[發明專利]基于自編碼器深度學習模型的短期光伏功率預測方法

在審

• 申請號: 202210146567.4
• 申請日: 2022-02-17
• 公開（公告）號: CN114676622A
• 公開（公告）日: 2022-06-28
• 發明（設計）人: 袁紹軍;郭金智;畢圓圓;尹兆磊;張寶華;丁然;周迎偉;陳晨;劉震宇;劉嗣萃;于立強;白明輝;楊慢慢;張柏楊;段明慧;趙磊
• 申請（專利權）人: 國網冀北電力有限公司承德供電公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06F113/04;G06F119/02;G06F119/06
• 代理公司: 北京中南長風知識產權代理事務所(普通合伙) 11674
• 代理人: 李青

1.基于自編碼器深度學習模型的短期光伏功率預測方法，其特征在于，包括：

S1，構建變分自編碼器模型VAE；

S2，基于所述變分自編碼器模型VAE進行短期光伏功率預測。

2.根據權利要求1所述的基于自編碼器深度學習模型的短期光伏功率預測方法，其特征在于，所述S1包括：

S11，構建所述變分自編碼器模型VAE的一個編碼器和一個解碼器，其中所述編碼器用于將給定的觀察集X編碼到潛在空間Z作為分布q(z|x)，與觀察集的維度相比，所述潛在空間維度減少；使用學習到的概率分布，通過z～q(z|x)生成樣本；

S12，通過近似后驗qθ(z|x)得到所述編碼器，通過似然pφ(x|z)得到所述解碼器，其中θ和φ分別為編碼器和解碼器的參數，并構建了一個神經網絡來學習編碼器和解碼器的參數θ和φ；所述編碼器輸出的維數小于原始數據的維數；所述編碼器是通過訓練包含編碼器和解碼器的整個VAE來訓練；

S13，構建并計算損失函數，以訓練VAE的特征提??；

S14，通過使用訓練觀測值最小化損失函數L(θ,φ)來獲得編碼器和解碼器的參數。

3.根據權利要求2所述的基于自編碼器深度學習模型的短期光伏功率預測方法，其特征在于，所述S13包括：假設Xt＝[x1t,x2t,...,xNt]是VAE在時間點t的輸入數據，X是使用VAE模型重建的數據；假設最大化參數的邊際似然學習表示為：

log p_φ(x′)＝D_KL[q_θ(z|x)||p_φ(x)]+L(θ,φ；x) (1)

其中DKL[.]表示Kullback-Leibler散度，L表示編碼器和解碼器參數(即θ和φ)的似然性；VAE的損失函數由兩部分組成：重建損失和正則化器；重建損失獲得有效的編碼-解碼過程；正則化器部分允許對潛在空間構造進行正則化，以盡可能接近前綴分布來逼近編碼器外的分布；

式(2)允許增強解碼器學習數據重建的能力；使用Kulback-Leibler(KL)散度報告正則化器，該散度將編碼器函數(qθ(z|x))和潛在變量先驗(z,|pφ(z))的分布分開；KL用于計算分隔兩個給定概率分布的距離；梯度下降法用于在訓練階段最小化編碼器參數和解碼器損失函數；最小化損失函數以確保獲得規則的潛在空間z，并使用z～pφ(z)對新觀察進行充分采樣；

假設pφ(z)＝N(z；0,I),則qθ(z|x)可寫為:

log q_θ(z|x)＝logN(z；μ,σ²I) (3)。

4.根據權利要求3所述的基于自編碼器深度學習模型的短期光伏功率預測方法，其特征在于，使用所述解碼器重建數據會導致重建偏差，在VAE模型的訓練階段，通過最小化觀察集和編碼-解碼集之間的偏差來最小化該誤差，其中，重構誤差項可以表示為以下形式：

5.根據權利要求4所述的基于自編碼器深度學習模型的短期光伏功率預測方法，其特征在于，所述S2包括：

S21，進行數據預處理，包括：

(1)整體上對輸入數據通過min-max進行歸一化，然后用于構建深度學習模型，歸一化后允許在不考慮光伏設施規模的情況下比較預測性能；原始測量值y的歸一化定義為：

其中ymin和ymax分別為光伏電站的輸出功率數據的最小值和最大值；在獲得預測輸出后，應用反向操作來確保預測數據與原始光伏功率時間序列數據匹配：

(2)采用深度學習框架來預測光伏功率輸出時間序列；

S22,采用預測程序進行太陽能功率初步預測，分訓練過程和預報過程兩個階段完成；其中，原始功率數據被拆分為訓練子數據和測試子數據；對原始功率數據進行標準化以構建用于預報的深度學習模型。