(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 202111362673.8 (22)申请日 2021.11.17 (71)申请人 中国华能集团清洁能源技 术研究院 有限公司 地址 102209 北京市昌平区北七家未来科 技城华能人才创新创业基地实验楼A 楼 申请人 盛东如东海上风力发电有限责任公 司　 华能国际电力江苏能源开发有限公 司　 华能国际电力江苏能源开发有限公 司清洁能源分公司 (72)发明人 王鸿策　郭小江　申旭辉　孙财新　 潘霄峰　赵瑞斌　汤海雁　秦猛　 李春华　关何格格　曹庆伟　边防　陈晓路　杭兆峰　 (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 赵迪 (51)Int.Cl. G06F 30/27(2020.01) G06Q 50/06(2012.01) G06F 119/02(2020.01) (54)发明名称 光伏发电量的预测方法、 装置、 电子设备和 存储介质 (57)摘要 本申请提出一种光伏发电量的预测方法、 装 置、 电子设备和存储介质， 其中， 该方法包括： 通 过工况和天气数据与预测日匹配的历史采样日 的历史数据对LCA模型进行训练， 以得到基于LCA 模型训练后的预测模型， 最后将预测日的日期或 预测日中待预测光伏发电量的时刻输入到预测 模型， 以得到 预测的光伏发电量预测值， 由此， 在 预测光伏发电量的过程中， 结合工况和天气数据 与预测日匹配的历史采样日的历史数据对LCA模 型进行训练， 以得到预测模型， 并将预测日的日 期或时刻输入到预测模型， 以得到预测的光伏发 电量预测值， 通过训练出的训练模 型准确预测出 预测日对应的光伏发电量预测值。 权利要求书3页 说明书11页 附图8页 CN 114282428 A 2022.04.05 CN 114282428 A 1.一种光伏发电量的预测方法， 其特 征在于， 方法包括： 获取光伏发电量预测的训练样本， 其中， 所述训练样本是工况和天气数据与预测日匹 配的历史采样日的历史数据； 采用所述训练样本对混合LCA模型进行训练， 以得到基于所述LCA模型训练后的预测模 型； 获取预测日的日期 或预测日中待预测光伏发电量的时刻， 并将所述日期 或时刻输入到 所述预测模型， 以得到预测的光伏发电量预测值。 2.如权利要求1所述的方法， 其特征在于， 所述LCA模型包括输入层、 卷积神经网络CNN 层、 长短期记忆人工神经网络LSTM层、 注意力层和输出层， 采用所述训练样本对LCA模型进 行训练， 以得到基于所述 LCA模型训练后的预测模型， 包括： 将所述训练样本输入到所述输入层， 通过所述输入层得到所述训练样本各自对应的输 入向量； 将所述输入向量输入到所述CNN层， 并对所述输入向量进行特征提取， 以筛选出目标特 征向量； 获取所述目标特征向量， 将所述目标特征向量输入所述LSTM层， 以得到所述目标特征 向量各自对应的第一输出向量； 将所述目标特征向量各自对应的第 一输出向量输入到所述注意力层中， 并根据 所述注 意力层中所述第一输出向量的注意力权重参数值， 对所述第一输出向量进行筛选， 以得到 第二输出向量； 将所述第二输出向量输入到所述输出层， 以确定光伏发电量的预测值， 并输出所述光 伏发电量的预测值； 根据所述训练样本和所述预测值之间的差异， 对所述LCA模型进行模型参数调整， 以得 到所述预测模型。 3.如权利要求2所述的方法， 其特征在于， 所述CNN层包括卷积层和丢弃dropout层， 将 所述输入向量输入到所述CNN层， 并对所述输入向量进行特征提取， 以筛选出目标特征向 量， 包括： 将所述输入向量输入到所述卷积层中， 获取 卷积层提取的输入向量的多个特 征向量； 将所述输入向量的多个特征向量输入到所述dropout层， 以从所述多个特征中筛选出 目标特征向量。 4.如权利要求2所述的方法， 其特征在于， 在将所述第二输出向量输入到所述输出层， 以确定光伏发电量的预测值， 并输出 所述光伏发电量的预测值之后， 还 包括： 获取所述光伏发电量的预测值， 并对所述 光伏发电量的预测值进行反归一 化处理。 5.如权利要求1任一项所述的方法， 其特征在于， 在获取光伏发电量预测的训练样本之 前， 还包括： 选取工况和天气数据与预测日匹配的采样日的历史数据； 根据各所述采样日的历史数据， 采用灰色关联分析法和相似度指标筛选得到日期与 所 述预测日之间差异小于阈值的历史采样日； 获取所述历史采样日的历史数据， 并将所述历史采样日的历史数据作为训练样本 。 6.一种光伏发电量的预测装置， 其特 征在于， 所述装置包括：权　利　要　求　书 1/3 页 2 CN 114282428 A 2第一获取模块， 用于获取光伏发电量预测的训练样本， 其中， 所述训练样本是与预测日 发电量相似的历史数据； 第一生成模块， 用于采用所述训练样本对混合LCA模型进行训练， 以得到基于所述LCA 模型训练后的预测模型； 第二生成模块， 用于获取预测日的日期或预测日中待预测光伏发电量的时刻， 并将所 述日期或时刻输入到所述预测模型， 以得到预测的光伏发电量预测值。 7.如权利要求6所述的装置， 其特征在于， 所述LCA模型包括输入层、 卷积神经网络CNN 层， 长短期记 忆人工神经网络LSTM层、 注意力层和输出层， 所述第一 生成模块， 包括： 输入单元， 用于将所述训练样本输入到所述输入层， 通过所述输入层得到所述训练样 本各自对应的输入向量； 提取单元， 用于将所述输入向量输入到所述CNN层， 并对所述输入向量进行特征提取， 以筛选出目标 特征向量； 第一生成单元， 用于获取所述目标特征向量， 将所述目标特征向量输入所述LSTM层， 以 得到所述目标 特征向量各自对应的第一输出向量； 第二生成单元， 用于将所述目标特征向量各自对应的第 一输出向量输入到所述注意力 层中， 并根据所述注意力层中所述第一输出向量的注意力权重参数值， 对所述第一输出向 量进行筛 选， 以得到第二输出向量； 输出单元， 用于将所述第 二输出向量输入到所述输出层， 以确定光伏发电量的预测值， 并输出所述光伏发电量的预测值； 调整单元， 用于根据所述训练样本和所述预测值之间的差异， 对所述LCA模型进行模型 参数调整， 以得到所述预测模型。 8.如权利要求7所述的装置， 其特征在于， 所述CNN层包括卷积层和dropout层， 所述提 取单元， 具体用于： 将所述输入向量输入到所述卷积层中， 获取 卷积层提取的输入向量的多个特 征向量； 将所述输入向量的多个特征向量输入到所述dropout层， 以从所述多个特征中筛选出 目标特征向量。 9.如权利要求7 所述的装置， 其特 征在于， 所述第一 生成模块还 包括： 处理单元， 用于获取所述光伏发电量的预测值， 并对所述光伏发电量的预测值进行反 归一化处理。 10.如权利要求6任一项所述的装置， 其特 征在于， 所述装置还 包括： 选取模块， 用于 选取工况和天气数据与预测日匹配的采样日的历史数据； 第三生成模块， 用于根据各所述采样日的历史数据， 采用灰色关联分析法和相似度指 标筛选得到日期与所述预测日之间差异小于阈值的历史采样日； 第二获取模块， 用于获取所述历史采样日的历史数据， 并将所述历史采样日的历史数 据作为训练样本 。 11.一种电子设备， 其特 征在于， 包括： 存储器、 处理器及存储在存储器上并可在处理器上运行的计算机程序， 其特征在于， 所 述处理器执行所述程序时实现如权利要求1 ‑5中任一所述的光伏发电量的预测方法。 12.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被处理器权　利　要　求　书 2/3 页 3 CN 114282428 A 3