[发明专利]一种基于数据融合的太阳能光伏功率的预测方法

说明书

本发明公开了一种基于数据融合的太阳能光伏功率的预测方法，在计算设备中执行，包括步骤：获取至少一个地区的太阳能光伏功率、太阳辐射量和温度的历史时间序列数据；将历史时间序列数据输入到多个预测模型中，并将输出的多个结果进行聚合操作；以及将聚合操作的结果输入到数据混合模型中，得到太阳能光伏功率预测值。本发明一并公开了相应的计算设备和可读存储介质。

技术领域

本发明涉及太阳能光伏功率预测领域，尤其涉及一种基于数据融合和混合深度神经网络的太阳能光伏功率的预测方法、计算设备及可读存储介质。

背景技术

在化石能源日渐枯竭、环境问题亟待改善的背景下，太阳能光伏发电作为一种可再生能源的生产方式可以减少对化石能源的依赖，是一种能源可持续发展的解决方式。现阶段，有效地规划太阳能光伏发电与传统电网的整合有助于在减少化石能源使用的情况下满足高峰时段的能源需求。

由于太阳能光伏发电量很大程度上取决于天气情况，其发电功率是不稳定的。因此在光伏发电功率可变的情况下，对太阳能光伏功率的准确预测对电网的可靠性和安全运行、以及电力系统的管理具有重要意义。因此，在太阳能光伏发电与电网的整合进程中，电力系统运营商面临着一项具有挑战性的任务，即太阳能光伏发电量的准确预测。

目前太阳能光伏发电量预测的方法如多周期太阳辐射预测的时间序列模型、人工神经网络、自适应神经网络模糊推理系统等，但采用单一模型的预测方法有其局限性，预测效果不佳。

因此，需要一种更先进的光伏功率的预测方法，以进一步提高太阳能光伏预测的精度。

发明内容

为此，本发明提供一种基于混合深度神经网络的太阳能光伏功率的预测方法、装置及计算设备，以力图解决或至少缓解上面存在的问题。

根据本发明的一个方面，提供了一种太阳能光伏功率的预测方法，在计算设备中执行，所述方法包括步骤：获取至少一个地区的太阳能光伏功率、太阳辐射量和温度的历史时间序列数据；将所述历史时间序列数据输入到多个预测模型中，并将输出的多个结果进行聚合操作，其中，所述多个预测模型包括带外源性输入的自回归移动平均模型和自适应神经模糊推理系统；以及将所述聚合操作的结果输入到数据混合模型中，得到太阳能光伏功率预测值，其中，所述数据混合模型包括卷积层、长短期记忆网络层。

可选地，在根据本发明的方法中，所述将所述历史时间序列数据输入到多个预测模型的步骤，包括：根据皮尔逊自相关得到所述历史时间序列数据中的特征向量；将所述特征向量输入到多个预测模型中。

可选地，在根据本发明的方法中，所述带外源性输入的自回归移动平均模型的通过下述公式构建：

其中，Y_t为t时间滞后的光伏功率预测值，μ为Y_t的均值，x_it为t时间滞后在第i个时间步长处的时间序列数据，k_i为第i个输入变量的时间滞后，B为后移算子，W_i(B)和δ_i(B)为传递函数，ε_it为t时间滞后第i个时间序列数据序列相关的均值为零的误差。

可选地，在根据本发明的方法中，所述带外源性输入的自回归移动平均模型的拟合由赤池信息准则和贝叶斯信息准则确定。

可选地，在根据本发明的方法中，所述自适应神经模糊推理系统的参数由最小二乘估计确定。

可选地，在根据本发明的方法中，所述将输出的多个结果进行聚合操作的步骤包括：将输出的多个1×1维的结果进行水平连接，得到1×n维的数据。

可选地，在根据本发明的方法中，所述长短期记忆网络层通过下述公式构建：