[发明专利]基于ResNet-SA-LUBE的短期光伏功率区间预测方法及装置

权利要求书

1.一种基于ResNet-SA-LUBE的短期光伏功率区间预测方法，其特征在于，包括以下步骤：

步骤1：以设定采样间隔采集历史光伏功率数据以及该采样时刻下的气象数据，并基于遗传算法确定最优特征组合；

步骤2：将最优特征组合作为输入特征、将光伏功率特征矩阵作为预测目标输入到深度残差网络中进行训练预测，得到短期光伏功率点预测模型；

步骤3：构建基于模拟退火算法和LUBE的短期光伏功率区间预测模型，将点预测模型中的特征提取层的参数迁移至期光伏功率区间预测模型；

步骤4：对模型进行多次训练及初始化，将模型输出的区间预测上下限平均值作为最后的区间预测结果。

2.根据权利要求1所述的基于ResNet-SA-LUBE的短期光伏功率区间预测方法，其特征在于，

步骤1中气象数据包括水平面总辐照度、水平面散射辐照度、温度、相对湿度、风速、风向、降雨量、气压和云的类型。

3.根据权利要求1所述的基于ResNet-SA-LUBE的短期光伏功率区间预测方法，其特征在于，

步骤2中所采用的深度残差网络包括卷积层、平均池化层和残差连接以及全连接层，其中卷积层运算的公式为：

l＝g(λ*W+b)

其中，λ为输入的最优特征组合，*表示卷积操作，W为卷积核的权重，b为对应的偏置项，g(·)为激活函数，l为卷积运算后输出的光伏功率数据。

4.根据权利要求1所述的基于ResNet-SA-LUBE的短期光伏功率区间预测方法，其特征在于，

步骤3包括以光伏功率特征矩阵为输入以光伏功率预测上限和光伏功率预测下限为模型输出构建LUBE模型；采用模拟退火算法优化LUBE模型的神经元数目，其中，优化目标为最小预测区间累计偏差；采用迁移学习将短期光伏功率点预测模型中的卷积层、残差连接层和池化层的参数迁移到优化后的LUBE模型中，得到短期光伏功率区间预测模型。

5.根据权利要求4所述的基于ResNet-SA-LUBE的短期光伏功率区间预测方法，其特征在于，

步骤3中短期光伏功率区间预测模型的输入层为短期光伏功率点预测模型提取出的光伏功率特征矩阵，隐藏层利用激活函数对输入层数据进行非线性变换。

6.根据权利要求5所述的基于ResNet-SA-LUBE的短期光伏功率区间预测方法，其特征在于，

短期光伏功率区间预测模型的神经网络输出层为双输出结构，一个代表预测区间的上限L，一个代表预测区间的下限U。

7.根据权利要求5所述的基于ResNet-SA-LUBE的短期光伏功率区间预测方法，其特征在于，

步骤3中短期光伏功率区间预测模型的输出计算公式为：

式中，y₁为预测模型输出的光伏功率预测上限；y₂为预测模型输出的光伏功率预测下限；f为输出层的传递函数，g为隐藏层的传递函数，w_ij和w_jk分别为两个连接神经元的权重，b_j和b_k分别为隐藏层和输出层的神经元偏置，p是输入变量的数目，q为神经元数目。

8.根据权利要求5所述的基于ResNet-SA-LUBE的短期光伏功率区间预测方法，其特征在于，

采用迁移学习将短期光伏功率点预测模型的卷积层、残差连接层和池化层迁移至LUBE模型后，LUBE模型的卷积层、残差连接层和池化层不再参与训练，并将短期光伏功率点预测模型提取出的特征矩阵作为LUBE模型的输入。