[发明专利]基于CNN-LSTM的短期太阳辐射预测方法及装置

说明书

本申请公开了一种基于CNN‑LSTM的短期太阳辐射预测方法，包括：(1)将目标站点和邻近站点作为样本站点，采集样本站点的气象参数和辐射数据；(2)基于所有样本站点的气象参数组成二维矩阵，重构空间特征；(3)基于所有样本站点的历史太阳辐射序列重构时间特征；(4)将空间特征和时间特征分别作为CNN‑LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射。本申请还公开了一种基于CNN‑LSTM的短期太阳辐射预测装置。本申请的方法和装置基于目标站点和周边站点的气象参数和辐射数据，重构空间特征和时间特征，输入到CNN‑LSTM混合模型中，对目标站点的太阳辐射进行预测，提高了太阳辐射预测的精度，保障了电力系统的最优调度和安全稳定运行。

技术领域

本发明涉及光伏发电，具体涉及一种基于CNN-LSTM的短期太阳辐射预测方法及装置。

背景技术

目前经济的快速发展主要依赖石油、煤炭等化石燃料，造成了严重的环境污染和温室效应，故可再生能源的开发利用越来越受到世界范围内的广泛关注。在这些能源中，太阳能是最有前途的选择之一，特别是在光伏发电中。然而，太阳辐照度因受到云层快速变化的影响，具有随机性。当大规模光伏发电并网时，这种随机性会对电网安全运行造成严重影响。因此，建立准确的短期太阳辐照度预测模型对于保证电力系统的最优调度和管理是至关重要的，特别是在光伏发电领域。

现有的太阳辐照度预测模型根据采用的输入数据可分为四类：数值天气预报(NWP)、基于图像的模型、基于历史数据的统计模型和基于多种类型输入数据的混合模型。其中，数值天气预报已广泛应用于提前6-48小时的太阳辐照度预测；然而，这种方法涉及到的计算成本较高，通常不适合进行短期太阳辐照度预测。且NWP模型不能很好地捕捉太阳辐照度与气象因子之间的实时关系，进一步限制了其短期预测能力。与NWP不同，基于图像的模型提供了有效的短期太阳辐照度预测水平，范围从几分钟到几个小时不等。然而，图像捕获设备的高成本限制了该模型的广泛使用。与前两种模型相比，统计模型基于历史太阳辐照度数据，通常用于5分钟到6小时的预测时间尺度。相比而言，基于时间序列数据进行太阳辐照度预测时，统计模型往往是较好的选择，但统计模型只能考虑历史数据，其他影响太阳辐照度的相关天气条件不能包含在预测过程中。这个缺点可以通过机器学习方法在混合模型中集成多种不同类型的输入数据来克服。机器学习方法具有从多个输入中提取复杂非线性特征的优点。人工神经网络和支持向量机等多种机器学习模型在数据样本量较小的情况下具有较好的预测性能，在太阳辐射预测中得到了广泛的应用。然而，传统的机器学习模型只能提取较浅层的特征，且通常需要复杂的特征工程。

发明内容

发明目的：本申请的目的在于提供一种基于CNN-LSTM的短期太阳辐射预测方法及装置，利用CNN-LSTM模型预测短期太阳辐射，解决现有技术短期预测能力差，成本高，预测精度较低的缺陷。

技术方案：本发明一方面提供了一种基于CNN-LSTM的短期太阳辐射预测方法，包括：

(1)将目标站点和邻近站点作为样本站点，采集样本站点的气象参数和辐射数据；

(2)基于所有样本站点的气象参数组成二维矩阵，重构空间特征；

(3)基于所有样本站点的历史太阳辐射序列重构时间特征；

(4)将空间特征和时间特征分别作为CNN-LSTM混合模型的CNN部分和LSTM部分的输入，预测目标站点太阳总辐射。

进一步地，步骤(2)包括：

(21)将所有样本站点待预测时刻的气象参数构成二维矩阵，每列表示所有站点的一种气象参数，每行表示一个站点的所有气象参数；二维矩阵的元素由下式表示：

f_i,j(i＝1,2,…,S；j＝1,2,…,F)