(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 202211014009.9 (22)申请日 2022.08.23 (71)申请人 国网安徽省电力有限公司马鞍山供 电公司 地址 243000 安徽省马鞍山市花 雨路7号 (72)发明人 王舒琴　叶斌　黄永伟　陈世雯　 薛为浩　高波　赵东　朱如桂　 王吉　冯贤榜　 (74)专利代理 机构 马鞍山市金桥专利代理有限 公司 341 11 专利代理师 陈超强 (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 7/08(2006.01) H02J 3/00(2006.01) H02J 3/38(2006.01) (54)发明名称 一种新能源光伏发电功率预测方法 (57)摘要 本发明公开了一种新能源光伏发电功率预 测方法， 涉及电力系统光伏发电功率预测技术领 域。 该新能源光伏发电功率预测方法实施的基于 变分模态分解与TPA ‑TCN网络的光伏功率预测方 法， 根据历史数据样本， 通过信息处理模块生成 训练样本， 将该训练样本通过TPA ‑TCN预测模型， 不断迭代训练， 直到精度达到期望值， 保留该模 型。 该新能源光伏发电功率预测方法通过VMD分 解降低时间序列的不稳定性与波动性， 并且通过 相似日法对相似的天气进行归类， 从而能够使 得 神经网络 更容易学习到其潜在规律。 该方法基于 时间模式注 意力机制， 能够 充分提取多因素时序 数列中之间的隐含关系， 并给予TCN网络最合理 的隐藏层权值， 从而大 大提高预测精度。 权利要求书4页 说明书9页 附图2页 CN 115310711 A 2022.11.08 CN 115310711 A 1.一种新能源光伏发电功率预测方法， 其特 征在于： 包括如下步骤： S1： 数据预处 理： 将原始的光伏发电数据和气象数据导入， 使用DBSCAN聚类算法进行异常筛选， 然后补 全缺失值和修 正异常值； S2： 气象因素筛 选： 计算气象因素与其所对应的光伏发电功率的相关性系数， 选择相关性系数较 高的气象 因素作为预测时的协变量； S3： 通过相似日算法， 将原始数据集中的光伏功率数据以及其对应的气象因素建立相 似日数据集； S4： 原始数据分解并计算模态分量与气象信息的相关度： 将光伏功率数据VMD分解， 在分解过程中通过中心频率观察法确定VMD分解的模态数 量， 利用基于残差指标最小化的算法来确定VMD中的其他参数值， 分解之后得到K个中心频 率不同的模态分量， 将得到的模态分量与气象因素使用Spearman系数和最大 互信息系数对 模态分量与气象因素之间关系进行评估； 将与气象因素相关度较 高的模态分量重新整合成新的多维数据集， 其他分量则保持原 样， 并将数据集划分成测试集和训练集； S5： 输入模型进行运 算： 将包含气象因素的数据集送入支持多变量预测的多维度TCN模型， 得到隐藏状态向量 Ht‑w,Ht‑w+1,…,Ht， 并输入进TPA层， TPA层通过计算获得注意力向量vt， 与隐藏状态向量进行 线性映射相加后得到IMF2的预测值； 其余数据集则通过 单维TCN网络进行 预测； 将所有的输出 结果求和重构， 进行反归一 化， 得到预测值。 2.根据权利要求1所述的一种新能源光伏发电功率预测方法， 其特征在于： 所述VMD分 解的参数确定方法包括如下步骤： S41： VMD分解初始参数有模态数量K， 惩罚因子α、 收敛条件ε 以及保真度系数τ， 初始参 数选择合 适与否决定 了数据分解质量； 其中模态分量K通过中心频率观察法确定， 惩罚因子α、 以及 保真度系数τ通过残差指标 最小化算法确定， 收敛 条件 ε则取普遍值， 即为 ε＝10‑7； S42： 中心频率观察法即为从较小的K值开始选取， 然后进行数据分解， 观察其数据的中 心频率， 若中心频率有所重叠则增加K值， 重复以上步骤， 直到观察到不重叠且不相近的中 心频率， 此时K值即为后续实验所选取的K值； 残差指标最小化 算法计算过程如下： 其中， N为待分解数列长度； x(t)为待分解数列； uk(t)表示取不同的惩罚因子α和保真度 系数τ 时产生的模态分量。 3.根据权利 要求1所述的一种新能源光伏发电功率预测方法， 其特征在于： 使用DBSCAN权　利　要　求　书 1/4 页 2 CN 115310711 A 2聚类算法进 行数据聚类， DBS CAN的聚类即为一个从密度可达 关系延展 出最大密度相连的集 合， 利用mi nPts和 ε两个参数， 将 样本集分为核心点、 边 缘点和离群点 三种； 其中在邻域半径内点的数量大于minPts的成为核心点， 非核心点且在某个核心点邻域 内的点成为边缘点， 非以上两种类型 的点被称为离群点， 在进行合适的参数调整之后即可 找到离群点， 即为异常值； 假设样本集 为D＝(x1,x2,...,xn)， 使用DBSCAN进行密度描述的定义如下： 邻域： 以选 定目标为中心， 半径为 ε 的区域即为该目标的邻域； 核心对象： 若选 定的目标指定邻域内的样本数量大于mi nPts， 则称该对象为核心对象； 密度直达： 在样本集D中， 若点m在核心对象n的ε邻域内部， 则称点m从点n直接密度可 达； 密度可达： 在样本集D中， 对于xi和xj， 若存在序列点p1,p2,...,pt， 满足p1＝xi， pt＝xj， 且pt+1可由pt密度直达， 则称xj从xi密度可达； 密度相连： 在样本集D中， 若存在点 o到点m和点 n都密度可达， 则称m、 n密度相连； 非密度相连： 没有密度相连关系的两个点， 即为非密度相连关系； 通过样本值的均值、 中位数进行异常数据的填充， 通过异常数据cx周围的值c0,c1,..., c8来对其进行估算： 其中， 权重ω与邻点和目标的距离成反比： 通过计算不同样本之间 的距离， 获得距离矩阵di＝{|ci‑cx|}， 然后计算权重矩阵ω， 最 后通过下式计算估计值； 其中xi表示最近邻相应位置上的数值， K值 通过交叉 预测结果确定 。 4.根据权利要求1所述的一种新 能源光伏发电功率预测方法， 其特征在于： 所述归一化 处理为： 数据异常处理后， 通过 使数据集合矩阵D， 经归一化处理后变为矩阵 归一化处理后负荷数据值均在0～1之 间， 矩阵D为原 始数据矩阵， 矩阵DN为进行归一 化处理后的数据矩阵； 其中， Dn,i为第n天第i时刻的光伏功率数据， 表示第n天第i时刻的进行归一化处理 后光伏功率数据， n∈[1,365]为一年中的天数， i∈[1,24]为一天中的小时数， min{D}为数权　利　要　求　书 2/4 页 3 CN 115310711 A 3