【技术实现步骤摘要】
基于CNN-LSTM的短期太阳辐射预测方法及装置
本专利技术涉及光伏发电，具体涉及一种基于CNN-LSTM的短期太阳辐射预测方法及装置。
技术介绍
目前经济的快速发展主要依赖石油、煤炭等化石燃料，造成了严重的环境污染和温室效应，故可再生能源的开发利用越来越受到世界范围内的广泛关注。在这些能源中，太阳能是最有前途的选择之一，特别是在光伏发电中。然而，太阳辐照度因受到云层快速变化的影响，具有随机性。当大规模光伏发电并网时，这种随机性会对电网安全运行造成严重影响。因此，建立准确的短期太阳辐照度预测模型对于保证电力系统的最优调度和管理是至关重要的，特别是在光伏发电领域。现有的太阳辐照度预测模型根据采用的输入数据可分为四类：数值天气预报(NWP)、基于图像的模型、基于历史数据的统计模型和基于多种类型输入数据的混合模型。其中，数值天气预报已广泛应用于提前6-48小时的太阳辐照度预测；然而，这种方法涉及到的计算成本较高，通常不适合进行短期太阳辐照度预测。且NWP模型不能很好地捕捉太阳辐照度与气象因子之间的实时关系，进一步限制了其短...
【技术保护点】
1.一种基于CNN-LSTM的短期太阳辐射预测方法，其特征在于，包括：/n(1)将目标站点和邻近站点作为样本站点，采集所述样本站点的气象参数和辐射数据；/n(2)基于所有所述样本站点的气象参数组成二维矩阵，重构空间特征；/n(3)基于所有所述样本站点的历史太阳辐射序列重构时间特征；/n(4)将所述空间特征和所述时间特征分别作为CNN-LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射。/n
【技术特征摘要】
1.一种基于CNN-LSTM的短期太阳辐射预测方法，其特征在于，包括：
(1)将目标站点和邻近站点作为样本站点，采集所述样本站点的气象参数和辐射数据；
(2)基于所有所述样本站点的气象参数组成二维矩阵，重构空间特征；
(3)基于所有所述样本站点的历史太阳辐射序列重构时间特征；
(4)将所述空间特征和所述时间特征分别作为CNN-LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射。
2.根据权利要求1所述的方法，其特征在于，步骤(2)包括：
(21)将所有样本站点待预测时刻的气象参数构成二维矩阵，每列表示所有站点的一种气象参数，每行表示一个站点的所有气象参数；所述二维矩阵的元素由下式表示：
fi,j(i＝1,2,…,S；j＝1,2,…,F)
其中，S表示站点数量，F表示气象参数的数量，fi,j表示第i个站点的第j个气象参数；
(22)特定的气象参数在不同的站点间存在第一相关性，具体表现为同一列中相邻两个元素之间的相关性，第一相关性corr1定义如下：
corr1＝g1(fi,j,fi+1,j)
其中g1(·)表示站点相关性函数；
同时，同一站点的不同气象参数之间存在第二相关性，具体表现为同一行相邻两个元素之间的相关性，第二相关性corr2定义如下：
corr2＝g2(fi,j,fi,j+1)
其中g2(·)表示气象参数相关性函数；第一相关性和第二相关性共同构成空间相关性。
3.根据权利要求2所述的方法，其特征在于，步骤(3)包括：
(31)将每个时间步的输入设置为所有样本站点在该时间步的辐射值；
(32)将所有样本站点的辐射序列按照时间步依次输入到LSTM部分中，以提取历史太阳辐射序列中的时间特征。
4.根据权利要求3所述的方法，其特征在于，所述CNN-LSTM混合模型包括CNN部分和LSTM部分；将第一输入输入到CNN部分的卷积层中，经过池化层、平坦层和全连接层得到第一特征；将第二输入输入到LSTM部分的LSTM层中，经过全连接层后得到第二特征；将所述第一特征和所述第二特征通过concatenate操作融合，经过全连接层后得到最终的输出。
5.根据权利要求4所述的方法，其特征在于，步骤(4)包括：
(41)将重构的空间特征作为CNN部分的输入，以提取空间相关性；
(42)将重构的时间特征作为LSTM部分的输入，以提取时间相关性；
(43)将提取的空间相关性和时间相关性相融合，通过神经网络层来预测目标站点太阳总辐射。
6.一种基于CNN-LSTM的短期太阳辐射预测装置，其特征在于，包括：
数据采集模...
【专利技术属性】
技术研发人员：臧海祥，刘玲，程礼临，卫志农，孙国强，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。