申请/专利权人：国网辽宁省电力有限公司辽阳供电公司;国网辽宁省电力有限公司

申请日：2023-11-14

公开（公告）日：2024-03-22

公开（公告）号：CN117744854A

主分类号：G06Q10/04

分类号：G06Q10/04;H02J3/00;H02J3/38;G06Q50/06;G06F18/213;G06N3/006;G06N3/0442;G06N3/045;G06N3/047;G06N3/08;G06N3/088

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.09#实质审查的生效;2024.03.22#公开

摘要：本发明公开了一种基于优化DBN和Bi‑LSTM的短期光伏功率预测方法，利用DBN能够捕捉非线性特征的特点和Bi‑LSTM处理时序特征的能力，构建了SSA优化的DBN和PSO优化的Bi‑LSTM组合预测模型，完成训练数据序列的深度特征提取，采用SSA对DBN进行参数优化，提高DBN收敛速度与特征提取能力，提高泛化性能；本发明利用PSO对Bi‑LSTM中的隐藏层单元数α，学习率ε，丢弃概率ρ进行调节，提高网络鲁棒性和全局搜索能力，提升收敛速度。

主权项：1.一种基于优化DBN和Bi-LSTM的短期光伏功率预测方法，其特征在于，包括以下步骤：S1：采集历史光伏功率信息，包括光伏发电功率、温度特征、季节特征以及云层特征，对历史光伏功率信息进行数据预处理，进行数据归一化，将归一化后数据随机划分训练集和测试集，比例设置7：3，得到训练数据序列；S2：构建DBN网络模型，将步骤1中的数据序列输入到DBN网络模型中，通过SSA优化DBN网络，将DBN网络中各层RBM的可见层偏置、隐藏层偏置、权重作为待优化变量，通过麻雀算法更新，以均方误差MSE为适应度函数，不断更新变量，获取个体最优适应度，得到全局最佳适应度，直至最大迭代次数，进行无监督学习训练过程，完成训练数据序列的深度特征提取；S3：构建Bi-LSTM网络，将步骤2中提取后的数据序列输入Bi-LSTM网络中进行训练，将Bi-LSTM网络中α隐藏层单元数，ε学习率，ρ丢弃概率作为优化参数，将参数定义为PSO中每个粒子，计算适应度函数MAPE，通过PSO进行调参，通过调整迭代获得最优种群，建立预测模型；S4：将测试集输入到训练好的预测模型中，对预测模型进行模型评价；将待测日功率信息序列输入预测模型，反归一化得到预测结果。

全文数据：

权利要求：

百度查询： 国网辽宁省电力有限公司辽阳供电公司;国网辽宁省电力有限公司 一种基于优化DBN和Bi-LSTM的短期光伏功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD