本发明涉及新能源功率预测，尤其涉及一种适用于复杂气候的新能源功率预测方法和系统。
背景技术：
1、新能源技术指的是通过太阳能、风能等途径能够获得绿色、清洁的能源，新能源发电与传统的火力发电不同，其发电功率具有波动性和随机性，与环境气候因素呈较高的关联性，具有非常高的随机性和不确定性。所以，为了降低新能源并网对电力系统的危害，提前对新能源进行功率预测，对整个电网的安全稳定运行具有重大的意义。
2、目前，新能源的功率预测主要是利用超短期、短期预测算法为主，但由于各种预测算法适用场景设置较简单，无法对南方区域高原山地及海洋气候等复杂地形地貌气候特征的新能源进行精准预测。
技术实现思路
1、本发明提供了一种适用于复杂气候的新能源功率预测方法和系统，解决了目前新能源的功率预测主要是利用超短期、短期预测算法为主，但由于各种预测算法适用场景设置较简单，无法对南方区域高原山地及海洋气候等复杂地形地貌气候特征的新能源进行精准预测的技术问题。
2、本发明第一方面提供的一种适用于复杂气候的新能源功率预测方法，包括：
3、获取多种训练气候特征数据，对多种所述训练气候特征数据进行数据预处理，生成气候特征数据；
4、将全部的所述气候特征数据进行聚类处理，生成多个关键特征训练集；
5、采用所述关键特征训练集输入预设初始新能源功率预测模型进行训练，生成新能源功率预测模型；
6、当接收到待预测特征数据时，根据全部所述关键特征训练集和所述待预测特征数据确定对应的新能源功率预测模型作为推荐模型，其中，所述推荐模型包括多个预测网络和均值网络；
7、将所述待预测特征数据输入所述推荐模型，生成所述待预测特征数据对应的功率预测值。
8、可选地，所述将全部的所述气候特征数据进行聚类处理，生成多个关键特征训练集的步骤，包括：
9、从全部的所述气候特征数据中选取同一时刻的气候特征数据作为训练样本；
10、采用所述训练样本构建训练特征向量；
11、基于k-means聚类算法对所述训练特征向量进行聚类处理，生成多个目标簇；
12、采用所述目标簇构建特征预测精度关联矩阵，并将所述特征预测精度关联矩阵作为关键特征训练集。
13、可选地，所述当接收到待预测特征数据时，根据全部所述关键特征训练集和所述待预测特征数据确定对应的新能源功率预测模型作为推荐模型的步骤，包括：
14、当接收到待预测特征数据时，采用皮尔森相关系数法计算待预测特征数据与各个所述关键特征训练集之间的相关系数值；
15、将所述相关系数值进行绝对值处理，得相似度值；
16、选取最大的相似度值关联的新能源功率预测模型作为推荐模型。
17、可选地，所述将所述待预测特征数据输入所述推荐模型，生成所述待预测特征数据对应的功率预测值的步骤，包括：
18、将所述待预测特征数据输入所述预测网络进行功率预测，生成单值预测值，其中，所述预测网络包括依次连接的多个相关特征提取模块和全连接层；
19、将全部所述单值预测值输入所述均值网络进行均值处理，得到功率预测值。
20、可选地，所述相关特征提取模块包括依次连接卷积层、lstm网络层和特征融合层；所述相关特征提取模块的具体处理过程为：
21、采用卷积层对输入的特征矩阵进行特征提取，生成第一提取特征矩阵；
22、采用lstm网络层对所述第一提取特征矩阵进行特征提取，生成第二提取特征矩阵；
23、通过特征融合层对所述特征矩阵和所述第二提取特征矩阵进行特征融合，生成相关特征矩阵。
24、可选地，采用所述关键特征训练集输入预设初始新能源功率预测模型进行训练，输出训练功率预测数据；
25、将所述训练功率预测数据和所述关键特征训练集输入预设损失函数，生成训练损失值，其中，所述损失函数为均方误差损失函数或弹球损失函数；
26、当所述训练损失值大于或等于预设标准损失值时，采用梯度下降法调整所述预设初始新能源功率预测模型的模型参数，并跳转执行所述采用所述关键特征训练集输入预设初始新能源功率预测模型进行训练的步骤，直至所述训练损失值小于所述预设标准损失值或调整次数大于或等于预设调整次数值；
27、当所述训练损失值小于所述预设标准损失值，则生成新能源功率预测模型。
28、本发明第二方面提供的一种适用于复杂气候的新能源功率预测系统，包括：
29、预处理模块，用于获取多种训练气候特征数据，对多种所述训练气候特征数据进行数据预处理，生成气候特征数据；
30、聚类模块，用于将全部的所述气候特征数据进行聚类处理，生成多个关键特征训练集；
31、训练模块，用于采用所述关键特征训练集输入预设初始新能源功率预测模型进行训练，生成新能源功率预测模型；
32、匹配模块，用于当接收到待预测特征数据时，根据全部所述关键特征训练集和所述待预测特征数据确定对应的新能源功率预测模型作为推荐模型，其中，所述推荐模型包括多个预测网络和均值网络；
33、预测模块，用于将所述待预测特征数据输入所述推荐模型，生成所述待预测特征数据对应的功率预测值。
34、可选地，所述聚类模块，包括：
35、第一选取子模块，用于从全部的所述气候特征数据中选取同一时刻的气候特征数据作为训练样本；
36、训练特征向量子模块，用于采用所述训练样本构建训练特征向量；
37、聚类子模块，用于基于k-means聚类算法对所述训练特征向量进行聚类处理，生成多个目标簇；
38、训练集构建子模块，用于采用所述目标簇构建特征预测精度关联矩阵，并将所述特征预测精度关联矩阵作为关键特征训练集。
39、可选地，所述匹配模块，包括：
40、第一分析子模块，用于当接收到待预测特征数据时，采用皮尔森相关系数法计算待预测特征数据与各个所述关键特征训练集之间的相关系数值；
41、第二分析子模块，用于将所述相关系数值进行绝对值处理，得相似度值；
42、第二选取子模块，用于选取最大的相似度值关联的新能源功率预测模型作为推荐模型。
43、可选地，所述预测模块，包括：
44、第一预测子模块，用于将所述待预测特征数据输入所述预测网络进行功率预测，生成单值预测值，其中，所述预测网络包括依次连接的多个相关特征提取模块和全连接层；
45、第二预测子模块，用于将全部所述单值预测值输入所述均值网络进行均值处理，得到功率预测值。
46、从以上技术方案可以看出，本发明具有以下优点：
47、1、本发明针对复杂气候下的新能源功率预测，不仅综合考虑了不同特征量对新能源功率预测的影响，同时还考虑不同特征量组合得到气候特征信息下对新能源功率预测的影响，从而构建出适用于复杂气候的新能源功率预测模型库。与传统的新能源功率预测方法相比，本发明的新能源功率预测方法能够更准确地对新能源功率进行预测，更有利于技术人员对电力系统做出更优的控制决策。
48、2、本发明在针对复杂气候下的新能源功率预测的过程中，将历史新能源功率、风速、温度、气压、湿度等多个特征信息，作为新能源功率预测的考虑因素，再基于k-means算法对多时段的特征信息组成的向量进行聚类分析，得到地理特性信息各异情况下特征预测精度关联矩阵，从而实现对特征信息各异下的模型精确建模，得到精确模型库，使得精确模型库可根据在线数据的关键特征信息匹配出合适的推荐模型对在线数据进行功率预测，大幅度提升新能源功率预测精度。
49、3、本发明基于推荐模型对待预测特征数据进行功率预测，有效实现了新能源功率精确预测，推荐模型包括多个预测网络和均值网络，在推荐默默学对待预测特征数据分析的过程中，预测网络通过对待预测特征数据进行深度特征提取，计算输出单值预测结果，再利用均值网络将多个预测网络模型组合学习，得到最优的预测结果，从而进一步提高新能源功率预测准确率。
1.一种适用于复杂气候的新能源功率预测方法，其特征在于，包括：
2.根据权利要求1所述的适用于复杂气候的新能源功率预测方法，其特征在于，所述将全部的所述气候特征数据进行聚类处理，生成多个关键特征训练集的步骤，包括：
3.根据权利要求1所述的适用于复杂气候的新能源功率预测方法，其特征在于，所述当接收到待预测特征数据时，根据全部所述关键特征训练集和所述待预测特征数据确定对应的新能源功率预测模型作为推荐模型的步骤，包括：
4.根据权利要求1所述的适用于复杂气候的新能源功率预测方法，其特征在于，所述将所述待预测特征数据输入所述推荐模型，生成所述待预测特征数据对应的功率预测值的步骤，包括：
5.根据权利要求4所述的适用于复杂气候的新能源功率预测方法，其特征在于，所述相关特征提取模块包括依次连接卷积层、lstm网络层和特征融合层；所述相关特征提取模块的具体处理过程为：
6.根据权利要求1所述的适用于复杂气候的新能源功率预测方法，其特征在于，所述采用所述关键特征训练集输入预设初始新能源功率预测模型进行训练，生成新能源功率预测模型的步骤，包括：
7.一种适用于复杂气候的新能源功率预测系统，其特征在于，包括：
8.根据权利要求7所述的适用于复杂气候的新能源功率预测系统，其特征在于，所述聚类模块，包括：
9.根据权利要求7所述的适用于复杂气候的新能源功率预测系统，其特征在于，所述匹配模块，包括：
10.根据权利要求7所述的适用于复杂气候的新能源功率预测系统，其特征在于，所述预测模块，包括：
