买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：南京师范大学

摘要：本发明公开了一种考虑历史相似日与组合权重的光伏功率预测方法，包括以下步骤：（1）利用灰色关联度选取重要气象特征，并采用模糊C均值聚类将历史日划分为晴天、多云、阴天和雨雪天气组成训练集；（2）将分类好的四个训练集分别通过最小二乘支持向量机LSSVR预测；（3）利用完全集合经验模态分解将历史数据分解成若干子序列，将各子序列通过卷积网络与长短期记忆网络并加入注意力机制的混合网络模型进行预测；（4）使用灰色关联分析法将LSSVR的预测结果与C模型的预测结果进行组合，以获得最终的预测结果；本发明更有效地进行光伏电站地能源管理和调度，减少因预测误差导致地能源浪费，从而带来显著地经济效益。

主权项：1.一种考虑历史相似日与组合权重的光伏功率预测方法，其特征在于，包括以下步骤：（1）利用灰色关联法选取气象特征，并采用模糊C均值聚类将历史日划分为晴天、多云、阴天和雨雪天气组成训练集；（2）将分类好的四个训练集分别通过最小二乘支持向量机LSSVR预测；具体如下：对于训练样本，构造目标函数，公式如下： ；其中，为松弛变量；C为正则系数，用于控制模型的复杂度；为损失函数；为求解以w、b、为变量的最小目标函数；为权重向量；为求解w的范数；对目标函数采用拉格朗日乘子法表示为： ；其中，为样本i的拉格朗日乘子；为偏置量；为求解以w、b、、为变量的拉格朗日目标函数；为求解以w、为变量的拉格朗日目标函数；是将原始数据点映射到新特征空间函数；为拉格朗日乘子；同时根据拉格朗日的优化条件： 得到： ；选择径向基函数作为核函数，核函数公式如下： ；其中，为核函数的参数，将目标函数转换为非线性回归方程： ；并经过求解得到第一种预测结果；（3）利用完全集合经验模态分解CEEMDAN将历史数据分解成若干子序列，将各子序列通过卷积网络CNN与长短期记忆网络LSTM并加入注意力机制的混合网络模型CEEMDAN-CNN-LSTM进行预测；利用完全集合经验模态分解CEEMDAN将历史数据分解成若干子序列包括以下步骤：（S1）在光伏功率信号中加入N组高斯白噪声得到新的信号，然后使用模态分解EMD对信号进行分解得到第一个固有模态分量公式如下： ；分解过程中得到的残差为： ；其中，表示求解的期望值；表示添加到原始信号中的辅助噪声，为第m次迭代中添加的不同噪声；（S2）在残差中加入白噪声信号，继续进行EMD分解得到模态分量，并重复计算N次，取平均值得到第二个，其中，表示第m次迭代中得到的残差函数；公式如下： ；其次，分解过程中得到第二个残差： ；（S3）反复执行步骤（S1）和（S2），直至无法获得负荷规则的模态分量；此时为g，原始信号即被分解为： ；（S4）将（S3）所分解出来的信号放入CNN-LSTM模型中进行预测得到第二种预测结果；（4）使用灰色关联分析法将LSSVR的预测结果与CEEMDAN-CNN-LSTM模型的预测结果进行组合，以获得最终的预测结果；具体如下：首先将相似日模型预测的结果记为；日前模型预测结果记为；待预测日真实的光伏功率记为，两种预测结果与真实值之间的偏差记为，则： ；其中，为分辨系数；各模型间的关联系数矩阵为： ；其中，为关联系数矩阵，为偏差；为最小偏差值；为最大偏差值；对关联系数矩阵进行归一化处理，根据动态的关联系数权重，对两种预测模型的输出进行加权组合得到混合模型预测结果，公式如下： ；其中，P为最终的预测值，为LSSVR模型对于第i预测值的关联系数；为LSSVR模型的第i个预测值；为CNN-LSTM模型对于第i预测值的关联系数；为CNN-LSTM模型的第i个预测值。

全文数据：

权利要求：

百度查询： 南京师范大学 一种考虑历史相似日与组合权重的光伏功率预测方法