(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111498179.4 (22)申请日 2021.12.09 (71)申请人 河海大学 地址 211199 江苏省南京市江宁区佛城西 路8号 申请人 国网安徽省电力有限公司 (72)发明人 潘学萍　曹阳　孙晓荣　王正风　 李有亮　李智　赵福林　梁肖　 杨子　朱健宇　史雯　 (74)专利代理 机构 南京行高知识产权代理有限 公司 32404 代理人 王培松　王菊花 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01)G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) (54)发明名称 基于CAE和GAN混合网络的日前光伏功率预 测方法、 装置与系统 (57)摘要 本发明提供一种基于CAE和GAN混合网络的 日前光伏功率预测方法、 装置与系统， 首先以光 伏电站历史的光伏功率数据和日前天气变量预 报数据为基础， 通过皮尔逊分析选择相关性大的 天气变量作为输入变量； 然后基于SOM神经网络 进行天气类型分类， 再结合CA E和GAN混合网络训 练出日前光伏功率预测模型， 模 型输入为所选择 的输入变量和光伏电站历史功率， 模 型输出为第 二日的光伏功率； 最后以光伏电站所在地的天气 预报数据为基础构建模型输入， 输入到日前光伏 功率预测模型从而预测光伏电站第二日的光伏 功率。 本发明采用SOM神经网络进行天气类型分 类， 不需要先验知识并具有较好的天气类型分类 效果； 同时综合CA E在特征提取的优势以及GAN深 度学习能力， 有效提升日前光伏功率的预测精 度。 权利要求书3页 说明书8页 附图5页 CN 114169445 A 2022.03.11 CN 114169445 A 1.一种基于 CAE和GAN混合网络的日前光伏 功率预测方法， 其特 征在于， 包括以下步骤： 步骤1、 获取光伏电站历史光伏 功率数据和日前天气变量预报数据； 步骤2、 基于皮尔逊相关性分析， 获取日前天气变量预报数据与光伏功率数据的相关 性， 选择相关性大的天气变量作为输入变量； 步骤3、 基于SOM自组织映射神经网络， 根据辐照强度进行天气类型分类， 分别为晴天、 阴天和雨天； 步骤4、 对于每一种分类的天气， 以所述步骤2所选择的输入变量以及历史光伏功率数 据构建训练集， 基于CAE和GAN混合网络训练出日前光伏功率预测模型， 所获得的预测模型 的输入为所述 步骤2所选择的输入变量， 预测模型的输出为预测日的光伏 功率； 步骤5、 以光伏电站所在地的天气预报数据为基础， 按照所述步骤2选择的输入变量构 建模型输入， 输入到日前光伏 功率预测模型从而预测光伏电站第二日的光伏 功率输出。 2.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法， 其特征在 于， 所述步骤1中， 所述光伏电站历史光伏功 率数据选择光伏电站每日开始发电到结束发电 这段时间里的实际光伏功率数据； 所述日前天气变量预报数据选择光伏电站所在地的数值 天气预报数据， 包括： 总水平辐照度(GHI)、 散射水平辐照度(DHI)、 总倾斜辐照度(GTI)、 温 度(TEMP)、 风速(WS)以及风向(WD)。 3.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法， 其特征在 于， 所述步骤2中， 基于皮尔逊相关性分析舍弃与光伏功率数据的相关性最小的变量， 选择 总水平辐照度(GHI)、 散射水平辐照度(DHI)、 总倾斜辐照度(GTI)、 温度(TEMP)以及风速 (WS)作为输入变量。 4.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法， 其特征在 于， 所述步骤3中， 所采用的SOM自组织映射神经网络包括输入层和计算层， 通过自组织学 习， SOM自组织映射神经网络的计算层的神经元被 分类为不同的响应区域， 输入 经过计算层 时被自动分类， 其中神经 元的参数 更新如下： 式中： wj(m)代表神经元j的第m个参数， α 是输入， 参数η是学习率， 神经元j的权重系数h 与距离dj( α )有关， 距离dj( α )描述的是wj(n)和 α 之间的距离； 以散射水平辐射(DHI)和总水平辐射(GHI)之比的均值和标准差作为S OM自组织映射神 经网络的输入， 经 过计算层分类输出的聚类结果 为晴天、 阴天和雨天。 5.根据权利要求1所述的基于CAE和GAN混合网络的日前光伏功率预测方法， 其特征在 于， 所述步骤4中， 所述CAE和GAN混合网络是指用CAE网络替换GAN中的生成网络； 其中， GAN 的生成网络由CAE网络进行替换， 将CAE网络与全 连接层神经网络组合作为GAN的生 成网络， GAN的生成网络的输出即为日前光伏 功率预测值； GAN的判别网络的输入为 光伏功率实际值。 6.根据权利要求5所述的基于CAE和GAN混合网络的日前光伏功率预测方法， 其特征在 于， 所述步骤4中， 基于 CAE和GAN混合网络训练出日前光伏 功率预测模型， 训练过程包括： 通过CAE网络对预测模型的输入进行特征提取后， 通过全连接层神经网络输出预测的 光伏功率时间序列， 即时间序列下的光伏 功率数据 序列；权　利　要　求　书 1/3 页 2 CN 114169445 A 2通过GAN判别网络的二元分类对预测 的光伏功率时间序列和光伏功率实际值进行分 类， 判别网络 输出的范围是[0,1]， 越接 近1表示输入的光伏 功率的预测值越接 近实际值； 在对抗训练过程中， 基于GAN的生成网络与判别 网络的对抗， 判别 网络基于对抗损失， 自适应生成损失函数， 在生 成网络和判别网络的对抗达到Nash平衡时， 实现模型收敛， 训练 结束。 7.根据权利要求5所述的基于CAE和GAN混合网络的日前光伏功率预测方法， 其特征在 于， 所述步骤4中， 基于CAE和GAN混合网络训练出日前光伏功率预测模型， 训练过程的收敛 条件为： 损失函数与回归函数的加权， 构成加权组合的损失函数。 8.根据权利要求7所述的基于CAE和GAN混合网络的日前光伏功率预测方法， 其特征在 于， 所述的损失函数表达为： 式中： V是GAN的训练目标， E代表期望， m是数据集的大小， D(y)是实际光伏功率样本和 实际光伏 功功率总体的相似度， D(G(x) )是预测样本和实际光伏 功率总体的相似度； 所述回归函数表达为： 式中： n时间序列的步长， freal是实际光伏功率序列， fpre是GAN生成器输出的光伏功率预 测序列； 所述加权组合的损失函数表达为： 其中， λ是权 重系数。 9.一种基于 CAE和GAN混合网络的日前光伏 功率预测装置， 其特 征在于， 包括： 用于获取光伏电站历史的光伏 功率数据和日前天气变量预报数据的模块； 用于皮尔逊相关性分析， 获取日前天气变量预报数据与光伏功率数据的相关性， 选择 相关性大的天气变量作为输入变量的模块； 用于基于SOM自组织映射神经网络， 根据辐照强度进行天气类型分类的模块， 其中天气 类型分类结果分别为晴天、 阴天和雨天； 用于对于每一种分类的天气， 以所选择的输入变量以及历史光伏功率数据构建训练 集， 基于CAE和GAN混合网络训练出日前光伏功率预测模型的模块， 其中所获得的预测模型 的输入为所选择的输入变量， 预测模型的输出为预测日的光伏 功率； 以及 用于以光伏电站所在地的天气预报数据为基础， 按照签署选择的输入变量构建模型输 入， 输入到日前光伏 功率预测模型从而预测光伏电站的第二日的光伏 功率输出的模块。 10.一种基于 CAE和GAN混合网络的日前光伏 功率预测系统， 其特 征在于， 包括： 一个或多个处 理器； 存储器， 存储可被操作的指令， 所述指令在通过所述一个或多个处理器执行时使得所 述一个或多个处理器执行操作， 所述操作包括执行上述权利要求1 ‑8中任意一项所述方法权　利　要　求　书 2/3 页 3 CN 114169445 A 3