(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210880764.9 (22)申请日 2022.07.26 (65)同一申请的已公布的文献号 申请公布号 CN 115115137 A (43)申请公布日 2022.09.27 (73)专利权人 国能日新科技股份有限公司 地址 100089 北京市海淀区西三 旗建材城 内1幢二层2 27号 (72)发明人 雍正　向婕　李一　 (74)专利代理 机构 天津合正知识产权代理有限 公司 12229 专利代理师 李成运 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06N 20/20(2019.01) G06N 5/00(2006.01) G06K 9/62(2022.01) H02J 3/00(2006.01) (56)对比文件 US 20190 57171 A1,2019.02.21 US 2018269 964 A1,2018.09.20 CN 103559561 A,2014.02.0 5 廖云涛 等.基 于CMAC-BP神经网络的光伏功 率短期预测. 《信息技 术与标准 化》 .2020,(第9 期), 吴攀.光伏发电系统发电功率预测. 《发电技 术》 .2020,(第0 3期), 审查员 曹俊杰 (54)发明名称 基于匹配统计子波的光伏功率预测方法及 装置 (57)摘要 本发明提出一种基于匹配统计子波的光伏 功率预测方法及装置， 包括S1、 机器学习预测： 建 立气象特征向实发功率的转化模 型； 通过所述转 化模型推理获得预测时间段的初始预测实发功 率曲线； S2、 异常检测： 检测在预测时间段的各 天 是否存在异常时窗， 得到起止时间点对应功率最 大值并取其均值； S3、 统计子波生成： 生成各个信 号道的统计子波， 匹配最优统计子波变频系数， 生成最优统计子波； S4、 以异常时窗对应的各条 最优统计子波曲线， 对初始预测实发功率曲线进 行替换， 重复并修正所有异常时窗。 本发明有效 解决数据质量低、 数据非同分布、 季节转换等影 响功率预测精度问题。 权利要求书3页 说明书9页 附图3页 CN 115115137 B 2022.11.29 CN 115115137 B 1.一种基于匹配统计子波的光伏 功率预测方法， 其特 征在于， 包括： S1、 机器学习预测： 利用数值天气预报的历史大气辐照度数据及转换得到的光伏板辐 照度数据， 结合气象参数进 行机器学习模型建模， 建立气象特征向实发功率的转化模型； 通 过所述转化模型推理获得 预测时间段的初始预测实 发功率曲线； S2、 异常检测： 检测在预测时间段的各天是否存在异常时间段， 即异常时窗， 将异常时 窗转换得到起止时间点对应功率 最大值并取其均值； S3、 统计子波生成： 从历史数据中抽取白天功率数据生成多个信号道， 生成各个信号道 的统计子波， 匹配最优统计子波变频系数， 生成最优统计子波； S4、 以异常时窗对应的各条最优统计子波曲线， 对初始预测实发功率曲线进行替换， 重 复并修正所有异常时窗； 步骤S1中光伏板辐照度数据的转换 方法包括： 通过太阳位置函数得到不同时间的太阳方位角和天穹角， 根据光伏板倾角方位， 换算 成射线激发角度； 由激发角度得到光伏板射线直辐射组分， 经由反照率、 气象预测与历史大 气辐照度数据的大气 散辐射及大气总辐射计算得到光伏板散辐射组分与地面反照组分； 计 算光伏板辐照度， 该值 为光伏板直辐射、 散辐射与反照辐射之和。 2.根据权利要求1所述的基于匹配统计子波的光伏功率预测方法， 其特征在于， 步骤S1 所述机器学习预测的具体方法包括： S101、 利用数值天气预报技术， 预测未来一定时间段的气象参数， 包括大气总辐照度、 直辐照度、 散辐照度、 温度、 湿度、 气压； S102、 采用太阳位置函数， 由预测大气辐照度转换为预测光伏板辐照度， 并记录预测时 间段每天当天光伏板辐照度达 到最大值的时间戳； S103、 利用数值天气预报技术累积历史大气辐照度及转换得到的光伏板辐照度， 结合 包括温度、 湿度、 气压的气象参数进行 学习建模， 建立气象特 征向实发功率的转 化模型； S104、 将S101及S102步骤获得的预测气 象参数作为机器学习模型输入， 进行模型推理 从而获得模型输出 结果作为初始预测实 发功率。 3.根据权利要求1所述的基于匹配统计子波的光伏功率预测方法， 其特征在于， 步骤S2 所述异常检测的具体方法包括： S201、 由近期历史数据统计生成并存储日内经验功率比值转换表， 即记录一天中最大 功率与各采样时间点功率间的历史中位数比值； S202、 统计一天中各个备选时窗的异常波动率的阈值； S203、 扫描预测时间段各天是否存在连续波动率异常， 若存在并满足异常触发条件， 标 记其为低置信区间， 并记录异常起止时间； S204、 对于扫描出的异常时窗， 根据当天异常起止时间点的功率预测值分别通过查询 步骤S201生成的转换表， 转换 得到起止时间点对应功率 最大值并取其均值。 4.根据权利要求1所述的基于匹配统计子波的光伏功率预测方法， 其特征在于， 步骤S3 所述统计子波生成的具体方法包括： S301、 抽取历史数据中白天功率数据， 拼接成新的数据道， 新的数据道中奇数天与偶数 天分别乘以系数1与 ‑1生成信号道， 重复此 过程生成多个信号道； S302、 以目标子波长度为时窗长度， 扫过每 个信号道， 计算并生成自相关道；权　利　要　求　书 1/3 页 2 CN 115115137 B 2S303、 计算每一个自相关道的变频的频率谱及子波谱； S304、 生成各个信号道的统计子波， 并将各道生成的子波进行叠加， 并对子波振幅进行 缩放， 使得最大值 等于预设Scale值， 默认为1； S305、 在S2所得各个异常时窗， 以当天预测的最大功率为统计子波生成器的Scale， 并 将统计子波的波 峰相移至当天光伏板辐照度为最大值的时间点； 通过匹配最优变频系 数， 实现截断统计子波的持续时间与异常时窗的持续时间的误差达到最小， 以该变频系数下生 成最优统计子波曲线。 5.一种基于匹配统计子波的光伏 功率预测装置， 其特 征在于， 包括： 机器学习预测模组： 利用数值天气预报的历史大气辐照度 数据及转换得到的光伏板辐 照度数据， 结合气象参数进行机器学习模型建模， 建立气象特征向实发功率的转化模型； 通 过所述转化模型推理获得 预测时间段的初始预测实 发功率曲线； 异常检测模组： 检测在预测时间段的各天是否存在异常时间段， 即异常时窗， 将异常时 窗转换得到起止时间点对应功率 最大值并取其均值； 统计子波生成模组： 从历史数据中抽取白天功率数据生成多个信号道， 生成各个信号 道的统计子波， 匹配最优统计子波变频系数， 生成最优统计子波； 通过机器学习预测模组、 异常检测模组、 统计子波生成模组， 以异常时窗对应的各条最 优统计子波曲线， 对初始预测实 发功率曲线 进行替换， 重复 并修正所有异常时窗； 所述机器学习预测模组中包括转换单元： 通过太阳位置函数得到不同时间的太阳方位 角和天穹角， 根据光伏板倾角方位， 换算成射线激发角度； 由激发角度得到光伏板射线直辐 射组分， 经 由反照率、 气象预测与历史大气辐照度数据的大气散辐 射及大气总辐 射计算得 到光伏板散辐射组分与地面反照组分； 计算光伏板辐照度， 该值为光伏板直辐射、 散辐射与 反照辐射之和。 6.根据权利要求5所述的基于匹配统计子波的光伏功率预测装置， 其特征在于， 所述机 器学习预测模组包括： 数值天气预报模块： 利用数值天气预报技术， 预测未来一定时间段的气象参数， 包括大 气总辐照度、 直辐照度、 散辐照度、 温度、 湿度、 气压； 特征生成模块： 采用太阳位置函数， 由预测大气辐照度转换为预测光伏板辐照度， 并记 录预测时间段每天当天光伏板辐照度达 到最大值的时间戳； 机器学习 模型训练模块： 利用数值天气预报技术累积历史大气辐照度及转换得到的光 伏板辐照度， 结合包括温度、 湿度、 气压的气象参数进行学习建模， 建立气象特征向实发功 率的转化模型； 模型推理模块： 将数值天气预报模块及特征生成模块获得的预测气象参数作为机器学 习模型输入， 进行模型推理从而获得模型输出 结果作为初始预测实 发功率。 7.根据权利要求5所述的基于匹配统计子波的光伏功率预测装置， 其特征在于， 所述异 常检测模组包括： 功率转换表生成模块： 由近期历史数据统计生成并存储日内经验功率比值转换表， 即 记录一天中最大功率与各采样时间点功率间的历史中位数比值； 波动率统计模块： 统计一天中各个备选时窗的异常波动率的阈值； 异常时窗扫描模块： 扫描预测时间段各天是否存在连续波动率异常， 若存在并满足异权　利　要　求　书 2/3 页 3 CN 115115137 B 3