[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

说明书

本发明公开了基于卷积神经网络与元学习的光伏功率预测方法，属于可再生能源开发利用技术领域，通过建立深层卷积神经网络模型，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；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；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，实现光伏功率的点预测和概率预测；本发明还公开了其预测系统。本发明方法能够适应不同季节、不同天气的光伏功率预测情况，具备极高的预测精度，能够有效提升光伏并网系统运行稳定性。

技术领域

本发明属于可再生能源开发利用技术领域，具体涉及基于卷积神经网络与元学习的光伏功率预测方法及系统。

背景技术

太阳能作为一种分布广泛、易于获取的可再生资源，能够有效应对当前世界的资源短缺和环境污染问题，因而在光伏发电等领域得到充分利用和发展。然而，光伏发电出力受天气和环境等影响，其输出功率存在较大波动，对光伏并网电力系统造成一定的冲击，威胁其安全稳定运行。因此，光伏功率预测技术得到广泛关注。其中，日前光伏功率预测能够为电网发电计划、日前调度提供信息指导，是本发明的研究对象。

常见的光伏功率预测方法有统计方法、卫星数据法和数值气象预报法，其所使用到的输入数据均不相同。统计方法仅输入历史的光伏功率序列，因而更适用于小时级预测，在日前预测中精度较差；卫星数据方法，即通过分析卫星云图和卫星采集辐射数据实现光伏功率预测，然而由于其成本昂贵，相关研究方法较少；数值气象预报法，即将日前气象预报数据，如辐射和温度等，作为模型输入，使用机器学习方法分析气象预报数据与日前光伏功率的映射关系，实现光伏功率预测。由于数值气象预报方法的工程成本较低，且精度较高，因此本方法中的方法和装置也基于数值气象预报数据实现。

发明内容

发明目的：本发明的目的在于提供基于卷积神经网络与元学习的光伏功率预测方法；本发明的另一目的是提供基于卷积神经网络与元学习的光伏功率预测系统，实现数据预处理以及日前光伏功率的点预测和概率预测。

技术方案：为实现上述目的，本发明提供如下技术方案：

基于卷积神经网络与元学习的光伏功率预测方法，包括以下步骤：

步骤1，建立深层卷积网络(残差网络，ResNet)，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。

进一步地，步骤1中，所述的深层卷积网络，即残差网络(ResNet)，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。

进一步地，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：