基于WCNN-ALSTM的太阳辐照度时间序列的预测方法

技术领域

本发明涉及太阳辐照度的预测，具体涉及一种基于WCNN-ALSTM的太阳辐照度时间序列的预测方法。

背景技术

可再生能源，特别是太阳能光伏产出的随机性产生了电力部门的不确定性。它威胁着电力系统的稳定性，导致无法匹配功耗和生产，精确的光伏发电预测有利于电网调配，节约电网资源。所以短期光伏预测一直是时间序列预测领域研究的热点。光伏发电量与太阳辐照度呈正相关，所以现今光伏领域的预测常用辐照度数据来进行研究，准确获得太阳辐照度数据对于有效预测光伏发电量的变化趋势具有重要意义。

现有的国内外关于辐照度时间序列的预测大致分为传统统计方法、物理方法和现代预测方法。物理法不需要历史辐照度数据就可以对太阳辐照度进行预测，这是物理法相对于统计法的一个优点。但物理法建模也存在诸如建模复杂、涉及的环节过多、参数求解相对复杂等问题，所以现在的辐照度预测研究很少使用物理法。

传统统计建模的方法是通过分析不同特征之间的联系，通过判断指标不同的特征之间的函数关系，来对辐照度结果进行精准预测，其中包括支持向量机、决策树、多元线性回归等机器学习方法。但是预测模型结构简单，并且需要大量历史数据，对于样本数较小的数据预测结果比较差。

随着人工智能的快速发展，随着人工智能技术的飞速发展，各种神经网络模型和数据处理方法被提出，并且应用于太阳辐照度预测。如RNN不仅能从当前的输入信息中获取输出，而且从过去的经验和输入信息中获取输出，是集成到太阳辐照度预测模型中的一个很好的候选。然而，当RNN中两个单元之间的距离太大时，消失梯度可能会导致重要信息的损失。并且在季节变化时，不同季节的辐照度变化并不相同，单一的深度网络模型难以从剧烈的波动数据学习太多有用信息，并且现今的深度模型都普遍存在预测滞后的问题，导致预测准确率较低。

发明内容

根据上述的问题和背景，本发明提出一种基于WCNN-ALSTM的太阳辐照度时间序列的预测方法，该方法在辐照度数据不稳定且随季节性变化波动剧烈的条件下，依靠小波变换降低频域复杂度，并且使用卷积神经网络和结合注意力机制的长短记忆神经网络的辐照度预测方法，能够解决目前业内关于辐照度预测精确度不高的问题。

本发明采用以下技术方案：

一种基于WCNN-ALSTM的太阳辐照度时间序列的预测方法，包括以下步骤：

1)采集某地区一年的太阳辐照度数据，按时间顺序依次记录辐照度数值，得到时间序列数据。

2)使用小波变换WT的方法对时间序列数据进行分解，分解成频率不同的多个子序列；

3)将分解得到的分量数据传入CNN-ALSTM深度学习网络模型进行训练，所述的CNN-ALSTM深度学习网络模型结合卷积神经网络CNN提取有用特征。长短期记忆循环神经网络LSTM结合Attention机制，使神经网络更加关注对当前输出更重要的输入特征。然后在下一步中将学习到的特征权重保存到输入向量中得到权重矩阵。最后，权重矩阵分配注意力以突出显示关键输入特征或时序特征对预测的影响；

4)根据误差评价指标调节模型迭代次数和CNN以及LSTM的内部参数，得到WCNN-ALSTM深度学习网络模型；

5)对太阳辐照度进行预测，具体为：将采集的辐照度数据使用小波变换进行分解，然后输入CNN-ALSTM深度学习网络模型中，得到频率不同的多个子序列，将每个子序列预测结果进行叠加输出最终的预测结果。

可选的，所述的长短期记忆循环神经网络包括输入门、输出门、遗忘门，通过控制不同的门控开关，来选择性的处理信息。

可选的，所述的长短期记忆循环神经网络用于将单维时间序列数据扩充成多维数据；所述的卷积神经网络通过多层叠加，提取不同维度的特征信息，更加便于模型训练。。

可选的，选用平均绝对值误差MAE，平均百分比误差MAPE，决定系数R2作为误差评价指标，用于评价模型的准确率。

可选的，结合Attention机制的长短记忆神经网络能自我注意更新权重学习更重要的输入特征信息。

可选的，根据对不同模型的预测结果进行评价，分析各个模型的优劣性。

本发明与当前关于辐照度的预测方法相比，具有以下优点：

本发明针对当前辐照度预测中数据波动变化大，季节数据变化较剧烈，预测效果不够精确等问题，提出了WCNN-ALSTM深度神经网络模型提升预测效果。该模型通过小波变换将原始辐照度数据分解为多个子序列分别预测，其预测效果以及稳定性上有明显的提高，多层卷积神经网络将原始序列扩展成多维序列，结合注意力在机制的长短记忆神经网络时间序列模型能自适应从不同维度的数据中关注更重要的特征，同时又将当前的时间节点与前一时间段的信息关联起来，进一步提高预测精度，在实际应用中可以精准的预测未来短期时间内的辐照度变化。本发明可有效解决当前能源领域的光伏发电量预测问题，由于光伏发电量与辐照度呈正相关，使用辐照度数据能有效预测光伏发电量的变化趋势，这对电网系统的调配有较大意义。

附图说明

图1为WT对原始辐照度复杂信号的分解为4个子序列的效果，从上到下分别为原始序列，A3，D1，D2，D3；

图2为多种不同方法对于辐照度的预测效果图。

具体实施方式

以下将结合附图以及具体实施例阐述对本发明方案进行详细的介绍，介绍内容包括从基本原理，到实际如何使用，涵盖所有在本发明的基础上做的改进和修改的方法和措施。

为了方便公众更容易理解本发明的原理以及应用，下文对本发明的优选实施例进行详细的描述，对于非本专业的公众能也能很好的理解本发明在辐照度预测上面的原理以及应用。

下面关于本发明的描述以举例的方式进行，为了让公众更好的了解和体会本发明的预测效果，附图采用实验效果更加明显的箱型图和折线图来描述。

小波变换WT是一种信号分解模型，每一层分解的结果是上次分解得到的低频信号再分解成低频和高频两个部分。如此进过N层分解后源信号X被分解为：X＝D1+D2+...+DN+AN其中D1，D2，...，DN分别为第一层、第二层到等N层分解得到的高频信号，AN为第N层分解得到的低频信号。可以通过设定选择分解的次数，但是分解的子序列越多，后续对各个序列的预测时间也越长，所以需要选择一个适当的分解次数。CNN-ALSTM是对分解的子序列进行预测的模型，根据其时间序列模型的特点，按照前一个时间段的信息来预测当前时间的值，这样会最大程度的降低误差，最后将各个子序列的预测效果整合到一起，得出最后的实验结果。

本发明公开了一种基于WCNN-ALSTM的太阳辐照度时间序列的预测方法，包括以下步骤：

1)采集某地区一年的太阳辐照度数据，按时间顺序依次记录辐照度数值，得到的时间序列数据；

2)使用小波变换WT的方法对时间序列数据进行分解，分解成频率不同的多个子序列；

3)将分解得到的子序列传入CNN-ALSTM深度学习网络模型进行训练，所述的CNN-ALSTM深度学习网络模型结合卷积神经网络CNN提取有用特征。长短期记忆循环神经网络LSTM结合Attention机制，使神经网络更加关注对当前输出更重要的输入特征。然后在下一步中将学习到的特征权重保存到输入向量中得到权重矩阵。最后，权重矩阵分配注意力以突出显示关键输入特征或时序特征对预测的影响；

4)根据误差评价指标调节模型迭代次数和WT，CNN以及LSTM的内部参数，得到CNN-ALSTM深度学习网络模型

5)对太阳辐照度进行预测，具体为：将获得的辐照度数据使用小波变换进行分解，得到频率不同的多个子序列，然后输入CNN-ALSTM深度学习网络模型中，将每个子序列预测结果进行叠加输出最终的预测结果。

所述的WCNN-ALSTM深度学习网络模型结合多个深度模型的优势准确获取辐照度序列的特征信息。

小波变换WT是一种数据预处理方法，选取合适的小波基函数，将原始数据分解为多个子信号(子序列)，包括去噪低频分量和去噪高频分量，具有良好的数据稳定，分解后，将原始数据中混合的信息分散成不同的序列。原始信号内部的时间序列信息和时间依赖性可以更有效和准确地表达和捕获，从而提高预测精度。长短期记忆循环神经网络包括输入门、输出门、遗忘门，通过控制不同的门控开关，来选择性的处理信息。长短期记忆循环神经网络(LSTM)从循环神经网络(RNN)发展而来，具有很强的泛化能力，能很好的解决时间序列数据频率高、高波动性强等问题，来实现对短期时间内的高精准度预测；时间卷积神经网络能有效提取序列的各种特征，多层的CNN能从不同维度提取不同的特征，ALSTM是LSTM的一个扩展模型，结合Attention机制的LSTM网络模型能从CNN输出的多维特征序列中自适应关注对预测结果更重要的特征。然后在下一步中将学习到的特征权重保存到输入向量中得到权重矩阵。最后，权重矩阵分配注意力以突出显示关键输入特征或时序特征对预测的影响；该方法具有更强的自适应性、非稳定性和非线性的映射能力。

算法伪代码如下所示：

WCNN-ALSTM输入：训练集X＝{x1,x2,x3…,xn}；

(1)对原序列进行小波分解，得到各层小波系数；

(2)对各层小波系数分别建立CNN-ALSTM深度学习网络模型，对各层小波系数进行预测；

(3)用得到的预测小波系数重构数据得到最终预测结果。

过程：

1：对原序列进行小波分解选择合适的小波基函数，得到各层小波系数：其中用小波变换尺度函数

其中j和k是定标器参数。原始信号y(t)可以表示为:

其中c

2：将辐照度时间序列数据拓展成多个子序列。X

3：各个子序列分别输入CNN-ALSTM深度学习网络模型进行训练。

WCNN-ALSTM输出：

将原序列各个频度不同的多个子序列的预测结果结合起来，得到最终的实验结果Y＝{y1,y2,y3…,yn}。

选用3个误差评价指标分别对WCNN-ALSTM的预测结果进行评价，分别为平均绝对值误差MAE，平均百分比误差MAPE，决定系数R

其中f表示真实值，

所述根据误差评价指标设置模型参数采用如下方法：

根据对预测结果的误差评价指标，调整模型内部参数，达到最低预测误差，即MAE，MAPE降到最低，而R

表1：WCNN-ALSTM对比机器学习模型预测结果

表2：各深度学习模型对辐照度预测评价结果

图1示意在原始数据在进行了三次小波变换后各个频率的图，进行三次小波变换后，原始序列数据被分解为频率不同的4个子序列图像，在分别进行每个子序列的预测。

图2示意多种不同方法对于辐照度的预测效果图，图中画出一天的预测结果图，从图中可以看出WCNN-ALSTM的预测效果最佳，对比其他先进的深度学习模型能更好的预测辐照度的变化。

以上所述的实施过程和方法，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。