(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 202111425357.0 (22)申请日 2021.11.26 (71)申请人 西安化奇数据科技有限公司 地址 710075 陕西省西安市高新区科技路 37号海星城市广场B座20 02-922室 (72)发明人 王晓妮　 (74)专利代理 机构 西安唐知 知识产权代理事务 所(普通合伙) 61284 代理人 马睿　奇敏 (51)Int.Cl. G06Q 10/04(2012.01) G06N 20/00(2019.01) G06Q 50/06(2012.01) G06Q 10/00(2012.01) (54)发明名称 基于机器学习的光伏功 率短期预测方法、 装 置及存储介质 (57)摘要 本发明涉及基于机器学习的光伏功率短期 预测方法、 装置及存储介质， 该方法包括历史数 据整合、 数据集预处理、 时序趋势分解、 最优特征 筛选、 机器学习建模和预测趋势融合等步骤。 其 采用趋势分解与机器学习算法实现对光伏电站 一定时空尺度下的多维度数据进行整合清洗， 然 后使用时序数据趋势分解法进行功率数据的趋 势分解， 并对比使用多种机器学习回归算法和自 回归模型进行各趋势项的建模预测， 最后结合分 解模型对预测结果进行趋势预测融合， 完成光伏 功率的短期预测。 本发明对功率数据分解后的各 趋势项分别建模， 有效提高预测精度， 为新能源 场站业主带来更精准的功率预测和更大的收益 空间， 助力新能源的科 学规划与合理应用。 权利要求书2页 说明书6页 附图2页 CN 113988477 A 2022.01.28 CN 113988477 A 1.基于机器学习的光伏 功率短期预测方法， 其特 征在于， 所述方法包括： 历史数据整合： 从光伏电站一定时空尺度下收集数据， 并以时间作为索引将它们整合 为时间序列数据； 数据集预处理： 将数据中连续取值的特征进行分箱处理， 并进行缺失值和异常值的数 据清洗； 时序趋势分解： 利用趋势分解法将光伏历史功率的时序数据进行趋势分解， 将其分解 为长期趋势项、 季节变动项、 循环变动项和随机波动项； 最优特征筛选： 使用基于岭回归的递归特 征消除方法进行最优特 征筛选； 机器学习建模： 分别对长期趋势项、 季节变动项、 循环变动项建立机器学习回归预测模 型， 使用均方误差指标进行模型效果的评估； 对随机波动项使用自回归模型拟合并进行白 噪声检验； 预测趋势融合： 对 模型预测结果进行趋势融合， 完成光伏 功率的短期预测。 2.根据权利要求1所述基于机器学习的光伏功率短期预测方法， 其特征在于， 从光伏电 站一定时空尺度下收集数据， 收集的数据包括： 历史功率数据、 气候气象数据、 地理位置数 据、 电站设计数据、 电气效率数据、 管理运营 数据。 3.根据权利要求2所述基于机器学习的光伏功率短期预测方法， 其特征在于， 所述气候 气象数据包括大气层外辐 照度、 气溶胶光学厚度、 太阳天顶角、 时空尺度、 空气质量指数、 空 气温度、 降水量、 湿度； 所述地理位置数据包括场地条件、 周边环境、 经纬度、 地形； 所述电站设计数据包括光伏电池板倾角、 自清洁能力、 容量设计、 放置设计、 设备选型、 阵列选型； 所述电气效率数据包括逆变器的最大功率点跟踪速度和精度、 逆变器启动 时间、 逆变 器温度、 组件阵列的转化效率、 灰尘的清洁频率、 汇流箱的接触电阻和质量、 电缆的电阻和 温度； 所述管理运营 数据包括弃光、 清洁方式、 清洁频率、 调度约束、 运营维护。 4.根据权利要求3所述基于机器学习的光伏功率短期预测方法， 其特征在于， 时序趋势 分解中， 采用X ‑11分解法。 5.根据权利要求4所述基于机器学习的光伏功率短期预测方法， 其特征在于， 预测趋势 融合中， 对长期趋势项的预测结果 季节变动项的预测结果 循环变动项的预测 结果 和随机波动项的预测结果 进行趋势融合， 光伏功率的短期预测结果 为： 6.一种基于 机器学习的光伏 功率短期预测的装置， 其特 征在于， 所述装置包括： 历史数据整合模块， 用于从光伏电站一定时空尺度下收集数据， 并以时间作为索引将 它们整合为时间序列数据； 数据集预处理模块， 用于将数据中连续取值的特征进行分箱处理， 并进行缺失值和异 常值的数据清洗； 时序趋势分解模块， 用于利用趋势分解法将光伏历史功率的时序数据进行趋势分解，权　利　要　求　书 1/2 页 2 CN 113988477 A 2将其分解 为长期趋势项、 季节变动项、 循环变动项和随机波动项； 最优特征筛选模块， 用于使用基于岭回归的递归特 征消除方法进行最优特 征筛选； 机器学习建模模块， 用于分别对长期趋势项、 季节变动项、 循环变动项建立机器学习回 归预测模型， 使用均方误差指标进行模型效果的评估； 对随机波动项使用自回归模型拟合 并进行白噪声检验； 预测趋势融合模块， 用于对 模型预测结果进行趋势融合， 完成光伏 功率的短期预测。 7.一种基于 机器学习的光伏 功率短期预测的电子设备， 其特 征在于， 包括： 至少一个处理器； 以及与所述处理器通信连接的至少一个存储器， 其中： 所述存储器存 储有可被所述处理器执行的程序指 令， 所述处理器调用所述程序指令能够执行如权利要求 1至5中任意一项所述的预测方法。 8.一种基于机器学习的光伏功率短期预测的存储介质， 其特征在于， 所述存储介质存 储计算机指令， 所述计算机指令被计算机执行时实现如权利要求 1至5中任意一项 所述的预 测方法。权　利　要　求　书 2/2 页 3 CN 113988477 A 3