一种基于并行不对称结构混合模型的短期光伏功率预测方法技术

本发明专利技术提供了一种基于并行不对称结构混合模型的短期光伏功率预测方法，包括：1）对原始功率数据及其特征进行预处理，对于功率、天气等特征做归一化处理；2）将所有处理好的数据转换为矩阵格式，并按照一定的比例划分训练集、验证集、测试集；3）采用并行不对称混合网络对训练集数据提取特征，学习其数据分布及变化规律，构建出并行不对称混合网络模型；4）训练神经网络，并将划分好的验证集数据对训练出的网络模型进行验证，判断其模型是否达到适度拟合状态；5）通过训练出的最优网络对短期光伏功率进行预测，并通过误差评价指标对比预测结果与真实结果。相比传统预测方法，本发明专利技术方法能够在短期光伏功率预测方面取得更好更精确的预测结果。

【技术实现步骤摘要】

本专利技术涉及短期光伏功率预测，具体涉及一种基于并行不对称结构混合模型的短期光伏功率预测方法。

技术介绍

1、光伏能源是可再生能源中的优秀代表，对电力系统的改革具有举足轻重的影响。然而，由于光伏发电的不确定性和间歇性特征，其高渗透率也为现有电网系统的运行带来了许多新的挑战，这些挑战源于天气条件下的混沌性与不确定性、非稳定性与可变性，光伏发电量非线性可能会造成影响集成电网运行的波动与随机。光伏发电系统的这些自然特性给光伏电站的管理和运行带来了新的挑战，并且降低了实时控制性能。因此，精确的预测技术对现有电网中稳定安全地集成可再生能源，更好地协调供需关系尤为重要，光伏发电量的准确预测是确定合理的运行计划和调度计划的关键解决方案之一。

2、光伏功率预测在方法上大致被分为四类：物理方法、统计方法、机器学习和深度学习。物理方法是根据光伏发电的物理原理而建立的数学模型，它利用数值天气预报的数据建立气象模型，并根据气象模型得到的数据与光伏电站的地理位置、组件信息等详细情况来预测光伏功率。然而，虽然它不依靠历史数据，但是需要完整的附加信息，如果信息有误差，模型的本文档来自技高网...

【技术保护点】

1.一种基于并行不对称结构混合模型的短期光伏功率预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于并行不对称结构混合模型的短期光伏功率预测方法，其特征在于，步骤S1中所述对功率和天气特征作归一化处理，包括以下过程：

3.根据权利要求1所述的一种基于并行不对称结构混合模型的短期光伏功率预测方法，其特征在于，步骤S2中所述按照一定比例划分训练集、验证集和测试集，需要设置批量batch size的大小，将数据变成批量数据，所述批量batch size大小设置为1024。

4.根据权利要求1所述的一种基于并行不对称结构混合模型的短期光伏功率...

【技术特征摘要】

1.一种基于并行不对称结构混合模型的短期光伏功率预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于并行不对称结构混合模型的短期光伏功率预测方法，其特征在于，步骤s1中所述对功率和天气特征作归一化处理，包括以下过程：

3.根据权利要求1所述的一种基于并行不对称结构混合模型的短期光伏功率预测方法，其特征在于，步骤s2中所述按照一定比例划分训练集、验证集和测试集，需要设置批量batch size的大小，将数据变成批量数据，所述批量batch size大小设置为1024。

4.根据权利要求1所述的一种基于并行不对称结构混合模型的短期光伏功率预测方法，其特征在于，所述并行不对称混合网络模型主体结构为：并行不对成结构、膨胀因果深度卷积、权重归一化、逐点卷积、高斯误差线性单元gelu、逐点卷积、双向长短期记忆网络和全连接层；其中膨胀因果深度卷积、权重归一化、逐点卷积、高斯误差线性单元gelu、逐点卷积以及残差连接构成改进的时空深度卷积网络模块。

5.根据权利要求4所述的一种基于并行不对称结构混合模型的短期光伏功率预测方法，其特征在于，所述时空深度卷积网络模块将tcn中的膨胀因果标准卷积结构替换为深度可分离卷积结构，所述深度可分离卷积结构分为深度卷积和逐点卷积，深度可分离卷积将膨胀因果标准卷积在一个步骤中的输入过滤和组合输出分为两层，一层单独用于滤波，另一层单独用于组合；所述深度卷积中并入部分膨胀因果卷积，通过深度卷积操作将输入特征中的每个通道与对应单通道卷积核进行卷积，确保特征图数量保持不变，实现对输入特征的滤波操作；所述深度卷积将单个过滤器应用于每个输入通道，随后逐点卷积运用1x1卷积将输出的深度卷积进行组合。

6.根据权利要求4所述的一种基于...

【专利技术属性】
技术研发人员：刘明萍，雷浩臻，夏晨旭，邓素辉，王玉皞，
申请(专利权)人：南昌大学，
类型：发明
国别省市：