(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 202210851575.9 (22)申请日 2022.07.18 (71)申请人 广东电网有限责任公司电力调度控 制中心 地址 510062 广东省广州市越秀区梅 花路 75号(仅限写字楼 功能用) (72)发明人 潮铸　何祥针　包博　段秦尉　 唐旭辰　谢祥中　陈卉灿　汪洋　 赖晓文　易江文　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 李妙芬 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01)G06Q 50/06(2012.01) G06N 3/02(2006.01) (54)发明名称 一种风光功率联合预测模型的构建方法、 系 统及预测方法 (57)摘要 本发明公开了一种风光功率联合预测模型 的构建方法、 系统及预测方法， 包括： 利用样本数 据集， 对全 连接神经网络模型的模 型参数值进行 迭代优化， 直至优化次数达到预设次数或者当前 全连接神经网络模型对应的联合预测损失值满 足预设范围， 以训练后的模型作为风光功率联合 预测模型； 其中， 样本数据集包括若干个风电场 数据、 若干个光伏电站数据、 以及预设区域在不 同时刻下的第一总风电功率和第一总光伏功率， 联合预测损失值是结合风电功率预测损失值和 光伏功率预测损失值而计算得到的。 本发明结合 实时的风电功率和光伏功率的预测损失值， 对模 型参数进行迭代优化， 使 得模型能够学习到风电 功率和光伏功率之间的互动耦合 关系， 进而提升 模型的预测精度。 权利要求书3页 说明书10页 附图2页 CN 115271191 A 2022.11.01 CN 115271191 A 1.一种风 光功率联合预测模型的构建方法， 其特 征在于， 包括： 对预设区域内的多个风电场和多个光伏电站分别进行实时观测， 以获得样本数据集； 其中， 所述样本数据集包括各所述风电场对应的若干个风电场数据、 各所述光伏电站对应 的若干个光伏电站数据、 所述预设区域在不同时刻下 的第一总风电功率、 以及所述预设区 域在不同时刻下的第一总光伏 功率； 按照Adam算法， 利用所述样本数据集， 对预搭建的全连接神经网络模型的模型参数值 进行迭代优化， 直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合 预测损失值满足预设范围， 则以当前所述全连接神经网络模型作为风光功率联合预测模 型； 其中， 所述联合预测损失值是按照预设的算法并结合风电功率预测损失值和光伏功率 预测损失值而计算得到的。 2.如权利要求1所述的一种风光功率联合预测模型的构建方法， 其特征在于， 所述联合 预测损失值的获取， 具体为： 对所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理， 以 获得对应的待输入数据； 将所述待输入数据输入至当前所述全连接神经网络模型， 以获得所述预设区域对应的 若干个第二总风电功率和若干个第二总光伏 功率； 按照预设的算法， 根据所有所述第一总风电功率和所有所述第二总风电功率， 计算得 到所述风电功率预测损失值， 并根据所有所述第一总光伏功率和所有所述第二总光伏功 率， 计算得到所述 光伏功率预测损失值； 分别对所述风电功率预测损失值和所述光伏功率预测损失值进行加权处理， 并将所述 风电功率预测损失值对应的加权结果和所述光伏功 率预测损失值对应的加权结果相加， 以 获得所述联合预测损失值。 3.如权利要求2所述的一种风光功率联合预测模型的构建方法， 其特征在于， 所述对所 述样本数据集中的所有所述风电场数据和所有所述光伏电站数据进行预处理， 以获得对应 的待输入数据， 具体为： 利用所述样本数据集中的所有所述风电场数据和所有所述光伏电站数据， 构 成对应的 第一变量矩阵； 对所述第一变量矩阵进行去中心化处理， 以获得对应的第二变量矩阵， 并根据所述第 二变量矩阵， 计算得到对应的协方差矩阵； 采用特征值分解法， 计算所述协方差矩阵对应的多个特征值和各所述特征值对应的特 征向量； 将所有所述特征值按照从大到小的顺序进行排列， 并根据排列结果选取前k个所述特 征值， 并利用前k个所述特征值对应的所述特征向量， 对所述第一变量矩阵进行投影变换， 以获得对应的所述待输入数据， 实现对所述第一变量矩阵的降维优化处 理。 4.如权利要求1所述的一种风光功率联合预测模型的构建方法， 其特征在于， 所述按照 Adam算法， 利用所述样本数据集， 对预搭建的全连接神经网络模型的模型参数值进行迭代 优化， 直至优化次数达到预设次数或者当前所述全连接神经网络模型对应的联合预测损失 值满足预设范围， 则以当前 所述全连接神经网络模型作为 风光功率联合预测模型， 具体为： 按照Adam算法， 结合所述样本数据集中的所有所述风电场数据、 所有所述光伏电站数权　利　要　求　书 1/3 页 2 CN 115271191 A 2据、 所有所述第一总风电功率和所有所述第一总光伏功率， 计算得到所述全连接神经网络 模型对应的参数修 正值； 利用所述参数修正值， 对所述全连接神经网络模型的模型参数值进行迭代优化处理， 每次迭代优化处理时根据当前所述参数修正值更新所述全连接神经网络模型的模型参数 值， 并获取当前所述全连接神经网络模型对应的所述联合预测损失值， 直至优化次数达到 预设次数或者当前所述联合预测损失值满足预设范围， 则以当前所述全连接神经网络模型 作为所述 风光功率联合预测模型； 其中， 所述全连接神经网络模型包括输入层、 输出层和若干个隐藏层， 所述模型参数值 包括各所述隐藏层对应的网络 权重和偏置向量。 5.一种风 光功率联合预测模型的构建系统， 其特 征在于， 包括： 数据获取模块， 用于对预设区域内的多个风电场和多个光伏电站分别进行实时观测， 以获得样本数据集； 其中， 所述样 本数据集包括各所述风电场对应的若干个风电场数据、 各 所述光伏电站对应的若干个光伏电站数据、 所述预设区域在不同时刻下的第一总风电功 率、 以及所述预设区域在不同时刻下的第一总光伏 功率； 模型构建模块， 用于按照Adam算法， 利用所述样本数据集， 对预搭建的全连接神经网络 模型的模型参数值进 行迭代优化， 直至优化次数达到预设次数或者当前所述全连接神经网 络模型对应的联合预测损失值满足预设范围， 则以当前所述全连接神经网络模型作为风光 功率联合预测模型； 其中， 所述联合预测损失值是按照预设的算法并结合风电功率预测损 失值和光伏 功率预测损失值而计算得到的。 6.如权利要求5所述的一种风 光功率联合预测模型的构建系统， 其特 征在于， 还 包括： 损失分析模块， 用于对所述样本数据集中的所有所述风电场数据和所有所述光伏电站 数据进行预处理， 以获得对应的待输入数据； 将所述待输入数据输入至当前所述全连接神 经网络模型， 以获得所述预设区域对应的若干个第二总风电功率和若干个第二总光伏功 率； 按照预设的算法， 根据所有 所述第一总风电功 率和所有 所述第二总风电功 率， 计算得到 所述风电功率预测损失值， 并根据所有所述第一总光伏功率和所有所述第二总光伏功率， 计算得到所述光伏功 率预测损失值； 分别对所述风电功 率预测损失值和所述光伏功 率预测 损失值进 行加权处理， 并将所述风电功 率预测损失值对应的加权结果和所述光伏功 率预测 损失值对应的加权结果相加， 以获得 所述联合预测损失值。 7.如权利要求6所述的一种风光功率联合预测模型的构建系统， 其特征在于， 所述损失 分析模块， 具体包括： 预处理单元， 用于利用所述样本数据集中的所有所述风电场数据和所有所述光伏电站 数据， 构成对应的第一变量矩阵； 对所述第一变量矩阵进行去中心 化处理， 以获得对应的第 二变量矩阵， 并根据所述第二变量矩阵， 计算得到对应的协方差矩阵； 采用特征值分解法， 计算所述协方差矩阵对应的多个特征值和各所述特征值对应的特征向量； 将所有 所述特征 值按照从大到小的顺序进行排列， 并根据排列结果选取前k个所述特征值， 并利用前k个所 述特征值对应的所述特征向量， 对所述第一变量矩阵进行投影变换， 以获得对应的所述待 输入数据， 实现对所述第一变量矩阵的降维优化处 理； 损失分析单元， 用于将所述待输入数据输入至当前所述全连接神经网络模型， 以获得 所述预设区域对应的若干个第二总风电功率和若干个第二总光伏功率； 按照预设的算法，权　利　要　求　书 2/3 页 3 CN 115271191 A 3