CN115829165B - 基于发电性能差异的分布式光伏运行情况分析方法、装置 - Google Patents
基于发电性能差异的分布式光伏运行情况分析方法、装置 Download PDFInfo
- Publication number
- CN115829165B CN115829165B CN202310075733.0A CN202310075733A CN115829165B CN 115829165 B CN115829165 B CN 115829165B CN 202310075733 A CN202310075733 A CN 202310075733A CN 115829165 B CN115829165 B CN 115829165B
- Authority
- CN
- China
- Prior art keywords
- efficiency
- power generation
- distributed photovoltaic
- photovoltaic power
- generation system
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 172
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 238000005286 illumination Methods 0.000 claims abstract description 100
- 230000007613 environmental effect Effects 0.000 claims abstract description 54
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims description 48
- 238000003066 decision tree Methods 0.000 claims description 38
- 238000009434 installation Methods 0.000 claims description 17
- 230000005855 radiation Effects 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 34
- 230000008569 process Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
本发明涉及人工智能技术，揭露了一种基于发电性能差异的分布式光伏运行情况分析方法、装置，包括：获取N组分布式光伏发电系统，利用公式逐一计算分布式光伏发电系统的光照效率；并对效率进行分类，得到不同实际效率等级；逐一获取分布式光伏发电系统的环境参数，并利用马尔可夫链预测环境参数下的预设时间段内的效率等级，称为未来效率等级，并与实际效率等级融合，得到现实预测等级；对环境参数与现实预测组环境效率对照组；计算所述分布式光伏发电系统的运行效率，提取所述运行效率对应的运行标签，得到布式光伏发电系统的分析情况。本发明可以提高分布式光伏运行情况分析的准确性。
Description
技术领域
本发明涉及人工智能技术领域，尤其涉及一种基于发电性能差异的分布式光伏运行情况分析方法、装置。
背景技术
随着社会经济的不断发展，电能需求也在不断激增。为了满足人们对电的不断需求，分布式光伏运行系统应运而生，为了加深对研究分布式光伏系统的研究，需要基于对发电性能的研究制定一套完整的运行评估方法。
现有的分布式光伏发电系统的分析通常仅依靠电器运行时间来判定，例如一盏太阳能的台灯充电时间与工作时间来判定所述台灯的运行情况。通常容易被外界因素干扰，能以获得实际的运行情况，从而降低分布式光伏发电系统的准确性。
发明内容
本发明提供一种基于发电性能差异的分布式光伏运行情况分析方法、装置，其主要目的在于解决对分布式光伏发电系统进行分析时精确度较低的问题。
为实现上述目的，本发明提供的一种基于发电性能差异的分布式光伏运行情况分析方法，包括：
获取N组对照运行的分布式光伏发电系统，利用预设的光伏功率计算公式逐一计算所述分布式光伏发电系统的光照效率；
利用预设的分类决策树对所述光照效率进行分类，得到不同类别对应的实际效率等级；
逐一获取所述分布式光伏发电系统运行时的环境参数，并利用马尔可夫链预测所述环境参数下的预设时间段内的效率等级，称为未来效率等级，将所述实际效率等级与所述未来效率等级进行融合，得到现实预测等级；
对所述环境参数与所述现实预测等级进行一一对应，形成一组环境效率对照组；
利用所述环境效率对照组计算所述分布式光伏发电系统的运行效率，利用预设的效率分析神经网络提取所述运行效率对应的运行标签，将所述运行标签作为所述分布式光伏发电系统的分析情况。
可选地，所述利用预设的光伏功率计算公式逐一计算所述分布式光伏发电系统的光照效率，包括：
利用预设的辐射计算公式计算所述光伏发电系统在安装地的光照辐射度；
获取所述光伏发电系统的光照面积；
根据所述光照辐射度以及所述光照面积利用所述光伏功率计算公式计算所述分布式光伏发电系统的光照效率。
可选地，所述利用预设的辐射计算公式计算所述光伏发电系统在安装地的光照辐射度，包括：
利用如下辐射计算公式计算所述光伏发电系统在安装地的光照辐射度，包括：
其中，为所述光照辐射度，为所述光伏发电系统的安装地中午时分太阳高度角，为所述光伏发电系统光照倾角，为水平面上太阳的直接辐射度，为预设的散射辐射度。
可选地，所述根据所述光照辐射度以及所述光照面积利用所述光伏功率计算公式计算所述分布式光伏发电系统的光照效率，包括：
利用如下光伏功率计算公式计算所述分布式光伏发电系统的光照效率：
其中，为所述分布式光伏发电系统的光照效率，为所述分布式光伏发电系统的工作电压，为所述分布式光伏发电系统的工作电流，为所述分布式光伏发电系统的光照辐射度，为所述分布式光伏发电系统的光照面积。
可选地，所述利用预设的分类决策树对所述光照效率进行分类，得到不同类别对应的实际效率等级，包括：
利用如下分类决策树函数对所述光照效率进行分类：
其中，为所述分类决策树函数的输出值，为所述分类决策树函数的参数，为所述分类决策树函数的输入值；
将所述光照效率作为分类决策树函数输入值，通过所述分类决策树函数计算输出所述光照效率对应的实际效率等级；
当输入值小于分类决策树函数的参数时，输出的标签为，即所述光照效率对应的实际效率等级为；
当输入值大于分类决策树函数的参数时，输出的标签为，即所述光照效率对应的实际效率等级为；
当输入值等于分类决策树函数的参数时，输出的标签为，即所述光照效率对应的实际效率等级为。
可选地，所述利用马尔可夫链预测所述环境参数下的预设时间段内的效率等级，称为未来效率等级，包括：
利用马尔可夫概率计算公式逐一计算所述分布式光伏发电系统在预设时间段内不同效率等级的概率值；
在所述概率值中取最大值作为未来效率等级。
可选地，所述利用马尔可夫概率计算公式逐一计算所述分布式光伏发电系统在预设时间段内不同效率等级的概率值，包括：
利用如下马尔可夫概率计算公式逐一计算所述分布式光伏发电系统在预设时间段内不同效率等级的概率值：
其中，为预设个时间段内第个光伏发电站的概率值，为第个效率等级，为效率等级的总个数，为第个光伏发电站的第个效率等级的等级转移概率。
可选地，所述将所述实际效率等级与所述未来效率等级进行融合，得到现实预测等级，包括：
获取所述实际效率等级以及所述未来效率等级的等级权重；
将所述等级权重进行累加求平均值，得到平均权重；
根据平均权重确定对应的平均效率等级，将所述平均效率等级确定为实际预测等级。
可选地，所述利用所述环境效率对照组计算所述分布式光伏发电系统的运行效率，包括：
获取所述环境效率对照组中的环境参数对所述运行效率的影响值；
将所述环境效率对照组中的现实预测等级减去所述影响值，将所述计算结果确定为所述分布式光伏发电系统的运行效率。
为了解决上述问题，本发明还提供一种基于发电性能差异的分布式光伏运行情况分析装置，所述装置包括：
计算模块：获取N组对照运行的分布式光伏发电系统，利用预设的光伏功率计算公式逐一计算所述分布式光伏发电系统的光照效率；
分类模块：利用预设的分类决策树对所述光照效率进行分类，得到不同类别对应的实际效率等级；
预测模块：逐一获取所述分布式光伏发电系统运行时的环境参数，并利用马尔可夫链预测所述环境参数下的预设时间段内的效率等级，称为未来效率等级，将所述实际效率等级与所述未来效率等级进行融合，得到现实预测等级；
对照模块：对所述环境参数与所述现实预测等级进行一一对应，形成一组环境效率对照组；
分析模块：利用所述环境效率对照组计算所述分布式光伏发电系统的运行效率，利用预设的效率分析神经网络提取所述运行效率对应的运行标签，将所述运行标签作为所述分布式光伏发电系统的分析情况。
本发明实施例通过利用预设的光伏功率计算公式逐一计算所述分布式光伏发电系统的光照效率；利用预设的分类决策树对所述光照效率进行分类，得到不同类别对应的实际效率等级，光照效率是所述分布式光伏发电系统发电能力以及电能转化能力的核心体现，计算出所述光照效率能够对分布式光伏发电系统的性能有个粗略的评估，便于后续继续对所述分布式光伏发电系统精准分析，利用等级划分同样能够将所述分布式光伏发电系统的性能很好的区分开，且更加易于观察；利用马尔可夫链预测所述环境参数下的预设时间段内的效率等级，称为未来效率等级，将所述实际效率等级与所述未来效率等级进行融合，得到现实预测等级，利用马尔可夫链预测预设时间段内的不同效率等级的概率值能够对后续的数据有个精准的把控，同时使计算出来的效率等级能加准确无误，分析结果更能体现出所述分布式光伏发电系统的具体情况。因此本发明提出的基于发电性能差异的分布式光伏运行情况分析方法、装置，可以解决对分布式光伏发电系统进行分析时精确度较低的问题。
附图说明
图1为本发明一实施例提供的基于发电性能差异的分布式光伏运行情况分析方法的流程示意图；
图2为本发明一实施例提供的计算光照效率流程示意图；
图3为本发明一实施例提供的获取现实预测等级的流程示意图；
图4为本发明一实施例提供的基于发电性能差异的分布式光伏运行情况分析装置的功能模块图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于发电性能差异的分布式光伏运行情况分析方法。所述基于发电性能差异的分布式光伏运行情况分析方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于发电性能差异的分布式光伏运行情况分析方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络（Content Delivery Network，CDN)，以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于发电性能差异的分布式光伏运行情况分析方法的流程示意图。在本实施例中，所述基于发电性能差异的分布式光伏运行情况分析方法包括：
S1、获取N组对照运行的分布式光伏发电系统，利用预设的光伏功率计算公式逐一计算所述分布式光伏发电系统的光照效率；
本发明实施例中，所述分布式光伏发电系统是能够实现靠近用户发电，结合各方面的建筑物空间和空地进行安装和使用，实际生活中常见的太阳能灯泡，太阳能风扇等都是利用了分布式光伏发电系统的原理。
详细地，所述分布式光伏发电系统主要的硬件装置包含配电柜、并网逆变器等，利用所述分布式光伏发电系统内部的光伏电池，按照串联或者并联的方式构成光伏阵列，并按照一定的角度进行设计和放置，从而以最大效率收集太阳辐射能量，将太阳辐射能量转化为直流电。
由于分析所述分布式光伏发电系统的运行情况需要从太阳能、电能的转化关系入手，因此先计算所述分布式光伏发电系统的光照效率，通过数据直观看出所述分布式光伏发电系统的运行性能，简洁明了。
本发明实施例中，参照图2所示，所述利用预设的光伏功率计算公式逐一计算所述分布式光伏发电系统的光照效率，包括：
S21、利用预设的辐射计算公式计算所述光伏发电系统在安装地的光照辐射度；
S22、获取所述光伏发电系统的光照面积；
S23、根据所述光照辐射度以及所述光照面积利用所述光伏功率计算公式计算所述分布式光伏发电系统的光照效率。
详细地，所述获取所述光伏发电系统的光照面积可以直接获取所述分布式光伏发电系统中放置的光伏阵列的面积大小，将所述光伏阵列的面积进行累加求和，作为所述光伏发电系统的光照面积。
另外地，所述利用预设的辐射计算公式计算所述光伏发电系统在安装地的光照辐射度，包括：
利用如下辐射计算公式计算所述光伏发电系统在安装地的光照辐射度，包括：
其中，为所述光照辐射度，为所述光伏发电系统的安装地中午时分太阳高度角，为所述光伏发电系统光照倾角，为水平面上太阳的直接辐射度，为预设的散射辐射度。
详细地，利用所述辐射计算公式计算所述光伏发电系统在安装地的光照辐射度能够将光照辐射度用数字精准地表现出来，在对比不同的分布式光伏发电系统的光照辐射度时也能更加清晰、容易比较，同时便于后续计算整个分布式光伏发电系统的光照效率。
详细地，所述根据所述光照辐射度以及所述光照面积利用所述光伏功率计算公式计算所述分布式光伏发电系统的光照效率，包括：
利用如下光伏功率计算公式计算所述分布式光伏发电系统的光照效率：
其中，为所述分布式光伏发电系统的光照效率，为所述分布式光伏发电系统的工作电压，为所述分布式光伏发电系统的工作电流，为所述分布式光伏发电系统的光照辐射度，为所述分布式光伏发电系统的光照面积。
具体地，利用光伏功率计算公式能够直接计算所述分布式光伏发电系统的光照效率，光照效率是所述分布式光伏发电系统发电能力以及电能转化能力的核心体现，计算出所述光照效率能够对分布式光伏发电系统的性能有个粗略的评估，便于后续继续对所述分布式光伏发电系统精准分析。
S2、利用预设的分类决策树对所述光照效率进行分类，得到不同类别对应的实际效率等级；
本发明实施例中，使用分类决策树函数进行分类能够节省分类时间，且分类原理便于操作理解，方法容易实现。
本发明实施例中，所述利用预设的分类决策树对所述光照效率进行分类，得到不同类别对应的实际效率等级，包括：
利用如下分类决策树函数对所述光照效率进行分类：
其中，为所述分类决策树函数的输出值，为所述分类决策树函数的参数，为所述分类决策树函数的输入值；
将所述光照效率作为分类决策树函数输入值，通过所述分类决策树函数计算输出所述光照效率对应的实际效率等级；
当输入值小于分类决策树函数的参数时，输出的标签为，即所述光照效率对应的实际效率等级为；
当输入值大于分类决策树函数的参数时，输出的标签为，即所述光照效率对应的实际效率等级为；
当输入值等于分类决策树函数的参数时，输出的标签为，即所述光照效率对应的实际效率等级为。
详细地，将所述光照效率过分为不同的效率等级能够使用更少的标签体现更多分布式光伏发电系统的具体性能，能够减少数据存储，提升分析效率，当面对大量光照效率时，利用等级划分同样能够将所述分布式光伏发电系统的性能很好的区分开，且更加易于观察。
S3、逐一获取所述分布式光伏发电系统运行时的环境参数，并利用马尔可夫链预测所述环境参数下的预设时间段内的效率等级，称为未来效率等级，将所述实际效率等级与所述未来效率等级进行融合，得到现实预测等级；
本发明实施例中，所述环境参数为所述分布式光伏发电系统安装时周围的地理环境参数，例如安装地势，安装地区，安装年限等等，这些环境因素同样对所述分布式光伏发电系统的运行性能造成影响，例如雨地比旱地更容易发电，高原地区对所述分布式光伏发电系统同样会抑制发电效果，因此加上环境因素的影响是分析分布式光伏发电系统不可缺少的环节。
详细地，所述马尔科夫链是一种时间离散、状态离散、带有记忆功能情况的随机过程，是预测中常用到的一种数学模型。通常用来预测数据的本身每一时刻的状态仅仅取决于紧接在他前面的随机变量的所处状态，而与这之前的状态无关的数据。
本发明实施例中，所述利用马尔可夫链预测所述环境参数下的预设时间段内的效率等级，称为未来效率等级，包括：
利用马尔可夫概率计算公式逐一计算所述分布式光伏发电系统在预设时间段内不同效率等级的概率值；
在所述概率值中取最大值作为未来效率等级。
详细地，所述利用马尔可夫概率计算公式逐一计算所述分布式光伏发电系统在预设时间段内不同效率等级的概率值，包括：
利用如下马尔可夫概率计算公式逐一计算所述分布式光伏发电系统在预设时间段内不同效率等级的概率值：
其中，为预设个时间段内第个光伏发电站的概率值，为第个效率等级，为效率等级的总个数，为第个光伏发电站的第个效率等级的等级转移概率。
详细地，利用马尔可夫链预测预设时间段内的不同效率等级的概率值能够对后续的数据有个精准的把控，同时使计算出来的效率等级能加准确无误，分析结果更能体现出所述分布式光伏发电系统的具体情况。
本发明实施例中，参照图3所示，所述将所述实际效率等级与所述未来效率等级进行融合，得到现实预测等级，包括：
S31、获取所述实际效率等级以及所述未来效率等级的等级权重；
S32、将所述等级权重进行累加求平均值，得到平均权重；
S33、根据平均权重确定对应的平均效率等级，将所述平均效率等级确定为实际预测等级。
具体地，通过计算实际效率等级与未来效率等级的平均权值，不仅能够反映出所述分布式光伏发电系统的当前效率等级，还包含着一种后续发展的趋势，综合实际与预测的双种情况，更好的反映出所述分布式光伏发电系统的实际运行水平。
S4、对所述环境参数与所述现实预测等级进行一一对应，形成一组环境效率对照组；
由于环境参数对应着不同的分布式光伏发电系统，现实预测等级也是由不同的分布式光伏发电系统推测而来，因此可以以所述分布式光伏发电系统为线索，将所述环境参数与所述现实预测等级结合起来，形成对应。
本发明实施例中，所述对所述环境参数与所述现实预测等级进行一一对应，形成一组环境效率对照组，包括：
利用如下对应模板将所述环境参数与所述现实预测等级进行一一对应：
其中，为环境效率对照组，为所述环境参数，为所述现实预测等级。
详细地，将所述环境参数与所述现实预测等级进行一一对应，形成一组环境效率对照组能够简化记录过程，便于后续利用所述环境效率对照组进行计算，简化描述过程，使分析方法简洁明了。
S5、利用所述环境效率对照组计算所述分布式光伏发电系统的运行效率，利用预设的效率分析神经网络提取所述运行效率对应的运行标签，将所述运行标签作为所述分布式光伏发电系统的分析情况。
由于环境因素影响发电效果，因此分析出环境因素后还需要去掉所述环境因素带来的影响才能真正获得实际分布式光伏发电系统的运行效率，保证分析过程的准确性，分析方法的实用性和可操作性。
本发明实施例中，所述利用所述环境效率对照组计算所述分布式光伏发电系统的运行效率，包括：
获取所述环境效率对照组中的环境参数对所述运行效率的影响值；
将所述环境效率对照组中的现实预测等级减去所述影响值，将所述计算结果确定为所述分布式光伏发电系统的运行效率。
本发明实施例中，所述利用预设的效率分析神经网络提取所述运行效率对应的运行标签，包括：
对所述运行效率进行卷积、池化处理，得到所述运行效率的低维特征标签；
将所述低维特征标签映射至预先构建的高维空间，得到高维特征标签；
利用预设的激活函数对所述高维特征标签进行筛选，得到运行标签。
具体地，可利用预设的映射函数将所述低维特征标签映射至预先构建的高维空间，所述映射函数包括MATLAB库中的GaussianRadial Basis Function函数、高斯函数等。
例如，所述低维特征标签为二维平面中的点，则可利用映射函数对该二维平面中的点的二维坐标进行计算，以将二维坐标转换为三维坐标，并利用计算得到的三维坐标将点映射至预先构建的三维空间，得到该低维特征标签的高维特征标签。
本发明实施例中，可利用预设的激活函数计算所述高维特征标签中每个特征标签的输出值，并选取所述输出值大于预设的输出阈值的特征表为运行标签，所述激活函数包括但不限于sigmoid激活函数、tanh激活函数、relu激活函数。
详细地，通过计算出的运行标签不仅包含了去除环境因素影响后的实际运行效率，还包含了后续预测的趋势，能够准确反映实际的运行情况分析，因此所述运行标签就是所述分布式光伏发电系统的具体运行情况分析结果。
如图4所示，是本发明一实施例提供的基于发电性能差异的分布式光伏运行情况分析装置的功能模块图。
本发明所述基于发电性能差异的分布式光伏运行情况分析装置100可以安装于电子设备中。根据实现的功能，所述基于发电性能差异的分布式光伏运行情况分析装置100可以包括计算模块101、分类模块102、预测模块103、对照模块104及分析模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述计算模块101：获取N组对照运行的分布式光伏发电系统，利用预设的光伏功率计算公式逐一计算所述分布式光伏发电系统的光照效率；
所述分类模块102：利用预设的分类决策树对所述光照效率进行分类，得到不同类别对应的实际效率等级；
所述预测模块103：逐一获取所述分布式光伏发电系统运行时的环境参数，并利用马尔可夫链预测所述环境参数下的预设时间段内的效率等级，称为未来效率等级，将所述实际效率等级与所述未来效率等级进行融合，得到现实预测等级；
所述对照模块104：对所述环境参数与所述现实预测等级进行一一对应，形成一组环境效率对照组；
所述分析模块105：利用所述环境效率对照组计算所述分布式光伏发电系统的运行效率，利用预设的效率分析神经网络提取所述运行效率对应的运行标签，将所述运行标签作为所述分布式光伏发电系统的分析情况。
详细地，本发明实施例中所述基于发电性能差异的分布式光伏运行情况分析装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于发电性能差异的分布式光伏运行情况分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
本发明所指区块链是分布式数据存储、点对点传输、共识机制、加密算法等计算机技术的新型应用模式。区块链（Blockchain)，本质上是一个去中心化的数据库，是一串使用密码学方法相关联产生的数据块，每一个数据块中包含了一批次网络交易的信息，用于验证其信息的有效性（防伪）和生成下一个区块。区块链可以包括区块链底层平台、平台产品服务层以及应用服务层等。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能(Artificial Intelligence，AI）是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。系统实施例中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。
Claims (10)
1.一种基于发电性能差异的分布式光伏运行情况分析方法，其特征在于，所述方法包括：
获取N组对照运行的分布式光伏发电系统，利用预设的光伏功率计算公式逐一计算所述分布式光伏发电系统的光照效率；
利用预设的分类决策树对所述光照效率进行分类，得到不同类别对应的实际效率等级；
逐一获取所述分布式光伏发电系统运行时的环境参数，并利用马尔可夫链预测所述环境参数下的预设时间段内的效率等级，称为未来效率等级，将所述实际效率等级与所述未来效率等级进行融合，得到现实预测等级；
对所述环境参数与所述现实预测等级进行一一对应，形成一组环境效率对照组；
利用所述环境效率对照组计算所述分布式光伏发电系统的运行效率，利用预设的卷积神经网络提取所述运行效率对应的运行标签，将所述运行标签作为所述分布式光伏发电系统的运行情况分析结果。
2.如权利要求1所述的基于发电性能差异的分布式光伏运行情况分析方法，其特征在于，所述利用预设的光伏功率计算公式逐一计算所述分布式光伏发电系统的光照效率，包括：
利用预设的辐射计算公式计算所述分布式光伏发电系统在安装地的光照辐射度；
获取所述分布式光伏发电系统的光照面积；
根据所述光照辐射度以及所述光照面积利用所述光伏功率计算公式计算所述分布式光伏发电系统的光照效率。
3.如权利要求2所述的基于发电性能差异的分布式光伏运行情况分析方法，其特征在于，所述利用预设的辐射计算公式计算所述分布式光伏发电系统在安装地的光照辐射度，包括：
利用如下辐射计算公式计算所述分布式光伏发电系统在安装地的光照辐射度，包括：
其中，为所述分布式光伏发电系统的光照辐射度，为所述分布式光伏发电系统的安装地中午时分太阳高度角，为所述分布式光伏发电系统光照倾角，为水平面上太阳的直接辐射度，为预设的散射辐射度。
4.如权利要求2所述的基于发电性能差异的分布式光伏运行情况分析方法，其特征在于，所述根据所述光照辐射度以及所述光照面积利用所述光伏功率计算公式计算所述分布式光伏发电系统的光照效率，包括：
利用如下光伏功率计算公式计算所述分布式光伏发电系统的光照效率：
其中，为所述分布式光伏发电系统的光照效率，为所述分布式光伏发电系统的工作电压，为所述分布式光伏发电系统的工作电流，为所述分布式光伏发电系统的光照辐射度，为所述分布式光伏发电系统的光照面积。
5.如权利要求1所述的基于发电性能差异的分布式光伏运行情况分析方法，其特征在于， 所述利用预设的分类决策树对所述光照效率进行分类，得到不同类别对应的实际效率等级，包括：
利用如下分类决策树函数对所述光照效率进行分类：
其中，为所述分类决策树函数的输出值，为所述分类决策树函数的参数，为所述分类决策树函数的输入值；
将所述光照效率作为分类决策树函数输入值，通过所述分类决策树函数计算输出所述光照效率对应的实际效率等级；
当输入值小于分类决策树函数的参数时，输出的标签为，即所述光照效率对应的实际效率等级为；
当输入值大于分类决策树函数的参数时，输出的标签为，即所述光照效率对应的实际效率等级为；
当输入值等于分类决策树函数的参数时，输出的标签为，即所述光照效率对应的实际效率等级为。
6.如权利要求1所述的基于发电性能差异的分布式光伏运行情况分析方法，其特征在于，所述利用马尔可夫链预测所述环境参数下的预设时间段内的效率等级，称为未来效率等级，包括：
利用马尔可夫概率计算公式逐一计算所述分布式光伏发电系统在预设时间段内不同效率等级的概率值；
在所述概率值中取最大值作为未来效率等级。
7.如权利要求6所述的基于发电性能差异的分布式光伏运行情况分析方法，其特征在于，所述利用马尔可夫概率计算公式逐一计算所述分布式光伏发电系统在预设时间段内不同效率等级的概率值，包括：
利用如下马尔可夫概率计算公式逐一计算所述分布式光伏发电系统在预设时间段内不同效率等级的概率值：
其中，为预设个时间段内第个光伏发电站的概率值，为第个效率等级，为效率等级的总个数，为第个光伏发电站的第个效率等级的等级转移概率。
8.如权利要求1至7中任一项所述的基于发电性能差异的分布式光伏运行情况分析方法，其特征在于， 所述将所述实际效率等级与所述未来效率等级进行融合，得到现实预测等级，包括：
获取所述实际效率等级以及所述未来效率等级的等级权重；
将所述等级权重进行累加求平均值，得到平均权重；
根据平均权重确定对应的平均效率等级，将所述平均效率等级确定为实际预测等级。
9.如权利要求1所述的基于发电性能差异的分布式光伏运行情况分析方法，其特征在于，所述利用所述环境效率对照组计算所述分布式光伏发电系统的运行效率，包括：
获取所述环境效率对照组中的环境参数对所述运行效率的影响值；
将所述环境效率对照组中的现实预测等级减去所述影响值，将计算结果确定为所述分布式光伏发电系统的运行效率。
10.一种基于发电性能差异的分布式光伏运行情况分析装置，其特征在于，所述装置包括：
计算模块：获取N组对照运行的分布式光伏发电系统，利用预设的光伏功率计算公式逐一计算所述分布式光伏发电系统的光照效率；
分类模块：利用预设的分类决策树对所述光照效率进行分类，得到不同类别对应的实际效率等级；
预测模块：逐一获取所述分布式光伏发电系统运行时的环境参数，并利用马尔可夫链预测所述环境参数下的预设时间段内的效率等级，称为未来效率等级，将所述实际效率等级与所述未来效率等级进行融合，得到现实预测等级；
对照模块：对所述环境参数与所述现实预测等级进行一一对应，形成一组环境效率对照组；
分析模块：利用所述环境效率对照组计算所述分布式光伏发电系统的运行效率，利用预设的卷积神经网络提取所述运行效率对应的运行标签，将所述运行标签作为所述分布式光伏发电系统的运行情况分析结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310075733.0A CN115829165B (zh) | 2023-02-07 | 2023-02-07 | 基于发电性能差异的分布式光伏运行情况分析方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310075733.0A CN115829165B (zh) | 2023-02-07 | 2023-02-07 | 基于发电性能差异的分布式光伏运行情况分析方法、装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115829165A CN115829165A (zh) | 2023-03-21 |
| CN115829165B true CN115829165B (zh) | 2023-05-05 |
Family
ID=85520830
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310075733.0A Active CN115829165B (zh) | 2023-02-07 | 2023-02-07 | 基于发电性能差异的分布式光伏运行情况分析方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115829165B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529814A (zh) * | 2016-11-21 | 2017-03-22 | 武汉大学 | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 |
| CN107358335A (zh) * | 2017-06-02 | 2017-11-17 | 国网辽宁省电力有限公司葫芦岛供电公司 | 一种基于互联网的分布式光伏效率评估方法与系统 |
| 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 |
| CN114707688A (zh) * | 2021-12-31 | 2022-07-05 | 国网浙江省电力有限公司绍兴供电公司 | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11545830B2 (en) * | 2017-01-18 | 2023-01-03 | Board Of Regents, The University Of Texas System | Systems and methods of hierarchical forecasting of solar photovoltaic energy production |
-
2023
- 2023-02-07 CN CN202310075733.0A patent/CN115829165B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529814A (zh) * | 2016-11-21 | 2017-03-22 | 武汉大学 | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 |
| CN107358335A (zh) * | 2017-06-02 | 2017-11-17 | 国网辽宁省电力有限公司葫芦岛供电公司 | 一种基于互联网的分布式光伏效率评估方法与系统 |
| 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 |
| CN114707688A (zh) * | 2021-12-31 | 2022-07-05 | 国网浙江省电力有限公司绍兴供电公司 | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115829165A (zh) | 2023-03-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Multiple-input deep convolutional neural network model for short-term photovoltaic power forecasting | |
| JP6759966B2 (ja) | 太陽光発電システムの作動方法 | |
| Bae et al. | Hourly solar irradiance prediction based on support vector machine and its error analysis | |
| CN112749904B (zh) | 基于深度学习的配电网故障风险预警方法及系统 | |
| Islam et al. | Vertical extrapolation of wind speed using artificial neural network hybrid system | |
| JP6693330B2 (ja) | 太陽光発電システムの動作 | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| CN110929963A (zh) | 风速预测方法、装置以及存储介质 | |
| CN103955521B (zh) | 一种风电场机群划分方法 | |
| CN110556820A (zh) | 用于确定能量系统操作场景的方法和设备 | |
| Meenal et al. | Review on artificial neural network based solar radiation prediction | |
| CN110738253A (zh) | 一种基于FCM和AFSA-Elman的短期风电功率预测方法 | |
| CN109902340A (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
| Lawal et al. | Dynamic line rating forecasting algorithm for a secure power system network | |
| CN115882455B (zh) | 一种分布式光伏发电预测方法、系统及终端机 | |
| CN111859283B (zh) | 一种考虑多能源荷时序性、相关性的场景生成方法 | |
| Omer et al. | Comparison of decision tree based ensemble methods for prediction of photovoltaic maximum current | |
| Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
| CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
| Kim et al. | Wind power forecasting based on hourly wind speed data in South Korea using machine learning algorithms | |
| Tian et al. | Multi-scale solar radiation and photovoltaic power forecasting with machine learning algorithms in urban environment: A state-of-the-art review | |
| Sifat et al. | Design, development, and optimization of a conceptual framework of digital twin electric grid using systems engineering approach | |
| Cai et al. | Cause-effect modeling and spatial-temporal simulation of power distribution fault events | |
| Bellagarda et al. | Effectiveness of neural networks and transfer learning to forecast photovoltaic power production | |
| CN115829165B (zh) | 基于发电性能差异的分布式光伏运行情况分析方法、装置 |
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 |