(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 202111241506.8 (22)申请日 2021.10.25 (71)申请人 北京航天创智科技有限公司 地址 100076 北京市丰台区北 大街甲13号 301室 （园区） (72)发明人 徐崇斌　王鑫磊　陈前　左欣　 吴俣　孙晓敏　杨勇　刘亮　 (74)专利代理 机构 北京中创云知识产权代理事 务所(普通 合伙) 11837 代理人 徐辉 (51)Int.Cl. G06F 30/27(2020.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G06F 119/06(2020.01) (54)发明名称 一种基于循环神经网络的光伏电站功率预 测方法及系统 (57)摘要 本发明涉及一种基于循环神经网络的光伏 电站功率预测方法及系统， 获取光伏电站记录的 历史输出功率数据以及气象预报数据； 进行数据 处理， 得到历史输出功率数据时间序列和对应的 历史气象数据的时间序列， 并进行归一化处理和 分割形成样 本数据集； 构建循环神经网络模型并 训练。 采集一段时间内的输出功率数据， 进行数 据处理输入循环神经网络模型； 循环神经网络模 型输出预测结果， 获取对应的输出功率数据作为 光伏电站功率预测值。 本发明通过结合光伏电站 历史数据和NWP气象预报数据， 训练基于循环神 经网络模型的光伏功率预测模型， 预测未来24小 时的光伏发电功率， 提高预测精度。 权利要求书3页 说明书9页 附图6页 CN 113919232 A 2022.01.11 CN 113919232 A 1.一种基于循环神经网络的光伏电站 功率预测方法， 其特 征在于， 包括： 获取光伏电站 记录的历史输出功率数据以及气象预报数据； 确定单个样本的历史输入长度p和预测长度q； 分别对历史输出功率数据以及气象数据进行数据处理， 得到历史输出功率数据时间序 列和对应的气象数据的时间序列， 并进行归一 化处理和分割形成样本数据集； 构建循环神经网络模型； 由所述样本数据集中选择样本， 训练所述循环神经网络， 直至输出的预测结果满足精 度要求； 采集一段时间内的输出功率数据， 获取当前时刻前p个时刻的气象数据以及未来q个时 刻的气象预报数据， 进行数据 处理， 得到输出功率数据时间序列和气象数据及气象预报数 据形成的时间序列， 进行归一 化处理后输入所述循环神经网络模型； 所述循环神经网络模型输出预测结果， 获取对应的输出功率数据作为光伏电站功率预 测值。 2.根据权利要求1所述的基于循环神经网络的光伏电站功率预测方法， 其特征在于， 对 历史输出功率数据以及气象预报数据进行 数据处理， 包括： 对历史输出功率数据以及气象预报数据进行数据分别进行缺失值插值， 对所述气象预 报数据按照所述历史输出功 率数据的时间间隔进 行重采样， 对所述气象预报数据和所述历 史输出功率数据添加时间变量， 形成时间上对应的历史输出功 率数据时间序列和气象预报 数据的时间序列。 进一 步地， 所述时间变量包括月、 日、 小时、 分钟、 星期和儒略日。 3.根据权利要求2所述的基于循环神经网络的光伏电站功率预测方法， 其特征在于， 所 述分割包括采用滑动窗口来 生成样本， 滑动窗口步长为1， 窗口长度为p； 每个样本数据的长度为L＝p+q； 前p个时刻数据作为历史输入， 后q个时刻的气象预报 数据和时间变量作为未来输入， 功率数据作为标签； 每个样本的历史输入维度为p ×M1， M1包括历史输出功率数据、 历史气象数据和时间变 量； 每个样 本的未来输入维度为q ×M2， M2包括未来q个时刻的气象预报数据和时间变量； 每 个样本的标签维度为q ×1， 即未来q个时刻的输出功率。 4.根据权利要求3所述的基于循环神经网络的光伏电站功率预测方法， 其特征在于， 所 述循环神经网络模型包括编码层、 双向LSTM层和最后的全连接层； 所述编码层包括L个编码单元依次输入为： p个输出功率数据xt‑(p‑1)， ...， xt以及q个气 象数据xt+1， ...， xt+q； 双向LSTM层包括L个前向LSTM单元和L个后向LSTM单元； 第i个前向LSTM单元的输入为 第i个编码单元输出以及第i ‑1个前向LSTM单元的输出； 第i个后向LSTM单元的输入为第i个 编码单元输出以及第i+1个后向LSTM单 元的输出； 后q个前向LSTM单元及后向LSTM单元的输出至所述全连接层， 所述全连接层输出q个时 刻的预测结果。 5.根据权利要求2或3所述的基于循环神经网络的光伏电站功率预测方法， 其特征在 于， 通过网格搜索确定循环神经网络的结构参数最优的参数组合， 采用最优的参数组合设 置所述循环神经网络的结构参数， 采用MSE作为的损失函数， 优化器选择Adam优化器； 将样本数据集划分为训练集、 验证集和测试集； 分别对训练集、 验证集和测试集中训练权　利　要　求　书 1/3 页 2 CN 113919232 A 2样本、 验证样本和 测试样本； 训练步骤包括： 选择训练样本对所述循环神经网络训练， 当满足训练要求后， 进入验证 步骤； 验证步骤包括： 选择验证样本输入所述循环神经网络进行验证， 计算模型精度； 返回训 练步骤， 并调整模型 结构参数； 比较不同模型结构参数对应的模型精度， 选择模型精度最高的模型作为最优模型， 选 择最优模型固定模型 结构参数； 测试步骤 包括： 选择测试样本 输入所述循环神经网络进行测试， 评价精度。 6.根据权利要求5所述的基于循环神经网络的光伏电站功率预测方法， 其特征在于， 将 所采集一段时间内的输出功 率数据， 当前时刻前T小时的气象数据以及未来T小时内的气象 预报数据进行归一化处理后， 还包括存输入数据库， 作为新的测试样本， 加入训练数据集； 对所述循环神经网络进行增量训练。 7.根据权利要求2或3所述的基于循环神经网络的光伏电站功率预测方法， 其特征在 于， 计算决定系数R2和平均绝对误差 MAPE作为精度评价指标： 其中m为样本数量， yi为第i个真实值， 为第i个预测值， 为真实值的均值。 8.一种基于循环神经网络的光伏电站 功率预测系统， 其特 征在于， 包括： 数据获取模块， 采集一段时间内的输出功率数据， 获取当前时刻前p个时刻的气象数据 以及未来q个时刻内的气象预报数据； 数据处理模块， 对一段时间内的输出功率数据、 当前时刻前p个时刻的气象数据以及未 来q个时刻内的气象预报数据， 进 行数据处理， 得到输出功 率数据时间序列和气象数据及气 象预报数据形成的时间序列， 进行归一 化处理后输入预测模块； 所述预测模块内置循环神经网络模型， 输出 预测结果； 后处理模块， 基于所述预测结果获取对应的输出功率数据作为 光伏电站 功率预测值； 所述卷积神经网络模型训练包括： 获取光伏电站 记录的历史输出功率数据以及气象预报数据； 分别对历史输出功率数据以及气象数据进行数据处理， 得到历史输出功率数据时间序 列和对应的气象数据的时间序列， 并进行归一 化处理和分割形成样本数据集； 由所述样本数据集中选择样本， 训练所述循环神经网络， 直至输出的预测结果满足精 度要求。 9.根据权利要求8所述的基于循环神经网络的光伏电站功率预测系统， 其特征在于， 所 述数据处 理模块， 对历史输出功率数据以及气象预报数据进行 数据处理， 包括： 对历史输出功率数据以及气象预报数据进行数据分别进行缺失值插值， 对所述气象预 报数据按照所述历史输出功 率数据的时间间隔进 行重采样， 对所述气象预报数据和所述历 史输出功率数据添加时间变量， 形成时间上对应的历史输出功 率数据时间序列和气象预报权　利　要　求　书 2/3 页 3 CN 113919232 A 3