(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 202210983674.2 (22)申请日 2022.08.17 (65)同一申请的已公布的文献号 申请公布号 CN 115049171 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 闫涵　屈丽环　陈隆京　吴媛　 (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) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06N 20/10(2019.01) H02J 3/00(2006.01) H02J 3/38(2006.01) (56)对比文件 CN 114219181 A,202 2.03.22 CN 113919232 A,202 2.01.11 CN 114897264 A,202 2.08.12 CN 114462723 A,202 2.05.10 WO 20212385 05 A1,2021.12.02 CN 110766212 A,2020.02.07 李蒙 等.基 于迁移成分 分析的雷达辐射源 识别方法研究. 《电子设计 工程》 .2017,第25卷 (第20期),第47- 50、 55页. 任俊 等.基 于SDA与SVR混合模型的迁移学 习预测算法. 《计算机科 学》 .2018,第45卷(第01 期),第280 -284、 312页. 审查员 王伟 (54)发明名称 一种基于特征迁移的光伏功率预测方法及 系统 (57)摘要 本发明提出一种基于特征迁移的光伏功率 预测方法及系统， 获取光伏电站历史发电数据， 去除异常值， 作为模型训练的目标值； 基于迁移 成分分析法通过源域训练样本数据和目标域训 练样本数据得到训练数据集； 分别训练LSTM和 Lasso模型进行光伏功率的预测， 并将预测结果 以固定权重系数进行光伏功率组合预测， 得到最 终的预测结果。 本发明提高模型预测精度， 提高 了光伏发电短期功率预测的准确性和稳定性。 权利要求书4页 说明书8页 附图2页 CN 115049171 B 2022.10.28 CN 115049171 B 1.一种基于特 征迁移的光伏 功率预测方法， 其特 征在于， 包括： S1、 获取光伏电站历史发电数据， 去除异常值， 作为模型训练的目标值； S2、 从数值天气预报中获取对应光伏电站历史发电数据的历史预测气象要素， 并对气 象要素提取与时间和地理相关的特 征， 构建目标域训练样本数据； S3、 从ERA5大气再分析气象数据中获取对应光伏电站历史发电数据的历史气象要素， 并对气象要素提取与时间和地理相关的特 征， 构建源域训练样本数据； S4、 基于迁移成分分析法通过源域训练样本数据和目标域训练样本数据 得到训练数据 集； S5、 将目标值和训练数据集输入分别训练LSTM和Lasso模型， 进行网格化搜索调参后， 训练模型， 得到训练好的LSTM模型和Las so模型； S6、 通过训练好的LSTM模型和L asso模型分别进行光伏功率的预测， 并将预测结果以固 定权重系数进行光伏 功率组合预测， 得到最终的预测结果。 2.根据权利要求1所述的基于特征迁移的光伏功率预测方法， 其特征在于， 步骤S2与步 骤S3中对气象要素提取与时间和地理相关的特 征包括： S101、 提取气象要素； S102、 提取与时间相关的特征， 将气象要素数据的时间戳信息转换为离散的时间信息， 给每条气象要素 数据添加月份、 周数、 天数、 小时数的标签； S103、 提取与地理相关的特征， 给每条气象要素数据添加光伏方阵的倾角、 经纬度信 息， 以及太阳高度角的正弦、 太阳入射角的余弦的标签。 3.根据权利要求1所述的基于特征迁移的光伏功率预测方法， 其特征在于， 步骤S4的具 体方法包括： S201、 构建特征数为k1的目标域训练样本数据 ， 对应的标签 ； 其中xTi是第i条目标域样本数据； yTi为xTi对应的标签； i=1,2,...,nt,； nt为目标域样本 个数； 构建特征数为k2的源域训练样本数据 ， k2>k1， 对应的标签   ； 其中xSj是第j条源域样本数据； ySj为xSj对应的标签； j=1,2,. ..,ns； ns为源域样本个数； 根据XS和XT分别构造出内核矩阵K和矩阵L， 并构造中心 矩阵H； 其中,KS,S,KT,T,KS,T,KT,S分别为源域、 目标域以及混合 域数据的核函数；权　利　要　求　书 1/4 页 2 CN 115049171 B 2， ， 其中， 为单位矩阵， 为全l列向量； R为全实域的 （ns+nt） * （ns+nt） 阶矩阵； lT为l的转置矩阵； S202、 对矩阵(KLK+ μI)‑1KHK进行特征分解， 将其中m个最大的特征值对应的特征向量组 合到一起， 得到投影矩阵W， 其中m<(k1,k2)min， μ>0为权衡参数； S203、 通过W使得XS与XT投影转换得映射空间的数据集 与 ， 在保持源域与目标域数据集中的主要特征属性的同时， 通过缩小领域间 的样本均值距离来缩小领域间的边 缘分布差异； 得到训练数据集 ； 其中WT为W的转置矩阵。 4.根据权利要求1所述的基于特征迁移的光伏功率预测方法， 其特征在于， 步骤S6所述 固定权重系数的设置方法为： 首先， 计算各 单模型的绝对误差， 公式如下： ； 其中， Yi为i时刻的实际功率， Pit为i时刻第t个单模型的预测功 率， N为求解固定权重系数的总样本数； 然后， 按公式 计算各单模型的权 重wt， 单模型数量为T， 且T≧2。 5.一种基于特 征迁移的光伏 功率预测系统， 其特 征在于， 包括： 目标值模块， 获取光伏电站历史发电数据， 去除异常值， 作为模型训练的目标值； 目标域模块， 从数值天气预报中获取对应光伏电站历史发 电数据的历史预测气象要 素， 并对气象要素提取与时间和地理相关的特 征， 构建目标域训练样本数据； 源域模块， 从ERA5大气再分析气象数据中获取对应光伏电站历史发电数据的历史气象 要素， 并对气象要素提取与时间和地理相关的特 征， 构建源域训练样本数据； TCA模块， 基于迁移成分分析法通过源域训练样本数据和目标域训练样本数据得到训 练数据集；权　利　要　求　书 2/4 页 3 CN 115049171 B 3