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：安徽国麒科技有限公司

摘要：本发明公开了光伏储能技术领域的一种基于DeepIM深度学习算法的光伏发电量预测方法，具体包括以下步骤：S1：采集光伏发电的历史环境数据，降噪后依次进行分解处理和降维处理，得到样本数据集；S2：将所述样本数据集划分成训练集和测试集，并导入到DeepIM深度学习网络中进行训练验证，调整所述DeepIM深度学习网络的参数，获得训练好的DeepIM模型，将实时采集的光伏发电环境数据经过分解处理和降维处理后输入到DeepIM模型中以输出预测结果，本申请提高光伏发电量预测精度，对于保证电力系统的安全调度和稳定运行。

主权项：1.一种基于DeepIM深度学习算法的光伏发电量预测方法，其特征在于：具体包括以下步骤：S1：采集光伏发电的历史环境数据，降噪后依次进行分解处理和降维处理，得到样本数据集；其中，将所述历史环境数据通过EMD算法进行分解处理，得到第一特征序列数据，使用PCA算法对所述第一特征序列数据进行降维处理，筛选出影响光伏输出发电量的关键因子，得到第二特征序列数据，将所述第二特征序列数据与预先采集的光伏发电量的历史数据进行归一化处理，得到样本数据集；S2：将所述样本数据集划分成训练集和测试集，并导入到DeepIM深度学习网络中进行训练验证，调整所述DeepIM深度学习网络的参数，获得训练好的DeepIM模型，将实时采集的光伏发电环境数据经过分解处理和降维处理后输入到DeepIM模型中以输出预测结果；其中，DeepIM深度学习网络对于给定序列x＝x1，x2，…，xn，其前向计算过程如下式所示：it＝σWxixt+Whiht-1+Wcict-1+bift＝σWxfxt+Whfht-1+Wcfct-1+bfct＝ftct-1+ittanhWxcxt+Whcht-1+bcot＝σWxoxt+Whoht-1+Wcoct+boht＝ottanhct式中：W：对应的权重系数矩阵；b：对应的偏置项；σ：sigmoid激活函数；tanh：双曲正切激活函数；所述S1和S2中的环境数据具体为太阳辐射温度、组件温度、空气温度、相对湿度以及大气压力；所述S1中的降噪具体为，以天为单位对环境数据进行清洗，去除环境数据中的坏数据；其中，所述坏数据由通讯故障造成；所述步骤S1中分解处理具体为：通过EMD算法对所述环境数据进行分解，得到第一特征序列数据的方式具体为，通过EMD算法，将所述环境数据分解为不同频率的本征模分量{IMF1，IMF2，...，IMFm}和剩余分量rn；所述EMD算法分解环境数据的具体步骤如下：S1-11：选取环境数据中的一个原始数据序列xt进行筛选，找到它所有的极大值点确定为上包络线，所有极小值点确定为下包络线，mt表示上包络线和下包络线的均值，第1个分量h1t＝x1t-m1t；S1-12：对第1分量进行第二次筛选，h1t被视作原始数据，m1t是h1t的上下包络线的均值，重复步骤S1-11，确定第2个分量h2t；S1-13：筛选过程重复n次，直到是hnt是一个本征模态函数或剩余分量rnt为一个单调函数，终止分解过程；其中，指定q1t＝h1t，q2t＝h2t，...，qit＝hnt，xt最终分解为n个本征模分量qit和一个剩余分量rnt，如下式所示： 所述步骤S1中使用PCA算法对所述第一特征序列数据进行降维处理，筛选出影响光伏输出发电量的关键因子，得到第二特征序列数据的具体步骤如下：S1-21：得到第一特征序列数据的标准化矩阵，利用皮尔逊相关系数分析得到各环境因素数据与光伏发电量数据之间的相关关系： 式中：X表示各环境因素数据，y表示发电量；S1-22：计算贡献率πi和累计贡献率ηi，根据ηi确定需选取的主成分的个数； 式中：λ表示特征向量，i,k表示不同因素第i,k的特征向量S1-23：通过选取的主成分的特征值和所对应的特征向量，最终可得到降维后的数据；所述步骤S1-22中根据ηi确定需选取的主成分的个数的方式具体为，选取ηi大于95％的主成分；所述步骤S2中将所述样本数据集划分成训练集和测试集，并导入到DeepIM深度学习网络中进行训练验证，调整所述DeepIM深度学习网络的参数，获得训练好的DeepIM模型的方式具体为，样本数据集划分成训练集和测试集，将训练集导入到DeepIM深度学习网络中进行训练，判断DeepIM深度学习网络输出结果的准确率是否达到标准值，若未达到，则调整DeepIM深度学习网络的参数，再重复训练，直至准确率达标，若达到，则将测试集导入到DeepIM深度学习网络中，输出评估结果并与光伏发电量的历史数据比较验证后，获得最优DeepIM模型。

全文数据：

权利要求：

百度查询： 安徽国麒科技有限公司 一种基于DeepIM深度学习算法的光伏发电量预测方法