(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 202210966836.1 (22)申请日 2022.08.11 (71)申请人 海宁云多科技有限公司 地址 314400 浙江省嘉兴 市海宁市长安 镇 高新技术产业园区纬三路1 1号657室 (72)发明人 张晓峰　戚军　黄洵　 (74)专利代理 机构 上海领匠知识产权代理有限 公司 31404 专利代理师 黄利群 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 17/16(2006.01) H02J 3/38(2006.01) (54)发明名称 基于智能 电表数据的光伏功率超短期预测 系统及方法 (57)摘要 本发明公开了一种基于智能 电表数据的光 伏功率超短期预测系统及方法， 系统包括设有智 能电表的分布式光伏站点、 数据预处理模块、 数 据存储模块、 模型训练模块、 功率预测模块， 并公 开了对应的方法， 方法包括预处理数据、 训练模 型、 预测功率； 分布式光伏站点将实时功率数据 传输至数据预处理模块， 经预处理后存入数据存 储模块， 数据存储模块将训练所需数据传输至模 型训练模块， 模 型训练模块训练得到预测模型组 并传送至功率预测模块， 功率预测模块接收分布 式光伏站点传输的预测请求后根据预测模型组 得到预测功率后发送至预测请求的站点。 本发明 无需气象数据即可实现对光伏电站进行精准的 站点级超短期功率预测。 权利要求书2页 说明书7页 附图4页 CN 115438839 A 2022.12.06 CN 115438839 A 1.一种基于智能电表数据的光伏功率超短期预测系统， 其特征在于， 包括设有智能电 表的分布式光伏 站点、 数据预处 理模块、 数据存 储模块、 模型训练模块、 功率预测模块； 所述分布式光伏站点， 将该分布式光伏站点的智能电表的实时功率数据 上传至数据 预 处理模块； 所述数据预处理模块， 将接收到的实时功率数据处理得到实时综合信息矩阵， 并将实 时综合信息矩阵传输 至数据存 储模块； 所述数据存储模块， 接收并存储来自数据预处理模块的实时综合信息矩阵， 接收功率 预测模块的预测所需数据请求， 将预测所需数据请求所指 定时刻的实时综合信息矩阵返回 至功率预测模块， 将训练所需数据传输 至模型训练模块； 所述模型训练模块， 接收数据存储模块传输的训练所需数据， 采用卷积神经 ‑长短期记 忆网络模型进行训练得到预测模型组， 并将预测模型组传输至功率预测模块， 所述预测模 型组包括各分布式光伏 站点的预测模型； 所述功率预测模块， 包括请求分析子模块、 功率计算子模块以及模型组子模块； 所述请 求分析子模块， 监听并接 收分布式光伏站点的预测请求， 生成带有指定时刻的预测所需数 据请求传输至数据存储模块， 将提出预测请求分布式光伏站 点的序列号传输至模型组子模 块； 所述模型组子模块， 根据接收到的序列号， 将序列号所对应 分布式光伏站 点的预测模型 传输至功率计算子模块； 所述功率计算子模块， 接 收数据存储模块传输的指定时刻综合信 息矩阵以及模型组子模块提供的预测模型， 计算得到功 率预测序列并下发至预测请求的分 布式光伏 站点。 2.一种基于智能电表数据的光伏功率超短期预测方法， 其特征在于， 基于如权利要求1 所述的基于智能电表数据的光伏功率超短期预测系统， 包括如下步骤： 步骤S1， 预处理数 据； 步骤S2， 训练模型； 步骤S3， 预测功率； 上述三步骤在系统启动时按顺序执行， 在系统稳 定运行期间同步执 行； 其中， 记录第i个分布式光伏站点的经纬度为(xi， yi)， i＝1,2, …,n， n为分布式光伏站 点的数量； 步骤S1包括如下步骤； 步骤S1‑1： 根据各分布式光伏站点的智能电表同步上传的各分布式光伏站点的实时功 率数据计算太阳 高度角， 设定ts为数据起始时间， 每Δt时间上传 一次数据， 第k次上传数据 的时间kΔt 记为第k时刻， 第i个分布式光伏 站点第k时刻的太阳高度角 βik的表达式如下： βik＝arcsin(sin δ sinyi+cosδcosyicos((ts+k△t‑12)×15))    (1) 式(1)中， δ 为太阳赤纬角， yi为第i个分布式光伏 站点所在地纬度； 步骤S1‑2： 记录第k次上传数据经预处理后的预处理数据Dk并将其传输至数据存储模 块， 预处理数据Dk的表达式如下： 式(2)中， Pik为第i个分布式光伏站点在第k时刻时的功率， Dik为第i个分布式光伏站点权　利　要　求　书 1/2 页 2 CN 115438839 A 2第k时刻的预处 理数据信息； 步骤S2包括如下步骤； 步骤S2‑1： 判断训练模型 是否需要更新， 若是则进入步骤S2 ‑2， 若否则继续 等待； 步骤S2‑2： 从数据存储模块获取历史数据D＝{Dm‑c,Dm‑c+1...Dk...Dm}， 其中m为当前时刻 点总数， c为用来训练模型的数据组数， m≥k>m ‑c， 针对n个光伏 站点需要训练n个训练模型； 步骤S2‑3： 进行第i个光伏站点模型的训练， 根据其经纬度(xi， yi)对历史数据D进行地 理特征的更新， 得到更新后的数据集D ’＝{D’m‑c,D’m‑c+1...D’k...D’m}， 则第k时刻所有光伏 站点的更新后数据信息D ’k的表达式如下： 式(3)中， D ’ik表示第k时刻时第i个分布式光伏 站点的更新后数据信息； 步骤S2‑4： 构建训练输入数据集为In， 训练输出数据集为Out， 将其输入训练模型进行 训练得到预测模型Mi， 其中： 式(4)中， Pik＝[Pik Pi(k+1)...Pi(k+Δk)]为预测功率序列， Δk 为预测区间时刻点个数； 步骤S2‑5： 重复步骤S2 ‑2至步骤S2 ‑4共n次， 得到n个光伏站点的预测模型Mi， i＝1, 2,…,n， 至此预测模型训练完成； 步骤S3包括如下步骤； 步骤S3‑1： 监听分布式光伏站点的预测 请求， 若收到请求则进入步骤S3 ‑2， 若否则继续 监听； 步骤S3‑2： 记录需要进行预测的光伏站点序列号为j， 进行第j个光伏站点的功率预测， 获取最近一时刻的数据D ’m， 具体表达式如下 所示： 式(5)中， D ’m表示所有光伏 站点最近一时刻的针对第j个光伏 站点的更新后数据信息； 步骤S3‑3： 将D’m输入预测模型Mj， 得到第j个站点的预测功率序列Pj， 其中Pj包含第j个 站点未来Δt至 ΔkΔt时间内的光伏 功率预测值； 步骤S3‑4： 将预测功率序列Pj通过通讯网络下发至发出预测请求的第j个光伏站点， 返 回步骤S3 ‑1。权　利　要　求　书 2/2 页 3 CN 115438839 A 3