针对光伏发电功率预测的LSTformer模型

doi:10.3778/j.issn.1002-8331.2301-0155

摘要/摘要

摘要：为了提高光伏发电功率预测精度，提出了一种基于长短期时序数据融合的变压器生成式预测模型：LST转换器能准确有效地预测光伏发电功率。LST转换器新闻分析（时间序列分析，TSA）、时序特征融合模块（时间序列特征融合，TSFF）和多周期嵌入模块（循环嵌入）利用数据融合解决难以提取多时间尺度时序特征问题。设计时间卷积前馈（时间卷积前馈，TCN前馈）单元，在编解码的过程中进一步提取时序特征。利用某光伏电站实际历史发电数据，通过实验验证LST转换器模型在光伏发电功率预测领域得到最低的均方误差（均方误差，MSE）、（平均绝对误差，MAE）并通过消融实验验证了各模块的有效性。

关键词: 变压器，长短期记忆网络, 跳跃-门控循环单元, 光伏发电功率预测, 时序数据预测

摘要：为了提高光伏发电量的预测精度，提出了一种基于数据融合的变压器发电量预测模型：LSTformer，能够准确有效地预测短期光伏发电量。LSTformer提出了时间序列分析（TSA）模块、时间序列特征融合（TSFF）模块和循环嵌入模块。它利用数据融合来解决难以提取多个时间序列特征的问题。时间卷积前馈（TCNforward）单元被设计用于进一步提取编码和解码过程中的时序特性。利用某光伏电站的实际历史功率数据，通过实验验证了LSTformer模型在光伏功率预测领域具有最低的均方误差（MSE）和平均绝对误差（MAE），并通过烧蚀实验验证了各模块的有效性。

关键词： 变压器，长短期存储器（LSTM），跳过选通循环单元（skip-GRU），光伏功率预测，时间序列数据预测

刘世鹏, 宁德军, 马崛. 针对光伏发电功率预测的LST成型机[J]。计算机工程与应用, 2024, 60(9): 317-325.

刘世鹏、宁德军、马珏。用于光伏功率预测的LSTformer模型[J]。计算机工程与应用，2024，60（9）：317-325。

参考文献

[1] 国际能源署。技术路线图-能源存储[R/OL]。(2014-09)[2022-12-29]. https://www.iea.org/reports/technology-roadmap-energy-storage。
[2] FOLEY A M，LEAHY P G，MARVUGLIA A，等.风力发电预测的当前方法与进展[J]。可再生能源，2012，37（1）：1-8。
[3] 曾杰，魏强.基于支持向量机的短期太阳能发电量预测[J]。可再生能源，2013，52（4）：118-127。
[4] ZAGOURAS A，PEDRO H，COIMBRA C.关于滞后外生变量和时空相关性在提高太阳预报方法准确性中的作用[J]。可再生能源，2015，78:203-218。
[5] VIDAL A，KRISTJANPOLLER W.使用CNN-LSTM方法预测黄金波动率[J]。专家系统与应用，2020，157:113481。
[6] 谢鹏，李涛，刘杰，等。基于机器学习的时空数据城市流量预测研究[J]。信息融合，2020，59:1-12。
[7] 阿扎尔邦亚德·H，德哈尼·M，马克斯·M，等。学习多标签文本分类的排序：结合不同的信息源[J]。自然语言工程，2020，27（1）：1-23。
[8] 于毅，曹军，朱军.复杂天气条件下LSTM短期太阳辐照度预报[J]。IEEE接入，2019年，7:145651-145666。
[9] SETHI R，KLEISSL J.短期负荷预测技术比较[C]//2020 IEEE可持续发展技术会议（SusTech），2020。
[10] WU W，LIAO W，MIAO J，et al.考虑电价影响，使用门控循环单元网络预测短期负荷[J]。能源媒体，2019，158:3369-3374。
[11] TZOVARAS D.多步骤短期光伏发电预测的分析模型、基于数据的模型和混合模型的基准比较[J]。能源，2020，13（22）：5978。
[12] ABDEL-NASSER M.使用深度LSTM-RNN的精确光伏功率预测模型[J]。神经计算与应用，2019，31（7）：2727-2740。
[13] WU H，XU J，WANG J，等.自变换器：用于长期序列预测的自相关分解变压器[C]//神经信息处理系统的进展，2021:22419-22430。
[14] 智能电网调度控制系统技术规范　第2017年7月2日：GB/T 33590-2017[S]。
智能电网操作和控制系统技术规范。第2部分：术语：GB/T 33590-2017[S].2017。
[15] LUO X，DING H，TANG M，et al.社区问答网站上使用BERT对怀孕相关问题进行内容注释和分类的注意机制[C]//2020 IEEE生物信息学和生物医学国际会议，2020。
[16] 周浩，张斯，彭杰，等.信息员：超越长序列时间序列预测的高效变压器[C]//美国人工智能学会人工智能会议论文集，2021:11106-11115。
[17] CHO K，MERRIENBOER B V，GULCEHRE C，et al.使用RNN编码器-解码器学习短语表示用于统计机器翻译[C]//2014年自然语言处理经验方法会议论文集，2014。
[18] LAI G，CHANG W C，YANG Y，等.用深度神经网络建模长期和短期时间模式[C]//国际ACM SIGIR信息检索研究与开发会议，2018。
[19] 哈杰普尔S，AMERI M.太阳能热电混合动力发电厂的技术经济分析[J]。可持续能源技术与评估，2020，42:100857。
[20] KATOH K，MISAWA K，KUMA K，等.基于快速傅里叶变换的快速多序列比对新方法[J]。核酸研究，2002，30（14）：3059-3066。
[21]DKA太阳能中心[DB/OL]。(2020-09-28)[2022-12-29]. http://dkasolarcentre.com。

针对光伏发电功率预测的LST成型机

用于光伏功率预测的LSTformer模型

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

韵律学

[1]	王茹, 刘大明, 张健.穿戴-YOLO：变电站电力人员安全装备检测方法研究[J] 。计算机工程与应用, 2024, 60(9): 111-121.
[2]	蔡腾, 陈慈发, 董方敏.结合变压器和动态特征融合的低照度目标检测[J] 。计算机工程与应用, 2024, 60(9): 135-141.
[3]	杨文涛, 雷雨琦, 李星月, 郑天成.融合汉字输入法的BERT公司BLCG的长文本分类研究[J] 。计算机工程与应用, 2024, 60(9): 196-202.
[4]	郭金, 宋廷强, 孙媛媛, 巩传江, 刘亚林, 马兴录, 范海生.改进深标签v3+工作[J] 。计算机工程与应用, 2024, 60(8): 110-120.
[5]	邹振涛, 李泽平.完YOLOv7公司的航拍图像目标检测[J] 。计算机工程与应用, 2024, 60(8): 173-181.
[6]	常禧龙, 梁琨, 李文涛.深度学习优化器进展综述[J] 。计算机工程与应用, 2024, 60(7): 1-12.
[7]	骈鑫洋, 王瑜, 张洁.特征注意力变压器3D唇语序列身份识别中的应用[J] 。计算机工程与应用, 2024, 60(7): 141-146.
[8]	袁婧, 潘甦, 谢浩, 徐文鹏.融合投资者情绪的S_AM_BiLSTM预测[J] 。计算机工程与应用, 2024, 60(7): 274-281.
[9]	方思严, 刘斌.小霸王变压器[J] 。计算机工程与应用, 2024, 60(6): 259-273.
[10]	蔡国永, 李安庆.提示学习启发的无监督情感风格迁移研究[J] 。计算机工程与应用, 2024, 60(5): 146-155.
[11]	朱凯, 李理, 张彤, 江晟, 别一鸣.视觉变压器在低级视觉领域的研究综述[J] 。计算机工程与应用, 2024, 60(4): 39-56.
[12]	方红, 李德生, 蒋广杰.高效跨域的变压器小样本语义分割网络[J] 。计算机工程与应用, 2024, 60(4): 142-152.
[13]	管文青, 周世斌, 张国鹏.混合注意力特征增强的航空图像目标检测[J] 。计算机工程与应用, 2024, 60(4): 249-257.
[14]	陈丽芳, 罗世勇.融合卷积和变压器的多尺度肝肿瘤分割方法[J] 。计算机工程与应用, 2024, 60(4): 270-279.
[15]	戬，冰，冰。变压器美国有线电视新闻网并行引导的水下图像增强[J] 。计算机工程与应用, 2024，60（4）：280-288。