(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 202111528318.3 (22)申请日 2021.12.14 (71)申请人 国网浙江省电力有限公司金华供电 公司 地址 321017 浙江省金华市 婺城区双溪西 路420号 (72)发明人 张波　方玉群　王晓晨　周旺　 赵凯美　潘宏伟　江世进　王剑强　 陈俊　魏伟　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 代理人 刘竹青 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01)G06K 9/62(2022.01) (54)发明名称 一种基于天气分类的光伏发电功率预测方 法 (57)摘要 本发明提供了一种基于天气分类的光伏发 电功率预测方法， 所述预测方法具体为获取历史 气象数据和对应的历史光伏发电数据， 并对其进 行预处理， 按照天气类型对历史气象数据进行分 类， 根据天气分类后历史气象数据和对应的历史 光伏发电数据构建数据集， 并随机划分为训练集 和测试集； 根据预设的预测算法分别建立对应的 光伏发电预测模 型， 根据预设的预测算法分别对 对应的光伏发电预测模型进行训练， 并根据测试 集分别进行光伏发电预测， 判断每一类预测算法 对应光伏发电预测模型预测结果的准确性， 选择 准确性最高的一类预测算法对应的光伏发电预 测模型， 并根据实时采集的气象数据进行光伏发 电功率预测。 本发明能够进一步细化时间尺度， 提高预测准确性。 权利要求书1页 说明书6页 附图4页 CN 114399081 A 2022.04.26 CN 114399081 A 1.一种基于天气分类的光伏发电功率预测方法， 其特 征在于， 包括以下步骤： 步骤一， 通过网络 爬虫获取历史气象数据， 同时采集对应的历史光伏发电数据； 步骤二， 对历史气象数据和历史光伏发电数据进行预处理， 并按照天气类型对历史气 象数据进行分类， 根据天气分类后历史气象数据和对应的历史光伏发电数据构建数据集， 并将数据集随机划分为训练集和 测试集； 步骤三， 根据预设的预测算法分别建立对应的光伏发电预测模型， 一类预测算法对应 一个光伏发电预测模型， 根据预设的预测算法分别对对应的光伏发电预测模型进行训练， 并根据测试集分别进行光伏发电预测； 步骤四， 根据光伏发电预测结果判断每一类预测算法对应光伏发电预测模型预测结果 的准确性， 选择准确 性最高的一类预测 算法对应的光伏发电预测模型， 采集实时气象数据 并输入选择的光伏发电预测模型， 选择的光伏发电预测模型输出光伏发电功率预测结果。 2.根据权利要求1所述的一种基于天气分类的光伏发电功率预测方法， 其特征在于， 所 述预设的预测算法包括贝叶斯算法、 K最近邻算法、 支持向量机、 随机森林算法、 多层人工神 经网络深度学习算法和双向循环神经网络深度学习算法。 3.根据权利要求1所述的一种基于天气分类的光伏发电功率预测方法， 其特征在于， 步 骤二中在对历史气象数据进行预处理前， 还通过平均插值法获取单位时间的历史气象数 据。 4.根据权利要求3所述的一种基于天气分类的光伏发电功率预测方法， 其特征在于， 所 述单位时间为历史光伏发电数据的采集周期的时间 间隔。 5.根据权利要求1所述的一种基于天气分类的光伏发电功率预测方法， 其特征在于， 在 获取所有学习算法的预测结果后， 对每类学习算法的预测 准确度进行评价， 评价指标包括 均方根误差、 平均绝对误差和R2分数。 6.根据权利要求5所述的一种基于天气分类的光伏发电功率预测方法， 其特征在于， 所 述均方根 误差的计算公式为： 所述平均绝对误差的计算公式为： 所述R2分数的计算公式为： 其中： RMSE为均方根误差值， Yi为测试集Y中的第i个历史光伏发电功率值， 为对应的 光伏发电功率预测值， n为测试集Y中历史光伏发电功率值的数量， 为测试集Y中所有历史 光伏发电功率 值的平均值， MAE为平均绝对误差值， 所述R2为R2分数值。 7.根据权利要求1所述的一种基于天气分类的光伏发电功率预测方法， 其特征在于， 步 骤二中所述预处 理包括标准 化处理。权　利　要　求　书 1/1 页 2 CN 114399081 A 2一种基于天气分类的光 伏发电功率 预测方法 技术领域 [0001]本发明涉及 光伏发电预测技术领域， 尤其是指一种基于天气分类的光伏发电功率 预测方法。 背景技术 [0002]国家倡导大力发展新能源发电， 且光伏发电在新能源中占有非常重要的位置， 然 而， 光伏发电依赖于各种因素， 如气候条件、 风压、 湿度、 太阳辐射、 环 境温度和组件温度。 气 候的自然变化可能会改变这些参数， 从而改变发电量。 由于光照的随机性和昼夜的周期性， 光伏电站发电具有典型的波动性和间歇性特征。 太阳能输出功 率的突变会对电力系统的可 靠性、 稳定性和规划产生影响。 为了避免这种情况的发生， 需要对光伏发电功 率进行准确的 预测。 现有技术中对于光伏发电的预测方法具体有三类， 具体为基于物理模型预测、 统计预 测以及时间序列预测。 基于物理模型预测不需要历史数据， 仅通过光伏发电原理建立数学 模型进行预测， 但是所建立的物理模型存在一定误差， 抗干扰能力也较弱， 鲁棒性较差。 而 统计预测方法则仅通过数据分析技术实现预测， 但是通常存在预测精度较低的问题， 且不 能很好地处理费新型数据， 而机器学习算法由于其具备高效提取高位复杂非线性特征并将 其直接映射到 输出的能力， 因此已经成为 最常用的预测方法 之一。 [0003]虽然现在已存在大量关于深度学习预测光伏发电功率的研究， 其中也包括了按照 天气划分对不同天气情况下进 行光伏发电功 率预测的方法， 但大多以天为单位或以小时为 单位进行预测， 这显然难以应用于实际， 因为光伏发电受天气 影响， 可能在某个时刻发电功 率很大， 但是平均下来一个小时的发电功率并不高， 且光伏在晚上 的发电功率几乎为0， 因 此以天或小时为单位进行 预测， 时间尺度过 大， 最后得到的预测结果精度并不高。 发明内容 [0004]本发明的目的是克服现有技术中的缺点， 提供一种基于天气分类的光伏发电功率 预测方法。 [0005]本发明的目的是通过 下述技术方案予以实现： [0006]一种基于天气分类的光伏发电功率预测方法， 包括以下步骤： [0007]步骤一， 通过网络 爬虫获取历史气象数据， 同时采集对应的历史光伏发电数据； [0008]步骤二， 对历史气 象数据和历史光伏发电数据进行预处理， 并按照天气类型对历 史气象数据进 行分类， 根据天气分类后历史气象数据和对应的历史光伏发电数据构建数据 集， 并将数据集随机划分为训练集和 测试集； [0009]步骤三， 根据预设的预测算法分别建立对应的光伏发电预测模型， 一类预测算法 对应一个光伏发电预测模型， 根据预设的预测算法分别对对应的光伏发电预测模型进 行训 练， 并根据测试集分别进行光伏发电预测； [0010]步骤四， 根据光伏发电预测结果判断每一类预测算法对应光伏发电预测模型预测 结果的准确 性， 选择准确 性最高的一类预测算法对应的光伏发电预测模型， 采集实时气象说　明　书 1/6 页 3 CN 114399081 A 3