[发明专利]基于时间卷积网络的细粒度光伏负荷预测方法

权利要求书

1.一种基于时间卷积网络的细粒度光伏负荷预测方法，其特征在于：包括如下步骤：

步骤1：收集天气预报原始数据，对其中每个天气原始数据根据经验和光伏现场采集的太阳辐射综合数据赋予浮点值，代表该天气下的太阳能辐射情况，对不同情况进行编码处理，其他天气预报原始数据为浮点数表示的不作处理，得到最终的天气特征数据；

步骤2：功率窗长window_size的选定：设定原始负荷数据的采集频率和阈值，并通过比较采集频率和阈值设定功率窗长window_size；

步骤3：时间卷积网络搭建：前端为输入层，经过若干个残差块以及Flatten层，再经过若干个全连接层，最后得出预测结果，即为时间卷积网络；

步骤4：负荷预测：取T时刻，将T-1-window_size至T-1区间的负荷序列和T时刻的天气特征输入步骤3中构建的时间卷积网络中，得到预测结果。

2.根据权利要求1所述的基于时间卷积网络的细粒度光伏负荷预测方法，其特征在于：步骤1中得到所述最终的天气特征数据的具体步骤为：

步骤1.1：爬取天气预报原始数据，包括复合天气特征、气温、风向风速、气压、湿度和降水概率；

步骤1.2：将步骤1.1得到的天气预报原始数据中的复合天气特征拆分为天气1和天气2；

步骤1.3：将步骤1.2中拆分的复合天气特征构造为一个集合{Wi}，对每一个Wi，赋予一个浮点数值Vi，其中Vi根据人为经验和光伏现场传感器采集的太阳辐射程度综合判断给定，晴=v1，多云=v2，小雨=v3，小雪=v4，阵雨=v5，阴=v6，雨夹雪=v7，中雨=v8，中雪=v9，大雨=v10，v1v2v3v4v5v6v7v8v9v10；

步骤1.4：将风向原始数据以字符串格式进行编码，得到最终的天气特征数据。

3.根据权利要求1所述的基于时间卷积网络的细粒度光伏负荷预测方法，其特征在于：步骤2功率窗长window_size的选定的具体步骤为：

步骤2.1：设定原始负荷数据一天的采集频率为N个时间点；

步骤2.2：设定用功率窗长window_size内的点数来预测下一个点的天气特征，设阈值th1，若步骤2.1中的N大于th1，则使得window_size=N，若N小于th1，则window_size=th1。

4.根据权利要求1所述的基于时间卷积网络的细粒度光伏负荷预测方法，其特征在于：步骤3中经历的残差块为3个，经历的全连接层为3个，每个所述残差块内包括一维时间卷积、Dropout层、一维时间卷积和Dropout层按顺序排列，其中一维时间卷积中的卷积核数量为k1和k2，其中k1=k2，卷积核大小为kernel_size，步长为stride。

5.根据权利要求1所述的基于时间卷积网络的细粒度光伏负荷预测方法，其特征在于：步骤3中全连接层中第一层为n1个神经元，第二层为n2个神经元，第三层为1个神经元。