[发明专利]一种基于记忆神经网络和注意机制的光伏功率预测系统

说明书

本发明公开了一种基于记忆神经网络和注意机制的光伏功率预测系统，涉及光伏功率预测技术领域。该基于记忆神经网络和注意机制的光伏功率预测系统，包括如下步骤：S1、使用记忆神经网络LSTM处理时间序列数据，其中，内部细胞状态用C_t表示，LSTM分别使用忘记门f_t、输入门i_t和输出门O_t来更新、维护或删除单元状态信息。该基于记忆神经网络和注意机制的光伏功率预测系统，将两种记忆神经网络LSTM神经网络分别用于温度和功率输出时间序列数据的预测。将两种预测结果通过全连通(FC)层进行平铺合并，提高了预测精度，同时集成深度学习框架进一步集成了光伏功率输出预测的注意机制，注意机制允许两个记忆神经网络LSTM自适应地关注在预测中更重要的输入特征。

技术领域

本发明涉及光伏功率预测技术领域，具体为一种基于记忆神经网络和注意机制的光伏功率预测系统。

背景技术

光伏发电是一种清洁、安全、可持续、可再生的能源，在不久的将来将被广泛应用于替代化石燃料发电资源，光伏市场体系发展迅速；光伏发电、输电、维护和消耗已成为智能电网、建设过程中的重要组成部分。然而，光伏系统产生的能量总是受到阳光、云量、温度和相对湿度等各种因素的影响。当大型光伏电站接入电网时，电网的稳定性和安全性将受到严重威胁。因此，短期PV预测是解决稳定光伏发电的关键技术之一。

在现有技术中，采用的统计方法和机器学习方法是利用发电、太阳辐照度、大气温度、湿度等历史记录建立预测模型的数据驱动方法，但这种方法预测精准度不佳，且需要大量的前期数据储备，同时无法形成混合集成深度学习框架，因此操作人员的工作量较大。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于记忆神经网络和注意机制的光伏功率预测系统，解决了传统的方法预测精准度不佳，且需要大量的前期数据储备，同时无法形成混合集成深度学习框架，因此操作人员的工作量较大的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于记忆神经网络和注意机制的光伏功率预测系统，包括如下步骤：

S1、使用两种记忆神经网络LSTM神经网络分别处理温度和功率输出时间序列；

S2、使用记忆神经网络LSTM隐藏层输出向量H＝{h₀,h₁,K,h_t}作为输入的注意机制，注意机制将寻找注意h_i的权重α_i，它可以计算出方程(7)和(8)所示：

计算权重系数：e_i＝tanh(W_hh_i+b_h),e_i∈[-1,1] (7)

归一化：

其中W_h是h_i的权矩阵；b_h是偏差。在ALSTM训练过程中，W_h和b_h的值是不同的。注意向量H'＝{h'₀,h'₁,K,h'_t}可以由注意权重α_i和h_i的乘积获得：

加权求和：h'_i＝α_i·h_i (9)

注意机制实现为一个自定义层，其中使用RMSProp反向传播对参数进行优化；