申请/专利权人：重庆大学;重庆行敏电力科技有限公司

申请日：2024-03-13

公开（公告）日：2024-06-11

公开（公告）号：CN118174285A

主分类号：H02J3/00

分类号：H02J3/00;H02J3/38;G06N3/045;G06N3/0442;G06N3/042;G06Q50/06;G06F17/16

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.06.28#实质审查的生效;2024.06.11#公开

摘要：本发明公开一种基于K‑GCN‑LSTM模型的光伏输出功率预测方法，主要步骤为：1清洗数据并建立光伏输出功率数据集；2将研究区域内的光伏阵列抽象为图；3利用Kendall相关系数计算光伏阵列之间的相关性并作为图卷积神经网络中的邻接矩阵；4建立基于K‑GCN‑LSTM的光伏输出功率预测模型；5将数据集输入K‑GCN‑LSTM模型中，得到光伏输出功率的预测结果。本发明方法具有较好的通用性和应用性，光伏输出功率预测结果具有较高的准确度，能为高比例光伏接入下的配电网安全运维与调度等工作提供有益的决策支撑。

主权项：1.一种基于K-GCN-LSTM模型的光伏输出功率预测方法，其特征在于，主要包括以下步骤：1清洗数据并建立光伏输出功率数据集。对获得的M个光伏阵列数据集进行数据清洗，保证数据在后续训练中的可用性，然后对数据进行规范化处理。1.1异常数据处理。通过对历史光伏发电功率数据的预观察，在一般天气情况下，一天的光伏发电功率大致呈正态分布。针对光伏阵列历史数据集中连续缺失值的问题采取了以下措施：a若连续缺失Z小时的Y个数据采集时间点的数据，则通过直接删除该天所有数据进行处理；b对于缺少较少连续值的部分，应用KNN插值算法，通过欧几里德距离矩阵寻找最近邻样本，使用最近邻样本的对应位置的非空数值的均值填补缺失的数值。对缺失值进行插补；针对单缺失值问题，采用线性插值等方法处理。1.2数据归一化。将不同特征统一到同一量纲，有利于模型的训练，降低训练误差，提高预测准确性。标准化的表达式为： 式1中：x*为格式化之后的标准数据；x为未经过标准化的原始数据；Xmax、Xmin分别为标准化的原始数据中的最大值和最小值。对整理好的光伏输出功率时间序列按a:ba+b＝10比例分为训练集和测试集两组，以评估方法的有效性和泛化能力。2将研究区域内的光伏阵列抽象为图。将研究区域内的光伏阵列视为一个图，由光伏阵列组成的图可以用图G＝V,E来表示。V表示图中所有节点的集合，即光伏阵列的集合，E表示图中的边，即光伏阵列之间的邻接关系集合。3利用Kendall相关系数计算光伏阵列之间的相关性并作为图卷积神经网络中的邻接矩阵。3.1将研究区域内所有光伏阵列历史输出功率数据认为是以XN×F表示的属性特征。N代表节点数，即光伏阵列数，F代表光伏阵列历史输出功率时间序列的长度。3.2肯德尔相关是基于样本数据对之间的关系来进行相关系数的强弱的分析。计算公式如式2。 4建立基于K-GCN-LSTM的光伏输出功率预测模型4.1构造一个三层的GCN，其中X为特征矩阵，W为参数矩阵，为对称归一化的拉普拉斯矩阵。激活函数均采用ReLU，整体的正向传播的公式如式3。 GCN层的邻接矩阵A用来表示光伏阵列之间的连接关系，对于每个光伏阵列节点，都有一个相关的属性，可以表示为一个向量X，若不考虑外部因素，则每个光伏阵列的特征可由其光伏输出功率时间序列表示，则整体光伏阵列的状态可以表示为一个特征矩阵X∈RN×F，F为每个光伏特征的维度，即光伏输出功率序列的长度。W0∈RF×H，W1∈RH×F，图卷积网络的隐藏单元数为H。通过图卷积变换，同时将光伏的拓扑结构和节点属性信息进行编码，以捕获空间结构信息。即将原始特征矩阵X∈RN×F映射为包含拓扑结构信息的新特征矩阵X'∈RN×T，N为节点数，即光伏阵列的数量，T为GCN的输出维度。通过训练一个图神经网络，对初始负荷序列进行处理，得到一个结合网络拓扑信息后的光伏节点特征向量集，然后将其输入到LSTM中，获取序列包含的时间信息，得到最终预测结果。4.2长短期记忆LongShort-TermMemory专门用于解决RNN在长序列数据时遇到的梯度消失和梯度爆炸问题。LSTM引入门结构实现信息的保留和遗忘。主要有：输入门、遗忘门、输出门和细胞状态组成。4.3将GCN层输出值与时间序列一起输入LSTM中，Xt为输入的特征矩阵，即光伏输出功率时间序列，公式如下： Ft＝σWF[fA,Xt,Ht-1]+BF5It＝σWI[fA,Xt,Ht-1]+BI6 Ot＝σWO[fA,Xt,Ht-1]+BO9Ht＝Ot⊙σgCt10上式中fA,Xt代表图卷积神经网络的输出。Ft为遗忘门向量，It为输入门向量，Ct为细胞状态向量，Ot为输出门向量，每个LSTM单元包含三个输入特征：隐藏状态向量Ht-1、单元状态向量Ct、特征信息Xt。在LSTM中所有光伏阵列节点共享相同的参数WF、WI、WC、WO。BF、BI、BC、BO为偏置向量。

全文数据：

权利要求：

百度查询： 重庆大学;重庆行敏电力科技有限公司 一种基于K-GCN-LSTM模型的光伏输出功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD