(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 202111405507.1 (22)申请日 2021.11.24 (71)申请人 华能新能源股份有限公司 地址 100036 北京市海淀区复兴 路甲23号 10、 11层 申请人 北京华能新锐控制技 术有限公司 (72)发明人 叶林　杨继明　王雪璐　李洪灯　 徐美娇　王传鑫　田长凤　王建国　 吴伯双　 (74)专利代理 机构 北京中知法苑知识产权代理 有限公司 1 1226 专利代理师 景艳伟 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06N 3/00(2006.01) (54)发明名称 风电机组和光伏系统功率的智能预测方法 (57)摘要 本发明提供一种风电机组和光伏系统功率 的智能预测方法， 属于光伏发电技术领域。 本发 明方法包括： 采集风电机组和光伏系统的运行数 据， 并选定预测类型； 基于所述运行数据选取输 入输出变量； 基于小波去噪的运行数据预处理； 基于多目标松鼠算法的预测模型建立。 本发明提 供一种大数据背景下的智能预测方法以实现风 电机组和光伏系统的快速精确功率预测， 该方法 考虑了风电机组和光伏 阵列对外界环境变化的 敏感性， 基于发电机组的海量实际运行数据， 首 先通过特征提取和数据去噪实现待建模型输入 输出变量的选取和训练数据预处理， 然后构建多 目标松鼠优化算法实现模型参数的优化， 有效提 高风电机组和光伏系统输出功率预测过程的快 速性和精确性。 权利要求书3页 说明书12页 附图2页 CN 114662729 A 2022.06.24 CN 114662729 A 1.一种风电机组和光伏系统功率的智能预测方法， 其特 征在于， 包括下述具体步骤： 采集风电机组和光伏系统的运行 数据， 并选 定预测类型； 基于所述 运行数据选取输入输出变量； 基于小波去噪的运行 数据预处 理； 基于多目标松鼠算法建立预测模型， 以对风电机组和光伏系统功率进行 预测。 2.根据权利要求1所述的方法， 其特征在于， 所述采集风电机组和光伏系统的运行数 据， 并选定预测类型， 包括： 采样间隔T分别得到风电机组和光伏系统不同运行时段和气象条件下含N个数据对的 运行数据集合； 根据实际需求决定是进行风电机组还是光伏系统的功率预测， 并设置指针P进行预测 类型的区分， 以选 定预测类型。 3.根据权利要求2所述的方法， 其特征在于， 所述设置指针P进行预测类型的区分， 以选 定预测类型， 包括： 设置指针P进行预测类型的区分， 若P＝1则是进行风电功率预测， 若P＝0则进行光伏系 统输出功率预测。 4.根据权利要求1至3任一项所述的方法， 其特征在于， 所述基于所述运行数据选取输 入输出变量， 包括： 以t代表当前采样时刻， 假设采样数据中以风速、 风向、 环境温度等气象数据为输入变 量集合并记为{u1,u2,…,un}， 此时机组输出功率为唯一的输出变量y， 其中， 清空特征空间 并定义如下准则函数： 其中： ui(t)代表第i个输入变量在时刻t的值， y(t)代 表输出功率在时刻t的值； 计算各输入变量的准则函数值并选择其中最大的L个特征添加到特征空间， 同时， 在已 构建的特 征空间中淘汰准则函数值 最小的R个特 征， R<L； 重复上述 步骤直到被选中的特 征个数满足阈值th 。 5.根据权利要求4所述的方法， 其特征在于， 所述基于小波去噪的运行数据预处理， 包 括： 设U(t)＝{u1(t),u2(t),…,um(t),y(t)}为机 组输入输出变量合 并所得广义输入向量， 将其表示 为如下带有噪声的信号形式： U(t)＝s(t)+e(t),(t＝1,2, …,N)； 其中， s(t)为实际不含噪声的信号， e(t)为噪声信号； 选取小波函数并定义分解层次K， 对上述信号进行小 波分解： W0U＝W0s+W0σ e 其中， U＝{U(1),U(2), …,U(N)}， s＝{s(1),s(2), …,s(N)}， 高斯白噪声e＝{e(1),e (2),…,e(N)}， W0为小波系数； 通过小波分解可得到每一个分解层次中的高频系数， 并对其进行阈值量化， 具体通过 如下软约束实现；权　利　要　求　书 1/3 页 2 CN 114662729 A 2将小波系数中小于阈值 k的置为0， 大于阈值 k的则向0收缩； 阈值 k的表达式如下： 其中， σ 为噪声信号的方差； 将软阈值 量化处理后的高频系数和之前 所得的低频系数进行小 波重构： 其中： s*是重构后的信号； w0是量化后的高频系数和原有低频系数的叠加值， d为重构因 子。 6.根据权利要求5所述的方法， 其特征在于， 所述基于多目标松鼠算法建立预测模型， 以对风电机组和光伏系统功率进行 预测， 包括： 设模型中的待 辨识参数向量为θ*， 将辨识过程的建模误差作为适应度函数， 并将初始化 松鼠种群中总的个 体数为Np， 之后将种群位置进行随机初始化； 计算种群中每个松鼠个体位置的适应度， 并按照适应度值进行升序排列将种群划分为 山核桃树上的Nh只松鼠、 橡 子树上的Na只松鼠和普通 树上的Nn只松鼠； 通过引入拥挤距离度量和基于帕累托前沿的最优选择机制， 以实现松鼠算法的多目标 搜索。 7.根据权利要求6所述的方法， 其特征在于， 所述计算种群中每个松鼠个体位置的适应 度， 并按照适应度值进行升序排列将种群划分为山核桃树 上的Nh只松鼠、 橡子树 上的Na只松 鼠和普通 树上的Nn只松鼠， 包括： 分别通过数学公式描述松鼠的动态觅食行为， 包括从橡子树到山核桃树的位置更新、 从一般树分别到 橡子树和山核桃树的位置更新； 通过季节自适应智能提高算法的搜索能力； 借助莱维 飞行公式， 对其种群中每 个松鼠个 体进行随机 重新定位。 8.根据权利要求6所述的方法， 其特征在于， 所述通过引入拥挤距离度量和基于帕累托 前沿的最优选择机制， 以实现松鼠算法的多目标搜索， 包括： 单一解的拥挤距离度量是其两个相邻解的平均距离： 其中： Fj(i‑1)和Fj(i+1)分别表示第j个子目标前后两个相邻解， 和 分别为第j 个子目标的最大、 最小值； 对于一个多目标优化问题， 任何两个解θ*(t)和 都满足以下三种情况之一： 权　利　要　求　书 2/3 页 3 CN 114662729 A 3