[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

说明书

本发明提供一种基于CAE和GAN混合网络的日前光伏功率预测方法、装置与系统，首先以光伏电站历史的光伏功率数据和日前天气变量预报数据为基础，通过皮尔逊分析选择相关性大的天气变量作为输入变量；然后基于SOM神经网络进行天气类型分类，再结合CAE和GAN混合网络训练出日前光伏功率预测模型，模型输入为所选择的输入变量和光伏电站历史功率，模型输出为第二日的光伏功率；最后以光伏电站所在地的天气预报数据为基础构建模型输入，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。本发明采用SOM神经网络进行天气类型分类，不需要先验知识并具有较好的天气类型分类效果；同时综合CAE在特征提取的优势以及GAN深度学习能力，有效提升日前光伏功率的预测精度。

技术领域

本发明涉及光伏发电技术领域，具体而言涉及一种基于CAE和GAN混合网络的日前光伏功率预测方法、装置与系统，基于CAE(卷积自编码器网络)和GAN(生成对抗网络)的融合对光伏电站的日前光伏功率进行高精度的预测。

背景技术

在构建清洁低碳、安全高效能源体系的大背景下，我国光伏发电占比逐步提高，现代电网调度与运行面临新的问题和挑战。准确的光伏功率预测是电力系统经济调度的基础，考虑到光伏功率的间歇性和波动性，且极易受天气因素的影响，光伏功率的准确预测目前仍旧是个难题。

日前光伏功率预测属于短期功率预测，需要预测次日零时起至未来24小时的光伏发电站输出功率。现有基于深度学习的日前光伏功率预测虽然取得一定的进展，但在输入输出数据的深度学习和特征提取方面存在欠缺，因此预测精度的提升仍是需要解决的问题。

现有技术文献：

专利文献1：CN108564192A一种基于气象因子权重相似日的短期光伏功率预测方法

专利文献2：CN112070311A基于相似日聚类和气象因子赋权的日前光功率预测方法

发明内容

鉴于现有技术的上述缺陷与不足，本发明的目的在于提出基于CAE和GAN混合网络的日前光伏功率预测方法，融合CAE在特征提取方面的优势以及GAN在深度学习方面的能力，有效提升光伏功率的预测精度。

根据本发明目的的第一方面提出一种基于CAE和GAN混合网络的日前光伏功率预测方法，包括以下步骤：

步骤1、获取光伏电站历史的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。

优选地，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；