基于深度学习的超短期光伏功率预测方法技术

本发明专利技术公开了基于深度学习的超短期光伏功率预测方法，首先，对历史数据进行预处理，消除无关变量，加快模型训练过程；综合三种聚类算法的优势得到更合理的划分数据集；利用粒子群算法对变分模态分解的参数进行寻优；利用CNN与GRU这两种网络并行学习，分别对数据的局部特征和时序特征进行识别，实现网络结构对于输入数据的充分挖掘；再通过CNN神经网络拼接融合进行更深层次的学习，从而达到高精度的预测目标。本发明专利技术的光伏功率预测方法，效果卓越，在不同天气情况下预测光伏功率的精度明显优于其他传统模型。于其他传统模型。于其他传统模型。

【技术实现步骤摘要】
基于深度学习的超短期光伏功率预测方法


[0001]本专利技术属于光伏功率
，涉及基于深度学习的超短期光伏功率预测方法。

技术介绍

[0002]太阳能和天气变量具有随机性和不稳定性，因此光伏发电具有很高的不确定性，准确的光伏发电功率预测对新型电力系统的短期调度和发电计划的运行有着重要的意义。近年来使用最为广泛的方法是，先通过聚类算法将原始数据进行分类，再通过深度学习对光伏功率进行预测。但是，单一的聚类方法受参数影响较大，不能有效的划分各种数据集；同时，光伏功率数据类似于带有噪声的非线性非平稳信号序列，如果不能将噪声和信号有效分离，将使预测结果误差较大；另外，由于阴雨天数据集内部数据差异比较大，现有的模型未能很好的对其进行预测，所以需要对数据进一步的特征挖掘与深度学习，从而提高光伏功率预测精度，满足实际工程中的调度要求。

技术实现思路

[0003]本专利技术的目的是提供基于深度学习的超短期光伏功率预测方法，解决了现有技术预测精度较差的问题。
[0004]本专利技术采用的技术方案是，基于深度学习的超短期光伏功率预测方法，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的超短期光伏功率预测方法，其特征在于，具体按照以下步骤实施：步骤1、对光伏发电的历史数据进行预处理得到预处理数据；步骤2、对预处理数据进行聚类，分为晴天、雨天和多云三类不同天气类型的数据集；步骤3、利用优化算法对变分模态分解算法中的参数进行寻优，得到参数优化后的信号分解模型；步骤4、利用步骤3中优化后的信号分解模型对数据集中的光伏发电功率序列进行信号分解，得到光伏功率各分量序列；步骤5、对数据进行归一化处理，并作为光伏发电功率预测的输入变量；步骤6、利用CNN与GRU两种网络并行深度学习对光伏发电功率进行预测，最后得到总的光伏发电功率的预测值。2.根据权利要求1所述的基于深度学习的超短期光伏功率预测方法，其特征在于，所述步骤1具体为，采用3
‑
sigma原理对光伏发电功率进行异常数据检测，剔除缺失数据和异常数据；利用皮尔逊系数分析计算出历史数据包含的各个天气因素与光伏功率的相关系数，剔除相关系数为1和负值的特征向量，将剩余的特征向量作为影响光伏出力的主要气象因素，并对剩余数据进行归一化处理，得到预处理数据。3.根据权利要求1所述的基于深度学习的超短期光伏功率预测方法，其特征在于，所述步骤2具体为，步骤2.1、分别利用高斯混合模型、层次聚类对预处理数据进行聚类，由于这两种不同的聚类方法对预处理数据进行聚类时标签分配的规律并不一致，所以通过匈牙利算法对两种聚类的标签结果进行重排，将同一类型数据的标签转换成一致的标签；步骤2.2、测试两种聚类结果的聚类精度，提取两种聚类方法的共识点与非共识点，将共识点作为训练集，非共识点做测试集，计算测试集与训练集每个样本点的欧氏距离，并对所有的距离值排序，选出k个最小距离的样本作为“选民”，根据“选民”预测待测样本的分类，实现K近邻算法对非共识点的预测，得到非共识点的聚类结果，将预测结果与共识点的集合即为最终的聚类结果；步骤2.3、根据卡林斯基
‑
哈拉巴斯指数、戴维森堡丁指数的评价指标、轮...

【专利技术属性】
技术研发人员：安源，杨仁志，高嘉伟，苏瑞，郑申印，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：