(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 202111431182.4 (22)申请日 2021.11.29 (71)申请人 深圳供电局有限公司 地址 518000 广东省深圳市罗湖区深南 东 路4020号电力调度通信大楼 (72)发明人 李江南　程韧俐　史军　祝宇翔　 张炀　车诒颖　刘傲　 (74)专利代理 机构 深圳汇智容达专利商标事务 所(普通合伙) 44238 代理人 熊贤卿 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/14(2006.01) G06F 17/16(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/06(2020.01) (54)发明名称 一种光伏 功率预测方法及相应的存 储介质 (57)摘要 本发明公开了一种光伏功 率预测方法， 其包 括以下步骤： 步骤S10， 周期性采集特定区域的光 伏数据， 并进行预处理和特征提取； 步骤S11， 对 处理后的所述光伏数据进行数据分割目标确定 处理， 形成训练样本、 测试样本； 步骤S12， 将所述 测试样本输入已训练好的由禁忌搜索(TSA)优化 的NARX‑LSTM模型， 获得光伏功率预测结果并输 出。 本发明提出的光伏功率预测方法基于非线性 自动回归外源性神经网络和长短期记忆(NARX ‑ LSTM)的结合， 并通过禁忌搜索算法进行优 化， 所 提出的模型能够有力地捕捉到天气变化的行为 以及与点预报有关的不确定性， 具有更高的效率 和准确性。 权利要求书3页 说明书7页 附图3页 CN 114091343 A 2022.02.25 CN 114091343 A 1.一种光伏 功率预测方法， 其特 征在于， 包括以下步骤： 步骤S10， 周期性采集特定区域的光伏数据， 并进行 预处理和特征提取； 步骤S11， 对处理后的所述光伏数据进行数据分割目标确定处理， 形成训练样本、 测试 样本； 步骤S12， 将所述测试样本输入已训练好的由禁忌搜索(TSA)优化的NARX ‑LSTM模型， 获 得光伏功率预测结果并输出。 2.根据权利要求1所述的方法， 其特 征在于， 所述 步骤S10进一 步包括： 步骤S100， 周期性采集特定区域的光伏数据， 并对其中的缺失和无效的样本数据进行 数据清理， 并对特 征的重要性进行评估， 以避免其对预测系统准确性的不利影响； 步骤S101， 通过最大值最小值标准化法， 采用下述公式对历史电价数据进行归一化处 理： 式中， Xi表示归一化之前的历史光伏出力序列中的值； Xi'表示归一化之后的历史光伏 出力的值； Xmax和Xmi n分别代表历史光伏出力数据集Xi的最大值和最小值。 3.如权利要求2所述的方法， 其特 征在于， 所述 步骤S100具体为： 对于所采集的数据中的异常值和缺失值， 采用下述公式中的均值插补法， 提取异常数 据所在位置的前后n个数据作为插补数据： 式中， Xj为原始数据序列， i为原始数据序列中异常值的序号， X ′i为采用均值插补获得 的数据。 4.根据权利要求3所述的方法， 其特 征在于， 所述 步骤S11进一步包括： 在对象确定阶段计算来自训练和测试折叠的输入和输出之间的典型数据分离过程， 从 而将数据分为训练集和 测试集。 5.根据权利要求1至4任一项所述的方法， 其特 征在于， 进一 步包括： 预先构建由禁忌搜索(TSA)优化的NARX ‑LSTM模型， 并进行训练的步骤， 具体包括： 步骤S20， 将天气信息输入NARX神经网络， 获得临时光伏功率预测值 根据所述预测值计算 误差值以及进行矢量 误差校正， 获得矢量 误差校正 函数(V)； 步骤S21， 将矢量误差校正函数(V)与原始训练集一起输入到下式的由TSA优化的LSTM 模型中， 对LSTM模型进行训练： X(t)＝X(t ‑1)+V[y(t)； X(t ‑1)]                       (3) 莸得如下的训练数据： it'＝σ(WI(xt+V[yt； xt])+UIht‑1+bI)                     (4) ft'＝σ(Wf(xt+V[yt； xt])+Ufht‑1+bf)                    (5) ot'＝σ(Wo(xt+V[yt； xt])+Uoht‑1+bo)                     (6)权　利　要　求　书 1/3 页 2 CN 114091343 A 2h′t＝o′t⊙tanh(c′t)                            (8) 其中， X(t)代表禁忌搜索后得到的数据 集； y(t)代表原始数据集； σ 代表sigmoid激活函 数； W、 U和b代表线性关系的系数和偏移； h ′t代表第t次的隐藏状态， (it',ft',ot')分别表示 改进后的LSTM输入门、 遗忘 门和输出门； 和c′t分别表示NARX ‑LSTM的状态单元和存储单 元， 公式(8)代 表隐含状态的求取 过程； 步骤S22， 根据经过LSTM模型获得的训练数据， 对评估模型进行评估， 继续对NARX ‑LSTM 模型进行训练， 最终 获得训练好的NARX ‑LSTM模型。 6.如权利要求5所述的方法， 其特 征在于， 所述 步骤S20进一 步包括： 步骤S200， 采用下式获得NARX网络预测值 与真实值Yn与之间的误差向量En： 其中， En＝[e1,e2,...,en]； 真实值Yn＝[y1,y2,...,yn]； 网络预测值 F 和ω表示 NARX网络的非线性映射 函数和相应的权值； 步骤S201， 将所述误差向量展开成多维数据矩阵来构建出下式中的汉克尔矩阵， 以增 加残差校正的权 重： 其中， L∈[2≤L≤L(n/2)]为窗口长度， K＝ n‑L+1是重叠段的数量； 步骤S202， 采用下述公式对汉克尔误差矩阵计算 最小最大变换； 其中， xn表示归一 化值， xr为真实值， xmax和xmin分别为最大值和最小值； 步骤S203， 以下述公式对汉克尔误差矩阵进行希尔伯特变换， 包括： f(x)的希尔伯特变换 方式如下： 其中， f(x)为 误差函数， H()为希尔伯特变换算子， f(x)对应上述的汉克尔误差矩阵； 将所述希尔伯特变换重新表示 为下述的卷积形式： 基于卷积定理的快速算法将其 转换成如下的表达式： 其中， fft()和if ft()分别表示快速傅 立叶变换和快速傅 立叶逆变换，权　利　要　求　书 2/3 页 3 CN 114091343 A 3