[发明专利]基于层级关系实现太阳能发电量预测的方法

权利要求书

1.一种基于层级关系实现太阳能发电量预测的方法，其特征在于，包括如下步骤：

S1、数据处理；

获取原始数据：原始数据是二维数据，纵坐标发电机种类，横坐标为历史时间、每日发电机历史发电量、每种发电机所在区域、所在发电站、所在发电站的历史发电量、历史逆变器功率、历史放电器功率、发电机类型、温度、光照、湿度、太阳辐照度、土壤湿度、CO₂、气压、风向、瞬时风速、星期、月份、年份、季节、节假日类型；

使用数据补全，对齐时间所有历史时间，整合数据；

得到三维数据定义为X∈R^N*T*D，发电量层级数据的时间用T表示包括所有的历史时间，每个值为一天，包括发电机数量N，除此以外的所有特征整体定义为D称之为总体特征；预测使用量Y∈R^N*1，代表所有发电机在未来一天的发电量；获取层级结构的信息：有N个发电机，每个发电机属于哪个区域，有N₁种区域，这些区域属于哪个发电站，有N₂种发电站；

S2、滑动时间窗口模块；

输入：将X输入滑动时间窗口模块中；

所述窗口模块的过程：在X中以步长p，窗口长度T′向右滑动，以获取时间窗口；步长为每次向右滑动p次得到一个时间窗口；

输出：将时间序列数据转换成多个时间窗口数据，最后这些时间窗口的数量为c，第i个时间窗口为X_i∈R^N*T′*D，i∈[1,2,…,c]，其中c＝T-(T′-p)；其中每个时间窗口对应的发电量为该时间长度下一段时间结点的发电量；

S3、分配矩阵模块；

由S1获取得到发电机数量N、区域数量N₁、发电站数量N₂；

设置零矩阵S₁维度为N*N₁，其中第一个为维度是发电机个数，第二个维度是区域个数，若在X中，第i个发电机属于第j个区域：则S₁中第i行第j列的数值置为1，得到分配矩阵S₁，将所有区域所属于发电站的个数定为N₂；

设置零矩阵S₂维度为N₁**N₂，其中第一个为维度是区域个数，第二个维度是发电站个数，若在X中，第i个区域属于第j个发电站：则S₂中第i行第j列的数值置为1，得到分配矩阵S₂；

由发电机数据本身的层级关系得分配矩阵S₁，S₂；

S4、时间图学习层模块；包括步骤S41和步骤S42；

步骤S41，矩阵分解：

随机生成两个矩阵，分别为结点嵌入矩阵N_w∈R^N*k，时间嵌入矩阵T_w∈R^c*k，k为嵌入维度，每一行N_w[i,:]代表第i个结点嵌入向量，每一行T_w,j＝T_w[j,:]代表第j个时间窗口嵌入向量；将第i个结点和第j个时间窗口对应的嵌入向量相乘，得到对应时间窗口未来发电量的值；N_w∈R^N*k和T_w,j∈R^1*k相乘后得到的结果约等于第j个时间窗口所有发电机的发电量y_j∈R^N*1；嵌入矩阵会在学习中被更新，将使用L2正则项作为损失函数来更新两个矩阵，对于第i个数据，更新公式如下：

L₁代表本设计算法第一个损失函数，T_w,j^T右上角的T表示数学运算中的矩阵转置；

步骤S42，时间图学习层，基于如下公式实现：

M₁＝tanh(ω₁N_w+ω₂T_w,j)

M₂＝tanh(ω₃N_w+ω₄T_w,j)

N_w是结点特征矩阵，T_w,j是第j个时间窗口嵌入向量，ω₁,ω₂,ω₃,ω₄是神经网络中四个参数,*所述四个参数会随训练更新，并设置α敏感系数；

使用选择函数argtopk()，S42得到的中选择前k个最大的位置:

将得到的邻接矩阵进行稀疏性操作，j＝1…N，将除前k个最大值以外位置的数据置为0用来减少其计算：

最后得到第i个时间窗口对应的邻接矩阵得到了在时间方面上动态变化的图结构；

S5、编码器，包括两个功能模块

模块一：时间卷积模块

步骤a：

原始数据：S1获得到的X_i∈R^N*T′*D，其中X_i[1,:,:]∈R^T′*D，设置三个可更新非零权重矩阵W_Q，W_K，W_V，；

具体过程：

使用X_i[1,:,:]和三个可更新权重矩阵W_Q，W_K，W_V分别相乘得到，Q₁矩阵，K₁矩阵，V₁矩阵；

同理X_i的所有行X_i[1,:,:]，…，X_i[N,:,:]，使用Q₁矩阵，K₁矩阵，V₁矩阵做上面公式相同操作；

输出：得到Z₁∈R^T′*D，…Z_N∈R^T′*D，将他们拼接成Z∈R^N*T′*D步骤b：

输入：将步骤a得到的Z输入一维卷积conv1d，得到的结果输入RELU激活函数，再将结果输入最大池化maxpool的操作；具体以如下公式实现：

输出：TC(X_i)代表经过时间卷积模块得到的第i个时间窗口对时间进行编码的结果；

模块二：层级聚合模块

步骤c：

输入：将S4得到的和所述模块一得到的输入到图卷积网络，W^l是需要被训练的权重矩阵，公式如下：

输出：得到更新

下述过程中的GCN公式均为相同操作；

步骤d：

输入：将S4得到所述步骤c得到的S3得到的分配矩阵S₁输入DIFFPOOL公式；

输出：得到的更新的图结构更新的数据特征

步骤e：

输入：将步骤d得到的输入到，经GCN模块：

输出：得到更新信息

S5中两个功能模块完成后，实现如下步骤：

步骤f：

输入：将步骤d得到的步骤e得到的S3得到分配矩阵S₂输入DIFFPOOL模块；

输出：得到的更新的图结构更新的数据特征

步骤g:

输入：将步骤f得到的输入到GCN模块：

输出：得到更新信息

步骤h：

将步骤c得到的步骤e得到的步骤g得到拼接，并与S1得到的X_i相加，得到为编码器输出结果；

步骤i：

将重复进行步骤a至步骤h，最后步骤i后得到

步骤j：

将步骤i中的重复进行步骤a至步骤h，最后步骤j后得到S6、解码器

解码器使用的是全连接神经网络，用F(x)函数代表

输入：将S5得到的得到输入到全连接层，全连接层用F(x)函数代表；

输出：最后的预测值