(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 202111275044.1 (22)申请日 2021.10.2 9 (71)申请人 国网山西省电力公司电力科 学研究 院 地址 030001 山西省太原市青年路6号 (72)发明人 郝丽花　唐震　周策　付文华　 王利峰　张屹峰　白志刚　高义斌　 张光炜　张振宇　尹旭佳　闫俊　 白东海　张邯平　刘众元　王进　 (74)专利代理 机构 太原景誉 专利代理事务所 (普通合伙) 14113 代理人 王博飞 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01)G06F 113/04(2020.01) G06F 119/06(2020.01) (54)发明名称 一种新能源光伏发电功率预测方法 (57)摘要 本发明属于电力技术领域， 具体涉及一种新 能源光伏发电功率预测方法； 包括以下步骤： S1： 获取含天气突变敏感因子的光伏电站历史数据 作为基本训练样本集A； S2： 根据基本训练样本集 A， 筛选可变形基本样本构成可变形基本样本集 Deformable； S3： 根据可变形基本样本集 Deformable选取出变形种子Seedm(m＝1,2,..., M)， 由M组变形种子生成变形种子数据集Seed； S4： 根据变形种子数据集Seed的前M ‑1组数据 Seedm(m＝1,2,...,M ‑1)依次进行变形， 生成M ‑1 组虚拟变形样本Virtualm(m＝1,2,...,M ‑1)， 组 成虚拟变 形样本集Virtual； S5： 根据基本训练样 本集A和虚拟变形样本集Virtual中的样本进行 双重神经网络训练； S6： 利用训练后的神经网络， 进行超短期功率预测； 本发明提升了恶劣天气条 件下功率预测准确度的同时提升了电网的稳定 性。 权利要求书1页 说明书5页 附图1页 CN 114021447 A 2022.02.08 CN 114021447 A 1.一种新能源光伏发电功率预测方法， 其特 征在于， 包括以下步骤： S1： 获取含天气突变敏感因子的光伏电站历史数据作为基本训练样本集A； S2： 根据基本训练样本集A， 筛 选可变形基本样本构成可变形基本样本集Deformable； S3： 根据可变 形基本样本集Deformable选取出变 形种子Seedm(m＝1,2,.....,M)， 由M组 变形种子生成变形种子数据集Se ed； S4： 根据变 形种子数据集Seed的前M ‑1组数据Seedm(m＝1,2,.....,M ‑1)依次进行变形， 生成M‑1组虚拟变形样本Virtualm(m＝1,2,......,M ‑1)， 由M‑1组虚拟变形样本组成虚拟 变形样本集Vir tual； S5： 根据基本训 练样本集A和虚拟变形样本集Virtual中的样本进行双重神经网络训 练； S6： 利用训练后的神经网络， 进行超短期功率预测。 2.根据权利要求1所述的一种新能源光伏发电功率预测方法， 其特征在于， 步骤S1中， 所述基本训练样本集A包括敏感天气突变因子 。 3.根据权利要求1所述的一种新能源光伏发电功率预测方法， 其特征在于， 步骤S3中， 所述变形种子Se edm由可变气压变化 率、 可变功率两种历史数据组成。 4.根据权利要求1所述的一种新能源光伏发电功率预测方法， 其特征在于， 步骤S4中， 每组虚拟变形样本的生成方法如下： Virtualm＝{Xm,Ym} (m＝1,2,. .....,M‑1)       (1‑1) 其中， Xm表示第m组虚拟气压变化 率,Ym表示第m组虚拟功率， Xm,Ym的计算方法如下： Xm＝rpSm Ym＝r3paSm3+rpcSm       (1‑2) 其中， Sm表示变形种子Seedm中的可变气压变化率， rp表示气压变化拉伸系数， r为1 ‑10 之间的自然数， p为1 ‑10之间的自然数， a、 c系数计算公式如下： 其中， Wm表示变形种子Se edm中的可变功率。 5.根据权利要求1所述的一种新能源光伏发电功率预测方法， 其特征在于， 步骤S5中， 双重神经网络训练包括： 针对步骤S1中基本训练样本集中的基本训练样本进 行神经网络功 率预测训练， 针对步骤S4中虚拟变形样本集Virtual中的虚拟变形样本进行神经网络功率 预测训练。权　利　要　求　书 1/1 页 2 CN 114021447 A 2一种新能源光 伏发电功率 预测方法 技术领域 [0001]本发明属于电力技 术领域， 具体涉及一种新能源光伏发电功率预测方法。 背景技术 [0002]近些年来， 新能源发电占比正在逐年提高， 光伏发电和风力发电正在稳步发展和 推进。 但是无论光伏发电还是风力发电由于具有随机性和 不稳定性的特点， 其所发电并入 电网会危及电网稳定性。 所以新能源发电需要提前进 行功率预测， 以便调度等提前规划， 保 障电网稳定性。 目前， 神经网络等预测方法， 可以对超短期功率做出较好的预测。 但基本是 晴天或天气 变化温和时预测效果较好， 当突 发暴风雨或其他恶劣天气时预测效果往往误差 较大。 原因是预测时通常采用某特定时刻的云量、 风速、 风向、 气温、 气压、 湿度等参考量进 行超短期功率预测， 对天气突变敏感性较差。 而且在选用神经网络等预测方法进行样本训 练时， 样本很难提供较多突发天气的数据， 造成训练后的神经网络很难对突发天气下 的功 率进行很好预测。 因此， 如何考虑天气突变因素， 选取有效的天气突变敏感因子做为训练样 本数据， 又如何扩展天气突变情况下的训练样 本， 提升突 发恶劣天气功 率预测准确度， 保障 电网安全稳定运行， 是一个急需解决的技 术难题。 发明内容 [0003]本发明克服了现有技 术存在的不足， 提供了一种新能源光伏发电功率预测方法。 [0004]为了解决上述技术问题， 本发明采用的技术方案为： 一种新能源光伏发电功率预 测方法。 包括以下步骤： [0005]S1： 选取含天气突变敏感因子的光伏电站历史数据样本做为基本训练样本An(n＝ 1,2,......,N)， 之后由N组基本训练样本组成基本训练样本集A。 [0006]具体的， 步骤S1中每组基本训练样本An(n＝1,2,......,N)的组成如下： [0007]An＝{气压变化率n、 太阳辐射强度n、 云量n、 风速n、 风向n、 气温n、 气压n、 湿度n、 功 率n}， (n＝1,2,.....,N)； 其中， N 为基本训练样本组数， 且为自然数； [0008]更进一步的， 步骤S1中基本训练样本集A的组成如下： [0009]A＝{A1,A2,......AN}。 [0010]S2： 针对步骤S1中的基本训练样本集A， 筛选出可变形基本样本Deformablem(m＝ 1,2,.....,M)， 并由筛 选出的M组可变形基本样本生成可变形基本样本集Deformable。 [0011]具体的， 步骤S2中筛选出每组可变形基本样本Deformablem(m＝1,2,.....,M)的 方法如下： [0012]依次对步骤S1中的每组基本训练样本An中的“气压变化率n ”判定是否超过设定的 变形种子 筛选死区D(死区D可定义 为某个0点对称区间)； [0013]如果“气压变化率n ”超过设定的变形种子筛选死区D， 则第n组基本训练样本An被 选为可变形基本样本， 并将第n组基本训练样本An中的数据： 气压变化率n、 太阳辐射强度n、 云量n、 风速n、 风向n、 气温n、 气压n、 湿度n、 功率n， 依次标记 为： 可变气压变化率m、 可变太阳说　明　书 1/5 页 3 CN 114021447 A 3