CN114548516A - 基于北斗短报文的光伏发电功率预测方法、装置及设备 - Google Patents
基于北斗短报文的光伏发电功率预测方法、装置及设备 Download PDFInfo
- Publication number
- CN114548516A CN114548516A CN202210070839.7A CN202210070839A CN114548516A CN 114548516 A CN114548516 A CN 114548516A CN 202210070839 A CN202210070839 A CN 202210070839A CN 114548516 A CN114548516 A CN 114548516A
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- data
- prediction
- photovoltaic
- 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 374
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012545 processing Methods 0.000 claims abstract description 41
- 238000010606 normalization Methods 0.000 claims abstract description 18
- 238000005265 energy consumption Methods 0.000 claims description 117
- 238000012549 training Methods 0.000 claims description 62
- 239000013598 vector Substances 0.000 claims description 54
- DMBHHRLKUKUOEG-UHFFFAOYSA-N diphenylamine Chemical compound C=1C=CC=CC=1NC1=CC=CC=C1 DMBHHRLKUKUOEG-UHFFFAOYSA-N 0.000 claims description 19
- 230000009467 reduction Effects 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 55
- 230000006854 communication Effects 0.000 description 55
- 238000000605 extraction Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 230000005059 dormancy Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000007613 environmental effect Effects 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 230000007958 sleep Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000002093 peripheral effect Effects 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 238000009792 diffusion process Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000035772 mutation Effects 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002618 waking effect Effects 0.000 description 2
- 108050008316 DNA endonuclease RBBP8 Proteins 0.000 description 1
- 101000693367 Homo sapiens SUMO-activating enzyme subunit 1 Proteins 0.000 description 1
- 102100025809 SUMO-activating enzyme subunit 1 Human genes 0.000 description 1
- 102100035250 SUMO-activating enzyme subunit 2 Human genes 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000004617 sleep duration Effects 0.000 description 1
- 230000004622 sleep time Effects 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及物联网技术领域，公开了一种基于北斗短报文的光伏发电功率预测方法、装置及设备，所述方法包括：获取预设时间内的天气环境数据和光伏发电功率信息；根据光伏发电功率信息确定多个历史光伏发电数据；对天气环境数据进行归一化处理，获得光伏影响因子数据；根据光伏影响因子数据和多个历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测。相较于现有技术中仅通过气象因素或者物理组件建模进行光伏发电功率进行预测，导致光伏发电功率预测的准确率低下，而本发明中根据光伏影响因子数据和多个历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测，从而提高了光伏发电功率预测的准确率。
Description
技术领域
本发明涉及物联网技术领域，尤其涉及一种基于北斗短报文的光伏发电功率预测方法、装置及设备。
背景技术
太阳能光伏发电的输出功率由于受到多种环境因素的影响，从而表现出很强的随机性、波动性以及不确定性。对于光伏电站的内部固有属性，需要考虑的因素十分复杂，并且不同地理环境差异巨大，使得很多性能参数在工程实际应用中并不可取。因此，现有技术中只通过气象因素或者物理组件建模导致光伏发电功率预测的精准率低下。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供了一种基于北斗短报文的光伏发电功率预测方法、装置及设备，旨在解决如何提高光伏发电功率预测的精准率的技术问题。
为实现上述目的，本发明提供了一种基于北斗短报文的光伏发电功率预测方法，所述基于北斗短报文的光伏发电功率预测方法包括：
获取预设时间内的天气环境数据和光伏发电功率信息；
根据所述光伏发电功率信息确定多个历史光伏发电数据；
对所述天气环境数据进行归一化处理，获得光伏影响因子数据；
根据所述光伏影响因子数据和多个所述历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测。
可选地，所述获取预设时间内的天气环境数据和光伏发电功率信息的步骤之前，还包括：
根据光伏发电功率影响因子获取多个天气环境影响训练数据和多个光伏发电训练数据；
对多个所述天气环境影响训练数据进行归一化处理，获得多个天气环境影响样本数据；
对多个所述光伏发电训练数据进行预处理，获得多个光伏发电样本数据；
根据多个所述天气环境影响样本数据和多个所述光伏发电样本数据对初始网络模型进行训练，以获得预设光伏发电预测模型。
可选地，所述根据多个所述天气环境影响样本数据和多个所述光伏发电样本数据对初始网络模型进行训练，以获得预设光伏发电预测模型的步骤，包括：
根据多个所述天气环境影响样本数据和多个所述光伏发电样本数据生成光伏发电功率预测向量；
根据所述光伏发电功率预测向量对初始网络模型进行训练，以获得预设光伏发电预测模型。
可选地，所述根据多个所述天气环境影响样本数据和多个所述光伏发电样本数据生成光伏发电功率预测向量的步骤，包括：
对多个所述天气环境影响样本数据和多个所述光伏发电样本数据进行分析，获得光伏发电影响特征信息；
根据所述光伏发电影响特征信息生成光伏发电功率预测向量。
可选地，所述根据所述光伏发电功率预测向量对初始网络模型进行训练，以获得预设光伏发电预测模型的步骤，包括：
通过非线性映射策略对所述光伏发电功率预测向量进行整合，获得光伏发电整合向量；
对所述光伏发电整合向量进行降维处理，获得光伏发电降维向量；
根据所述光伏发电降维向量对初始网络模型进行训练，以获得预设光伏发电预测模型。
可选地，所述根据所述光伏影响因子数据和多个所述历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测的步骤之后，还包括：
获取所述天气环境数据对应的光伏发电功率预测信息和数据采集设备；
确定所述数据采集设备的能耗预测信息；
基于所述光伏发电功率预测信息和所述能耗预测信息确定数据采集模式，以使所述数据采集设备根据所述数据采集模型进行数据采集。
可选地，所述确定所述数据采集设备的能耗预测信息的步骤，包括：
确定数据采集设备的终端能耗信息；
将所述终端能耗信息和所述光伏发电功率预测信息输入至预设能耗模型中，以获得所述数据采集设备的能耗预测信息。
可选地，所述根据所述光伏发电功率信息确定多个历史光伏发电数据的步骤，包括：
从所述光伏发电功率信息中提取多个光伏发电原数据；
根据多个所述光伏发电原数据生成光伏发电功率曲线图；
判断所述光伏发电功率曲线图是否满足预设数据条件；
在所述光伏发电功率曲线图不满足所述预设数据条件时，按照预设近邻补全规则对多个光伏发电原数据进行处理，获得多个历史光伏发电数据。
此外，为实现上述目的，本发明还提出一种基于北斗短报文的光伏发电功率预测装置，所述基于北斗短报文的光伏发电功率预测装置包括：
获取模块，用于获取预设时间内的天气环境数据和光伏发电功率信息；
确定模块，用于根据所述光伏发电功率信息确定多个历史光伏发电数据；
处理模块，用于对所述天气环境数据进行归一化处理，获得光伏影响因子数据；
预测模块，用于根据所述光伏影响因子数据和多个所述历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测。
此外，为实现上述目的，本发明还提出一种基于北斗短报文的光伏发电功率预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于北斗短报文的光伏发电功率预测程序，所述基于北斗短报文的光伏发电功率预测程序配置为实现如上文所述的基于北斗短报文的光伏发电功率预测方法的步骤。
本发明首先获取预设时间内的天气环境数据和光伏发电功率信息，然后根据光伏发电功率信息确定多个历史光伏发电数据，之后对天气环境数据进行归一化处理，获得光伏影响因子数据，最后根据光伏影响因子数据和多个历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测。相较于现有技术中仅通过气象因素或者物理组件建模进行光伏发电功率进行预测，导致光伏发电功率预测的准确率低下，而本发明中根据光伏影响因子数据和多个历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测，从而提高了光伏发电功率预测的准确率。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于北斗短报文的光伏发电功率预测设备的结构示意图；
图2为本发明基于北斗短报文的光伏发电功率预测方法第一实施例的流程示意图；
图3为本发明基于北斗短报文的光伏发电功率预测方法第一实施例的预设功率预测模型原理图；
参考图4，图4为本发明基于北斗短报文的光伏发电功率预测方法第一实施例的SSAE特征提取流程图；
图5为本发明基于北斗短报文的光伏发电功率预测方法第二实施例的流程示意图；
图6为本发明基于北斗短报文的光伏发电功率预测方法第二实施例的三种SSAE-BILSTM预测模型预测性能评价对比图；
图7为本发明基于北斗短报文的光伏发电功率预测装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于北斗短报文的光伏发电功率预测设备结构示意图。
如图1所示，该基于北斗短报文的光伏发电功率预测设备可以包括：处理器1001，例如中央处理器(Central Processing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(Wireless-Fidelity，Wi-Fi)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-VolatileMemory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于北斗短报文的光伏发电功率预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、数据存储模块、网络通信模块、用户接口模块以及基于北斗短报文的光伏发电功率预测程序。
在图1所示的基于北斗短报文的光伏发电功率预测设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明基于北斗短报文的光伏发电功率预测设备中的处理器1001、存储器1005可以设置在基于北斗短报文的光伏发电功率预测设备中，所述基于北斗短报文的光伏发电功率预测设备通过处理器1001调用存储器1005中存储的基于北斗短报文的光伏发电功率预测程序，并执行本发明实施例提供的基于北斗短报文的光伏发电功率预测方法。
本发明实施例提供了一种基于北斗短报文的光伏发电功率预测方法，参照图2，图2为本发明基于北斗短报文的光伏发电功率预测方法第一实施例的流程示意图。
本实施例中，所述基于北斗短报文的光伏发电功率预测方法包括以下步骤：
步骤S10：获取预设时间内的天气环境数据和光伏发电功率信息。
易于理解的是，本实施例的执行主体可以是具有图像处理、数据处理、网络通讯和程序运行等功能的基于北斗短报文的光伏发电功率预测设备，也可以为其他具有相似功能的计算机设备，本实施例并不加以限制，其中，基于北斗短报文的光伏发电功率预测设备可以基于能耗预测信息对终端能耗信息进行调整等，本实施例并不加以限制。
在本实施例中，在光伏发电功率预测时还可以利用北斗短报文的形式进行通信。北斗短报文功能是北斗系统的特有功能，可以不依靠移动通讯信号利用北斗卫星进行双向通信，能够在整个亚太地区提供全天候无盲区服务，其通信覆盖范围大，不受地理位置限制。北斗短报文通信设备都独立拥有一个ID编号，通信中采用密码协议进行加密，信息传输需要经过地面中心通信基站进行转发。
在具体实现中，北斗短报文通信的具体流程为：(1)北斗短报文发送方将包含接收方ID号和内容的通讯请求进行加密处理，通过北斗卫星中转，被地面中心服务站接收；(2)地面中心服务站收到卫星通讯申请的后，将信息加入到中心站广播信号内容中，经通信卫星采用广播的方式发送给接收方；(3)北斗短报文接收方接收到从中心站出来的信号后，将电文按协议解密，获取发送的信息。
还需要说明的是，北斗短报文通信具有很短的传输延迟，在双向北斗短报文通信中需要的传输时间约0.5s，并且最快以1赫兹的频率进行通信。北斗短报文通信通过卫星进行信息转发，基本上不会受地面自然灾害的影响。另外，在偏远地区或极端地形，建设无线通信基站或光纤等有线线路的设备和时间成本都比较高，而北斗短报文可以快速完成通信，且设备价格低廉。
可以理解的是，预设时间内可以为用户自定义设置，例如3天或16h等；天气环境数据为太阳能中心的实时数据，该天气环境数据包括时间戳信息、实收有功信息、电流信息、功率信息、风速信息、温度信息、湿度信息、全球水平辐照度、扩散水平辐照度、风向信息及降雨量信息等。光伏发电功率信息中包括多个历史光伏发电功率信息等。
步骤S20：根据所述光伏发电功率信息确定多个历史光伏发电数据。
还需要说明的是，历史光伏发电数据可以为之前某时刻和某天气环境数据对应的光伏发电数据等。
进一步地，为了能够精准获取历史光伏发电数据，根据光伏发电功率信息确定多个历史光伏发电数据的处理方式可以为从光伏发电功率信息中提取多个光伏发电原数据，之后根据多个光伏发电原数据生成光伏发电功率曲线图，判断光伏发电功率曲线图是否满足预设数据条件，在光伏发电功率曲线图不满足预设数据条件时，按照预设近邻补全规则对多个光伏发电原数据进行处理，获得多个历史光伏发电数据。
对于原数据中存在的缺失、异常等错误，需要将数据进行补全和更正，数据经修正后，将原每5分钟一次记录的数据，按照算术平均生成每一小时的各项记录。处理数据缺少或异常的方式为：(1)缺失值，采取0值填补的方式；(2)负数，这个是电压反向可采取用0替代的方式；(3)数值突变，当某个数相较前后特别大或特别小时，采用K近邻补全算法来补全突变值。K近邻补全算法根据缺失值附近k个最近邻的数据得到这k个数据的平均值，将这个平均值替换缺失值。K近邻补全算法如公式所示：
式中，Xi是数据样本的缺失值位置，xi-k是缺失值前面第k个数据，xi+k是缺失值后面第k个数据。
步骤S30：对所述天气环境数据进行归一化处理，获得光伏影响因子数据。
还需要说明的是，在进行光伏功率的预测时，涉及到的数据主要包括太阳辐射强度、温度、湿度和历史光伏发电数据，各项数据的数量级存在一定的差距。因此，原始数据进行归一化处理就显得尤为重要。本发明中将光照强度、温度等光伏影响因子数据统一归一化处理至区间[0.1，0.9]上.计算表达式为：
应理解的是，光伏影响因子数据可以理解为归一化处理后的数据。
步骤S40：根据所述光伏影响因子数据和多个所述历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测。
进一步地，为了能够对光伏发电功率进行精准预测，还需要根据光伏发电功率影响因子获取多个天气环境影响训练数据和多个光伏发电训练数据，然后对多个天气环境影响训练数据进行归一化处理，获得多个天气环境影响样本数，之后对多个光伏发电训练数据进行预处理，获得多个光伏发电样本数，并根据多个天气环境影响样本数据和多个光伏发电样本数据对初始网络模型进行训练，以获得预设光伏发电预测模型。
在本实施例中还可以对多个天气环境影响样本数据和多个光伏发电样本数据进行分析，获得光伏发电影响特征信息，根据光伏发电影响特征信息生成光伏发电功率预测向量，之后通过非线性映射策略对光伏发电功率预测向量进行整合，获得光伏发电整合向量，对光伏发电整合向量进行降维处理，获得光伏发电降维向量，根据光伏发电降维向量对初始网络模型进行训练，以获得预设光伏发电预测模型。
需要说明的是，多个天气环境影响训练数据对应的环境影响因子包括气象变量和时间特征变量，其中气象变量包括全球水平辐照度、温度、风速、风向、空气湿度、降雨量、扩散水平辐照度；时间特征变量包括季节、月份、日、日内小时时刻。之后需要根据气象变量和时间特征变量获取对应的多个天气环境影响训练数据。
在本实施例中，为了能够得到精准预测光伏发电功率的预设功率预测模型，需要基于SSAE特征学习和BILSTM网络构建预设功率预测模型，可以将影响光伏发电功率的气象和时间因素作为输入，通过SSAE网络自动从输入序列中对数据进行压缩并提取低维抽象特征，然后将抽象特征作为BILST M网络的输入，实现光伏发电功率小时预测。
进一步地，为了便于理解模型的组成过程，参考图3，图3为本发明基于北斗短报文的光伏发电功率预测方法第一实施例的预设功率预测模型原理图，模型主要由数据输入层、SSAE特征提取层、BILSTM数据预测层、输出层4个部分组成。输入数据层：选取影响光伏发电功率的多种因素，对光伏发电功率原始数据序列进行属性扩展，并按照时间先后顺序将已知的N个历史时刻的扩展序列{At－N，…，At－2，At－1}输入到SSAE特征提取层中。SSAE特征提取层：采用SSAE网络单元对扩展序列{At－N，…，At－2，At－1}中各个时刻的数据进行低维抽象特征提取，该过程会对数据进行压缩，得到特征序列{Bt－P，…，Bt－2，Bt－1}，其中P<N。BILSTM数据预测层：将SSAE网络单元提取的抽象特征{Bt－P，…，Bt－2，Bt－1}输入到BILSTM记忆单元中，进行模型训练，获得光伏发电预测向量。数据输出层：以全连接神经网络对BILSTM模型输出的预测向量进行解码，输出光伏发电功率预测值序列。
还应理解的是，输入层数据中影响光伏发电功率的多种因素分别为气象变量和时间特征变量，其中气象变量包括全球水平辐照度、温度、风速、风向、空气湿度、降雨量、扩散水平辐照度，共7变量；时间特征变量包括季节、月份、日、日内小时时刻，共4个变量。
还需要说明的是，为了能够详细理解SSAE特征学习层，参考图4，图4为本发明基于北斗短报文的光伏发电功率预测方法第一实施例的SSAE特征提取流程图，图中将数据集中的数据经过预处理和归一化后作为SSAE特征提取层输入，并采用无监督方法提取输入数据的抽象特征，从而实现特征的压缩和降维。SSAE可自动提取光伏发电的低维抽象影响特征等。
进一步地，基于BILSTM的优良特性，本发明中还加入BILSTM预测层建立光伏发电功率时序预测模型。BILSTM预测层以SSAE层提取后的低维抽象特征为输入，进一步学习历史数据中存在的长期特性，输出预测的向量。由相关研究可知，光伏发电功率具有较强的自相关性。通过对已有光伏发电功率数据进行统计分析发现，当前时刻的光伏发电功率不仅与距离该时刻最近6天的历史数据有较强的相关性，即72个时刻的历史数据。故本发明中BILSTM预测层的入时间序列步长N设置为72，以经SSAE特征学习后的t－72、t－71…t－1等72个时刻的低维抽象影响特征作为BILSTM预测层的输入数据，输出未来24个时刻(2天)的光伏发电功率预测向量等。
还需要说明的是，SSAE特征提取层和BILSTM预测层已完成了SSAE-BILSTM预测模型中最重要的特征提取过程和时序预测过程。数据输出层为全连接网络，将预测层输出的预测向量做为输入，通过全连接网络的非线性映射功能实现预测向量的整合和降维，进而输出光伏发电功率预测值。输出层中，网络节点计算公式所示：
式中，
为第k层的节点j的值，Wij为第k-1层的节点i到第k层的节点j的连接权值，Sk-1为第k-1层的节点个数，f(.)为激活函数，本文采用Relu激活函数，bk为偏置。
可以理解的是，在神经网络中隐含层节点个数的选取中没有固定的算法，因此需要设计了3种不同网络结构的SSAE-BILSTM模型，并从3中不同网络结构中选取预测精度较高的SSAE-BILSTM模型(即SSAE3-BILSTM)作为预设功率预测模型。
在具体实现中，还需要获取天气环境数据对应的光伏发电功率预测信息和数据采集设备，然后确定数据采集设备的终端能耗信息，将终端能耗信息和光伏发电功率预测信息输入至预设能耗模型中，以获得数据采集设备的能耗预测信息，基于光伏发电功率预测信息和能耗预测信息确定数据采集模式，以使数据采集设备根据数据采集模型进行数据采集。
进一步地，为了能够获得精准的预设能耗模型，需要获取不同环境下的多个终端设备标识，之后在多个终端设备标识满足预设标识条件时，根据多个终端设备标识确定传感设备、控制设备和通信设备，确定传感设备对应的传感总消耗能量信息、控制设备对应的控制总消耗能量信息及通信设备对应的通信总消耗能量信息，最后根据传感总消耗能量信息、控制总消耗能量信息及通信总消耗能量信息构建预设能耗模型。
进一步地，为了能够精准获取传感总消耗能量信息，确定所述传感设备对应的传感总消耗能量信息的处理方式包括获取传感设备对应的传感休眠功耗信息和传感休眠持续时长，根据传感休眠功耗信息和传感休眠持续时长确定传感休眠能耗信息，获取传感设备对应的传感系统唤醒能耗信息、传感数据测量能耗信息、传感数据处理能耗信息及传感数据传输能耗信息，根据传感系统唤醒能耗信息、传感数据测量能耗信息、传感数据处理能耗信息及传感数据传输能耗信息确定传感工作能耗信息，根据传感休眠能耗信息和传感工作能耗信息确定传感总消耗能量信息。
在本实施例中，对传感器的能耗情况进行精确的分析，首先要对传感器不同的工作状态进行划分，然后分别根据不同工作状态的特点计算各状态的能耗，最后获得出传感器节点完整的能耗模型。现将传感器节点的工作状态分为以下5项：(1)休眠状态：传感器测量物理量所需时间段，因此在采集周期的大部分时间可处于低功耗模式，进入休眠状态；(2)系统唤醒：传感器系统由休眠状态进入工作状态；(3)测量数据：传感器将环境数据的物理量转换为数字量；(4)处理数据：传感器将获得的数据量进行初步的处理，以便于数据的传输；(5)数据传输：传感器将数据传输给控制器，完成数据的测量，之后进入休眠状态。
在具体实现中，在环境数据采集中，传感器进行环境数据采集的时间非常短，在大部分时间内处于休眠状态。传感器在休眠状态下的能耗较低，但在计算一个周期内的能耗时，长时间的休眠状态能耗是无法忽略的。所以，休眠状态下的能耗必须考虑。根据传感器工作状态的划分，传感器节点工作一个周期的总能耗ETotal1＝ESleep+EActive，式中ESleep为节点在休眠模式下的能耗(即传感休眠能耗信息)，EActive为传感器的工作状态下的总能耗。ESleep＝PSleep*TSleep，PSleep是休眠模式中的功耗(即传感休眠功耗信息)，TSleep为持续时间(即传感休眠持续时长)；EActive＝Ewark+Emeasure+Eprocess+Etransport，Ewark为传感系统唤醒能耗信息，Emeasure为传感数据测量能耗信息，Eprocess为传感数据处理能耗信息，Etransport为传感数据传输能耗信息。其中Ewark、Emeasure、Eprocess、Etransport可利用公式E＝P(fMCU)*T计算，式中，P(fMCU)为相应的功耗(取决于微控制器的频率fMCU，T为持续时间。
进一步地，为了能够精准获取控制总消耗能量信息，需要获取控制设备对应的休眠功耗信息和休眠持续时长，根据休眠功耗信息和休眠持续时长确定控制设备的休眠能耗信息，获取控制设备对应的系统唤醒功率信息和系统唤醒持续时长，根据系统唤醒功率信息和系统唤醒持续时长确定系统唤醒能耗信息，获取控制设备对应的发送指令能耗信息、等待反馈能耗信息及数据处理能耗信息，根据指令能耗信息、等待反馈能耗信息及数据处理能耗信息确定工作能耗信息，根据休眠能耗信息、系统唤醒能耗信息及工作能耗信息确定控制设备的控制总消耗能量信息。
在本实施例中控制器协调和指挥整个系统的运行，在既定的程序下进行运算，在符合决策的逻辑下控制系统及其部件在正常工作。在环境数据采集终端中，控制器负责所有传感器的数据的接收、处理、打包以及将数据通过通信模块发送到服务器。采集终端控制器的工作状态可划分以下3个：(1)系统唤醒：当休眠时间结束，系统唤醒，开始工作。(2)工作状态：MCU负责整个系统的功能的正常进行。通过计算进行逻辑控制，通过发送指令控制外围设备工作。①发送指令。MCU向外围设备发出指令或请求，使得外围设备开始工作；②等待反馈。MCU发出指令后，进入等待状态，等待外围设备的应答；③数据处理。收到外围设备的反馈或数据后，MCU进行数据处理，在对外围备发送指令或进入休眠状态。(3)休眠状态：系统开启低频模型，进入休眠模式，降低系统运行能耗。
在具体实现中，控制器工作一个周期的总消耗能量ETotal2＝EWake+EWork+ESleep，EWake为系统唤醒能耗信息，EWork为工作能耗信息，ESleep为休眠能耗信息。EWake＝PWake*TWake，PWake是系统唤醒功率信息，TWake为系统唤醒持续时长；ESleep＝PSleep(fMCU)*TSleep，PSleep(fMCU)为控制器在系统休眠状态下的功率(取决于微控制器的频率(fMCU))，TSleep为控制器在系统休眠状态下的持续时长；EWork＝Esend+EWait+Eproc，Esend为MCU在工作状态下发送指令的能耗，EWait为MCU在工作状态下等待反馈的能耗，Eproc为MCU在工作状态下数据处理的能耗。当MCU与多个传感器进行数据获取时，以上三个工作时序有重叠，无法单独计算每个时序的时间，EWoke＝PWoke*TWoke，PWoke为控制器在工作状态下的功率，TWoke为控制器在工作状态下的持续时长。
进一步地，为了能够精准获得通信设备的通信总消耗能量信息，需要获取通信设备对应的通信发送信号能耗信息、通信接收信号能耗信息和通信待机能耗信息；根据通信发送信号能耗信息、通信接收信号能耗信息和通信待机能耗信息确定通信设备对应的通信总消耗能量信息。
在具体实现中，对偏远的农村地区通信盲区，采用北斗短报文进行通信。北斗短报文通信模块采用收发天线设计。由于在发射北斗短报文时，需要将信号发送至距离地球表面35786公里处的北斗卫星，因此发送时所需能耗较大，而北斗短报文通信模块接收信号是所需的能耗较小。北斗短报文通信模块(即通信设备)的能耗由通信发送信号能耗信息、通信接收信号能耗信息和通信待机能耗信息组成。ETotal3＝Es+Er+Et，ETotal3为通信总消耗能量信息，Es为通信发送信号能耗信息，Er为通信接收信号能耗信息，Et为通信待机能耗信息。北斗短报文通信模块向卫星发送lbit数据，且距离为d，Es＝Eell+εαld4，εα为信号放大电路发送或者接收数据的能耗，εαld4为信号传输的能耗，Eel为信号发射或接收电路模块发送或接收单位数据的能耗量。Er＝Eell，Er为通信接收信号能耗信息，Et＝P(fMCU)*T，式中，P(fMCU)为相应的功耗(取决于微控制器的频率fMCU，T为持续时间。
需要说明的是，根据传感总消耗能量信息构建传感器能耗模型，根据控制总消耗能量信息构建控制器能耗模型，根据通信总消耗能量信息构建通信模块能耗模型，将传感器能耗模型、控制器能耗模型及通信模块能耗模型进行拼合，获得预设能耗模型。
在本实施例中，当前农业环境数据终端普遍采用的是固定采集间隔，这种采集方式无法对环境变化做出反应。如当太阳能发电功率大、电能供应充足时不能缩小采样间隔，提高采样的质量；同样，尤其在太阳能发电功率小、电能供应不足时，不能加大采样间隔，减少电能消耗，使设备更长时间在线。针对以上问题，本发明中根据预设能耗模型和预设光伏发电预测模型，提出根据太阳能发电情况而变化的智能采集模式。智能采集模式根据预测的发电功率计算出将来一段时间内的发电量，调整终端采集的时间间隔，使终端的电能消耗小于将来一段时间内的发电量，使设备更长时间在线。
本发明首先获取预设时间内的天气环境数据和光伏发电功率信息，然后根据光伏发电功率信息确定多个历史光伏发电数据，之后对天气环境数据进行归一化处理，获得光伏影响因子数据，最后根据光伏影响因子数据和多个历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测。相较于现有技术中仅通过气象因素或者物理组件建模进行光伏发电功率进行预测，导致光伏发电功率预测的准确率低下，而本发明中根据光伏影响因子数据和多个历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测，从而提高了光伏发电功率预测的准确率。
参考图5，图5为本发明基于北斗短报文的光伏发电功率预测方法第二实施例的流程示意图。
基于上述第一实施例，在本实施例中，所述步骤S10之前，还包括：
步骤S01：根据光伏发电功率影响因子获取多个天气环境影响训练数据和多个光伏发电训练数据。
需要说明的是，多个天气环境影响训练数据对应的环境影响因子包括气象变量和时间特征变量，其中气象变量包括全球水平辐照度、温度、风速、风向、空气湿度、降雨量、扩散水平辐照度；时间特征变量包括季节、月份、日、日内小时时刻。之后需要根据气象变量和时间特征变量获取对应的多个天气环境影响训练数据。
步骤S02：对多个所述天气环境影响训练数据进行归一化处理，获得多个天气环境影响样本数据。
还需要说明的是，由于多个天气环境影响训练数据包括太阳辐射强度、温度、湿度和历史光伏发电数据，各项数据的数量级存在一定的差距。需要将光照强度、温度等光伏影响因子数据统一归一化处理，以获得天气环境影响样本数据。
步骤S03：对多个所述光伏发电训练数据进行预处理，获得多个光伏发电样本数据。
还需要说明的是，多个光伏发电训练数据可以为之前某时刻和某天气环境数据对应的光伏发电训练数据等。
进一步地，为了能够精准获取光伏发电样本数据，可以根据多个所述光伏发电训练数据生成光伏发电功率曲线图，判断光伏发电功率曲线图是否满足预设数据条件，在光伏发电功率曲线图不满足预设数据条件时，按照预设近邻补全规则对多个光伏发电训练数据进行处理，获得多个光伏发电样本数据。
在本实施例中，可以通过太阳能中心每5分钟记录一次光伏发电站的环境数据和设备运行参数。假设采用该太阳能板2019年11月20日至2020年11月19日的数据用作训练数据集。将2020年11月20日至2020年12月2日的数据用作测试数据集。训练数据集和测试数据集分别由天气变量和365天和378天的PV功率输出时间序列组成。数据集包含的数据项如下表1所示。
表1
| 数据项英文名称 | 数据项中文名称 |
| Timestamp | 时间戳 |
| Active Energy Delivered-Received(kWh) | 实收有功 |
| Current Phase Average(A) | 电流 |
| Active Power(kW) | 功率 |
| Wind Speed(m/s) | 风速 |
| Weather Temperature Celsius(℃) | 温度 |
| Weather Relative Humidity(％) | 湿度 |
| Global Horizontal Radiation(W/m\xb2) | 全球水平辐照度 |
| Diffuse Horizontal Radiation(W/m\xb2) | 扩散水平辐照度 |
| Wind Direction(Degrees) | 风向 |
| Weather Daily Rainfall(mm) | 降雨量 |
假设根据数据项所采集的原数据存在较多的空缺，通过对比、分析发现，空缺值即为0值。且光伏发光功率有效的时刻在7：00至18：00，共12个时刻，其他时刻光伏发光功率为0或者很小，可以忽略。参考图3，图3为本发明基于北斗短报文的光伏发电功率预测方法第一实施例的光伏发电功率曲线图，图中一天内7：00至18：00点发电功率为正，其他时间发掉功率为零，同时存在功率为负数的异常，以及数值突变的异常。对于原数据中存在的缺失、异常等错误，需要将数据进行补全和更正，数据经修正后，将原每5分钟一次记录的数据，按照算术平均生成每一小时的各项记录。处理数据缺少或异常的方式为：(1)缺失值，采取0值填补的方式；(2)负数，这个是电压反向可采取用0替代的方式；(3)数值突变，当某个数相较前后特别大或特别小时，采用K近邻补全算法来补全突变值。K近邻补全算法根据缺失值附近k个最近邻的数据得到这k个数据的平均值，将这个平均值替换缺失值。K近邻补全算法如公式所示：
式中，Xi是数据样本的缺失值位置，xi-k是缺失值前面第k个数据，xi+k是缺失值后面第k个数据。
步骤S04：根据多个所述天气环境影响样本数据和多个所述光伏发电样本数据对初始网络模型进行训练，以获得预设光伏发电预测模型。
进一步地，为了能够对光伏发电功率进行精准预测，还需要根据光伏发电功率影响因子获取多个天气环境影响训练数据和多个光伏发电训练数据，然后对多个天气环境影响训练数据进行归一化处理，获得多个天气环境影响样本数，之后对多个光伏发电训练数据进行预处理，获得多个光伏发电样本数，并根据多个天气环境影响样本数据和多个光伏发电样本数据对初始网络模型进行训练，以获得预设光伏发电预测模型。
在本实施例中还可以对多个天气环境影响样本数据和多个光伏发电样本数据进行分析，获得光伏发电影响特征信息，根据光伏发电影响特征信息生成光伏发电功率预测向量，之后通过非线性映射策略对光伏发电功率预测向量进行整合，获得光伏发电整合向量，对光伏发电整合向量进行降维处理，获得光伏发电降维向量，根据光伏发电降维向量对初始网络模型进行训练，以获得预设光伏发电预测模型。
在具体实现中，为了能够得到精准预测光伏发电功率的预设功率预测模型，需要基于SSAE特征学习和BILSTM网络构建预设功率预测模型，可以将影响光伏发电功率的气象和时间因素作为输入，通过SSAE网络自动从输入序列中对数据进行压缩并提取低维抽象特征，然后将抽象特征作为BILSTM网络的输入，实现光伏发电功率小时预测。
进一步地，为了便于理解模型的组成过程，参考图4，图4为本发明基于北斗短报文的光伏发电功率预测方法第一实施例的预设功率预测模型原理图，模型主要由数据输入层、SSAE特征提取层、BILSTM数据预测层、输出层4个部分组成。输入数据层：选取影响光伏发电功率的多种因素，对光伏发电功率原始数据序列进行属性扩展，并按照时间先后顺序将已知的N个历史时刻的扩展序列{At－N，…，At－2，At－1}输入到SSAE特征提取层中。SSAE特征提取层：采用SSAE网络单元对扩展序列{At－N，…，At－2，At－1}中各个时刻的数据进行低维抽象特征提取，该过程会对数据进行压缩，得到特征序列{Bt－P，…，Bt－2，Bt－1}，其中P<N。BILSTM数据预测层：将SSAE网络单元提取的抽象特征{Bt－P，…，Bt－2，Bt－1}输入到BILSTM记忆单元中，进行模型训练，获得光伏发电预测向量。数据输出层：以全连接神经网络对BILSTM模型输出的预测向量进行解码，输出光伏发电功率预测值序列。
还应理解的是，输入层数据中影响光伏发电功率的多种因素分别为气象变量和时间特征变量，其中气象变量包括全球水平辐照度、温度、风速、风向、空气湿度、降雨量、扩散水平辐照度，共7变量；时间特征变量包括季节、月份、日、日内小时时刻，共4个变量。
还需要说明的是，为了能够详细理解SSAE特征学习层，参考图4，图4为本发明基于北斗短报文的光伏发电功率预测方法第一实施例的SSAE特征提取流程图，图中将数据集中的数据经过预处理和归一化后作为SSAE特征提取层输入，并采用无监督方法提取输入数据的抽象特征，从而实现特征的压缩和降维。SSAE可自动提取光伏发电的低维抽象影响特征等。
进一步地，基于BILSTM的优良特性，本发明中还加入BILSTM预测层建立光伏发电功率时序预测模型。BILSTM预测层以SSAE层提取后的低维抽象特征为输入，进一步学习历史数据中存在的长期特性，输出预测的向量。由相关研究可知，光伏发电功率具有较强的自相关性。通过对已有光伏发电功率数据进行统计分析发现，当前时刻的光伏发电功率不仅与距离该时刻最近6天的历史数据有较强的相关性，即72个时刻的历史数据。故本发明中BILSTM预测层的入时间序列步长N设置为72，以经SSAE特征学习后的t－72、t－71…t－1等72个时刻的低维抽象影响特征作为BILSTM预测层的输入数据，输出未来24个时刻(2天)的光伏发电功率预测向量等。
还需要说明的是，SSAE特征提取层和BILSTM预测层已完成了SSAE-BILSTM预测模型中最重要的特征提取过程和时序预测过程。数据输出层为全连接网络，将预测层输出的预测向量做为输入，通过全连接网络的非线性映射功能实现预测向量的整合和降维，进而输出光伏发电功率预测值。输出层中，网络节点计算公式所示：
式中，
为第k层的节点j的值，Wij为第k-1层的节点i到第k层的节点j的连接权值，Sk-1为第k-1层的节点个数，f(.)为激活函数，本文采用Relu激活函数，bk为偏置。
可以理解的是，在神经网络中隐含层节点个数的选取中没有固定的算法，因此需要设计了3种不同网络结构的SSAE-BILSTM模型，并从3中不同网络结构中选取预测精度较高的SSAE-BILSTM模型(即SSAE3-BILSTM)作为预设功率预测模型。
在本实施例中可以设计了3层的SSAE网络(ssae_2、ssae_3、ssae_4)、1层的BILSTM网络和1层的全连接网络(fc)，然后将不同层数的SSAE网络和BILSTM络相组合，共得3种SSAE-BILSTM模型。3种SSAE-BILSTM网络模型的具体结构如表1所示，表中数字代表对应网络层的神经元数量，none表示模型中没有该层网络。
表1
还需要说明的是，在进行光伏功率的预测时，涉及到的数据主要包括太阳辐射强度、温度、湿度和历史光伏发电数据，各项数据的数量级存在一定的差距。需要将光照强度、温度等光伏影响因子数据统一归一化处理，之后将归一化后的光伏影响因子数据和多个所述历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测，以获得光伏发电功率预测信息，其中光伏发电功率预测信息可以为未来一段时间内的发电量等。
还需要说明的是，通过模型对光伏功率进行预测后，通常采用均方根误差RMSE和平均绝对误差MAE两个指标来进行预测合理性的定量分析。通过预处理的样本集SSAE-BILSTM模型进行训练。在模型的网络中存在大批隐含层节点和待训练的权值，如果直接使用梯度下降法训练模型，容易出现梯度弥散或梯度消失的问题，使得模型无法收敛。为避免出现上述问题，本文通过无监督方式的逐层预训练SSAE网络和有监督方式训练SSAE-BILSTM模型。逐层预训练SSAE网络时，对SSAE网络模型的参数进行初始化，步骤如下：(1)以损失函数作为目标函数训练SSAE网络中第一层编码器SAE1，生成权重矩阵w1和隐含层向量h1；(2)以h1作为第二层编码器SAE2的输入，按照同样的方式进行训练，生成权重矩阵w2和隐含层向量h2；(3)以此类推，逐层训练后面各层SAE，最后得到一组w1、w2、w3、…wn权重。
应理解的是，训练SSAE-BILSTM模型时，首先将SSAE预训练得到的w1、w2、w3、…wn权重设置为SSAE-BILSTM模型中SSAE网络的初始参数，在采用梯度下降法对SSAE-BILSTM模型整体权值进行学习。设SSAE-BILSTM每批次(batch)输出的光伏发电功率预测序列为
光伏发电功率实测数据序列为
n为每批次的样本数量，则SSAE-BILSTM模型训练的目标函数为：
SSAE的适当参数对于特征提取的有效性至关重要，尤其是隐藏神经元的数量和激活功能的选择。对于SSAE，不能过早减小尺寸，因为它可能会导致较大的重构误差，这说明特征表示能力很差。相反，具有更多隐藏神经元的SSAE总是产生较低的重建误差。但是从特征提取的角度来看，高维特征是没有意义的。因此，最终特征的不同尺寸是无法估量的，因为应该综合考虑重构误差和隐藏表示的大小。
在本实施例中，参考图6，图6为本发明基于北斗短报文的光伏发电功率预测方法第二实施例的预测性能评价对比图。图中展示了不同结构SSAE-BILSTM模型在测试集上的预测精度，可以看出，SSAE3-BILSTM模型表现最好，体现在，SSAE3-BILSTM模型表现最好模型均方根误差RMSE及平均绝对误差MAE最低。SSAE3-BILSTM模型RMSE值降到了16.98，比SSAE2-BILSTM模型低2.36，比SSAE4-BILSTM模型低3.14；MAE降到了13.73，比SSAE2-BILSTM模型低1.08，比SSAE4-BILSTM模型低1.50；说明三层SSAE编码器和BILSTM网络构成的SSAE3-BILSTM具有更高的预测精度。
通过实验可知SSAE3-BILSTM具有更高的预测精度，相较于其他两种模型的不同只是SSAE网络的层数不同，若SSAE网络层数较少，会使得模型学习能力弱，容错性低；而当网络层数过高时容易产生过拟合，降低了模型的泛化能力。经实验验证，网络层数适中的SSAE3-BILSTM模型具有更好的预测性能及鲁棒性。
在本实施例中，根据光伏发电功率影响因子获取多个天气环境影响训练数据和多个光伏发电训练数据，然后对多个天气环境影响训练数据进行归一化处理，获得多个天气环境影响样本数，之后对多个光伏发电训练数据进行预处理，获得多个光伏发电样本数，并根据多个天气环境影响样本数据和多个光伏发电样本数据对初始网络模型进行训练，以获得预设光伏发电预测模型。相较于现有技术中，只通过气象因素或者物理组件建模，导致构建的模型精准度较低，而本实施例中通过多个天气环境影响样本数据和多个光伏发电样本数据对初始网络模型进行训练，以获得预设光伏发电预测模型，从而提高了预设光伏发电预测模型的精准度。
参照图7，图7为本发明基于北斗短报文的光伏发电功率预测装置第一实施例的结构框图。
如图7所示，本发明实施例提出的基于北斗短报文的光伏发电功率预测装置包括：
获取模块7001，用于获取预设时间内的天气环境数据和光伏发电功率信息；
确定模块7002，用于根据所述光伏发电功率信息确定多个历史光伏发电数据；
处理模块7003，用于对所述天气环境数据进行归一化处理，获得光伏影响因子数据；
预测模块7004，用于根据所述光伏影响因子数据和多个所述历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测。
在本实施例中首先获取预设时间内的天气环境数据和光伏发电功率信息，然后根据光伏发电功率信息确定多个历史光伏发电数据，之后对天气环境数据进行归一化处理，获得光伏影响因子数据，最后根据光伏影响因子数据和多个历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测。相较于现有技术中仅通过气象因素或者物理组件建模进行光伏发电功率进行预测，导致光伏发电功率预测的准确率低下，而本实施例中根据光伏影响因子数据和多个历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测，从而提高了光伏发电功率预测的准确率。
进一步地，所述基于北斗短报文的光伏发电功率预测装置还包括：
建立模块，根据光伏发电功率影响因子获取多个天气环境影响训练数据和多个光伏发电训练数据；
所述建立模块，还用于对多个所述天气环境影响训练数据进行归一化处理，获得多个天气环境影响样本数据；
所述建立模块，还用于对多个所述光伏发电训练数据进行预处理，获得多个光伏发电样本数据；
所述建立模块，还用于根据多个所述天气环境影响样本数据和多个所述光伏发电样本数据对初始网络模型进行训练，以获得预设光伏发电预测模型。
进一步地，所述建立模块，还用于根据多个所述天气环境影响样本数据和多个所述光伏发电样本数据生成光伏发电功率预测向量；
所述建立模块，还用于根据所述光伏发电功率预测向量对初始网络模型进行训练，以获得预设光伏发电预测模型。
进一步地，所述建立模块，还用于对多个所述天气环境影响样本数据和多个所述光伏发电样本数据进行分析，获得光伏发电影响特征信息；
所述建立模块，还用于根据所述光伏发电影响特征信息生成光伏发电功率预测向量。
进一步地，所述建立模块，还用于通过非线性映射策略对所述光伏发电功率预测向量进行整合，获得光伏发电整合向量；
所述建立模块，还用于对所述光伏发电整合向量进行降维处理，获得光伏发电降维向量；
所述建立模块，还用于根据所述光伏发电降维向量对初始网络模型进行训练，以获得预设光伏发电预测模型。
进一步地，所述基于北斗短报文的光伏发电功率预测装置还包括：
采集模块，用于获取所述天气环境数据对应的光伏发电功率预测信息和数据采集设备；
所述采集模块，还用于确定所述数据采集设备的能耗预测信息；
所述采集模块，还用于基于所述光伏发电功率预测信息和所述能耗预测信息确定数据采集模式，以使所述数据采集设备根据所述数据采集模型进行数据采集。
进一步地，所述采集模块，还用于确定数据采集设备的终端能耗信息；
所述采集模块，还用于将所述终端能耗信息和所述光伏发电功率预测信息输入至预设能耗模型中，以获得所述数据采集设备的能耗预测信息。
进一步地，所述确定模块，还用于从所述光伏发电功率信息中提取多个光伏发电原数据；
所述确定模块，还用于根据多个所述光伏发电原数据生成光伏发电功率曲线图；
所述确定模块，还用于判断所述光伏发电功率曲线图是否满足预设数据条件；
所述确定模块，还用于在所述光伏发电功率曲线图不满足所述预设数据条件时，按照预设近邻补全规则对多个光伏发电原数据进行处理，获得多个历史光伏发电数据。
本发明基于北斗短报文的光伏发电功率预测装置的其他实施例或具体实现方式可参照上述各方法实施例，此处不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器/随机存取存储器、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于北斗短报文的光伏发电功率预测方法，其特征在于，所述基于北斗短报文的光伏发电功率预测方法包括：
获取预设时间内的天气环境数据和光伏发电功率信息；
根据所述光伏发电功率信息确定多个历史光伏发电数据；
对所述天气环境数据进行归一化处理，获得光伏影响因子数据；
根据所述光伏影响因子数据和多个所述历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测。
2.如权利要求1所述的方法，其特征在于，所述获取预设时间内的天气环境数据和光伏发电功率信息的步骤之前，还包括：
根据光伏发电功率影响因子获取多个天气环境影响训练数据和多个光伏发电训练数据；
对多个所述天气环境影响训练数据进行归一化处理，获得多个天气环境影响样本数据；
对多个所述光伏发电训练数据进行预处理，获得多个光伏发电样本数据；
根据多个所述天气环境影响样本数据和多个所述光伏发电样本数据对初始网络模型进行训练，以获得预设光伏发电预测模型。
3.如权利要求2所述的方法，其特征在于，所述根据多个所述天气环境影响样本数据和多个所述光伏发电样本数据对初始网络模型进行训练，以获得预设光伏发电预测模型的步骤，包括：
根据多个所述天气环境影响样本数据和多个所述光伏发电样本数据生成光伏发电功率预测向量；
根据所述光伏发电功率预测向量对初始网络模型进行训练，以获得预设光伏发电预测模型。
4.如权利要求3所述的方法，其特征在于，所述根据多个所述天气环境影响样本数据和多个所述光伏发电样本数据生成光伏发电功率预测向量的步骤，包括：
对多个所述天气环境影响样本数据和多个所述光伏发电样本数据进行分析，获得光伏发电影响特征信息；
根据所述光伏发电影响特征信息生成光伏发电功率预测向量。
5.如权利要求3所述的方法，其特征在于，所述根据所述光伏发电功率预测向量对初始网络模型进行训练，以获得预设光伏发电预测模型的步骤，包括：
通过非线性映射策略对所述光伏发电功率预测向量进行整合，获得光伏发电整合向量；
对所述光伏发电整合向量进行降维处理，获得光伏发电降维向量；
根据所述光伏发电降维向量对初始网络模型进行训练，以获得预设光伏发电预测模型。
6.如权利要求1-5任一项所述的方法，其特征在于，所述根据所述光伏影响因子数据和多个所述历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测的步骤之后，还包括：
获取所述天气环境数据对应的光伏发电功率预测信息和数据采集设备；
确定所述数据采集设备的能耗预测信息；
基于所述光伏发电功率预测信息和所述能耗预测信息确定数据采集模式，以使所述数据采集设备根据所述数据采集模型进行数据采集。
7.如权利要求6所述的方法，其特征在于，所述确定所述数据采集设备的能耗预测信息的步骤，包括：
确定数据采集设备的终端能耗信息；
将所述终端能耗信息和所述光伏发电功率预测信息输入至预设能耗模型中，以获得所述数据采集设备的能耗预测信息。
8.如权利要求1-5任一项所述的方法，其特征在于，所述根据所述光伏发电功率信息确定多个历史光伏发电数据的步骤，包括：
从所述光伏发电功率信息中提取多个光伏发电原数据；
根据多个所述光伏发电原数据生成光伏发电功率曲线图；
判断所述光伏发电功率曲线图是否满足预设数据条件；
在所述光伏发电功率曲线图不满足所述预设数据条件时，按照预设近邻补全规则对多个光伏发电原数据进行处理，获得多个历史光伏发电数据。
9.一种基于北斗短报文的光伏发电功率预测装置，其特征在于，所述基于北斗短报文的光伏发电功率预测装置包括：
获取模块，用于获取预设时间内的天气环境数据和光伏发电功率信息；
确定模块，用于根据所述光伏发电功率信息确定多个历史光伏发电数据；
处理模块，用于对所述天气环境数据进行归一化处理，获得光伏影响因子数据；
预测模块，用于根据所述光伏影响因子数据和多个所述历史光伏发电数据通过预设光伏发电预测模型进行光伏发电功率预测。
10.一种基于北斗短报文的光伏发电功率预测设备，其特征在于，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于北斗短报文的光伏发电功率预测程序，所述基于北斗短报文的光伏发电功率预测程序配置为实现如权利要求1至8中任一项所述的基于北斗短报文的光伏发电功率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070839.7A CN114548516A (zh) | 2022-01-21 | 2022-01-21 | 基于北斗短报文的光伏发电功率预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210070839.7A CN114548516A (zh) | 2022-01-21 | 2022-01-21 | 基于北斗短报文的光伏发电功率预测方法、装置及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114548516A true CN114548516A (zh) | 2022-05-27 |
Family
ID=81672258
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210070839.7A Pending CN114548516A (zh) | 2022-01-21 | 2022-01-21 | 基于北斗短报文的光伏发电功率预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114548516A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4390792A1 (en) * | 2022-12-20 | 2024-06-26 | Siemens Aktiengesellschaft | Unsupervised solar energy disaggregation system and method |
-
2022
- 2022-01-21 CN CN202210070839.7A patent/CN114548516A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4390792A1 (en) * | 2022-12-20 | 2024-06-26 | Siemens Aktiengesellschaft | Unsupervised solar energy disaggregation system and method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Truong et al. | An IoT environmental data collection system for fungal detection in crop fields | |
| Cheng et al. | Multi-meteorological-factor-based graph modeling for photovoltaic power forecasting | |
| CN107704966A (zh) | 一种基于天气大数据的能源负荷预测系统及方法 | |
| Tao et al. | Forecasting power output for grid-connected photovoltaic power system without using solar radiation measurement | |
| 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 | |
| Chu et al. | Intra-hour irradiance forecasting techniques for solar power integration: A review | |
| CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
| CN116720156A (zh) | 基于图神经网络多模态气象数据融合的气象要素预报方法 | |
| CN114548516A (zh) | 基于北斗短报文的光伏发电功率预测方法、装置及设备 | |
| CN105242330B (zh) | 一种天气状况的检测方法、装置及移动终端 | |
| CN109583645A (zh) | 一种公共楼宇短期负荷预测方法 | |
| CN114554577B (zh) | 基于北斗短报文的终端能耗调整方法、装置及设备 | |
| CN116128170A (zh) | 一种光伏电站功率超短期预测方法、装置及相关设备 | |
| Tao | Advanced Wavelet Sampling Algorithm for IoT based environmental monitoring and management | |
| Hayajneh et al. | Intelligent Solar Forecasts: Modern Machine Learning Models & TinyML Role for Improved Solar Energy Yield Predictions | |
| CN116316617A (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| CN112801357B (zh) | 日照辐射量预测方法、装置、设备及存储介质 | |
| Ma et al. | Prototype of an aquacultural information system based on internet of things E-Nose | |
| JP2023151049A (ja) | 太陽光発電量予測システム、太陽光発電量予測方法、太陽光発電量予測プログラム、過去予報推定装置、過去予報推定方法、および過去予報推定プログラム | |
| CN116454983B (zh) | 一种风光储联合最优控制管理方法、系统及设备 | |
| CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
| CN113543061B (zh) | 一种能量收集型物联网的传感器能量分配方法和装置 | |
| CN114021847B (zh) | 基于isgu混合模型的短期电力负荷预测方法及系统 | |
| CN109379713A (zh) | 基于集成极限学习机和主成分分析的楼层预测方法 | |
| CN114611788A (zh) | 一种基于gru网络的寒潮天气客观判别方法 |
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 |