CN115409258B 一种混合深度学习短期辐照度预测方法 （东南大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115409258B(45)授权公告日2025.07.01

(21)申请号202211027097.6

(22)申请日2022.08.25

(65)同一申请的已公布的文献号申请公布号CN115409258A

(43)申请公布日2022.11.29

(73)专利权人东南大学

地址210096江苏省南京市玄武区四牌楼2

号

(72)发明人谢利萍童俊龙张晗津张侃健

魏海坤

(74)专利代理机构南京众联专利代理有限公司

32206

专利代理师张天哲

GO6F18/15(2023.01)

GO6Q10/04(2023.01)

G06Q50/06(2024.01)

H02J3/00(2006.01)

GO6N3/0464(2023.01)

GO6N3/0442(2023.01)

GO6N3/0455(2023.01)

GO6N3/08(2023.01)

GO6N3/048(2023.01)

(56)对比文件

junlongtong等.Hourlysolarirrdianceforecastingbasedonencoder-decoder

modelusingseriesdecompositionanddynamicerrorcompensation.Science

Direct.2022,第270卷1-15.

审查员侯鹏

权利要求书3页说明书9页附图3页

(51)Int.CI.

GO6F

GO6F

18/20(2023.01)

18/213(2023.01)

(54)发明名称

一种混合深度学习短期辐照度预测方法

(57)摘要

CN115409258B本发明涉及一种混合深度学习短期辐照度预测方法，属于光伏发电技术领域。预测方法包括：S1,训练数据获取，获取目标地区历史辐照度数据及其对应的气象数据；S2,数据预处理，包括气象信息特征编码以及数据归一化；S3,利用分解算法获取辐照度子序列；S4,获取当前参数下的编码解码器模型在历史时刻的辐照度预测误差，此过程中不更新模型；将获取的预测误差与原始数据进行信息融合，基于当前时刻的监督信息更新模型；S5,预测，将辐照度子序列和气象数据输入误差补偿框架，利用误差补偿机制，在预测辐照度的同时降低预测误差。本发明结合了数

CN115409258B

测精度。

子

子序列1

信号分解

子序列2

子序列n气象信息序列

序列1

预测值

序殓2

解码器

真实值

(TK≤tT-1)依次预测

K个序列编码器

解码器

预测值

误差信息

辐照度序列

CN115409258B权利要求书1/3页

2

1.一种混合深度学习短期辐照度预测方法，其特征在于，包括如下步骤：

S1,训练数据获取，获取目标地区历史辐照度数据及其对应的气象数据，并根据预测任务制作监督数据集；

S2,数据预处理，包括气象信息特征编码以及数据归一化；

S3,辐照度序列分解，利用自适应噪声完备集合经验模态分解CEEMDAN算法将辐照度序列分解为若干子序列，使得分解后子序列的非平稳性和非线性降低；

S4,基于误差补偿框架更新编码解码器模型；

S5,预测，将历史数据输入步骤S4中的误差补偿框架以及训练得到的机器学习模型，预测未来多步的太阳辐照度；

所述步骤S3中的信号分解算法详细步骤如下：

(3.1)输入的辐照度序列I(t)加入不同的高斯白噪声得多种含噪声的序列：I(t)=I

(t)+ε·w1(t),i=1,…,K,其中ε为噪声的标准差，w(t)为不同的白噪声，K加入不同噪声数量；

(3.2)第1个分解模态IMF?表示为：,其中

IMF?(t)表示加入第i个噪声的序列的经验模态分解值，E?(·)表示经验模态分解算子产生的第j个分量；

(3.3)计算残差r(t)=rk-1(t)-IMF(t);其中初试条件r。(t)=I(t);

(3.4)其余模态

步骤S4中的误差补偿框架特点如下：

(4.1)该框架是一个端到端的太阳辐照度预