[發明專利]基于混合雙向門控循環的短期光伏功率預測方法及系統

在審

• 申請號: 202310267273.1
• 申請日: 2023-03-17
• 公開（公告）號: CN116316591A
• 公開（公告）日: 2023-06-23
• 發明（設計）人: 吉興全;張玉敏;王金玉;葉平峰;楊明;于一瀟;趙國航
• 申請（專利權）人: 山東科技大學
• 主分類號: H02J3/00
• 分類號: H02J3/00;H02J3/38;G06Q10/04;G06Q50/06;G06N3/0442;G06N3/0464;G06N3/045;G06N3/047;G06N3/048;G06N3/08
• 代理公司: 濟南圣達知識產權代理有限公司 37221
• 代理人: 任歡

1.基于混合雙向門控循環的短期光伏功率預測方法，其特征在于，包括以下步驟：

獲取原始光伏功率數據和對應的氣象數據，對原始光伏功率數據進行分解，得到多個光伏功率分量；

對每個光伏功率分量和對應的氣象數據進行預處理，得到預處理后的光伏功率分量和對應的氣象數據；

搭建包含CNN層、BiGRU層、注意力層的HBiGRU模型，將預處理后的多個光伏功率分量和對應的氣象數據分別輸入至HBiGRU模型中，得到各個光伏功率分量的預測結果；

將各個光伏功率分量的預測結果進行疊加，得到短期光伏功率預測結果；

其中，BiGRU層包含兩層輸出相同、信息傳遞方向相反的GRU模型，設定考慮過去時刻信息的GRU模型為正序GRU層，考慮未來時刻信息的GRU模型為負序GRU層，t時刻BiGRU層的輸出為t時刻正序GRU層的輸出與正序GRU層輸出權重矩陣的乘積、t時刻負序GRU層的輸出與負序GRU層輸出權重矩陣的乘積之和，正序GRU層輸出權重矩陣、負序GRU層輸出權重矩陣為對BiGRU層經過預訓練得到的。

2.如權利要求1所述的基于混合雙向門控循環的短期光伏功率預測方法，其特征在于，對原始光伏功率數據進行分解，具體包括：

利用自適應噪聲完備集合經驗模態分解方法對原始光伏功率數據進行初步分解，得到多個IMF分量；

基于樣本熵方法計算各IMF分量的時間復雜度，對具有相似復雜度的I?MF分量聚合疊加重構，得到熵值大小重構后的I?MF分量；

利用變分模態分解方法對熵值大小重構后的I?MF分量中的高頻分量進行二次分解，得到光伏功率分量。

3.如權利要求1所述的基于混合雙向門控循環的短期光伏功率預測方法，其特征在于，對每個光伏功率分量和對應的氣象數據進行歸一化處理并將數據取值范圍壓縮至[0,1]，得到預處理后的光伏功率分量和氣象數據。

4.如權利要求1所述的基于混合雙向門控循環的短期光伏功率預測方法，其特征在于，將預處理后的多個光伏功率分量和對應的氣象數據分別輸入至HBiGRU模型中，得到各個光伏功率分量的預測結果，具體為：

將預處理后的每個光伏功率分量和對應的氣象數據輸入至CNN層中，提取特征向量；

將特征向量輸入至BiGRU層中，學習特征向量之間的內在聯系和時序變化規律，得到多個隱藏層輸出向量；

將多個隱藏層輸出向量輸入至注意力層，根據AM權重分配原則，計算不同隱藏層輸出向量對應的權重，得到最優權重矩陣；

基于注意力層輸出的最優權重矩陣和多個隱藏層輸出向量，得到各個光伏功率分量的預測結果。

5.如權利要求4所述的基于混合雙向門控循環的短期光伏功率預測方法，其特征在于，BiGRU模型的計算公式為：

其中，表示t時刻正序GRU模型輸出；表示t時刻負序GRU模型輸出；表示t-1時刻正序GRU模型的輸出量；表示t+1時刻負序GRU模型的輸出量；W_f1與W_f2分別為正序GRU模型輸入權重矩陣和t-1時刻輸出權重矩陣；W_b1與W_b2分別為負序GRU模型輸入權重矩陣和t+1時刻輸出權重矩陣；W₁與W₂分別為正序GRU模型和負序GRU模型輸出權重矩陣；X_t表示t時刻模型的輸入；δ表示sigmoid激活函數。

6.如權利要求4所述的基于混合雙向門控循環的短期光伏功率預測方法，其特征在于，CNN層由1個一維卷積層、1個一維池化層和全連接層組成，其中，卷積層選用tanh函數作為激活函數，池化層的池化方式選擇最大池化，輸入數據經過卷積層和池化層降維處理后通過全連接層提取特征向量，全連接層選用Sigmoid函數作為激活函數。

7.如權利要求4所述的基于混合雙向門控循環的短期光伏功率預測方法，其特征在于，對隱藏層輸出向量按照最優權重矩陣中對應的權重系數進行加權求和，得到各個光伏功率分量的預測結果。