[发明专利]基于TCN-LSTM的太阳能光伏发电预测方法

说明书

本发明公开了一种基于TCN‑LSTM的太阳能光伏发电预测方法，包括以下步骤：数据预处理：通过将总的一年的光伏数据处理为春夏秋冬四季并去除无用的光伏数据，整理归纳光伏数据集中影响光伏发电的关键特征进行归一化处理；预测模型搭建和预测：搭建基于时间卷积神经网络和长短期记忆网络的混合模型，采用所述训练集数据训练所述预测模型；将训练样本输入TCN‑LSTM模型，经TCN进行特征提取后，将时间序列数据输入到二层扩张的因果卷积中与一维卷积输出结果相加得到的输出结果输入到LSTM模型，LSTM模型对接收TCN的输出结果的特征进行高层特征的信息抽象，并将其处理成一个一维向量再输入LSTM模型的全连接层，全连接层直接输出下一时刻光伏发电功率预测值。

技术领域

本发明涉及计算机预测技术领域，具体地说是一种基于TCN-LSTM的太阳能光伏发电预测方法。

背景技术

对时间序列的预测分析，传统的方法主要是运用统计学的知识，主要有：时间序列法、回归分析法、卡尔曼滤波法、以及马尔可夫链方法等。近年来随着智能算法的快速发展，研究者们已经成功将智能算法运用到时间序列的研究上，例如人工神经网络法、SVM支持向量机法、灰色系统预测法、专家系统法等。以下介绍几种现代的预测方法。

人工神经网络是仿照生物神经系统建立的一种计算模型，模拟大脑处理信息的过程，适合用于时间序列的预测，尤其对非线性具有较强的自适应功能，但同时由于数据样本较小、隐藏层数难以确定和隐含层神经元的个数无法统计的原因使得人工神经网络效果较差。

灰色理论法是一种对含有不确定因素的系统进行预测的方法，认为时间序列是多种影响因素综合作用的结果，这种不确定性和未知性构成了系统的灰色特征，该方法的好处是在历史数据缺乏，计算简便、时间序列成单调性变化时预测效果较好，但当出现数据相关性差、模型较为复杂时该模型就受到了局限。

支持向量机(Support Vector Machine,SVM)算法基于统计学习理论的VC维理论和结构风险最小化原理的一种新机器学习方法，该方法适用于数据样本较小的模型中，具有适应性高，泛化能力强的优点，但其预测结果受众多因素影响，如：训练样本选取、输入数据大小和参数选择等。目前正在改进相应的问题，但SVR的扩展—最小二乘法支持向量机(Least Square Support Machine,LS-SVM)算法，在短期预测中有良好的实验结果。

时间序列预测是在一定假设条件下进行的，待预测变量的发展变化规律具有多样性、复杂性和随机性。单一的方法并不是总能取得满意的预测效果，而组合预测方法通常比单一法预测精度高。当前组合预测方法的研究主要有两类：组合方法预测，即综合使用两种及以上预测方法，例如相似日法与最小二乘支持向量机算法的组合，小波变换与神经网络的组合，粒子群算法与支持向量机的组合等；组合结果预测，即通过对多种不同预测方法得出的预测结果。显然，组合预测方法整合了多种单一预测方法的信息，考虑的影响因素、特点、结构等比较全面，能够使单一方法优势互补，从而有效改善预测效果；但是，目前准确、可靠、稳健的组合预测技术还并不完全成熟，需进一步适当修正以提高预测精度。

在太阳能光伏发电中，其发电数据的预测难以通过单一方法进行准确预测，而且现有技术中未能给出组合预测太阳能光伏发电数据的启示。

时间卷积神经网络(Temporal Convolutional Networks，简称TCN)，使用TCN进行序列建模的优点和缺点进行具体的介绍如下：

1、并行性。与后续时间步长的预测必须等待其前任完成的RNN不同，由于在每一层中使用相同的滤波器，因此可以并行完成卷积。因此，在训练和评估中，长输入序列可以作为整体在TCN中处理，而不是像在RNN中那样顺序处理。

2、灵活的感受野。TCN可以通过多种方式改变其感受野大小。例如，堆叠更多扩张(因果)卷积层，使用更大的扩张因子，或增加过滤器尺寸都是可行的选择(可能有不同的解释)。因此，TCN可以更好地控制模型的内存大小，并且易于适应不同的域。