[發明專利]光伏發電功率的預測方法、裝置及電子設備

在審

• 申請號: 202210893658.4
• 申請日: 2022-07-27
• 公開（公告）號: CN115186923A
• 公開（公告）日: 2022-10-14
• 發明（設計）人: 張寵;裴軍;周泉;吳昊;高鵬;蔣新波;馬赫然;李小卉
• 申請（專利權）人: 正泰電氣股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;H02J3/00
• 代理公司: 北京康信知識產權代理有限責任公司 11240
• 代理人: 周春枚

1.一種光伏發電功率的預測方法，其特征在于，包括：

獲取光伏發電站的所在區域在當前時刻的氣象數據以及所述光伏發電站在所述當前時刻的發電功率，其中，所述氣象數據中至少包括天氣類型；

通過套索算法對所述氣象數據以及所述發電功率進行特征選取，得到目標特征值；

根據所述天氣類型從多個預先訓練的預測模型中確定目標預測模型，其中，每個所述預測模型與一種天氣類型相對應，所述預測模型為通過深度神經網絡算法訓練得到的模型；

將所述目標特征值輸入至所述目標預測模型中，輸出所述光伏發電站在預設時刻的預測發電功率。

2.根據權利要求1所述的方法，其特征在于，通過套索算法對所述氣象數據以及所述發電功率進行特征選取，得到目標特征值，包括：

對所述氣象數據以及所述發電功率進行初步特征選取，得到多個特征；

通過所述套索算法計算每個所述特征的回歸系數，其中，所述特征的回歸系數用于表征所述特征對所述發電功率的影響程度；

根據所述回歸系數從多個所述特征中確定目標特征；

基于所述氣象數據以及所述發電功率確定所述目標特征對應的目標特征值。

3.根據權利要求1所述的方法，其特征在于，所述預測模型通過以下方法訓練生成：

獲取所述光伏發電站在多個歷史時刻下的歷史發電功率；

獲取所述光伏發電站所在區域在所述多個歷史時刻下的歷史氣象數據，其中，所述歷史氣象數據至少包括歷史天氣類型；

根據所述多個歷史時刻下的歷史氣象數據以及歷史發電功率構建歷史數據集；

根據所述歷史天氣類型將所述歷史數據集劃分為多個歷史子數據集，其中，每種歷史天氣類型對應一個所述歷史子數據集；

通過所述套索算法對每個所述歷史子數據集進行特征選取，得到每個所述歷史子數據集對應的訓練特征值；

根據所述歷史子數據集對應的訓練特征值訓練得到所述預測模型，其中，每個所述預測模型與一個所述歷史子數據集相對應。

4.根據權利要求3所述的方法，其特征在于，根據所述歷史天氣類型將所述歷史數據集劃分為多個歷史子數據集，包括：

對所述歷史數據集進行異常值處理，得到第一歷史數據集；

通過線性插值的方式對所述第一歷史數據集進行缺失值填充處理，得到第二歷史數據集；

對所述第二歷史數據集進行數據歸一化處理，得到目標歷史數據集；

根據所述歷史天氣類型將所述目標歷史數據集劃分為多個所述歷史子數據集。

5.根據權利要求3所述的方法，其特征在于，根據所述歷史子數據集對應的訓練特征值訓練得到所述預測模型，包括：

根據預設比例將所述歷史子數據集劃分為訓練集、驗證集以及測試集，其中，所述訓練集用于訓練得到所述預測模型，所述驗證集用于對所述預測模型的性能進行初步評估，所述測試集用于對所述預測模型的性能進行最終評估；

確定所述訓練集對應的訓練特征值為目標訓練特征值；

根據所述訓練集以及所述目標訓練特征值訓練得到所述預測模型。

6.根據權利要求5所述的方法，其特征在于，根據所述訓練集以及所述目標訓練特征值訓練得到所述預測模型，包括：

隨機確定深度神經網絡中每個神經元的權重，其中，所述深度神經網絡中至少包括多個輸入層神經元、多個隱藏層神經元以及至少一個輸出層神經元；

將所述目標訓練特征值輸入至所述深度神經網絡中；

根據所述每個神經元的權重計算所述目標訓練特征值在通過所述每個神經元后的輸出值；

根據所述輸出值訓練得到所述預測模型。

7.根據權利要求6所述的方法，其特征在于，根據所述輸出值訓練得到所述預測模型，包括：

根據所述輸出層神經元輸出的輸出值確定所述深度神經網絡的輸出結果；

通過預設的損失函數確定所述輸出結果與實際的歷史發電功率之間的損失值；

根據反向傳播算法以及所述損失值確定所述損失函數的極小值；

根據所述極小值更新所述每個神經元的權重，得到所述預測模型。