(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111668399.7 (22)申请日 2021.12.31 (66)本国优先权数据 202111501990.3 2021.12.09 CN (71)申请人 中广核(北京)新能源科技有限公司 地址 100000 北京市丰台区南四环西路186 号汉威国际二区5号楼 (72)发明人 王恩路　王宁　苏宝定　韩则胤　 韩国强　 (74)专利代理 机构 陕西佳禾宏盛知识产权代理 事务所 (特殊普通合伙) 61280 专利代理师 宁文涛 (51)Int.Cl. G06F 30/27(2020.01)G06K 9/62(2022.01) G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06F 119/08(2020.01) (54)发明名称 主成分分析法和Resnet网络的光伏设备发 电量损耗预测方法 (57)摘要 本发明提供了主成分分析法和Resnet网络 的光伏设备发电量损耗预测方法， 包括以下步 骤： S1数据处理： 计算不同光伏设备类型的设备 类型指数， 并获取影响光伏设备发电量损耗的因 素； S2预测评估模型的建立： 在所述影响光伏设 备发电量损耗的因素中， 通过主成分分析法构建 主成分因素， 并以主成分因素为模型输入参数， 依据Resnet网络方法构建， 分别构建主体序列预 测评估模型和细 节序列预测评估模型； S3 预测日 前一天数据的获取： 获取预测日前一天光伏设备 发电量耗损序列， 并其分解 成主体部分和细 节部 分； S4序列值的输出： 利用预测评估模型预测， 得 到主体部分预测值和细节部分预测值； S5 预测值 的获得： 将两个预测值利用小波重构， 得到光伏 设备发电量损耗的预测值。 权利要求书2页 说明书15页 附图2页 CN 114510869 A 2022.05.17 CN 114510869 A 1.主成分分析法和 Resnet网络的光伏设备发电量损耗预测方法， 其特征在于， 包括以 下步骤： S1数据处理： 计算不同光伏设备类型的设备类型指数， 并获取影响光伏设备发电量损 耗的内部因素 数据； S2预测评估模型的建立： 在所述影响光伏设备发电量损耗的因素中， 通过主成分分析 法构建主成分因素， 并以主成分因素为模 型输入参数， 依据Resnet网络方法构建， 分别构建 主体序列预测评估 模型和细节序列预测评估 模型； S3预测日前一天数据的获取： 获取预测日前一天光伏设备发电量耗损序列， 并利用基 于集合经验模态分解法将其前一日光伏设备发电量 耗损序列分解成主体部分和细节部分； S4序列值的输出： 分别对主体部分和细节部分， 利用对应的预测评估模型预测， 得到主 体部分预测值和细节部分预测值； S5预测值的获得： 将主体部分预测值和细节部分预测值利用小波重构， 得到光伏设备 发电量损耗的预测值， 进 而得到预测日光伏设备发电量损耗序列预测值。 2.根据权利要求1所述的主成分分析法和Resnet网络的光伏设备发电量损耗预测方 法， 其特征在于， 所述步骤S1数据处理中， 计算不同光伏设备类型的设备类型指数具体为： 利用归一化法， 根据不同光伏设备发电量耗损数据的大小， 将设备类型映射为设备类型指 数以反映设备类型对光伏发电量损耗的影响。 3.根据权利要求2所述的主成分分析法和Resnet网络的光伏设备发电量损耗预测方 法， 其特征在于， 所述计算每种设备类型的设备类型指数 具体为： 依据设备类型将光伏电量损耗曲线 进行分组； 计算每一组光伏电路耗损曲线逐点的平均值， 即得每种设备类型的平均发电量损耗曲 线； 将每种设备类型的平均发电量损耗曲线， 利用归一法计算每种设备类型的设备类型指 数。 4.根据权利要求1所述的主成分分析法和Resnet网络的光伏设备发电量损耗预测方 法， 其特征在于， 所述步骤S1数据处理中， 获取影响光伏设备发电量损耗的内部因素数据具 体为： 获取待预测光伏设备 的汇流箱温度、 汇流箱输出总功率、 逆变器转换效率、 逆变器温 度、 逆变器总输入功率、 逆变器输出功率、 箱变绕组温度和光伏组件效率， 作为内部因素数 据。 5.根据权利要求1所述的主成分分析法和Resnet网络的光伏设备发电量损耗预测方 法， 其特征在于， 所述 步骤S2预测评估 模型的建立具体为： 其中， 光伏设备发电量损耗预测模型中的A1指预测日前一日的主体部分， B1是预测日前 一天的设备类型指数， B2是预测日的设备类型指数， C1,C2分别是预测日前一天和预测日当权　利　要　求　书 1/2 页 2 CN 114510869 A 2天的影响因素数据， D是预测日前一日的细节部分， 是待预测日设备发电量损耗序列的主 体部分的预测值， 是预测日设备发电量损耗序列的细节部分的预测值； 是依据预测日前一日的主体部分、 预测日前一日的设备类型指 数、 预测日的设备类型指数、 预测日前一日的影响因素以及预测日的影响因素所建立的光 伏设备发电量损耗主体序列预测估计模型； 及 分别是 依据预测日前一日的细节序列、 预测日前一日 的设备类型指数、 预测日 的设备类型指数、 预 测日前一日的影响因素以及预测日的影响因素所建立的光伏设备发电量损耗细节序列预 测估计模型。 6.根据权利要求5所述的主成分分析法和Resnet网络的光伏设备发电量损耗预测方 法， 其特征在于， 所述步骤S2预测评估模型的建立中， 所述主成分分析法构建主成分因素具 体为： 采用主成分分析的正交变换法将光伏设备发电量损耗影响因素中可能存在相关性的 变量转换为线性 不相关变量， 转换后的变量将作为 光伏设备发电量损耗的主成分因素。 7.根据权利要求5所述的主成分分析法和Resnet网络的光伏设备发电量损耗预测方 法， 其特征在于， 所述步骤S 3预测日前一 天数据的获取中， 所述基于集合经验模态分解法具 体为： 找出发电量损耗数据序列X(t)所有的极大值点并用三次样条插值函数拟合形成原数 据的上包络线； 找出发电量损耗数据序列 所有的极小值点， 并将所有的极小值点通过三 次样条插值函 数拟合形成数据的下包络线； 上包络线和下包络线的均值记作ml， 将原数据序列X(t)减去该平均包络ml， 得到一个 新的数据 序列hl： X(t)‑ml＝hl 利用集合经验模态分解方法， 预测日前一天光伏设备发电量损耗序列P被分解成了一 个主体序列A1和三个细节序列D1、 D2和D3。 8.根据权利要求1所述的主成分分析法和Resnet网络的光伏设备发电量损耗预测方 法， 其特征在于， 所述步骤S4序列值的输出具体为： 利用Resnet18网络多次迭代残差层数， 获得一个最小的残差值， 即预测值与真实值 误差最小的结果， 并以此 结果为输出结果。 9.根据权利要求8所述的主成分分析法和Resnet网络的光伏设备发电量损耗预测方 法， 其特征在于， 所述序列值的输出中， 所述得到主体部分预测值具体为： 以预测日前一天 光伏设备输出功率、 预测日当天光伏设备输出功率、 预测日前一天的设备类型指数和预测 日当天的设备类型指数作为Resnet网络模 型的输入， 输出对应预测日当天发电量损耗序列 的主体部分， 形成主体部分预测值。 10.根据权利要求9所述的主成分分析法和Resnet网络的光伏设备发电量损耗预测方 法， 其特征在于， 所述细节部 分具体为： 以预测日前一 天的汇流箱温度、 组件效率、 逆变器温 度、 逆变器转换效率、 箱变绕组温度， 预测日当天的汇流箱温度、 组件效率、 逆变器温度、 逆 变器转换效率和箱变绕组温度， 以及预测日前一 天的设备类型指数和当天的设备类型指数 作为Resnet网络模型的输入， 分别输出对应当天 发电量损耗序列的细节部分。权　利　要　求　书 2/2 页 3 CN 114510869 A 3