(19)中华 人民共和国 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 202111641014.8 (22)申请日 2021.12.2 9 (71)申请人 润建股份有限公司 地址 530007 广西壮 族自治区南宁市西乡 塘区总部路１号中国东盟科技企业孵 化基地一期D7栋501室 (72)发明人 崔华　利国鹏　周冠宇　刘国建　 刘诚　李陈晨　肖梦杰　 (74)专利代理 机构 北京市盈科律师事务所 11344 代理人 韦锦捷 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) H02J 3/00(2006.01) (54)发明名称 一种短期细粒度光伏电站功率概率预测方 法 (57)摘要 本发明提出一种短期细粒度光伏电站功率 概率预测方法， 包括以下步骤： 1)光伏电站功率、 气象数据获取， 并进行缺失值、 异常值处理； 2)提 取气象特征， 对气象特征进行特征选择； 3)基于 时间特征、 气象特征构建特征向量； 4)基于 DeepAR模型和特征向量构建短期光伏电站功率 概率预测模型， 得到预测点的置信区间和预测 值。 本发明可适用于细粒度的光伏电站功率概率 预测， 能够输出具有统计学解释性的预测结果， 不仅预测效果较好， 而且可以得到预测点不同置 信度的置信区间。 权利要求书2页 说明书5页 附图2页 CN 114330660 A 2022.04.12 CN 114330660 A 1.一种短期细粒度光伏电站 功率概率预测方法， 其特 征在于， 包括以下步骤： 步骤1， 数据获取及预处 理； 步骤2， 气象特 征提取与气象特 征选择； 步骤3， 基于时间特 征、 气象特 征构建特 征向量； 步骤4， 基于DeepA R模型和特征向量构建短期光伏电站功率概率预测模型， 得到预测点 的置信区间和预测值。 2.根据权利要求1所述的一种短期细粒度光伏电站功率概率预测方法， 其特征在于， 所 述步骤1中， 获取 的数据包括光伏电站间隔一小时的历史气象数据和间隔15分钟发电功率 数据； 所述气象数据包括实测 辐照度、 温度、 天气类型、 风速、 风向、 湿度、 压强、 降水量； 所述预处理包括对异常值和缺失值进行预处理， 具体为采用上一个有效值代替异常值 或缺失值； 所述异常值 为超过平均值加减3倍标准差之外的值。 3.根据权利要求1所述的一种短期细粒度光伏电站功率概率预测方法， 其特征在于， 所 述步骤2包括： (1)对于时刻th， 将气象数据列入气象特 征集合， 计算晴空指数： 其中I(th)为辐照度， Isc为太阳常数， d为日期， δ为太阳赤纬角， 为光伏电站纬度， θt为 太阳时角； (2)利用已有气象特征的组合,计算其高阶特征气象特征， 即气象特征集合两两之间的 2阶交互项； (3)使用XGb oost模型对时刻th的气象特征、 高阶特征气象特征、 天气类型、 晴空指数与 光伏电站时刻th的实测辐照度的关系进行拟合训练， 计算各个特征的重要度， 以进行特征 选择， 同时将模型拟合 值作为修正辐照度； (4)最终选取天气类型、 晴空指数、 修正辐照度、 辐照度、 温度、 天气类型、 风速、 风向、 湿 度、 压强、 降水量和较为重要的高阶特 征气象特 征作为气象特 征集合Tnwp。 4.根据权利要求1所述的一种短期细粒度光伏电站功率概率预测方法， 其特征在于， 所 述步骤3包括： (1)构建时间特征集合， 考虑时刻t的月份、 一年中的第几天、 本月的第几天、 本周的第 几天、 小时、 分钟构成时刻t的时间特 征集合Ttime,t； (2)对于时刻t， 考虑整点th的气象特征 距离整点th的时间距离、 下一整点th+1的 气象特征 距离下一整点th+1的时间距离， 构成时刻t的气象特 征Tnwp,t； (3)时刻t的气象特 征Tnwp,t和时间特 征集合Ttime,t构成特征向量Tt； (4)对特征向量Tt中的数值特征进行数值标准化 处理， 将特征向量Tt中数值特征放缩至 区间[‑0.5,0.5]， 特征向量Tt中类别特征进行独热编码， 得到最终的特征向量Xt， 观测值为 时刻t的光伏发电功率zt。 5.根据权利要求1所述的一种短期细粒度光伏电站功率概率预测方法， 其特征在于， 所 述步骤4中， 所述预测模型分为训练过程和预测过程两个阶段：权　利　要　求　书 1/2 页 2 CN 114330660 A 2(1)训练过程： 训练时， 在每一个时间步t， 网络输入特征记为xi， t， 上一个时间步的取值记为zi,t‑1， 以 及上一个时间步的状态hi,t‑1， 计算当前的状态 进而计算似然l(z|θ ) 的参数 最后最大化对数似然 来学习网络的参数； 的具体形式取决于似然函数l(z|θ )， 而似然函数根据数据本身的统计特征来选择， 选择高 斯分布则 θ ＝( μ, σ )， 似然函数为： 训练时设置训练时间窗长度为一天， 即神经元LSTM的时间窗； 预测长度为4*n个点， 即 得到未来n小时内每15分钟粒度的预测值； 将所有时刻t的特征向量Xt和光伏发电功率zt构 成数据集D＝(T,z)； 将数据集D按照8:1:1的比例划分为训练集Dtrain、 验证集Dval、 测试集 Dtest； 在训练集Dtrain和验证集Dval上进行预测模型的训练， 其中验证集Dval负责评估训练过 程中的拟合损失， 为训练提供优化方向， 防止过拟合； (2)预测过程： 训练完成后， 预测时将t＜t0的历史数据输入网络， 获得初始状态 使用祖先采样方 法获取结果： 对于t0,t0+1,K,T， 在每一个时间步随机采样得到 该采样作为下一 个时间步的输入； 重复此过程即可得到一系列t0～T的采样值， 利用这些采样值计算所 需的 目标值。权　利　要　求　书 2/2 页 3 CN 114330660 A 3