[发明专利]一种基于深度全天图像学习的光伏发电预测混合方法

权利要求书

1.一种基于深度全天图像学习的光伏发电预测混合方法，其特征在于,通过构建混合动静态预测模型以整体方式处理原始全天成像仪(WSI)数据和光伏发电测量，将WSI图像和光伏发电测量的序列以预定的间隔周期性地同步和收集，并存储在各自的数据库中。

2.如权利要求1所述的一种基于深度全天图像学习的光伏发电预测混合方法，其特征在于，T表示为预先定义的观察序列长度，预测器处理观察到的全天空图像的过去序列，表示为以及最近的光伏发电测量序列，表示为P＝[p₁,…,p_T]，将预测值表示为其中x_t表示第t个时间步长的WSI图像，p_t是t处的光伏发电输出测量值，δ是预测范围。

3.如权利要求1所述的一种基于深度全天图像学习的光伏发电预测混合方法，其特征在于，静态图像的模型，是开发和训练端到端模型，该模型可以在静态WSI图像中自动感知太阳的位置、太阳直射度、云的体积、太阳光遮挡甚至云增强现象，并从所学的知识中回归未来的短期光伏发电。

4.如权利要求3所述的一种基于深度全天图像学习的光伏发电预测混合方法，其特征在于，具有最新观察到的全天图像的基于卷积神经网络(CNN)的模型，CNN层充当自动编码器，从WSI图像中提取特征，然后是多个完全连接的层，用于计算将来的光伏发电输出；

所述的，它通过一个隐藏模块将输入(即WSI图像)连接到输出(即预测的光伏发电量)，该模块由3个隐藏的卷积层和2个隐藏的全连接层组成，每个卷积层的滤波器大小设置为3×3，所有最大池化层的大小均为2×2，此模型结构称为“仅静态图像(SIO)”。

5.如权利要求4所述的一种基于深度全天图像学习的光伏发电预测混合方法，其特征在于，具有最新观测天空图像和光伏发电测量值的混合模型，该模型考虑到如果太阳没有直接被云层遮挡，太阳辐照度在短时间内不会发生显着变化，添加单独的处理流，该处理流由两个完全连接的隐藏层组成，并以最新的数值特征作为输入，值得注意的是，数值特征应包括光伏发电的最新测量值，以及其他气象测量值，如温度、湿度和气压，然而，在我们的工作中，没有可用的气象数据，因此我们仅将最新的光伏发电测量作为本文的数值特征；

所述的SIO模型的混合版本，是在SIO模型之上增加了一个数值特征处理模块，然后将来自两个模块的中间输出连接起来，并在生成光伏发电预测输出之前馈入另一个全连接层，这种混合架构在下文中被称为“静态图像混合(SIH)”。