[发明专利]基于CAE和GAN混合网络的日前光伏功率预测方法、装置与系统

权利要求书

1.一种基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，包括以下步骤：

步骤1、获取光伏电站历史光伏功率数据和日前天气变量预报数据；

步骤2、基于皮尔逊相关性分析，获取日前天气变量预报数据与光伏功率数据的相关性，选择相关性大的天气变量作为输入变量；

步骤3、基于SOM自组织映射神经网络，根据辐照强度进行天气类型分类，分别为晴天、阴天和雨天；

步骤4、对于每一种分类的天气，以所述步骤2所选择的输入变量以及历史光伏功率数据构建训练集，基于CAE和GAN混合网络训练出日前光伏功率预测模型，所获得的预测模型的输入为所述步骤2所选择的输入变量，预测模型的输出为预测日的光伏功率；

步骤5、以光伏电站所在地的天气预报数据为基础，按照所述步骤2选择的输入变量构建模型输入，输入到日前光伏功率预测模型从而预测光伏电站第二日的光伏功率输出。

2.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤1中，所述光伏电站历史光伏功率数据选择光伏电站每日开始发电到结束发电这段时间里的实际光伏功率数据；所述日前天气变量预报数据选择光伏电站所在地的数值天气预报数据，包括：总水平辐照度(GHI)、散射水平辐照度(DHI)、总倾斜辐照度(GTI)、温度(TEMP)、风速(WS)以及风向(WD)。

3.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤2中，基于皮尔逊相关性分析舍弃与光伏功率数据的相关性最小的变量，选择总水平辐照度(GHI)、散射水平辐照度(DHI)、总倾斜辐照度(GTI)、温度(TEMP)以及风速(WS)作为输入变量。

4.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤3中，所采用的SOM自组织映射神经网络包括输入层和计算层，通过自组织学习，SOM自组织映射神经网络的计算层的神经元被分类为不同的响应区域，输入经过计算层时被自动分类，其中神经元的参数更新如下：

式中：w_j(m)代表神经元j的第m个参数，α是输入，参数η是学习率，神经元j的权重系数h与距离d_j(α)有关，距离d_j(α)描述的是w_j(n)和α之间的距离；

以散射水平辐射(DHI)和总水平辐射(GHI)之比的均值和标准差作为SOM自组织映射神经网络的输入，经过计算层分类输出的聚类结果为晴天、阴天和雨天。

5.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤4中，所述CAE和GAN混合网络是指用CAE网络替换GAN中的生成网络；其中，GAN的生成网络由CAE网络进行替换，将CAE网络与全连接层神经网络组合作为GAN的生成网络，GAN的生成网络的输出即为日前光伏功率预测值；

GAN的判别网络的输入为光伏功率实际值。

6.根据权利要求5所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤4中，基于CAE和GAN混合网络训练出日前光伏功率预测模型，训练过程包括：

通过CAE网络对预测模型的输入进行特征提取后，通过全连接层神经网络输出预测的光伏功率时间序列，即时间序列下的光伏功率数据序列；

通过GAN判别网络的二元分类对预测的光伏功率时间序列和光伏功率实际值进行分类，判别网络输出的范围是[0,1]，越接近1表示输入的光伏功率的预测值越接近实际值；

在对抗训练过程中，基于GAN的生成网络与判别网络的对抗，判别网络基于对抗损失，自适应生成损失函数，在生成网络和判别网络的对抗达到Nash平衡时，实现模型收敛，训练结束。

7.根据权利要求5所述的基于CAE和GAN混合网络的日前光伏功率预测方法，其特征在于，所述步骤4中，基于CAE和GAN混合网络训练出日前光伏功率预测模型，训练过程的收敛条件为：损失函数与回归函数的加权，构成加权组合的损失函数。