(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 202211302381.X (22)申请日 2022.10.24 (71)申请人 中国电建集团成 都勘测设计 研究院 有限公司 地址 610072 四川省成 都市青羊区浣花北 路1号 (72)发明人 黄河　张世殊　邱向东　熊涛　 张志伟　赖刚　周少平　彭莉　 廖礼　李天怡　张亮　仇欣　 李培宇　姜阳　衷诚　 (74)专利代理 机构 成都虹桥专利事务所(普通 合伙) 51124 专利代理师 吴中伟 (51)Int.Cl. G06Q 10/04(2012.01)G06F 16/2458(2019.01) G06N 5/00(2006.01) G06N 20/00(2019.01) G06Q 50/06(2012.01) (54)发明名称 基于极端随机树算法的光伏组件温度预测 方法 (57)摘要 本发明涉及光伏组件温度预测领域， 具体涉 及一种基于极端随机树算法的光伏组件温度预 测方法， 极大地提高了对光伏组件温度预测的精 确性。 本发 明基于极端随机树算法的光伏组件温 度预测方法包括： 对光伏组件运行历史数据进行 EDA分析与预处理； 采用极端随机树算法对预处 理后的数据进行数学建模， 构建极端随机树模 型； 通过极端随机树模型预测光伏组件的温度。 本发明结合EDA分析和光伏组件历史运行数据， 采用极端随机树算法实现对光伏组件温度的精 确预测。 本发明适用于光伏组件温度预测。 权利要求书2页 说明书6页 附图6页 CN 115545332 A 2022.12.30 CN 115545332 A 1.基于极端随机树 算法的光伏组件温度预测方法， 其特 征在于， 包括： 步骤1、 对光伏组件运行历史数据进行EDA分析与预处 理； 步骤2、 采用极端随机树 算法对预处 理后的数据进行 数学建模， 构建 极端随机树模型； 步骤3、 通过极端随机树模型 预测光伏组件的温度。 2.根据权利要求1所述的基于极端随机树算法的光伏组件温度预测方法， 其特征在于， 步骤1中， 所述对光伏组件运行历史数据进行EDA分析与预处 理具体包括： 步骤101、 通过SCADA系统获取光伏组件运行历史数据变量； 步骤102、 对历史数据进行时间序列分析， 通过局部时间每天的温度变化以及在大跨度 的日平均温度变化对历史数据中的特征进 行筛选处理， 并对年、 月、 日 的时间特征本身进 行 取舍； 步骤103、 选用插值法处 理具有缺省值的历史数据； 步骤104、 分析各历史数据变量之间的相关矩阵， 依据其判断各特征的重要性， 剔除与 其它特征重复度过 大以及与预测目标相关性过低的特 征。 3.根据权利要求2所述的基于极端随机树算法的光伏组件温度预测方法， 其特征在于， 所述历史数据变量包括全年的风速、 光伏组件电压、 光伏组件电流、 光伏组件功率、 光伏机 组发电量、 外界温度以及光伏组件温度。 4.根据权利要求1或2或3所述的基于极端随机树算法的光伏组件温度预测方法， 其特 征在于， 步骤2中， 采用极端随机树算法通过预处理后的数据构建极端随机树模型具体包 括： 步骤201、 构建 极端随机树模型， 对极端随机树模型进行初始化； 步骤202、 选取历史数据变量中的相关特征对初始化的极端随机树进行训练， 获得相关 的权重参数； 步骤203、 使用K‑Fold交叉验证法对权 重参数进行调整； 步骤204、 扩大训练数据， 对调整后的极端随机树模型进行训练优化； 步骤205、 获得训练优化后的极端随机树模型。 5.根据权利要求4所述的基于极端随机树算法的光伏组件温度预测方法， 其特征在于， 构建极端随机树模型包括 树的集合、 建造新的树以及树的节点拆分； 构建树的集 合具体包括： 输入： 训练数据集S； 输出： 树的集 合T＝{t1,...,tM}； 进行for循环， 从1到M， M为大于1的整数， 生成新的树： t1＝Build_extra_tree(S)， 最后 返回T； 建造新的树Bui ld_extra_tree(S)具体包括： 输入： 训练数据集S； 输出： 一棵新的树t； 如果不满足切分条件， 则输出一个叶子； 从训练数据S中随机选择K个属性， K为大于0的整数， 并使用树的节点拆分函数获取拆 分集合{S1,S2,...,SK},Si＝Pick_a_random_spl it(Sr,ai)； 依照Score(s*,S)＝maxi...kScore(si,S)将S切分Sl和Sr， 并分别创建切分点s*的左右子权　利　要　求　书 1/2 页 2 CN 115545332 A 2树； 树的节点拆分Pick_a_random_spl it(S,a)具体包括： 输入： 训练集 合S， 一个属性a； 输出： 一个切分； 计算S中的最大值 及最小值 在 之间随机均匀地绘制一个切分点ac， 输出切分点[a＜ac]。 6.根据权利要求4所述的基于极端随机树算法的光伏组件温度预测方法， 其特征在于， 所述使用K ‑Fold交叉验证法对权 重参数进行调整具体包括： 步骤301、 将全部训练集S 分成k个不相交的子集， k为大于0的整数， 假设S中的训练样例 个数为m， 那么每一个子集有 个训练样例， 相应的子集 为{S1,S2,...,Sk}； 步骤302、 每次从训练子集中选择出k ‑1个{S1,S2,Sj‑1,Sj+1,...,Sk}， 使用该k ‑1个子集 训练模型， 使用Sj测试模型并得到经验错 误ej； 步骤304、 逐一从1～k中留下Sj并重复步骤302， 得到k个 经验错误， 并且得到平均经验 错 误e； 步骤305、 通过平均经验错 误e对权重参数进行调整。 7.根据权利要求6所述的基于极端随机树算法的光伏组件温度预测方法， 其特征在于， 步骤3中， 所述 通过极端随机树模型 预测光伏组件的温度具体包括： 选取K‑fold过程中平均经验错误最小的模型参数作 为极端随机树模型， 通过该极端随 机树模型 预测光伏组件的温度。权　利　要　求　书 2/2 页 3 CN 115545332 A 3