[发明专利]基于层级关系实现太阳能发电量预测的方法

说明书

本发明公开了一种基于层级关系太阳能发电量预测系统及其设计方法，本设计方法挖掘到太阳能数据的特殊重要特性，即层级结构：发电机‑区域‑发电站数据之间的层级相关性，将该层级结构嵌入设计系统。而且在计算方面动态提取了数据本身的随时间变化的特征，将层级关系和时间特征合理结合。且使用稀疏性方法解决了由于数据量巨大导致预测不准的问题。本发明将太阳能电量数据进行深度研究并利用，嵌入设计系统，训练并得到有效的预测模型，显著提升了有层级关系的太阳能发电预测系统的准确性。

技术领域

本发明涉及太阳能发电技术，更具体地说，涉及太阳能发电量的预测。

背景技术

太阳能热发电的发电方式，是集光热转换发电、大规模储热和电网同步机特性于一身的可再生能源发电方式，正因为电网友好型特性收到越来越多工厂、家庭的使用。

国家对太阳能发电给予大气支持，为了保护环境和减少电力消耗，如何将太阳能资源合理利用是一个急需解决的问题，例如，对于一个工厂发电站来说，将实时数据进行分析，会降低电力被浪费的概率，并且通1过预测的结果得到简单、直接、客观的结论，有利于工厂的经营决策。当发电站提供一段时间内某类型数据的使用情况，如果可以还会提供相关的数据特征，比如：每个发电站所包含的发电机数量、每个发电机特殊的特征。将数据作为预测模型的输入，就可以得到某个时间或者某段时间的结果，方便后续分析利用。

时间序列预测技术更新换代很频繁，从基础到复杂都经历了不少的改革换代。传统的预测模型包括线性自回归方法，比如ARIMA模型(差分整合移动平均自回归模型Autoregressive Integrated Moving Average model)，还有一些机器学习模型比如ANN(人工神经网络Artificial Neural Network)，SVR(支持向量回归support vectorregression，是支持向量机SVM的重要的应用分支)，还有一些深度学习模型RNN(循环神经网络Recurrent Neural Networks)，LSTM(长短期记忆网络Long Short-Term Memory)。

随着信息时代的到来，数据量增多，对于发电机数据来说，气候条件环境因素是影响发电机效率的主要原因，若发电机位置相近，那么所处的环境条件相似，受到的光照、适度、温度都是相似的，也就是说明位置相近的发电机的发电功率相关性强。所以数据会因为地理结构出现一种层级关系(该层级关系会在后文详细介绍)。

现阶段对层级数据也有一些研究，可以使用基础序列来分解时间序列，使用嵌入均值属性代替数据的均值来达到一个模型的限制，提升就矩阵分解的正确性。有人提出了一种新的应用深度因子模型的全局-局部方法，该方法更加全面考虑了深度神经网络和图结构。有人提出了具有缺失值的高维时间序列的正则化方法，将该预测技术所需的矩阵分解的方法提升了一个新高度。提出用一个时间卷积技术达到矩阵分解的正则化。有人提出使用图卷积和时间卷积来预测多元时间序列。目前来看，并没有一个解决针对具有层级关系的时间序列数据进行预测的特别合适的方案。

发明内容

本发明提出一种基于层级关系实现太阳能发电量预测的方法，通过合理的探究太阳能发电机层级数据的特征，达到准确预测的目的，旨在解决如下问题：

1、在时间层面。对于光电时序数据来水，时间跨度大，因为会涉及到多年的数据，过去的设计方法由于数据量过长，会存在遗忘的问题，如何提升由于数据量长预测结果不准确是一个挑战。

2、在数据量方面。随着国家对光电技术重视程度加大，技术也在逐年发展，发电机总数逐渐增加。目前现有的技术是应用图网络，捕捉数据和数据之间有密切不可分的相关性。但是在本发明看来，发电机中不仅仅有相关性，还有更加深层的结构，即层级关系，如何体现层级关系的重要性，也是本技术的挑战。