(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 202210971067.4 (22)申请日 2022.08.15 (65)同一申请的已公布的文献号 申请公布号 CN 115049163 A (43)申请公布日 2022.09.13 (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 李丹丹　刘瑞芳　李兆兴　董岸男　 (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) G06N 3/08(2006.01)G06Q 50/06(2012.01) H02J 3/00(2006.01) H02J 3/38(2006.01) G01W 1/10(2006.01) G01W 1/02(2006.01) (56)对比文件 CN 114707688 A,2022.07.05 CN 106779154 A,2017.0 5.31 CN 101984 412 A,201 1.03.09 CN 114118596 A,202 2.03.01 WO 201715 5421 A1,2017.09.14 黄少雄 等. “含短期预测的光伏配电网智能 调压策略 ”. 《热力发电》 .2020,第49卷(第7期), 第21-27页. 审查员 高民芳 (54)发明名称 基于禁忌搜索与深度稳定学习的光伏区域 预测方法及装置 (57)摘要 本发明提出一种基于禁忌搜索与深度稳定 学习的光伏区域预测方法及装置， 包括： S1、 获取 历史数据集： S2、 气象预测模型订正： S3、 聚类： 根 据出力相关性将所有分布式光伏站点划定为不 同的区域； S4、 建立转换模型： 采用深度稳定学习 网络， 对每个区域建立气象 ‑光伏转换模型； S5、 使用禁忌搜索算法得到优化的气象 ‑光伏转换模 型； S6、 进行区域分布式光伏的功率预测。 本发明 针对分布式光伏进行区域整体功率预测， 可以体 现各分布式光伏所在地的不同气象时序特征， 可 以有效避免集中式光伏和分布式光伏出力效率 随着天气和使用寿命不同而不同的情况， 可以有 效地提升预测模型的稳定性和准确性。 权利要求书2页 说明书5页 附图1页 CN 115049163 B 2022.10.28 CN 115049163 B 1.一种基于禁忌搜索与深度稳定学习的光伏区域预测方法， 其特 征在于， 包括： S1、 获取历史数据集： 所述历史数据集包括各分布式光伏站点的气象实测数据、 相应时 刻的各分布式光伏站 点的气象预测数据、 相应时刻的各分布式光伏站点的光伏实发功率数 据； S2、 气象预测模型订正： 使用所述气象实测数据， 对各分布式光伏站点的气象预测模型 进行模型订 正， 进而得到各分布式光伏 站点的订 正后的气象预测数据； S3、 聚类： 使用KNN聚类算法， 基于光伏实发功率对各分布式光伏站点进行出力相 关性 的聚类分析， 根据出力相关性将所有分布式光伏 站点划定为 不同的区域； S4、 建立转换模型： 使用所述区域内各分布式光伏站点的气象预测数据和光伏实发功 率数据， 采用深度稳定学习网络， 对每 个区域建立气象 ‑光伏转换模型； S5、 使用禁忌 搜索算法进行参数搜寻， 调 节气象‑光伏转换模型参数， 得到优化的气象 ‑ 光伏转换模型； S6、 使用步骤S2得到的订正后的气象预测数据， 与 步骤S5得到的优化的气象 ‑光伏转换 模型， 进行区域分布式光伏的功率预测； 其中步骤S3具体为根据分布式光伏站点实际的发电情况， 进行出力相关性的聚类分 析； 出力相关性的聚类 分析过程为： 先分析各站 点与周边站 点的出力相关性系数， 然后 将出 力相关性系数大的站点聚成相同的类； 利用KNN算法， 确定如何判定相关性系数的大小； 将 原大区域按照聚类分析 的结果进行重新划分， 以保证划分的区域内的光伏出力相关性； 具 体划分过程为： 1） 分析分布式光伏各个站 点的实发出力的数据， 根据数据相关性划定区域； 2） 在每个划定的区域内选定一个样板站， 并确定为该区域的代表站； 3） 将剩余数据的站点 依次放入原大区域内， 在原大区域内找到对于剩余数据站点的区域近邻， 并将剩余数据站 点划分到该近邻的区域。 2.根据权利要求1所述的基于禁忌搜索与深度稳定学习的光伏区域预测方法， 其特征 在于， 步骤S4中建立 转换模型的具体步骤 包括： S401、 提取气象预测数据中的气象要素， 所述气象要素包括风速、 风向、 温度、 湿度、 压 强、 辐照度； S402、 将所述区域内的各分布式光伏站点气象预测数据中提取的气象要素数据， 以并 行的方式， 跟光伏实 发功率数据进行建模。 3.根据权利要求1所述的基于禁忌搜索与深度稳定学习的光伏区域预测方法， 其特征 在于， 步骤S 5中所述禁忌搜索算法， 调节的是气象 ‑光伏转换模型的误差函数中的输入层和 隐含层的连接 权重、 隐含层和输出层的连接 权重、 隐含层的阈值和输出层的阈值。 4.一种基于禁忌搜索与深度稳定学习的光伏区域预测装置， 其特 征在于， 包括： 获取模块， 用于获取历史数据集， 所述历史数据集包括各分布式光伏站点的气象实测 数据、 相应时刻的各分布式光伏站点的气象预测数据、 相应时刻的各分布式光伏站点的光 伏实发功率数据； 订正模块， 用于气象预测模型订正； 使用所述气象实测数据， 对各分布式光伏站点的气 象预测模型进行模型订 正， 进而得到各分布式光伏 站点的订 正后的气象预测数据； 聚类模块， 用于使用KNN聚类算法， 基于光伏实发功率对各分布式光伏站点进行出力相 关性的聚类分析， 根据出力相关性将所有分布式光伏 站点划定为 不同的区域；权　利　要　求　书 1/2 页 2 CN 115049163 B 2建模模块， 用于建立转换模型； 使用所述区域内各分布式光伏站点的气象预测数据和 光伏实发功率数据， 采用深度稳定学习网络， 对每 个区域建立气象 ‑光伏转换模型； 参数优化模块， 用于使用禁忌搜索算法进行参数搜寻， 调节气象 ‑光伏转换模型参数， 得到优化的气象 ‑光伏转换模型； 预测模块， 用于使用订正模块得到的订正后的气象预测数据， 与参数优化模块得到的 优化的气象 ‑光伏转换模型， 进行区域分布式光伏的功率预测； 其中所述 聚类模块具体为根据分布式光伏站点实际的发电情况， 进行出力相关性的聚 类分析； 出力相关性的聚类分析过程为： 先分析各站 点与周边站 点的出力相关性系数， 然后 将出力相关性系数大的站点聚成相同的类； 利用KNN算法， 确定如何判定相关性系数的大 小； 将原大区域按照聚类分析 的结果进行重新划分， 以保证划分的区域内的光伏出力相关 性； 具体划分过程为： 1） 分析分布式光伏各个站 点的实发出力的数据， 根据数据相关性划定 区域； 2） 在每个划定的区域内选定一个样 板站， 并确定为该区域的代表站； 3） 将剩余数据的 站点依次放入原大区域内， 在原大区域内找到对于剩余数据站点的区域近邻， 并将剩余数 据站点划分到该近邻的区域。 5.根据权利要求4所述的基于禁忌搜索与深度稳定学习的光伏区域预测装置， 其特征 在于， 建模 模块包括： 气象要素提取单元， 用于提取气象预测数据中的气象要素， 所述气象要素包括风速、 风 向、 温度、 湿度、 压强、 辐照度； 建模单元， 用于将所述 区域内的各分布式光伏站点气象预测数据中提取的气象要素数 据， 以并行的方式， 跟光伏实 发功率数据进行建模。 6.根据权利要求4所述的基于禁忌搜索与深度稳定学习的光伏区域预测装置， 其特征 在于， 参数优化模块中所述禁忌搜索算法调节的是气象 ‑光伏转换模型 的误差函数中的输 入层和隐含层的连接 权重、 隐含层和输出层的连接 权重、 隐含层的阈值和输出层的阈值。权　利　要　求　书 2/2 页 3 CN 115049163 B 3