基于图卷积长短期记忆网络的分布式光伏出力预测方法与流程

1.本发明涉及光伏出力预测领域，尤其是涉及基于图卷积长短期记忆网络的分布式光伏出力预测方法。


背景技术：

2.光伏发电受太阳辐射强度等气象因素影响，具有随机性、波动性、间歇性的特点，对电网的安全稳定运行是很大挑战，因而对光伏出力进行预测就具有重要意义。
3.对光伏出力预测，一般需要分析气象数据光伏出力数据的耦合关系，从而对未来的出力值进行拟合。气象数据主要来自于气象监测装置的采集和数值天气预报的预测，然而，分布式光伏发电系统的各站点往往空间分布广泛，加上海拔、地理环境等差异，各站点的实际气象条件均有所不同，一般也不可能为每个站点都单独设置气象监测装置和数值天气预报。因此，如果直接使用分布式光伏发电系统所在区域的气象数据进行分析和预测，其精确度会受到各站点气象条件差异的影响。


技术实现要素：

4.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
5.鉴于上述现有存在的问题，提出了本发明。因此，本发明提供了基于图卷积长短期记忆网络的分布式光伏出力预测方法，用来解决实际问题中，气象条件的差异导致预测分布式光伏出力数据精度低的问题。
6.为解决上述技术问题，本发明提供如下技术方案：
7.本发明提供了基于图卷积长短期记忆网络的分布式光伏出力预测方法，包括：
8.采集历史分布式光伏发电系统的若干个特征数据和光伏出力数据，进行预处理；
9.计算各光伏发电站点的历史出力数据之间的相关性并得出结果，根据所述计算结果构建相关性图邻接矩阵；
10.基于所述构建的相关性图邻接矩阵结合长短期记忆网络，搭建光伏预测的图卷积长短期记忆网络；
11.利用预处理后的历史光伏发电场若干个特征数据和历史光伏出力数据，对图卷积长短期记忆网络进行训练；
12.将当前时刻光伏发电系统的若干个特征数据，以及未来时刻光伏发电系统所在区域的数值天气预报，经预处理后输入图卷积长短期记忆网络预测神经网络进行光伏出力预测。
13.作为本发明所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的一种优选方案，其中：所述采集历史分布式光伏发电系统的若干个特征数据和光伏出力数据，包括：
14.在分布式光伏发电系统所在区域内设置气象数据采集装置，采集太阳总辐射强度、散射水平辐射强度、温度、湿度、风速、风向、日降雨量及若干种类特征数据和分布式光伏发电系统中各单站的历史出力数据；
15.预处理包括对特征数据中的空缺值进行线性插值补全和对补充后的光伏特征数据进行归一化处理；同理，对分布式光伏发电系统中各单站的历史出力数据，进行缺失值补全并进行归一化处理；
16.对特征数据的种类个数用f表示，并将特征数据中的空缺值进行线性插值补全，所述线性插值公式表示为：
[0017][0018]
其中，ti和tj表示数据空缺区间的起点和终点(ti和tj时刻的数据未缺失)，xi和xj分别为时刻ti和tj的数据值，x
t
为插值后ti和tj之间时刻t的数据值；
[0019]
对补全后的光伏特征数据进行归一化处理，公式表示为：
[0020][0021]
其中，xi为第i种特征数据的原始向量，xi'为第i种特征数据归一化后的向量，min(xi)为第i种特征数据的最小值，max(xi)为第i种特征数据的最大值；
[0022]
预处理后，在在时刻t的特征数据用一个f维向量表示为预处理后，在在时刻t的特征数据用一个f维向量表示为表示第i个特征在时刻t的数值；在时刻t的分布式光伏发电系统出力数据用一个n维向量表示为表示第i个站点在时刻t的出力数值，n为站点数。
[0023]
作为本发明所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的一种优选方案，其中：所述计算各光伏发电站点的历史出力数据之间的相关性并得出结果，包括：
[0024]
计算每两个光伏发电站点历史出力数据的pearson相关系数，计算公式为：
[0025][0026]
其中，和分别表示光伏发电站点i和站点j的历史出力数据的均值，和分别表示单站i和单站j在时刻t的出力数据，var(yi)和var(yj)分别表单站i和单站j的历史出力数据的方差，t为时间节点个数；
[0027]
根据所述的皮尔逊相关系数，构建相关性图邻接矩阵，表示为：
[0028][0029]
其中，a
ij
＝ρ
ij
，n表示站点数量。
[0030]
作为本发明所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的一种优选方案，其中：所述搭建光伏预测的图卷积长短期记忆网络，包括：
[0031]
基于构建的相关性图邻接矩阵，构建图卷积层，表示为：
[0032][0033]
其中，是构建的相关性图邻接矩阵；是一个对角阵表示对中每个元素求次方所得到的矩阵；x
(l)
和x
(l+1)
分别是第l层图卷积层输入和输出的矩阵，第l层图卷积层输出的矩阵是第l+1层图卷积层输入的；w
(l)
∈rf×
f'是可学习的参数矩阵，f和f’根据第l层和l+1层的输入维度要求选择；
[0034]
根据所述的图卷积层，搭建图卷积长短期记忆网络，具体表达式如下：
[0035][0036][0037][0038]ct
＝f
t
⊙ct-1
+i
t
⊙gt
[0039][0040]ht
＝o
t
⊙
tanh(c
t
)
[0041][0042]
其中，h
t-1
和x
t
分别为t-1时刻网络的隐藏状态和t时刻的输入值，[h
t-1
,x
t
]表示将h
t-1
和x
t
拼接，表示将[h
t-1
,x
t
]输入所述构建的图卷积层进行卷积操作，
⊙
表示hadamard积，即按元素乘积运算；c
t-1
和c
t
分别为t-1时刻和t时刻的单元状态；f
t
，i
t
，g
t
，o
t
分别为t时刻遗忘门、输入门、候选记忆状态、输出门的值；wf,bf分别为遗忘门的权重和偏置；wi,bi分别为输入门的权重和偏置；wg,bg分别为候选记忆状态的权重和偏置，wo,bo分别为输出门的权重和偏置；σ(),tanh()分别为σ和tanh函数。
[0043]
作为本发明所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的一种优选方案，其中：所述利用预处理后的历史光伏发电场若干个特征数据和历史光伏出力数据，对图卷积长短期记忆网络进行训练，包括：
[0044]
设置图卷积长短期记忆网络步长为超参数s；
[0045]
时刻的历史光伏发电场若干个特征数据和分布式光伏发电系统出力数据分别用向量和表示；
[0046]
基于所述步长和向量，构造矩阵，表示为：
[0047][0048]
其中，x
t
的行数为n，列数为s
×
f。
[0049]
作为本发明所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的一种优选方案，其中：基于所述的步长和向量，包括：
[0050]
将所述的时刻特征数据向量作为图卷积长短期记忆网络在t时刻的输入；
[0051]
将分布式光伏发电系统出力数据向量y
t
作为特征数据向量x
t
对应的标签，对图卷积长短期记忆网络进行监督学习训练。
[0052]
作为本发明所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的一种优选方案，其中：所述设置气象数据采集装置，包括：
[0053]
通过气象采集数据装置，获取当前时刻光伏发电若干特征数据和获取未来时刻光伏发电系统所在区域的数值天气预报数据。
[0054]
作为本发明所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的一种优选方案，其中：所述预处理，包括：
[0055]
对当前时刻光伏发电若干特征数据和未来时刻的数值天气预报数据进行预处理。
[0056]
作为本发明所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的一种优选方案，其中：所述经预处理后输入图卷积长短期记忆网络预测神经网络进行光伏出力预测，包括：
[0057]
基于所述形成训练模型的方法重新构造矩阵，表示为：
[0058][0059]
其中，x
t+1
为未来时刻的光伏发电系统所在区域的数值天气预报数据的特征向量，x
t
为当前时刻光伏发电若干特征数据的特征向量，x
t-1
,
…
,x
t-s+2
为历史时刻光伏出力数据的特征向量。
[0060]
作为本发明所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的一种优选方案，其中：所述重新构造的矩阵，包括：
[0061]
将未来时刻的光伏发电系统所在区域的数值天气预报数据的特征向量输入图卷积长短期记忆网络，得到输出的未来时刻分布式光伏发电系统出力数据；
[0062]
将所述得到输出的未来时刻分布式光伏发电系统出力数据做反归一化处理，并作为出力数据的预测值。
[0063]
与现有技术相比，发明有益效果为：相较于传统的光伏预测，本发明通过将光伏出力数据输入到图卷积长短期记忆网络进行训练，并对训练产生的结果进行反归一化处理，能够有效的提高对光伏出力预测的准确度，从而提高电网的安全稳定性。
附图说明
[0064]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0065]
图1为本发明一个实施例所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的整体流程图；
[0066]
图2为本发明一个实施例所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的图卷积长短期记忆网络结构图；
[0067]
图3为本发明一个实施例所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的夏季典型日预测光伏结果图；
[0068]
图4为本发明一个实施例所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的冬季典型日预测光伏结果图；
[0069]
图5为本发明一个实施例所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法的按月份误差分布图。
具体实施方式
[0070]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0071]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0072]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0073]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0074]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0075]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0076]
实施例1
[0077]
参照图1，为本发明第一个实施例，该实施例提供了基于图卷积长短期记忆网络的分布式光伏出力预测方法，包括：
[0078]
s1、采集历史分布式光伏发电系统的若干个特征数据和光伏出力数据，进行预处理；
[0079]
进一步的，在分布式光伏发电系统所在区域内设置气象数据采集装置，采集太阳总辐射强度、散射水平辐射强度、温度、湿度、风速、风向、日降雨量及若干种类特征数据和
分布式光伏发电系统中各单站的历史出力数据；
[0080]
s2、计算各光伏发电站点的历史出力数据之间的相关性并得出结果，根据所述计算结果构建相关性图邻接矩阵；
[0081]
s3、基于所述构建的相关性图邻接矩阵结合长短期记忆网络，搭建光伏预测的图卷积长短期记忆网络；
[0082]
s4、利用预处理后的历史光伏发电场若干个特征数据和历史光伏出力数据，对图卷积长短期记忆网络进行训练；
[0083]
进一步的，预处理包括对特征数据中的空缺值进行线性插值补全和对补充后的光伏特征数据进行归一化处理；同理，对分布式光伏发电系统中各单站的历史出力数据，进行缺失值补全并进行归一化处理；
[0084]
应当说明的是，对特征数据的种类个数用f表示，并将特征数据中的空缺值进行线性插值补全，能够提升数据的精确程度；
[0085]
线性插值公式表示为：
[0086][0087]
其中，ti和tj表示数据空缺区间的起点和终点(ti和tj时刻的数据未缺失)，xi和xj分别为时刻ti和tj的数据值，x
t
为插值后ti和tj之间时刻t的数据值；
[0088]
进一步的，对补全后的光伏特征数据进行归一化处理，公式表示为：
[0089][0090]
其中，xi为第i种特征数据的原始向量，xi'为第i种特征数据归一化后的向量，min(xi)为第i种特征数据的最小值，max(xi)为第i种特征数据的最大值；
[0091]
预处理后，在在时刻t的特征数据用一个f维向量表示为预处理后，在在时刻t的特征数据用一个f维向量表示为表示第i个特征在时刻t的数值；在时刻t的分布式光伏发电系统出力数据用一个n维向量表示为表示第i个站点在时刻t的出力数值，n为站点数；
[0092]
进一步的，计算每两个光伏发电站点的历史出力数据的皮尔逊相关系数，计算公式为：
[0093]
计算每两个光伏发电站点出力数据的pearson相关系数，计算公式为：
[0094][0095]
其中，和分别表示光伏发电站点i和站点j的历史出力数据的均值，和
[0096]
分别表示单站i和单站j在时刻t的出力数据，var(yi)和var(yj)分别表单站i和单站j的历史出力数据的方差，t为时间节点个数；
[0097]
进一步的，根据皮尔逊相关系数，构建相关性图邻接矩阵，表示为：
[0098][0099]
其中，a
ij
＝ρ
ij
，n表示站点数量；
[0100]
s5、将当前时刻光伏发电系统的若干个特征数据，以及未来时刻光伏发电系统所在区域的数值天气预报，经预处理后输入图卷积长短期记忆网络预测神经网络进行光伏出力预测。
[0101]
实施例2
[0102]
参照图2，为本发明第二个实施例，该实施例提供了基于图卷积长短期记忆网络的分布式光伏出力预测方法，包括：
[0103]
基于本发明构建的相关性图邻接矩阵，构建图卷积层，表示为：
[0104][0105]
其中，是构建的相关性图邻接矩阵；是一个对角阵表示对中每个元素求次方所得到的矩阵；x
(l)
和x
(l+1)
分别是第l层图卷积层输入和输出的矩阵，第l层图卷积层输出的矩阵是第l+1层图卷积层输入的；w
(l)
∈rf×f′
是可学习的参数矩阵，f和f根据第l层和l+1层的输入维度要求选择；
[0106]
进一步的，根据所述的图卷积层，搭建图卷积长短期记忆网络，具体表达式如下：
[0107][0108][0109]ct
＝f
t
⊙ct-1
+i
t
⊙gt
[0110][0111]hi
＝o
t
⊙
tanh(c
t
)
[0112][0113]
其中，h
t-1
和x
t
分别为t-1时刻网络的隐藏状态和t时刻的输入值，[h
t-1
,x
t
]表示将h
t-1
和x
t
拼接，表示将[h
t-1
,x
t
]输入所述构建的图卷积层进行卷积操作，
⊙
表示hadamard积，即按元素乘积运算；c
t-1
和c
t
分别为t-1时刻和t时刻的单元状态；f
t
，i
t
，g
t
，o
t
分别为t时刻遗忘门、输入门、候选记忆状态、输出门的值；wf,bf分别为遗忘门的权重和偏置；wi,bi分别为输入门的权重和偏置；wg,bg分别为候选记忆状态的权重和偏置，wo,bo分别为输出门的权重和偏置；σ(),tanh()分别为σ和tanh函数；
[0114]
进一步的，基于所述形成训练模型的方法重新构造矩阵，表示为：
[0115][0116]
其中，x
t+1
为未来时刻的光伏发电系统所在区域的数值天气预报数据的特征向量，x
t
为当前时刻光伏发电若干特征数据的特征向量，x
t-1
,...,x
t-s+2
为历史时刻光伏出力数据的特征向量；将得到输出的未来时刻分布式光伏发电系统出力数据做反归一化处理，并作为出力数据的预测值；
[0117]
反归一化处理的公式为：
[0118][0119]
其中，为输出向量y
t+1
的第i分量，为反归一化后的结果，max(p(i))和分min(p(i))别为第i个站点历史出力数据的最大值和最小值。
[0120]
实施例3
[0121]
参照图3至图5，为本发明第三个实施例，该实施例提供了基于图卷积长短期记忆网络的分布式光伏出力预测方法，包括：
[0122]
选取了某分布式光伏发电装置的出力数据，和其所在区域的气象数据；
[0123]
其中，该分布式光伏发电装置共包括5个站点，气象特征数据包括：温度、水平总辐射量和日降雨量，共3项数据；气象数据和出力数据的采集频率为5分钟一次，使用前10个时间节点的特征数据作为预测下一时间节点的出力数据；
[0124]
创建图卷积长短期记忆网络模型选取的参数如下：
[0125]
将图卷积长短期记忆网络的预测网络的层数设置为3，时间步长设置为10，dropout率设置为0.1.
[0126]
构建的相关性构造图邻接矩阵表示为：
[0127][0128]
应该说明的是，对图卷积长短期记忆网络模型的训练，所用训练集长度为1年，测试集长度为1年；
[0129]
为验证本发明的预测性能，将本发明的方法与传统lstm方法对比；以站点1为例，其夏季典型日的预测结果如图3所示，冬季典型日的预测结果如图4所示；以平均绝对值误差(mae)e
mae
和均方根误差(rmse)e
rmse
作为评价指标，这两项指标越小，则说明预测效果越好，具体公式为：
[0130][0131][0132]
分别将夏季典型、冬季典型和全年平均三种场景对比本发明的方法与传统lstm方法，具体结果如表1所示；
[0133]
表1本发明方法与传统方法对比结果
[0134][0135]
按月份计算本发明的方法与传统lstm方法的预测误差结果如图5所示；
[0136]
本发明的方法在各项评价均比传统lstm和tcn预测误差小，故本方法对光伏出力预测的精度更高。
[0137]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.基于图卷积长短期记忆网络的分布式光伏出力预测方法，其特征在于，包括：采集历史分布式光伏发电系统的若干个特征数据和光伏出力数据，进行预处理；计算各光伏发电站点的历史出力数据之间的相关性并得出结果，根据所述计算结果构建相关性图邻接矩阵；基于所述构建的相关性图邻接矩阵结合长短期记忆网络，搭建光伏预测的图卷积长短期记忆网络；利用预处理后的历史光伏发电场若干个特征数据和历史光伏出力数据，对图卷积长短期记忆网络进行训练；将当前时刻光伏发电系统的若干个特征数据，以及未来时刻光伏发电系统所在区域的数值天气预报，经预处理后输入图卷积长短期记忆网络预测神经网络进行光伏出力预测。2.如权利要求1所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法，其特征在于，所述采集历史分布式光伏发电系统的若干个特征数据和光伏出力数据，包括：在分布式光伏发电系统所在区域内设置气象数据采集装置，采集太阳总辐射强度、散射水平辐射强度、温度、湿度、风速、风向、日降雨量及若干种类特征数据和分布式光伏发电系统中各单站的历史出力数据；预处理包括对特征数据中的空缺值进行线性插值补全和对补充后的光伏特征数据进行归一化处理；同理，对分布式光伏发电系统中各单站的历史出力数据，进行缺失值补全并进行归一化处理。3.如权利要求2所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法，其特征在于，所述计算各光伏发电站点的历史出力数据之间的相关性并得出结果，包括：计算每两个光伏发电站点的历史出力数据的皮尔逊相关系数；根据所述的皮尔逊相关系数，构建相关性图邻接矩阵。4.如权利要求2或3所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法，其特征在于，所述搭建光伏预测的图卷积长短期记忆网络，包括：基于构建的相关性图邻接矩阵，构建图卷积层；根据所述的图卷积层，搭建图卷积长短期记忆网络。5.如权利要求4所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法，其特征在于，所述利用预处理后的历史光伏发电场若干个特征数据和历史光伏出力数据，对图卷积长短期记忆网络进行训练，包括：设置图卷积长短期记忆网络步长；将时刻的历史光伏发电场若干个特征数据和分布式光伏发电系统出力数据分别用向量表示；基于所述步长和向量，构造矩阵，形成训练模型。6.如权利要求5所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法，其特征在于，基于所述的步长和向量，包括：将所述的时刻特征数据向量作为图卷积长短期记忆网络在时刻的输入；将分布式光伏发电系统出力数据向量作为特征数据向量对应的标签，对图卷积长短期记忆网络进行监督学习训练。7.如权利要求6所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法，其特
征在于，所述设置气象数据采集装置，包括：通过气象采集数据装置，获取当前时刻光伏发电若干特征数据和获取未来时刻光伏发电系统所在区域的数值天气预报数据。8.如权利要求6或7所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法，其特征在于，所述预处理，包括：对当前时刻光伏发电若干特征数据和未来时刻的数值天气预报数据进行预处理。9.如权利要求8所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法，其特征在于，所述经预处理后输入图卷积长短期记忆网络预测神经网络进行光伏出力预测，包括：基于所述形成训练模型的方法重构矩阵，得到未来时刻的光伏发电系统所在区域的数值天气预报数据的特征向量，当前时刻光伏发电若干特征数据的特征向量，历史时刻光伏出力数据的特征向量。10.如权利要求9所述的基于图卷积长短期记忆网络的分布式光伏出力预测方法，其特征在于，所述重新构造的矩阵，包括：将未来时刻的光伏发电系统所在区域的数值天气预报数据的特征向量输入图卷积长短期记忆网络，得到输出的未来时刻分布式光伏发电系统出力数据；将所述得到输出的未来时刻分布式光伏发电系统出力数据做反归一化处理，并作为出力数据的预测值。

技术总结
本发明公开了基于图卷积长短期记忆网络的分布式光伏出力预测方法包括，获取历史分布式光伏发电系统的若干个特征数据和光伏出力数据进行预处理；计算各光伏发电站点的历史出力数据之间的相关性，根据计算结果构建相关性图邻接矩阵并结合长短期记忆网络结构，搭建光伏预测的图卷积长短期记忆网络；利用预处理后的历史光伏发电场若干个特征数据和历史光伏出力数据对图卷积长短期记忆网络进行训练；将当前时刻光伏发电系统的若干个特征数据以及未来时刻光伏发电系统所在区域的数值天气预报，经预处理后输入图卷积长短期记忆网络预测神经网络进行光伏出力预测；本发明通过对光伏出力数据进行图卷积长短期记忆网络训练，提高了光伏出力预测的准确度。了光伏出力预测的准确度。了光伏出力预测的准确度。


技术研发人员：朱涛 胡泽江 龚新勇 李俊伟 朱元富 辛平安 胡馨 潘堋
受保护的技术使用者：云南电网有限责任公司昆明供电局
技术研发日：2023.02.28
技术公布日：2023/7/19