(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 202111679639.3 (22)申请日 2021.12.31 (71)申请人 安徽电力交易中心有限公司 地址 230022 安徽省合肥市包河区黄山路9 号 申请人 安徽大学 (72)发明人 崔锦瑞　江海龙　程鸿鹄　李永波　 张倩　 (74)专利代理 机构 合肥天明专利事务所(普通 合伙) 34115 专利代理师 苗娟 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 电力市场背景下的短期光伏功率预测方法、 介质及设备 (57)摘要 本发明的一种电力市场背景下的短期光伏 功率预测方法、 介质及设备， 其中方法包括以下 步骤， 基于NWP数值， 将天气分为晴天、 阴天、 阵雨 和全雨四种天气模型； 判断待测日天气类型， 根 据待测日天气类型选择最近的相似日光伏功率 历史数据和历史NWP数值； 将归类后的数据集输 入Stacking集成模型的一层预测模型中的各基 学习器； 获得各基学习器的预测结果， 构建新的 训练集并输入二层预测模型； 获得二层元学习器 的预测结果， 即为最终光伏发电功率预测值。 本 发明采用联合机理模型和数据驱动的算法可以 有效降低预测对 数据的依赖， 在数据质量和数量 不理想的情况下， 可 以兼顾预测的精度、 速度和 可靠性， 并且 大幅减小实际生产中获取数据的成 本， 具有显著的经济效益。 权利要求书2页 说明书9页 附图4页 CN 114492945 A 2022.05.13 CN 114492945 A 1.一种电力市场背景 下的短期光伏 功率预测方法， 其特 征在于， 包括以下步骤， 基于NWP数值， 将天气分为晴天、 阴天、 阵雨和全雨四种天气模型； 判断待测日天气类型， 根据待测日天气类型选择最近的相似日光伏功率历史数据和历 史NWP数值； 将归类后的数据集输入Stack ing集成模型的一层预测模型中的各基学习器； 获得各基学习器的预测结果， 构建新的训练集并输入二层预测模型； 获得二层元 学习器的预测结果， 即为 最终光伏发电功率预测值。 2.根据权利要求1所述的电力市场背景下的短期光伏功率预测方法， 其特征在于： 基于 NWP数值， 将天气分为晴天、 阴天、 阵雨和全雨四种天气模型； 具体包括： 选取NWP中的云量C和降雨量p作为天气的分型因素， 按照白天平均云量分为晴天模型 和阴天模型， 按照白天降雨时长分为阵雨模型和全雨模型； 晴天模型为 阴天模型为 阵雨模型为 全雨模型为 c1为晴天和阴天模 型的分型阈值， t1为阵雨和全雨模 型的分型阈值； 根据短期天 气预报国家标准及气象学原理， c1＝0.7， t1＝4。 3.根据权利要求1所述的电力市场背景下的短期光伏功率预测方法， 其特征在于： 所述 Stacking集成模型的一层预测模型包括 光伏发电的物理特性模型如公式(1)所示： P＝ ηSI[1 ‑0.005(t+25)]  (1) 式中， P为光伏发电功率， η为光伏板转换效率， S为光伏板有效面积， I为辐照度， t为光 伏板工作温度。 4.根据权利要求3所述的电力市场背景下的短期光伏功率预测方法， 其特征在于： 一层 预测模型还 包括TCN网络预测模型， 所述TCN网络预测模型构建步骤如下， 空洞卷积步骤， 每 个TCN层含有L个卷积层， 扩张卷积计算公式为： 式中： 空洞系数d＝(1, …,2L)， k为卷积核大小； 残差链接步骤： Relu表示线性整流 函数， 用作神经网络的激活函数； DC  Conv表示空洞卷积层； 公式(3)、 (4)表示TCN的激活函数： 式中： W(1)、 W(2)为对应输入的权重矩阵， b为偏置向量， S(i,j)表示第j块第i层的激活函 数， 公式(3)表示t时刻空洞卷积的结果， 公式(4)表示加入残差链接后的结果。 5.根据权利要求 4所述的电力市场背景 下的短期光伏 功率预测方法， 其特 征在于，权　利　要　求　书 1/2 页 2 CN 114492945 A 2获得各基学习器的预测结果， 构建新的训练集并输入二层预测模型， 采用以下算法： 采用LightGBM模型基于直方图的算法来缓解高维数据对预测的影响； Li ghtGBM模型采 用带深度限制的Leaf ‑wise算法进行优化； LightGBM模型的目标函数如下： Obj(t)＝ L(t)+Ω(t)+c          (5) 式中： Obj(t)为优化目标， Ω(t)表示正则函数， 反映模型的复杂度； t表示采样时间； c 表示额外参数， 避免过拟合并优化 树深度； L(t)表示损失函数， 通过描述了N个采样点的实际值yi和预测值 的比较来反映模型的 拟合度； 定义如下： 通过对回归树进行串联耦合， 传输先前学习器的残差信息； 最终输出 由剩余树的累 加生成。 6.根据权利要求5所述的电力市场背景 下的短期光伏 功率预测方法， 其特 征在于： 获得各基学习器的预测结果， 构建新的训练集并输入二层预测模型， 还 采用以下算法： 采用基于梯度的单边采样算法GOSS， 在取样时， GOSS会将满足条件 的大梯度样本全部 保留作为被采样的数据， 而对梯度较小的样本采取随机采样的方式。 7.根据权利要求6所述的电力市场背景 下的短期光伏 功率预测方法， 其特 征在于： 获得各基学习器的预测结果， 构建新的训练集并输入二层预测模型， 还 采用以下算法， 采用了互斥特征绑定的方法EFB， GOSS采样后， 会用绑定互斥特征的方式来减少特征的 维度以防止维度灾并提升计算效率。 8.根据权利要求7 所述的电力市场背景 下的短期光伏 功率预测方法， 其特 征在于： Stacking集成模型的一层 预测模型通过交叉验证将数据集进行划分为多个子集， 并对 评估结果进 行融合， 降低模型预测结果的方差， 提高模型的泛化能力， 避免过拟合现象的发 生； K折交叉验证即将数据集平均分为K份， 其中K ‑1份作为训练集， 剩余1份为验证集； 用以 上K种情况的训练集训练得到模型超参数。 9.一种计算机可读存储介质， 存储有计算机程序， 所述计算机程序被处理器执行时， 使 得所述处理器执行如权利要求1至8中任一项所述方法的步骤。 10.一种计算机设备， 包括存储器和 处理器， 所述存储器存储有计算机程序， 所述计算 机程序被所述处理器执行时， 使得所述处理器执行如权利要求1至8中任一项 所述方法的步 骤。权　利　要　求　书 2/2 页 3 CN 114492945 A 3