(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 202211289327.6 (22)申请日 2022.10.20 (71)申请人 西安建筑科技大 学 地址 710055 陕西省西安市碑林区雁塔路 13号 (72)发明人 于军琪　李蕴　赵安军　田喆　 薛志璐　 (74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 陈翠兰 (51)Int.Cl. G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) (54)发明名称 光伏发电功率预测方法、 系统、 设备及 介质 (57)摘要 本发明公开了一种光伏发电功率预测方法、 系统、 设备及介质， 包括： 对光伏发电功率的影 响 构成要素数据进行相关性分析， 得到光伏发电功 率的主要影 响指标数据； 对光伏发电功率的主要 影响指标数据进行聚类处理， 得到不同天气类型 的聚类结果； 将不同天气类型的聚类结果作为预 构建的光伏发电功率预测模型的输入， 输出得到 光伏发电功率预测结果； 其中， 预构建的光伏发 电功率预测模型为LS TM‑CNN&BP组合神经网络 预 测模型， LSTM ‑CNN&BP组合神经网络预测模型包 括LSTM‑CNN神经网络和BP神经网络； 本发明将BP 神经网络与LS TM‑CNN神经网络 结合， 充分利用两 种神经网络模 型的特征， 有效提高了预测结果的 精度和泛化 性能。 权利要求书2页 说明书10页 附图5页 CN 115545164 A 2022.12.30 CN 115545164 A 1.一种光伏发电功率预测方法， 其特 征在于， 包括： 获取光伏发电功率的影响构成要素 数据； 对所述光伏发电功率的影响构 成要素数据进行相关性分析， 得到光伏发电功率的主要 影响指标 数据； 对所述光伏发电功率的主要影响指标数据进行聚类处理， 得到不同天气类型的聚类结 果； 将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测模型的输入， 输出得 到所述光伏发电功率预测结果； 其中， 所述预构建的光伏 发电功率预测模型为LSTM ‑CNN&BP组合神经网络预测模型， 所 述LSTM‑CNN&BP组合神经网络预测模型包括 LSTM‑CNN神经网络和BP神经网络 。 2.根据权利要求1所述的一种光伏发电功率预测方法， 其特征在于， 所述光伏发电功率 的影响构成要 素数据包括 天空净度、 大气 压强、 光伏组件效率、 光伏组件温度、 太阳方位角、 相对湿度、 干球温度、 风速及风向。 3.根据权利要求1所述的一种光伏发电功率预测方法， 其特征在于， 对所述光伏发电功 率的影响构成要素数据进行相关性分析， 得到光伏发电功率的主要影响指标数据的过程， 具体如下： 采用皮尔逊相关系数法， 对所述光伏发电功率的影响构成要素数据进行相关性分析， 确定与光伏发电功 率相关性高的影响数据， 即得到所述的光伏发电功率的主要影响指标数 据。 4.根据权利要求1所述的一种光伏发电功率预测方法， 其特征在于， 对所述光伏发电功 率的主要影响指标 数据进行聚类处 理， 得到不同天气类型的聚类结果的过程， 具体如下： 将所述光伏发电功率的主要影响指标数据按照季节划分， 利用K均值聚类算法将按季 节划分后的光伏发电功率的主 要影响指标 数据进行聚类， 得到不同天气类型的聚类结果。 5.根据权利要求1所述的一种光伏发电功率预测方法， 其特征在于， 将所述不同天气类 型的聚类结果作为预构建的光伏发电功 率预测模型的输入， 输出得到所述光伏发电功率预 测结果的过程， 具体如下： 根据所述 不同天气类型的聚类结果， 构建训练集和 测试集； 构建LSTM ‑CNN神经网络， 并利用所述训练集对所述LSTM ‑CNN神经网络进行训练， 得到 训练后的LSTM ‑CNN神经网络； 将所述测试集输入至训练后的LSTM ‑CNN神经网络中， 输出 得到第一预测结果； 构建BP神经网络， 并将所述训练集对所述BP神经网络进行训练， 得到训练后的BP神经 网络； 将所述测试集输入至训练后的BP神经网络中， 输出 得到第二预测结果； 将所述第一预测结果与所述第 二预测结果进行叠加求和， 输出得到所述光伏发电功率 预测结果。 6.根据权利 要求5所述的一种光伏发电功率预测方法， 其特征在于， 所述LSTM ‑CNN神经 网络包括CN N网络单元和LSTM网络单 元； 其中， 所述CNN网络单元包括依次相连的卷积层、 池化层、 全连接层及输出层； 所述卷积 层， 用于提取局部特征； 所述池化层， 用于对所述局部特征的输出进 行选择； 所述全连接层，权　利　要　求　书 1/2 页 2 CN 115545164 A 2用于对池化层输出 的局部特征进行整合得到全局特征； 所述输出层， 用于输出所述全局特 征。 所述LSTM网络单元， 包括依次相连的遗忘门、 输入门及输出门； 其中， 所述遗忘门的输 入与所述输出层的输出相连； 所述遗忘门， 用于对 所述全局特征进 行遗忘处理， 得到遗忘处 理后的信息； 所述输入门， 用于对所述经过遗忘处理后的信息进 行细胞状态更新， 得到更新 后的信息； 所述输出门， 根据更新后的信息对细胞状态进行过滤， 并输出得到第一预测结 果。 7.根据权利要求5所述的一种光伏发电功率预测方法， 其特征在于， 所述BP神经网络包 括依次相连的输入层、 隐含层 及输出层； 其中， 所述隐含层的信号处 理原理为： 其中， H为隐含层输出； f(*)为激活函数； wih为输入层神经单位元i与隐含层神经单位元 h的权值； xi为第i个输入； θi为隐含层阈值； m为输出样本维数； 所述输出层的输出处 理原理为： y＝f(whjH+θk) k＝1,2,3. ..m 其中， whj为隐含层与输出层的权 重； j为激活层； θk为输出层阈值； k 为输出层。 8.一种光伏发电功率预测系统， 其特 征在于， 包括： 数据获取模块， 用于获取光伏发电功率的影响构成要素 数据； 相关性分析模块， 用于对所述光伏发电功率的影响构成要素数据进行相关性分析， 得 到光伏发电功率的主 要影响指标 数据； 聚类处理模块， 用于对所述光伏发电功率的主要影响指标数据进行聚类处理， 得到不 同天气类型的聚类结果； 预测输出模块， 用于将所述不同天气类型的聚类结果作为预构建的光伏发电功率预测 模型的输入， 输出 得到所述 光伏发电功率预测结果； 其中， 所述预构建的光伏 发电功率预测模型为LSTM ‑CNN&BP组合神经网络预测模型， 所 述LSTM‑CNN&BP组合神经网络预测模型包括 LSTM‑CNN神经网络和BP神经网络 。 9.一种光伏发电功率预测设备， 其特 征在于， 包括： 存储器， 用于存 储计算机程序； 处理器， 用于执行所述计算机程序时实现如权利要求1 ‑7任一项所述一种光伏发电功 率预测方法的步骤。 10.一种计算机可读存储介质， 所述计算机可读存储介质存储有计算机程序， 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 ‑7任一项所述一种光伏发电功率预 测方法的步骤。权　利　要　求　书 2/2 页 3 CN 115545164 A 3