基于混合深度学习的光伏发电预测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了基于混合深度学习的光伏发电预测方法、装置及存储介质，光伏发电预测方法包括以下步骤：获取光伏发电功率以及历史气象数据，并对原始数据进行预处理；采用最大信息系数MIC的特征选择方法来分析光伏发电功率与气象因素之间的相关关系，筛选出相关性较强的特征；构建基于CNN‑LSTM‑MHA的光伏发电预测模型，使用经特征提取后的训练数据集训练该模型；采用平均绝对百分比误差、标准均方根误差和相关系数对模型的预测效果进行整体评价。本发明专利技术考虑了输入特征集较大的问题和光伏发电预测的影响因素，提高了光伏发电预测精度，模型结合CNN、LSTM和MHA注意力机制优势，能够对光伏发电功率进行较为准确的预测。

【技术实现步骤摘要】

本专利技术属于电力系统，主要涉及一种基于混合深度学习的光伏发电预测方法、装置及存储介质。

技术介绍

1、当前光伏发电作为一种清洁、可再生的能源形式，在一定程度上可以缓解化石能源的短缺、环境污染和气候变化等问题。精准地预测光伏功率，不仅可为光伏电站并网运行及能量管理运行提供依据，也为及时发现设备异常、排除故障提供参考。因此，准确地预测光伏发电功率对电网的未来规划和稳定安全的运行具有重要意义。然而，影响光伏发电功率的关键因子太阳辐照度受气候、地势等影响，具有明显的波动性和间歇性，因此给光伏发电功率预测带来一定困难。

2、目前光伏发电功率预测分为物理方法、统计方法和机器学习方法。物理方法主要是构建物理模型进行计算，而建模相对困难。统计方法主要是时间序列法和回归分析法，仅适用于平稳时间序列且数据样本量较少的情况。机器学习方法以支持向量机、人工神经网络为代表。由于光伏发电功率的时序特性，在处理时序非线性问题上具有优势的长短期记忆神经网络lstm被广泛应用。但是单一lstm模型的预测结果具有滞后性，并且随着预测时间的延长，预测效果变差。单一模型虽在不断地改本文档来自技高网...

【技术保护点】

1.一种基于混合深度学习的光伏发电预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于混合深度学习的光伏发电预测方法，其特征在于，在步骤1中所述的数据包括辐照度、温度、湿度、风速这些气象数据以及光伏发电功率的历史数据；步骤1还包括：对所述历史数据进行预处理，所述预处理是对气象数据和光伏发电历史进行数据清洗和归一化处理；

3.根据权利要求1所述的基于混合深度学习的光伏发电预测方法，其特征在于，采用最大信息系数MIC的特征选择方法来分析光伏发电功率与气象因素之间的相关关系，MIC的取值范围为[0,1]，其中，0表示没有相关性，1表示完全相关性，即值越大，...

【技术特征摘要】

1.一种基于混合深度学习的光伏发电预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于混合深度学习的光伏发电预测方法，其特征在于，在步骤1中所述的数据包括辐照度、温度、湿度、风速这些气象数据以及光伏发电功率的历史数据；步骤1还包括：对所述历史数据进行预处理，所述预处理是对气象数据和光伏发电历史进行数据清洗和归一化处理；

3.根据权利要求1所述的基于混合深度学习的光伏发电预测方法，其特征在于，采用最大信息系数mic的特征选择方法来分析光伏发电功率与气象因素之间的相关关系，mic的取值范围为[0,1]，其中，0表示没有相关性，1表示完全相关性，即值越大，表明两变量的相关性越强，它的计算公式如下式；

4.根据权利要求1所述的基于混合深度学习的光伏发电预测方法，其特征在于，所述的卷积神经网络cnn包括卷积层、批量归一化层、激活函数层、最大池化层和全连接层；输入数据首先通过卷积层中不同尺度的卷积核进行卷积计算，提取不同精细度的特征，卷积之后依次加入批量归一化层、激活函数层，得到一组特征向量；接着通过最大池化层对生成的特征向量进行压缩，并通过全连接层调整输出维度。

5.根据权利要求1所述的基于混合深度学习的光伏发电预测方...

【专利技术属性】
技术研发人员：李孟杰，蔡景东，徐大勇，吕宇桦，张姝娜，马姗婷，郭德孺，黄俊辉，方毓乾，马龙义，朱鑫，李鸿文，魏可慰，张素明，
申请(专利权)人：广东电网有限责任公司惠州供电局，
类型：发明
国别省市：