[发明专利]一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法

权利要求书

1.一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法，其特征在于：包括以下步骤：

步骤S1:进行数据准备

对某个历史时刻t₀，获取前M个时刻的样本集，M为正整数；其中光伏功率序列为f_power(t),t∈[t_-M+1,…,t_-2,t_-1,t₀]，相应的，所有序列对应的Label均为f_power(t₀+1)，样本序列一共有N个；

步骤S2：进行模态信息融合

包括以下子步骤：

步骤S21：进行特征模态分解；

步骤S22：进行模态向量拼接；

步骤S23:构建模态卷积网络net_V；

步骤S24：进行模态卷积网络预训练；即以均方误差为损失函数，采用随机梯度下降法训练net_V，直至收敛；

步骤S25：提取net_V的全连接层输入结果，记为

步骤S3：进行尺度信息融合，包括：

步骤S31:构建不同尺度采样池序列；

步骤S32：确定下采样尺度数量；

步骤S33:进行尺度卷积网络设计；根据样本序列的数量，设计的卷积神经网络为

步骤S34:进行尺度卷积网络预训练；

步骤S35：尺度卷积网络数据拼接；即将步骤S34训练得到的多个网络的最后一层输出结果拼接成一个向量形成

步骤S4：进行模态-尺度信息融合，包括：

步骤S41:将下采样预测结果和变分模态预测结果拼接成一个新的向量x_joint，即

步骤S42：构建模态-尺度信息融合，该网络为一个全连接网络net_f；

步骤S43:进行网络训练，采用随机梯度下降法训练net_f；

步骤S5：包括如下子步骤：

步骤S51：获取实时的样本；

步骤S52：获取前M个时刻的样本的数值；

步骤S53：对前M个时刻的样本的数值进行变分模态分解并拼接成列向量；

步骤S54：将样本以及变分模态分解并拼接成列向量都输入网络即可得到下一个时刻的光伏出力预测值。

2.根据权利要求1所述的一种基于变分模态分解和多尺度下采样的光伏功率出力预测方法，其特征在于：所述步骤S1中，所述样本包括但不限于温度、云量、雨量、风速、光照、光伏功率的样本，其中温度序列设定为f_temp(t),t∈[t_-M+1,…,t_-2,t_-1,t₀]，其他样本序列以此类推。