(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111518557.0 (22)申请日 2021.12.14 (65)同一申请的已公布的文献号 申请公布号 CN 113919606 A (43)申请公布日 2022.01.11 (73)专利权人 山东建筑大学 地址 250101 山东省济南市历城区临港开 发区凤鸣路10 00号 (72)发明人 宋玲　刘新锋　李盛恩　吕强　 吕舜铭　侯铁　 (74)专利代理 机构 济南圣达知识产权代理有限 公司 372 21 代理人 张勇 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/10(2019.01) G06F 16/9537(2019.01) (56)对比文件 CN 112561189 A,2021.0 3.26 CN 109919353 A,2019.0 6.21 审查员 秦涛 (54)发明名称 一种分布式光伏电站智能选 址方法及系统 (57)摘要 本申请提供了一种分布式光伏电站智能选 址方法及系统， 属于预测或优化技术领域， 所述 方案包括： 对预选区域进行细粒度网格划分； 获 取所有网格位置的发电量时序信息、 文本语义信 息以及数值型数据信息， 并基于预先训练的深度 学习模型， 分别进行特征提取； 基于提取的特征 及预先训练的多核学习模型， 获得区域内细网格 划分下所有网格位置的评估分值， 基于所述评估 分值为智能选址提供决策依据； 所述方案基于区 域内已有电站的相关数据， 利用时空相关性对其 邻近位置进行 发电预测， 并进一步结合其它影 响 光伏发电的文本语义信息及数值型信息， 对网格 划分下所有网格位置进行综合评估， 保证了光伏 电站智能选 址的准确性及合理性。 权利要求书2页 说明书8页 附图2页 CN 113919606 B 2022.03.15 CN 113919606 B 1.一种分布式光伏电站智能选 址方法， 其特 征在于， 包括： 对预选区域进行细粒度网格划分； 获取所有网格位置的发电量时序信息、 文本语义信息以及数值型数据信息； 并基于预 先训练的深度学习模型， 分别进行时序信息特征、 文本语义信息特征及数值型信息特征 的 提取； 基于提取的特征及预先训练 的多核学习模型， 获得区域内细网格划分下所有网格位置 的评估分值， 基于所述评估分值 为智能选 址提供决策依据； 其中， 所述发电量时序信息包括发电量历史数据和发电量预测数据； 所述发电量预测 数据的获取具体为： 预先获取电站 时空数据以及气象数据； 基于深度残差网络和所述时空 数据， 从时间的邻近性和趋势性上分别进行发电量预测； 同时， 基于所述气象数据， 利用深 度学习模型进 行发电量预测； 将获得的预测结果进行融合实现细粒度网格划分下所有网格 位置的发电量预测； 所述时空数据包括电站的空间位置特征和电站发电量的时序特征； 所述文本语义信 息 包括GIS数据、 规划控制、 交通运输条件、 电网接入、 自然资源及环境、 社会经济及运维过程 文本数据； 所述数值型信息包括以数值数据存在的经纬度、 太阳辐射 量及运维成本信息 。 2.如权利要求1所述的一种分布式光伏电站智能选址方法， 其特征在于， 所述基于提取 的特征及预先训练的多核学习模型， 获得区域内细网格划分下所有网格位置的评估分值， 具体为： 基于所述时序信息特征、 文本语义信息特征及数值型信息特征， 构建训练数据集； 基于所述训练数据集对所述多核 学习模型进 行训练， 利用训练好的多核 学习模型对不同网 格位置进行评估分值； 其中， 所述训练过程中不同特 征对应于不同的核函数。 3.如权利要求1所述的一种分布式光伏电站智能选址方法， 其特征在于， 基于预先训练 的长短期记忆网络中隐藏状态向量对所述发电量时序信息进 行编码， 获得所述时序信息特 征。 4.如权利要求1所述的一种分布式光伏电站智能选址方法， 其特征在于， 所述文本语义 信息特征的提取， 具体为： 预先对获得的文本语义信息进行词向量转化， 并利用训练好的多 层卷积神经网络进 行特征提取， 其中， 所述特征提取过程采用注意力机制赋予特征权重， 获 得文本语义信息特 征。 5.如权利要求1所述的一种分布式光伏电站智能选址方法， 其特征在于， 所述数值型信 息特征提取采用预 先训练的卷积神经网络模型。 6.如权利要求1所述的一种分布式光伏电站智能选址方法， 其特征在于， 所述获取电站 时空数据， 具体为： 获取所有区域内细 网格划分下所有网格内的电站位置数据及电站发电 量数据并进行相应预 处理； 从处理后的数据中提取电站的空间位置特征和电站发电量的时 序特征， 通过三维张量表示时空数据， 并利用张量分解进行稀疏 数据的填充。 7.如权利要求6所述的一种分布式光伏电站智能选址方法， 其特征在于， 所述通过三维 张量表示时空数据及张量分解， 具体为： 根据目前已经存在的电站分布的经纬度， 将预选区 域内的所有电站映射到能覆盖的矩形空间内， 实现细粒度网格图构建； 基于已知位置信息 将日发电量数据映射到网格图中， 利用连续时间段 的二维网格图构建三维张量， 并通过张 量分解的方法对三维张量中的稀疏 数据进行填充。 8.如权利要求1所述的一种分布式光伏电站智能选址方法， 其特征在于， 将 获得的预测权　利　要　求　书 1/2 页 2 CN 113919606 B 2结果进行融合实现细粒度网格划分下所有网格位置的发电量预测， 其融合过程采用线性回 归方式或全连接层方式。 9.一种分布式光伏电站智能选 址系统， 其特 征在于， 包括： 网格划分单 元， 其用于对预选区域进行细粒度网格划分； 多视域特征提取单元， 其用于获取所有网格位置的发电量时序信息、 文本语义信息以 及数值型数据信息； 并基于预先训练的深度学习模 型， 分别进 行时序信息特征、 文本语义信 息特征及数值型信息特 征的提取； 智能选址单元， 其用于基于提取的特征及预先训练的多核学习模型， 获得区域内细网 格划分下 所有网格位置的评估分值， 基于所述评估分值 为智能选 址提供决策依据； 其中， 所述发电量时序信息包括发电量历史数据和发电量预测数据； 所述发电量预测 数据的获取具体为： 预先获取电站 时空数据以及气象数据； 基于深度残差网络和所述时空 数据， 从时间的邻近性和趋势性上分别进行发电量预测； 同时， 基于所述气象数据， 利用深 度学习模型进 行发电量预测； 将获得的预测结果进行融合实现细粒度网格划分下所有网格 位置的发电量预测； 所述时空数据包括电站的空间位置特征和电站发电量的时序特征； 所述文本语义信 息 包括GIS数据、 规划控制、 交通运输条件、 电网接入、 自然资源及环境、 社会经济及运维过程 文本数据； 所述数值型信息包括以数值数据存在的经纬度、 太阳辐射 量及运维成本信息 。权　利　要　求　书 2/2 页 3 CN 113919606 B 3