本申请属于电力预测，具体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。
背景技术：
1、精准预测光伏与负荷能为光储微网的稳定调度提供保障，提高光储微网的经济效益。现有技术中，常采用单任务预测的方式进行独立建模以分别预测光伏和负荷，上述方式无法利用源-荷间的信息进行交互，且训练数据量较大，计算成本更高。而传统的多任务预测模型多基于硬参数共享模式，当光伏与负荷序列的相关性较弱时，最终的输出结果会相互影响从而导致预测精度受限。
技术实现思路
1、本发明提供了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，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。
2、本发明的技术方案如下：
3、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，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：
4、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；
5、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；
6、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；
7、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；
8、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；
9、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；
10、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；
11、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
12、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；
13、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。
14、进一步地，所述天气预报数据由光储微网云平台通过互联网获取，所述天气预报数据包括未来时刻的气温、风速、湿度、光照幅度。
15、进一步地，步骤五中更新权值向量时的公式如下：
16、；
17、式中，表示权重变化量，表示学习率；表示神经元节点 i与匹配节点的距离函数； x表示样本的向量表示；表示神经元节点 i的权值向量。
18、进一步地，步骤五中，在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时，计算天气类型的聚类数为2~8时的轮廓系数，并选择轮廓系数最大时对应的聚类数作为天气类型的最终聚类数。
19、进一步地，步骤八中训练集训练ftcn-mose多任务预测模型的过程为：
20、将输入矩阵输入至多头注意力层进行赋权得到特征加权矩阵，特征加权矩阵经tcn层捕获加权特征间的关联性得到特征矩阵；
21、将特征矩阵输入专家子网对加权特征以子任务形式进行独立学习，学习过程中门控层计算每个子任务的权重，再经mose模型中的lstm子任务层输出光伏预测值和负荷预测值。
22、进一步地，lstm子任务层的输出值计算公式如下：
23、；
24、式中， k为任务数量， n为专家子网数量， y k为第 k个任务的输出值， f i( x)为第 i个专家子网输出值， g i k为门控层通过softmax函数所得到的第 i个专家子网在第 k个任务中的权重值。
25、由于采用了上述技术方案，本申请的有益效果如下：
26、1.本申请将气象数据与光伏和负荷数据进行耦合，使光伏数据和负荷数据能够实现数据交互，从而使预测结果更符合实际运行情况，提高预测结果的真实度和可信度。
27、2.本申请能体现不同天气类型下的光伏与负荷的波动特征，使同一天气类型下的特征更加集中，有助于提高预测精度。
28、3.本申请避免了独立模型浪费大量数据的问题，通过具有软共享机制的mose模型能够实现特征强化提取，能充分利用数据，降低计算成本。
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：
2.根据权利要求1所述的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，
3.根据权利要求1所述的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，
4.根据权利要求3所述的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，
5.根据权利要求4所述的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，
6.根据权利要求4所述的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，
