买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：张云涛

摘要：本发明揭示了一种基于DCS差分创意搜索算法的光伏预测进化深度学习模型。该模型旨在解决深度学习模型超参数选择困难、光伏功率波动大且模型拟合效果不佳的问题，以确保配电网能够有效调度光伏发电。本发明的光伏预测进化深度学习模型包含数据预处理、模型训练、预测结果和评估指标等部分。相较于现有技术，本发明利用DCS差分创意搜索算法自动确定模型超参数，并引入特征深度融合模块。本发明不仅在技术上提升了光伏预测的准确性和稳定性，还为实现可持续能源管理和优化配电网络运行提供了创新解决方案。

主权项：1.一种基于DCS差分创意搜索算法的光伏预测进化深度学习模型，其特征在于：该模型设有数据预处理部分、DCS差分创意搜索算法部分、预测部份；所述数据预处理部分从外部获得天气数据和光伏发电数据，并对外部获得数据进行标准化和批次处理；所述DCS差分创意搜索算法部分将需要的超参数输入其中，设置上下限，定义适应度函数后，对所得超参数的适应度进行排名，分为2种名次，前名次和后名次，对于前名次的超参数进行发散和演变，对于后名次的进行的超参数在上下限内进行提炼，最后得到高适应度的超参数；所述超参数为：批量大小，学习率，多头数，卷积核维度；所述预测模块从数据预处理中获得一年的历史数据和需要预测数据，从DCS差分创意搜索算法部分得到高适应度的超参数，采用编码器-解码器结构，包括多层卷积神经网络、多头自注意力机制、长短期趋势结合及其组合进行训练，采用训练完成的预测模型，计算得到一年的长期预测发电功率数据，将预测发电功率数据输入预测结果和评估指标部分，进行评估，最后将所用的历史数据和以获得的1年数据用来重新训练模型，所述历史数据为天气数据和光伏发电数据的融合，其特征为：时间戳，有功电能交付接收，电流相平均值，性能比，风速，天气温度，天气相对湿度，全球水平辐射，漫射水平辐射，风向，每日降雨量，辐射全球倾斜面，辐射漫射倾斜面晴朗系数、散射辐照度比例、辐照度变化趋势、辐照度方差、有功功率；其中，所述DCS差分创意搜索算法包括以下步骤：一、根据所需要的超参数上下限随机生成种群，种群为一个二维矩阵，行数为种群数，列数为所需超参数个数；其具体计算方式为：Xi＝Xmin+rand0,1×Xmax式子中Xi为第i个种群；rand0，1为0，1间的随机数；Xmin和Xmax，分别为超参数下限和上现。二、适应度函数 式子中ILoss，为模型训练时产生的损失；y为真实光伏功率；为预测光伏功率。三、发散和演变 式子中，σ，为尺度参数，影响分布的扩展或离散程度；α，为形状参数，影响分布的整体形状；t，为输入变量；S，是一个随机符号；Z表示标准拉普拉斯分布，其位置为0，尺度为1；R表示正随机变量的密度；Xi+1，为下一代种群；Xi，为这一代种群。四、提炼 式子中，NFEt，为在时间t处的当前函数评估次数；NFEmax，最大函数评估次数；Xbest：在当前代中具有最佳适应度值的个体；Xr1和Xr2：从种群中随机选择的两个不同个体；W，为权重因子，调节最佳种群Xbest的影响，默认值为1；ωi，t，第t次，第i个均匀分布在区间0，1内的随机数；预测模块预测发电功率包括以下步骤：一、分离将时间戳和其他特征分开，用于后续步奏处理。二、模型训练预测模块用相似日实时天气数据的采样值数据样本标准化计算后的值作为天气数据的样本集，以天气数据作为输入，以发电功率作为输出，对采用编码器-解码器结构，包括多层卷积神经网络CNN、多头自注意力机制MHSA、长短期趋势结合MIC及其组合的混合模型进行训练，获得各层间的权值；三、预测结果预测模块用预测日的数值天气预报数据作为预测天气数据，以预测天气数据作为输入，采用训练好的多层卷积神经网络CNN、多头自注意力机制MHSA、长短期趋势结合MIC及其组合的混合模型，计算获得预测发电功率数据，并对数据进行评估，随后将预测后的发电功率数据和所用来预测的天气数据加入到所用历史数据中，然后重新更新模型训练。

全文数据：

权利要求：

百度查询： 张云涛 一种基于DCS差分创意搜索算法的光伏预测进化深度学习模型