[发明专利]基于深度学习的长期新能源日均发电功率预测方法及系统

权利要求书

1.一种基于深度学习的长期新能源日均发电功率预测方法，其特征是，包括：

获取目标区域的历史新能源发电功率数据和历史数值天气预报数据，构建新能源发电功率样本时间序列和多维时空特征指标数据样本序列；

搭建长期功率预测模型，以新能源发电功率样本时间序列和多维时空特征指标数据样本序列为训练样本集进行训练；

搭建日均功率预测模型，以新能源发电功率样本时间序列为训练样本集进行训练；

将获取的目标区域在未来时间段的数值天气预报数据输入训练完成的长期发电功率预测模型中，得到预测的长期新能源发电功率，再将所述长期新能源发电功率输入至日均功率预测模型中，得到预测的长期新能源日均发电功率。

2.如权利要求1所述的基于深度学习的长期新能源日均发电功率预测方法，其特征是，所述长期功率预测模型用于根据输入的未来数值天气预报数据，输出与数值天气预报数据相同时间尺度的长期新能源发电功率预测结果；

所述日均功率预测模型用于根据输入的长期新能源发电功率预测值，输出长期新能源日均发电功率预测结果。

3.如权利要求2所述的基于深度学习的长期新能源日均发电功率预测方法，其特征是，所述长期功率预测模型为基于2DCNN-GRU的深度神经网络模型，该模型的训练过程为：

利用具有相同时间尺度的新能源发电功率样本时间序列和多维时空特征指标数据样本序列对模型进行训练，以均方误差作为损失函数，利用Adam梯度下降法进行迭代优化，直至损失函数的数值收敛或达到最大迭代次数，完成模型的训练。

4.如权利要求2所述的基于深度学习的长期新能源日均发电功率预测方法，其特征是，所述日均功率预测模型的训练过程为：

根据新能源发电功率样本时间序列，构建新能源日均发电功率样本时间序列；

以新能源发电功率样本时间序列和新能源日均发电功率样本时间序列维训练样本集，利用训练样本集对模型进行训练；

以均方误差作为损失函数，利用Adam梯度下降法进行迭代优化，直至损失函数的数值收敛或达到最大迭代次数，完成模型的训练。

5.如权利要求1所述的基于深度学习的长期新能源日均发电功率预测方法，其特征是，所述多维时空特征指标数据样本序列的构建过程为：获取目标区域的历史数值天气预报数据，筛选影响新能源发电功率的特征指标，根据特征指标选取历史数值天气预报数据，构建多维时空特征指标数据样本序列。

6.如权利要求5所述的基于深度学习的长期新能源日均发电功率预测方法，其特征是，在获取影响新能源发电功率的特征指标所对应的历史数值天气预报数据后，对获取的数据进行预处理；

所述预处理包括数据拼接、异常值处理、缺失值处理，以及对各个指标的时间序列数据进行归一化处理，最终形成数据维度为时间、经度、维度、指标的多维时空特征指标数据样本序列。

7.一种基于深度学习的长期新能源日均发电功率预测系统，其特征是，包括：

数据获取模块，用于获取目标区域的历史新能源发电功率数据和历史数值天气预报数据；

数据处理模块，用于根据获取的目标区域的历史新能源发电功率数据和历史数值天气预报数据，构建新能源发电功率样本时间序列和多维时空特征指标数据样本序列；

长期功率预测模型搭建及训练模块，用于搭建长期功率预测模型，以新能源发电功率样本时间序列和多维时空特征指标数据样本序列为训练样本集进行训练；

日均功率预测模型搭建及训练模块，用于搭建日均功率预测模型，以新能源发电功率样本时间序列为训练样本集进行训练；

功率预测模块，用于将获取的目标区域在未来时间段的数值天气预报数据输入训练完成的长期发电功率预测模型中，得到预测的长期新能源发电功率，再将所述长期新能源发电功率输入至日均功率预测模型中，得到预测的长期新能源日均发电功率。