(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 202210970798.7 (22)申请日 2022.08.13 (71)申请人 国网安徽省电力有限公司电力科 学 研究院 地址 230601 安徽省合肥市经济技 术开发 区紫云路299号 申请人 安徽大学 (72)发明人 陈凡　李智　汪玉　孙建　丁津津　 徐斌　张倩　伍骏杰　陈权　 (74)专利代理 机构 深圳天融专利代理事务所 (普通合伙) 44628 专利代理师 张莉 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06N 20/20(2019.01) G06N 3/08(2006.01) G06N 3/04(2006.01) H02J 3/00(2006.01) (54)发明名称 光伏发电功率预测模 型的训练方法、 预测方 法、 装置 (57)摘要 本发明实施例公开了一种光伏发电功率预 测模型的训练方法、 预测方法、 装置。 按照天气类 型， 将待训练数据进行划分， 得到多种划分后的 待训练数据； 将多种划分后的待训练数据输入预 设的光伏功率集成预测模型Stacking  TCN‑ LGBM‑PM中； 基于 预设的光伏功率集成预测模型， 对每种划分后的待训练数据进行计算， 得到每种 划分后的待训练数据对应的光伏功率； 根据计算 得到的每种划分后的待训练数据对应的光伏功 率和每种划分后的待训练数据对应的标识光伏 功率， 对光伏功率集成预测模型进行训练， 得到 训练后的多种天气类型对应的光伏功率集成预 测模型。 解决了光伏发电功率预测精度过低的问 题， 提高了光伏发电功率的预测精度。 权利要求书2页 说明书11页 附图13页 CN 115271242 A 2022.11.01 CN 115271242 A 1.一种光伏发电功率预测模型的训练方法， 其特 征在于， 所述方法包括： 按照天气类型， 将待训练数据进行划分， 得到多种划分后的待训练数据， 其中， 所述多 种划分后的待训练数据包括晴天数据、 阴天数据以及雨天数据； 将所述多种划分后的待训练数据输入预设的光伏功率集成预测模型Stacking  TCN‑ LGBM‑PM中； 基于预设的光伏功率集成预测模型， 对每种划分后的待训练数据进行计算， 得到每种 划分后的待训练数据对应的光伏 功率； 根据计算得到的每种划分后的待训练数据对应的光伏功率和每种划分后的待训练数 据对应的标识光伏功率， 对所述光伏功率集成预测模型进行训练， 得到训练后的多种天气 类型对应的光伏 功率集成预测模型， 其中， 一种天气类型对应一种光伏 功率集成预测模型。 2.根据权利要求1所述的方法， 其特征在于， 所述基于预设的光伏功率集成预测模型， 对每种划分后的待训练数据进行计算， 得到每种划分后的待训练数据对应的光伏功率， 包 括： 基于预设的光伏功率集成预测模型， 根据每种划分后的待训练数据中的湿度、 温度以 及太阳辐射 量， 计算得到每种划分后的待训练数据对应的光伏 功率。 3.根据权利要求1或2所述的方法， 其特征在于， 所述TCN包括空洞卷积和残差模块模 型； 所述空洞卷积包括输入层、 隐藏层以及输出层， 所述空洞卷积中的扩张卷积计算公式 为 其中空洞系数d＝(1, …,2L)， k为卷积核大小； 所述残差模块模型包括激活函数Relu和空洞卷积层； 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。 4.根据权利要求1所述的方法， 其特征在于， 所述LGBM基于Leaf ‑wise算法寻找叶子、 分 裂， 并以此循环， LGBM在Leaf ‑wise上增加深度限制， 防止出现过拟合的现象； 其中， LGBM的目标函数为Obj(t)＝L(t)+Ω(t)+c， 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， L(t)表示损失函数， 5.根据权利 要求1所述的方法， 其特征在于， Stacking集成模型包括第一层预测模型和 第二层预测模型， 其中， 所述第一层预测模型包括多个基学习器， 所述第二层预测模型包括 元学习器。 6.一种光伏发电功率预测方法， 其特 征在于， 所述预测方法包括： 获取待预测的天气数据， 并确定所述天气数据的天气类型； 基于与所述天气类型对应的光伏功率集成预测模型， 对所述天气数据进行计算， 得到 光伏发电功率， 其中， 所述光伏功率集成预测模型是基于权利要求1至5中任意一项所述的 训练方法得到的。 7.一种光伏发电功率预测模型的训练装置， 其特 征在于， 所述装置包括：权　利　要　求　书 1/2 页 2 CN 115271242 A 2划分模块， 用于按照天气类型， 将待训练数据进行划分， 得到多种划分后的待训练数 据， 其中， 所述多种划分后的待训练数据包括晴天数据、 阴天数据以及雨天数据； 输入模块， 用于将所述多种划分后的待训练数据输入预设的光伏功率集成预测模型 Stacking TCN‑LGBM‑PM中； 计算模块， 用于基于预设的光伏功率集成预测模型， 对每种划分后的待训练数据进行 计算， 得到每种划分后的待训练数据对应的光伏 功率； 训练模块， 用于根据计算得到的每种划分后的待训练数据对应的光伏功率和每种划分 后的待训练数据对应的标识光伏功率， 对所述光伏功率集成预测模型进行训练， 得到训练 后的多种天气类型对应的光伏功率集成预测模型， 其中， 一种天气类型对应一种光伏功率 集成预测模型。 8.一种光伏发电功率预测装置， 其特 征在于， 所述预测装置包括： 确定模块， 用于获取待预测的天气数据， 并确定所述天气数据的天气类型； 计算模块， 用于基于与所述天气类型对应的光伏功率集成预测模型， 对所述天气数据 进行计算， 得到光伏发电功 率， 其中， 所述光伏功 率集成预测模型是基于权利要求 1至5中任 意一项所述的训练方法得到的。 9.一种电子设备， 其特征在于， 所述电子设备包括： 处理器以及存储有计算机程序指令 的存储器； 所述处理器执行所述计算机程序指令时实现如权利要求1 ‑5中任意一项所述的光伏发 电功率预测模型的训练方法， 或者， 实现如权利要求6所述的光伏发电功率预测方法。 10.一种计算机存储介质， 其特征在于， 所述计算机存储介质上存储有计算机程序指 令， 所述计算机程序指令被处理器执行时实现如权利要求1 ‑5中任意一项所述的光伏发电 功率预测模型的训练方法， 或者， 实现如权利要求6所述的光伏发电功率预测方法。权　利　要　求　书 2/2 页 3 CN 115271242 A 3