(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 202211052451.0 (22)申请日 2022.08.31 (71)申请人 武昌理工学院 地址 430200 湖北省武汉市江夏区庙山经 济开发区江夏大道16号 (72)发明人 谢兴旺　 (74)专利代理 机构 武汉知产时代知识产权代理 有限公司 42 238 专利代理师 王佩 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/20(2019.01)H02J 3/38(2006.01) (54)发明名称 基于组合深度学习的光伏发电功率预测方 法 (57)摘要 本发明公开一种基于组合深度学习的光伏 发电功率预测方法， 方法包括以下步骤： 获取光 伏发电功率原始数据； 对数据做归一化处理， 得 到归一化后的数据； 采用极限学习提升XGBoost 算法对归一化后的数据进行处理， 得到不同因素 对光伏发电功率影 响的权重因子， 并对权重因子 进行排序； 根据排序结果， 选择若干个对光伏发 电功率的影 响大的因素进行 组合， 得到不同的组 合结果； 将组合数据分别输入至不同的深度学习 预测模型中， 得到不同深度学习模 型的光伏发电 功率预测结果； 将不同深度学习模 型的光伏发电 功率预测结果输入至强化学习中进行非线性拟 合， 得到最终光伏发电功率预测值。 本发明有益 效果是： 提高非平稳时期光伏发电功率的预测精 度和发电企业经济效益。 权利要求书1页 说明书17页 附图7页 CN 115456261 A 2022.12.09 CN 115456261 A 1.一种基于组合深度学习的光伏发电功率预测方法， 其特 征在于： S1： 获取光伏发电功率原 始数据； S2： 对数据做归一 化处理， 得到归一 化后的数据； S3： 采用极限学习提升XGBoost算法对归一化后的数据进行处理， 得到不同因素对光伏 发电功率影响的权 重因子， 并对权 重因子进行排序； S4： 根据排序结果， 选择若干个对光伏发电功率的影响大的因素进行组合， 得到不同组 合结果； 将这些组合数据分别输入至不同的深度学习 预测模型中， 得到不同的深度学习 预 测模型的光伏发电功率预测结果； S5： 将不同深度学习模型的光伏发电功率预测结果输入至强化学习中进行非线性拟 合， 得到最终光伏发电功率预测值。 2.如权利要求1所述的一种基于组合深度学习的光伏发电功率预测方法， 其特征在于： 步骤S1中， 光伏发电功率原始数据包括： 光照辐射度、 温度、 风速、 压强、 湿度和光伏电池输 出功率。 3.如权利要求1所述的一种基于组合深度学习的光伏发电功率预测方法， 其特征在于： 步骤S4中， 不同的深度学习预测模型包括： 循环神经网络RNN模型、 长短期记忆网络LSTM模 型和门控循环单 元GRU模型。 4.如权利要求2所述的一种基于组合深度学习的光伏发电功率预测方法， 其特征在于： 步骤S3具体步骤如下： S31、 确定XGBoo st模型的输入 量为归一化后的数据xi， 输出量为归 一化后数据中不同参 数对光伏发电功率的影响权 重因子； S32、 初始化XGBo ost模型参数； S33、 置迭代次数i 为1， 设置最大迭代次数max； S34： 增加一颗新 树ft(xi)， 其中ft为函数空间R的一个函数， xi为输入的第i个数据； S35： 求取XGBoost模型的目标函数如下式(1.1)： 其中xobj表示目标函数值； 为一阶导数； 为二阶 导数； T为树的叶子节点个数； γ和 λ为惩罚函 数系数； ωj为第j个叶子节点权重系数； Ij表示 表示第j个叶子节点的样本集 合； S36： 判断迭代次数是否达到最大max或者目标函数值误差是否小于预设值， 若是， 则输 出不同参数对光伏发电功率的影响权 重因子。权　利　要　求　书 1/1 页 2 CN 115456261 A 2基于组合深度学习的光 伏发电功率 预测方法 技术领域 [0001]本发明涉及 集中式光伏发电系统与分布式光伏发电系统控制技术领域， 尤其涉及 一种基于组合深度学习的光伏发电功率预测方法。 背景技术 [0002]太阳能发电具有安全清洁、 取之不尽、 噪音小以及环境友好等特性， 成为可再生能 源的重要来源之一。 但是光伏发电具有明显的随机性、 间歇性的特点。 大规模光伏并网发电 会对电网造成一定冲击作用。 当光伏发电剧烈波动的非平稳时段， 可能对电网稳定运行带 来不利影响， 严重时会使得光伏发电厂与电网解列。 因此平抑削弱光伏发电的不确定性影 响， 这有利于电力系统安全稳定运行和光伏电能的消纳。 发明内容 [0003]为了解决光伏并网发电可能对电网产生的不确定性影响的问题， 本发明提出一种 基于组合深度学习的光伏发电功率预测方法。 该方法基于极限梯度提升和门控循环单元， 包括以下步骤： [0004]S1： 获取光伏发电功率原 始数据； [0005]S2： 对数据做归一 化处理， 得到归一 化后的数据； [0006]S3： 采用极限学习提升XGBoost算法对归一化后的数据进行处理， 得到不同因素对 光伏发电功率影响的权 重因子， 并对权 重因子进行排序； [0007]S4： 根据排序结果， 选择若干个对光伏发电功率的影响大的因素进行组合， 得到不 同组合结果； 将这些组合数据分别输入至不同的深度学习 预测模型中， 得到不同的深度学 习预测模型的光伏发电功率预测结果； [0008]S5： 将不同深度学习模型的光伏发电功率预测结果输入至强化学习中进行非线性 拟合， 得到最终光伏发电功率预测值。 [0009]与现有技术相比， 本发明的有益效果包括： 提高非平稳时期光伏发电功率的预测 精度， 精准有效的光伏发电功率预测有助于提升电网实时调度水平、 电力系统稳定运行能 力以及光伏电能消纳能力， 提高光伏发电企业的经济效益。 附图说明 [0010]图1是光伏发电系统原理图； [0011]图2是本发明方法的流 程图； [0012]图3是XGBoost模型训练流 程示意图； [0013]图4是第一棵树的结构示 意图； [0014]图5是GRU内部神经 元结构示意图； [0015]图6是GRU预测模型的结构示 意图； [0016]图7是采用GRU预测模型进行光伏发电功率预测的流 程示意图；说　明　书 1/17 页 3 CN 115456261 A 3