[發明專利]基于編碼解碼器的深度學習多步長輻照度預測方法

在審

• 申請號: 202210492332.0
• 申請日: 2022-05-07
• 公開（公告）號: CN114781744A
• 公開（公告）日: 2022-07-22
• 發明（設計）人: 謝利萍;童俊龍;張晗津;張侃健;魏海坤
• 申請（專利權）人: 東南大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06N3/04;G06N3/08
• 代理公司: 南京眾聯專利代理有限公司 32206
• 代理人: 張天哲

本發明涉及一種基于編碼解碼器的深度學習多步長輻照度預測方法，屬于光伏發電技術領域。預測方法包括：S1，訓練數據獲取，獲取目標地區歷史輻照度數據及其對應的氣象數據并制作監督數據集；S2，數據預處理，包括氣象信息特征編碼以及數據歸一化；S3，訓練編碼解碼器模型，其中編碼器模型由TCN和LSTM級聯結構構成，解碼器由LSTM和MLP級聯結構構成；利用讀取當前時段t₀～t_N的輻照度作為監督信息，以及t₀時刻之前的歷史輻照度和氣象信息作為輸入數據，訓練編碼解碼器模型；S4，預測，將歷史數據輸入步驟S3訓練得到的編碼解碼器模型，預測未來多步的太陽輻照度。本發明能夠充分利用輻照度序列的歷史信息，實驗表明該發明能夠有效提升多步長輻照度預測的精度。

技術領域

本發明涉及一種基于編碼解碼器的深度學習多步長輻照度預測方法，屬于光伏發電技術領域。

背景技術

太陽能資源是最有前景的可再生能源，國際可再生能源機構的一項調查顯示，截至2020年，全球電力生產的29％來自可再生能源，其中可再生能源發電部分太陽能占比26.77％，并逐年上升。然而，由于輻照度的不確定性和間歇性，光伏發電呈現相當的不穩定性，這增加了光伏發電的并網以及調度難度，制約了太陽能資源的廣泛應用。

目前已經有多種基于深度學習的輻照度預測方法，如利用LSTM和CNN等模型進行輻照度預測。一些學者致力于RNN模型和CNN模型的混合預測方法研究，如LSTM-CNN組合預測模型。然而，CNN模型更善于提取空間特征，對時間依賴性特征的提取能力有限；RNN模型能夠保持時序依賴，但難以處理長輸入序列。上述特點表示基于RNN和CNN的深度學習模型難以兼顧長序列輸入和長期依賴，模型有待改進。

發明內容

技術問題：

本發明要解決的技術問題是：現有的基于RNN和CNN的深度學習模型難以兼顧長序列輸入和長期依賴，從而導致預測模型難以充分利用歷史信息進行輻照度預測，使得預測步長變大后模型精度難以保證。

為解決上述技術問題，本發明提供了一種基于編碼解碼器的深度學習多步長輻照度預測方法，以充分利用歷史信息進行輻照度預測，提升預測效果。

技術方案：

本發明提供了一種基于編碼解碼器的深度學習多步長輻照度預測方法，該方法包括如下步驟：

1.一種基于編碼解碼器的深度學習多步長輻照度預測方法，其特征在于包括如下步驟：

S1，訓練數據獲取，獲取目標地區歷史輻照度數據及其對應的氣象數據，并根據預測任務制作監督數據集；

S2，數據預處理，包括氣象信息特征編碼以及數據歸一化；

S3，訓練編碼解碼器模型，利用讀取當前時段t₀～t_N的輻照度作為監督信息，以及t₀時刻之前的歷史輻照度和氣象信息作為輸入數據，訓練編碼解碼器模型；

S4，預測，將歷史數據輸入S3訓練得到的編碼解碼器模型，預測未來多步太陽輻照度。

進一步地，所述步驟S1包括以下內容：

(1)獲取目標地區歷史輻照度數據及其對應的氣象數據(包括但不限于溫度，濕度，氣壓，風速等)；

(2)若歷史數據某一片段缺失或者不合法，則利用前后相鄰數據的均值代替，確保數據的連續性和真實性，以保證訓練數據的質量；

(3)匹配監督信息以制作監督數據集，通過讀取當前時段t₀～t_N的輻照度作為監督信息，匹配歷史輻照度與對應的氣象信息作為輸入信息，制作監督數據集。

進一步地，所述步驟S2具體包含以下內容：