科创中国

新能源及节能技术,新型高效能量转换与储存技术

光伏场站超短期功率预测需要提供未来0-4小时、时间分辨率为15分钟的光伏发电功率数据。 现阶段关于光伏场站超短期功率预测的研究主要是基于数值天气预报、地基云图、场站历史数据等进行预测。然而超短期光伏功率预测很大程度上受云团生消形变和移动的影响，数值天气预报中关于云信息的数据并不详尽，地基云图观测范围只涵盖当地实时局域上空的天空信息，对于未来较长一段时间之后的云信息无法进行准确预测，利用场站历史数据建模不适用于气候多变的场景。特征提取方面，目前常见的用于云团分布特征自动提取的深度学习模型为卷积编码器，还没有其他自动提取特征的方法。模型处理方面，执行回归任务的深度学习模块常为MLP，这类模型的输入向量均为简单拼接的融合向量，即未考虑信息之间存在的一一对应的时间关联性。提高光伏功率超短期预测的精度依旧是一个难题。

基于卷积自编码器的云团分布特征自动提取方法 卷积自编码器是一种监督式深度学习模型，当其用于特征提取任务时，其输入输出数据是相同的，因此在本研究中卷积自编码器的输入输出数据均为大小为250×250（行×列）的卫星云图。卷积自动编码器由卷积编码器和卷积解码器组成。在进行云团分布特征提取时，以一幅经过预处理的卫星云图作为卷积自编码器的输入和输出。卷积编码器由卷积层和池化层组成，卷积解码器由转置卷积层和卷积层组成。卷积自编码器中的所有层都是按顺序堆叠的。卷积层可以实现局部连接和权重共享，池化层可以实现下采样操作，这三种操作可以有效地提取图像特征，同时显著减少模型训练的参数。转置卷积层可以实现上采样操作，其计算原理与卷积层相同。卷积层与转置卷积层的区别在于，卷积层可以实现下采样操作，而转置卷积层可以实现上采样操作。在卷积编码器中，池化层和卷积层实现特征图的下采样操作；而在卷积解码器中，卷积层不会改变输入特征图的大小，转置卷积层实现特征图的上采样操作。当将云团图像输入到卷积自编码器时，卷积编码器首先将高维图像信息转换为低维的云团分布特征，然后卷积解码器使用云团分布特征重建图像信息。

河北工业大学（Hebei University of Technology），简称河北工大，坐落于天津市，由河北省人民政府、天津市人民政府与中华人民共和国教育部共建，隶属于河北省，是国家“双一流”建设高校、国家“211工程”重点建设高校，入选国家“中西部高校基础能力建设工程”、教育部“卓越工程师教育培养计划”、河北省“国家一流大学建设”一层次学校、天津市高水平特色大学建设项目、国家建设高水平大学公派研究生项目、中国政府奖学金来华留学生接收院校、国家级新工科研究与实践项目、首批高等学校科技成果转化和技术转移基地，CDIO工程教育联盟成员单位。