[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

说明书

本发明涉及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。该方法提出了一种由一维卷积神经网络和二维卷积神经网络构成的混合卷积神经网络模型，以此模型进行光伏发电功率的预测。以待测小时的气象参数为气象特征值通过灰色关联分析算法在电站的历史数据集中寻找待测小时的相似小时数据。然后将这些数据中的多元气象因素转化为二维气象矩阵，便于卷积神经网络深度挖掘气象因素和光伏功率输出的非线性关系。最后，将这些二维气象矩阵作为模型的输入，预测各个小时的发电功率。本发明能够快速准确对光伏电站的发电功率进行预测。

技术领域

本发明涉及光伏电站短期功率预测技术领域，特别是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。

背景技术

随着化石燃料的不断消耗，引发了严重的能源环境问题，大力开发绿色新能源已经成为解决能源和环境问题的一种强有力手段。由于资源丰富，绿色低碳，对环境友好，光伏发电的价值已经获得世界的认可，在可再生能源中发挥重要的作用。然而，环境的不稳定性使得光伏发电的输出具有很强的波动性和间歇性，严重影响了电力系统的稳定运行，提高了光伏发电大规模应用的难度。因此，开展光伏功率预测研究，准确地预测光伏发电输出有利于电力系统稳定运行，有效提高光伏发电的利用率，对光伏发电厂和电力系统都有着重要的经济意义，具有很高的现实意义和学术价值。

目前，光伏电站的功率预测方法主要有统计方法、机器学习方法和深度学习。

统计方法通过光伏发电量与历史发电量数据和其他参数之间的数学映射关系，达到预测的目的。该方法仅利用了历史数据，方法简单，易于实施。随着软计算技术的发展，机器学习方法常被用于光伏发电输出功率预测，比如支持向量机和极限学习机。在没有任何先验假设的情况下数据之间存在非线性且复杂的结合时，机器学习能够表现出较好的预测性能。

近年来，深度学习发展迅速，被广泛应用于光伏发电预测领域。和传统的机器学习相比，深度学习具有更强大的特征提取和处理复杂非线性问题的能力。特别是卷积神经网络，不仅能够自动提取特征，还能从简单特征中提取更复杂特征，从而更好建立输入参数与输出之间的非线性关系。二维卷积神经网络得益强大的特征提取分析能力，在图像、视频处理领域做出了巨大的贡献，一维卷积神经网络在时间序列分析问题上也表现出色的能力。已有大量的应用证明，将卷积神经网络应用在光伏功率预测中，取得了较高的预测性能。

不可否认，气象参数与光伏发电功率之间存在一定的潜在联系，气象参数可以很好地反映光伏功率输出。并且，不同的气象参数之间也会相互影响，从而进一步影响光伏功率输出。因此，本文将多元气象因素构造成二维气象矩阵，包含了参数内部的自相关性和参数之间的互相关性，然后通过二维卷积神经网络提取矩阵中的高级特征，输入到一维卷积神经网络进一步挖掘气象参数与光伏功率输出之间的非线性关系，获得预测输出。在这之前，利用灰色关联分析算法在历史数据集中选取合适的数据集，进一步提高模型的预测性能。

目前，公开发表的文献及专利中尚未见有将混合卷积神经网络和二维气象矩阵应用于光伏电站小时功率预测的研究。

发明内容

本发明的目的在于提供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，能够快速准确对光伏电站的发电功率进行预测。

为实现上述目的，本发明的技术方案是：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，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；