(19)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 202211027097.6 (22)申请日 2022.08.25 (71)申请人 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 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (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 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 据平稳分解、 深度学习模 型、 误差补偿， 从数据处 理、 模型优化、 误差处理三个角度提升辐照度预 测精度。 权利要求书3页 说明书9页 附图3页 CN 115409258 A 2022.11.29 CN 115409258 A 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。 2.根据权利要求1所述的预测方法， 其特 征在于， 所述 步骤S1包括以下内容： (1.1)获取目标地区历史辐照度数据及其对应的气象数据， 包括但不限于温度， 湿度， 气压， 风速； (1.2)若历史数据某一片段缺失或者不合法， 则利用前后相邻数据的均值代替， 确保数 据的连续 性和真实性， 以保证训练数据的质量； (1.3)匹配监督信息以制作监督数据集， 通过读取当前时段t0～tN的辐照度作为监督信 息， 匹配历史辐照度与对应的气象信息作为输入信息， 制作监 督数据集。 3.根据权利要求1所述的预测方法， 其特 征在于， 所述 步骤S2具体包 含以下内容： (2.1)对辐照度对应的气象信息进行编码， 利用one ‑hot编码方式对天气类型进行编 码， 对数值型的信息采用数值本身作为编码值； (2.2)为保证训练过程中模型梯度变化合理， 对输入数据进行归一化操作， 归一化公式 入下： 其中， a表示数据集中的特征， a ′表示归一化后的特征值， amax和amin分别表示历史数据 中该特征的最大值和最小值。 4.根据权利要求1所述的预测方法， 其特征在于， 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： Ii(t)＝I (t)+ε·wi(t)， i＝1， ...， K， 其 中ε为噪声的标准差， wi(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IMF1表示为： 其中 表示加入第i个噪声的序列的经验模态分解值， Ej(·)表示经验模态分解算子产生 的第j个分量； (3.3)计算残差rk(t)＝rk‑1(t)‑IMFk(t)； 其中初试 条件r0(t)＝I(t)； (3.4)其余模态 5.根据权利要求1所述的预测方法， 其特 征在于， 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 的太阳辐照度预测框架； 在输入历史辐照度和历史气象数 据后， 该框架 能够自动运行并输出多步长的预测结果， 同时在该框架内部 自动实现误差信权　利　要　求　书 1/3 页 2 CN 115409258 A 2息的利用， 无需其 他操作； (4.2)误差获取阶段， 该框架仅利用编码解码模型获取误差信息， 此过程不更新模型参 数； 误差补偿阶段利用误差信息动态更新模型； (4.3)该框架在不改变编码解码器模型 结构的前提下， 能够有效降低辐照度预测误差 。 6.根据权利要求5所述的预测方法， 其特 征在于， 误差补偿框架的详细步骤如下： (1)滑动窗口获取子序列： 该框架首先接收T ‑2K到T‑1时刻的数据作为输入， 并从T ‑2K时刻开始， 按滑动窗口形式 划分为K个子序列， 滑动步长为1； 得到K个子序列分别为{(IT‑2k， ...， IT‑K‑1)， ...， (It‑K+1， ...， It)， ...， (IT‑K‑1， ...， IT‑2)}， 其中It表示t时刻的太阳辐照度； (2)滚动获取误差信息： 对于子序列(It‑K， ...， It‑1)， 其对应的外界气象信息为(Mt‑K， ...， Mt‑1)， 在当前参数下 的编码解码器模型的输入为{(It‑K， ...， It‑1)， (Mt‑K， ...， Mt‑1)}， 其预测值为 其 对应的监督信息表示为(It， ...， It+N)， 其中N表示预测的步长； 根据预测值和监督信息得到 模型在当前时刻的预测误差 Et＝[et， ...， et+N]； 循环输入上述K个子序列， 并通过监督信息获取当前参数下的编码解码器模型在当前 时刻的预测误差； 该循环过程得到误差序列(ET‑K， ...， ET‑1)； 并且， 此过程不更新模型参数； (3)信息融合： 此阶段将误差序列(ET‑K， ...， ET‑1)与历史辐照度与气象数据进行融合， 得到新的特征 输入{(ET‑K， ...， ET‑1)， (IT‑K， ...， IT‑1)， (MT‑K， ...， MT‑1)}， 其监督信息为(IT， ...， IT+N)； 信息融合后的输入特征增加了当前模型对历史上对应时刻的预测误差信 息， 该信息由 模型内部预测机制决定， 将该信息反馈 至编码解码器模型； (4)更新模型： 利用步骤(3)的输入特 征和监督信息更新模型参数。 7.根据权利要求1所述的预测方法， 其特 征在于， 步骤S4中的编码解码器的结构如下： 训练编码解码器模型， 利用读取当前时段t0～tN的辐照度作 为监督信息， 以及t0时刻之 前的历史辐照度和气象信息作为输入 数据， 训练编 码解码器模型； 进一步地， S4中所述编码 解码器包括以下内容： 编码器由时间卷积网络TCN和长短期记忆网络LSTM的级联结构组成， 由TCN负责获取长 序列输入并保持时序依赖关系， 压缩后的短序列经过LSTM保持时序依赖； 编码器结构首先 通过若干层TCN接收长序列输入， 其中层数取决于输入序列的长度， 其次TCN的提取的特征 序列压缩输出到LSTM， 最终LSTM的输出作为编码器的编码输出； 解码器由级联的长短期记忆网络LSTM和多层感知机MLP的串联结构组成， 串联长度由 预测步长决定； 并通过损失函数平衡多步输出的性能； 解码器首先接收编码器的输出， 由 LSTM负责解码， 解码后输出到 MLP， 其中MLP用于与输出维度匹配。 8.根据权利要求7 所述的预测方法， 其特 征在于， 编码解码器的特点如下： 1)编码器由TCN和LSTM级联构成； TCN接收长序列输入， 多层提取特征后得到输出序列， 截取序列后段作为 LSTM的输入；权　利　要　求　书 2/3 页 3 CN 115409258 A 3