一种基于模型融合的光伏发电功率预测方法及系统技术方案

本发明专利技术提出了一种基于模型融合的光伏发电功率预测方法及系统，涉及光伏发电技术领域。其首先获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据。然后，分别利用GAF

【技术实现步骤摘要】
一种基于模型融合的光伏发电功率预测方法及系统


[0001]本专利技术涉及光伏发电
，具体而言，涉及一种基于模型融合的光伏发电功率预测方法及系统。

技术介绍

[0002]传统化石能源储量的快速下降使得可再生能源的市场不断扩大，成为经济增长的重要部分。太阳能以其储量丰富、清洁高效等优势成为最理想的替代能源。光伏发电作为太阳能利用的主要形式，近年来取得了快速的发展。但由于太阳能随昼夜、季节、气象因素的不断变化导致光伏发电具有间歇性和不确定性，使其在大规模并入电网后给电网的管理调度带来巨大的挑战，因此光伏发电预测的准确性对于光伏的发展具有重要意义。
[0003]现有的预测方法大部分为时间序列法、回归法、人工神经网络预测、专家系统法等。专利CN113919545A中提出利用支持向量机回归、多元线性回归、贝叶斯岭回归模型等多个回归模型进行融合，并用Q
‑
learning算法融合各子模型的预测结果，从而通过模型融合提升预测精度，但是却忽略了最原始的数据特征的影响。专利CN115222024B中提出通过搭建基于门控循环神经网络的光伏预测神经网络，并在该网络的输入层处搭建用于特征选择的深度强化学习特征选择网络进行特征选择，从而提升预测精度。这种方法对于单一、小规模的光伏功率预测效果较好，但是不能解决光伏发电功率对气象因素的突变性以及多依赖性的问题。因此，如何快速准确的预测光伏发电功率是一个亟待解决的问题。

技术实现思路

[0004]本专利技术的目的在于提供一种基于模型融合的光伏发电功率预测方法及系统，通过多模型融合的方式分别提取光伏时间序列数据中的长、短时序特征，将长、短时序特征进行特征融合并预测输出最终的光伏发电功率预测结果，以提高分布式光伏发电功率的预测精度。
[0005]为解决上述技术问题，本专利技术采用的技术方案为：第一方面，本申请提供一种基于模型融合的光伏发电功率预测方法，其包括：获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据；利用基于GAF
‑
CNN的网络模型对上述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征；将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM
‑
Attention的网络模型进行特征提取，得到对应的长时序特征；通过基于GAF
‑
CNN
‑
LSTM
‑
Attention的功率预测混合模型将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果。
[0006]进一步的，上述获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据的步骤包括：
获取待预测区域的历史气象数据进行预处理，并按季节划分为季节性数据；基于季节性数据对预设的气象指标进行描述性统计特征提取，并利用高斯混合模型对提取的特征进行聚类，得到对应的天气类型聚类结果；获取待预测区域的历史光伏发电功率数据，根据上述天气类型聚类结果分别提取不同天气类型下的光伏发电功率数据，形成光伏发电时序数据。
[0007]进一步的，上述获取待预测区域的历史气象数据进行预处理的步骤包括：获取待预测区域的历史气象数据，利用Box
‑
Cox变换方法对历史气象数据的异常值进行剔除，并采用线性插值法对缺失值进行填充，得到完整的历史气象数据。
[0008]进一步的，上述利用基于GAF
‑
CNN的网络模型对上述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征的步骤包括：利用GAF方法将一维的光伏发电时序数据转化为二维矩阵图像；利用预设的CNN网络提取图像的空间特征和隐藏特征，得到对应的短时序特征。
[0009]进一步的，上述将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM
‑
Attention的网络模型进行特征提取，得到对应的长时序特征的步骤包括：将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据；对多变量光伏发电时序数据进行归一化处理，并进行滚动切分，得到多组待检测数据；将每组待检测数据分别输入预设的基于LSTM
‑
Attention的网络模型中进行特征提取，得到对应的长时序特征。
[0010]进一步的，还包括：通过MAE指标对基于GAF
‑
CNN
‑
LSTM
‑
Attention的功率预测混合模型进行效果评价，计算公式为：；其中，n为参与评价的样本个数，为光伏发电功率的预测值，为光伏发电功率的真实值。
[0011]第二方面，本申请提供一种基于模型融合的光伏发电功率预测系统，其包括：数据聚类模块，用于获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据；短时特征提取模块，用于利用基于GAF
‑
CNN的网络模型对上述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征；长时特征提取模块，用于将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM
‑
Attention的网络模型进行特征提取，得到对应的长时序特征；特征融合预测模块，用于通过基于GAF
‑
CNN
‑
LSTM
‑
Attention的功率预测混合模型将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果。
[0012]第三方面，本申请提供一种电子设备，其包括存储器，用于存储一个或多个程序；
处理器。当上述一个或多个程序被上述处理器执行时，实现如上述第一方面中任一项上述的方法。
[0013]第四方面，本申请提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一方面中任一项上述的方法。
[0014]相对于现有技术，本专利技术至少具有如下优点或有益效果：本申请提供一种基于模型融合的光伏发电功率预测方法及系统，首先获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据。然后，利用基于GAF
‑
CNN的网络模型对上述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征，极大程度地保留时间序列的完整性和时间依赖性。同时，将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM
‑
Attention的网络模型进行特征提取，得到对应的长时序特征，降低模型预测误差。最后通过功率预测混合模型将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果，从而提高分布式光伏发电功率的预测精度。
附图说明
[0015]为了更清楚地说明本专利技术实施例的技术方案本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型融合的光伏发电功率预测方法，其特征在于，包括：获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据；利用基于GAF
‑
CNN的网络模型对所述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征；将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时序数据，并利用基于LSTM
‑
Attention的网络模型进行特征提取，得到对应的长时序特征；通过基于GAF
‑
CNN
‑
LSTM
‑
Attention的功率预测混合模型将短时序特征和长时序特征进行融合，并输出光伏发电功率预测结果。2.如权利要求1所述的一种基于模型融合的光伏发电功率预测方法，其特征在于，所述获取待预测区域的历史数据进行特征提取，并利用高斯混合模型对提取的特征进行聚类，得到光伏发电时序数据的步骤包括：获取待预测区域的历史气象数据进行预处理，并按季节划分为季节性数据；基于季节性数据对预设的气象指标进行描述性统计特征提取，并利用高斯混合模型对提取的特征进行聚类，得到对应的天气类型聚类结果；获取待预测区域的历史光伏发电功率数据，根据所述天气类型聚类结果分别提取不同天气类型下的光伏发电功率数据，形成光伏发电时序数据。3.如权利要求2所述的一种基于模型融合的光伏发电功率预测方法，其特征在于，所述获取待预测区域的历史气象数据进行预处理的步骤包括：获取待预测区域的历史气象数据，利用Box
‑
Cox变换方法对历史气象数据的异常值进行剔除，并采用线性插值法对缺失值进行填充，得到完整的历史气象数据。4.如权利要求1所述的一种基于模型融合的光伏发电功率预测方法，其特征在于，所述利用基于GAF
‑
CNN的网络模型对所述光伏发电时序数据进行转化和特征提取，得到对应的短时序特征的步骤包括：利用GAF方法将一维的光伏发电时序数据转化为二维矩阵图像；利用预设的CNN网络提取图像的空间特征和隐藏特征，得到对应的短时序特征。5.如权利要求1所述的一种基于模型融合的光伏发电功率预测方法，其特征在于，所述将光伏发电时序数据与同一时间下的气象数据进行组合，形成多变量光伏发电时...

【专利技术属性】
技术研发人员：邓蜀云，刘征，周花，
申请(专利权)人：深圳博浩远科技有限公司，
类型：发明
国别省市：