1.一种考虑全局信息与局部信息融合的光伏功率精准预测方法,其特征在于:包括以下步骤:S1:构建一种结合时间模式注意力(TPA)机制和多向长短期记忆(MBLSTM)网络的神经网络架构:该架构包含输入层、MBLSTM层、TPA层、展平层(Flatten)、全连接层(Dense)以及输出层:其中,输入层的任务是将包括历史功率和气象条件的时序数据序列化地送入模型;MBLSTM层专注于从这些输入数据中抽取出复杂的特征;TPA层则进一步处理MBLSTM层产生的特征向量,为其分配时间模式上的注意力权重,以强调那些对预测更为关键的时间段;展平层的作用是将TPA层输出的多维特征矩阵转化为一维数组;随后,通过全连接层及相应的激活函数,将这些特征映射至最终的标签空间,从而实现光伏功率的预测输出;
S2:设计历史相似时间序列匹配方法:首先采用FCM聚类算法处理光伏功率历史数据,将各时间段的光伏功率数据归类为“晴天”、“多云”、和“阴天”三种天气模式;在上面聚类的基础上进一步通过计算不同日搜索时段光伏功率曲线的Pearson相关系数,以及不同日待预测时段NWP数据曲线的最大互信息数,计算二者的平均值并选取其中相似度最高的n个时间序列作为历史相似时间序列匹配的结果;
S3:构建基于相似时间序列匹配的改进Transformer模型:Transformer模型在处理长距离依赖关系、促进全局信息的交互以及支持并行化计算上展现出了更为显著的优势:在编码器阶段,首先将待预测日搜索时段和相似日搜索时段的时间序列数据经过线性变换映射为特征向量Q、K和V并通过自注意力机制处理特征向量并设计一个独特的前馈通道减少信息丢失使模型输出更加稳定;在解码器阶段,将相似日待预测时段数据依据相似度加权平均的结果作为输入向量,并引入两个自注意力机制分别关注待预测时段自身以及关于相似时段的上下文信息;
基于相似时间序列匹配的改进Transformer模型,在编码器阶段,首先将待预测日搜索时段和相似日搜索时段的时间序列数据经过线性变换映射为特征向量Q、K和V并通过自注意力机制处理特征向量并设计一个独特的前馈通道减少信息丢失使模型输出更加稳定;在解码器阶段,将相似日待预测时段数据依据相似度加权平均的结果作为输入向量,并引入两个自注意力机制分别关注待预测时段自身以及关于相似时段的上下文信息;
(1)Transformer模型编码器
首先,需要将待预测日的搜索时段数据和相似日的搜索时段数据进行线性变换,以得到查询向量Q、键向量K和数值向量V;
V=Linear(p0)=WVp0+bV
Q=Linear(p0)=WQp0+bQ
K=Linear(Pn)=WKPn+bK
其中,WV,WQ,WK是线性变换的权重矩阵,bV,bQ,bK是偏置项(大小写一致);
接下来,使用注意力机制计算特征向量X3,注意力机制的核心是计算查询向量Q和键向量K之间的相似度,并根据相似度对数值向量V进行加权求和;
将注意力机制计算后的向量X3与QKT的结果相加,得到最终的编码器输出:
X4=X3+QKT
(2)Transformer模型解码器
将相似时段的待预测时段数据根据步骤S2中计算出的相似度进行加权平均,得到输入向量X5,第一次注意力机制使用X5作为查询向量Q、键向量K和数值向量V进行自注意力计算:第二次注意力机制使用编码器输出X4作为查询向量Q和键向量K,第一次注意力机制的输出X6作为数值向量V进行交叉注意力计算,作为模型最终输出:S4:构建基于长短时记忆网络和Transformer的双分支架构的混合预测模型,这一模型设计了两个独立的分支传递输入数据,两个分支分别用于捕捉和提取不同类型的信息:全局信息和局部信息;上分支由TPA-MBLSTM模型构成,用于提取全局信息,它反映的是序列中存在的长期依赖关系;下分支由基于相似时间序列匹配的改进Transformer模型构成,专注于捕捉局部信息,它反映待预测时段与附近时间节点之间的依赖关系;设计独特解码器模块专门为整合这两类信息而设计,以最大程度发挥它们的互补性;
S5:设计不同实验,分析验证所提模型有效性:以预测结果的平均绝对误差,均方根误差和决定系数作为衡量模型性能的标准,在同一数据集上对比所提模型与不同模型在典型日与非典型日的预测结果。
2.根据权利要求1所述的一种考虑全局信息与局部信息融合的光伏功率精准预测方法,其特征在于:所述步骤S1中构建一种结合时间模式注意力(TPA)机制和多向长短期记忆(MBLSTM)网络的神经网络架构:该架构主要包含MBLSTM模型和TPA层,其数学模型如下:(1)MBLSTM模型
MBLSTM预测模型是对BLSTM神经网络的一种深化运用和发展,它通过结合多层前向LSTM架构与多层后向LSTM架构,形成了更为复杂的网络结构,即MBLSTM:这种模型中,每个层级都是基于BLSTM构建的,且每个BLSTM层级都会接收到来自上一BLSTM层级的输出信息,这有助于提升预测任务的准确性,MBLSTM的数学模型表示如下:其中,i表示BLSTM层数;分别为t时刻和t-1时刻第i层BLSTM前向循环层的隐藏层的值;分别为t时刻和t-1时刻第i层BLSTM后向循环层的隐藏层的值;ot为t时刻输出层的值;由BLSTM结构可知,前向和后向计算过程中的权重各自独立,正向计算时,V(i)、U(i)、W(i)分别表示第i层BLSTM中前向循环层各层之间的连接权重矩阵;反向计算时,V′(i)、U′(i)、W′(i)分别表示第i层BLSTM中后向循环层各层之间的连接权重矩阵;
(2)TPA层
假设通过MBLSTM网络产生的隐藏层信息为H={ht-ω,ht-ω+1,…,ht-1},其中ht为第t个时刻的隐藏层信息;ω则代表用于选取一定长度的时间数据的时间滑动窗口的长度;T表示时间注意力机制所关心的时间长度,一般情况下与窗口滑动长度相等;使用k个卷积核,对原始隐藏层信息H进行卷积操作,产生一个n*k维的矩阵:对于接下来预测的ht,通过其与之间的运算,计算出权重αi,其表示了中每行对于即将预测的ht的影响强度,即每个时间序列对于ht的影响大小,Wα∈Rk×m,计算过程如下:其中,表示HC中第i行的向量;
然后进行加权求和,vt代表了所有行对于ht的综合影响,也就是时间方面的影响力:
最后在运算中添加vt的因素,最终得到预测值:
h′t=Whht+Wvvt。
3.根据权利要求1所述的一种考虑全局信息与局部信息融合的光伏功率精准预测方法,其特征在于:所述步骤S2中设计历史相似时间序列匹配方法,首先采用FCM聚类算法处理光伏功率历史数据,将各时间段的光伏功率数据归类为“晴天”、“多云”、和“阴天”三种天气模式;在上面聚类的基础上进一步通过计算不同日搜索时段光伏功率曲线的Pearson相关系数,以及不同日待预测时段NWP数据曲线的最大互信息数,计算二者的平均值并选取其中相似度最高的n个时间序列作为历史相似时间序列匹配的结果,上述模型表达公式如下:(1)FCM聚类算法
传统的硬聚类方法要求每个数据点严格属于一个簇,这在数据点能够明确分配到唯一簇的场景中表现出色;然而,在面对充满噪声、模糊性和不确定性的数据时,这些传统方法显得有所欠缺;模糊聚类的引入则填补了这一不足;与硬聚类方法不同,模糊聚类允许样本以一定的概率或隶属度属于多个聚类,而非被明确分配到一个确定的聚类中;这种灵活性使得模糊聚类在处理复杂、不确定的数据时能够展现出显著的优势,为众多实际场景提供了更为准确的聚类结果;FCM聚类算法基本步骤如下:随机选择n个样本作为初始聚类中心,为每个样本分配初始隶属度,通常为[0,1]范围内的值;定义模糊C均值的目标函数,即需要最小化的目标;目标函数表示样本对聚类中心的隶属度加权欧氏距离的和,定义如下:其中:J U,C表示目标函数,m是模糊度参数,uij是样本xi属于聚类cj的隶属度,||xi-cj||2表示样本xi与聚类中心cj之间的欧氏距离;
更新隶属度,通过计算每个样本对于每个聚类的隶属度,使用如下公式更新:
更新聚类中心C,利用新的隶属度矩阵,计算每个聚类的中心位置,具体公式如下:
检查隶属度和聚类中心的变化是否足够小,或者达到预定的迭代次数;如果满足终止条件,算法结束;否则,返回更新隶属度的步骤,继续迭代;
(2)Pearson相关系数
Pearson相关系数是一种线性相关系数,用来反映两个变量之间的线性相关程度,其值在-1到1之间,绝对值越大表明相关性越强,其计算公式如下所示:(3)最大互信息数
最大互信息系数具有普适性,在样本量足够大的时候能够捕捉变量之间不仅限于线性关系的关联,能够覆盖所有的函数关系,其主要思想是:将两个变量之间的关系离散在二维空间中,且用散点图表示,然后将该二维空间沿着X和Y方向分别划出一定的区间,并查看散点落入该区间的概率,其计算方法如下所示:其中,a,b为划分网格时对应的x,y轴的单元格数目,B为可调节的参数,通常为总数据量的0.6次方上下。
4.根据权利要求1所述的一种考虑全局信息与局部信息融合的光伏功率精准预测方法,其特征在于:所述步骤S4的构建基于长短时记忆网络和Transformer的双分支架构的混合预测模型,上分支由TPA-MBLSTM模型构成,用于提取全局信息,它反映的是序列中存在的长期依赖关系;下分支由基于相似时间序列匹配的改进Transformer模型构成,专注于捕捉局部信息,它反映待预测时段与附近时间节点之间的依赖关系;设计独特解码器模块专门为整合这两类信息而设计,以最大程度发挥它们的互补性,其数学模型如下:(1)混合模型编码器
在编码器部分,有两个并行的分支:上分支由TPA-MBLSTM模型构成,用于提取全局信息zglobal,它反映的是序列中存在的长期依赖关系;下分支由基于相似时段分析的改进Transformer模型构成,专注于捕捉局部信息zlocal,它反映待预测时段与附近时间节点之间的依赖关系:zglobal=Branchglobal(X)
zlocal=Branchlocal(X)
(2)混合模型解码器
在解码器部分,为了增强对全局信息和局部信息的利用,本节设计的解码器模块将全局信息(zglobal)和局部信息(zlocal)结合,并输出预测结果;解码器模块主要包含一个交叉注意力模块,旨在确保时间序列中的历史信息得到有效表示;将全局信息和局部信息映射到隐藏维度,然后使用全局信息作为查询向量(q),局部信息作为键向量(k)和数值向量(v):q=MLP(zglobal)
k=MLP(zlocal),v=MLP(zlocal)
通过使用局部信息查询全局信息,可以有效地整合全局和局部信息:
(3)RevIN归一化方法
RevIN是一种专为时间序列预测任务设计的数据归一化方法:这种方法可以在处理时间序列数据时,通过去除序列中的均值和方差等统计特性来进行归一化,并且能够在预测后将序列恢复到其原始尺度,以此来提高预测模型的性能;由于它可以作为一个独立的组件插入到像Transformer这样的模型中,因此被称为“即插即用”的方法;为了解决训练数据和测试数据之间的分布偏移响题,采用RevIN方法来增强模型的鲁棒性,首先计算每组输入数据的均值和标准差:利用这些数据,可以使用可学习的仿射参数向量对输入数据进行归一化:
归一化的数据随后被输入模型进行预测;最后,通过初始归一化的逆过程,反转归一化过程以获得预测结果。
5.根据权利要求1所述的一种考虑全局信息与局部信息融合的光伏功率精准预测方法,其特征在于:所述步骤S5的设计不同实验,分析验证所提模型有效性,以预测结果的平均绝对误差,均方根误差和决定系数作为衡量模型性能的标准,在同一数据集上对比所提模型与不同模型在典型日与非典型日的预测结果:(1)平均绝对误差
MAE衡量的是预测值与真实值之间的平均绝对差异,它是一个线性度量,这意味着所有个体差异都被同等对待,MAE计算公式如下:(2)均方根误差
RMSE衡量的是预测值与真实值之间差值平方的均值的平方根,它对较大的误差更加敏感,因为误差先被平方了,RMSE计算公式如下:(3)决定系数
R2表示模型解释的变异性的比例,即模型解释的数据变异性占总数据变异性的一部分;R2越接近于1,表示模型拟合得越好,R2计算公式如下: