(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 202211078133.1 (22)申请日 2022.09.05 (71)申请人 中国长江三峡集团有限公司 地址 100038 北京市海淀区玉渊潭南路1号 (72)发明人 张玮　李梦杰　刘攀　陈杰　 刘志武　刘瑞阔　明波　余意　 (74)专利代理 机构 北京三聚阳光知识产权代理 有限公司 1 1250 专利代理师 胡晓静 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 20/00(2019.01)G06F 113/06(2020.01) G06F 119/06(2020.01) (54)发明名称 一种水风光发电功 率联合预测方法、 装置和 设备 (57)摘要 本发明公开了一种水风光发电功率联合预 测方法、 装置和设备， 该方法包括： 数据集获取， 数据集包括历史气象数据以及历史水电、 风电、 光伏功率数据； 利用数据集， 分别针对水电功率、 风电功率、 光伏功率， 按照划分的季节和天气， 训 练和校验多个深度学习模型， 并将预测精度排序 在前预设数量的深度学习模型作为候选模型； 将 当前气象数据输入至相应季节和天气条件下候 选模型， 得到水电、 风电、 光伏预测功率， 形成水 风光联合预测功率集合； 在最小剩余负荷情况 下， 从水风光联合预测功率集合中提取出最优水 电、 风电、 光伏功率。 本发明提供的技术方案， 提 高了水风 光联合功率预测的准确度。 权利要求书2页 说明书21页 附图4页 CN 115481791 A 2022.12.16 CN 115481791 A 1.一种水风 光发电功率联合预测方法， 其特 征在于， 所述方法包括： 获取数据集， 所述数据集包括作为训练样本的历史气象数据以及作为标签的历史水电 功率数据、 历史风电功率数据和历史光伏 功率数据； 利用所述数据集训练出多个水电功率预测模型、 多个风电功率预测模型和多个光伏功 率预测模型； 将当前气象数据输入各个功率预测模型， 预测出对应的水电、 风电和光伏的功率 集合； 从所述水电、 风电和光伏的功率集合中选出水风光联合出力时， 最小剩余负荷情况下 的最优水电预测功率、 最优风电预测功率和最优光伏预测功率。 2.根据权利要求1所述的方法， 其特 征在于， 所述获取 数据集， 包括： 将所述历史气象数据以及对应的历史水电功率数据、 历史风电功率数据和历史光伏功 率数据按照季节与天气进行划分； 根据划分的季节与天气， 从所述历史气象数据中识别出影响水电功率、 风电功率、 光伏 功率的主控气象因子， 并将所述主控气象因子作为训练样本 。 3.根据权利要求1或2所述的方法， 其特征在于， 所述利用所述数据集训练出多个水电 功率预测模型、 多个风电功率预测模型和多个光伏 功率预测模型， 包括： 利用所述历史气象数据和所述历史水电功率数据训练和校验出多个深度 学习模型， 以 得到所述多个水电功率预测模型； 利用所述历史气象数据和所述历史风电功率数据训练和校验出多个深度 学习模型， 以 得到所述多个风电功率预测模型； 利用所述历史气象数据和所述历史光伏功率数据训练和校验出多个深度 学习模型， 以 得到所述多个光伏 功率预测模型； 以平均绝对百分比误差和决定系数作为预测精度的评价指标， 从所述多个水电功率预 测模型、 所述多个风电功率预测模型与所述多个光伏功 率预测模型中分别选出预设精度排 序在前预设数量的功率预测模型， 作为用于功率预测的候选模型。 4.根据权利要求3所述的方法， 其特征在于， 所述将当前气象数据输入各个功率预测模 型， 预测出对应的水电、 风电和光伏的功率 集合， 包括： 将当前气象数据输入至所属季节和天气条件下的所述 候选模型； 利用各个候选模型输出的水电预测 功率序列、 风电预测 功率序列和光伏预测 功率序列 分别组成对应的水电、 风电和光伏的功率 集合。 5.根据权利要求4所述的方法， 其特征在于， 所述从所述水电、 风电和光伏的功率集合 中选出水风光联合出力时， 最小剩余负荷情况下 的最优水电预测功率、 最优风电预测功率 和最优光伏预测功率， 包括： 分别组合不同模型得到的水电预测功率序列、 风电预测功率序列和光伏预测功率序 列， 进行求和运 算， 得到多个总功率序列； 利用总负荷序列 与各个总功率序列分别计算， 得到多个剩余负荷标准差； 选择剩余负荷标准差最小时所对应的最优总功率序列， 并将求和计算所述最优总功率 序列时所使用的水电预测功率序列、 风电预测功率序列和 光伏预测功率序列， 作为所述最 优水电预测功率、 最优风电预测功率和最优光伏预测功率。 6.根据权利要求4所述的方法， 其特征在于， 所述从所述水电、 风电和光伏的功率集合权　利　要　求　书 1/2 页 2 CN 115481791 A 2中选出水风光联合出力时， 最小剩余负荷情况下 的最优水电预测功率、 最优风电预测功率 和最优光伏预测功率， 包括： 分别组合不同模型得到的水电预测功率序列、 风电预测功率序列和光伏预测功率序 列， 进行求和运 算， 得到多个总功率序列； 利用总负荷序列 与各个总功率序列分别计算， 得到多个剩余负荷标准差； 分别从水电、 风电和光伏的角度利用各个剩余负荷标准差创建对应的评价矩阵； 基于创建的水电评价矩阵、 风电评价矩阵和光伏评价矩阵进行模糊优选决策， 以从所 使用的水电、 风电和光伏功 率预测模型中， 确定相对优属度最大的水电功率预测模型、 风电 功率预测模型和光伏 功率预测模型； 将相对优属度最大的水电功率预测模型、 风电功率预测模型和光伏功率预测模型输出 的预测功率， 作为所述 最优水电预测功率、 最优风电预测功率和最优光伏预测功率。 7.根据权利要求2所述的方法， 其特征在于， 在所述将所述历史气象数据以及对应的历 史水电功率数据、 历史风电功率数据和历史光伏功率数据按照季节与天气进行划分之前， 所述方法还 包括： 检查历史气象数据、 历史水电功率数据、 历史风电功率数据和历史光伏功率数据中存 在的异常值与缺失值， 将缺失了功率数据的历史气象数据删除， 对出现异常的功率数据利 用K近邻互补法进行纠正。 8.一种水风 光发电功率联合预测装置， 其特 征在于， 所述装置包括： 数据采集模块， 用于获取数据集， 所述数据集包括作为训练样本的历史气象数据以及 作为标签的历史水电功率数据、 历史风电功率数据和历史光伏 功率数据； 模型训练模块， 用于利用所述数据集训练出多个水电功率预测模型、 多个风电功率预 测模型和多个光伏 功率预测模型； 初始预测模块， 用于将当前气象数据输入各个功率预测模型， 预测出对应的水电、 风电 和光伏的功率 集合； 预测结果寻优模块， 用于从所述水电、 风电和光伏的功率集合中选出水风光联合出力 时， 最小剩余负荷情况 下的最优水电预测功率、 最优风电预测功率和最优光伏预测功率。 9.一种水风 光发电功率联合预测设备， 其特 征在于， 包括： 存储器和 处理器， 所述存储器和所述处理器之间互相通信连接， 所述存储器中存储有 计算机指 令， 所述处理器通过执行所述计算机指 令， 从而执行如权利要求 1‑7任一项所述的 方法。 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存储有计算机指 令， 所述计算机指令用于使所述计算机从而执 行如权利要求1 ‑7任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115481791 A 3