(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 202111459373.1 (22)申请日 2021.12.02 (71)申请人 华东电力试验研究院有限公司 地址 200437 上海市虹口区邯郸路171号 (72)发明人 张宇　叶季蕾　李斌　时珊珊　 王皓靖　方陈　 (74)专利代理 机构 上海科盛知识产权代理有限 公司 312 25 代理人 杨宏泰 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/12(2006.01)G06N 20/00(2019.01) (54)发明名称 一种基于改进极限学习机的光伏发电预测 方法 (57)摘要 本发明涉及一种基于改进极限学习机的光 伏发电预测方法， 包括以下步骤： 1)获取光伏发 电历史数据并进行预处理， 并通过相关性分析获 取影响光伏出力的主要因素； 2)构建ELM预测模 型并进行训练； 3)采用遗传算法优化ELM预测模 型参数； 4)应用优化训练后的ELM预测模型进行 光伏发电预测。 与现有技术相比， 本发明具有提 升预测精度、 减少冗余度、 提高网络训练效率、 避 免初始化的权值和 阈值对训练的结果有较大的 影响等优点。 权利要求书2页 说明书7页 附图3页 CN 114298377 A 2022.04.08 CN 114298377 A 1.一种基于改进极限学习机的光伏发电预测方法， 其特 征在于， 包括以下步骤： 1)获取光伏发电历史数据并进行预处理， 并通过相关性分析获取影响光伏出力的主要 因素； 2)构建ELM预测模型并进行训练； 3)采用遗传算法优化ELM预测模型参数； 4)应用优化训练后的ELM预测模型进行光伏发电预测。 2.根据权利要求1所述的一种基于改进极限学习机的光伏发电预测方法， 其特征在于， 所述的步骤1)中， 对光伏发电历史数据进行归一 化处理， 则有： 其中， pj为第j的原始光伏发电功率数据， pj， min为j列数据的最小值， pj， max为j列数据的 最大值， 为归一化后的光伏发电功率数据。 3.根据权利要求1所述的一种基于改进极限学习机的光伏发电预测方法， 其特征在于， 所述的步骤1)中， 对影响光伏出力的影响因素和实际光伏发电功率进行相关性分析， 计算 各影响因素与实际光伏发电功率之间的PC C相关系数， 并根据PC C相关系数选取主 要因素。 4.根据权利要求3所述的一种基于改进极限学习机的光伏发电预测方法， 其特征在于， 所述的选取PC C相关系数绝对值较大的前k个 影响因素作为主 要因素。 5.根据权利要求4所述的一种基于改进极限学习机的光伏发电预测方法， 其特征在于， 所述的影响光伏出力的影响因素包括辐照度、 温度、 风速、 风向、 湿度和压强， 选取的主要因 素具体包括辐照度、 温度和湿度。 6.根据权利要求1所述的一种基于改进极限学习机的光伏发电预测方法， 其特征在于， 所述的步骤2)具体包括以下步骤： 21)构建预测光伏发电的训练样 本[xi， pi]， 其中， xi＝[xi1， xi2， ...， xiN]T∈RN为第i个影 响光伏出力的主要因素的数据向量， N为训练样本个数， pi∈R为样本输出值， 即光伏发电功 率； 22)构建由输入层、 隐含层、 输出层组成的ELM预测模型， 其表达式为： 其中， βi为隐含层与输出层的连接权值， g( ·)为隐含层神经元的激活函数， ωi为输入 层与隐含层神经 元之间的连接 权值， bi为隐含层神经 元的阈值， h为隐含层神经 元的个数； 23)确定隐含层神经 元个数h并随机生成连接 权值ωi和阈值bi； 24)选择Sigmo id函数作为隐含层神经 元的激活函数， 并进行模型的训练。 7.根据权利要求6所述的一种基于改进极限学习机的光伏发电预测方法， 其特征在于， 所述的步骤23)中， 基于经验公式确定隐含层神经 元个数h， 则有： 其中， m为输入层神经 元个数， n 为输出层神经 元个数， a为1～10之间的常数。 8.根据权利要求6所述的一种基于改进极限学习机的光伏发电预测方法， 其特征在于，权　利　要　求　书 1/2 页 2 CN 114298377 A 2所述的步骤3)具体包括以下步骤： 31)初始化， 设定 遗传算法的参数， 包括种群数 K、 最大迭代次数、 交叉概 率、 变异概 率； 32)将光伏 功率训练数据预测的误差绝对值之和作为个 体的适应度值； 33)对ELM预测模型随机产生的连接权值和阈值进行二进制编码， 构造编码链， 产生初 始种群； 34)对种群开始训练并计算每个种群的适应度， 对种群进行选择、 交叉和变异操作得到 新种群； 35)判断是否达到最大迭代次数， 如果是， 则输出优化后的连接权值和阈值， 否则返回 步骤34)。 9.根据权利要求8所述的一种基于改进极限学习机的光伏发电预测方法， 其特征在于， 所述的步骤3 3)中， 遗传算法个 体的编码长度l 为权值个数与阈值个数之和。 10.根据权利要求1所述的一种基于改进极限学习机的光伏发电预测方法， 其特征在 于， 该方法还包括对ELM预测模型进行性能评估， 具体为： 采用误差通用评价指标， 即均方误差、 决定系数、 平均绝对误差和平均预估偏差率对 ELM预测模型的预测结果进行分析。权　利　要　求　书 2/2 页 3 CN 114298377 A 3