(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 202210989917.3 (22)申请日 2022.08.17 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 (72)发明人 谢利萍　童俊龙　张晗津　张侃健　 魏海坤　 (74)专利代理 机构 南京众联专利代理有限公司 32206 专利代理师 张天哲 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01)H02J 3/00(2006.01) (54)发明名称 基于误差补偿框架的机器学习辐照度预测 方法 (57)摘要 本发明涉及一种基于误差补偿框架的机器 学习辐照度预测方法， 属于光伏发电技术领域。 预测方法包括： S1， 训练数据获取， 获取目标地区 历史辐照度数据及其对应的气象数据； S2， 数据 预处理， 包括气象信息特征编码以及数据归一 化； S3， 获取当前机器模型在时刻T ‑K到T的辐照 度预测误差， 此过程中不更新模型； 将时刻T ‑K到 T的预测误差序列与外界气象数据序列进行信息 融合， 并用于更新模型； S4， 预测， 将历史辐照度 和气象数据输入误差补偿框架， 利用该框架的补 偿机制， 在预测辐照度的同时降低预测误差。 通 过本发明的端到端误差补偿框架， 模 型误差信息 可以用于动态更新机器学习模型， 在不改变模型 结构的前提下降低辐 照度的预测误差， 提升预测 精度。 权利要求书2页 说明书6页 附图3页 CN 115409250 A 2022.11.29 CN 115409250 A 1.一种基于误差补偿框架的机器学习辐照度预测方法， 其特 征在于， 包括如下步骤： S1， 训练数据获取， 获取目标地区历史辐照度数据及其对应的气象数据， 并根据预测任 务制作监 督数据集； S2， 数据预处 理， 包括气象信息特 征编码以及数据归一 化； S3， 基于误差补偿框架更新机器学习模型； S4， 预测， 将历史数据输入步骤S3中的误差补偿框架以及训练得到的机器学习模型， 预 测未来多步的太阳辐照度。 2.根据权利要求1所述的预测方法， 其特 征在于， 所述 步骤S1包括以下内容： (1.1)获取目标地区历史辐照度数据及其对应的气象数据， 包括但不限于温度， 湿度， 气压， 风速； (1.2)若历史数据某一片段缺失或者不合法， 则利用前后相邻数据的均值代替， 确保数 据的连续 性和真实性， 以保证训练数据的质量； (1.3)匹配监督信息用于制作监督数据集， 通过读取当前时段t0～tN的辐照度作为监督 信息， 匹配历史辐照度与对应的气象信息作为输入信息， 制作监 督数据集。 3.根据权利要求1所述的预测方法， 其特 征在于， 所述 步骤S2具体包 含以下内容： (2.1)对辐照度对应的气象信息进行编码， 利用one ‑hot编码方式对天气类型进行编 码， 对数值型的信息采用数值本身作为编码值； (2.2)为保证训练过程中模型梯度变化合理， 对输入数据进行归一化操作， 归一化公式 入下： 其中， a表示数据集中的特征， a ′表示归一化后的特征值， amax和amin分别表示历史数据 中该特征的最大值和最小值。 4.根据权利要求1所述的预测方法， 其特 征在于， 所述 步骤S3具体包 含以下内容： (3.1)获取当前机器学习模型在时刻T ‑K到T的辐照度预测误差， 此 过程中不更新模型； (3.2)将时刻T ‑K到T的预测误差与外界气象数据以及历史辐照度数据进行信息融合， 并用于更新机器学习模型。 5.根据权利要求 4所述的预测方法， 其特 征在于， 误差补偿框架特点如下： (4.1)该框架是一个端到端 的太阳辐照度预测框架； 在输入历史辐照度和历史气象数 据后， 该框架 能够自动运行并输出多步长的预测结果， 同时在该框架内部 自动实现误差信 息的利用， 无需其 他操作； (4.2)误差获取阶段， 该框架仅利用机器学习模型获取误差信息， 此过程不更新模型参 数； 误差补偿阶段利用误差信息动态更新模型； (4.3)该框架在不改变机器学习模型 结构的前提下， 能够有效降低辐照度预测误差； (4.4)该框架是一个通用范式， 适用于不同的机器学习预测模型， 对不同的机器学习预 测模型， 均能有效利用误差信息， 依据误差信息动态更新模型。 6.根据权利要求4所述的预测方法， 其特征在于， 所述步骤S3 中的误差补偿框架的详细 步骤如下： (1)滑动窗口获取子序列：权　利　要　求　书 1/2 页 2 CN 115409250 A 2该框架首先接收T ‑2K到T‑1时刻的数据作为输入， 并从T ‑2K时刻开始， 按滑动窗口形式 划分为K个子序列， 滑动步长为1； 得到K个子序列分别为{(IT‑2k， ...， IT‑K‑1)， ...， (It‑K+1， ...， It)， ...， (IT‑K‑1， ...， IT‑2)}， 其中It表示t时刻的太阳辐照度； (2)滚动获取误差信息： 对于子序列(It‑K， ...， It‑1)， 其对应的外界气象信息为(Mt‑K， ...， Mt‑1)， 在当前参数下 的机器学习模型的输入 为{(It‑K， ...， It‑1)， (Mt‑K， ...， Mt‑1)}， 其预测值为 其对 应的监督信息可以表示为(It， ...， It+N)， 其中N表示预测的步长； 根据预测值和监督信息可 以得到模型在当前时刻的预测误差 Et＝[et， ...， et+N]； 循环输入上述K个子序列， 并通过监督信息获取当前参数下的机器学习模型在当前时 刻的预测误差； 该循环过程可以得到误差序列(ET‑K， ...， ET‑1)； 并且， 此过程不更新模型参数； (3)信息融合： 此阶段将误差序列(ET‑K， ...， ET‑1)与历史辐照度与气象数据进行融合， 得到新的特征 输入{(ET‑K， ...， ET‑1)， (IT‑K， ...， IT‑1)， (MT‑K， ...， MT‑1)}， 其监督信息为(IT， ...， IT+N)； 信息融合后的输入特征增加了当前模型对历史上对应时刻的预测误差信 息， 该信息由 模型内部预测机制决定， 将该信息反馈 至机器学习模型； (4)更新模型： 利用步骤(3)的输入特 征和监督信息更新模型参数。权　利　要　求　书 2/2 页 3 CN 115409250 A 3