CN114943371A - 基于主成分分析-决策树的光伏电站发电预测方法及装置 - Google Patents
基于主成分分析-决策树的光伏电站发电预测方法及装置 Download PDFInfo
- Publication number
- CN114943371A CN114943371A CN202210499754.0A CN202210499754A CN114943371A CN 114943371 A CN114943371 A CN 114943371A CN 202210499754 A CN202210499754 A CN 202210499754A CN 114943371 A CN114943371 A CN 114943371A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- training
- power station
- decision tree
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 88
- 238000003066 decision tree Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 89
- 238000009434 installation Methods 0.000 claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 20
- 238000000513 principal component analysis Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 15
- 230000005855 radiation Effects 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000008901 benefit Effects 0.000 description 12
- 210000004027 cell Anatomy 0.000 description 7
- 239000000428 dust Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 210000003850 cellular structure Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 229910021419 crystalline silicon Inorganic materials 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明提供了一种基于主成分分析‑决策树的光伏电站发电预测方法及装置,其中方法包括:获取历史分布式光伏电站基本安装信息及历史发电量数据和历史天气检测数据,构建光伏预测数据样本集;对预设类气象数据和光伏组件技术规格参数分别进行主成分分析,确定对发电量影响最大的气象因素和组件技术规格参数;确定完整的算法训练数据和算法所需的数据标准格式;将完整的算法训练数据分为训练组、验证组和测试组;构建决策树算法训练模型,将训练组导入决策树算法训练模型训练并用验证组进行验证,再用测试组确认模型的准确性和泛化能力,得到最终的分布式光伏电站日发电量预测模型;利用最终的分布式光伏电站日发电量预测模型进行光伏电站发电预测。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种基于主成分分析-决策树(PCA-DTR)的光伏电站发电预测方法及装置。
背景技术
光伏发电过程是一个多变量耦合非线性随机过程,具有间歇性、不可控性和时空不确定性等缺点。近年来,随着我国并网光伏渗透率的不断提高,光伏发电对电力***的安全、经济、稳定运行产生重大影响,所以迫切需要对并网光伏电站的发电量进行准确预测。而目前的预测分布式光伏电站日发电量模型的影响因素不够全面。
发明内容
本发明旨在提供一种克服上述问题或者至少部分地解决上述问题的基于主成分分析-决策树的光伏电站发电预测方法及装置。
为达到上述目的,本发明的技术方案具体是这样实现的:
本发明的一个方面提供了一种基于主成分分析-决策树的光伏电站发电预测方法,包括:获取历史分布式光伏电站基本安装信息及发电量数据和历史天气检测数据,构建光伏预测数据样本集;对预设类气象数据和光伏组件技术规格参数分别进行主成分分析,确定对发电量影响最大的气象因素和组件技术规格参数;确定完整的算法训练数据和算法所需的数据标准格式,其中,所述完整的算法训练数据包括:主成分分析出的所述气象因素和所述组件技术规格参数以及组件安装角度、组件排列间距、组件的串并联方式以及遮挡系数;将所述完整的算法训练数据分为训练组、验证组和测试组;构建决策树算法训练模型,将所述训练组导入所述决策树算法训练模型训练并用所述验证组进行验证,再用测试组确认模型的准确性和泛化能力,得到最终的分布式光伏电站日发电量预测模型,其中,所述决策树算法训练模型的输入包括所述完整的算法训练数据,所述决策树算法训练模型的输出包括光伏电站的日发电量;利用所述最终的分布式光伏电站日发电量预测模型进行光伏电站发电预测。
其中,在获取历史分布式光伏电站基本安装信息及发电量数据和历史天气检测数据之后,构建光伏预测数据样本集之前,方法还包括:对所述基本安装信息及发电量数据和所述历史天气检测数据进行数据预处理。
其中,所述预设类气象数据包括:太阳辐射量、温度、湿度、风速和风向。
其中,所述光伏组件技术规格参数包括:光电转换效率、额定功率、尺寸、半片或全片结构。
本发明另一方面提供了一种基于主成分分析-决策树的光伏电站发电预测装置,包括:构建模块,用于获取历史分布式光伏电站基本安装信息及发电量数据和历史天气检测数据,构建光伏预测数据样本集;主成分分析模块,用于对预设类气象数据和光伏组件技术规格参数分别进行主成分分析,确定对发电量影响最大的气象因素和组件技术规格参数;确定模块,用于确定完整的算法训练数据和算法所需的数据标准格式,其中,所述完整的算法训练数据包括:主成分分析出的所述气象因素和所述组件技术规格参数以及组件安装角度、组件排列间距、组件的串并联方式以及遮挡系数;划分模块,用于将所述完整的算法训练数据分为训练组、验证组和测试组;训练模块,用于构建决策树算法训练模型,将所述训练组导入所述决策树算法训练模型训练并用所述验证组进行验证,再用测试组确认模型的准确性和泛化能力,得到最终的分布式光伏电站日发电量预测模型,其中,所述决策树算法训练模型的输入包括所述完整的算法训练数据,所述决策树算法训练模型的输出包括光伏电站的日发电量;预测模块,用于利用所述最终的分布式光伏电站日发电量预测模型进行光伏电站发电预测。
其中,构建模块,还用于在获取历史分布式光伏电站基本安装信息及发电量数据和历史天气检测数据之后,构建光伏预测数据样本集之前,对所述基本安装信息及发电量数据和所述历史天气检测数据进行数据预处理。
其中,所述预设类气象数据包括:太阳辐射量、温度、湿度、风速和风向。
其中,所述光伏组件技术规格参数包括:光电转换效率、额定功率、尺寸、半片或全片结构。
由此可见,通过本发明提供的基于主成分分析-决策树的光伏电站发电预测方法及装置,利用主成分分析提炼对发电量影响最大的气象因素和组件技术规格参数,进而结合分布式光伏电站在建设中的组件安装角度、组件排列间距、组件的串并联方式以及选址地区的遮挡系数作为预测的输入量,日发电量作为输出量,导入决策树算法模型训练,最终得到通过以上影响因素预测发电量的模型,进而可以利用主成分分析-决策树算法混合模型对分布式光伏电站的日发电量进行预测,解决现有预测模型对发电量预测不精准的问题。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的基于主成分分析-决策树的光伏电站发电预测方法的流程图;
图2为本发明实施例提供的一种具体地基于主成分分析-决策树的光伏电站发电预测方法的流程图;
图3为本发明实施例提供的基于主成分分析-决策树的光伏电站发电预测装置的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1和图2示出了本发明实施例提供的基于主成分分析-决策树的光伏电站发电预测方法的流程图,参见图1和图2,本发明实施例提供的基于主成分分析-决策树的光伏电站发电预测方法,包括:
S1,获取历史分布式光伏电站基本安装信息及发电量数据和历史天气检测数据,构建光伏预测数据样本集。
作为本发明实施例的一个可选实施方式,在获取历史分布式光伏电站安装基本信息及发电量数据和历史天气检测数据之后,构建光伏预测数据样本集之前,本发明实施例提供的基于主成分分析-决策树的光伏电站发电预测方法还包括:对安装基本信息及发电量数据和历史天气检测数据进行数据预处理。
具体地,获取历史分布式光伏电站安装基本信息及发电量数据和历史天气检测数据并进行数据预处理,从而构建光伏预测数据样本集。
S2,对预设类气象数据和光伏组件技术规格参数分别进行主成分分析,确定对发电量影响最大的气象因素和组件技术规格参数。
作为本发明实施例的一个可选实施方式,预设类气象数据包括:太阳辐射量、温度、湿度、风速和风向。光伏组件技术规格参数包括:光电转换效率、额定功率、尺寸、半片或全片结构。
具体地,对几类气象数据进行主成分分析,通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量,进而选出对发电量影响最大的气象因素;同样对光伏组件的特性进行主成分分析,同样选出对发电量影响最大的组件特性。
S3,确定完整的算法训练数据和算法所需的数据标准格式,其中,完整的算法训练数据包括:主成分分析出的气象因素和组件技术规格参数以及组件安装角度、组件排列间距、组件的串并联方式以及遮挡系数。
具体地,主成分分析出的气象因素和组件技术规格参数以及组件安装角度、组件排列间距、组件的串并联方式以及遮挡系数作为输入,光伏电站的发电量作为输出,得到完整的算法训练数据。
S4,将完整的算法训练数据分为训练组、验证组和测试组;
S5,构建决策树算法训练模型,将训练组导入决策树算法训练模型训练并用验证组进行验证,再用测试组确认模型的准确性和泛化能力,得到最终的分布式光伏电站日发电量预测模型,其中,决策树算法训练模型的输入包括完整的算法训练数据,决策树算法训练模型的输出包括光伏电站的日发电量。
具体地,影响光伏电站发电量的因素众多,可以包括:
1、太阳辐射量
光伏***对太阳辐能量的利用效率只有10%左右(太阳电池效率、组件组合损失、灰尘损失、控制逆变器损失、线路损失、蓄电池效率)。光伏电站的发电量直接与太阳辐射量有关,而太阳的辐射强度、光谱特性是随着气象条件而改变的。
2、太阳电池组件的倾斜角度
光伏组件平铺时,倾角为0°;垂直地面时(如建筑物南立面),倾角为0°,光伏组件朝南安装,则安装倾角在0°~90°之间:朝北安装,则安装倾角在0°~-90°之间。不同地区,倾角不同发电量不同。
3、太阳电池组件的光电转换效率
光伏组件将太阳能转化为电能的能力,即光伏组件的发电能力。
4、组合损失
凡是串联就会由于组件的电流差异造成电流损失;凡是并联就会由于组件的电压差异造成电压损失;组合损失可以达到8%以上,中国工程建设标准化协会标准规定小于10%。
其中:
(1)为了减少组合损失,应该在电站安装前严格挑选电流一致的组件串联;
(2)组件的衰减特性尽可能一致。根据国家标准GB/T--9535规定,太阳电池组件的最大输出功率在规定条件下试验后检测,其衰减不得超过8%;
(3)隔离二极管有时候是必要的。
5、温度特性
温度上升1℃,晶体硅太阳电池:最大输出功率下降0.04%,开路电压下降0.04%(-2mv/℃),短路电流上升0.04%。为了避免温度对发电量的影响,应该保持组件良好的通风条件。
这项指标属于组件出厂数据。
6、灰尘损失
电站的灰尘损失可能达到6%,因此组件需要经常擦拭。
7、MPPT跟踪
最大输出功率跟踪(MPPT)从太阳电池应用角度上看,所谓应用,就是对太阳电池最大输出功率点的跟踪。并网***的MPPT功能在逆变器里面完成。最近有人研究将其放在直流汇流箱里面。
8、线路损失
***的直流、交流回路的线损要控制在5%以内。为此,设计上要采用导电性能好的导线,导线需要有足够的直径。施工不允许偷工减料。***维护中要特别注意接插件以及接线端子是否牢固。
9、控制器、逆变器效率
控制器的充电、放电回路压降不得超过***电压的5%。并网逆变器的效率目前都大于95%。
10、遮挡
在一定条件下,光伏***中的部份电池会被周围其它物体所遮挡,造成局部阴影,这将引起某些电池发热,产生所谓“热斑”现象。如果阴影影响不消除而长期存在的话,当热斑效应达到定程度,组件上的焊点熔化并毁坏栅线,从而导致整个太阳电池组件的报废。遮挡严重不仅会影响接线盒和组件的使用寿命,而且严重影响发电量,据测算显示,光伏***中存在的微乎其微的树荫及电线阴影,可导致电站发电量低约20-30%。
影响分布式光伏电站发电量众多,根据对已建光伏项目的数据分析,发电量与预期有极大差异,为了更准确的评估预测发电量,本发明利用决策树算法建立模型实现对发电量的预测。实现预测需要充足的数据量,划分训练组和验证组,明确训练模型的输入和输出量。
输入量:
1、气象数据(太阳辐射量、温度、湿度、风向、风速),本发明先主成分分析,然后选择影响力较大的因素。
2、光伏组件技术规格参数(光电转换效率、尺寸、功率、半片或全片结构),本发明先进行主成分分析,然后选择影响力较大的因素。
3、组件安装角度
4、组件排列间距
5、组件串并联、组件布局
6、遮挡系数
输出量:日发电量。
S6,利用最终的分布式光伏电站日发电量预测模型进行光伏电站发电预测。
由此可见,利用本发明提供实施例提供的基于主成分分析-决策树的光伏电站发电预测方法,利用主成分分析提炼对发电量影响最大的气象因素和组件技术规格参数,进而结合分布式光伏电站在建设中的组件安装角度、组件排列间距、组件的串并联方式以及选址地区的遮挡系数作为预测的输入量,日发电量作为输出量,导入决策树算法模型训练,最终得到通过以上影响因素预测发电量的模型,进而可以利用主成分分析-决策树算法混合模型对分布式光伏电站的日发电量进行预测,解决现有预测模型对发电量预测不精准的问题。
利用本发明实施例提供基于主成分分析-决策树的光伏电站发电预测方法,具有如下优点:
优点1、发电量影响因素全面,且筛选了影响较大的因素。
优点2、可通过输入影响因素实现对不同情况下分布式光伏电站日发电量的预测。
优点3、方法的可解释性强。
优点4、模型容易训练,可以快速适应加入的特征。
图3示出了本发明实施例提供的基于主成分分析-决策树的光伏电站发电预测装置的结构示意图,该基于主成分分析-决策树的光伏电站发电预测装置应用上述方法,以下仅对基于主成分分析-决策树的光伏电站发电预测装置的结构进行简单说明,其他未尽事宜,请参照上述基于主成分分析-决策树的光伏电站发电预测方法中的相关描述,参见图3,本发明实施例提供的基于主成分分析-决策树的光伏电站发电预测装置,包括:
构建模块,用于获取历史分布式光伏电站基本安装信息及发电量数据和历史天气检测数据,构建光伏预测数据样本集;
主成分分析模块,用于对预设类气象数据和光伏组件技术规格参数分别进行主成分分析,确定对发电量影响最大的气象因素和组件技术规格参数;
确定模块,用于确定完整的算法训练数据和算法所需的数据标准格式,其中,所述完整的算法训练数据包括:主成分分析出的所述气象因素和所述组件技术规格参数性以及组件安装角度、组件排列间距、组件的串并联方式以及遮挡系数;
划分模块,用于将所述完整的算法训练数据分为训练组、验证组和测试组;
训练模块,用于构建决策树算法训练模型,将所述训练组导入所述决策树算法训练模型训练并用所述验证组进行验证,再用测试组确认模型的准确性和泛化能力,得到最终的分布式光伏电站日发电量预测模型,其中,所述决策树算法训练模型的输入包括所述完整的算法训练数据,所述决策树算法训练模型的输出包括光伏电站的日发电量;
预测模块,用于利用所述最终的分布式光伏电站日发电量预测模型进行光伏电站发电预测。
作为本发明实施例的一个可选实施方式,构建模块,还用于在获取历史分布式光伏电站基本安装信息及发电量数据和历史天气检测数据之后,构建光伏预测数据样本集之前,对所述基本安装信息及发电量数据和所述历史天气检测数据进行数据预处理。
作为本发明实施例的一个可选实施方式,所述预设类气象数据包括:太阳辐射量、温度、湿度、风速和风向。
作为本发明实施例的一个可选实施方式,所述光伏组件技术规格参数包括:光电转换效率、额定功率、尺寸、半片或全片结构。
由此可见,利用本发明提供实施例提供的基于主成分分析-决策树的光伏电站发电预测装置,利用主成分分析提炼对发电量影响最大的气象因素和组件技术规格参数,进而结合分布式光伏电站在建设中的组件安装角度、组件排列间距、组件的串并联方式以及选址地区的遮挡系数作为预测的输入量,日发电量作为输出量,导入决策树算法模型训练,最终得到通过以上影响因素预测发电量的模型,进而可以利用主成分分析-决策树算法混合模型对分布式光伏电站的日发电量进行预测,解决现有预测模型对发电量预测不精准的问题。
利用本发明实施例提供基于主成分分析-决策树的光伏电站发电预测装置,具有如下优点:
优点1、发电量影响因素全面,且筛选了影响较大的因素。
优点2、可通过输入影响因素实现对不同情况下分布式光伏电站日发电量的预测。
优点3、方法的可解释性强。
优点4、模型容易训练,可以快速适应加入的特征。
优点5、装置普适性较强。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (8)
1.一种基于主成分分析-决策树的光伏电站发电预测方法,其特征在于,包括:
获取历史分布式光伏电站基本安装信息及发电量数据和历史天气检测数据,构建光伏预测数据样本集;
对预设类气象数据和光伏组件技术规格参数分别进行主成分分析,确定对发电量影响最大的气象因素和组件技术规格参数;
确定完整的算法训练数据和算法所需的数据标准格式,其中,所述完整的算法训练数据包括:主成分分析出的所述气象因素和所述组件技术规格参数以及组件安装角度、组件排列间距、组件的串并联方式以及遮挡系数;
将所述完整的算法训练数据分为训练组、验证组和测试组;
构建决策树算法训练模型,将所述训练组导入所述决策树算法训练模型训练并用所述验证组进行验证,再用测试组确认模型的准确性和泛化能力,得到最终的分布式光伏电站日发电量预测模型,其中,所述决策树算法训练模型的输入包括所述完整的算法训练数据,所述决策树算法训练模型的输出包括光伏电站的日发电量;
利用所述最终的分布式光伏电站日发电量预测模型进行光伏电站发电预测。
2.根据权利要求1所述的方法,其特征在于,在获取历史分布式光伏电站基本安装信息及发电量数据和历史天气检测数据之后,构建光伏预测数据样本集之前,还包括:
对所述基本安装信息及发电量数据和所述历史天气检测数据进行数据预处理。
3.根据权利要求1所述的方法,其特征在于,所述预设类气象数据包括:太阳辐射量、温度、湿度、风速和风向。
4.根据权利要求1所述的方法,其特征在于,所述光伏组件技术规格参数包括:光电转换效率、额定功率、尺寸、半片或全片结构。
5.一种基于主成分分析-决策树的光伏电站发电预测装置,其特征在于,包括:
构建模块,用于获取历史分布式光伏电站基本安装信息及发电量数据和历史天气检测数据,构建光伏预测数据样本集;
主成分分析模块,用于对预设类气象数据和光伏组件技术规格参数分别进行主成分分析,确定对发电量影响最大的气象因素和组件技术规格参数;
确定模块,用于确定完整的算法训练数据和算法所需的数据标准格式,其中,所述完整的算法训练数据包括:主成分分析出的所述气象因素和所述组件技术规格参数以及组件安装角度、组件排列间距、组件的串并联方式以及遮挡系数;
划分模块,用于将所述完整的算法训练数据分为训练组、验证组和测试组;
训练模块,用于构建决策树算法训练模型,将所述训练组导入所述决策树算法训练模型训练并用所述验证组进行验证,再用测试组确认模型的准确性和泛化能力,得到最终的分布式光伏电站日发电量预测模型,其中,所述决策树算法训练模型的输入包括所述完整的算法训练数据,所述决策树算法训练模型的输出包括光伏电站的日发电量;
预测模块,用于利用所述最终的分布式光伏电站日发电量预测模型进行光伏电站发电预测。
6.根据权利要求5所述的装置,其特征在于,构建模块,还用于在获取历史分布式光伏电站基本安装信息及发电量数据和历史天气检测数据之后,构建光伏预测数据样本集之前,对所述基本安装信息及发电量数据和所述历史天气检测数据进行数据预处理。
7.根据权利要求5所述的装置,其特征在于,所述预设类气象数据包括:太阳辐射量、温度、湿度、风速和风向。
8.根据权利要求5所述的装置,其特征在于,所述光伏组件技术规格参数包括:光电转换效率、额定功率、尺寸、半片或全片结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499754.0A CN114943371A (zh) | 2022-05-09 | 2022-05-09 | 基于主成分分析-决策树的光伏电站发电预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210499754.0A CN114943371A (zh) | 2022-05-09 | 2022-05-09 | 基于主成分分析-决策树的光伏电站发电预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114943371A true CN114943371A (zh) | 2022-08-26 |
Family
ID=82907739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210499754.0A Pending CN114943371A (zh) | 2022-05-09 | 2022-05-09 | 基于主成分分析-决策树的光伏电站发电预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114943371A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587644A (zh) * | 2022-08-30 | 2023-01-10 | 浙江正泰智维能源服务有限公司 | 一种光伏电站性能参数预测方法、装置、设备及介质 |
CN117196180A (zh) * | 2023-10-17 | 2023-12-08 | 无锡市广盈电力设计有限公司 | 含高比例分布式光伏的配电线路光伏汇集点选址方法 |
CN117522156A (zh) * | 2023-10-17 | 2024-02-06 | 江苏尚诚能源科技有限公司 | 基于大数据分析的分布式光伏预测评估方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440526A (zh) * | 2013-07-05 | 2013-12-11 | 北京建筑大学 | 一种基于建筑信息模型的发电预测方法和装置 |
CN107909218A (zh) * | 2017-12-06 | 2018-04-13 | 南通大学 | 一种短期光伏发电量预测方法 |
CN110147912A (zh) * | 2019-05-30 | 2019-08-20 | 江苏工程职业技术学院 | 一种基于建筑信息模型的发电预测方法和装置 |
CN111738522A (zh) * | 2020-06-28 | 2020-10-02 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
CN111815027A (zh) * | 2020-06-09 | 2020-10-23 | 山东大学 | 一种光伏场站发电功率预测方法及*** |
US20210194424A1 (en) * | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
CN114330100A (zh) * | 2021-11-30 | 2022-04-12 | 国网辽宁省电力有限公司锦州供电公司 | 一种短期光伏功率概率区间预测方法 |
CN114329985A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种光伏发电预测方法、装置、设备及存储介质 |
-
2022
- 2022-05-09 CN CN202210499754.0A patent/CN114943371A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440526A (zh) * | 2013-07-05 | 2013-12-11 | 北京建筑大学 | 一种基于建筑信息模型的发电预测方法和装置 |
CN107909218A (zh) * | 2017-12-06 | 2018-04-13 | 南通大学 | 一种短期光伏发电量预测方法 |
US20210194424A1 (en) * | 2019-04-25 | 2021-06-24 | Shandong University | Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters |
CN110147912A (zh) * | 2019-05-30 | 2019-08-20 | 江苏工程职业技术学院 | 一种基于建筑信息模型的发电预测方法和装置 |
CN111815027A (zh) * | 2020-06-09 | 2020-10-23 | 山东大学 | 一种光伏场站发电功率预测方法及*** |
CN111738522A (zh) * | 2020-06-28 | 2020-10-02 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
CN114330100A (zh) * | 2021-11-30 | 2022-04-12 | 国网辽宁省电力有限公司锦州供电公司 | 一种短期光伏功率概率区间预测方法 |
CN114329985A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种光伏发电预测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
蒋浩等: "主成分分析结合神经网络的光伏发电量预测", 《电力***及其自动化学报》 * |
阿迪娜·卡尼: ""基于DS-WMC综合预测模型的光伏电站短期功率研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
龚莺飞 等: ""光伏功率预测技术"", 《电力***自动化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115587644A (zh) * | 2022-08-30 | 2023-01-10 | 浙江正泰智维能源服务有限公司 | 一种光伏电站性能参数预测方法、装置、设备及介质 |
CN115587644B (zh) * | 2022-08-30 | 2024-06-11 | 浙江正泰智维能源服务有限公司 | 一种光伏电站性能参数预测方法、装置、设备及介质 |
CN117196180A (zh) * | 2023-10-17 | 2023-12-08 | 无锡市广盈电力设计有限公司 | 含高比例分布式光伏的配电线路光伏汇集点选址方法 |
CN117522156A (zh) * | 2023-10-17 | 2024-02-06 | 江苏尚诚能源科技有限公司 | 基于大数据分析的分布式光伏预测评估方法及*** |
CN117196180B (zh) * | 2023-10-17 | 2024-04-26 | 无锡市广盈电力设计有限公司 | 含高比例分布式光伏的配电线路光伏汇集点选址方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114943371A (zh) | 基于主成分分析-决策树的光伏电站发电预测方法及装置 | |
Chen et al. | Forecasting based power ramp-rate control for PV systems without energy storage | |
KR20120138866A (ko) | 태양광발전 시스템의 고장 인식 장치 및 이의 진단 방법 | |
Jamil et al. | Performance ratio analysis based on energy production for large-scale solar plant | |
Arévalo et al. | Smart monitoring method for photovoltaic systems and failure control based on power smoothing techniques | |
CN115409209A (zh) | 一种分布式光伏板的异常检测方法、装置及存储介质 | |
Ramu et al. | An IoT‐based smart monitoring scheme for solar PV applications | |
CN107482681B (zh) | 一种基于互联网的太阳能电池集及其监控***和监控方法 | |
Taghezouit et al. | Model-based fault detection in photovoltaic systems: A comprehensive review and avenues for enhancement | |
Zou et al. | Performance of a grid-connected BIPV system at Jiangsu Province, China | |
Lodhi et al. | Modelling and experimental characteristics of photovoltaic modules in typical days at an actual photovoltaic power station | |
Besheer et al. | Status Monitoring and Performance Investigation of a 5.1 kW Rooftop Grid-Tie Photovoltaic Energy System in Egypt | |
CN110059974B (zh) | 一种基于光伏优化接入的光伏插座选型方法 | |
Zhang et al. | Lifetime evaluation method of PV inverter considering the influence of fundamental frequency and low frequency junction temperature | |
Muhammad et al. | Fault detection using acceptance ratio analysis on polycrystalline grid-connected photovoltaics system | |
Elgamal et al. | Performance Metrics for Photovoltaic 4.0 Systems: 27.5 kW Solar Station as an Example | |
CN107657346B (zh) | 光伏电站次暂态电势参数预测方法 | |
Sathiracheewin et al. | Short term analysis of PV system performance in different areas of Thailand | |
Otani et al. | Field experience with large‐scale implementation of domestic PV systems and with large PV systems on buildings in Japan | |
Mihov et al. | Performance Analysis of a Grid-Connected PV Park in Ruse, Bulgaria | |
Talib et al. | Design and Implementation of New Battery Monitoring System for Photovoltaic Application | |
Chen et al. | The design and implementation of dust monitoring system for photovoltaic power generation | |
Belik et al. | Prediction of the degradation process of mono-Si photovoltaic panels in Ukrainian and Czech conditions | |
Li et al. | Research on Grid-connected PV Power Station Condition Evaluation Technology Based on SCADA and Hierarchical Progression | |
Xiaoli et al. | Condition monitoring and diagnosis for grid-connected photovoltaic power system |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220826 |