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：浙江大学;浙江大学嘉兴研究院

摘要：本发明公开了耦合辐照度与温度的新建光伏场站功率迁移学习预测方法，涉及新能源预测技术领域，步骤包括使用已长期投运光伏电站的数据进行基础网络训练，并保存模型整体结构以及用于斜面辐照度、组件背板温度特征提取的DNN网络、CNN网络、LSTM网络层的参数。其次固定用于特征提取的CNN网络中卷积层的参数、DNN网络中隐藏层的参数及LSTM网络中隐藏层的参数以进行知识转移，但仍然可以进行训练以进行微调。然后，随机初始化其余参数，以便对新数据进行自适应训练。使用新建光伏电站的数据用于训练和微调网络以实现迁移学习，提高网络对目标域数据的适应性。本发明方法采用光伏电站实际运行数据进行了验证，结果表明预测结果中误差降低了25％以上。

主权项：1.耦合辐照度与温度的新建光伏场站功率迁移学习预测方法，其特征在于，包括以下步骤：步骤1：将预测某一光伏电站未来15min-4h的发电功率定义为一个预测任务，不同的光伏电站对应不同的预测任务；步骤2：将处于同一地区的两个光伏电站命名为光伏电站A和光伏电站B，其中，光伏电站A对应已长期投运的某光伏电站，数据充足，光伏电站B对应新建立的光伏电站，数据量较少；步骤3：获取不同光伏电站的历史气象数据以及历史光伏发电功率数据并进行数据预处理，通过k-means算法聚类将不同光伏电站的历史气象数据划分为晴天、多云、雨天3种天气类型；步骤4：通过不同光伏电站现场数据采集，获取不同光伏组件的倾角、方位角信息以及短路电流、开路电压、额定温度参数信息；步骤5：分析光伏组件吸收太阳辐照度的原理，建立光伏组件法线方向的斜面辐照度机理模型，基于步骤4采集到的倾角、方位角信息，通过机理模型将步骤3采集到的直接辐照度数据、散射辐照度数据折算为光伏组件法线方向上的斜面辐照度数据；步骤6：考虑到环境温度与组件背板温度的差异，通过深度神经网络DeepNeuralNetworks，DNN，结合辐照度、风速、风向、环境温度及相对湿度参数信息，提取光伏组件背板温度特征；步骤7：光伏组件的健康状态、光电转换效率、积灰程度是光伏组件运行状态的慢时变特征，为分析光伏阵列的慢时变特征对光伏发电功率的影响，通过ConvolutionalNeuralNetwork，CNN神经网络提取光伏电站的日前特征，表征光伏阵列当前的慢时变特征状态；步骤8：光伏发电功率数据属于典型的时间序列数据，具有一定的自相关性，即当前时刻的发电功率与之前时刻的发电功率之间存在相关性；为分析光伏发电功率数据的动态时序特征对光伏发电功率的影响，引入长短期记忆神经网络LongShort-TermMemory，LSTM提取光伏阵列的日内特征，以表征光伏发电历史数据之间的时序相关性；步骤9：通过数值天气预报NumericalWeatherPrediction，NWP获取未来15min-4h的气象数据，气象数据包括水平辐照度、直接辐照度、散射辐照度、环境温度、湿度、风速、风向、相对湿度和大气压强；步骤10：面向光伏电站A，提出基于多特征提取的光伏出力预测模型，结合步骤5建立的斜面辐照度特征提取模块、步骤6建立的光伏组件背板温度特征提取模块、步骤7建立的日前特征提取模块、步骤8建立的日内特征提取模块以及步骤9采集到的NWP数据构造神经网络的输入部分，通过多层LSTM神经网络训练，得到未来15min-4h的光伏出力预测值；步骤11：面向光伏电站A，根据步骤3划分的不同天气类型，分别预训练基于多特征提取的光伏出力预测模型，得到对应不同天气类型的光伏出力预测的预训练模型，保存训练的3个模型的整体模型结构及用于斜面辐照度、组件背板温度特征提取的神经网络模块的参数；步骤12：面向光伏电站B，基于天气类型特征将光伏电站B的数据划分为晴天、多云、雨天3个类别，并分别基于对应天气类型的预训练模型预测光伏电站B的发电功率，为使模型匹配光伏电站B的特点，在冻结预训练模型的结构及用于斜面辐照度、组件背板温度特征提取的神经网络模块的参数基础上，通过光伏电站B的历史发电数据及气象数据调整用于功率预测输出的LSTM神经网络的参数，得到适应光伏电站B的3种不同天气类型的光伏发电功率预测模型。

全文数据：

权利要求：

百度查询： 浙江大学 浙江大学嘉兴研究院 耦合辐照度与温度的新建光伏场站功率迁移学习预测方法