[发明专利]一种光伏发电有效时段的预测方法、系统及预测终端

权利要求书

1.一种光伏发电有效时段的预测方法，其特征在于，方法包括：

步骤1：收集获取预测区域内分布式光伏电站的数据信息，并进行归一化处理；

步骤2:建立具有权重的无向图来考虑分布式光伏电站之间的空间相关性；

利用分布式光伏电站之间的历史功率的相关性作为边的权重，根据面积、数据集的缺失程度确定节点的权重；

步骤3:采用图卷积神经网络，确定每个电站的邻居电站集合；

对每个分布式光伏电站及其邻居电站构建一个局部子图；

将每个电站的特征向量与其邻居节点的特征向量拼接起来作为所述局部子图的节点特征；

对局部子图进行卷积操作，提取空间特征；

将卷积操作得到的节点特征作为所述节点的新特征，并学习得到电站位置、面积、周长空间特征，再将电站位置、面积、周长空间特征作为反向传播神经网络的输入，训练得到异常值和缺失值填补的模型；

步骤4: 采用反向传播神经网络处理系统中的缺失值和异常值；

步骤5: 基于系统中的分布式光伏电站的数据信息，进行四则运算，得到数据信息的运算后特征，同时，进行环境特征两两交叉，以拓展出新的特征；

使用得到的空间特征作为输入，已知部分分布式光伏电站和距离较近的集中式光伏电站的历史特征数据作为输出，进行训练以得到一个处理缺失值和异常值的模型；再利用数据填补模型预测模型对分布式光伏电站的缺失数据进行填充和处理；

步骤6: 利用集成学习策略建立预测模型，基于预测模型对发电有效时段执行预测进程。

2.根据权利要求1所述的光伏发电有效时段的预测方法，其特征在于，步骤1中分布式光伏电站的数据信息包括：位置信息、历史功率数据、光照度信息、发电电压信息、发电电流信息、蓄电池SOC信息以及气候信息。

3.根据权利要求1所述的光伏发电有效时段的预测方法，其特征在于，步骤6还包括：利用第一个基模型XGBoost作为输入，分布式光伏电站的发电功率作为输出，训练生成输出特征，并加入到原特征中；

对输出特征进行扩展之后进行组合输入至第一LightGBM算法，以分布式光伏电站发电功率作为输出，训练预测光伏发电功率；

再以第二个基模型LightGBM算法进行拓展处理，拓展之后的特征作为输入，光伏发电功率作为输出，训练生成新的特征，并加入到原特征中，然后再通过第二个基模型XGBoost，使新的特征和扩展之后的特征进行组合作为输入，光伏发电功率作为输出，训练预测光伏发电功率；

再基于LSTM神经网络，拓展之后的特征作为输入，发电功率作为输出，在LSTM神经网络后引入注意力机制，在时间序列中学习到特征关系；

最后，按照权重3:3:4的比例将结果进行相加，得到最终预测模型。

4.根据权利要求1所述的光伏发电有效时段的预测方法，其特征在于，步骤6之后还包括：

步骤7:将光伏发电功率和实际光伏发电功率进行误差计算，以评估预测模型的预测性能，并根据误差的大小来决定是否需要重新进行算法模型到训练；

如果误差大于预设误差阈值，则调整输入数据信息，并基于步骤6中的第一个基模型XGBoost、第二个基模型XGBoost、第一LightGBM算法、第二个基模型LightGBM算法以及LSTM神经网络再次预测模型的训练，使预测模型的预测误差在预设误差阈值之内。