(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 202210893658.4 (22)申请日 2022.07.27 (71)申请人 正泰电气股份有限公司 地址 201600 上海市松江区思贤路3 555号 (72)发明人 张宠　裴军　周泉　吴昊　高鹏　 蒋新波　马赫然　李小卉　 (74)专利代理 机构 北京康信知识产权代理有限 责任公司 1 1240 专利代理师 周春枚 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) H02J 3/00(2006.01) (54)发明名称 光伏发电功率的预测方法、 装置及电子设备 (57)摘要 本申请公开了一种光伏发电功率的预测方 法、 装置及电子设备。 其中， 该方法包括： 获取光 伏发电站的所在区域在当前时刻 的气象数据以 及光伏发电站在当前时刻的发电功率， 其中， 气 象数据中至少包括天气类型； 通过套索算法对气 象数据以及发电功率进行特征选取， 得到目标特 征值； 根据天气类型从多个预先训练的预测模型 中确定目标预测模型， 其中， 每个预测模型与一 种天气类型相对应， 预测模型为通过深度神经网 络算法训练得到的模型； 将目标特征值输入至目 标预测模型中， 输出光伏发电站在预设时刻的预 测发电功率。 本申请解决了 现有技术中光伏发电 功率预测模 型准确度低、 深层特征信息利用率低 的技术问题。 权利要求书2页 说明书11页 附图5页 CN 115186923 A 2022.10.14 CN 115186923 A 1.一种光伏发电功率的预测方法， 其特 征在于， 包括： 获取光伏发电站的所在区域在当前时刻的气象数据以及所述光伏发电站在所述当前 时刻的发电功率， 其中， 所述气象数据中至少包括天气类型； 通过套索算法对所述气象数据以及所述发电功率进行 特征选取， 得到目标 特征值； 根据所述天气类型从多个预先训练的预测模型中确定目标预测模型， 其中， 每个所述 预测模型与一种天气类型相对应， 所述预测模型为通过深度神经网络算法训练得到的模 型； 将所述目标特征值输入至所述目标预测模型中， 输出所述光伏发电站在预设时刻的预 测发电功率。 2.根据权利要求1所述的方法， 其特征在于， 通过套索算法对所述气象数据以及所述发 电功率进行 特征选取， 得到目标 特征值， 包括： 对所述气象数据以及所述发电功率进行初步特 征选取， 得到多个特 征； 通过所述套索算法计算每个所述特征的回归系数， 其中， 所述特征的回归系数用于表 征所述特征对所述发电功率的影响程度； 根据所述回归系数从多个所述特 征中确定目标 特征； 基于所述气象数据以及所述发电功率确定所述目标 特征对应的目标 特征值。 3.根据权利要求1所述的方法， 其特 征在于， 所述预测模型通过以下 方法训练生成： 获取所述光伏发电站在多个历史时刻下的历史发电功率； 获取所述光伏发电站所在区域在所述多个历史时刻下的历史气象数据， 其中， 所述历 史气象数据至少包括历史天气类型； 根据所述多个历史时刻下的历史气象数据以及历史发电功率构建历史数据集； 根据所述历史天气类型将所述历史数据集划分为多个历史子数据集， 其中， 每种历史 天气类型对应一个所述历史子数据集； 通过所述套索算法对每个所述历史子数据集进行特征选取， 得到每个所述历史子数据 集对应的训练特 征值； 根据所述历史子数据集对应的训练特征值训练得到所述预测模型， 其中， 每个所述预 测模型与一个所述历史子数据集相对应。 4.根据权利要求3所述的方法， 其特征在于， 根据 所述历史天气类型将所述历史数据集 划分为多个历史子数据集， 包括： 对所述历史数据集进行异常值处 理， 得到第一历史数据集； 通过线性插值的方式对所述第 一历史数据集进行缺失值填充处理， 得到第 二历史数据 集； 对所述第二历史数据集进行 数据归一 化处理， 得到目标历史数据集； 根据所述历史天气类型将所述目标历史数据集划分为多个所述历史子数据集。 5.根据权利要求3所述的方法， 其特征在于， 根据 所述历史子数据集对应的训练特征值 训练得到所述预测模型， 包括： 根据预设比例将所述历史子数据集划分为训练集、 验证集以及测试集， 其中， 所述训练 集用于训练得到所述预测模型， 所述验证集用于对所述预测模型 的性能进行初步评估， 所 述测试集用于对所述预测模型的性能进行最终评估；权　利　要　求　书 1/2 页 2 CN 115186923 A 2确定所述训练集对应的训练特 征值为目标训练特 征值； 根据所述训练集以及所述目标训练特 征值训练得到所述预测模型。 6.根据权利要求5所述的方法， 其特征在于， 根据 所述训练集以及所述目标训练特征值 训练得到所述预测模型， 包括： 随机确定深度神经网络中每个神经元的权重， 其中， 所述深度神经网络中至少包括多 个输入层神经 元、 多个隐藏层神经 元以及至少一个输出层神经 元； 将所述目标训练特 征值输入至所述深度神经网络中； 根据所述每个神经元的权重计算所述目标训练特征值在通过所述每个神经元后的输 出值； 根据所述输出值训练得到所述预测模型。 7.根据权利要求6所述的方法， 其特征在于， 根据所述输出值训练得到所述预测模型， 包括： 根据所述输出层神经 元输出的输出值确定所述深度神经网络的输出 结果； 通过预设的损失函数确定所述输出 结果与实际的历史发电功率之间的损失值； 根据反向传播 算法以及所述损失值确定所述损失函数的极小值； 根据所述极小值更新所述每 个神经元的权重， 得到所述预测模型。 8.一种光伏发电功率的预测装置， 其特 征在于， 包括： 获取模块， 用于获取光伏发电站的所在区域在 当前时刻的气象数据以及所述光伏发电 站在所述当前时刻的发电功率， 其中， 所述气象数据中至少包括天气类型； 特征选取模块， 用于通过套索算法对所述气象数据以及所述发电功率进行特征选取， 得到目标 特征值； 确定模块， 用于根据所述天气类型从多个预先训练的预测模型中确定目标预测模型， 其中， 每个所述预测模型与一种天气类型相对应， 所述预测模型为通过深度神经网络算法 训练得到的模型； 输入模块， 用于将所述目标特征值输入至所述目标预测模型中， 输出所述光伏发电站 在预设时刻的预测发电功率。 9.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质中存储有计算机 程序， 其中， 所述计算机程序被 设置为运行时执行所述权利要求 1‑7任一项中所述的光伏发 电功率的预测方法。 10.一种电子设备， 其特征在于， 所述电子设备包括一个或多个处理器； 存储装置， 用于 存储一个或多个程序， 当所述一个或多个程序被所述一个或多个处理器执行时， 使得所述 一个或多个处理器实现用于运行程序， 其中， 所述程序被设置为运行时执行所述权利要求 1‑7任一项中所述的光伏发电功率的预测方法。权　利　要　求　书 2/2 页 3 CN 115186923 A 3