概率编译码架构下光伏组件清洁周期预测方法

技术领域

本发明属于人工智能领域,尤其概率编译码架构下光伏组件清洁周期预测方法。

背景技术

机器学习是人工智能领域的重要分支。近年来，随着互联网技术和数据存储技术的迅速发展快速兴起，并被广泛应用于生产。编译码架构是机器学习的一个重要分支，在科研及实际生产领域备受关注，指的是，将一个已经在旧问题、旧领域中训练好的模型，结合时间序列，应用到一个全新的领域中的过程。

现有的将机器学习的思想应用于光伏系统的方法中，多以传统预测模型为主，将一个光伏系统训练好的模型，运用到另一个光伏系统，以完成对新系统的预测。结合光伏系统的实际情况，其中一个重要的问题就是没有考虑时间序列对光伏系统造成的影响，光伏系统的性能和发电量通常受到时间的影响，而清洁周期的作用在于确保光伏组件的有效性和性能，以提高能量产出和系统寿命。于是如何利用时间序列对光伏组件清洁周期进行预测，具有重要的研究价值和现实意义。

概率编译码架构备受关注，它包括两部分，一部分是编码-解码结构，这部分负责序列数据处理和生成任务；另一部分是频域模块，此部分负责模拟未来序列的概率分布。当下对光伏组件清洁周期的预测所用的主要方法有：回归分析模型、阈值分析和支持向量机模型等，这些方法取得了一定的结果，但依然有一些不足和缺点，比如，缺乏时空相关性、动态性和变化性，光伏组件的性能和清洁周期可能会随时间发生变化，传统模型可能无法很好地适应这种动态与变化。

发明内容

针对上述现有技术中存在的局限性，本发明旨在提供一种基于概率编译码架构的预测模型，以实现光伏组件清洁周期的长期时间序列预测。

步骤1：概率编译码架构下光伏组件清洁周期预测方法，其特征在于，包括以下步骤：

步骤S10、收集关联光伏组件的时序参数数据，对所述时序参数数据进行预处理，其中，所述时序参数数据包括时序日期、发电功率、发电效率、容量因子、组件耐久性、组件地理位置、太阳高度角、太阳辐照度、太阳位置、天空散射辐射、温度、气温、风速、湿度、降水；

步骤S20、将原始光伏时域上的输入序列投影到光伏频域并对光伏频域数据选择随机分量，令光伏频域学习模块采用一个全联接层作为可学习参数，光伏频域注意力模块将来自编码器和解码器的信号进行跨注意力机制的操作，使两部分信号的内在关系相互学习，最后进行光伏频域补全并投影回光伏时域，以此构建光伏频域学习模块和光伏频域注意力模块；

步骤S30、利用光伏周期-趋势分解模块将序列分解为周期项和趋势项，提取太阳辐照度、温度和发电功率的分量特征并设置权值，以此区分不同分量特征对模型的贡献，用加权求和的方式获得最终趋势数据，最后模拟未来光伏序列的概率分布；

步骤S40、将输入数据通过编码器层进行前向传播，通过编码层的输出结果进行层归一化并返回最终的光伏组件清洁周期预测结果。

步骤2：根据步骤1所述的概率编译码架构下光伏组件清洁周期预测方法，其特征在于，所述步骤S20中，光伏频域学习模块定义为：

其中，

光伏频域注意力模块定义为：

其中，

步骤3：根据步骤1所述的概率编译码架构下光伏组件清洁周期预测方法，其特征在于，所述步骤S30中，光伏周期-趋势分解模块定义为：

其中，

步骤4：根据步骤1所述的概率编译码架构下光伏组件清洁周期预测方法，其特征在于，所述步骤S40中，使用的归一化函数为：

其中，

本发明的有益效果如下：

本项发明结合理论分析和对长期时间序列预测的研究，通过引入基于概率编译码架构的预测模型，在一定程度上解决了时间序列的总体特征和分布难以捕捉的问题，通过构建光伏频域学习模块和光伏频域注意力模块，将过去的观测数据与预测的光伏组件清洁周期之间的关系进行了更深入的挖掘，再通过构建光伏周期-趋势分解模块，获得未来光伏序列的概率分布，最后进行层归一化完成对清洁周期的预测。本发明结合编译码架构的思想并引入频率增强机制，使模型能够更好地理解光伏组件清洁周期的变化趋势，并因此提供更准确的预测。

附图说明

图1为算法体系结构；

图2为前向传播图示；

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

受编译码架构思想的启发，本发明通过结合频率增强机制，利用时间序列的全局视图，进行光伏组件清洁周期预测。

首先收集光伏组件的时序参数数据，对这些数据进行预处理。其次，将原始光伏时域上的输入序列投影到光伏频域并对光伏频域的数据选择随机分量，构建光伏频域学习模块和光伏频域注意力模块。接着，利用光伏周期-趋势分解模块将序列分解为周期项和趋势项，模拟未来光伏序列的概率分布。最后，将数据通过编码器层进行前向传播，通过层归一化返回最终的光伏组件清洁周期预测结果。

步骤1：概率编译码架构下光伏组件清洁周期预测方法，如图1所示，示出了所述概率编译码架构下光伏组件清洁周期预测方法的算法体系结构，其特征在于，包括以下步骤：

步骤S10、收集关联光伏组件的时序参数数据，对所述时序参数数据进行预处理，其中，所述时序参数数据包括时序日期、发电功率、发电效率、容量因子、组件耐久性、组件地理位置、太阳高度角、太阳辐照度、太阳位置、天空散射辐射、温度、气温、风速、湿度、降水；

步骤S20、将原始光伏时域上的输入序列投影到光伏频域并对光伏频域数据选择随机分量，令光伏频域学习模块采用一个全联接层作为可学习参数，光伏频域注意力模块将来自编码器和解码器的信号进行跨注意力机制的操作，使两部分信号的内在关系相互学习，最后进行光伏频域补全并投影回光伏时域，以此构建光伏频域学习模块和光伏频域注意力模块；

步骤S30、利用光伏周期-趋势分解模块将序列分解为周期项和趋势项，提取太阳辐照度、温度和发电功率的分量特征并设置权值，以此区分不同分量特征对模型的贡献，用加权求和的方式获得最终趋势数据，最后模拟未来光伏序列的概率分布；

步骤S40、将输入数据通过编码器层进行前向传播，如图2所示，示出了前向传播图示，通过编码层的输出结果进行层归一化并返回最终的光伏组件清洁周期预测结果。

步骤2：根据步骤1所述的概率编译码架构下光伏组件清洁周期预测方法，其特征在于，所述步骤S20中，光伏频域学习模块定义为：

其中，

光伏频域注意力模块定义为：

其中，

步骤3：根据步骤1所述的概率编译码架构下光伏组件清洁周期预测方法，其特征在于，所述步骤S30中，光伏周期-趋势分解模块定义为：

其中，

步骤4：根据步骤1所述的概率编译码架构下光伏组件清洁周期预测方法，其特征在于，所述步骤S40中，使用的归一化函数为：

其中，

上述内容仅代表本发明的实施方式，而非对发明的保护范围进行限制。任何以本发明说明书和附图中所描述的内容为基础进行的等效结构或等效流程变换，以及在其他相关技术领域中的直接或间接应用，都属于本发明所要保护的范围。