一种基于多输入模型的光伏发电功率预测方法及装置与流程

本发明涉及新能源发电预测领域，具体涉及一种基于多输入模型的光伏发电功率预测方法及装置。

背景技术：

1、光伏发电功率预测方法是指通过对光伏电站历史数据、气象数据等进行分析和建模，来预测未来一段时间内光伏发电功率的大小。目前，主要的光伏发电功率预测方法包括以下几种：

2、1、基于机器学习的方法：通过收集大量的历史数据和天气数据，利用机器学习算法构建预测模型，如利用支持向量机(svm)、人工神经网络(ann)和决策树等算法来预测光伏发电功率。机器学习算法可以有效地提高光伏发电功率预测的精度。

3、2、基于深度学习的方法：近些年，深度学习算法在光伏发电功率预测中得到了广泛应用。研究者们通过构建深度神经网络模型来学习历史数据中的规律，从而实现对未来光伏发电功率的预测。如基于卷积神经网络(cnn)、循环神经网络(rnn)和长短时记忆网络(lstm)等模型来预测光伏发电功率。深度学习算法可以有效地提高光伏发电功率预测的准确性和稳定性。

4、3、基于统计模型的方法：基于统计模型的方法一直是光伏发电功率预测的主要方法之一。研究者们通过对历史数据进行分析和处理，利用回归分析、时间序列分析等方法来建立预测模型，并用该模型预测未来的光伏发电功率。统计模型可以在一定程度上提高光伏发电功率预测的准确性。

5、4、基于混合模型的方法：近些年来，研究者们也开始探索基于混合模型的光伏发电功率预测方法。该方法主要是将多种预测模型进行组合，利用它们的优点来提高预测精度。例如，将基于统计模型和机器学习模型的预测结果进行加权组合，或将基于深度学习和机器学习的预测结果进行融合。混合模型可以进一步提高光伏发电功率预测的准确性和鲁棒性。

6、现有技术在光伏发电功率预测方面仍存在以下问题或缺点：

7、1、基于气象监测数据的方法，仅仅使用气象参数来预测光伏发电功率的精度受到云层覆盖等天气因素的影响较大，预测精度不够准确；

8、2、基于图像识别的方法需要较高的图像分析技术和计算资源，同时在实际应用中，监测的图像数据获取和处理比较困难；

9、3、现有的预测模型大多数采用统计方法或者机器学习算法，缺乏对于光伏发电系统内在物理机理的理解和模型建立，导致模型的可解释性不强，同时在新的数据场景下，需要重新训练模型，导致模型鲁棒性较差。

技术实现思路

1、有鉴于此，本发明提供了一种基于多输入模型的光伏发电功率预测方法、装置、计算机设备及存储介质，以解决现有技术中的模型鲁棒性差、预测精度低的问题。

2、第一方面，本发明提供了一种基于多输入模型的光伏发电功率预测方法，包括：

3、将光伏所对应的云图数据和气象数据分别进行预处理；

4、构建的多输入模型，其包括：两个输入模块、两个特征处理分支网络、特征融合层、共享的隐藏层和一个输出层，将预处理后的云图数据和气象数据通过两个输入模块，分别输入到两个不同的特征处理分支网络中进行处理，得到气象数据和云图数据对应的特征，并将两种类型的特征经过特征融合层进行融合处理，通过共享隐藏层将融合后的特征进行若干层神经网络处理得到新的特征，并将其输入输出层进行光伏发电功率预测；

5、对构建的多输入模型进行训练，得到训练好的模型作为预测模型；

6、输入待预测光伏所对应的云图数据和气象数据进行预处理后，输入到所述预测模型中，得到对应的光伏发电功率预测结果。

7、本实施例提供的基于多输入模型的光伏发电功率预测方法，建立的多输入模型可以利用云图数据和气象数据两种不同类型的数据对光伏发电功率进行预测，相比于传统的单独基于气象监测数据或云图数据的方法，可以更准确地预测光伏发电功率，提高预测的实用性。

8、在一种可选的实施方式中，所述云图数据采用第一cnn网络分支进行处理，第一cnn网络分支包括:多个卷积模块、残差连接结构及多尺度增强模块，所述多尺度增强模块通过残差连接结构寄生于两个独立的卷积模块之间，其内部采用空洞卷积来丰富特征的多尺度表示。

9、在一种可选的实施方式中，所述多尺度增强模块中所涉及到的参数包括：膨胀率因子和卷积层数，对于输入的二维特征图采用不同的扩张速率得到不同的膨胀卷积。

10、所述多尺度增强模块采用一个32维的3x3卷积核处理输入的云图数据，后端连接多个空洞卷积核用于提取多维特征，将采用空洞卷积提取到的多维特征进行合并，并采用1x1卷积核进行维度变换输出增强特征，得到一个多通道的二维特征矩阵。

11、在一种可选的实施方式中，所述气象数据采用第二cnn网络分支中进行处理，处理过程包括：通过多层一维卷积处理气象数据，之后将特征展开为一维向量，通过一个全连接层变换特征点数量，最后转换为一个与第一cnn网络分支输出特征相同尺度的多通道二维矩阵。

12、在一种可选的实施方式中，建立联合损失函数来对多输入模型进行训练，并采用加权平均损失函数来训练网络。

13、在一种可选的实施方式中，在训练过程中交替使用不同的数据集和损失函数进行训练，其过程包括：

14、将气象数据和云图数据分别输入到对应的网络分支中进行单独的训练，得到预训练的网络权重；

15、将两个网络同时进行数据输入，加入联合损失函数进行端到端的联合训练，在每次训练时分别计算两个网络中的损失函数，并根据其权重分别更新两个网络的参数。

16、第二方面，本发明提供了一种基于多输入模型的光伏发电功率预测装置，所述装置包括：

17、数据预处理模块，用于将光伏所对应的云图数据和气象数据分别进行预处理；

18、多输入模型构建模块，用于构建的多输入模型，其包括：两个输入模块、两个特征处理分支网络、特征融合层、共享的隐藏层和一个输出层，将预处理后的云图数据和气象数据通过两个输入模块，分别输入到两个不同的特征处理分支网络中进行处理，得到气象数据和云图数据对应的特征，并将两种类型的特征经过特征融合层进行融合处理，通过共享隐藏层将融合后的特征进行若干层神经网络处理得到新的特征，并将其输入输出层进行光伏发电功率预测；

19、模型训练模块，用于对构建的多输入模型进行训练，得到训练好的模型作为预测模型；

20、功率预测模块，用于输入待预测光伏所对应的云图数据和气象数据进行预处理后，输入到所述预测模型中，得到对应的光伏发电功率预测结果。

21、第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的基于多输入模型的光伏发电功率预测方法。

22、第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的基于多输入模型的光伏发电功率预测方法。

技术特征：

1.一种基于多输入模型的光伏发电功率预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述云图数据采用第一cnn网络分支进行处理，第一cnn网络分支包括:多个卷积模块、残差连接结构及多尺度增强模块，所述多尺度增强模块通过残差连接结构寄生于两个独立的卷积模块之间，其内部采用空洞卷积来丰富特征的多尺度表示。

3.根据权利要求2所述的方法，其特征在于，所述多尺度增强模块中所涉及到的参数包括：膨胀率因子和卷积层数，对于输入的二维特征图采用不同的扩张速率得到不同的膨胀卷积。

4.根据权利要求3所述的方法，其特征在于，所述多尺度增强模块采用一个32维的3x3卷积核处理输入的云图数据，后端连接多个空洞卷积核用于提取多维特征，将采用空洞卷积提取到的多维特征进行合并，并采用1x1卷积核进行维度变换输出增强特征，得到一个多通道的二维特征矩阵。

5.根据权利要求4所述的方法，其特征在于，所述气象数据采用第二cnn网络分支中进行处理，处理过程包括：通过多层一维卷积处理气象数据，之后将特征展开为一维向量，通过一个全连接层变换特征点数量，最后转换为一个与第一cnn网络分支输出特征相同尺度的多通道二维矩阵。

6.根据权利要求1所述的方法，其特征在于，建立联合损失函数来对多输入模型进行训练，并采用加权平均损失函数来训练网络。

7.根据权利要求6所述的方法，其特征在于，在训练过程中交替使用不同的数据集和损失函数进行训练，其过程包括：

8.一种基于多输入模型的光伏发电功率预测装置，其特征在于，所述装置包括：

9.一种计算机设备，其特征在于，包括：

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的基于多输入模型的光伏发电功率预测方法。

技术总结
本发明涉及新能源发电预测技术领域，公开了一种基于多输入模型的光伏发电功率预测方法及装置，方法将光伏所对应的云图数据和气象数据进行预处理；构建的多输入模型，将预处理后的云图数据和气象数据分别输入到两个不同的特征处理分支网络中处理得到对应的特征，并经特征融合层进行融合处理，通过共享隐藏层将融合后的特征处理为新的特征，将其输入输出层进行光伏发电功率预测；对多输入模型进行训练，得到训练好的模型作为预测模型；输入待预测光伏所对应的云图数据和气象数据进行预处理后输入到预测模型中，得到预测结果。本发明相比于传统方法具有更好的泛化性能和预测准确度，可以更准确地预测光伏发电功率，提高预测的实用性。

技术研发人员：王银,何振锋,常勇,王一凡,陈美福,苟立峰
受保护的技术使用者：长江三峡集团实业发展（北京）有限公司
技术研发日：
技术公布日：2024/1/15