[发明专利]基于天气类型指数区间的光伏功率预测方法、终端及介质

权利要求书

1.一种基于天气类型指数区间的光伏功率预测方法，其特征在于，包括：

获取天气类型数据，并转化为天气类型指数；

将所述天气类型指数划分为多个指数区间，其中每一个指数区间分别对应不同的日天气类型；

将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内，形成多个日天气类型子集；

利用不同的日天气类型子集分别训练深度神经网络，得到对应的分类预测子模型；

将影响光伏出力的气象和功率特征作为所述分类预测子模型的输入，利用所述分类预测子模型预测不同天气类型下的光伏功率。

2.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法，其特征在于，所述获取天气类型数据，并转化为天气类型指数的方法，包括：

获取气象预报中的每小时天气类型数据量化为天气类型指数；其中，所述每小时天气类型数据与天气类型指数之间的映射关系为：

3.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法，其特征在于，所述日天气类型与所述指数区间之间的对应关系为：

4.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法，其特征在于，所述将气象及光伏功率历史数据根据天气类型指数分别归入对应的指数区间内，形成多个日天气类型子集，包括：

当某日每小时天气类型数据对应的天气类型指数均落在相应区间内，则将该日的气象与光伏功率数据归入对应的指数区间，并形成相应的日天气类型子集。

5.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法，其特征在于，所述利用不同的日天气类型子集分别训练深度神经网络，包括：

设置深度神经网络的超参数初始值；

利用日天气类型子集分别训练对应的深度神经网络；

利用测试集分别对深度神经网络的训练效果进行测试；

若满足精度要求，则停止训练，得到的深度神经网络模型即为对应的分类预测子模型；若不满足精度要求，则在线性或对数尺度上获取更优超参数值，重复训练和测试的步骤，直至满足精度要求。

6.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法，其特征在于，所述深度神经网络采用LSTM神经网络模型。

7.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法，其特征在于，所述影响光伏出力的气象和功率特征的确定方法，包括：

获取与光伏出力相关的因素，并计算各相关因素之间的Pearson相关系数；

根据所述Pearson相关系数，分析各相关因素之间的耦合度及其对光伏出力的影响程度，并选择相互耦合度低于设定阈值且与光伏出力相关度高于设定阈值的因素作为影响光伏出力的气象和功率特征。

8.根据权利要求1所述的基于天气类型指数区间的光伏功率预测方法，其特征在于，所述与光伏出力相关的因素，包括：温度、露点、湿度、风速、可见度、大气压、天气类型指数、雾霾、降雨、降雪、雷电和历史光伏功率；

所述影响光伏出力的气象和功率特征，包括：历史光伏功率、温度、湿度和天气类型指数。

9.一种终端，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时可用于执行权利要求1-8中任一项所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时可用于执行权利要求1-8中任一项所述的方法。