[0001] 本发明属于能源预测技术领域，具体涉及一种混合深度学习光伏功率预测方法、系统、设备及其存储介质。

[0002] 光伏功率预测早期主要依赖于统计学的方法进行预测，这种方法主要基于历史数据来进行预测，对历史数据要求非常高，且难以适应复杂环境的变化。后来浅层机器学习方法被引入进行光伏功率预测，虽然相对高效，但仍然无法完全适应复杂环境的变化，且需要人工干预。

[0003] 近年来，随着深度学习技术的发展，深度学习在光伏预测领域的应用逐渐广泛。深度学习模型具有较强的非线性建模能力，能够更好捕捉光伏发电系统中的非线性关系，提高预测准确性和可靠性；此外，深度学习模型能够自动学习输入数据的特征表示，极大降低了光伏预测模型的设计和调优成本。常用的深度学习涉及长短期记忆神经网络(Long Short‑Term Memory，LSTM)、时域卷积网络(Temporal Convolutional Network，TCN)和卷积神经网络(Convolutional Neural Network，CNN)。LSTM用于光伏功率预测时，其模型结构离散会导致光伏系列连续信息缺失，且由于LSTM的非线性性质，LSTM的输出尺度对输入尺度不敏感；TCN浅层模型进行光伏功率预测时，无法捕捉到光伏系列的细粒度和隐藏时间模式；CNN在光伏功率预测中考虑局部时间关系和全局时间关系时无法计算空间关系，但外部因素之间的关系会随着时间推移而变化。因此现有光伏功率预测方法采用的模型单一，由于光伏功率变化的复杂性和动态性，其光伏功率预测结果不够准确、可靠。

[0042] 为了使本领域的技术人员更好地理解本发明方案，下面将结合附图，对本发明的技术方案进行进一步地详细描述，所述内容是对本发明的解释而不是限定。

[0043] 需要说明的是，本发明的说明书和权利要求书中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包括，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、系统、产品或设备固有的其他步骤或单元。

[0044] 实施例一

[0045] 如图3所示，本实施例提供一种混合深度学习光伏功率预测方法，包括以下步骤：

[0046] 步骤1：数据收集与预处理。收集光伏原始相关数据，例如有功功率、空气温度、漫射水平辐照度、整体水平辐照度等数据。

[0047] 给定多元PV时间序列 T是观测到的光伏数据的窗口大小的长度，n是变量的数量。

[0048] 具体的，数据预处理采用数据插补和数据稀疏等方法。

[0049] 步骤2：设计基于神经常微分方程(Neural Ordinary Differential Equations，NODE)的时间注意力提取块(以下简称AttnTODE)；

[0050] 为了平衡预测精度和计算消耗，提出一种基于NODE(神经常微分方程)的时间注意力提取块(AttnTODE)来计算光伏数据的细粒度注意力得分。在AttnTODE中，包括一个基于NODE的无限深度门控时间卷积网络，称为TODE，用于对精确的连续时间动态和隐藏的时间信息进行建模，并使用时间注意力机制来计算细粒度的时间权重。

[0051] 步骤3：设计连续空间关系提取模块(以下简称SA‑NODE‑LSTM)；

[0052] 除了捕捉时间模式外，提取特征之间的关系通常被认为是多变量光伏功率预测的重要组成部分。以前的光伏功率预测工作倾向于直接提取特征之间的空间关系，但忽略了空间关系可能会随着时间的推移而变化。为了确定基于不同时间步长的特征之间的空间关系，设计一种自适应且连续的空间关系捕获机制，称为SA‑NODE‑LSTM。更具体地说，如图1所示，在传统LSTM的基础上，为每个LSTM观测单元添加了一个空间注意力提取层，该层同时考虑了全局时间信息和局部信息。此外，在LSTM观测单元之间插入外推NODE，使LSTM观测连续，使SA‑NODE‑LSTM能够学习光伏时间序列数据的连续动态。

[0053] 步骤4：推断自回归。由于本实施例模型的非线性部分的性质，非线性部分的最终输出对输入的变化不敏感，这导致模型不能很好地适应不同的输入序列，并增加了误差。因此为解决问题，将目标序列与非线性部分生成的非线性信息混合，以提供历史目标序列的线性信息，并通过简单的自回归方法生成预测结果。为了增强模型的动态适应性和推理能力，设置了一个外推NODE来外推初步预测结果，使预测结果具有推理性和动态性。

[0054] 步骤5：如图2所示，结合上述步骤进行模型搭建与训练；

[0055] 在对原始数据进行预处理后，将滑动窗口中的数据输入到模型中，模型在单步光伏功率预测中的具体实现过程如下：

[0056] 原始光伏时间序列数据x＝{x1,x2,...,xT}将被放入第一个AttnTODE块中以计算时间注意力权重α，并且原始序列x以计算的时间注意力权重α加权以减少噪声时间步长的负面影响。

[0057] 加权光伏时间序列数据 被输入到SA‑NODE‑LSTM中，以捕捉不同时间步长特征之间的空间关系，并生成隐藏状态序列h′＝{h′1,h′2,…,h′T}。

[0058] 隐藏状态序列h′进入另一个AttnTODE块计算其对应时间注意力权重后再次对时间信息进行加权，获得加权隐藏状态序列。一旦完成上述结构，生成的加权隐藏状态序列就通过求和聚合到上下文向量c中。上下文向量将用于下游任务。

[0059] 通过简单的线性层将目标光伏序列转换为与上下文向量相同的形状，并将其添加到上下文向量中以生成混合向量z。接下来，通过简单的自回归方法生成初步预测结果，并对混合向量z中的元素进行线性加权。最后，采用外推NODE来外推初步预测结果以产生最终预测结果。

[0060] 在整个模型训练过程中，将数据集划分为一个训练集(占比60％)、一个验证集(占比20％)和一个测试集(占比20％)，并使用最小‑最大归一化方法对它们进行归一化。

[0061] 步骤6：进行算法优化，在这项工作中，选择均方误差(Mean Squared Error，MSE)作为损失函数，并与Adam优化器一起采用小批量随机梯度下降(Stochastic Gradient Descent，SGD)来最小化预测有功功率yt+h和实际有功功率 之间的MSE。MSE损失函数可以表示为下式：

[0062]

[0063] 其中Θ为本实施例设计的模型中需要被优化的参数。

[0064] 步骤7：最后整合优化好的模型参数，将其他光伏时间序列数据输入本实施例中的模型，最终得到光伏功率预测结果。

[0065] 本实施例提供的光伏功率预测方法，能够提高光伏功率预测的准确性，并采用完全连续的神经网络能够捕捉光伏的细粒度时空关系，并在低计算消耗的情况下实现卓越的光伏功率预测性能，该方法可以由电力调度部门实施，用于高精度的短期光伏功率预测，并将该方法集成到其运营工作流程中，从而促进更高效的电网管理，减轻由于电力供应限制而造成的经济损失。本实施例提出了一种无限深度连续的时间权重提取器AttnTODE，它可以获得光伏时间序列数据的细粒度和隐藏的时间模式。此外，AttnTODE在聚合深度和内存消耗以及时间信息提取的有效性之间实现了平衡。本实施例还采用推断自回归方法生成最终光伏发电量，显著提高了所提出模型的动态性和推断能力，从而在极端情况下准确预测光伏发电量。

[0066] 如图4所示，本实施例还提出了一种混合深度学习光伏功率预测系统，包括数据采集模块、时间注意力提取模块、连续空间关系提取模块、混合向量模块和推断自回归模块；

[0067] 具体的，数据采集模块采集光伏原始相关数据并对数据进行预处理，主要是收集光伏原始相关数据，例如有功功率、空气温度、漫射水平辐照度、整体水平辐照度等数据，其中给定多元PV时间序列 数据预处理采用数据插补和数据稀疏；

[0068] 时间注意力提取模块计算所述光伏原始相关数据的时间注意力权重，光伏原始相关数据以光伏原始相关数据的时间注意力权重进行加权，得到加权光伏时间序列数据，具体为采用一种基于NODE的时间注意力提取块AttnTODE来计算光伏数据的细粒度注意力得分，并使用时间注意力机制计算细粒度的时间注意力权重，从而进行加权获得加权光伏时间序列数据；

[0069] 连续空间关系提取模块捕捉所述加权光伏时间序列数据中不同时间步长特征的空间关系，得到隐藏状态序列，具体为采用SA‑NODE‑LSTM连续关系捕获机制，在每个LSTM观测单元设置一个空间注意力提取层，以及在LSTM观测单元之间插入NODE，从而捕捉不同时′ ′ ′ ′间步长特征之间的空间关系，生成隐藏状态序列h＝{h1,h2,…,hT}；

[0070] 混合向量模块计算所述隐藏状态序列的时间注意力权重，所述隐藏状态序列以所述隐藏状态序列的时间注意力权重进行加权，得到加权隐藏状态序列，并将所述加权隐藏状态序列聚合至上下文向量；同时将目标光伏序列转换为与所述上下文向量相同的形状后，并添加至聚合所述加权隐藏状态序列的上下文向量中，得到混合向量，具体为：将隐藏′状态序列h输入至另一个AttnTODE快并计算其对应时间注意力权重后再次对时间信息进行加权，获得加权隐藏状态序列，并将生成的加权隐藏状态序列就通过求和聚合到上下文向量c中，然后通过简单的线性层将目标光伏序列转换为与上下文向量c相同的形状，并将其添加到上下文向量c中以生成混合向量z。

[0071] 推断自回归模块将所述混合向量z通过自回归模型得到初步预测结果，所述初步预测结果通过基于神经常微分方程外推的方法得到最终预测结果；

[0072] 优选地，推断自回归模块还进行算法优化，选择均方误差(Mean Squared Error，MSE)作为损失函数，并与Adam优化器一起采用小批量随机梯度下降(Stochastic Gradient Descent，SGD)来最小化预测有功功率yt+h和实际有功功率 之间的MSE，以优化模型参数，最后整合优化好的模型参数，将其他光伏原始相关数据输入本实施例中的模型，得到对应的最终预测结果。

[0073] 本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

[0074] 如图5所示，本实施例中还提供了一种电子设备，该电子设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于一种混合深度学习光伏功率预测方法的操作。

[0075] 本实施例还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non‑volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关一种混合深度学习光伏功率预测方法的相应步骤。

[0076] 实施例二

[0077] 本实施例提供一种混合深度学习光伏功率预测方法，包括以下步骤：

[0078] 步骤1：采集光伏原始相关数据；

[0079] 步骤2：计算光伏原始相关数据的时间注意力权重，光伏原始相关数据以光伏原始相关数据的时间注意力权重进行加权，得到加权光伏时间序列数据；

[0080] 步骤3：捕捉加权光伏时间序列数据中不同时间步长特征的空间关系，得到隐藏状态序列；

[0081] 步骤4计算隐藏状态序列的时间注意力权重，隐藏状态序列以隐藏状态序列的时间注意力权重进行加权，得到加权隐藏状态序列，并将加权隐藏状态序列聚合至上下文向量；同时将目标光伏序列转换为与上下文向量相同的形状后，并添加至聚合加权隐藏状态序列的上下文向量中，得到混合向量；

[0082] 步骤5：将混合向量通过自回归模型得到初步预测结果，将初步预测结果通过基于神经常微分方程外推的方法得到最终预测结果。

[0083] 具体的，步骤2通过基于神经常微分方程的无限深度门控时间卷积网络对光伏原始相关数据的连续时间动态和隐藏时间信息进行建模后，采用注意力机制计算得到光伏原始相关数据的时间注意力权重。

[0084] 具体的，步骤3具体来说，是为长短期记忆神经网络的每个观测单元添加空间注意力提取层，并为长短期记忆神经网络的每个观测单元之间添加基于神经常微分方程的外推层，通过添加空间注意力提取层和基于神经常微分方程的外推层的长短期记忆神经网络，捕捉加权光伏时间序列数据中不同时间步长特征的空间关系，最终得到隐藏状态序列。

[0085] 优选地，步骤5中将初步预测结果通过基于神经常微分方程外推的方法得到最终预测结果的步骤之后，还能够包括以下步骤：采用Adam优化器进行随机梯度下降，通过最小化最终预测结果和初步预测结果之间的均方误差优化模型参数；结合优化后的模型参数，将其他光伏原始相关数据进行混合深度学习光伏功率预测的步骤，得到其他光伏原始相关数据的最终预测结果。

[0086] 优选地，在步骤1中，若采集的光伏原始相关数据需要预处理，还包括以下步骤：对所述光伏原始相关数据进行数据插补和数据稀疏。

[0087] 实施例三

[0088] 与实施例一的不同之处在于，所提供的混合深度学习光伏功率预测方法中对数据预处理采用数据插补的方法。

[0089] 实施例四

[0090] 与实施例一的不同之处在于，所提供的混合深度学习光伏功率预测方法中对数据预处理采用数据稀疏的方法。

[0091] 本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。

[0092] 本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

[0093] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

[0094] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

[0095] 最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。