(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110700398.X (22)申请日 2021.06.23 (65)同一申请的已公布的文献号 申请公布号 CN 113392972 A (43)申请公布日 2021.09.14 (73)专利权人 广东工业大 学 地址 510060 广东省广州市越秀区东 风东 路729号大院 (72)发明人 张明宇　赵卓立　林孜淇　马韵淇　 陈沛达　廖尔泰　 (74)专利代理 机构 北京集佳知识产权代理有限 公司 11227 专利代理师 黄忠 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06F 30/27(2020.01) G06N 3/08(2006.01) G06N 3/04(2006.01) G06K 9/62(2022.01) 审查员 刘志军 (54)发明名称 一种光伏短期功 率预测模型训练方法、 预测 方法及装置 (57)摘要 本申请公开了一种光伏短期功率预测模型 训练方法、 预测方法及装置， 通过历史环境数据 和历史光伏发电功率数据生成训练样本和测试 样本， 通过训练样本对各麻雀 个体对应的极限学 习机进行训练； 根据测试样本输入到各初始光伏 短期功率预测模型得到的功率预测值和测试样 本的历史光伏发电功率数据计算各麻雀个体的 适应度值； 根据适应度值选择发现者和跟随者， 进而更新麻雀种群的位置， 在第一阶段寻优满足 预设条件后， 输出当代麻雀种群的位置， 进行第 二阶段的参数寻优， 最终将从所有代麻雀种群的 位置中确定的全局最佳位置还原为极限学习机 的网络参数， 得到最终光伏短期功率预测模型， 改善了现有技术存在的容易陷入局部最优， 导致 预测准确性 不高的技 术问题。 权利要求书3页 说明书12页 附图2页 CN 113392972 B 2022.11.01 CN 113392972 B 1.一种光伏短期功率预测模型训练方法， 其特 征在于， 包括： S1、 根据获取的历史环境数据和历史光伏发电功率数据生成训练样本和 测试样本； S2、 在确定极限学习机的网络结构后， 对麻雀种群的位置、 第一迭代次数t1和第二迭代 次数t2进行初始化， 其中， 所述麻雀种群中每只麻雀个体 的位置对应所述极 限学习机 的一 组网络参数； S3、 通过所述训练样本对当代麻雀种群中各麻雀个体对应的极限学习机进行训练， 得 到各麻雀个体对应的初始光伏短期功率预测模型； S4、 根据所述测试样本输入到各麻雀个体对应的所述初始光伏短期功率预测模型得到 的功率预测值和所述测试样本的历史光伏发电功率数据计算各 麻雀个体的适应度值； S5、 判断第一迭代次数t1是否达到第一预设迭代次数， 若否， 则将所述适应度值最大的 麻雀个体作为发现者， 剩余麻雀个体作为跟随者， 基于所述发现者和所述跟随者的位置更 新当代麻雀种群的位置， 得到下一代麻雀种群的位置， 设置t1＝t1+1， 并返回步骤S3， 若是， 则输出当代麻雀种群的位置， 并执 行步骤S6； S6、 判断第二迭代次数t2是否达到第二预设迭代次数， 若否， 则根据全局最佳位置， 通过 预设位置更新 公式更新当代麻雀种群的位置， 得到下一代麻雀种群的位置， 其中， 所述预设 位置更新公式为： 式中， 为第二迭代次数t2的当代麻雀种群中第i只麻雀个体在第j维的位置， 为下一代麻雀种群中第i只麻雀个体在第j维的位置， K为预设系数， θ为常数， Xbest为全局最 佳位置， u、 v为预置参数， 由正态分布曲线确定， 设置t2＝t2+1， 并返回步骤S3， 若是， 则将全 局最佳位置还原 为所述极限学习机的网络参数， 得到最 终光伏短期功 率预测模型， 其中， 所 述全局最佳位置通过 所述适应度值从所有代麻雀种群的位置中确定得到 。 2.根据权利要求1所述的光伏短期功率预测模型训练方法， 其特征在于， 所述根据 所述 测试样本输入到各麻雀个体对应的所述初始光伏短期功率预测模型得到的功率预测 值和 所述测试样本的历史光伏发电功率数据计算各 麻雀个体的适应度值， 包括： 将所述测试样本输入到各麻雀个体对应的所述初始光伏短期功率预测模型， 得到所述 测试样本在各 所述初始光伏短期功率预测模型的功率预测值； 计算所述测试样本在各所述初始光伏短期功率预测模型的功率预测值与该测试样本 的历史光伏发电功 率数据的比值， 得到所述测试样本在各所述初始 光伏短期功 率预测模型 的预测效率； 计算所述测试样本在各所述初始光伏短期功率预测模型的预测效率的平均值， 得到各 所述初始光伏短期功率预测模型对应的麻雀个 体的适应度值。 3.根据权利要求1所述的光伏短期功率预测模型训练方法， 其特征在于， 所述基于所述 发现者和所述跟随者的位置更新当代麻雀种群的位置， 包括： 根据所述发现者的位置和所述第一预设迭代次数 更新所述发现者的位置； 根据所述适应度值对所述跟随者的位置进行降序排序， 并根据 下一次迭代的发现者的权　利　要　求　书 1/3 页 2 CN 113392972 B 2位置对排序后的前 预置数量个的追随者的位置进行 更新； 根据所述适应度值从各代麻雀种群的位置中确定全局最差位置， 根据 所述全局最差位 置和麻雀个 体数量对剩余追随者的位置进行 更新。 4.根据权利要求1所述的光伏短期功率预测模型训练方法， 其特征在于， 所述历史环境 数据包括历史环境温度数据、 历史光照强度数据和历史环境湿度数据。 5.一种光伏短期功率预测方法， 其特 征在于， 包括： 将当前时刻前的第一预置时间段的历史环境数据输入到最终光伏短期功率预测模型 进行光伏短期功率预测， 得到当前时刻后的第二预置时间段后的光伏短期功率预测值； 其中， 所述最终光伏短期功率预测模型通过权利要求1 ‑4任一项所述的光伏短期功率 预测模型训练方法训练得到 。 6.一种光伏短期功率预测模型训练装置， 其特 征在于， 包括： 生成单元， 用于根据获取的历史环境数据和历史光伏发电功率数据生成训练样本和测 试样本； 初始化单元， 用于在确定极限学习机的网络结构后， 对麻雀种群的位置、 第 一迭代次数 t1和第二迭代次数t2进行初始化， 其中， 所述麻雀种群中每只麻雀个体的位置对 应所述极限 学习机的一组网络参数； 训练单元， 用于通过所述训练样本对当代麻雀种群中各麻雀个体对应的极限学习机进 行训练， 得到各 麻雀个体对应的初始光伏短期功率预测模型； 计算单元， 用于根据 所述测试样本输入到各麻雀个体对应的所述初始光伏短期功率预 测模型得到的功率预测 值和所述测试样本的历史光伏发电功率数据计算各麻雀个体的适 应度值； 第一判断单元， 用于判断第一迭代次数t1是否达到第一预设迭代次数， 若否， 则将所述 适应度值最大 的麻雀个体作为发现者， 剩余麻雀个体作为跟随者， 基于所述发现者和所述 跟随者的位置更新当代麻雀种群的位置， 得到下一代麻雀种群的位置， 设置t1＝t1+1， 并触 发所述训练单 元， 若是， 则输出当代麻雀种群的位置， 并触发第二判断单 元； 所述第二判断单元， 用于判断第二迭代次数t2是否达到第二预设迭代次数， 若否， 则根 据全局最佳位置， 通过预设位置更新公式更新当代麻雀种群的位置， 得到下一代麻雀种群 的位置， 其中， 所述预设位置更新公式为： 式中， 为第二迭代次数t2的当代麻雀种群中第i只麻雀个体在第j维的位置， 为下一代麻雀种群中第i只麻雀个体在第j维的位置， K为预设系数， θ为常数， Xbest为全局最 佳位置， u、 v为预置参数， 由正态分布曲线确定， 设置t2＝t2+1， 并触发所述训练单元， 若是， 则将全局 最佳位置还原为所述极限学习机的网络参数， 得到最终光伏短期功率预测模型， 其中， 所述全局最佳位置通过 所述适应度值从所有代麻雀种群的位置中确定得到 。 7.根据权利要求6所述的光伏短期功率预测模型训练装置， 其特征在于， 所述计算单元 具体用于：权　利　要　求　书 2/3 页 3 CN 113392972 B 3