(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 202211120438.4 (22)申请日 2022.09.15 (71)申请人 国网江苏省电力有限公司无锡供电 分公司 地址 214061 江苏省无锡市滨湖区梁 溪路 12号 (72)发明人 刘玢岑　季陈林　刘远　 (74)专利代理 机构 无锡市大为专利商标事务所 (普通合伙) 32104 专利代理师 季玉晴　曹祖良 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) H02J 3/00(2006.01) G06N 3/08(2006.01)G06N 3/04(2006.01) (54)发明名称 一种基于ACO- KF-GRU-EC的光伏发电量组合 预测方法 (57)摘要 本发明涉及光伏发电预测技术领域， 具体公 开了一种基于A CO‑KF‑GRU‑EC的光伏发电量组合 预测方法， 包括： 获取历史光伏发电量数据， 并将 历史光伏发电量数据的序列划分成非线性序列 及线性序列； 对非线性序列进行预测， 得到非线 性序列的预测值和非线性序列随机误差值， 及对 非线性序列随机误差值进行二次预测， 得到非线 性序列随机误差预测值； 对线性序列进行预测， 得到线性序列的预测值和线性序列随机误差值， 及对线性序列随机误差值进行二次预测， 得到线 性序列随机误差预测值； 根据非线性序列的预测 值、 非线性序列随机误差预测值、 线性序列的预 测值以及 线性序列随机误差预测值， 得到光伏发 电量的最终预测值。 本发明能够提升最终数据的 精准性。 权利要求书2页 说明书12页 附图4页 CN 115470992 A 2022.12.13 CN 115470992 A 1.一种基于ACO ‑KF‑GRU‑EC的光伏发电量组合预测方法， 其特 征在于， 包括： 步骤S1： 获取历史光伏发电量数据， 并将所述历史光伏发电量数据的序列yt划分成非线 性序列Nt及线性序列Lt； 步骤S2： 对所述非线性序列Nt进行预测， 得到所述非线性序列Nt的预测值 和非线性 序列随机误差值εet1， 及对所述非线性序列随机误差值εet1进行二次预测， 得到新的二次提 取的非线性序列随机误差预测值 步骤S3： 对所述线性序列Lt进行预测， 得到所述线性序列Lt的预测值 和线性序列随机 误差值εet2， 及对所述线性序列随机误差值εet2进行二次预测， 得到新的二次提取的线性序 列随机误差预测值 步骤S4： 根据所述非线性序列Nt的预测值 所述新的二次提取的非线性序列随机误 差预测值 所述线性序列Lt的预测值 以及所述新的二次提取的线性序列随机误差预 测值 得到光伏发电量的最终预测值 2.根据权利要求1所述的基于ACO ‑KF‑GRU‑EC的光伏发电量组合预测方法， 其特征在 于， 所述对所述非线性序列Nt进行预测， 得到所述非线性序列Nt的预测值 和非线性序列 随机误差值 εet1， 还包括： 利用蚁群算法ACO优化的GRU神经网络对所述非线性序列Nt进行预测， 得到所述非线性 序列Nt的预测值 和非线性序列随机误差值 εet1。 3.根据权利要求2所述的基于ACO ‑KF‑GRU‑EC的光伏发电量组合预测方法， 其特征在 于， 还包括： (1)将所述非线性序列Nt划分为训练样本数据和 测试样本数据； (2)对所述GRU神经网络的一系列参数实施前期处 理； (3)通过蚁群算法ACO寻找所述GRU神经网络的权值和阈值的最优值； (4)进行所述训练样本数据的训练， 输出对应的训练样本预测值及训练样本随机误差 值； (5)调整所述GRU神经网络的权值和阈值； (6)判断当前所述训练样本预测值及训练样本随机误差值是否满足结束条件， 若满足， 则执行步骤(7)， 反 之， 则返回至步骤(4)； (7)保存当前GRU神经网络的权值和阈值； (8)进行所述测试样本数据的预测。 4.根据权利要求1所述的基于ACO ‑KF‑GRU‑EC的光伏发电量组合预测方法， 其特征在 于， 所述对所述线性序列Lt进行预测， 得到所述线性序列Lt的预测值 和线性序列随机误 差值 εet2， 还包括： 采用卡尔曼滤波KF对所述线性序列Lt进行预测， 得到所述线性序列Lt的预测值 和线 性序列随机误差值 εet2。 5.根据权利要求1所述的基于ACO ‑KF‑GRU‑EC的光伏发电量组合预测方法， 其特征在权　利　要　求　书 1/2 页 2 CN 115470992 A 2于， 所述对 所述非线性序列随机误差值 εet1进行二次预测， 得到新的二次提取的非线性序列 随机误差预测值 还包括： 采用误差补偿方法EC对所述非线性序列随机误差值εet1进行二次预测， 得到新的二次 提取的非线性序列随机误差预测值 6.根据权利要求5所述的基于ACO ‑KF‑GRU‑EC的光伏发电量组合预测方法， 其特征在 于， 还包括： (1)将所述非线性序列随机误差值 εet1划分为训练样本数据和 测试样本数据； (2)初始化 误差补偿模型参数； (3)将所述训练样本数据输入到所述误差补偿模型中， 输出对应的训练样本非线性序 列随机误差预测值； (4)对所述 误差补偿模型的权值和阈值 参数进行修整； (5)判断当前训练样本非线性序列随机误差预测值是否满足条件， 若满足， 则继续进行 步骤(6)， 若无法满足， 则返回至步骤(3)； (6)所述误差补偿模型训练终止， 保存当前误差补偿模型的权值和阈值； (7)进行所述测试样本数据的预测。 7.根据权利要求1所述的基于ACO ‑KF‑GRU‑EC的光伏发电量组合预测方法， 其特征在 于， 所述对 所述线性序列随机误差值 εet2进行二次预测， 得到新的二次提取的线性序列随机 误差预测值 还包括： 采用误差补偿方法EC对所述线性序列随机误差值εet2进行二次预测， 得到新的二次提 取的线性序列随机误差预测值 8.根据权利要求7所述的基于ACO ‑KF‑GRU‑EC的光伏发电量组合预测方法， 其特征在 于， 还包括： (1)将所述线性序列随机误差值 εet2划分为训练样本数据和 测试样本数据； (2)初始化 误差补偿模型参数； (3)将所述训练样本数据输入到所述误差补偿模型中， 输出对应的训练样本线性序列 随机误差预测值； (4)对所述 误差补偿模型的权值和阈值 参数进行修整； (5)判断当前训练样本线性序列随机误差预测值是否满足条件， 若满足， 则继续进行步 骤(6)， 若无法满足， 则返回至步骤(3)； (6)所述误差补偿模型训练终止， 保存当前误差补偿模型的权值和阈值； (7)进行所述测试样本数据的预测。权　利　要　求　书 2/2 页 3 CN 115470992 A 3