[发明专利]基于卷积神经网络和二维气象矩阵的光伏功率预测方法

权利要求书

1.一种基于卷积神经网络和二维气象矩阵的光伏功率预测方法，其特征在于，包括：

对气象参数和光伏发电功率进行相关性分析，以选择模型的输入气象参数；

采集光伏电站历年光伏发电功率以及气象站上的气象参数，得到所需的数据样本；

对数据样本进行归一化处理；

根据待测小时的气象特征值结合灰色关联分析算法确定相似小时和最佳相似小时；

将多元气象参数构造成二维气象矩阵；

构建由一维卷积神经网络和二维卷积神经网络组成的混合神经网络模型，提取二维气象矩阵的高级特征，建立气象参数与光伏发电功率的非线性关系；

将相似小时的数据样本输入到混合神经网络模型进行训练，将最佳相似小时的气象参数输入训练好的混合神经网络模型，得到以5分钟为间隔的待测小时1小时光伏发电功率输出值；

所述对气象参数和光伏发电功率进行相关性分析，以选择模型的输入气象参数的具体实现过程如下：

采用Pearson相关系数分析全球水平辐射GHR、扩散水平辐射DHR、大气温度T、相对湿度RH和光伏发电功率的相关性；通过分析结果，得到模型输入的气象参数，即全球水平辐射、扩散水平辐射、大气温度、相对湿度；其中，Pearson相关系数计算公式如下：

式中，x和y分别是多元气象参数和光伏发电功率，n是每天的采样点数；

所述将多元气象参数构造成二维气象矩阵的具体实现方式为：将待测小时的4个气象参数处理成长度相同的列向量，长度为13个数据点，然后，将4个列向量用矩阵连接起来，最终形成二维13×4阵列数据样本的矩阵；

所述根据待测小时的气象特征值结合灰色关联分析算法确定相似小时和最佳相似小时的具体实现方式如下：

将待测小时的气象特征值记为：

(G_MIN,G_MEAN,G_MAX,T_MIN,T_MEAN,T_MAX)

其中，G_MIN,G_MEAN,G_MAX分别代表待测小时的全球水平辐射的最小值、平均值、最大值，T_MIN,T_MEAN,T_MAX代表待测小时的大气温度的最小值、平均值、最大值；

计算待测小时前预设的日期与其的关联度，将关联度最大的时刻确定为最佳相似小时，剩下关联度较大的前30个时刻确定为相似小时；其中关联度的计算采用下式：

式中，r_i表示历史小时i与待预测小时的关联度，k表示特征值个数，ξ_i表示历史小时i与待测小时的关联系数；其中，ξ_i(k)的计算采用下式：

式中，y(k)表示待预测小时归一化后的气象特征值，x_i(k)表示历史小时i归一化后的气象特征值，ρ表示分辨系数，ρ取0.5，k表示特征值个数；

所述混合神经网络模型由两层二维卷积神经网络、三层一维卷积神经网络、一层池化层和两层全连接层组成。

2.根据权利要求1所述的基于卷积神经网络和二维气象矩阵的光伏功率预测方法，其特征在于，所述采集光伏电站历年光伏发电功率以及气象站上的气象参数，即采集光伏电站历年光伏发电功率以及全球水平辐射、扩散水平辐射、大气温度、相对湿度的气象参数。

3.根据权利要求1所述的基于卷积神经网络和二维气象矩阵的光伏功率预测方法，其特征在于，所述对数据样本进行归一化处理的具体实现方式为：采用比例压缩法将同一种数据样本的同一个时刻的多组数据映射到区间[0,1]内，映射公式为：

式中，y'表示归一化后得到的数据，A_imax表示数据组A的第i个时刻中的最大值，A_imin表示数据组A的第i个时刻中的最小值，A_ki表示第i个时刻数据样本中的第k个5分钟的某个数据样本。