一种基于多输入模型的光伏发电功率预测方法及装置制造方法及图纸

本发明专利技术涉及新能源发电预测技术领域，公开了一种基于多输入模型的光伏发电功率预测方法及装置，方法将光伏所对应的云图数据和气象数据进行预处理；构建的多输入模型，将预处理后的云图数据和气象数据分别输入到两个不同的特征处理分支网络中处理得到对应的特征，并经特征融合层进行融合处理，通过共享隐藏层将融合后的特征处理为新的特征，将其输入输出层进行光伏发电功率预测；对多输入模型进行训练，得到训练好的模型作为预测模型；输入待预测光伏所对应的云图数据和气象数据进行预处理后输入到预测模型中，得到预测结果。本发明专利技术相比于传统方法具有更好的泛化性能和预测准确度，可以更准确地预测光伏发电功率，提高预测的实用性。测的实用性。测的实用性。

【技术实现步骤摘要】
一种基于多输入模型的光伏发电功率预测方法及装置


[0001]本专利技术涉及新能源发电预测领域，具体涉及一种基于多输入模型的光伏发电功率预测方法及装置。

技术介绍

[0002]光伏发电功率预测方法是指通过对光伏电站历史数据、气象数据等进行分析和建模，来预测未来一段时间内光伏发电功率的大小。目前，主要的光伏发电功率预测方法包括以下几种：
[0003]1、基于机器学习的方法：通过收集大量的历史数据和天气数据，利用机器学习算法构建预测模型，如利用支持向量机(SVM)、人工神经网络(ANN)和决策树等算法来预测光伏发电功率。机器学习算法可以有效地提高光伏发电功率预测的精度。
[0004]2、基于深度学习的方法：近些年，深度学习算法在光伏发电功率预测中得到了广泛应用。研究者们通过构建深度神经网络模型来学习历史数据中的规律，从而实现对未来光伏发电功率的预测。如基于卷积神经网络(CNN)、循环神经网络(RNN)和长短时记忆网络(LSTM)等模型来预测光伏发电功率。深度学习算法可以有效地提高光伏发电功率预测的准确性和稳定性。<br/>[0005]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多输入模型的光伏发电功率预测方法，其特征在于，所述方法包括：将光伏所对应的云图数据和气象数据分别进行预处理；构建的多输入模型，其包括：两个输入模块、两个特征处理分支网络、特征融合层、共享的隐藏层和一个输出层，将预处理后的云图数据和气象数据通过两个输入模块，分别输入到两个不同的特征处理分支网络中进行处理，得到气象数据和云图数据对应的特征，并将两种类型的特征经过特征融合层进行融合处理，通过共享隐藏层将融合后的特征进行若干层神经网络处理得到新的特征，并将其输入输出层进行光伏发电功率预测；对构建的多输入模型进行训练，得到训练好的模型作为预测模型；输入待预测光伏所对应的云图数据和气象数据进行预处理后，输入到所述预测模型中，得到对应的光伏发电功率预测结果。2.根据权利要求1所述的方法，其特征在于，所述云图数据采用第一CNN网络分支进行处理，第一CNN网络分支包括:多个卷积模块、残差连接结构及多尺度增强模块，所述多尺度增强模块通过残差连接结构寄生于两个独立的卷积模块之间，其内部采用空洞卷积来丰富特征的多尺度表示。3.根据权利要求2所述的方法，其特征在于，所述多尺度增强模块中所涉及到的参数包括：膨胀率因子和卷积层数，对于输入的二维特征图采用不同的扩张速率得到不同的膨胀卷积。4.根据权利要求3所述的方法，其特征在于，所述多尺度增强模块采用一个32维的3x3卷积核处理输入的云图数据，后端连接多个空洞卷积核用于提取多维特征，将采用空洞卷积提取到的多维特征进行合并，并采用1x1卷积核进行维度变换输出增强特征，得到一个多通道的二维特征矩阵。5.根据权利要求4所述的方法，其特征在于，所述气象数据采用第二CNN网络分支中进行处理，处理过程包括：通过多层一维卷积处理气象数据，之后将特征展开为一维向量，通过一个全连接层变换特征点数量，最后转换为一个与第一CNN网络分支输出特征相同尺度的多通道二维矩阵。6.根据权利要...

【专利技术属性】
技术研发人员：王银，何振锋，常勇，王一凡，陈美福，苟立峰，
申请(专利权)人：中国长江三峡集团有限公司，
类型：发明
国别省市：