(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 202111525594.4 (22)申请日 2021.12.14 (71)申请人 电力规划总院有限公司 地址 100120 北京市西城区安德路6 5号 (72)发明人 杜忠明　刘世宇　王茜　陈俊杰　 王爽　蔡琛　 (74)专利代理 机构 北京中南长风知识产权代理 事务所(普通 合伙) 11674 专利代理师 穆丽红 (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) (54)发明名称 一种中长期发电量预测方法 (57)摘要 本发明公开了一种中长期发电量方法， 用于 风光储一体化站场， 包括： 步骤1， 基于光伏电站 中长期发电量预测模型预测光伏电站的中长期 发电量， 包括： 使用间接预测方法， 通过历史气象 数据预测未来中长期时间尺度的辐照度， 结合光 伏电站系统效率值PR， 最终预测光伏电站的发电 量； 步骤2， 基于中长期的多气象变量组合预测模 型对风电场的中长期发电量进行预测； 步骤3， 将 所述最终预测光伏电站的发电量 以及所述风电 场的中长期发电量综合获得， 用于风光储一体化 站场的中长期发电量结果。 还公开了相应的系 统、 电子设备以及计算机可读存 储介质。 权利要求书3页 说明书18页 附图8页 CN 114492922 A 2022.05.13 CN 114492922 A 1.一种中长期发电量方法， 用于风 光储一体化站场， 其特 征在于包括： 步骤1， 基于光伏电站中长期发电量预测模型预测光伏电站的中长期发电量， 包括： 使 用间接预测方法， 通过历史气象数据预测未来中长期时间尺度的辐照度， 结合光伏电站系 统效率值PR， 最终预测光伏电站的发电量； 步骤2， 基于中长期的多气象变量组合预测模型对风电场的中长期发电量进行 预测； 步骤3， 将所述最终预测光伏电站的发电量以及所述风电场的中长期发电量综合获得， 用于风光储一体化站场的中长期发电量结果。 2.根据权利要求1所述的一种中长期发电量方法， 其特征在于所述预测未来中长期时 间尺度的辐照度的方法包括： 基于时序模型， 或基于晴空模型， 或基于人工智能算法建模， 其中： 所述时序模型根据辐照度与历史气象数据在时间序列 上关联性， 建立基于时序的预测 模型具体公式如下式(1)表示： Gh)＝/(辐照度历史序列， 晴空指数， 日照时间， 环境温度， 风速， 风向， 大气压强， 湿度， 纬度， 经度， 理论相关数据等)     (1)； 所述晴空模型认为在天空条件较好以及空气清洁的情况下， 可以将地外的辐射量当做 常量， 而影响辐照度变化的因素为时间， 所述晴空模型通过将记录下 的晴空历史辐照度数 据进行修 正， 用于未来晴天辐照度的预测， 因此只能用于天气为晴天条件下的辐照度预测； 所述基于人工智能算法建模是目前较为流行的方法， 通过与大数据技术结合， 建立相 关预测算法模 型， 所述基于人工智能算法包括： 逻辑回归、 决策树、 粒子群算法、 支持向量机 以及神经网络模型； 所述模型 的输入参数为一定时间尺度的气象历史数据、 地理信息位置 以及过去一段时间内的辐照度观测数据， 所述模型的输出为未来相应时间尺度下的辐照 度。 3.根据权利要求2所述的一种中长期发电量方法， 其特征在于所述预测未来中长期时 间尺度的辐照度的预测模型包括： 多 元回归预测模 型、 持久预测模型、 支持向量回归机以及 基于LSTM神经网络中长期辐照度预测模型； 其中， 所述多元回归预测模型将最小二乘法作为损 失函数， 通过对历史气象数据与历 史辐照度数据拟合， 计算每一次预测辐照度值与实际辐照度值之间的平方误差， 分析回归 模型中的位置常量， 最终得 出使得损失函数最小的多元回归表达式； 所述持久预测模型的输入参数为当地气象站历史监测的辐照度 数据、 实时气象数据以 及理论计算数据， 求 解公式如下： P+1＝a+b ‑T％+c％+d     (3) Pt+1＝Pcsk     (4) 其中a,b,c,d表示经验系数， 它们的值由拟合得出， 该算法根据辐射度晴空模型与时间 序列模型来预测t+1时刻的太阳总辐射 量； 所述支持向量 回归机通过最小化结构风险函数求解最优值， 通过测试集上的泛化误差 率， 在降低模型误差率的同时找出依赖于VC维数(Vapnik ‑Chervonenkisdimension)的界； 在标签可分的条件下， 需要在确保前一项计算结果 等于0的条件下， 尽可能让第二项最小； 所述基于LSTM神经网络中长期辐照度预测模型使用神经元在长时间内存储和传输信 息以获得永久记 忆， 并以更容 易的方式捕获长期依赖关系。权　利　要　求　书 1/3 页 2 CN 114492922 A 24.根据权利要求3所述的一种中长期发电量方法， 其特征在于所述预测未来中长期时 间尺度的辐照度的预测模型为根据历史辐照度数据和选取的关键气象因素数据， 建立了基 于LSTM神经网络的中长期辐照度预测模型， 该模型 可以描述 为式(11)所示： W(t+1),w(t+2),...,W(t+m))＝FW(t),W(t ‑1),...,W(t ‑n),x(t),x(t ‑1),...,x(t ‑ n))(11)； 式中， W(t+1),W(t+2),...,W(t+m)是预测的辐照数据； W(t),W(t ‑1),...,W(t ‑n)是当 前和先前实际测量的辐 照度数据值， 其中， n通过遍历实验 数据样本集确定， m取值12； x(t), x(t‑1),...,x(t ‑n)是目前和过去实际测量的关键气象因素数据； 中长期辐照度预测模型 的输入是当前和前几个月的辐照度数据以及关键的气象影响因子数据， 输出的是次年的月 度辐照度。 5.根据权利要求4所述的一种中长期发电量方法， 其特征在于所述中长期辐照度预测 模型基于LSTM神经网络建立， 该模型在RNNs神经网络中增加了四个门层， 即遗忘层、 输入 层、 更新层和输出门层， 以解决在中长期辐照度预测中长时间尺度、 数据样本有限的问题， 并有选择地记住反馈的校正参数， 模型 的最优误差参数通过梯度下降法求解； 所述中长期 辐照度预测模型的预测流 程包括： (1)遗忘门层 该门层用于计算需要遗忘的信息， 在中长期辐照度预测任务中， 当前辐照度预测需要 借助同一时间序列上前一时间周期的节点数据； 该门层可以读取上一层的输出和当前输入 的数值， 然后输出一个0到1之间的值ft， 该值是通过sigmoid函数处理得到,并将其分配给 当前的单元状态Ct； f值所表示的实际意义为: “1”表示“保留所有 ”状态,“0”表示“全部遗 忘”状态， ft计算 为公式(12)所示。 fi＝σ(Wf[ht‑1,xt]+bf)     (12) 上式中， 方括号内表示将两个向量联系在一起； Wf是遗忘门层的权重矩阵； b是sigmoi d 函数； bf是遗忘门层的偏置项； (2)输入门层 LSTM神经网络的输入门层由两部分组成， 第一部分， 用来决定到sigmoid函数的输入 值； 第二部分， 创建一个新的候选向量添加 到单元状态C的t anh函数的输入值， 其计算公式 如式(13)所示。 it＝σ(Wi[ht‑1,x1]+bi)     (13) 式中， W是第一部分的权 重矩阵； Wc是第二部分的权矩阵； (3)更新门层 LSTM神经网络中的更新门层用于更新旧的单元状态， 当前时刻的单元状态值等于遗忘 门的输出值的乘积与输入门层的前一时间状态值和两 部分输出值的乘积之和； (4)输出门层 该门层计算出由sigmoid函数输出的参数信息， 然后将当前单元状态值乘以tanh函数 以获得最终输出 结果。 6.根据权利要求1所述的一种中长期发电量方法， 其特征在于所述光伏电站中长期发 电量预测模型采用间接预测法， 基于分布式光伏PR预测模型与中长期辐 照度预测模型的结 果， 其表达式如式(15)：权　利　要　求　书 2/3 页 3 CN 114492922 A 3