CN115036922A - 一种分布式光伏发电电量预测方法及*** - Google Patents
一种分布式光伏发电电量预测方法及*** Download PDFInfo
- Publication number
- CN115036922A CN115036922A CN202210953708.3A CN202210953708A CN115036922A CN 115036922 A CN115036922 A CN 115036922A CN 202210953708 A CN202210953708 A CN 202210953708A CN 115036922 A CN115036922 A CN 115036922A
- Authority
- CN
- China
- Prior art keywords
- power generation
- target
- photovoltaic power
- feature
- characteristic
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
-
- 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)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种分布式光伏发电电量预测方法及***,通过提取与目标区域和目标时间段相关的第一发电量特征来表征与个体光伏发电站点无关的所述目标区域总体上的光伏发电量特性,并提取与目标光伏发电站点的设备配置和目标区域相关第二发电量特征来表征与时间特性无关的所述目标光伏发电站点在所述目标区域所在位置的光伏发电特性,然后综合所述第一发电量特征和所述第二发电量特征预测所述目标光伏发电站点的发电量。如此,不仅考虑了所述目标位置对光伏发电的影响,还考虑了目标光伏发电站点本身设备配置的影响,可以更准确地进行光伏发电量的预测,为后续各种决策提供有力的数据支持。
Description
技术领域
本发明涉及清洁能源技术领域,具体而言,涉及一种分布式光伏发电电量预测方法及***。
背景技术
随着社会环保意识的提高,节能减排成为各行各业均需要关注的目标。光伏发电作为一种无污染的清洁发电方案,在最近得到迅速的推广和发展。其中,分布式光伏发电技术开始越来越多地应用。分布式光伏发电特指在用户场地附近建设,运行方式以用户侧自发自用、多余电量上网,且在配电***平衡调节为特征的光伏发电设施。分布式光伏发电遵循因地制宜、清洁高效、分散布局、就近利用的原则,充分利用当地太阳能资源,替代和减少化石能源消费。分布式光伏发电特指采用光伏组件,将太阳能直接转换为电能的分布式发电***。它是一种新型的、具有广阔发展前景的发电和能源综合利用方式,它倡导就近发电,就近并网,就近转换,就近使用的原则,不仅能够有效提高同等规模光伏电站的发电量,同时还有效解决了电力在升压及长途运输中的损耗问题。
目前,针对光伏发电预测问题,现有研究方法主要分为:基于传统物理模型的预测方法、基于统计分析的预测方法和基于人工智能的方法。(1)基于传统物理模型的预测方法通过建立太阳光照幅度和光伏电站出力的物理方程进行预测。(2)基于统计分析的预测方法通过发现输入数据与未来发电之间的统计规律进行预测,常见的统计模型包括AR、ARIMA。(3)基于人工智能的预测方法通过强大的非线性映射能力自动学习数据的高维表达实现预测。基于传统物理模型的预测方法属于间接预测,需要光伏电站详细的地理信息、组件参数和气象参数等数据。具有很强的可解释性,但模型构建复杂,抗干扰能力差,无法有效处理一些极端异常天气情况和环境因素;基于统计分析的方法往往需要从大量历史信息中建模数据的统计规律,并且难以捕捉光伏发电复杂的非线性特征;早期的人工智能预测方法模型如SVR、决策树受限于对手工特征的依赖和对数据特征的挖掘能力,难以实现准确的光伏发电预测。
发明内容
为了克服现有技术中的上述不足,本发明的目的在于提供一种分布式光伏发电电量预测方法,所述方法包括:
从多个光伏发电站点中确定目标光伏发电站点;
获得目标光伏发电站点的设备配置标识、所述目标光伏发电站点所在的目标区域的位置标识及需要预测的目标时间段;
根据所述位置标识及所述目标时间段,确定所述目标区域在所述目标时间段的第一发电量特征;
根据所述设备配置标识及所述位置标识,确定所述目标光伏发电站点在所述目标区域的第二发电量特征;
根据所述第一发电量特征及所述第二发电量特征,获得位于所述目标区域的所述目标光伏发电站点在所述目标时间段的预测发电量。
在一种可能的实现方式中,所述方法还包括:
针对各所述光伏发电站点,获取相同时间段内该光伏发电站点的所述预测发电量和实际检测到的实际发电量;
将所述预测发电量与所述实际发电量之间的差值大于设定阈值的光伏发电站点标注为候选光伏发电站点;
根据各所述候选光伏发电站点的安装位置对各所述候选光伏发电站点进行聚类及离散点检测;
将所述离散点对应的候选光伏发电站点标注为风险光伏发电站点。
在一种可能的实现方式中,所述根据所述位置标识及所述目标时间段,确定目标区域在所述目标时间段的第一发电量特征的步骤,包括:
根据所述位置标识获取所述目标区域的历史发电环境记录;
获取至少一个已知区域组中的至少一个已知区域的历史发电环境记录;
根据所述目标区域的历史发电环境记录以及所述已知区域组中的已知区域的历史发电环境记录,从所述已知区域组中确定与所述目标区域对应的标的区域;
获取所述目标时间段之前的所述标的区域中至少一个其他光伏发电站点的发电情况记录;
通过第一特征提取模型对所述发电情况记录进行特征提取,将提取到的特征作为所述目标区域的第一发电量特征。
在一种可能的实现方式中,所述目标区域的历史发电环境记录包括所述目标区域的地理特征标识及历史气象记录;所述已知区域的历史发电环境记录包括所述已知区域的地理特征标识及历史气象记录;
所述根据所述目标区域的历史发电环境记录以及所述已知区域组中的已知区域的历史发电环境记录,从所述已知区域组中确定与所述目标区域对应的标的区域的步骤,包括:
将所述已知区域组划分为至少两个已知区域子集,每个所述已知区域子集中包括至少一个所述已知区域;
根据所述目标区域的地理特征标识及各个所述已知区域的地理特征标识,确定所述目标区域与各个所述已知区域之间的地理特征相似度;
确定所述目标区域分别与各个所述已知区域子集的已知区域之间的地理特征相似度的平均值,作为所述目标区域与各个所述已知区域子集之间的地理特征相似度;
从所述至少两个已知区域子集中选择所述地理特征相似度大于地理特征相似度阈值,且所包括的已知区域的数量小于第一数量阈值的已知区域子集,作为第一目标已知区域子集;
根据所述目标区域的历史气象记录以及各个所述已知区域子集的已知区域的历史气象记录,确定所述目标区域与各个所述已知区域子集的已知区域之间的气象相似度;
确定所述目标区域分别与各个所述已知区域子集的已知区域之间的气象相似度的平均值,作为所述目标区域与各个所述已知区域子集之间的气象相似度;
从所述至少两个已知区域子集中选择所述气象相似度大于气象相似度阈值,且所包括的已知区域的数量小于第二数量阈值的已知区域子集,作为第二目标已知区域子集;
将所述第一目标已知区域子集和所述第二目标已知区域子集的交集中的已知区域确定为标的区域。
在一种可能的实现方式中,所述发电情况记录还包括发电量记录及当前气象信息;所述通过第一特征提取模型对所述发电情况记录进行特征提取,将提取到的特征作为所述目标区域的第一发电量特征的步骤,包括:
针对所述标的区域中的每个所述其他光伏发电站点,通过第一特征提取模型获取与所述发电量记录信息对应的发电量特征向量,并获取与所述当前气象信息对应的环境特征向量;
对所述发电量特征向量及所述环境特征向量进行特征融合,获得第一融合特征作为所述目标区域的第一发电量特征。
在一种可能的实现方式中,所述通过第一特征提取模型获取与所述发电量记录信息对应的发电量特征向量,并获取与所述当前气象信息对应的环境特征向量的步骤,包括:
通过m*n的卷积网络对所述发电量记录信息进行卷积操作,获得N个第一中间特征矩阵;
对各所述第一中间特征矩阵分别进行最大池化处理,获得N个第一中间向量;
通过门控过滤网络对各所述第一中间向量进行融合,获得所述发电量特征向量;
对所述当前气象信息的特征元素进行线性加权求和,获得第二中间向量;
对所述当前气象信息的特征元素进行交叉组合,获得第三中间向量;
对所述当前气象信息的特征元素进行缩放拼接,获得第四中间向量;
对所述第二中间向量、所述第三中间向量及所述第四中间向量进行拼接,得到第五中间向量;
对所述第五中间向量进行转换,获得所述环境特征向量;
所述对所述发电量特征向量及所述环境特征向量进行特征融合,获得第一融合特征的步骤,包括:
对所述发电量特征向量及所述环境特征向量进行拼接,得到第六中间向量;
通过非线性的全连接网络对所述第六中间向量进行自身全局融合和维度转换处理,得到所述第一融合特征。
在一种可能的实现方式中,所述根据所述设备配置标识及所述位置标识,确定所述目标光伏发电站点在所述目标区域的第二发电量特征的步骤,包括:
所述根据所述目标光伏发电站点的设备配置标识,获取所述目标光伏发电站点的设备配置参数,所述设备配置参数表征光伏板型号数量、蓄电池型号数量、逆变器型号、光伏板朝向中一种或多个参数的标识项;
根据所述位置标识,获取所述目标光伏发电站点所在的所述目标区域的地理特征标识,所述地理特征标识包括表征经纬度、海拔、周围地势平整度、当前位置坡度朝向、周围水域分布位置、周围水域分布密度及周围植被分布程度中一种或多个参数的标识项;
通过第二特征提取模型对所述设备配置参数和所述地理特征标识进行特征提取,获得所述第二发电量特征。
在一种可能的实现方式中,所述根据所述第一发电量特征及所述第二发电量特征,获得位于所述目标区域的所述目标光伏发电站点在所述目标时间段的预测发电量的步骤,包括:
对所述第一发电量特征和所述第二发电量特征进行拼接,获得第三发电量特征;
将所述第三发电量特征输入预先训练的预测模型,获得所述预测模型输出的所述预测发电量;
所述方法还包括:
获得第一训练样本,所述第一训练样本包括样本光伏发电站点的样本设备标识、样本位置标识及样本时间段及标签实际发电量;
将所述样本位置标识及所述样本时间段输入待训练的第一特征提取模型,获得所述第一特征提取模型输出的样本第一发电量特征;
将所述样本设备配置标识及所述样本位置标识输入待训练的第二特征提取模型,获得所述第二特征提取模型输出的样本第二发电量特征;
对所述样本第一发电量特征和所述样本第二发电量特征进行拼接,获得样本第三发电量特征;
将所述样本第三发电量特征输入待训练的预测模型,获得所述预测模型输出的样本预测发电量;
根据所述样本预测发电量与所述标签实际发电量之间的差异,调整所述第一特征提取模型、所述第二特征提取模型及所述预测模型的网络参数,以减小所述样本预测发电量与所述标签实际发电量之间的差异。
在一种可能的实现方式中,所述方法还包括:
获取所述风险光伏发电站点的发电量记录序列、地理特征标识以及气候变化特征;
获取所述风险光伏发电站点的设备配置标识,从预设数据库中获取所述设备配置标识相关联的设备配置参数;
基于所述设备配置标识和所述设备配置参数确定与所述风险光伏发电站点的设备特征;
基于所述发电量记录序列和所述设备特征进行特征拼接,得到拼接特征;
根据所述拼接特征确定所述风险光伏发电站点的发电量变化特征,所述发电量变化特征用于表征所述发电量记录序列和所述设备特征之间的特征关联信息;
对所述发电量变化特征进行特征增强处理,得到所述风险光伏发电站点的发电量变化特征;
基于所述发电量变化特征、所述地理特征标识以及所述气候变化特征,生成第二融合特征;
将所述发电量变化特征、所述地理特征标识、所述气候变化特征以及所述第二融合特征输入预先训练的异常分类识别模型进行类别识别,确定所述风险光伏发电站点的预测发电异常类型;
所述方法还包括:
获取第二训练样本,所述第二训练样本包括样本风险光伏发电站点的发电量记录序列、地理特征标识及气候变化特征;
将所述样本风险光伏发电站点的发电量记录序列、地理特征标识、气候变化特征输入待训练的异常分类识别模型,获得所述异常分类识别模型输出的样本预测发电异常类型;
根据所述样本预测发电异常类型与所述样本预测发电异常类型之间的差异,调整所述异常分类识别模型的网络参数,以减小所述样本预测发电异常类型与所述样本预测发电异常类型之间的差异。
本发明的另一目的在于提供一种分布式光伏发电电量预测***,所述***包括:
站点选取模块,用于从多个光伏发电站点中确定目标光伏发电站点;
数据获取模块,用于获得目标光伏发电站点的设备配置标识、所述目标光伏发电站点所在的目标区域的位置标识及目标时间段;
第一提取模块,用于根据所述位置标识及所述目标时间段,确定目标区域在所述目标时间段的第一发电量特征;
第二提取模块,用于根据所述设备配置标识及所述位置标识,确定所述目标光伏发电站点在所述目标区域的第二发电量特征;
发电预测模块,用于根据所述第一发电量特征及所述第二发电量特征,获得位于所述目标区域的所述目标光伏发电站点在所述目标时间段的预测发电量。
相对于现有技术而言,本发明具有以下有益效果:
本发明提供的分布式光伏发电电量预测方法及***,通过提取与目标区域和目标时间段相关的第一发电量特征来表征与个体光伏发电站点无关的所述目标区域总体上的光伏发电量特性,并提取与目标光伏发电站点的设备配置和目标区域相关第二发电量特征来表征与时间特性无关的所述目标光伏发电站点在所述目标区域所在位置的光伏发电特性,然后综合所述第一发电量特征和所述第二发电量特征预测所述目标光伏发电站点的发电量。如此,不仅考虑了所述目标位置对光伏发电的影响,还考虑了目标光伏发电站点本身设备配置的影响,可以更准确地进行光伏发电量的预测,为后续各种决策提供有力的数据支持。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,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相关的附图。
图1为本发明实施例提供的分布式光伏发电电量预测方法的流程图之一;
图2为本发明实施例提供的分布式光伏发电电量预测方法的流程图之二;
图3为本发明实施例提供的分布式光伏发电电量预测方法的流程图之三;
图4为本发明实施例提供的分布式光伏发电电量预测***的功能模块示意图;
图5为本发明实施例提供的电子设备的示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
仅发明人研究发现,在光伏发电过程中,影响发电量的因素主要包括设备安装位置气候(如,光照、温度等),以光伏设备本身的配置。现有光伏发电量预测方法主要针对安装位置的气候,并未考虑光伏设备本身的配置的影响,例如,在外部气候环境因素呈线性变化时,不同配置不同型号的光伏设备发电量并不会相应地呈线性分布,导致现有的光伏发电量预测存在较大的偏差。
有鉴于此,本实施例提供一种分布式光伏发电电量预测方法及***,可以有效提高光伏发电电量预测的准确性,下面对本实施例提供的方法进行详细解释。
请参照图1,图1为本实施例提供的一种分布式光伏发电电量预测方法的流程图,以下将对所述方法包括各个步骤进行详细阐述。
步骤S110,从多个光伏发电站点中确定目标光伏发电站点。
在本实施例中,依次将分布式光伏发电***中每个光伏发电站点作为所述目标光伏,从而根据后续步骤对所述目标光伏发电站点进行发电量预测。
步骤S120,获得目标光伏发电站点的设备配置标识、所述目标光伏发电站点所在的目标区域的位置标识及需要预测的目标时间段;
在本实施例中,所述设备配置标识可以用于表征所述目标光伏发电站点的设备配置信息,例如,通过所述目标光伏发电站点的设备配置标识可以获取所述目标光伏发电站点的光伏板型号数量、蓄电池型号数量、逆变器型号、光伏板朝向中一种或多个参数。
所述目标区域可以为所述目标光伏发电站点安装的区域,在本实施例中,可以预先对整个分布式光伏发电***分布的区域按照相同的面积及形状进行划分,获得多个区域。其中,所述目标光伏发电站点所在的区域即为所述目标区域,同时所述多个区域还可以包括除了所述目标区域以外的至少一个已知区域。所述目标区域的位置标识可以用于表征所述目标区域的唯一身份信息,例如编号、中心位置经纬度等。
所述目标时间段可以为需要进行预测的一个时间段,例如1小时、1天或1周等。在本实施例中,所述目标时间不仅限于未来的时间段,也可以是历史时间段。
步骤S130,根据所述位置标识及所述目标时间段,确定所述目标区域在所述目标时间段的第一发电量特征。
由于不同的区域可能具有不同的气候特性,如不同的光照量、海拔、温度等,并且这些因素中的一部分因素可能会随时间产生变化,因此,在本实施例中,可以根据将所述目标区域的位置标识及所述目标时间段,确定所述目标区域在所述目标时间段的第一发电量特征。
需要说明的是,在本实施例中,所述第一发电量特征是根据所述目标区域的位置标识及所述目标时间段确定的,与所述目标设备本身的设备配置无关,所述第一发电量特征并不直接表示发电量,而是用于表征基于目标区域的环境,随时间变化的发电量变化趋势。因此,所述第一发电量特征排除了目标设备本身的设别配置干扰,可以较为准确地反映目标区域整体性的日常性、季节性或气候性的发电量变化特点。
步骤S140,根据所述设备配置标识及所述位置标识,确定所述目标光伏发电站点在所述目标区域的第二发电量特征。
由于光伏发电站点不同设备配置在相同的发电环境可能其发电量不同,并且,在相同的发电环境中光伏发电站点设备的配置参数线性变化时,光伏发电站点的发电量可能并不是线性变化的,例如,在相同的发电环境中,光伏板面积或数量、逆变器或电池的工作参数线性变化时,光伏发电站点的发电量可能并不是线性变化的。而相同的设备配置在不同的发电环境中发电量也不同,例如,相同的配置参数的光伏发电站点在不同的海拔、不同的平均温度、不同的平均湿度环境中,发电量也不是呈线性变化的。因此,在本实施例中,还需要根据所述光伏发电站点的设备配置标识确定所述光伏发电站点在所述目标区域的发电量特征。
需要说明的是,在本实施例中,所述第二发电量特征是根据所述光伏发电站点本身的设备配置及目标区域确定的不与时间变化相关的发电量特性,因此,所述第二发电量特征可以较为准确地反映所述目标光伏发电站点本发明的设备配置在所述目标区域能够获得的发电量特性。
步骤S150,根据所述第一发电量特征及所述第二发电量特征,获得位于所述目标区域的所述目标光伏发电站点在所述目标时间段的预测发电量。
在本实施例中,可以将所述第一发电量特征和所述第二发电量特征输入预先训练的预测模型,从而获得所述预测模型输出的预测发电量。
例如,可以对所述第一发电量特征和所述第二发电量特征进行拼接,获得第三发电量特征。将所述第三发电量特征输入预先训练的预测模型,获得所述预测模型输出的所述预测发电量。
如此,通过提取与目标区域和目标时间段相关的第一发电量特征来表征与个体光伏发电站点无关的所述目标区域总体上的光伏发电量特性,并提取与目标光伏发电站点的设备配置和目标区域相关第二发电量特征来表征与时间特性无关的所述目标光伏发电站点在所述目标区域所在位置的光伏发电特性,然后综合所述第一发电量特征和所述第二发电量特征预测所述目标光伏发电站点的发电量。如此,不仅考虑了所述目标位置对光伏发电的影响,还考虑了目标光伏发电站点本身设备配置的影响,可以更准确地进行光伏发电量的预测,为后续各种决策提供有力的数据支持。
可选地,在本实施例中,所述方法还可以包括以下步骤。
步骤S210,获得第一训练样本,所述第一训练样本包括样本光伏发电站点的样本设备标识、样本位置标识及样本时间段及标签实际发电量。
步骤S220,将所述样本位置标识及所述样本时间段输入待训练的第一特征提取模型,获得所述第一特征提取模型输出的样本第一发电量特征。
步骤S230,将所述样本设备配置标识及所述样本位置标识输入待训练的第二特征提取模型,获得所述第二特征提取模型输出的样本第二发电量特征。
步骤S240,对所述样本第一发电量特征和所述样本第二发电量特征进行拼接,获得样本第三发电量特征。
步骤S250,将所述样本第三发电量特征输入待训练的预测模型,获得所述预测模型输出的样本预测发电量。
步骤S260,根据所述样本预测发电量与所述标签实际发电量之间的差异,调整所述第一特征提取模型、所述第二特征提取模型及所述预测模型的网络参数,以减小所述样本预测发电量与所述标签实际发电量之间的差异。
需要说明的是,在本实施例中,可以通过多个不同的第一训练样本对所述第一特征提取模型、所述第二特征提取模型和所述预测模型进行整体性机器学习训练,直至所述样本预测发电量与所述标签实际发电量之间的差值地域预设阈值或者直至训练次数达到阈值,从而获得训练完成的所述第一特征提取模型、所述第二特征提取模型和所述预测模型。
在一种可能的实现方式中,通过图1所示的预测方法得出的预测发电量后续可以应用于检测光伏发电站点是否存在发电量异常,具体地,请参照图2,所述方法还可以包括以下步骤。
步骤S310,针对各所述光伏发电站点,获取相同时间段内该光伏发电站点的所述预测发电量和实际检测到的实际发电量。
在本实施例中,可以依次将分布式光伏发电***中的每个光伏发电站点作为所述目标光伏发电站点,并对所述目标光伏发电站点进行发电量预测。同时,也可以通过各所述光伏发电站点的发电量检测设备(如电表)获取各个所述光伏发电站点的实际发电量。
步骤S320,将所述预测发电量与所述实际发电量之间的差值大于设定阈值的光伏发电站点标注为候选光伏发电站点。
在本实施例中,针对每个所述光伏发电站点可以计算同一时间段内的所述预测发电量与所述实际发电量之间的差值,如果所述差值大于所述设定阈值,则对应的光伏设备存在发电异常,因此可以将这些光伏发电站点标注为所述候选光伏发电站点以进一步进行确认。
步骤S330,根据各所述候选光伏发电站点的安装位置对各所述候选光伏发电站点进行聚类及离散点检测。
步骤S340,将所述离散点对应的候选光伏发电站点标注为风险光伏发电站点。
光伏设备的发电量异常可能因为突发性气候变化或者设备本身故障引起的,其中,突发性气候变化通常会对同一区域中的各个光伏发电站点均造成影响,而光伏设备故障通常不会呈现出在同一区域出现大量光伏设备同时故障的情况。因此,在本实施例中,可以对某个时间段内出现的各个候选光伏发电站点进行基于安装位置的聚类分析。其中,相对聚集的光伏发电站点可能因为突发性气候变化产生整体性发电量异常,而离散点对应的光伏发电站点则通常为设备本身故障,因此可以将所述离散点对应的候选光伏发电站点标注为风险光伏发电站点。
在一种可能的实现方式中,在某些场景中,为了排除发电量预测过程中,所述目标区域本身的异常情况对预测结果的影响,在本实施例中,在获取所述第一发电量特征时,可以选用与所述目标区域具有相似发电特性的标的区域的发电量特征作为所述目标区域的第一发电量特征。具体地,在本实施例中,步骤S130可以包括以下步骤。
步骤S131,根据所述位置标识获取所述目标区域的历史发电环境记录。
步骤S132,获取至少一个已知区域组中的至少一个已知区域的历史发电环境记录。
具体地,所述目标区域的历史发电环境记录包括所述目标区域的地理特征标识及历史气象记录,所述已知区域的历史发电环境记录包括所述已知区域的地理特征标识及历史气象记录。
步骤S133,根据所述目标区域的历史发电环境记录以及所述已知区域组中的已知区域的历史发电环境记录,从所述已知区域组中确定与所述目标区域对应的标的区域。
具体地,在本实施例中,步骤S133可以包括以下子步骤。
步骤S1331,将所述已知区域组划分为至少两个已知区域子集,每个所述已知区域子集中包括至少一个所述已知区域。
例如,在本实施例中,各所述已知区域子集中的已知区域的数量可以相等,也可以不相等。所述已知区域子集中的已知区域可以存在交集,但已知区域子集必须不相同。
步骤S1332,根据所述目标区域的地理特征标识及各个所述已知区域的地理特征标识,确定所述目标区域与各个所述已知区域之间的地理特征相似度。
例如,在本实施例中,所述地理特征标识可以包括表征经纬度、海拔、周围地势平整度、当前位置坡度朝向、周围水域分布位置、周围水域分布密度及周围植被分布程度中一种或多个参数的标识项,可以计算所述目标区域与各个所述已知区域之间各个标识项的平均相似度作为所述地理特征相似度。
步骤S1333,确定所述目标区域分别与各个所述已知区域子集的已知区域之间的地理特征相似度的平均值,作为所述目标区域与各个所述已知区域子集之间的地理特征相似度。
步骤S1334,从所述至少两个已知区域子集中选择所述地理特征相似度大于地理特征相似度阈值,且所包括的已知区域的数量小于第一数量阈值的已知区域子集,作为第一目标已知区域子集。
步骤S1335,根据所述目标区域的历史气象记录以及各个所述已知区域子集的已知区域的历史气象记录,确定所述目标区域与各个所述已知区域子集的已知区域之间的气象相似度。
在本实施例中,所述历史气象记录可以随时间变化的光照强度记录、降水记录、温度记录、湿度记录、大气压强记录、风向风速记录等多个记录项。可以计算所述目标区域与所述已知区域之间在各个记录项上相似度的平均值作为所述目标区域与所述已知区域之间的气象相似度。所述相似度可以用通过计算各个记录项的方差、均值、欧氏距离、动态时间规整、浩斯多夫距离、弗雷歇距离等方式确定,在本实施例中不做具体限定。
步骤S1336,确定所述目标区域分别与各个所述已知区域子集的已知区域之间的气象相似度的平均值,作为所述目标区域与各个所述已知区域子集之间的气象相似度。
步骤S1337,从所述至少两个已知区域子集中选择所述气象相似度大于气象相似度阈值,且所包括的已知区域的数量小于第二数量阈值的已知区域子集,作为第二目标已知区域子集。
步骤S1338,将所述第一目标已知区域子集和所述第二目标已知区域子集的交集中的已知区域确定为标的区域。
在本实施例中,所述第一目标已知区域子集和所述第二目标已知区域子集的交集中的已知区域为在地理特性和气候特性上均与所述目标区域相似的区域,这些已知区域通常具有与所述目标区域相似的整体光伏发电量特性变化,因此可以将这些区域作为所述目标区域对应的标的区域。
步骤S134,获取所述目标时间段之前的所述标的区域中至少一个其他光伏发电站点的发电情况记录。
在本实施例中,所述发电状况记录还可以包括发电量记录及当前气象信息。所述发电量记录可以包括随时间变化的发电量序列,所述当前气象信息可以包括当前的温度、湿度、大气压、降雨程度等多个数据项。
步骤S135,通过第一特征提取模型对所述发电情况记录进行特征提取,将提取到的特征作为所述目标区域的第一发电量特征。
具体地,在本实施例中可以,针对所述标的区域中的每个所述其他光伏发电站点,通过第一特征提取模型获取与所述发电量记录信息对应的发电量特征向量,并获取与所述当前气象信息对应的环境特征向量,然后对所述发电量特征向量及所述环境特征向量进行特征融合,获得第一融合特征作为所述目标区域的第一发电量特征。
例如,针对所述发电量记录,可以先通过所述第一特征提取模型中的m*n的卷积网络对所述发电量记录信息进行卷积操作,获得N个第一中间特征矩阵。
然后通过所述第一特征提取模型中的最大化池化层对各所述第一中间特征矩阵分别进行最大池化处理,获得N个第一中间向量。
然后所述第一特征提取模型中门控过滤网络对各所述第一中间向量进行融合,获得所述发电量特征向量。
针对所述当前气象信息,可以所述第一特征提取模型中加权求和模块对所述当前气象信息的特征元素进行线性加权求和,获得第二中间向量。例如,可以对当前气象信息的各个特征元素进行多维度的线性的加权求和,获得多维度的所述第二中间向量。
并通过所述第一特征提取模型中交叉组合模块对所述当前气象信息的特征元素进行交叉组合,获得第三中间向量。例如,可以对当前气象信息的各个特征元素进行两两元素相乘,然后进行元素相加,从而获得多个具有特征元素关联特性的特征交叉向量,如可以NFM和Deep FM进行二阶交叉计算。
并通过所述第一特征提取模型中的缩放拼接模块对所述当前气象信息的特征元素进行缩放拼接,获得第四中间向量。
然后所述第一特征提取模型中第一拼接模块对所述第二中间向量、所述第三中间向量及所述第四中间向量进行拼接,得到第五中间向量。
然后所述第一特征提取模型中向量转换模块对所述第五中间向量进行转换,获得所述环境特征向量。
在执行对所述发电量特征向量及所述环境特征向量进行特征融合,获得第一融合特征时,可以先所述第一特征提取模型中第二拼接模块对所述发电量特征向量及所述环境特征向量进行拼接,得到第六中间向量。然后所述第一特征提取模型中非线性的全连接网络对所述第六中间向量进行自身全局融合和维度转换处理,得到所述第一融合特征。
其中,所述第一特征提取模型各个网络部分或模块的可以由前述模型训练过程获得。
在一种可能的实现方式中,步骤S140可以包括以下步骤。
步骤S141,所述根据所述目标光伏发电站点的设备配置标识,获取所述目标光伏发电站点的设备配置参数,所述设备配置参数表征光伏板型号数量、蓄电池型号数量、逆变器型号、光伏板朝向中一种或多个参数的标识项;
步骤S142,根据所述位置标识,获取所述目标光伏发电站点所在的所述目标区域的地理特征标识,所述地理特征标识包括表征经纬度、海拔、周围地势平整度、当前位置坡度朝向、周围水域分布位置、周围水域分布密度及周围植被分布程度中一种或多个参数的标识项;
步骤S143,通过第二特征提取模型对所述设备配置参数和所述地理特征标识进行特征提取,获得所述第二发电量特征。
其中,所述第二特征提取模型可以包括至少一个卷积层、池化层及全连接层。通过所述第二特征提取模型可以将所述设备配置标识对应的多个设备配置参数和所述位置标识对应的多个地理特征标识转换为所述第二发电量特征。
其中,所述第二特征提取模型各个网络部分或模块的可以由前述模型训练过程获得。
在一种可能的实现方式中,在确定所述风险光伏发电站点后,可以进一步确定所述光伏发电站点的故障类型。例如,请参照图3,所述方法还可以包括以下步骤。
步骤S410,获取所述风险光伏发电站点的发电量记录序列、地理特征标识以及气候变化特征。
步骤S420,获取所述风险光伏发电站点的设备配置标识,从预设数据库中获取所述设备配置标识相关联的设备配置参数。
步骤S430,基于所述设备配置标识和所述设备配置参数确定与所述风险光伏发电站点的设备特征。
步骤S440,基于所述发电量记录序列和所述设备特征进行特征拼接,得到拼接特征。
步骤S450,根据所述拼接特征确定所述风险光伏发电站点的发电量变化特征,所述发电量变化特征用于表征所述发电量记录序列和所述设备特征之间的特征关联信息。
在本实施例中,可以通过Transformer模型对所述拼接特征进行处理,以获得所述发电量记录序列和所述设备特征之间的所述发电量变化特征。
步骤S460,对所述发电量变化特征进行特征增强处理,得到所述风险光伏发电站点的发电量变化特征。
在本实施例中,所述特征增强处理可以包括全连接输出的特征后接一层SEContext Gating进行处理。
步骤S470,基于所述发电量变化特征、所述地理特征标识以及所述气候变化特征,生成第二融合特征。
步骤S480,将所述发电量变化特征、所述地理特征标识、所述气候变化特征以及所述第二融合特征输入预先训练的异常分类识别模型进行类别识别,确定所述风险光伏发电站点的预测发电异常类型。
在本实施例中,可以将所述发电量变化特征、所述地理特征标识、所述气候变化特征以及所述第二融合特征输入预先训练的异常分类模型进行分类识别,从而获得所述风险光伏发电站点的预测发电异常类型。
在一些可能的实现方式中,本实施例提供的方法还可以包括一下步骤。
步骤S510,获取第二训练样本,所述第二训练样本包括样本风险光伏发电站点的发电量记录序列、地理特征标识及气候变化特征。
步骤S520,将所述样本风险光伏发电站点的发电量记录序列、地理特征标识、气候变化特征输入待训练的异常分类识别模型,获得所述异常分类识别模型输出的样本预测发电异常类型。
步骤S530,根据所述样本预测发电异常类型与所述样本预测发电异常类型之间的差异,调整所述异常分类识别模型的网络参数,以减小所述样本预测发电异常类型与所述样本预测发电异常类型之间的差异。
需要说明的是,在本实施例中,可以通过多个不同的第二训练样本对所述异常分类识别模型进行机器学习训练,直至所述样本预测发电异常类型与所述样本预测发电异常类型之间的差异低于预设阈值或者直至训练次数达到阈值,从而获得训练完成的所述异常分类识别模型。
请参照图4,本实施例还提供一种分布式光伏发电电量预测***110,所述分布式光伏发电电量预测***110包括站点选取模块111、数据获取模块112、第一提取模块113、第二提取模块114及发电预测模块115。
所述站点选取模块111用于从多个光伏发电站点中确定目标光伏发电站点。
本实施例中,所述站点选取模块111可用于执行图1所示的步骤S110,关于所述站点选取模块111的具体描述可参对所述步骤S110的描述。
所述数据获取模块112用于获得目标光伏发电站点的设备配置标识、所述目标光伏发电站点所在的目标区域的位置标识及目标时间段。
本实施例中,所述数据获取模块112可用于执行图1所示的步骤S120,关于所述数据获取模块112的具体描述可参对所述步骤S120的描述。
所述第一提取模块113用于根据所述位置标识及所述目标时间段,确定目标区域在所述目标时间段的第一发电量特征。
本实施例中,所述第一提取模块113可用于执行图1所示的步骤S130,关于所述第一提取模块113的具体描述可参对所述步骤S130的描述。
所述第二提取模块114用于根据所述设备配置标识及所述位置标识,确定所述目标光伏发电站点在所述目标区域的第二发电量特征。
本实施例中,所述第二提取模块114可用于执行图1所示的步骤S140,关于所述第二提取模块114的具体描述可参对所述步骤S140的描述。
所述发电预测模块115用于根据所述第一发电量特征及所述第二发电量特征,获得位于所述目标区域的所述目标光伏发电站点在所述目标时间段的预测发电量。
本实施例中,所述发电预测模块可用于执行图1所示的步骤S150,关于所述发电预测模块的具体描述可参对所述步骤S150的描述。
本实施例提供的所述分布式光伏发电电量预测***可以运行于一台或多台具有数据处理能力的电子设备,所述电子设备可以为服务器、个人电脑等。请参照图5,所述电子设备包括分布式光伏发电电量预测***110、机器可读存储介质120、处理器130。
所述机器可读存储介质120、处理器130各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述分布式光伏发电电量预测***110包括至少一个可以软件或固件(firmware)的形式存储于所述机器可读存储介质120中或固化在所述电子设备的操作***(operating system,OS)中的软件功能模块。所述处理器130用于执行所述机器可读存储介质120中存储的可执行模块,例如所述分布式光伏发电电量预测***110所包括的软件功能模块及计算机程序等。
其中,所述机器可读存储介质120可以是,但不限于,随机存取存储器(RandomAccess Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable ProgrammableRead-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable ProgrammableRead-Only Memory,EEPROM)等。其中,机器可读存储介质120用于存储程序,所述处理器130在接收到执行指令后,执行所述程序。
所述处理器130可能是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
综上所述,本发明实施例提供的分布式光伏发电电量预测方法及***,通过提取与目标区域和目标时间段相关的第一发电量特征来表征与个体光伏发电站点无关的所述目标区域总体上的光伏发电量特性,并提取与目标光伏发电站点的设备配置和目标区域相关第二发电量特征来表征与时间特性无关的所述目标光伏发电站点在所述目标区域所在位置的光伏发电特性,然后综合所述第一发电量特征和所述第二发电量特征预测所述目标光伏发电站点的发电量。如此,不仅考虑了所述目标位置对光伏发电的影响,还考虑了目标光伏发电站点本身设备配置的影响,可以更准确地进行光伏发电量的预测,为后续各种决策提供有力的数据支持。
以上所述,仅为本发明的各种实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种分布式光伏发电电量预测方法,其特征在于,所述方法包括:
从多个光伏发电站点中确定目标光伏发电站点;
获得目标光伏发电站点的设备配置标识、所述目标光伏发电站点所在的目标区域的位置标识及需要预测的目标时间段;
根据所述位置标识及所述目标时间段,确定所述目标区域在所述目标时间段的第一发电量特征;
根据所述设备配置标识及所述位置标识,确定所述目标光伏发电站点在所述目标区域的第二发电量特征;
根据所述第一发电量特征及所述第二发电量特征,获得位于所述目标区域的所述目标光伏发电站点在所述目标时间段的预测发电量。
2.根据权利要求1所述的分布式光伏发电电量预测方法,其特征在于,所述方法还包括:
针对各所述光伏发电站点,获取相同时间段内该光伏发电站点的所述预测发电量和实际检测到的实际发电量;
将所述预测发电量与所述实际发电量之间的差值大于设定阈值的光伏发电站点标注为候选光伏发电站点;
根据各所述候选光伏发电站点的安装位置对各所述候选光伏发电站点进行聚类及离散点检测;
将所述离散点对应的候选光伏发电站点标注为风险光伏发电站点。
3.根据权利要求1所述的分布式光伏发电电量预测方法,其特征在于,所述根据所述位置标识及所述目标时间段,确定目标区域在所述目标时间段的第一发电量特征的步骤,包括:
根据所述位置标识获取所述目标区域的历史发电环境记录;
获取至少一个已知区域组中的至少一个已知区域的历史发电环境记录;
根据所述目标区域的历史发电环境记录以及所述已知区域组中的已知区域的历史发电环境记录,从所述已知区域组中确定与所述目标区域对应的标的区域;
获取所述目标时间段之前的所述标的区域中至少一个其他光伏发电站点的发电情况记录;
通过第一特征提取模型对所述发电情况记录进行特征提取,将提取到的特征作为所述目标区域的第一发电量特征。
4.根据权利要求3所述的分布式光伏发电电量预测方法,其特征在于,所述目标区域的历史发电环境记录包括所述目标区域的地理特征标识及历史气象记录;所述已知区域的历史发电环境记录包括所述已知区域的地理特征标识及历史气象记录;
所述根据所述目标区域的历史发电环境记录以及所述已知区域组中的已知区域的历史发电环境记录,从所述已知区域组中确定与所述目标区域对应的标的区域的步骤,包括:
将所述已知区域组划分为至少两个已知区域子集,每个所述已知区域子集中包括至少一个所述已知区域;
根据所述目标区域的地理特征标识及各个所述已知区域的地理特征标识,确定所述目标区域与各个所述已知区域之间的地理特征相似度;
确定所述目标区域分别与各个所述已知区域子集的已知区域之间的地理特征相似度的平均值,作为所述目标区域与各个所述已知区域子集之间的地理特征相似度;
从所述至少两个已知区域子集中选择所述地理特征相似度大于地理特征相似度阈值,且所包括的已知区域的数量小于第一数量阈值的已知区域子集,作为第一目标已知区域子集;
根据所述目标区域的历史气象记录以及各个所述已知区域子集的已知区域的历史气象记录,确定所述目标区域与各个所述已知区域子集的已知区域之间的气象相似度;
确定所述目标区域分别与各个所述已知区域子集的已知区域之间的气象相似度的平均值,作为所述目标区域与各个所述已知区域子集之间的气象相似度;
从所述至少两个已知区域子集中选择所述气象相似度大于气象相似度阈值,且所包括的已知区域的数量小于第二数量阈值的已知区域子集,作为第二目标已知区域子集;
将所述第一目标已知区域子集和所述第二目标已知区域子集的交集中的已知区域确定为标的区域。
5.根据权利要求3所述的分布式光伏发电电量预测方法,其特征在于,所述发电情况记录还包括发电量记录及当前气象信息;所述通过第一特征提取模型对所述发电情况记录进行特征提取,将提取到的特征作为所述目标区域的第一发电量特征的步骤,包括:
针对所述标的区域中的每个所述其他光伏发电站点,通过第一特征提取模型获取与所述发电量记录信息对应的发电量特征向量,并获取与所述当前气象信息对应的环境特征向量;
对所述发电量特征向量及所述环境特征向量进行特征融合,获得第一融合特征作为所述目标区域的第一发电量特征。
6.根据权利要求5所述的分布式光伏发电电量预测方法,其特征在于,所述通过第一特征提取模型获取与所述发电量记录信息对应的发电量特征向量,并获取与所述当前气象信息对应的环境特征向量的步骤,包括:
通过m*n的卷积网络对所述发电量记录信息进行卷积操作,获得N个第一中间特征矩阵;
对各所述第一中间特征矩阵分别进行最大池化处理,获得N个第一中间向量;
通过门控过滤网络对各所述第一中间向量进行融合,获得所述发电量特征向量;
对所述当前气象信息的特征元素进行线性加权求和,获得第二中间向量;
对所述当前气象信息的特征元素进行交叉组合,获得第三中间向量;
对所述当前气象信息的特征元素进行缩放拼接,获得第四中间向量;
对所述第二中间向量、所述第三中间向量及所述第四中间向量进行拼接,得到第五中间向量;
对所述第五中间向量进行转换,获得所述环境特征向量;
所述对所述发电量特征向量及所述环境特征向量进行特征融合,获得第一融合特征的步骤,包括:
对所述发电量特征向量及所述环境特征向量进行拼接,得到第六中间向量;
通过非线性的全连接网络对所述第六中间向量进行自身全局融合和维度转换处理,得到所述第一融合特征。
7.根据权利要求1所述的分布式光伏发电电量预测方法,其特征在于,所述根据所述设备配置标识及所述位置标识,确定所述目标光伏发电站点在所述目标区域的第二发电量特征的步骤,包括:
所述根据所述目标光伏发电站点的设备配置标识,获取所述目标光伏发电站点的设备配置参数,所述设备配置参数表征光伏板型号数量、蓄电池型号数量、逆变器型号、光伏板朝向中一种或多个参数的标识项;
根据所述位置标识,获取所述目标光伏发电站点所在的所述目标区域的地理特征标识,所述地理特征标识包括表征经纬度、海拔、周围地势平整度、当前位置坡度朝向、周围水域分布位置、周围水域分布密度及周围植被分布程度中一种或多个参数的标识项;
通过第二特征提取模型对所述设备配置参数和所述地理特征标识进行特征提取,获得所述第二发电量特征。
8.根据权利要求1所述的分布式光伏发电电量预测方法,其特征在于,所述根据所述第一发电量特征及所述第二发电量特征,获得位于所述目标区域的所述目标光伏发电站点在所述目标时间段的预测发电量的步骤,包括:
对所述第一发电量特征和所述第二发电量特征进行拼接,获得第三发电量特征;
将所述第三发电量特征输入预先训练的预测模型,获得所述预测模型输出的所述预测发电量;
所述方法还包括:
获得第一训练样本,所述第一训练样本包括样本光伏发电站点的样本设备标识、样本位置标识及样本时间段及标签实际发电量;
将所述样本位置标识及所述样本时间段输入待训练的第一特征提取模型,获得所述第一特征提取模型输出的样本第一发电量特征;
将所述样本设备配置标识及所述样本位置标识输入待训练的第二特征提取模型,获得所述第二特征提取模型输出的样本第二发电量特征;
对所述样本第一发电量特征和所述样本第二发电量特征进行拼接,获得样本第三发电量特征;
将所述样本第三发电量特征输入待训练的预测模型,获得所述预测模型输出的样本预测发电量;
根据所述样本预测发电量与所述标签实际发电量之间的差异,调整所述第一特征提取模型、所述第二特征提取模型及所述预测模型的网络参数,以减小所述样本预测发电量与所述标签实际发电量之间的差异。
9.根据权利要求2所述的分布式光伏发电电量预测方法,其特征在于,所述方法还包括:
获取所述风险光伏发电站点的发电量记录序列、地理特征标识以及气候变化特征;
获取所述风险光伏发电站点的设备配置标识,从预设数据库中获取所述设备配置标识相关联的设备配置参数;
基于所述设备配置标识和所述设备配置参数确定与所述风险光伏发电站点的设备特征;
基于所述发电量记录序列和所述设备特征进行特征拼接,得到拼接特征;
根据所述拼接特征确定所述风险光伏发电站点的发电量变化特征,所述发电量变化特征用于表征所述发电量记录序列和所述设备特征之间的特征关联信息;
对所述发电量变化特征进行特征增强处理,得到所述风险光伏发电站点的发电量变化特征;
基于所述发电量变化特征、所述地理特征标识以及所述气候变化特征,生成第二融合特征;
将所述发电量变化特征、所述地理特征标识、所述气候变化特征以及所述第二融合特征输入预先训练的异常分类识别模型进行类别识别,确定所述风险光伏发电站点的预测发电异常类型;
所述方法还包括:
获取第二训练样本,所述第二训练样本包括样本风险光伏发电站点的发电量记录序列、地理特征标识及气候变化特征;
将所述样本风险光伏发电站点的发电量记录序列、地理特征标识、气候变化特征输入待训练的异常分类识别模型,获得所述异常分类识别模型输出的样本预测发电异常类型;
根据所述样本预测发电异常类型与所述样本预测发电异常类型之间的差异,调整所述异常分类识别模型的网络参数,以减小所述样本预测发电异常类型与所述样本预测发电异常类型之间的差异。
10.一种分布式光伏发电电量预测***,其特征在于,所述***包括:
站点选取模块,用于从多个光伏发电站点中确定目标光伏发电站点;
数据获取模块,用于获得目标光伏发电站点的设备配置标识、所述目标光伏发电站点所在的目标区域的位置标识及目标时间段;
第一提取模块,用于根据所述位置标识及所述目标时间段,确定目标区域在所述目标时间段的第一发电量特征;
第二提取模块,用于根据所述设备配置标识及所述位置标识,确定所述目标光伏发电站点在所述目标区域的第二发电量特征;
发电预测模块,用于根据所述第一发电量特征及所述第二发电量特征,获得位于所述目标区域的所述目标光伏发电站点在所述目标时间段的预测发电量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210953708.3A CN115036922B (zh) | 2022-08-10 | 2022-08-10 | 一种分布式光伏发电电量预测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210953708.3A CN115036922B (zh) | 2022-08-10 | 2022-08-10 | 一种分布式光伏发电电量预测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115036922A true CN115036922A (zh) | 2022-09-09 |
CN115036922B CN115036922B (zh) | 2022-10-21 |
Family
ID=83130993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210953708.3A Active CN115036922B (zh) | 2022-08-10 | 2022-08-10 | 一种分布式光伏发电电量预测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115036922B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115333100A (zh) * | 2022-10-12 | 2022-11-11 | 四川中电启明星信息技术有限公司 | 屋顶光伏发电功率协同控制方法及*** |
CN116722545A (zh) * | 2023-08-07 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 基于多源数据的光伏发电预测方法和相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104022734A (zh) * | 2014-06-24 | 2014-09-03 | 西华大学 | 一种光伏发电控制方法、处理器及*** |
CN110391783A (zh) * | 2019-07-25 | 2019-10-29 | 国网电子商务有限公司 | 基于边缘计算的分布式光伏电站故障监测方法及装置 |
CN111476411A (zh) * | 2020-04-01 | 2020-07-31 | 阳光电源(上海)有限公司 | 一种光伏电站发电量计算方法及服务器 |
CN113992153A (zh) * | 2021-11-19 | 2022-01-28 | 珠海康晋电气股份有限公司 | 一种光伏电站可视化实时监测分布式管理*** |
CN114048896A (zh) * | 2021-10-27 | 2022-02-15 | 国核自仪***工程有限公司 | 光伏发电数据的预测方法、***、设备及介质 |
CN114330660A (zh) * | 2021-12-29 | 2022-04-12 | 润建股份有限公司 | 一种短期细粒度光伏电站功率概率预测方法 |
-
2022
- 2022-08-10 CN CN202210953708.3A patent/CN115036922B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104022734A (zh) * | 2014-06-24 | 2014-09-03 | 西华大学 | 一种光伏发电控制方法、处理器及*** |
CN110391783A (zh) * | 2019-07-25 | 2019-10-29 | 国网电子商务有限公司 | 基于边缘计算的分布式光伏电站故障监测方法及装置 |
CN111476411A (zh) * | 2020-04-01 | 2020-07-31 | 阳光电源(上海)有限公司 | 一种光伏电站发电量计算方法及服务器 |
CN114048896A (zh) * | 2021-10-27 | 2022-02-15 | 国核自仪***工程有限公司 | 光伏发电数据的预测方法、***、设备及介质 |
CN113992153A (zh) * | 2021-11-19 | 2022-01-28 | 珠海康晋电气股份有限公司 | 一种光伏电站可视化实时监测分布式管理*** |
CN114330660A (zh) * | 2021-12-29 | 2022-04-12 | 润建股份有限公司 | 一种短期细粒度光伏电站功率概率预测方法 |
Non-Patent Citations (3)
Title |
---|
DI HUANG等: "Prediction of Solar Photovoltaic Power Generation Based on MLP and LSTM neural networks", 《2020 IEEE 4TH CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2)》 * |
于海龙: "基于CNN-BiLSTM的光伏功率预测方法", 《绿色科技》 * |
倪平波等: "基于KVM与Infiniband的SR-IOV的应用研究", 《计算机科学与探索》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115333100A (zh) * | 2022-10-12 | 2022-11-11 | 四川中电启明星信息技术有限公司 | 屋顶光伏发电功率协同控制方法及*** |
CN115333100B (zh) * | 2022-10-12 | 2022-12-16 | 四川中电启明星信息技术有限公司 | 屋顶光伏发电功率协同控制方法及*** |
CN116722545A (zh) * | 2023-08-07 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 基于多源数据的光伏发电预测方法和相关设备 |
CN116722545B (zh) * | 2023-08-07 | 2024-01-16 | 深圳航天科创泛在电气有限公司 | 基于多源数据的光伏发电预测方法和相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN115036922B (zh) | 2022-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ceci et al. | Predictive modeling of PV energy production: How to set up the learning task for a better prediction? | |
CN115036922B (zh) | 一种分布式光伏发电电量预测方法及*** | |
KR102159692B1 (ko) | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 | |
US10103548B2 (en) | Operating a solar power generating system | |
CN107944622B (zh) | 基于连续时段聚类的风电功率预测方法 | |
US10509868B2 (en) | Operating a solar power generating system | |
CN114240000A (zh) | 一种基于时空图卷积网络的空气质量预测方法 | |
Li et al. | Deep spatio-temporal wind power forecasting | |
Sridharan et al. | Visual fault detection in photovoltaic modules using decision tree algorithms with deep learning features | |
CN104520861A (zh) | 风功率密度预测方法 | |
CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
Yen et al. | Solar power prediction via support vector machine and random forest | |
Alimohammadi et al. | Multi-stage algorithm for uncertainty analysis of solar power forecasting | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN117556197A (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
CN115601197A (zh) | 光伏电站的异常状态检测方法、装置 | |
Li et al. | Separate wind power and ramp predictions based on meteorological variables and clustering method | |
CN113033910A (zh) | 一种光伏发电功率的预测方法、存储介质及终端设备 | |
CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及*** | |
CN116340534A (zh) | 一种识别新能源异常数据的知识图谱构建方法和*** | |
Kumari et al. | Machine learning techniques for hourly global horizontal irradiance prediction: A case study for smart cities of India | |
CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
Yesilbudak et al. | kNN Classifier Applications in Wind and Solar Energy Systems | |
Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation | |
CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |