(19)中华 人民共和国 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 202111463150.2 (22)申请日 2021.12.02 (71)申请人 上海华讯网络系统有限公司 地址 201203 上海市浦东 新区碧波路45 6号 A109-1室 (72)发明人 王晓龙　罗润书　张晏玮　幸健　 安国成　 (74)专利代理 机构 上海段和段律师事务所 31334 代理人 李佳俊 (51)Int.Cl. G06Q 10/04(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01)G06Q 50/06(2012.01) (54)发明名称 多阶光伏发电功率预测方法和系统 (57)摘要 本发明提供了一种多阶光伏发电功率预测 方法和系统， 包括： 步骤1： 获取光伏发电数据并 进行预处理； 步骤2： 对 预处理后的数据进行维度 扩充、 降维处理和特征标准化； 步骤3： 构建功率 预测模型， 通过功率预测模型进行一阶功率预 测， 并对一阶功率预测结果进行归一化处理； 步 骤4： 基于特征处理后的数据和一阶功率预测结 果进行二阶功率预测， 得到最终功率预测结果。 本发明采用了多种算法对输入数据进行了预处 理， 找出对预测结果影响较为明显的特征， 采用 多种经典算法对功率进行第一步预测， 然后将预 测后的结果再进一步与传感器数据进行结合， 作 为最终网络的输入， 对光伏数据进行预测， 保证 了输入数据的完整性、 正确性。 权利要求书2页 说明书5页 附图2页 CN 114139806 A 2022.03.04 CN 114139806 A 1.一种多阶光伏发电功率预测方法， 其特 征在于， 包括： 步骤1： 获取光伏发电数据并进行 预处理； 步骤2： 对预处 理后的数据进行维度扩充、 降维处 理和特征标准化； 步骤3： 构建功率预测模型， 通过功率预测模型进行一阶功率预测， 并对一阶功率预测 结果进行归一 化处理； 步骤4： 基于特征处理后的数据和一阶功率预测结果进行二阶功率预测， 得到最终功率 预测结果。 2.根据权利要求1所述的多阶光伏发电功率预测方法， 其特 征在于， 所述 步骤1包括： 数据清洗： 将数据中的离群值、 不符合预设条件的数值进行剔除， 并按预设频率对数据 进行采样； 数据补齐： 采用临近值线性插值或者均值对数据空值进行补齐； 对于预设小范围连续时间段的数据缺失， 采用三次样条时序插值； 对于预设大 范围连续时间段 数据缺失， 将当日数据剔除， 再进行时序插值操作。 3.根据权利要求1所述的多阶光伏发电功率预测方法， 其特 征在于， 所述 步骤2包括： 根据时间戳数据、 时序值和时序值的属性变量进行维度扩充； 采用主成分 分析， 从多维数据中剔除与预测结果相关性 不符合预设条件的数据； 通过线性 函数将原 始数据线性 化， 转换到[01]的范围。 4.根据权利要求1所述的多阶光伏发电功率预测方法， 其特征在于， 所述步骤3包括： 根 据梯度下降树算法进 行一阶功 率预测， 通过多轮迭代， 每轮迭代产生一个弱分类器， 每个弱 分类器在上一轮弱分类器的残差基础上进 行训练， 最 终将每轮训练得到的弱分类器加权求 和得到总分类 器。 5.根据权利要求1所述的多阶光伏发电功率预测方法， 其特征在于， 所述步骤4包括： 采 用长短期记忆人工神经网络LSTM算法进 行二阶预测， 输入为特征 处理后的时序数据和一阶 功率预测结果； LSTM算法参数设置为： 单层LSTM； 单元数Cell＝100； Adam优化器； 批处理参数Batch_ size＝96 。 6.一种多阶光伏发电功率预测系统， 其特 征在于， 包括： 模块M1： 获取光伏发电数据并进行 预处理； 模块M2： 对预处 理后的数据进行维度扩充、 降维处 理和特征标准化； 模块M3： 构建功率预测模型， 通过功率预测模型进行一阶功率预测， 并对一阶功率预测 结果进行归一 化处理； 模块M4： 基于特征处理后的数据和一阶功率预测结果进行二阶功率预测， 得到最终功 率预测结果。 7.根据权利要求6所述的多阶光伏发电功率预测系统， 其特 征在于， 所述模块M1包括： 数据清洗： 将数据中的离群值、 不符合预设条件的数值进行剔除， 并按预设频率对数据 进行采样； 数据补齐： 采用临近值线性插值或者均值对数据空值进行补齐； 对于预设小范围连续时间段的数据缺失， 采用三次样条时序插值； 对于预设大 范围连续时间段 数据缺失， 将当日数据剔除， 再进行时序插值操作。权　利　要　求　书 1/2 页 2 CN 114139806 A 28.根据权利要求6所述的多阶光伏发电功率预测系统， 其特 征在于， 所述模块M2包括： 根据时间戳数据、 时序值和时序值的属性变量进行维度扩充； 采用主成分 分析， 从多维数据中剔除与预测结果相关性 不符合预设条件的数据； 通过线性 函数将原 始数据线性 化， 转换到[01]的范围。 9.根据权利要求6所述的多阶光伏发电功率预测系统， 其特征在于， 所述模块M3包括： 根据梯度下降树算法进 行一阶功率预测， 通过多轮迭代， 每轮迭代产生一个弱分类器， 每个 弱分类器在上一轮弱分类器的残差基础上进 行训练， 最 终将每轮训练得到的弱分类器加权 求和得到总分类 器。 10.根据权利要求6所述的多阶光伏发电功率预测系统， 其特征在于， 所述模块M4包括： 采用长短期记忆人工神经网络LSTM算法进 行二阶预测， 输入为特征 处理后的时序数据和一 阶功率预测结果； LSTM算法参数设置为： 单层LSTM； 单元数Cell＝100； Adam优化器； 批处理参数Batch_ size＝96 。权　利　要　求　书 2/2 页 3 CN 114139806 A 3