(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 202111424158.8 (22)申请日 2021.11.26 (71)申请人 华能大理风力发电有限公司洱源分 公司 地址 671203 云南省大理白族自治州洱海 县右所镇焦石村民委员会 申请人 中国华能集团清洁能源技 术研究院 有限公司 (72)发明人 曾谁飞　王振荣　叶林　童强　 李国庆　张燧　王青天　黄思皖　 刘旭亮　李小翔　冯帆　邸智　 韦玮　杜静宇　赵鹏程　武青　 祝金涛　朱俊杰　吴昊　吕亮　 童彤　任鑫　(74)专利代理 机构 北京清亦华知识产权代理事 务所(普通 合伙) 11201 代理人 黄垚琳 (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) H02J 3/00(2006.01) (54)发明名称 一种基于深度学习的光伏短期功率预测方 法及设备 (57)摘要 本发明提出一种基于深度学习的光伏短期 功率预测方法及设备， 分别将光伏实时数据、 历 史功率数据输入由不同尺寸卷积核的卷积神经 网络、 BiLS TM网络模型、 双向Attention注意力机 制构建深度学习预测模型方法， 最终将其获得的 两种数据文本特征进行合并运算得到更有效的 融合特征表征能力， 从而 得到最优的文本特征对 光伏短期功率进行精准的预测。 通过该方法不仅 提高光伏短期功率预测的精准度， 而且有利于优 化、 大幅降低光伏发电系统的运营成本， 包括人 力、 物力、 时间 效率等降本增效。 权利要求书2页 说明书7页 附图2页 CN 114358371 A 2022.04.15 CN 114358371 A 1.一种基于深度学习的光伏短期功率预测方法， 其特 征在于， 包括： 获取指定时间间隔内的光伏实时监测数据， 及历史光伏功率数据并进行数据预处理， 将预处理后光伏实时监测数据和历史光伏 功率数据作为训练集； 构建光伏短期功率预测网络模型， 并通过所述训练集对构建的光伏短期功率预测进行 训练； 其中， 所述光伏短期功 率预测网络模型包括依序连接的特征提取模块、 上下文信息提 取模块、 预测信息增强模块、 特 征融合模块和结果预测模块； 将实时产生的光伏实时监测数据和历史光伏功率数据预处理后输入训练完成的所述 光伏短期功率预测网络模型中， 输出 结果作为未来指定时间 间隔内光伏 功率的预测结果。 2.根据权利要求1所述的基于深度学习的光伏短期功率预测方法， 其特征在于， 数据 预 处理的步骤 包括： 数据格式解析： 对不同数据格式的光伏实时监测数据和、 或历史光伏功率数据进行数 据格式解析， 转换为统一格式； 数据相关性分析， 以排除权重低于设定阈值的光伏实时监测数据和历史光伏功率数 据； 归一化处理， 依据公式(1)对光伏实时监测数据和历史光伏 功率数据进行归一 化； 其中， w’归一化后的值， w代 表样本真值， wmin和wmax代表所选所在的最小值和最大值。 3.根据权利要求2所述的基于深度学习的光伏短期功率预测方法， 其特征在于， 所述光 伏短期功率预测网络模型包括依序连接的特征提取模块、 上下文信息提取模块、 预测信息 增强模块、 特 征融合模块和结果预测模块； 其中， 所述特征提取模块为特征提取神经网络， 用于对光伏实时监测数据和历史光伏功率数 据进行不同尺度特 征提取； 所述上下文信息提取模块用于获取所述光伏实时监测数据和历史光伏功率数据在时 序上的序列关系， 得到所述 光伏实时监测数据和历史光伏 功率数据的上 下文信息； 所述预测信息增强模块用于获取所述光伏实时监测数据和历史光伏功率数据的关联 权重特征； 所述特征融合模块用于对所述光伏实时监测数据和历史光伏功率数据的关联权重特 征融合拼接， 得到特 征融合信息； 所述结果预测模块， 用于根据所述特征融合信息计算预测结果， 完成光伏短期功率预 测。 4.根据权利要求3所述的基于深度学习的光伏短期功率预测方法， 其特征在于， 所述特 征提取神经网络为卷积神经网络模 型CNN网络； 所述卷积神经网络模型CNN网络包括两层卷 积层和两层池化层， 采用最大池化方法， 以获取高频时空特 征。 5.根据权利要求4所述的基于深度学习的光伏短期功率预测方法， 其特征在于， 所述上 下文信息提取模块采用BiLSTM网络模型， 将所述高频时空特征输入BiLSTM网络模型， 输出 不同时刻数据的上 下文关系， 提高文本特 征表征和拟合能力。 6.根据权利要求3所述的基于深度学习的光伏短期功率预测方法， 其特征在于， 所述预 测信息增强模块对所述光伏实时监测数据和历史光伏功率数据利用双向注意力中的自注权　利　要　求　书 1/2 页 2 CN 114358371 A 2意力、 交互注意力机制得到特征内部不同权重与所述光伏实时监测数据和历史光伏功率数 据间的关联不同权 重信息。 7.根据权利要求4所述的基于深度学习的光伏短期功率预测方法， 其特征在于， 通过所 述训练集对构建的所述 光伏短期功率预测网络模型进行训练的步骤 包括： 将预处理后的训练集数据输入特征提取模块的特征提取神经网络， 通过卷积神经网络 模型CNN网络进行 特征提取； 利用BiLSTM网络模型 得到过去时刻 及未来时刻的序列关系从而得到 了上下文信息； 分别对光伏历史数据、 实时数据利用 双向注意力中的自注意力、 交互注意力机制得到 文本特征内部不同权重和历史数据与实时数据间的关联不同权重信息， 则挖掘了两种数据 各自特征内部的相关性和两者数据间的关联特性， 分别构成两种 数据各自带不同尺度、 上 下文信息、 及相关性与关联性特 征； 将所述带不同尺度、 上下文信息、 及相关性与关联性特征通过合并操作获融合特征， 该 融合特征中含不同尺寸、 上下文信息、 相关性与关联性， 充分体现了实时数据、 历史数据对 光伏短期功率预测的贡献度； 利用全连接层计算预测结果， 与标记的检测结果进行对比， 通过不断调整网络函数和 参数， 直至预测结果与实际功率结果 一致时， 完成网络训练。 8.根据权利要求4所述的基于深度学习的光伏短期功率预测方法， 其特征在于， 在输出 未来指定时间间隔内光伏功 率的预测结果的步骤之后， 还包括结果展现的步骤； 其中， 结果 展现的方式至少包括： 文字展示、 语音播报、 终端外呼、 邮件及短信传输、 智能音箱语音唤 醒。 9.一种基于深度学习的光伏短期功率预测装置， 其特 征在于， 包括： 数据获取模块， 用于获取指定时间间隔内的光伏实时监测数据， 及历史光伏功率数据 并进行数据预处 理， 将预处 理后光伏实时监测数据和历史光伏 功率数据作为训练集； 网络构建模块， 用于构建光伏短期功率预测网络模型， 并通过所述训练集对构建的光 伏短期功率预测进行训练； 其中， 所述光伏短期功率预测网络模型包括依序连接的特征提 取模块、 上 下文信息提取模块、 预测信息增强模块、 特 征融合模块和结果预测模块； 功率预测模块， 用于将 实时产生的光伏实时监测数据和历史光伏功率数据预处理后输 入训练完成的所述光伏短期功率预测网络模型中， 输出结果作为未来指定时间间隔内光伏 功率的预测结果。 10.一种计算机设备， 其特征在于， 包括存储器、 处理器及存储在所述存储器上并可在 所述处理器上运行的计算机程序， 所述处理器执行所述计算机程序时， 实现如权利要求 1‑8 中任一所述的方法。 11.一种非临时性计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计 算机程序被处 理器执行时实现如权利要求1 ‑8中任一所述的方法。权　利　要　求　书 2/2 页 3 CN 114358371 A 3