

為了使模型最優，對于每一步的預測值都需要計算均方誤差RMSE作為損失函數，再通過優化網絡使損失函數值最小化，損失函數Loss為：

其中，Y_real為光伏發電功率真實值；

S6輸出層輸出光伏發電功率訓練結果，通過大量數據參與訓練，從而構建得到多級Gate-SA-TCN網絡模型；

S7基于該模型對實時獲取的數據進行光伏預測，輸出實時預測結果。

2.如權利要求1所述，基于多級Gate-SA-TCN的光伏功率預測方法，其特征在于，步驟S3的具體實現方法為：

膨脹殘差層由因果卷積層，擴張卷積層，殘差連接塊組成；注意力機制層從TCN隱藏層的大量信息中選擇出對當前任務目標更關鍵的信息，賦予更大的權值，進而得到特征數據加權處理后的結果。

3.如權利要求1或2所述，基于多級Gate-SA-TCN的光伏功率預測方法，其特征在于：

因果卷積層的輸出首先傳遞到擴張卷積層中，然后通過1×1卷積對其輸出進行處理，再采用殘差連接來促進梯度反向傳播；擴張卷積使得有效窗口的大小隨著層數呈指數型增長，殘差塊可以保證TCN網絡的穩定性，因此卷積網絡用比較少的層，就可以獲得很大的感受野；每個膨脹殘差層的操作可以描述如下：

其中l∈[1,L]是層數，H_l是第l個膨脹殘差層的輸出，表示擴張時間卷積和1×1卷積層中的卷積算子；W_l∈R和W₂∈R是可學習的權重，而b₁，b₂∈R是卷積層的偏置矢量；

注意力機制目的是在所有時刻之間建立一對一的關聯，不依賴任何外部信息，因此稱為自我關注；注意力機制層包括softmax函數和乘法器，softmax函數對注意力分數進行歸一化得到直接可用的權重，乘法器將采集的數據和權重進行加權求和來得到注意力加權特征Att；用X＝[X₁,…,X_N]表示H_l中N個特征，經過注意力機制得到單元輸出：

H_L＝γ×Att+X

其中，γ表示可學習的參數；

在最后一個膨脹殘差層的輸出上應用1×1卷積，然后進行RELU激活，即

Y是TCN基本塊的輸出，H_L是最后一個膨脹殘差層的輸出，W和b是1×1卷積層的學習權重和偏差。