结合改进的DCGAN和Attention-LSTM的光伏功率预测.pdf
《结合改进的DCGAN和Attention-LSTM的光伏功率预测.pdf》由会员分享,可在线阅读,更多相关《结合改进的DCGAN和Attention-LSTM的光伏功率预测.pdf(7页珍藏版)》请在咨信网上搜索。
1、针对新建光伏发电站在光伏功率预测过程中因缺少训练数据导致预测精度较低和光伏发电功率的不稳定等问题,提出一种结合改进的深度卷积生成对抗网络(DCGAN)、注意力机制(Attention)和LSTM网络组合的光伏功率预测方法.首先,将DCGAN中生成器的特征提取网络由二维卷积改为一维卷积,对光伏数据进行扩充.其次,将Attention模块加入LSTM模块中,生成新的输人特征.最后,对新生成的LSTM模型进行功率预测,并采用澳大利亚沙漠知识太阳能中心(DKASC)Alice Springs电站的数据进行验证.实验结果表明,结合深层卷积生成的对抗网络与Attention-LSTM混合预测方法能有效提升
2、预测精度.关键词:光伏功率预测;深度卷积生成对抗网络;长短期记忆网络;注意力机制中图分类号:TM615Photovoltaic power prediction combining improved DCGAN and Attention-LSTMXU Rou,ZHANG Jie,LAI Songlin,LIN Peijie,LU Xiaoyang,YU Pingping(Institute of Micro-Nano Devices and Solar Cells,College of Physics and Information Engineering,Abstract:To solve
3、 the problems of low prediction accuracy and instability of photovoltaic powergeneration caused by lacking training data in the process of photovoltaic power prediction of newphotovoltaic power stations,this pa-per proposes a day-ahead photovoltaic power prediction methodcombining the improved deep
4、convolutional genera-tive adversarial network(DCGAN),attentionmechanism and LSTM network.Firstly,the feature extraction network of the generator in DCGAN ischanged from two-dimensional convolution to one-dimensional convolution to aug-ment dataset.Secondly,by adding the attention module to the LSTM
5、module,the weight of important features isincreased to build new input features.Finally,the prediction result is generated by the LSTM module,and the data from Alice Springs power station of desert knowledge Australia solar centre(DKSAC)isused for verification.The experimental results show that,the
6、prediction accuracy can be effectivelyimproved by the hybrid DCGAN and Attention-LSTM.Keywords:photovoltaic power prediction;deep convolutional generative adversarial network;longshort-term memory;attention mechanism0引言为了推动低碳和可持续性发展,我国近年来新建大量的光伏发电站1。然而光伏发电具有波动性和随机性,不利于电网的安全运行和电力调度计划的制订.因此,准确的光伏功率预测对
7、于光伏发电站的经济效益及其电能的消纳有着重要意义2。主流的光伏功率预测方法有物理方法、统计方法和人工智能方法3类.物理方法使用物理方程对环境数据和光伏系统的一些电气特性进行建模,从而对光伏发电功率进行预测3-4,但是上述方法依赖于光伏发电站的详细设备参数,且建模复杂5.统计方法基于大量的历史数据,通过寻找历史发电功率数据或者收稿日期:2 0 2 2-0 8-31通信作者:章杰(19 7 9-),副教授,主要从事太阳能光伏技术及嵌人式系统研究,基金项目:福建省级科技创新重点资助项目(2 0 2 2 G02011);福州市科技计划资助项目(2 0 2 1-P-030)文献标识码:AFuzhou U
8、niversity,Fuzhou,Fujian 350108,China)第4期历史气象数据和发电功率数据的统计关系,实现功率预测6.但是统计方法并不能有效处理非线性数据7,人工智能算法处理非线性数据的能力更好,且具有更好的容错性8.文献9 采用LS-SVM模型对电力能源消耗进行预测,有效地提升了预测效果.传统的人工智能算法并不能充分学习光伏功率的周期性变化,为了更好地捕捉序列的时间相关性,长短期记忆神经网络模型(long short-term memory,LST M)被用于功率预测模型,它可以学习时间序列的周期性规律,提升预测准确性10 文献11基于LSTM建立光伏功率预测模型,有效挖掘光
9、伏功率的时间相关性,提升模型预测精度.但是LSTM模型的预测精度依旧受限于大量的历史数据,对于一些缺乏数据样本的新建光伏电站,无法有效地学习环境变量和光伏系统输出功率之间复杂的非线性映射,且并未关注输人特征对于功率输出的影响。在缺少训练数据的情况下,采用生成对抗网络(generative adversarial network,G A N)可以对原有的数据集进行数据增强12】,帮助模型更好地拟合光伏系统的非线性关系【13-14.文献15提出一种新的暂态稳定预测方法,采用GAN进行数据增强,有效提高对失稳样本的识别率。为了在少样本的情况下更好地学习环境变量和光伏系统的非线性映射,提升光伏系统功率
10、预测的准确度,本研究提出一种结合改进的深度卷积对抗网络(deep convolutional generative adversarial network,DCGAN)、注意力机制和LSTM网络组合的光伏系统功率预测方法.首先,为了充分学习一维时序数据的分布关系,模型将一维卷积代替二维卷积作为DCGAN中生成器的网络,采用改进的DCGAN模型对有限的历史光伏数据进行扩充,构建有效且具有多样性的样本数据集.其次,在实际预测模型构建时,加入注意力机制自适应地分析输入特征集,提取出对预测结果具有重要影响的信息此外,针对最大功率点跟踪带来的延时性,输人特征中加入时间特征,捕捉其时间特性,进一步提升预测
11、模型的准确率.1光伏预测模型构建1.1改进的DCGAN模型构建DCGAN模型目的是利用有限的数据尽可能学习到所有数据的概率分布,其通过在GAN模型的生成器和鉴别器中引人深度卷积神经网络,从而增加网络的稳定性和生成更高质量的样本16.DCGAN模型由生成器和鉴别器两大部分组成,生成器通过学习真实样本的概率分布将随机噪声生成新样本,鉴别器判断接收的样本是否来自真实样本,并根据判别结果更新两个网络参数.通过两个网络不断地对抗训练,最终使生成器生成更高质量的样本.DCGAN定义生成器的损失函数Lc和鉴别器的损失函数L,为Lc=ExpP(s)log2(1-D(G(z);Lp=Exp(a)log,D(x)
12、+ExPg)log2(1-D(G(z)(1)式中:z为噪声;P()为随机噪声分布;G(z)为生成器生成的样本;D(G(z))为鉴别器将生成样本判别为真实样本的概率;P()为真实样本分布;D()为鉴别器将真实样本判别为真实样本的概率.原始DCGAN生成器和判别器均采用二维卷积.二维卷积可以提取三维图像特征,主要用于图像处理.但功率预测的输人数据为天气特征的序列数据,且输人特征和预测功率只有时间的相关性,没有空间上的相关.因此,本研究将DCGAN中二维卷积替换成一维卷积,使模型能更好地处理序列数据.一维卷积通过卷积核进行卷积计算提取特征.卷积核以设定的步长沿着输入数据的长度方向对核内的数据进行卷积
13、操作,由每次卷积获得的值构成一个特征维度.该卷积的运算公式为(2)式中:w,为权重矩阵;yt、y t-1分别为l层的输人和输出;为卷积运算;b,为偏置参数.1.2Attention-LSTM 预测模型LSTM在RNN的基础上进行改进,在结构中添加新单元,可以选择性地增加和删除信息,有效解决RNN由于新的信息不断加入而导致的丢失过往信息的问题.LSTM通过遗忘门、输入门、输出门3个门控机制进行状态控制和传输,其单元结构如图1所示.图1中,遗忘门决定了丢弃多少上一个状态的信息.输入门和tanh函数决定了给细胞状态添加哪些当前状态的信息.输出门和tanh函数决定了输出哪些信息作为当前隐藏层状态值ht
14、其中,遗忘门、输人徐柔,等:结合改进的DCGAN和Attention-LSTM的光伏功率预测 499yi=f(yi-i?w,+br)http:/500门、输出门的各变量计算为f,=(W,ht-1,x,+bf)i,=(W,ht-1,x,+b,)Jo,=o(Whi-1,x,+b.)C,=tanh(W,ht-1,x,+b。)C,=f,C,-1+i,C(h,=o,tanh C,式中:W为权重矩阵;b为偏置参数;为激活函数;f、i;、o,分别为t时刻的遗忘门、输入门、输出门的输出.注意力机制通过学习输入特征和隐藏层状态的映射关系,为输人特征分配新的权重,以此突显关键信息17,将LSTM上一时刻的隐藏层状
15、态和单元细胞状态以及当前时刻输人拼接作为注意力层的输人;其次,将注意力层的输出通过 softmax函数处理得到各特征权重,由新权重值与各特征相乘,得到新输入特征;最后放入LSTM模型进行训练.注意力机制的运算公式为ef=V tanh(W.h-1is-1+Ux*);t=exp(et)Z exp(c式中:e,为注意力层的输出;V。、W。、U。为权重矩阵;,为t时刻的第k个输人特征.最终,采用Attention-LSTM网络作为功率预测模型,模型架构如图2 所示.模型将注意力机制和LSTM模型相结合,从而为输入特征分配不同的权重.然后通过参考之前的编码器隐藏状态,自适应地选择相关特征序列,提高网络对
16、重要信息的关注,从而提高预测精度.1.3 DCGAN-Attention-LSTM 模型构建结合DCGAN-Attention-LSTM的光伏功率预测模型,主要包含以下5个步骤:1)D CG A N模型的输入为当前时刻的时间特征、环境特征和光伏系统输出功率等总共11项特征,模型预测输出为光伏系统功率.对数据集进行数据清洗,划分训练集、测试集,并进行归一化处理,2)将训练集用于改进的DCGAN模型训练,利用训练后的模型生成新训练数据.3)将生成的新数据和原始数据合并作为Attention-LSTM网络的输入.Attention网络根据不同输人特征对预测输出的影响程度分配不同权重,生成新的输人特征
17、.4)将新的输入特征放入LSTM网络中进行训练,并保存训练好的模型参数.5)将测试集输入训练完成的网络进行预测,得到光伏系统输出功率.本实验考虑环境特征与光伏系统输出功率的非线性关系,将11项特征值作为改进的DCGAN模型的输人特征.生成器的输入为110 0 维的随机噪声,输出为111维的数据,生成器使用全连接层和一维卷积层,卷积层的卷积核为2,步长为1,判别器的输人为111维的张量,输出为一维的判别概率,判别器使用两层卷积层和一层全连接层,滤波器数量分别为32 和16,卷积核均为2,步长都为1,生成器和判别器均选用Adam优化器.Attention模块采用Softmax函数作为激活函数.注意
18、力层的输入为LSTM上一时刻的隐藏层状态、单元细胞状态以及当前时刻的输人拼接值,输出为注意力权重值.LSTM模型由LSTM层和全连接层组成,LSTM层输人维度和隐层的维度分别为10 和512,采用Adam优化器和ReLU函数.LSTM模型的输人为时间特征和5项环境特征,输出为功率预测值.福州大学学报(自然科学版)(3)输入向量图2 Attention-LSTM模型架构Fig.2Architectureof Attention-LSTM model第51卷十tanhtanh图1LSTM单元结构Fig.1Architecture of LSTM unit(ei)-1i=1LSTM隐藏层Attent
19、ion全连接层输出功率(4)http:/第4期2实验结果和分析2.1数据来源与处理采用澳大利亚太阳能中心(DKASC)的Alice Springs电站18 作为实验对象,验证模型的可靠性。选择该电站2 0 19 年1月1日至2 0 2 1年4月31日的数据作为实验样本,将数据集前7 0%作为训练集,从剩余数据集中选取不同季节和不同天气各1d作为测试集.由于光伏系统在晚上基本没有功率输出,因此,数据集只保留采集时段为0 7:0 0 18:45的样本,数据的采样间隔为15min.光伏电池的发电量受直接辐射强度、水平辐射强度、温度、风速、风向、相对湿度和每日降雨量等环境特征影响,且大部分光伏系统上都
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 结合 改进 DCGAN Attention LSTM 功率 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。