[发明专利]太阳能光伏发电预测方法、装置、电子设备和存储介质

说明书

本申请涉及太阳能光伏发电预测方法、装置、电子设备和存储介质，属于太阳能光伏发电领域，上述方法包括：采集环境数据和PV功率，构成数据集，其中，该环境数据和该PV功率具有时间序列特性；对数据集进行数据预处理；将预处理后的数据输入预先训练的混合深度学习模型，得到预测结果，其中，混合深度学习模型包括变分模态分解模型、嵌套长短期记忆人工神经网络和全连接层。本申请实施例将多个模型集成一体，能够很好的处理光伏数据与环境数据之间的复杂性，并且将时间序列特性和混合深度学习模型的优点结合起来，不仅提高了预测精度，而且使得光伏预测结果更为及时、准确。

技术领域

本申请涉及太阳能光伏发电技术领域，特别是涉及太阳能光伏发电预测方法、装置、电子设备和存储介质。

背景技术

近年来，全球电力能源消耗加剧，煤炭等不可再生能源供应不足，太阳能作为一种重要的可再生能源受到世界各地的关注。如今，太阳能以其清洁、无污染的优点融入千家万户，已经发展成为各国必不可少重要能源之一并在全球范围内的普及。但太阳能光伏发电系统受众多自然因素(例如辐照度、气候温度、风速等)和人为因素的影响，使得光伏(photovoltaic，简称PV)系统的间歇性和波动性给电力系统的稳定性与安全性带来挑战，并且严重影响了电力系统的合理调度，为电网调度人员带来了困扰。

值得思考的是，在光伏发电预测中，一般都采取与发电功率正相关因素作为输入变量，这样操作容易陷入局部最优，所以也有用物理方法基于光伏发电的气象信息(例如辐照度、温度、压力等)估算光伏发电量。从目前研究成果分析可知，通过深度学习可以很好的预测光伏发电，深度学习的概念主要由Hinton等人于2006年提出，是机器学习领域的一个新的研究方向，它主要用来建立、分析和模拟人脑的活动规律进行分析学习得到一定活动规律的神经网络，它可以用来分类，也可以用来预测，其用途广泛。深度学习在大量数据集上的表现出的学习能力比其他机器学习方法都要有一定优势，并且在数据挖掘、搜索技术等领域已有广泛的应用，发展势头迅猛。

例如，可以采用LSTM(Long Short-TermMemory，长短期记忆人工神经网络)模型，LSTM单元结构中最具特点的就是三个门，门(Gate)是一种可选的让信息通过的方式。在它们中最重要的要数遗忘门(Forget gate)，其次是输入门(Input gate)，最后是输出门(Output gate)。因其特有的信息存储方式被广泛应用于时间序列预测中，LSTM通过门控机制使循环神经网络不仅能记忆过去的信息，同时还能选择性的忘记一些不重要的信息而对长期序列等关系进行建模。

然而，上述方式采用了单一模型，不能很好的处理光伏数据与其他因素之间的复杂性，所以在实现更准确的预测上有一定的局限性。另外，用于非线性短期太阳能光伏发电预测时，采用单一模型会有过拟合、收敛速度慢的弊端。

发明内容

本申请实施例提供了太阳能光伏发电预测方法、装置、电子设备和存储介质，以至少解决相关技术中光伏发电预测结果准确性较低的问题。

第一方面，本申请实施例提供了一种太阳能光伏发电预测方法，包括：

采集环境数据和PV功率，构成数据集，其中，所述环境数据和所述PV功率具有时间序列特性；

对所述数据集进行数据预处理；

将预处理后的数据输入预先训练的混合深度学习模型，得到预测结果，其中，所述混合深度学习模型包括变分模态分解模型(Variational Mode Decomposition，简称VMD)、嵌套长短期记忆人工神经网络(NLSTM)和全连接层。

在其中一些实施例中，将预处理后的数据输入预先训练的混合深度学习模型，得到预测结果包括：

将预处理后的数据输入变分模态分解模型以提取多维度的关键特征；

将所述多维度的关键特征并行输入多个预先训练的嵌套长短期记忆人工神经网络；