(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211022701.6 (22)申请日 2022.08.24 (71)申请人 苏州中立志科技有限公司 地址 215000 江苏省苏州市高新区道元路 16号1幢101室516 (72)发明人 杜恒　刘雷　 (74)专利代理 机构 苏州慧通知识产权代理事务 所(普通合伙) 32239 专利代理师 丁秀华 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 3/12(2006.01)H02J 3/00(2006.01) (54)发明名称 一种基于时空遗传注意力网络的短期光伏 发电预测方法 (57)摘要 本发明公开了一种基于时空遗传注意力网 络的短期光伏发电预测方法， 包括以下步骤： 对 原始气象因素数据进行归一化处理， 得到预处理 后的归一化气象信息数据； 将归一化气象信息数 据输入时空模块得到气象预测数据； 将历史发电 数据和气象预测数据输入基于遗传注意力模块 以预测分布式光伏电站的实际发电量； 模型训 练， 得到预测的功率结果。 本发明解决了现有方 法受到有限数据的限制， 无法发现潜在的相关性 和相关信息的问题。 权利要求书3页 说明书8页 附图3页 CN 115496263 A 2022.12.20 CN 115496263 A 1.一种基于时空遗传注意力网络的短期光伏发电预测方法， 其特征在于， 包括以下步 骤： 对原始气象因素 数据进行归一 化处理， 得到预处 理后的归一 化气象信息数据； 将归一化气象信息数据输入时空模块得到气象预测数据； 将历史发电数据和气象预测数据输入基于遗传注意力模块以预测分布式光伏电站的 实际发电量； 模型训练， 得到预测的功率结果。 2.根据权利要求1所述的短期光伏发电预测方法， 其特征在于， 所述步骤： 对原始气象 因素数据进行归一 化处理， 得到预处 理后的归一 化气象信息数据， 具体包括： 其中x'in是归一化气象信息数据； xin是原始气象因素数据； max(xin)和min(xin)分别是 原始气象因素 数据的最大值和最小值。 3.根据权利要求1所述的短期光伏发电预测方法， 其特征在于， 所述归一化气象信 息数 据为一个长度为M的序列 有Ci通道， 内核大小为 4.根据权利要求3所述的短期光伏发电预测方法， 其特征在于， 所述步骤： 将归一化气 象信息数据输入时空模块得到气象预测数据， 具体包括： 将归一化气象信息数据输入第一时间子模块进行计算， 具体包括以下步骤： 分别进行扩张卷积运 算， 得到两个大小相同的输出 结果A和B， 扩张卷积运 算如下： 其中， d是控制跳过距离的扩张参数， f∈Rk是内核， xt是序列x的第t个值； 将A和B分别通过sigmoid函数运算和融合运算， 最后进行Hadamard乘积来获得结果； 结 果计算方式如下： 其中， σ 是sigmo id函数， 是元素‑wise Hadamard乘积运 算； 将第一时间子模块得 出的结果输入空间子模块进行计算， 具体包括： gθ(·)*x＝Ugθ(Λ)UTx 其中， x为输入， gθ(·)*x为输出， 其中U是归一化图拉普拉斯L＝IN‑D‑1/2AD‑1/2＝UΛU的 特征向量矩阵， 其特 征值为Λ， UTx是x的图形傅里叶变换。 将空间子模块得 出的结果输入第二时间子模块进行计算， 具体包括以下步骤： 分别进行扩张卷积运 算， 得到两个大小相同的输出 结果A1和B1， 扩张卷积运 算如下： 其中， d是控制跳过距离的扩张参数， f∈Rk是内核， xt是序列x的第t个值； 将A1和B1分别通过sigmoid函数运算和融合运算， 最后进行Hadamard乘积来获得结果； 结果计算方式如下：权　利　要　求　书 1/3 页 2 CN 115496263 A 2其中， σ 是sigmo id函数， 是元素‑wise Hadamard乘积运 算； 将第二时间子模块得出的结果通过全连接层产生综合特征， 生成最终的气象预测数 据。 5.根据权利要求1所述的短期光伏发电预测方法， 其特征在于， 所述步骤： 将历史发电 数据和气象预测数据输入基于遗传注意力模块以预测分布式光伏电站的实际发电量， 具体 包括以下步骤： 通过滑动窗口构造将历史发电数据和气象预测数据组成输入矩阵； 基于遗传的搜索算子初始化输入矩阵的权 重； 将输入矩阵馈送到LSTM以获得进一 步迭代的损失并获得 更好的权 重。 6.根据权利要求5所述的短期光伏发电预测方法， 其特征在于， 所述步骤： 将输入矩阵 馈送到LSTM以获得进一 步迭代的损失并获得 更好的权 重之前， 还 包括以下步骤： 基于遗传的搜索算子来训练注意力权重， 将训练损失作为参考， 以获得LSTM网络注意 力层的最佳参数。 7.根据权利要求6所述的短期光伏发电预测方法， 其特征在于， 所述步骤： 基于遗传的 搜索算子来训练注 意力权重， 将训练损失作为参考， 以获得LSTM网络注 意力层的最佳参数， 具体包括以下步骤： 注意力权重集Waat＝(W1,W2,…WM)被二进制值编码为 并且初始代 码是随机产生的； 其中， Wi表示历史发电数据和气象预测数据的注意权重将被传递给网络， 并根据训练损失产生相应的适配分数； 根据训练损失的适配度， 选择最合适的子集空间 根据相应的适配分数， 选择最合 适 的 子 集 空 间 其 中 ，所 选 子 集 将 被 平 均 分 为 N 段 ，即 新的注意力权 重子集空间将通过交叉和变异操作重建。 8.根据权利要求5所述的短期光伏发电预测方法， 其特征在于， 所述LSTM引入了记忆单 元和门机制来有效地执 行时间序列数据。 9.根据权利要求8所述的短期光伏发电预测方法， 其特征在于， 所述步骤： 将输入矩阵 馈送到LSTM模型以获得进一 步迭代的损失并获得 更好的权 重， 具体包括： N个长度的时间步骤的注意权 重表示为： Waat＝(W1,W2,…WN) 基于重要性的输入数据与注意力权 重定义为： 在时间t， 序列输入向量 LSTM隐藏层输出ht‑1和细胞状态Ct‑1被送入单元， 然后得到 LSTM隐藏层输出ht和单元格状态作为输出Ct。 单元状态的计算Ct是将前一阶段的状态和当 前候选单元的状态相结合， 其比例分别被遗忘门和输入门占据， 候选单元的状态 是由双 曲正切激活函数计算的， LSTM的更新过程可以描述如下：权　利　要　求　书 2/3 页 3 CN 115496263 A 3