(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 202211080331.1 (22)申请日 2022.09.05 (71)申请人 中能融合智慧科技有限公司 地址 100013 北京市东城区和平里东 街11 号8号楼三层3 -D1号 (72)发明人 王海　徐琳　贺铮　艾宇飞　 张克铭　李行　任延平　任文辉　 王志文　张展翔　 (74)专利代理 机构 北京正和明知识产权代理事 务所(普通 合伙) 11845 专利代理师 王飞 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 5/00(2006.01)G06N 20/00(2019.01) G06F 16/29(2019.01) H02J 3/00(2006.01) (54)发明名称 一种光伏 功率预测方法和系统 (57)摘要 本发明提出一种光伏功 率预测方法和系统。 其中， 方法包括： 基于双回路的GBDT梯度增强决 策树的算法对光伏的发电进行预测， 利用第一次 训练出来的预测值作为输入再次放到下次模型 训练中， 以达到提高预测准确率的目的， 利用双 回分布式梯度增强算法针对光伏场站的功率预 测数据进行预测， 最后比较两次训练结果来判断 算法效果。 本发明提出的方案计算复杂度底、 运 行速度快和准确度高等特点。 权利要求书2页 说明书8页 附图3页 CN 115438857 A 2022.12.06 CN 115438857 A 1.一种光伏 功率预测方法， 其特 征在于， 所述方法包括： 步骤S1、 采集历史的气象数据和光伏场站的历史的功率数据； 步骤S2、 建立加入了将目标函数泰勒展开至二阶的改进梯度提升决策树预测模型； 步骤S3、 以历史的气象数据为所述改进梯度提升决策树预测模型的输入， 所述历史的 功率数据为所述改进梯度提升决策树预测模型的输出， 应用网格搜索算法对所述改进梯度 提升决策树预测模型进行第一次参数优化和训练， 得到第一预测模型； 步骤S4、 将所述历史的气象数据输入所述第一预测模型， 得到第一预测模型输出； 步骤S5、 以所述历史的气象数据和所述第一预测模型输出为所述改进梯度提升决策树 预测模型 的输入， 所述历史的功率数据为所述改进梯度提升决策树预测模型 的输出， 应用 网格搜索算法对所述改进梯度提升决策树预测模型进 行第二次参数优化和训练， 得到第二 预测模型； 步骤S6、 将所述第一预测模型和第二预测模型串联， 得到双回模型； 步骤S7、 将实时的气象数据输入所述双回模型， 得到功率预测值。 2.根据权利要求1所述的一种光伏功率预测方法， 其特征在于， 在所述步骤S1中， 所述 历史的气象数据包括： 时间、 温度、 风速、 风 向、 气压、 云量、 热感通量、 长波辐射、 短波辐射、 大尺度降水和湿度； 所述实时的气象数据包括的数据内容与所述历史的气象数据相同。 3.根据权利要求1所述的一种光伏功率预测方法， 其特征在于， 在所述步骤S2中， 所述 目标函数包括两 部分： 目标函数的第一部分为： 衡量预测分数和真实分数的差距的损失项； 目标函数的第二部分为： 正则化项。 4.根据权利要求3所述的一种光伏功率预测方法， 其特征在于， 在所述步骤S2中， 目标 函数的公式为： 其中， 表示目标函数的第一部分， Ω表示目标函数的第二 部分， constant表示常数项； l( ·)表示范数， yi表示历史的功率数据中时序i时的数据， 表示保留前面t ‑1轮的功率数据， ft(·)表示拟合上次预测功率的残差， xi表示历史 的气象数据中时序i时的数据。 5.根据权利要求4所述的一种光伏功率预测方法， 其特征在于， 在所述步骤S2中， 所述 Ω的公式为： 其中， T表示梯度提升决策树的结点的个数， ω表示梯度提升决策树的叶子节点的分 数， γ表示控制梯度提升决策树的叶子结点的个数的权重， λ表示控制梯度提升决策树的叶 子节点的分数的权 重。权　利　要　求　书 1/2 页 2 CN 115438857 A 26.根据权利要求5所述的一种光伏功率预测方法， 其特征在于， 在所述步骤S2中， 所述 将目标函数泰勒展开至二阶求 解目标函数极值方法包括： 针对目标函数的所述第一部分进行二阶泰勒展开： 其中， 7.根据权利要求1所述的一种光伏功率预测方法， 其特征在于， 在所述步骤S1中， 所述 光伏功率预测方法还 包括： 对所述历史的气象数据和历史的功率数据进行插补和排序。 8.一种用于光伏 功率预测系统， 其特 征在于， 所述系统包括： 第一处理模块， 被 配置为， 采集历史的气象数据和光伏场站的历史的功率数据； 第二处理模块， 被配置为， 建立加入了牛顿法和将目标函数泰勒展开至二阶求解目标 函数极值方法的改进梯度提升决策树预测模型； 第三处理模块， 被配置为， 以历史的气象数据为所述改进梯度提升决策树预测模型的 输入， 历史的功率数据为所述改进梯度提升决策树预测模型 的输出， 应用网格搜索算法对 所述改进梯度提升决策树预测模型进行第一次参数优化和训练， 得到第一预测模型； 第四处理模块， 被配置为， 将历史 的气象数据输入所述第 一预测模型， 得到第 一预测模 型输出； 第五处理模块， 被配置为， 以历史的气象数据和所述第一预测模型输出为所述改进梯 度提升决策树预测模型的输入， 历史的功率数据为所述改进梯度提升决策树预测模型的输 出， 应用网格搜索算法对所述改进梯度提升决策树预测模型进行第二次参数优化和训练， 得到第二预测模型； 第六处理模块， 被 配置为， 将所述第一预测模型和第二预测模型串联， 得到双回模型； 第七处理模块， 被 配置为， 将实时的气象数据输入所述双回模型， 得到功率预测值。 9.一种电子设备， 其特征在于， 所述电子设备包括存储器和处理器， 所述存储器存储有 计算机程序， 所述处理器执行所述计算机程序时， 实现权利要求1至7中任一项所述的一种 光伏功率预测方法中的步骤。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质上存储有计算机 程序， 所述计算机程序被处理器执行时， 实现权利要求1至7中任一项所述的一种光伏功率 预测方法中的步骤。权　利　要　求　书 2/2 页 3 CN 115438857 A 3