【技术实现步骤摘要】
本专利技术涉及光伏发电智能预测领域，尤其涉及一种基于可解释深度学习的多场站时空关联光伏出力概率预测方法及系统。
技术介绍
1、光伏能源因其具有随机性和波动性特点，在高比例光伏并网情况下，电力系统的安全与稳定运行面临新的挑战。因此，提高光伏出力预测的时效性与准确性，并提供丰富的决策信息，成为光伏发电领域亟待解决的关键问题。
2、人工智能技术（如深度学习和机器学习）在光伏出力预测领域展现出显著的应用潜力。通过有效整合多种输入信息，人工智能技术能够显著提升预测精度。常见的人工智能模型包括人工神经网络（ann）、图卷积神经网络（gcn）、门控循环单元（gru）以及双向门控循环单元（bigru）等。模型通过训练大量历史数据，能够自动识别影响光伏发电的关键特征，实现高效的光伏出力预测。
3、然而，当前模型在内部机制及预测结果上的可解释性不足，导致基于人工智能模型的决策可靠性受到限制。在同一区域内，光伏电站群在相似天气条件下，其相邻场站的光伏出力往往存在较强的相关性。因此，考虑光伏场站的时空关联性有助于提高光伏出力预测的精度。...
【技术保护点】
1.一种基于可解释深度学习的多场站时空关联光伏出力概率预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于可解释深度学习的多场站时空关联光伏出力概率预测方法，其特征在于，所述将完成数据预处理后的光伏场站群出力二维矩阵中的列向量作为相关性检验对象，挑选出相关性数值满足预定阈值条件的列向量，计算式如下：
3.根据权利要求1所述的一种基于可解释深度学习的多场站时空关联光伏出力概率预测方法，其特征在于，所述将检验后的光伏场站群出力二维矩阵输入K均值聚类进行自动分型，具体包括：
4.根据权利要求3所述的一种基于可解释深度学习...
【技术特征摘要】
1.一种基于可解释深度学习的多场站时空关联光伏出力概率预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于可解释深度学习的多场站时空关联光伏出力概率预测方法，其特征在于，所述将完成数据预处理后的光伏场站群出力二维矩阵中的列向量作为相关性检验对象，挑选出相关性数值满足预定阈值条件的列向量，计算式如下：
3.根据权利要求1所述的一种基于可解释深度学习的多场站时空关联光伏出力概率预测方法，其特征在于，所述将检验后的光伏场站群出力二维矩阵输入k均值聚类进行自动分型，具体包括：
4.根据权利要求3所述的一种基于可解释深度学习的多场站时空关联光伏出力概率预测方法，其特征在于，所述使用非参数核密度估计方法拟合出分型后各类光伏出力历史数据对应的概率分布函数，具体包括：
5.根据权利要求4所述的一种基于可解释深度学习的多场站时空关联光伏出力概率预测方法，其特征在于，所述多站点联合输入矩阵依据光伏场站数m、预测步长step构建，预测时刻为t时刻，预测步长为step，历史数据利用时刻数k，此时多站点联合输入矩阵input的形式如下：
6.根...
【专利技术属性】
技术研发人员：朱非林，林妹艳，朱鸥，侯添甜，徐斌，刘为锋，郭旭宁，李云玲，钟平安，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。