[发明专利]基于多视角自适应特征融合的光伏发电功率预测方法

权利要求书

1.一种基于多视角自适应特征融合的光伏发电功率预测方法，其特征在于，其包括：

S1：规定局部信息的特征数为n₁，每个时间窗口所经历的时间为T₁，数据颗粒度为T₂，则一个时间窗口大小为win＝T₁/T₂，w为时间窗口个数，将每个时间窗口内的局部信息输入至时序特征提取模块，所述时序特征提取模块采用GRU门循环单元进行时序特征提取，其计算公式如下：

式中，x_t表示t时刻的局部信息h_t-1表示上一时刻的隐藏状态，r_t表示重置门，z_t表示更新门，σ(·)表示激活函数，W_r、W_z表示权重矩阵，b_r、b_z表示偏置向量；

S2：根据所述r_t、z_t计算隐藏状态h_t，其计算公式如下：

式中，表示候选隐藏状态，h_t表示经过GRU模块得到的t时刻隐藏状态，tanh(·)表示激活函数，*表示按元素运算，W_h表示权重矩阵，b_h表示偏置向量；所述隐藏状态h_t为局部信息的时序特征，为w个时间窗口的时序特征提取模块的局部信息的时序特征；

S3：将局部信息的所述时序特征输入至空间特征提取模块并得到局部信息的历史总特征，所述空间特征提取模块采用图卷积网络进行空间特征提取，其计算公式为：

式中，表示邻接矩阵，表示单位矩阵，表示由邻接矩阵A_l与单位矩阵I_l相加得到的可达矩阵，k代表图卷积网络的层数，W_l^(k)表示图卷积网络的第k层权重矩阵，σ(·)表示激活函数，表示的对角度矩阵；表示第i个时间窗口的图卷积网络的初始输入，也是时序特征模块输出表示第i个时间窗口的第k层图卷积输出的特征矩阵，定义其为历史特征那么为w个时间窗口的空间特征提取模块的局部信息的历史总特征；

S4：规定全局信息的特征数为n₂，采集全局信息的时间长度为T₃，数据颗粒度为T₄，将全局信息输入至所述空间特征提取模块的图卷积网络中，经过k层学习后得到全局信息的未来总特征Z_G,其计算公式如下：

式中，表示邻接矩阵，表示单位矩阵，表示由邻接矩阵A_g与单位矩阵I_g相加得到的可达矩阵，k代表图卷积网络的层数，表示图卷积网络的第k层权重矩阵，σ(·)表示激活函数，表示的对角度矩阵，表示图卷积网络的初始输入，也是全局信息X_g，为第k层的图卷积网络输出的特征矩阵，定义其为未来总特征Z_G；

S5：将所述局部信息X_l和全局信息X_g输入至参数共享空间提取模块并得到共享历史特征与共享未来特征，所述参数共享空间提取模块采用共享图卷积网络进行共享特征提取，其计算公式为：

式中，W_c^(k)表示第k层共享参数模块的权重矩阵，表示含义与S3步骤中相同，和表示含义与S4步骤中相同，σ(·)表示激活函数，表示第i个时间窗口的第k层共享图卷积网络输出的历史特征矩阵，定义其为共享历史特征表示第k层共享图卷积网络输出的未来特征矩阵，定义其为共享未来特征

S6：将所述局部信息的历史总特征全局信息的未来总特征共享未来特征以及共享历史特征输入至注意力融合模块；借助未来总特征为每个时间窗口的历史总特征分配注意力权重，公式如下：

式中，att(·)表示注意力函数，α₁,α₂,...,α_w∈R^h分别表示历史总特征的注意力权重，att函数具体计算公式如下：

式中，ω_i∈R^1*h表示第i个时间窗口历史总特征各维度的关注值，ω∈R^w*h表示w个时间窗口的ω_i组成的关注值矩阵，表示权重矩阵，b_A∈R^h'*h表示偏置项，tanh(·)表示激活函数，q∈R^h'*1表示关注向量；然后对采用softmax激活函数对关注值矩阵ω按列进行归一化，获得α₁,α₂,...,α_w进而得到最终的注意力矩阵A_α，其计算公式如下：

式中，α_i,j∈R表示第i个窗口的第j个维度历史总特征的注意力系数，α_i∈R^h表示第i个窗口历史总特征的注意力向量，是att(·)函数的输出，A_α∈R^w*h表示α₁,α₂,...,α_w组成的注意力矩阵；

S7：将分别按列求均值得到并将其组合成融合历史特征Z'_L∈R^w*h，再将注意力矩阵A_α与融合历史特征Z'_L按列求内积得到融合注意力后的历史特征向量P_L∈R^h；

S8：根据所述S6、S7步骤，计算得到共享历史特征对应的注意力矩阵A_α，进而求出融合注意力权重后的共享历史特征向量P_CL∈R^h；

S9：将Z_G、Z_CG分别按列求均值得到向量Z'_G、Z'_CG∈R^h，将所述P_L、P_CL、Z'_G、Z'_CG拼接为最终的融合特征Z＝[P_L,P_CL,Z'_G,Z'_CG]∈R^4h；

S10：将所述融合特征Z输入至多层感知机，得到光伏发电功率预测模型的最终输出值，其计算公式如下：

式中，表示光伏发电功率预测值，MLP表示多层感知机，其由多个全连接层组成；

S11：构建光伏发电功率预测模型的总体目标函数L：

L＝L_M+γL_c+βL_d

式中，L_M为以均方误差MSE作为预测任务的损失函数，L_c为一致性约束，γ为一致性约束对应的乘子，L_d为独立性约束，β为独立性约束对应的乘子；

S12：进行预测并对比实验结果，选取不同的时间颗粒度，采用本发明提出的方法预测连续两日的光伏发电功率，并与实际功率进行对比绘制曲线图，并选用评价指标对比并评价模型优劣；

所述评价指标为MAE、MAPE以及RMSE，公式如下：

式中，和Y_i分别表示光伏发电功率的预测值和真实值，n为样本数量。