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：山东建筑大学

摘要：本申请涉及一种基于天气分型和多任务模型的光伏及用电负荷预测方法，通过PCA法对历史天气数据进行降维后形成综合气象数据，再通过SOM算法和DTW算法得到匹配节点，迭代后获得最佳匹配节点实现天气聚类，然后通过建立的FTCN‑MOSE多任务预测模型对综合气象数据判断其天气类型后对光伏和用电负荷进行预测，得到预测模型，然后使用天气预报数据判断天气类型后预测其光伏和用电负荷。本申请解决了传统单任务预测模型未利用源‑荷间信息交互的问题，以及传统多任务预测模型无法处理相关性较弱的源荷数据的问题，本申请使同一天气类型下的特征更加集中，有助于提高预测精度，能充分利用数据，降低计算成本。

主权项：1.一种基于天气分型和多任务模型的光伏及用电负荷预测方法，其特征在于，本方法基于光储微网云平台实现，光储微网云平台可收集历史天气数据、光伏数据、负荷数据以及天气预报数据，所述历史天气数据包括气温、风速、湿度、光照幅度四种气象数据；本方法具体包括以下步骤：步骤一：使用PCA主成分分析法对历史天气数据降维，将气温、风速、湿度、光照幅度与光伏数据、负荷数据聚合后形成一列综合气象数据；步骤二：基于气象数据的每日采样点将综合气象数据转化为多维度向量，每个维度代表一日中的一个采样点时刻的综合气象数据，记为样本；步骤三：初始化SOM神经元节点及其对应的权值向量，所述权值向量的维度等于每日采样点的数量；步骤四：使用DTW算法计算所述样本与所有神经元节点的DTW距离，得到距离矩阵；将各样本分配给与其距离最近的神经元节点，得到匹配节点；步骤五：更新权值向量并重复步骤四进行迭代，直至到达迭代次数后输出最佳匹配节点，依据最佳匹配节点输出天气类型；步骤六：建立FTCN-MOSE多任务预测模型；所述FTCN-MOSE多任务预测模型包括FTCN模型和MOSE模型，所述FTCN模型依次包括多头注意力层、TCN层和全连接层，所述MOSE模型包括若干专家子网、门控层以及由LSTM网络构成的子任务层；步骤七：取每个天气类型对应的综合气象数据作为数据集，使用时间窗函数将数据集转化为输入矩阵并划分训练集和测试集；取每个天气类型下对应的综合气象数据与光伏、电负荷数据作为数据集步骤八：使用训练集训练FTCN-MOSE多任务预测模型，使用测试集测试训练完成的FTCN-MOSE多任务预测模型，得到各天气类型的光伏负荷预测模型；步骤九：使用PCA主成分分析法对天气预报数据降维，降维后使用SOM算法中的predict程序判断天气预报数据所属的天气类型，将天气预报数据输入至其所属天气类型对应的光伏负荷预测模型中，输出光伏预测值和负荷预测值。

全文数据：

权利要求：

百度查询： 山东建筑大学 一种基于天气分型和多任务模型的光伏及用电负荷预测方法