(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 202111646119.2 (22)申请日 2021.12.2 9 (71)申请人 东南大学 地址 210096 江苏省南京市玄武区四牌楼 2 号 申请人 国网江苏省电力有限公司苏州供电 分公司　 国网电力科 学研究院有限公司 　 中国电力科 学研究院有限公司 　 国网江苏省电力有限公司 (72)发明人 赵家庆　陈中　赵奇　王彪　吕洋　 徐春雷　庄卫金　闪鑫　王毅　 吴海伟　丁宏恩　田江　俞瑜　 徐秀之　孟雨庭　(74)专利代理 机构 北京智绘未来专利代理事务 所(普通合伙) 11689 专利代理师 梁庆丰　郭红燕 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于集群划分和数据增强的整县光伏 预测方法 (57)摘要 一种基于集群划分和数据增强的整县分布 式光伏预测方法， 具体是： 对整个县的光伏出力 历史数据库选择晴天的典型功率曲线， 以单站最 大功率对出力进行标幺化； 计算 皮尔逊相关系数 作为距离度量， 利用基于密度的抗噪聚类算法 (Density ‑Based Spatial  Clustering  of  Applications  with Noise， DB SCAN)对光伏站点 进行聚类， 形成集群划分， 对于异常点， 使用k近 邻搜索， 划分到最近集群； 在集群内通过生成式 对抗神经网络对历史数据进行数据扩充； 将原始 数据和生成的数据图片化共同训练深度卷积网 络预测模型。 本发明的预测方法通过改进的GAN 的动态博弈过程训练过程学习到原始数据分布， 然后生成相应分布的数据， 补 充了整县光伏历史 数据库， 通过增强的训练集训练深度卷积神经网 络， 提高了模型 预测精准度。 权利要求书2页 说明书6页 附图4页 CN 114492941 A 2022.05.13 CN 114492941 A 1.一种基于集群划分和数据增强的整县光伏预测方法， 其特征在于， 所述基于集群划 分和数据增强的整县光伏预测方法包括以下步骤： S1， 采集所设定区域内以及所设定时间内的每个光伏出力站点的历史晴天光伏出力数 据以及气象数据； S2， 根据S1采集的晴天光伏出力数据求取每个光伏出力站点的最大功率并进行标幺 化， 之后进行光伏集群划分； S3， 构建光伏数据增强神经网络模型； S4， 在光伏集群内通过S3构建的光伏数据增 强神经网络模型进行数据增 强， 再将增 强 后的数据输入至 CNN神经网络， 训练后得到光伏预测 神经网络模型； S5： 将气象预报数据输入至S4的光伏预测 神经网络模型中进行光伏预测。 2.根据权利要求1所述的一种基于集群划分和数据增强的整县光伏预测方法， 其特征 在于， 在所述S1中， 所述 光伏出力数据的为整县历史晴天光伏出力数据； 所述气象数据包括月、 日、 时、 分、 直射辐照度、 漫射水平辐照度、 总水平辐照度、 环境温 度、 气压、 相对湿度、 风向、 风速、 地表反射度和发电功率。 3.根据权利要求1或2所述的一种基于集群划分和数据增强的整县光伏预测方法， 其特 征在于， 在所述S2中， 历史晴天光伏出力曲线为标幺化的出力曲线， 首先从历史出力数据中计 算单站最大功率， 然后计算曲线的标幺值； 数据标幺化的公式如下： 上式中， x为样本原 始数据， xmax为站点最大历史出力值， z为标幺化的数据。 4.根据权利要求1或3所述的一种基于集群划分和数据增强的整县光伏预测方法， 其特 征在于， 在所述S2中， 使用DBSCAN方法对光伏集群进行划分， DBSCAN的距离度量采用pearson相 关性距离； DBSCAN进行聚类分析产生的异常站点， 以pearson相关性距离为度量采用k ‑最近 邻算法搜索最近的k个站点， 统计k个站点的簇编号， 将异常站点划分到编号个数最多的簇 。 5.根据权利要求1所述的一种基于集群划分和数据增强的整县光伏预测方法， 其特征 在于， 在所述S3中， 可选择的神经网络模型为GAN。 6.根据权利要求1或5所述的一种基于集群划分和数据增强的整县光伏预测方法， 其特 征在于， 可选的神经网络模型为改进的GAN， 具体算法为： S3.1， 设定学习率α、 截断参数c、 批训练样本数m、 生成器每迭代一次判别器迭代的次数 ncritic， 初始化判别器网络参数wt、 生成器网络参数θt； S3.2， 检查 生成器参数θt是否收敛， 如果收敛则结束迭代； 如果没有收敛则进入S3.3； S3.3， 检查当前迭代次数是否达到迭代次数阈值ncritic， 如果没有达到则更新判别器 网权　利　要　求　书 1/2 页 2 CN 114492941 A 2络参数wt并更新当前迭代次数， 重复本步骤； 如果达到了迭代次数阈值ncritic则进入步骤 S3.4； 步骤3.4， 计算 生成器损失函数 并更新生成器参数θt， 并返回步骤3.2。 7.根据权利要求6所述的一种基于集群划分和数据增强的整县光伏预测方法， 其特征 在于， 更新判别器网络参数wt的方法为： 其中， clip(.)表示深度学习中的的剪裁函数， RMSProp(.)表示深度学习中的学习率自 适应优化器， 表示判别器损失函数的梯度， 具体 计算方法为： 其中， x(i)是输入参数中的第i训练批次； z(i)为第i次训练从生成器产生的样本分布中 的批采样； 为判别器网络 。 8.根据权利要求6或7所述的一种基于集群划分和数据增强的整县光伏预测方法， 其特 征在于， 生成器损失函数的梯度为： 其中， 为判别器网络， z(i)为第i次训练从生成器产生的样本分布中的批采样。 9.根据权利要求8所述的一种基于集群划分和数据增强的整县光伏预测方法， 其特征 在于， 更新生成器参数Qt的方法为： 其中， RMS Prop(.)表示深度学习中的学习率自适应优化器。 10.根据权利要求1所述的一种基于集群划分和数据增强的整县光伏预测方法， 其特征 在于， 所述S4的数据增 强是指首先将S1采集的数据图片化， 将一天的原始数据按天划分， 每 天48个点， 形成48*15像素大小的图片； 然后通过光伏数据增强神经网络模型进行对抗学 习， 生成同分布的新数据。 11.根据权利要求1 ‑10任意一项所述的一种基于集群划分和数据增强的整县光伏预测 方法， 其特 征在于， 在所述S4中， CNN神经网络为5层结构， 前四层每层包含卷积层、 批归一化层和线性整流 层， 最后一层为全连接层、 批归一 化层和ReLU层。权　利　要　求　书 2/2 页 3 CN 114492941 A 3