[发明专利]基于深度学习的超短期光伏功率预测方法

权利要求书

1.基于深度学习的超短期光伏功率预测方法，其特征在于，具体按照以下步骤实施：

步骤1、对光伏发电的历史数据进行预处理得到预处理数据；

步骤2、对预处理数据进行聚类，分为晴天、雨天和多云三类不同天气类型的数据集；

步骤3、利用优化算法对变分模态分解算法中的参数进行寻优，得到参数优化后的信号分解模型；

步骤4、利用步骤3中优化后的信号分解模型对数据集中的光伏发电功率序列进行信号分解，得到光伏功率各分量序列；

步骤5、对数据进行归一化处理，并作为光伏发电功率预测的输入变量；

步骤6、利用CNN与GRU两种网络并行深度学习对光伏发电功率进行预测，最后得到总的光伏发电功率的预测值。

2.根据权利要求1所述的基于深度学习的超短期光伏功率预测方法，其特征在于，所述步骤1具体为，采用3-sigma原理对光伏发电功率进行异常数据检测，剔除缺失数据和异常数据；利用皮尔逊系数分析计算出历史数据包含的各个天气因素与光伏功率的相关系数，剔除相关系数为1和负值的特征向量，将剩余的特征向量作为影响光伏出力的主要气象因素，并对剩余数据进行归一化处理，得到预处理数据。

3.根据权利要求1所述的基于深度学习的超短期光伏功率预测方法，其特征在于，所述步骤2具体为，

步骤2.1、分别利用高斯混合模型、层次聚类对预处理数据进行聚类，由于这两种不同的聚类方法对预处理数据进行聚类时标签分配的规律并不一致，所以通过匈牙利算法对两种聚类的标签结果进行重排，将同一类型数据的标签转换成一致的标签；

步骤2.2、测试两种聚类结果的聚类精度，提取两种聚类方法的共识点与非共识点，将共识点作为训练集，非共识点做测试集，计算测试集与训练集每个样本点的欧氏距离，并对所有的距离值排序，选出k个最小距离的样本作为“选民”，根据“选民”预测待测样本的分类，实现K近邻算法对非共识点的预测，得到非共识点的聚类结果，将预测结果与共识点的集合即为最终的聚类结果；

步骤2.3、根据卡林斯基-哈拉巴斯指数、戴维森堡丁指数的评价指标、轮廓系数分别对三种最终的聚类结果进行评价。

4.根据权利要求1所述的基于深度学习的超短期光伏功率预测方法，其特征在于，所述步骤3具体为，

步骤3.1、设置粒子群算法中的参数和适应度函数；

步骤3.2、初始化粒子位置和速度，将变分模态分解中的惩罚因子和模态数两个参数设置为粒子位置；将所有初始化的粒子位置输入到变分模态分解算法中，并为每个粒子位置计算所有内涵模态分量的分量熵值；比较局部最小熵的大小，并更新单个局部最小值和总体全局最小值；更新粒子速度和位置；利用粒子群算法对变分模态分解算法中的惩罚因子和模态数两个参数进行优化，判断是否满足最大迭代数，计算出全局粒子的最小网络包络熵和各个内涵模态分量的分量包络熵，从而获得最优的惩罚因子与模态数。

5.根据权利要求4所述的基于深度学习的超短期光伏功率预测方法，其特征在于，所述步骤4具体为，根据步骤3粒子群算法求得的最优惩罚因子和模态数，设定变分模态分解算法初始值，对三种天气类型的光伏功率进行分解计算，得到分解后的信号时域图；再利用快速傅里叶变换，得到频域图。

6.根据权利要求1所述的基于深度学习的超短期光伏功率预测方法，其特征在于，所述步骤5具体为，将步骤4得到的分解结果，通过归一化、标准化的方式处理分解结果中的各个内涵模态分量；并将处理后的数据集进行划分，前80％作为训练集、后20％作为测试集；将步骤1处理后的天气因素各序列提取出来，组成气象特征矩阵，与本步骤处理后的光伏功率各分量序列分别作为预测模型的输入变量。

7.根据权利要求6所述的基于深度学习的超短期光伏功率预测方法，其特征在于，所述步骤6具体为，

步骤6.1、利用CNN神经网络识别步骤5中的气象特征矩阵的局部特征并输出；

利用GRU神经网络识别步骤5归一化处理后的光伏功率各分量序列的时序特征，作为下一级的输入；

步骤6.2、数据经过步骤6.1的两种网络并行学习后，将输出值拼接为高维向量，并输入CNN神经网络模型中，对网络在多种特征输入下进行更深度的学习训练，得到最终的预测结果。