基于分布式光伏出力预测的特征提取方法、装置和介质制造方法及图纸

本发明专利技术公开了一种基于分布式光伏出力预测的特征提取方法、装置和介质。所述方法包括：根据气象数据的特性采用不同的特征提取方式对数值变量和类型变量在随机性维度、波动性维度和周期性维度中的至少一个维度上进行特征提取，获得第一特征集合，并对不同数值变量之间的交叉特征、不同类型变量之间的交叉特征以及数值变量与类型变量之间的交叉特征中的至少一个进行提取，获得第二特征集合。采用本方法能够针对数据的随机性、周期性和波动性等特点分别提取数据的各个特征，采用不同的特征提取技术实现气象因素全面有效的特征提取，使得在进行模型学习任务中，能够对不同的特征进行充分有效的学习，提升分布式光伏预测的精度。提升分布式光伏预测的精度。提升分布式光伏预测的精度。

【技术实现步骤摘要】
基于分布式光伏出力预测的特征提取方法、装置和介质


[0001]本专利技术涉及深度学习光伏预测
，特别是涉及一种基于分布式光伏出力预测的特征提取方法、装置和介质。

技术介绍

[0002]在分布式光伏出力预测任务中，一般采用机器学习的回归模型实现预测任务，而在相关技术中，是基于统计方法实现特征提取，而采用这种方式并不能提取充分的特征，直接导致后续模型的学习能力较差，从而使得模型对分布式光伏出力的预测精度较低。

技术实现思路

[0003]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本专利技术的一个目的在于提出一种能够全面提取数据不同的特征的一种基于分布式光伏出力预测的特征提取方法、装置和介质。
[0004]根据本专利技术实施例的基于分布式光伏出力预测的特征提取方法，包括：
[0005]确定影响分布式光伏发电的气象数据，其中，气象数据包括数值变量和类型变量；
[0006]确定气象数据的特性，并根据气象数据的特性采用不同的特征提取方式对数值变量和类型变量在随机性维度、波动性维度和周期性维度中的至少一个维度上进行特征提取，获得第一特征集合，并对不同数值变量之间的交叉特征、不同类型变量之间的交叉特征以及数值变量与类型变量之间的交叉特征中的至少一个进行提取，获得第二特征集合；
[0007]对第一特征集合和第二特征集合进行合并，获得模型输入数据，其中，模型输入数据用于分布式光伏出力预测。
[0008]根据本专利技术实施例的基于分布式光伏出力预测的特征提取装置，包括：
[0009]确定模块，用于确定影响分布式光伏发电的气象数据，其中，气象数据包括数值变量和类型变量；
[0010]提取模块，用于确定气象数据的特性，并根据气象数据的特性采用不同的特征提取方式对数值变量和类型变量在随机性维度、波动性维度和周期性维度中的至少一个维度上进行特征提取，获得第一特征集合，并对不同数值变量之间的交叉特征、不同类型变量之间的交叉特征以及数值变量与类型变量之间的交叉特征中的至少一个进行提取，获得第二特征集合；
[0011]合并模块，用于对第一特征集合和第二特征集合进行合并，获得模型输入数据，其中，模型输入数据用于分布式光伏出力预测。
[0012]根据本专利技术实施例的电子设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
[0013]确定影响分布式光伏发电的气象数据，其中，气象数据包括数值变量和类型变量；
[0014]确定气象数据的特性，并根据气象数据的特性采用不同的特征提取方式对数值变量和类型变量在随机性维度、波动性维度和周期性维度中的至少一个维度上进行特征提
取，获得第一特征集合，并对不同数值变量之间的交叉特征、不同类型变量之间的交叉特征以及数值变量与类型变量之间的交叉特征中的至少一个进行提取，获得第二特征集合；
[0015]对第一特征集合和第二特征集合进行合并，获得模型输入数据，其中，模型输入数据用于分布式光伏出力预测。
[0016]根据本专利技术实施例的计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0017]确定影响分布式光伏发电的气象数据，其中，气象数据包括数值变量和类型变量；
[0018]确定气象数据的特性，并根据气象数据的特性采用不同的特征提取方式对数值变量和类型变量在随机性维度、波动性维度和周期性维度中的至少一个维度上进行特征提取，获得第一特征集合，并对不同数值变量之间的交叉特征、不同类型变量之间的交叉特征以及数值变量与类型变量之间的交叉特征中的至少一个进行提取，获得第二特征集合；
[0019]对第一特征集合和第二特征集合进行合并，获得模型输入数据，其中，模型输入数据用于分布式光伏出力预测。
[0020]根据本专利技术实施例的基于分布式光伏出力预测的特征提取方法、装置、电子设备和介质，能够结合分布式光伏的特点和分布式光伏发电的原理，针对数据的随机性、周期性和波动性等特点分别提取数据的各个特征，采用不同的特征提取技术实现气象因素全面有效的特征提取，使得在进行模型学习任务中，能够对不同的特征进行充分有效的学习，提升分布式光伏预测的精度。
[0021]本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0022]图1为一个实施例中基于分布式光伏出力预测的特征提取方法的流程示意图；
[0023]图2为一个实施例中基于分布式光伏出力预测的特征提取框架；
[0024]图3为一个实施例中基于分布式光伏出力预测的特征提取装置的结构框图。
具体实施方式
[0025]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本专利技术，而不能理解为对本专利技术的限制。
[0026]以下对本申请实施例的技术方案的实现细节进行详细描述。
[0027]在一个实施例中，如图1所示，提供了一种基于分布式光伏出力预测的特征提取方法，该基于分布式光伏出力预测的特征提取方法可包括以下步骤：
[0028]步骤S101，确定影响分布式光伏发电的气象数据。
[0029]分布式光伏出力受到气象的影响，在进行分布式光伏处理预测的时候，需要获取影响分布式光伏发电的气象数据，其中，气象数据包括了温度、湿度、太阳总辐射、太阳散射辐射、云量、能见度、降雨量、历史出力值等输入变量。
[0030]从数据类型对气象数据进行分类，可以将气象数据划分为数值变量和类型变量，例如，气象数据中的温度、湿度、太阳辐照度为数值变量，气象数据中的天气(晴、多云、小雨
等)为类型变量。
[0031]步骤S102，确定气象数据的特性，并根据气象数据的特性采用不同的特征提取方式对数值变量和类型变量在随机性维度、波动性维度和周期性维度中的至少一个维度上进行特征提取，获得第一特征集合，并对不同数值变量之间的交叉特征、不同类型变量之间的交叉特征以及数值变量与类型变量之间的交叉特征中的至少一个进行提取，获得第二特征集合。
[0032]这里，基于分布式光伏发电的机理分析，气象是影响分布式光伏出力的关键因素，对气象数据进行充分的特征提取是非常关键的。分布式光伏发电受气象各个因素的影响，不仅存在线性和非线性、交叉和叠加的影响，而且还和各影响因素的历史情况有关，因此，在面向分布式光伏出力预测任务的情况下，特征提取需要基于光伏发电机理，从各个维度和情况下综合考虑，实现全面和有效的特征提取。
[0033]基于此，需要从随机性维度、波动性维度和周期性维度对气象数据进行特征提取，可以理解的，气象数据的随机性特征、波动性特征、周期性特征和交叉特征是通过气象数据的不同特性而反映的。
[0034]如图2所示，图2示出了基于分布式光伏出力预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分布式光伏出力预测的特征提取方法，其特征在于，包括：确定影响分布式光伏发电的气象数据，其中，所述气象数据包括数值变量和类型变量；确定所述气象数据的特性，并根据所述气象数据的特性采用不同的特征提取方式对所述数值变量和所述类型变量在随机性维度、波动性维度和周期性维度中的至少一个维度上进行特征提取，获得第一特征集合，并对不同数值变量之间的交叉特征、不同类型变量之间的交叉特征以及所述数值变量与所述类型变量之间的交叉特征中的至少一个进行提取，获得第二特征集合；对所述第一特征集合和所述第二特征集合进行合并，获得模型输入数据，其中，所述模型输入数据用于分布式光伏出力预测。2.根据权利要求1所述的基于分布式光伏出力预测的特征提取方法，其特征在于，采用近似熵特征提取方式对所述数值变量进行特征提取的步骤包括：提取所述数值变量中长度为N的第一序列，并分别按照第一设定长度m和第二设定长度m+1对所述第一序列进行重构，获取多个第一子序列z1(i)和多个第二子序列z2(i)；所述第一序列表征在设定时间范围内生成的多个数值变量；计算任意两个第一子序列z1(i)和z1(j)之间的距离，生成第一距离矩阵，以及计算任意两个第二子序列z2(i)和z2(j)之间的距离，生成第二距离矩阵；统计所述第一距离矩阵内每个所述第一子序列对应的距离值小于设定距离r0的第一数量，并根据所述第一数量与所述第一子序列的总数量之间的比值确定每个所述第一子序列对应的第一数值；统计所述第二距离矩阵内每个所述第二子序列对应的距离值小于设定距离r0的第二数量，并根据所述第二数量与所述第二子序列的总数量之间的比值确定每个所述第二子序列对应的第二数值；根据确定多个所述第一子序列的第一平均相似率，并根据确定多个所述第二子序列的第二平均相似率，其中，为所述第一数值；所述为所述第二数值；根据所述第一平均相似率和所述第二平均相似率的差值确定所述第一序列的近似熵。3.根据权利要求1所述的基于分布式光伏出力预测的特征提取方法，其特征在于，采用模糊熵特征提取方式对所述数值变量进行特征提取的步骤包括：提取所述数值变量中长度为N的第一序列，并分别按照第一设定长度m和第二设定长度m+1对所述第一序列进行重构，获取多个第一子序列z1(i)和多个第二子序列z2(i)；所述第一序列表征在设定时间范围内生成的多个数值变量；计算任意两个所述第一子序列z1(i)和z1(j)之间的距离，生成第一距离矩阵，以及计算任意两个所述第二子序列z2(i)和z2(j)之间的距离，生成第二距离矩阵；根据所述第一距离矩阵中的距离元素和隶属度函数，确定第一隶属度矩阵，并根据所述第二距离矩阵中的距离元素和隶属度函数，确定第二隶属度矩阵；根据所述第一隶属度矩阵中每个所述第一子序列对应的第一隶属度，确定每个所述第一子序列对应的第一隶属度平均值，以及根据所述第二隶属度矩阵中每个所述第二子序列
对应的第二隶属度，确定每个所述第二子序列对应的第二隶属度平均值；根据确定多个所述第一子序列的第一平均模糊值φ
m
(r)，并根据确定多个所述第二子序列的第二平均模糊值φ
m+1
(r)；其中，为第一子序列z1(i)的第一隶属度平均值；为第二子序列z2(i)的第二隶属度平均值；根据ln(φ
m
(r))
‑
ln(φ
m+1
(r))确定所述第一序列的模糊熵。4.根据权利要求1所述的基于分布式光伏出力预测的特征提取方法，其特征在于，根据以下公式对不同数值变量之间的交叉特征进行提取：其中，和分别为t时刻的两个数值变量，和分别为两个数值变量前t
‑
w时刻的值，v
t
为t时刻基于两个变量的趋势特征，c为常量。5.根据权利要求1所述的基于分布式光伏出力预测的特征提取方法，其特征在于，根据以下公式对任意一个数值变量在所述周期性维度上进行特征提取：d
t
＝x
t
‑
x
t
‑
w
，其中，w为时间间隔，d
t
为差分特征，x
t
为t时刻的数值变量，x
t
‑
w
为t
‑
w时刻...

【专利技术属性】
技术研发人员：庞振江，洪海敏，占兆武，吴明朗，靳飞，
申请(专利权)人：深圳智芯微电子科技有限公司，
类型：发明
国别省市：