[发明专利]基于多级Gate-SA-TCN的光伏功率预测方法

说明书

本发明公开的基于多级Gate‑SA‑TCN的光伏功率预测方法，属于电气工程领域。本发明在TCN的基础上引入注意力机制，得到数据加权处理后的特征提取结果，将处理后的特征向量展开成一维向量输入全连接层，预测光伏发电功率；多级门控正向优化网络根据校正结果和门控权重，对前一阶段的预测结果进行优化，并计算均方误差RMSE作为损失函数；最后，基于该模型对光伏发电功率进行实时预测。本发明通过注意力机制提高神经网络处理信息的能力以实现实时预测，并采用一种多级门控正向优化网络，通过较小的门控权重滤除前几级的累积误差，从而提高预测的准确性，可应用在光伏发电领域。

技术领域

本发明属于电气工程技术领域，涉及到一种用于预测的深度学习方法，特别涉及到一种对光伏发电功率预测的方法。

背景技术

风能和太阳能等分布式能源在世界各地迅速发展，在电力系统中发挥着重要作用。为了提高未来智能电网中太阳能发电的普及率，全世界已经采取了许多能源立法和激励措施。然而，太阳能的随机性和间歇性给电网的稳定运行和管理带来了困难。这些不确定性也会降低实时控制性能和经济效益，不利于光伏电厂的大规模扩建。准确预测光伏功率的方法已成为解决光伏规划和建模问题的重要工具，可以减轻对整个电力系统的负面影响，提高系统的稳定性。随着目前电网的发展，利用更丰富的能源数据构建更精密的预测模型，实现更精确的光伏发电预测在智能电网中已成为迫切需要。

在光伏功率预测方法中，TCN网络可以取代RNN作为处理序列任务的首选，TCN使用1D卷积，与基于RNN的方法相反，TCN计算是按层执行的，这意味着在每个时间步数中，其权重都会同时更新，从而允许TCN处理长期序列。由于CNN内核的接受领域有限，TCN在处理长序列依赖关系时仍有局限性。目前常用的MS-TCN(Multistage-TCN)只是顺序堆叠了多个单级TCN，这些TCN直接对前一个TCN的输出进行操作以获得最终预测。简单的MS-TCN只是将前一阶段的输出馈送到下一阶段以完善预测。这种优化引起的误差在几个优化阶段之后被累积，并且显著影响最终预测结果。

发明内容

本发明针对上述现有技术存在的问题，提出了基于多级Gate-SA-TCN(Gate-Self-Attention Temporal Convolutional Network)的光伏功率预测方法，以提升神经网络处理信息的能力，提高预测的准确性。

本发明的目的是通过如下技术方案实现的：

S1对历史光伏发电功率数据进行预处理，包括对异常数据的删除，对缺失数据的补充，最后进行归一化处理。

S2通过输入层将预处理后的数据输入到多级Gate-SA-TCN进行大规模的网络训练，所述预处理后的数据包括：不同温度，光照，风速条件下的历史光伏发电功率数据。

S3 TCN基本块堆叠了膨胀残差层和注意力机制层，用于对光伏发电站采集的数据进行特征提取。

膨胀残差层由因果卷积层，扩张卷积层，残差连接块组成；注意力机制层从TCN隐藏层的大量信息中选择出对当前任务目标更关键的信息，赋予更大的权值，进而得到特征数据加权处理后的结果。

具体来说，因果卷积层的输出首先传递到扩张卷积层中，然后通过1×1卷积对其输出进行处理，再采用残差连接来促进梯度反向传播。扩张卷积使得有效窗口的大小随着层数呈指数型增长，残差块可以保证TCN网络的稳定性，因此卷积网络用比较少的层，就可以获得很大的感受野。每个膨胀残差层的操作可以描述如下：

其中l∈[1,L]是层数，H_l是第l个膨胀残差层的输出，表示扩张时间卷积和1×1卷积层中的卷积算子。W_l∈R和W₂∈R是可学习的权重，而b₁，b₂∈R是卷积层的偏置矢量。