[发明专利]基于深度傅里叶网络的超短期光伏功率预测系统

说明书

本发明公开了一种基于深度傅里叶网络的超短期光伏功率预测系统，其包括：卷积层，用于对历史数据进行维度变换，统一数据的维度；位置编码层，用于对历史数据进行位置编码；深度傅里叶变换模块，包括串联的残差傅里叶模块和残差前馈神经网络模块，残差傅里叶模块包括傅里叶变换层，残差前馈神经网络模块包括前馈神经网络层，残差傅里叶模块和残差前馈神经网络模块均包括层归一化层；第一全连接层，用于在时间轴维度上对深度傅里叶变换模块输出的数据进行全连接；第二全连接层，用于在空间轴维度上对第一全连接层输出的数据进行全连接，输出下一个采样点的功率输出预测值。本发明具有预测精度高和准确性高的优点。

技术领域

本发明涉及光伏功率预测技术领域，特别涉及一种基于深度傅里叶网络的超短期光伏功率预测系统。

背景技术

准确的光伏功率预测有助于电网能源的调度。传统的光伏功率预测方法一般采用傅里叶变换对光伏功率输出序列进行分解或换基操作后进行进一步预测，傅里叶变换在光伏功率输出的频域上进行特征提取具有较大的优势。随着深度学习的发展，深度的神经网络结构具有极强的非线性拟合能力，对于高维非线性的光伏功率输出序列具有较好的预测能力。基于此，如果能够将傅里叶变换嵌入至深度的神经网络中，则可以提取更多的频域特征从而获得更高的预测精度。

发明内容

本发明要解决的技术问题是提供一种精度和准确度高的基于深度傅里叶网络的超短期光伏功率预测系统。

为了解决上述问题，本发明提供了基于深度傅里叶网络的超短期光伏功率预测系统，其包括：

卷积层，所述卷积层的卷积大小为1，步长为1，用于对历史数据进行维度变换，统一数据的维度；所述历史数据为历史环境和光伏功率序列；

位置编码层，用于对历史数据进行位置编码；

深度傅里叶变换模块，包括串联的残差傅里叶模块和残差前馈神经网络模块，所述残差傅里叶模块包括傅里叶变换层，所述残差前馈神经网络模块包括前馈神经网络层，所述残差傅里叶模块和残差前馈神经网络模块均包括层归一化层，所述傅里叶变换层用于对从所述卷积层和位置编码层输出的叠加数据进行离散傅里叶变换，所述前馈神经网络层用于对经过离散傅里叶变换后的数据进行非线性变换，所述层归一化层用于对所述傅里叶变换层和前馈神经网络层输出的数据进行归一化处理；

第一全连接层，用于在时间轴维度上对所述深度傅里叶变换模块输出的数据进行全连接；

第二全连接层，用于在空间轴维度上对所述第一全连接层输出的数据进行全连接，输出下一个采样点的功率输出预测值。

作为本发明的进一步改进，所述卷积层和位置编码层输出的叠加数据，其函数为：

PE(pos,2i)＝sin(pos/N^2i/d)

PE(pos,2i+1)＝cos(pos/N^2i/d)

其中，N为输入历史环境和光伏功率序列的长度，i为序列包含向量维度，pos为序列位置。

作为本发明的进一步改进，所述离散傅里叶变换如下：

其中，为取结果的实部，x为输入序列，y为输出序列；F(x)＝{X_k}，X_k为生成的新的序列；对应每一个k,傅里叶变换生成一个新的X_k来表示原始输入x_n的和；为对应x_n的旋转因子。

作为本发明的进一步改进，所述前馈神经网络层计算如下：

FFN(x)＝max(0,xW_in+b_in)W_out+b_out