[發明專利]基于遷移學習的太陽輻照度預測方法及預測系統

有效

• 申請號: 202210142291.2
• 申請日: 2022-02-16
• 公開（公告）號: CN114201924B
• 公開（公告）日: 2022-06-10
• 發明（設計）人: 嚴珂;黃晶;張偉;鐘宜國
• 申請（專利權）人: 杭州經緯信息技術股份有限公司
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08;G06F119/12
• 代理公司: 杭州信與義專利代理有限公司 33450
• 代理人: 丁浩

本發明公開了一種基于遷移學習的太陽輻照度預測方法及預測系統，屬于太陽輻照度預測技術領域。本發明采用CEEMDAN算法將所構建的目標地區和源地區的歷史太陽輻照度數據時序序列、對應分解為多個分量，并利用經模型參數遷移后得到的每個分量對應的目標模型對輸入數據進行太陽輻照度預測，并最終將每個目標模型的太陽輻照度預測結果疊加為輸入數據對應的太陽輻照度預測結果，其預測效果以及預測穩定性上相較于現有的太陽輻照度預測方法具有明顯提升。本發明通過遷移學習技術幫助目標模型獲取源模型學習到的知識以提升自身模型的預測性能，解決了現有技術中因數據量不足太陽輻照度預測精度不高的問題。

技術領域

本發明涉及太陽輻照度預測技術領域，具體涉及一種基于遷移學習的太陽輻照度預測方法及預測系統。

背景技術

光伏發電與太陽輻照度密切相關，光伏發電的功率與太陽輻照度成正比，因此太陽輻照度是光伏發電的主要影響因素。但由于大氣環境和天氣條件的不穩定性，到達地面的直接和散射的太陽輻照度并不穩定，導致光伏發電存在波動性。為了減少光伏發電的不確定性，現有技術中，通過預測光伏發電設備的太陽輻照度以提前獲知光伏設備的大致發電量，因此，準確預測太陽輻照度成為準確預測光伏發電量的前提。

目前，國內外關于太陽輻照度的預測主要分為經典統計方法和物理方法。經典統計方法如自回歸積分移動平均法（ARIMA）和多元線性回歸分析預測法（MLR）可以有效地模擬太陽輻照度與氣象參數等歷史數據間的數學關系，但是，如果光伏發電設備安裝點的歷史太陽輻照度、氣象參數等數據缺乏、缺失、不完整，通過這些歷史數據構建的預測模型的魯棒性較差。

物理方法以氣象變量為基礎，建立守恒方程，預測未來某一時刻的大氣運動狀態和天氣現象。然而，通過物理方法建模存在建模復雜、參數求解復雜等問題，在短期或臨時需要對太陽輻照度進行預測時，物理法建模難以適用。

發明內容

本發明以區別于物理方法且解決當前太陽輻照度預測中因數據不足導致預測不夠精確的問題為目的，提供了一種基于遷移學習的太陽輻照度預測方法及預測系統。

為達此目的，本發明采用以下技術方案：

提供一種基于遷移學習的太陽輻照度預測方法，步驟包括：

S1，采集目標地區和源地區若干天的歷史太陽輻照度數據，并構建時序序列，分別記所述目標地區和所述源地區一天內的歷史太陽輻照度數據時序序列為，，、分別表示時序序列、中的第個和第個太陽輻照度數據，、分別表示時序序列和中的元素個數，，，若干天的時序序列、分別構成目標數據集和源數據集；

S2，對所述目標數據集和所述源數據集中的每個時序序列作數據歸一化處理后采用CEEMDAN算法對每個時序序列、分別進行數據分解，得到每個時序序列對應的個分量以及每個時序序列對應的個分量；

S3，對分解所述源數據集得到的每個所述分量進行數據重構，并將重構得到的數據劃分為訓練集和測試集，然后基于劃分的所述訓練集和所述測試集對每個所述分量構建單獨的雙向長短期記憶網絡預測模型作為源模型；

S4，將每個所述源模型的模型參數遷移到預先構建的初始目標模型中，然后對分解所述目標數據集得到的每個所述分量進行數據重構，并將重構得到的數據劃分為訓練集和測試集分別輸入到所述初始目標模型中進行模型參數優化調整后，輸出分解所述目標數據集得到的每個所述分量對應的目標模型；

S5，利用步驟S4得到的每個所述目標模型對輸入數據分別進行太陽輻照度預測，輸出每個所述目標模型對應的預測結果，然后將各所述目標模型輸出的預測結果進行疊加后最終得到對所述輸入數據的太陽輻照度預測結果。

作為本發明的一種優選方案，步驟S1中，采集所述目標地區連續30天的歷史太陽輻照度數據。

作為本發明的一種優選方案，步驟S1中，采集所述源地區連續365天的歷史太陽輻照度數據。