(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 202111663908.7 (22)申请日 2021.12.31 (71)申请人 国网浙江省电力有限公司绍兴供电 公司 地址 312099 浙江省绍兴 市胜利东路58号 申请人 国网浙江省电力有限公司 　 杭州辰青和业科技有限公司 (72)发明人 杨晓丰　张锋明　黄缘　朱峰　 范强　蒋正威　俞锦　孙海涛　 宋美雅　方冰　张斌　裘薇　陈楠　 罗刚　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 专利代理师 秦晓刚(51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 16/2458(2019.01) G06F 16/29(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于卫星云图和时空神经网络的光伏功率 超短期预测方法 (57)摘要 本发明公开了一种基于卫星云图和时空神 经网络的光伏功率超短期预测方法， 包括如下步 骤： 首先， 通过卫星反演辐射模型， 补充光伏电站 历史辐射数据的不足情况； 然后， 利用卫星外推 技术获得分钟级卫星外推云图， 为光伏功率超短 期预测提供高精度的短临气象预报数据； 最后， 基于外推云图、 快速更新同化数据、 历史电站辐 射、 功率监测数据、 地理信息数据、 太阳位置。 本 发明更贴近光伏电站生产运行实际， 从而有效的 提高光伏 功率超短期预测准确率。 权利要求书2页 说明书12页 附图5页 CN 114707688 A 2022.07.05 CN 114707688 A 1.基于卫星云图和时空神经网络的光伏功率超短期预测方法， 其特征在于， 包括如下 步骤： 首先， 通过卫星反演辐射模型， 补充光伏电站历史辐射数据的不足情况； 然后， 利用卫星外推技术获得分钟级卫星外推云图， 为光伏功率超短期预测提供高精 度的短临气象预报数据； 最后， 基于外推云图、 快速更新同化数据、 历史电站辐射、 功率监测数据、 地理信息数 据、 太阳位置和时间数据， 采用时空神经网络算法实现光伏 功率超短期预测。 2.根据权利要求1所述的卫星云图和时空神经网络的光伏功率超短期预测方法， 其特 征在于， 卫星反演太阳辐射的过程包括以下步骤： 首先， 通过晴空模型计算晴空辐照度； 然后， 用卫星数据通过Heliosat模型计算云指数进而计算晴空指数， 来量化云层的削 弱效应； 最后， 通过Hel iosat模型 结合晴空辐照度和晴空指数 得出太阳辐射数据。 3.根据权利要求2所述的卫星云图和时空神经网络的光伏功率超短期预测方法， 其特 征在于， 以0.7 μm为界限划分波 段带， 波段1覆盖紫外和可见光， 从0.29 μm到0.70 μm， 波段2覆 盖0.7 μm至4 μm的近红外波段， 利用最新的地外光谱能量分布和最新的太阳常数1366.W/m2， 两个波段平均日地距离的大气外辐照度分别为E0n1＝635.4W/m2和E0n2＝709.7W/m2， 对于每一个波段i， 波段直 射辐照度Ebni由单个透射 率的乘积得到的： Ebni＝TRiTgiToiTniTwiTaiE0ni 式中， TRi、 Tgi、 Toi、 Tni、 Twi、 Tai分别为瑞利散射、 均匀混合气体吸收、 臭氧吸收、 二氧化氮 吸收、 水蒸气吸 收和气溶胶消光的透射 率； 之后将两个波段的成分相加， 得到直 射辐照度： Ebn＝Ebn1+Ebn2 对于每个波段， 考虑地 面和大气之间的多次反射得到后向散射分量Ed di为： Eddi＝ρgiρsi(Ebi+Edpi)/(1‑ρgiρsi) ρs1＝[0.13363+0.00077358α1+β1(0.37567+0.22946α1)/(1‑0.10832α1)]/[1+β1 (0.84057+0.68683α1)/(1‑0.08158α1)] ρs2＝[0.010191+0.00085547α2+β2(0.14618+0.062758α2)/(1‑0.19402α2)]/[1+β2 (0.58101+0.17426α2)/(1‑0.17568α2)] 其中Ebi＝Ebni ×cosZ， 各波段的总漫射辐照度为Edi＝Edpi+Eddi， 得到漫射辐照度为 Ed＝Ed1+Ed2， 全局 辐照度为Eg＝Eb+Ed。 4.根据权利要求3所述的卫星云图和时空神经网络的光伏功率超短期预测方法， 其特 征在于， Hel iosat模型将晴空模型与云指数相结合， 云指数定义如下： 晴空指数定义 为实际水平辐照度与晴空水平辐照度的比值， 即： 其中， ρt是卫星观测到的表观反射率， 最明亮云层的表观反射率， 为地表反射权　利　要　求　书 1/2 页 2 CN 114707688 A 2率， G和Gc分别为实际地表辐照度和晴空辐照度； 最后， 建立晴空指数与云反照率之间的经验关系， 具体的数值关系为： 5.根据权利要求1所述的卫星云图和时空神经网络的光伏功率超短期预测方法， 其特 征在于， 卫星外推技术利用历史一段时间内地球同步卫星拍摄的卫星云图， 采用卫星外推 算法对卫星云图进 行外推， 最 终得到未来几小时逐分钟内云层运动 情况， 其中， 历史卫星云 图利用傅里叶变换进行 滤波处理。 6.根据权利要求5所述的卫星云图和时空神经网络的光伏功率超短期预测方法， 其特 征在于， 卫星外推技术采用的外推模型为Multi ‑level Correlation  LSTM， 利用历史时序 的卫星云图采用编码和解码的方式实现卫星的外推， 在前m ‑1步， 模型每一步输入为上一时 刻真实的卫星图片， 后续模 型输入为上一时刻模 型预测结果， 最后将[m ‑1， t]步的预测结果 作为输出， 然后选择损失函数， 优化模型。 7.根据权利要求1所述的卫星云图和时空神经网络的光伏功率超短期预测方法， 其特 征在于， 采用光伏 功率超短期预测模型进行光伏 功率超短期预测， 步骤为： (1)收集预测模型 所需数据， 并进行 数据质量控制； (2)对数据质量控制后的数据， 采用Pearson相关系数分析和主成分分析PCA相 结合的 方式， 实现特 征工程和特 征选择； (3)采用3DCo nv_LSTM网络结构从时空角度实现功率预测。 8.根据权利要求7所述的卫星云图和时空神经网络的光伏功率超短期预测方法， 其特 征在于， 预测模型 所需数据包括气象数据， 其中气象数据的质量控制包括如下步骤： (1)界限值检查： 分为气候学界限值检查和区域界限值检查； (2)时间一致性检查： 各气象要素采样值不能超出一定时间内的变化范围， 超出的数据 为可疑资料； (3)内部一致性检查： 利用气象要素不同值的物 理特性联系， 判断其是否符合一定的规 律， 通过一个 变量的观测值 来判定另一个 变量同时刻的观测值是否可信； (4)空间一致性检查： 根据气象要素的空间分布规律， 将某个站的数据与相邻近的站点 同时观测的气象要素数据值进行比较或利用邻近测站观测 值通过一定的插值方法计算出 被检查站 点的估计值， 然后对观测值与估计值进 行比较， 如果均为正偏差或均为负偏差， 并 且偏差幅度超过历史上限， 则将该记录标记为可疑， 报警提示人工确定， 若偏差幅度超过历 史上限两倍， 则按缺测处 理。 9.根据权利要求7所述的卫星云图和时空神经网络的光伏功率超短期预测方法， 其特 征在于， 在数据质量控制中采取 K近邻法来处 理缺失值。 10.根据权利要求7所述的卫星云图和时空神经网络的光伏功率超短期预测方法， 其特 征在于， 3DCo nv_LSTM网络结构分为两 部分： (1)采用3DCo nv网络结构进一 步提取光伏预测时所需要的时空特 征； (2)将提取的时空特征向量， 输入到LSTM单元中， 构造时空特征与光伏功率的非线性映 射关系， 并基于该非线性映射关系实现未来 4小时逐15分钟的功率预测。权　利　要　求　书 2/2 页 3 CN 114707688 A 3