CN114282637A - 一种适用于光伏电站发电量预测方法 - Google Patents
一种适用于光伏电站发电量预测方法 Download PDFInfo
- Publication number
- CN114282637A CN114282637A CN202111576701.6A CN202111576701A CN114282637A CN 114282637 A CN114282637 A CN 114282637A CN 202111576701 A CN202111576701 A CN 202111576701A CN 114282637 A CN114282637 A CN 114282637A
- Authority
- CN
- China
- Prior art keywords
- weather
- particle
- data
- power generation
- coefficient
- 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
Images
Classifications
-
- 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
- Photovoltaic Devices (AREA)
Abstract
本发明公开了一种适用于光伏电站发电量预测方法，本发明的目的是针对光伏板的积灰率计算问题，提供一种复合模型的深度学习计算模型。首先，将从天气数据网站爬取到的天气预报、PM值、月份系数和历史发电量等信息进行综合处理，通过特征工程处理数据并提取出合适的BP模型的输入数据。然后，将预测数据输入神经网络，输出清洗后电量预测值；同时通过特征工程处理数据并提取出合适的DBSCAN模型的输入数据。之后依据电站发电量的异常判断，选择合适的模型计算积灰率。
Description
技术领域
本发明涉及光伏电站发电量预测方法，具体涉及一种适用于光伏电站发电量预测方法。
背景技术
能源，作为资源与能量的物质表现形式，从古至今都是人类赖以生存与发展的基础。进入21世纪以后，随着世界经济水平的快速增长与科学技术的日新月异的发展，人们生产和生活中对能源的需求呈现丼喷式的增长。美国能源部能源信息署(EIA)在2017年发表的《全球能源展望》中指出：在2000年，全球能源消耗量总量为158亿吨标准煤。而到了2015年，其增长率超过了50％，消耗量高达239亿吨标准煤。并且能源消耗增长率一直没有减慢的趋势，据估计到了2040年可能增长为306亿吨标准煤。传统不可再生的化石能源的过度消耗，以及随之而来的全球变暖及生态环境恶化等问题，给人类带来了很大的生存危机。因此，大力促进可再生能源的发展，进而改变现有的能源结构是解决能源和环境可持续发展问题的一种必然的选择。
由于具有无污染、分布广、可再生等诸多优点，太阳能被广泛认为是最具发展前景的一种清洁能源。而光伏发电正逐渐成为太阳能发电的一种主要应用形式，这主要是由于光伏发电的核心部件光伏组件具有结构简单、性能稳定、安全可靠等优点。然而，光伏组件在户外工作时无法避免环境灰尘的影响，灰尘在表面的大量积累将导致组件发电效率和收益的降低，严重时甚至引发安全事故。由此可见，及时清洗对于保证光伏电站的安全、高效运行是非常重要的。
积灰给光伏电站的运行带来多重危害：降低光伏板透光率，发电效率下降，同等气象条件下发电量减少；破坏光伏板热平衡，导致板面局部过热，形成“热斑效应”，降低使用寿命；大气悬浮颗粒物成分主要是1nm～100m的胶体，沉积的积灰具有酸碱特性，与水汽结合生成酸、碱性物将侵蚀钢化玻璃表面。所以光伏板积灰状态的实时监测具有显著的安全、经济效益。
发明内容
本发明针对现有技术存在的问题，提供一种适用于光伏电站发电量预测方法，其应用时能准确的监测光伏板积灰状态，并能够及时为光伏发电并网提供保障，提高电网运行的稳定性和经济效益。
本发明通过以下技术方案实现：
一种适用于光伏电站发电量预测方法，包括如下步骤：
在此模型中使用了粒子群算法，首先介绍一下粒子群算法：粒子群算法(PSO)是一种用粒子来模拟鸟类个体的活动，每个粒子可视为N维搜索空间中的一个搜索个体，粒子的当前位置即为对应优化问题的一个候选解，粒子的飞行过程即为该个体的搜索过程。粒子的飞行速度可根据粒子历史最优位置和种群历史最优位置进行动态调整。粒子仅具有两个属性：速度和位置，速度代表移动的快慢，位置代表移动的方向。每个粒子单独搜寻的最优解叫做个体极值，粒子群中最优的个体极值作为当前全局最优解。不断迭代，更新速度和位置，最终得到满足终止条件的最优解。
初始化：首先，我们设置最大迭代次数，目标函数的自变量个数，粒子的最大速度，位置信息为整个搜索空间，我们在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M，每个粒子随机初始化一个飞翔速度。
个体极值与全局最优解：定义适应度函数，个体极值为每个粒子找到的最优解，从这些最优解找到一个全局值，叫做本次全局最优解，再与历史全局最优比较，进行更新。
更新速度和位置公式：
粒子i＝1,2,...,M；M表示种群大小；
ω：惯性权重；c1和c2表示学习因子，合适的c1和c2既可加快收敛速度又不易陷入局部最优；
rand1和rand2是介于[0，1]之间的随机数；
终止条件：达到设定迭代次数；代数之间的差值满足最小界限。
在此模型中使用了LSTM算法，其次介绍一下LSTM算法：
LSTM是一种特殊的循环神经网络。LSTM是由多个同构单元格组成，该结构能够通过更新内部状态来长时间存储信息，A表示3个单元具有相同的单元结构。每个单元格由4个主要元素构成:输入门、遗忘门、输出门和单元状态。
x为LSTM单元的输入向量；h为单元格输出向量；f、i、o分别表示遗忘门、输入门和输出门；C表示单元状态；下标t表示时刻；σ、tanh分别为sigmoid、tanh激活函数；W和b分别表示权重和偏差矩阵。
进一步的，一种适用于光伏电站发电量预测方法，所述预测方法还包括：基于复合模型的光伏电站积灰率计算方法的步骤：
步骤1、数据获取：从天气预报网站(http://www.tianqihoubao.com/yubao)爬取天气预报信息存到MySQL数据库；
步骤2、从网站爬取逐小时的PM预报信息。
步骤3、数据处理：
(1)对不同渠道获取的数据进行处理：
(1)表1中的天气类型是以中文形式表示，如“小雪”、“多云”、“阴”等，在训练预测模型时需要将该特征数值化，采用粒子群算法将天气类型数值化处理。具体操作为：
Step1：设置粒子群参数迭代次数G＝50，种群大小P＝50，惯性权重w＝0.5，学习因子c1＝c2＝0.5。
Step2：设置粒子编码，如天气类型有L个，则设置粒子编码为长度为L的向量，每一值表示对应天气类型的系数。
Step3：设置目标函数，根据天气类型以及对应的粒子编码，即可将中文形式的天气类型转换为数值型的天气系数，通过行政地区将天气信息与日发电量数据拼接，计算抄表电量与天气系数的皮尔逊相关系数，该相关系数为该粒子的目标值。因为天气系数与发电量的相关系数越大说明粒子所表示天气类型的系数越准确。
Step4：更新粒子位置，计算粒子的目标函数值。
Step5：算法迭代次数达到最大次数G则终止算法，否则返回step4.
粒子群算法对天气类型数值化的流程图如图1所示。
(2)月份数据处理：月份对电站发电量的影响也不可忽视，需要对日期进行分词处理分出月份，同样按照上述算法求解月份系数。
(3)异常日发电量数据处理：在电量采集的过程中存在采集到异常电量，需要将数据进行判断。
(4)预测清洗后电量：采用深度学习模型BP预测清洗后发电量，预测输入为天气1、天气2、最高温度、最低温度、月份系数、PM12、风力1、风力2，输出为清洗后发电量。需要对每个特征属性进行归一化处理。如公式所示：
式中x*表示归一化后的值，x表示当前数据值，xmin表示数据最小值，xmax表示数据最大值。
(5)DBSCAN：采用层次聚类对过去的天气数据进行聚类，根据不同的天气聚出70类，然后对电站清洗之后所属的天气进行归类，分别求出每种天气类型下的积灰率。
目前，积灰给光伏电站的运行带来多重危害：降低光伏板透光率，发电效率下降，同等气象条件下发电量减少；破坏光伏板热平衡，导致板面局部过热，形成“热斑效应”，降低使用寿命；大气悬浮颗粒物成分主要是1nm～100m的胶体，沉积的积灰具有酸碱特性，与水汽结合生成酸、碱性物将侵蚀钢化玻璃表面，所以本申请提供了一种适用于光伏电站发电量预测方法，根据电站所处的地理位置获取相关的外界数据，大多方法中使用辐照度，然后应对没有电站辐照站的电站而言是不具备预测条件的，所以本发明中运用到了天气情况，节省了建设气象站的费用。在数据处理中，采用粒子群算法对天气类型进行数值处理。根据天气类型以及对应的粒子编码，即可将中文形式的天气类型转换为数值型的天气系数，通过行政地区将天气信息与日发电量数据拼接，计算抄表电量与天气系数的皮尔逊相关系数，该相关系数为该粒子的目标值。因为天气系数与发电量的相关系数越大说明粒子所表示天气类型的系数越准确。
综上所述，本发明的以下有益效果：
1、本发明一种适用于光伏电站发电量预测方法，处理多种数据应用于神经网络，训练的神经网络模型预测电站清洗后发电量；同时，处理多种数据应用于层次聚类。根据电站地理位置不同，所受天气和空气质量程度也不同，判断电站发电能力是否正常，正常则采用训练的神经网络模型预测电站清洗后发电量，依据积灰率公式求得；否则，根据环境数据进行聚类判断，以此计算积灰率。模型的目标就是准确计算光伏板积灰率，为光伏板得实时监测提供保障。
2、本发明一种适用于光伏电站发电量预测方法，在本发明中考虑了电站的发电量是否准确，有一定的现实意义，避免了电站发电量过小，而计算出的积灰率过大。
3、本发明一种适用于光伏电站发电量预测方法，采用了复合模型融合，该技术将各种情况的电站发电信息进行分类，采用分类别进行计算，吸取不同模型的特点然后分开计算得到的效果比单一模型更准确。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明离散粒子群算法的编码与解码部分示意图。
图2为本发明整个算法的流程图。
图3为本发明整个算法的迭代过程示意图。
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1
如图1-3所示，一种适用于光伏电站发电量预测方法，包括如下步骤：
1、数据获取
从天气预报网站(http://www.tianqihoubao.com/yubao)爬取天气预报信息存到MySQL数据库，部分数据结构如表1所示；
表1天气预报部分数据
从网站(http://m.weathercn.com/hourly-weather-forecast.do？partner＝NULL&language＝zh-cn&id＝60334&p_source＝&p_type＝jump)爬取逐小时的PM预报信息，部分数据结构如表2所示。
表2云量、降水等部分数据
| 行政地区编号 | 行政地区 | 时间 | PM | 日期 |
| 621023 | 华池 | 06:05:19 | 12 | 2021-05-19 |
| 621023 | 华池 | 07:05:19 | 14 | 2021-05-19 |
| 621023 | 华池 | 08:05:19 | 13 | 2021-05-19 |
| 621023 | 华池 | 09:05:19 | 14 | 2021-05-19 |
| 621023 | 华池 | 10:05:19 | 15 | 2021-05-19 |
| 621023 | 华池 | 06:05:19 | 12 | 2021-05-19 |
电站的历史日发电量部分数据如表3所示。
表3日发电量部分数据
数据处理
因为不同渠道获取的数据存在各种差异，需要对数据进行处理。
(1)表1中的天气类型是以中文形式表示，如“小雪”、“多云”、“阴”等，在训练预测模型时需要将该特征数值化，采用粒子群算法将天气类型数值化处理。具体操作为：
Step1：设置粒子群参数迭代次数G＝50，种群大小P＝50，惯性权重w＝0.5，学习因子c1＝c2＝0.5。
Step2：设置粒子编码，如天气类型有L个，则设置粒子编码为长度为L的向量，每一值表示对应天气类型的系数。
Step3：设置目标函数，根据天气类型以及对应的粒子编码，即可将中文形式的天气类型转换为数值型的天气系数，通过行政地区将天气信息与日发电量数据拼接，计算抄表电量与天气系数的皮尔逊相关系数，该相关系数为该粒子的目标值。因为天气系数与发电量的相关系数越大说明粒子所表示天气类型的系数越准确。
Step4：更新粒子位置，计算粒子的目标函数值。
Step5：算法迭代次数达到最大次数G则终止算法，否则返回step4.
粒子群算法对天气类型数值化的流程图如图1所示。
(2)月份数据处理：月份对电站发电量的影响也不可忽视，需要对日期进行分词处理分出月份，同样按照以上算法求解月份系数。
(3)异常日发电量数据处理：在电量采集的过程中存在采集到异常电量，需要将数据进行判断。
(4)预测清洗后电量：采用深度学习模型BP预测清洗后发电量，预测输入为天气1、天气2、最高温度、最低温度、月份系数、PM12、风力1、风力2，输出为清洗后发电量。需要对每个特征属性进行归一化处理。如公式所示：
式中x*表示归一化后的值，x表示当前数据值，xmin表示数据最小值，xmax表示数据最大值。
BP预测方法的系统结构如图2所示。
(5)DBSCAN：采用层次聚类对过去的天气数据进行聚类，根据不同的天气聚出70类，然后对电站清洗之后所属的天气进行归类，依据积灰率计算公式，分别求出每种天气类型下的积灰率。
本发明计算方法的工作过程：
将对所需的数据进行获取，之后对数据进行处理，数据进入BP模型、DBSCAN模型进行训练，根据电站发电量正常的判断，若正常则采用BP模型计算积灰率，若不正常采用DBSCAN模型计算积灰率，最后应用到光伏板积灰率计算上。业主使用该模型可以得到光伏板积灰率情况，业主根据结果监测光伏板的健康状况，从而提高电网运行的稳定性和经济效益。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (2)
1.一种适用于光伏电站发电量预测方法，其特征在于包括如下步骤：
初始化：首先，我们设置最大迭代次数，目标函数的自变量个数，粒子的最大速度，位置信息为整个搜索空间，我们在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M，每个粒子随机初始化一个飞翔速度；
更新速度和位置公式：
粒子i＝1,2,...,M；M表示种群大小；
ω：惯性权重；c1和c2表示学习因子，合适的c1和c2既可加快收敛速度又不易陷入局部最优；
rand1和rand2是介于[0,1]之间的随机数；
终止条件：达到设定迭代次数；代数之间的差值满足最小界限；
x为LSTM单元的输入向量；h为单元格输出向量；f、i、o分别表示遗忘门、输入门和输出门；C表示单元状态；下标t表示时刻；σ、tanh分别为sigmoid、tanh激活函数；W和b分别表示权重和偏差矩阵。
2.根据权利要求1所述的一种适用于光伏电站发电量预测方法，其特征在于，所述预测方法还包括：基于复合模型的光伏电站积灰率计算方法的步骤：
步骤1、数据获取：从天气预报网站爬取天气预报信息存到MySQL数据库；
步骤2、从网站爬取逐小时的PM预报信息；
步骤3、数据处理：
(1)对不同渠道获取的数据进行处理：
Step1：设置粒子群参数迭代次数G＝50，种群大小P＝50，惯性权重w＝0.5，学习因子c1＝c2＝0.5；
Step2：设置粒子编码，如天气类型有L个，则设置粒子编码为长度为L的向量，每一值表示对应天气类型的系数；
Step3：设置目标函数，根据天气类型以及对应的粒子编码，即可将中文形式的天气类型转换为数值型的天气系数，通过行政地区将天气信息与日发电量数据拼接，计算抄表电量与天气系数的皮尔逊相关系数，该相关系数为该粒子的目标值，因为天气系数与发电量的相关系数越大说明粒子所表示天气类型的系数越准确；
Step4：更新粒子位置，计算粒子的目标函数值；
Step5：算法迭代次数达到最大次数G则终止算法，否则返回step4；
(2)月份数据处理：月份对电站发电量的影响也不可忽视，需要对日期进行分词处理分出月份，同样按照上述算法求解月份系数；
(3)异常日发电量数据处理：在电量采集的过程中存在采集到异常电量，需要将数据进行判断；
(4)预测清洗后电量：采用深度学习模型BP预测清洗后发电量，预测输入为天气1、天气2、最高温度、最低温度、月份系数、PM12、风力1、风力2，输出为清洗后发电量；需要对每个特征属性进行归一化处理；如公式所示：
式中x*表示归一化后的值，x表示当前数据值，xmin表示数据最小值，xmax表示数据最大值；
(5)DBSCAN：采用层次聚类对过去的天气数据进行聚类，根据不同的天气聚出70类，然后对电站清洗之后所属的天气进行归类，分别求出每种天气类型下的积灰率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111576701.6A CN114282637A (zh) | 2021-12-22 | 2021-12-22 | 一种适用于光伏电站发电量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111576701.6A CN114282637A (zh) | 2021-12-22 | 2021-12-22 | 一种适用于光伏电站发电量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114282637A true CN114282637A (zh) | 2022-04-05 |
Family
ID=80873915
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111576701.6A Pending CN114282637A (zh) | 2021-12-22 | 2021-12-22 | 一种适用于光伏电站发电量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114282637A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116245259A (zh) * | 2023-05-11 | 2023-06-09 | 华能山东发电有限公司众泰电厂 | 基于深度特征选择的光伏发电预测方法、装置和电子设备 |
-
2021
- 2021-12-22 CN CN202111576701.6A patent/CN114282637A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116245259A (zh) * | 2023-05-11 | 2023-06-09 | 华能山东发电有限公司众泰电厂 | 基于深度特征选择的光伏发电预测方法、装置和电子设备 |
| CN116245259B (zh) * | 2023-05-11 | 2023-10-31 | 华能山东泰丰新能源有限公司 | 基于深度特征选择的光伏发电预测方法、装置和电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yu et al. | An LSTM short-term solar irradiance forecasting under complicated weather conditions | |
| Han et al. | A PV power interval forecasting based on seasonal model and nonparametric estimation algorithm | |
| Ren et al. | Ensemble methods for wind and solar power forecasting—A state-of-the-art review | |
| CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
| CN114511132A (zh) | 一种光伏出力短期预测方法及预测系统 | |
| CN114048896B (zh) | 光伏发电数据的预测方法、系统、设备及介质 | |
| CN112561189A (zh) | 一种适用于光伏电站发电量预测方法 | |
| Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANN approach | |
| Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
| Eseye et al. | A double-stage hierarchical hybrid PSO-ANN model for short-term wind power prediction | |
| Alam et al. | Solar PV power forecasting using traditional methods and machine learning techniques | |
| CN115829126A (zh) | 基于多视角自适应特征融合的光伏发电功率预测方法 | |
| Jebli et al. | The forecasting of solar energy based on Machine Learning | |
| Yu et al. | Comparison of short-term solar irradiance forecasting methods when weather conditions are complicated | |
| CN114282637A (zh) | 一种适用于光伏电站发电量预测方法 | |
| CN117787551A (zh) | 基于光伏发电量和光照辐射量的光伏组件清洁决策方法及系统 | |
| Sahoo et al. | Energy forecasting for grid connected MW range solar PV system | |
| CN117474516A (zh) | 光伏系统清灰计划决策方法 | |
| Ziyabari et al. | Short-term solar irradiance forecasting based on multi-branch residual network | |
| Jogunuri et al. | Artificial intelligence methods for solar forecasting for optimum sizing of PV systems: A review | |
| Lv et al. | Research on short-term load forecasting approach for smart grid | |
| Demir et al. | Performance prediction approach using rainfall based on artificial neural network for PV module | |
| Verma et al. | A review article on green energy forecasting | |
| Guanoluisa-Pineda et al. | Short-Term forecasting of photovoltaic power in an isolated area of Ecuador using deep learning techniques | |
| Rao et al. | Bright sunshine duration index-based prediction of solar PV power using ANN approach |
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 |