[发明专利]基于混合双向门控循环的短期光伏功率预测方法及系统

说明书

本发明提出基于混合双向门控循环的短期光伏功率预测方法及系统，涉及光伏发电领域。包括获取原始光伏功率数据和对应的气象数据，对原始光伏功率数据进行分解，得到多个光伏功率分量；对每个光伏功率分量和对应的气象数据进行预处理，得到预处理后的光伏功率分量和对应的气象数据；搭建包含CNN层、BiGRU层、注意力层的HBiGRU模型，将预处理后的多个光伏功率分量和对应的气象数据分别输入至HBiGRU模型中，得到各个光伏功率分量的预测结果；将各个光伏功率分量的预测结果进行叠加，得到短期光伏功率预测结果。本发明降低了光伏功率数据的不确定性，构建混合双向门控循环单元模型，充分挖掘各分量与光伏功率影响因素之间的特征关系，提高了短期光伏功率预测精度。

技术领域

本发明属于光伏发电功率预测技术领域，尤其涉及基于混合双向门控循环的短期光伏功率预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

短期光伏发电功率预测主要分为物理方法和统计方法。由于物理方法建模过程复杂且对输入数据精度要求较高，越来越多的研究者倾向于采用统计方法进行短期光伏发电功率预测。常用的统计方法包括支持向量机、神经网络、极限学习机和回声状态网络等方法，但上述统计方法处理复杂非线性问题的能力有限，难以全面捕捉光伏功率数据与相关影响因素之间的特征关系，导致预测精度提升较为困难。

随着人工智能技术的快速发展，深度学习方法因其具有强大的非线性拟合能力和泛化能力，已被广泛应用于电力系统中故障诊断、配电网重构、状态估计、负荷预测、新能源预测等领域。近年来，尤其是在新能源预测领域备受国内外学者的关注。有研究人员分别采用反向传播神经网络(BPNN)和卷积神经网络(CNN)预测光伏出力，有效提高了光伏功率预测精度。但BPNN和CNN建模过程中忽略了历史数据之间的时序相关性，光伏功率预测精度有限。

门控循环单元网络(GRU)是一种基于循环神经网络(RNN)的改进模型，其克服了RNN固有的梯度爆炸问题，能够有效挖掘数据时序特征，提高预测精度，在光伏预测领域已颇有建树。有研究人员采用改进后的主成分分析法对光伏功率数据集进行预处理，再构建GRU模型对处理之后的数据集进行预测得到光伏功率预测结果；另外有研究人员提出了一种基于CNN-GRU的光伏功率预测模型，结果表明CNN-GRU模型相较于GRU模型具有更优越的预测性能。

然而，发明人发现，GRU模型和CNN-GRU未考虑时序数据双向时间信息对预测结果的影响，并且在处理较长时间序列时容易出现重要时序信息遗忘等问题。

发明内容

为克服上述现有技术的不足，本发明提供了基于混合双向门控循环的短期光伏功率预测方法及系统，基于自适应噪声完备集合经验模态分解(CEEMDAN)、样本熵(SE)和变分模态分解(VMD)的组合二次模态分解方法对光伏功率数据进行分解，得到一系列较为平稳的本征模函数分量，降低了光伏功率数据的不确定性，构建混合双向门控循环单元模型(HBiGRU)，充分挖掘各分量与光伏功率影响因素之间的特征关系，得到各分量预测结果，之后将各分量预测结果叠加，得到短期光伏功率预测结果，提高了短期光伏功率预测精度。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

本发明第一方面提供了基于混合双向门控循环的短期光伏功率预测方法。

基于混合双向门控循环的短期光伏功率预测方法，包括以下步骤：

获取原始光伏功率数据和对应的气象数据，对原始光伏功率数据进行分解，得到多个光伏功率分量；

对每个光伏功率分量和对应的气象数据进行预处理，得到预处理后的光伏功率分量和对应的气象数据；

搭建包含CNN层、BiGRU层、注意力层的HBiGRU模型，将预处理后的多个光伏功率分量和对应的气象数据分别输入至HBiGRU模型中，得到各个光伏功率分量的预测结果；