[发明专利]基于卷积神经网络与元学习的光伏功率预测方法及系统

权利要求书

1.基于卷积神经网络与元学习的光伏功率预测方法，其特征在于，包括以下步骤：

步骤1，建立深层卷积网络，作为预测模型；

步骤2，以历史光伏功率数据、历史气象数据和数值气象预报数据作为模型输入，以待预测日的光伏功率作为输出，构成模型训练样本；

步骤3，基于数值气象预报中的辐射数据，分析待预测日的天气类型，选取相似日训练样本；

步骤4，基于元学习策略和相似日训练样本，以八个损失函数指标训练神经网络模型，输出八个预测结果；

步骤5，基于神经网络输出的八个预测结果，实现光伏功率的点预测和概率预测；步骤1中，所述的深层卷积网络，即残差网络，其通过跳级相加连接多个卷积层，计算公式为：

y^l＝f(x^l-N,{w^l-i})+x^l-N,i＝0,1,…,N-1；

其中，y^l表示第l层的输出，f(·)表示卷积运算，x^l–N为第l–N层的输入，{w^l–i}为第l层和第l–N层之间的权重矩阵，i为各层编号；

其中，步骤4中，所述八个损失函数指标训练神经网络分别为均方误差MSE，平均绝对误差MAE，均方对数误差MSLE，平均绝对标度误差MASE，负一致相关系数NIA，第一泰尔统计指标U1，第二泰尔统计指标U2和平滑平均绝对误差MHE，计算公式为：

其中，y_i为第i个训练样本的真实输出，为模型的对第i个样本的预测输出，N_s为训练样本个数，ln(·)为对数运算函数，为训练样本真实输出的平均值，δ为MHE损失函数中的阈值系数。

2.根据权利要求1所述的基于卷积神经网络与元学习的光伏功率预测方法，其特征在于：步骤3中，所述的分析待预测日的天气类型，其通过计算数值气象预报中太阳直射辐射和太阳总辐射的比值，进而划分不同的天气类型，计算公式为：

k_d＝∑_iDHR_i/∑_iGHR_i；

其中，k_d为太阳直射辐射和太阳总辐射的比值；DHR_i为待预测日第i个时刻的太阳直射辐射；GHR_i为待预测日第i个时刻的太阳总辐射；Σ_i(·)为求和运算，表示计算待预测日的辐射总和。

3.基于权利要求1-2中任意一项所述的基于卷积神经网络与元学习的光伏功率预测方法的基于卷积神经网络与元学习的光伏功率预测系统，其特征在于：包括具备光伏功率序列两步分解功能和数据维度转换功能的数据预处理模块、光伏功率点预测模块和光伏功率概率预测模块。

4.根据权利要求3所述的基于卷积神经网络与元学习的光伏功率预测系统，其特征在于：所述的光伏功率序列两步分解功能基于变分模态分解VMD和经验小波变换EWT算法，其中，VMD算法原理公式为：

式中，u_k和ω_k分别为第k个模态分量及其中心频率，δ(t)表示在时间t上的狄拉克分布，f_A(t)为原始光伏功率序列，为时间t上的偏导运算，j和*分别为虚部和卷积符号；此外，EWT算法的原理公式为：

式中，和分别为第n个经验尺度函数和经验小波函数，ω_n和τ_n分别为第n个间隔限幅和频带宽度，γ和β分别为范围系数和函数系数。

5.根据权利要求3所述的基于卷积神经网络与元学习的光伏功率预测系统，其特征在于：所述的数据维度转换功能需要将历史光伏功率序列转换为14天×13小时的二维数据形式。