基于深度学习的长期新能源日均发电功率预测方法及系统与流程

本发明涉及新能源发电，尤其涉及一种基于深度学习的长期新能源日均发电功率预测方法及系统。

背景技术：

1、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，不必然构成已经成为本领域一般技术人员所公知的现有技术。

2、随着人们对能源需求的日益增加，考虑到长久以来所依赖的煤炭、石油、天然气等能源属于一次性非可再生能源，该能源的使用对环境产生严重的污染，为了解决能源与环境问题，人们不断开发包括太阳能、风能、海洋能等的可再生新能源来促进全球经济的可持续发展，应对全球气候变化。目前，光伏发电和风能发电是新能源发电的主要方式。由于新能源发电呈现出随机性和波动性，对于长期的电力交易而言，新能源发电厂需要对下个月、下个季度的长期新能源发电功率进行预测，为长期电力交易提供依据。

3、在长期电力交易中，如月度电力交易中，需要综合考虑月度、季度等长期区域风电、光伏等新能源出力的总量、趋势等情况，为签订长期电力交易合约提供依据。而目前新能源发电功率预报以短期和超短期预报为主，无法为长期电力交易提供依据。

4、同时，由于风力、光照等气象要素随时间推移，其预报的不确定度增加，而且由于风力、光照等气象要素的随机性，使得同一天不同时间段内预测的发电功率差异较大，通过对全天的新能源发电功率预测能够很好的平衡发电功率，便于直观的展示长期的新能源发电趋势。即，长期电力交易如月度电力交易更依赖于预测月度的发电功率总量和每天的均值发电量，由于预测时间长(如30-60天)，长期电力交易关注日均值这一时间维度的预测值，预测功率日均值还可以一定程度的降低预测的不确定度。因此，以预测的目标区域长期风电和光伏日均发电功率为依据，能够更清楚的展示区域的发电情况，目前对目标区域的长期风电和光伏发电功率日均值预测的需求十分迫切。

5、此外，现有的针对风电场、光伏电场的大部分发电功率预测模型，仅建立一组气象要素和风力、光伏发电输出功率对应的映射模型，这种一一对应的建模方案忽略了气象要素与新能源发电输出功率之间的空间相关性和天气的空间波动分布特性，降低了发电功率预测的准确性。

技术实现思路

1、为解决上述现有技术的不足，本发明提供了一种基于深度学习的长期新能源日均发电功率预测方法及系统，考虑到长期电力交易需求和长期预测结果的不稳定性，对目标区域长期新能源日均发电功率进行预测，以便更清楚的展示新能源发电的情况。本发明基于广域时空的数值天气预报数据和目标区域实际新能源发电功率时间序列数据，通过深度学习算法建立目标区域长期功率预测模型和日均功率预测模型，依据训练完成的模型，实现目标区域长期日均发电功率的高准确性预测。

2、第一方面，本公开提供了一种基于深度学习的长期新能源日均发电功率预测方法，包括：

3、获取目标区域的历史新能源发电功率数据和历史数值天气预报数据，构建新能源发电功率样本时间序列和多维时空特征指标数据样本序列；

4、搭建长期功率预测模型，以新能源发电功率样本时间序列和多维时空特征指标数据样本序列为训练样本集进行训练；

5、搭建日均功率预测模型，以新能源发电功率样本时间序列为训练样本集进行训练；

6、将获取的目标区域在未来时间段的数值天气预报数据输入训练完成的长期发电功率预测模型中，得到预测的长期新能源发电功率，再将所述长期新能源发电功率输入至日均功率预测模型中，得到预测的长期新能源日均发电功率。

7、进一步的技术方案，所述长期功率预测模型用于根据输入的未来数值天气预报数据，输出与数值天气预报数据相同时间尺度的长期新能源发电功率预测结果；

8、所述日均功率预测模型用于根据输入的长期新能源发电功率预测值，输出长期新能源日均发电功率预测结果。

9、进一步的技术方案，所述长期功率预测模型为基于2dcnn-gru的深度神经网络模型，该模型的训练过程为：

10、利用具有相同时间尺度的新能源发电功率样本时间序列和多维时空特征指标数据样本序列对模型进行训练，以均方误差作为损失函数，利用adam梯度下降法进行迭代优化，直至损失函数的数值收敛或达到最大迭代次数，完成模型的训练。

11、进一步的技术方案，所述日均功率预测模型的训练过程为：

12、根据新能源发电功率样本时间序列，构建新能源日均发电功率样本时间序列；

13、以新能源发电功率样本时间序列和新能源日均发电功率样本时间序列维训练样本集，利用训练样本集对模型进行训练；

14、以均方误差作为损失函数，利用adam梯度下降法进行迭代优化，直至损失函数的数值收敛或达到最大迭代次数，完成模型的训练。

15、进一步的技术方案，所述多维时空特征指标数据样本序列的构建过程为：获取目标区域的历史数值天气预报数据，筛选影响新能源发电功率的特征指标，根据特征指标选取历史数值天气预报数据，构建多维时空特征指标数据样本序列。

16、进一步的技术方案，在获取影响新能源发电功率的特征指标所对应的历史数值天气预报数据后，对获取的数据进行预处理；

17、所述预处理包括数据拼接、异常值处理、缺失值处理，以及对各个指标的时间序列数据进行归一化处理，最终形成数据维度为时间、经度、维度、指标的多维时空特征指标数据样本序列。

18、第二方面，本公开提供了一种基于深度学习的长期新能源日均发电功率预测系统，包括：

19、数据获取模块，用于获取目标区域的历史新能源发电功率数据和历史数值天气预报数据；

20、数据处理模块，用于根据获取的目标区域的历史新能源发电功率数据和历史数值天气预报数据，构建新能源发电功率样本时间序列和多维时空特征指标数据样本序列；

21、长期功率预测模型搭建及训练模块，用于搭建长期功率预测模型，以新能源发电功率样本时间序列和多维时空特征指标数据样本序列为训练样本集进行训练；

22、日均功率预测模型搭建及训练模块，用于搭建日均功率预测模型，以新能源发电功率样本时间序列为训练样本集进行训练；

23、功率预测模块，用于将获取的目标区域在未来时间段的数值天气预报数据输入训练完成的长期发电功率预测模型中，得到预测的长期新能源发电功率，再将所述长期新能源发电功率输入至日均功率预测模型中，得到预测的长期新能源日均发电功率。

24、进一步的技术方案，所述长期功率预测模型用于根据输入的未来数值天气预报数据，输出与数值天气预报数据相同时间尺度的长期新能源发电功率预测结果；

25、所述日均功率预测模型用于根据输入的长期新能源发电功率预测值，输出长期新能源日均发电功率预测结果。

26、第三方面，本公开还提供了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述方法的步骤。

27、第四方面，本公开还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述方法的步骤。

28、以上一个或多个技术方案存在以下有益效果：

29、1、本发明提供了一种基于深度学习的长期新能源日均发电功率预测方法及系统，基于广域时空的数值天气预报数据和目标区域实际新能源发电功率时间序列数据，通过深度学习算法建立目标区域长期功率预测模型和日均功率预测模型，依据训练完成的模型，实现目标区域长期日均发电功率的高准确性预测。

30、2、本发明预测的发电功率考虑到了气象要素与新能源发电输出功率之间的空间相关性和天气的空间波动分布特性，提高了发电功率预测的准确性。

31、3、本发明通过构建及训练日均功率预测模型，实现了对目标区域长期发电功率日均值的预测，便于更清楚的展示新能源发电情况，为电厂中长期电力交易提供数据支持和依据。