CN116205380B - 新能源电场站内损耗预测模型构建方法、预测方法和系统 - Google Patents

新能源电场站内损耗预测模型构建方法、预测方法和系统 Download PDF

Info

Publication number
CN116205380B
CN116205380B CN202310493248.5A CN202310493248A CN116205380B CN 116205380 B CN116205380 B CN 116205380B CN 202310493248 A CN202310493248 A CN 202310493248A CN 116205380 B CN116205380 B CN 116205380B
Authority
CN
China
Prior art keywords
intra
prediction model
station loss
station
loss prediction
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
Application number
CN202310493248.5A
Other languages
English (en)
Other versions
CN116205380A (zh
Inventor
钱志国
田伟
刘丽
洪江伟
徐野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing East Environment Energy Technology Co ltd
Original Assignee
Beijing East Environment Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing East Environment Energy Technology Co ltd filed Critical Beijing East Environment Energy Technology Co ltd
Priority to CN202310493248.5A priority Critical patent/CN116205380B/zh
Publication of CN116205380A publication Critical patent/CN116205380A/zh
Application granted granted Critical
Publication of CN116205380B publication Critical patent/CN116205380B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H02J3/48—Controlling the sharing of the in-phase component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H02J2300/28—The renewable source being wind 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

Abstract

本申请实施例提供一种新能源电场站内损耗预测模型构建方法、预测方法和系统，其中模型构建方法包括：获取历史数据，历史数据包括历史发电设备有功功率、历史并网逆变侧有功功率以及历史站内损耗数据；基于历史发电设备有功功率和历史站内损耗数据的对应关系进行多项式拟合得到第一站内损耗预测模型；基于历史并网逆变侧有功功率和历史站内损耗数据的对应关系进行多项式拟合得到第二站内损耗预测模型；对第一站内损耗预测模型和第二站内损耗预测模型进行融合，得到融合站内损耗预测模型。将两个模型进行融合，将各自的干扰在一定程度上滤除，在新能源并网时，可以准确且动态的基于目标功率确定站内损耗，提高并网功率的准确性。

Description

新能源电场站内损耗预测模型构建方法、预测方法和系统
技术领域
本发明涉及新能源电场技术领域，具体涉及一种新能源电场站内损耗预测模型构建方法、预测方法和系统。
背景技术
近年来，随着新能源装机容量占电网总装机容量比重的日益提高，而新能源的电力电子特性使电网的运行形态发生显著变化。因此，在新能源电场并网时，电网侧需要准确的得到所需的或规定的并网功率。
在新能源电场并网时为了能够使电网得到准确并网功率，通常需要考虑新能源电场内的站内损耗。在新能源电场得到目标并网功率后，基于新能源电场内的站内损耗对新能源电场的发电功率进行补偿，进而确定新能源电场的实际输出功率。
通常，新能源电场的场内的站内损耗往往采用固定站内损耗，然而，在实际应用中，新能源电场并网采是采用固定站内损耗的方式往往会出现并网功率不准的问题。
因此，如何提升新能源电场并网功率的准确性成为亟待解决的技术问题。
发明内容
本申请提供了一种新能源电场站内损耗预测模型构建方法、预测方法和系统，以至少解决相关技术中存在的如何提升新能源电场并网功率的准确性的技术问题。
根据本申请实施例的一个方面，提供了一种新能源电场站内损耗预测模型构建方法，包括：获取历史数据，所述历史数据包括历史发电设备有功功率、历史并网逆变侧有功功率以及基于所述历史发电设备有功功率和所述历史并网逆变侧有功功率计算得到历史站内损耗数据；基于所述历史发电设备有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第一站内损耗预测模型；基于所述历史并网逆变侧有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第二站内损耗预测模型；对所述第一站内损耗预测模型和所述第二站内损耗预测模型进行融合，得到融合站内损耗预测模型。
可选地，所述对所述第一站内损耗预测模型和所述第二站内损耗预测模型进行融合，得到融合站内损耗预测模型包括：将所述第一站内损耗预测模型和所述第二站内损耗预测模型进行相互校验，将所述第一站内损耗预测模型和所述第二站内损耗预测模型合并为所述融合站内损耗预测模型。
可选地，所述将所述第一站内损耗预测模型和所述第二站内损耗预测模型进行相互校验，将所述第一站内损耗预测模型和所述第二站内损耗预测模型合并为所述融合站内损耗预测模型包括：获取所述第一站内损耗预测模型的第一曲线斜率和所述第二站内损耗预测模型的第二曲线斜率；利用所述第一曲线斜率和所述第二曲线斜率进行相互校验。
可选地，所述利用所述第一曲线斜率和所述第二曲线斜率进行曲线斜率校验包括：按照预设功率区间步长依次计算每一预设区间内的多个区间曲线斜率和第二曲线的多个区间曲线斜率；在当前预设功率区间内所述第一曲线或所述第二曲线中的一条曲线的区间曲线斜率相较于前一预设功率区间或在当前预设功率区间内发生突变时，将的另一条曲线在当前预设功率区间内的区间曲线斜率与发生突变的区间曲线斜率进行对比；当斜率差大于预设斜率差时，当前预设功率区间内将发生突变的区间曲线段替换为另一条曲线的区间曲线段；基于替换后的曲线对应的预测模型的模型参数。
可选地，所述对所述第一站内损耗预测模型和所述第二站内损耗预测模型进行融合，得到融合站内损耗预测模型包括：计算所述第一站内损耗预测模型和所述第二站内损耗预测模型的均值作为所述融合站内损耗预测模型。
可选地，所述历史数据还包括与所述历史发电设备有功功率和所述历史并网逆变侧有功功率同期的历史气象信息，所述站内损耗预测模型构建方法还包括：基于所述历史气象信息确定模型参数的调整参数；利用所述调整参数分别对所述第一站内损耗预测模型和所述第二站内损耗预测模型的模型参数进行同步调整。
根据本申请实施例的第二方面提供了一种新能源电场站内损耗预测方法，包括：获取目标功率；将所述目标功率输入融合站内损耗预测模型中得到所述目标功率对应的站内损耗值，所述融合站内损耗预测模型为基于所述历史发电设备有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第一站内损耗预测模型和基于所述历史并网逆变侧有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第二站内损耗预测模型融合得到，其中，所述历史站内损耗数据基于所述历史发电设备有功功率和所述历史并网逆变侧有功功率计算得到。
可选地，获取发电设备实际输出功率和并网逆变侧实际输出功率的实际功率差值；基于所述实际功率差值和所述站内损耗值对所述融合站内损耗预测模型进行更新。
可选地，获取当前气象信息；基于所述当前气象信息对所述站内损耗值进行修正，得到修正后的站内损耗值。
根据本申请的又一方面，提供了一种新能源电场站内损耗预测系统，包括发电设备输出功率采集模块、并网逆变侧功率采集模块、存储器和处理器，其中存储器存储有计算机程序，所述处理器执行所述计算机程序以执行上述第一方面任意一项所述的新能源电场站内损耗预测模型构建方法和/或上述第二方面任意一项所述的新能源电场站内损耗预测方法。
在本申请实施例中，提供一种新能源电场站内损耗预测模型构建方法，在构建站内损耗预测模型时，获取历史发电设备有功功率、历史并网逆变侧有功功率以及基于所述历史发电设备有功功率和所述历史并网逆变侧有功功率计算得到历史站内损耗数据，基于多个历史发电设备有功功率和其对应的历史站内损耗数据进行多项式拟合，得到基于发电设备有功功率拟合的第一站内损耗预测模型，基于多个历史并网逆变侧有功功率和其对应的历史站内损耗数据进行多项式拟合，得到基于并网逆变侧拟合的第二站内损耗预测模型，再将第一站内损耗预测模型和第二站内损耗预测模型进行融合，得到融合站内损耗预测模型作为新能源电场站内损耗预测模型。有功功率的获取可以通过实际采集获取，也可以通过计算得到，无论实际采集或计算所得到的有功功率是存在误差、干扰数据的，而由于对发电设备和并网逆变侧的有功功率获取时其影响因素不同，或者，中间电力设备运行状况的影响均可能会导致发电设备和并网逆变侧中的误差或干扰并非同时发生，或者误差或干扰的程度不同，因此，即便是在同一目标功率下，发电设备和并网逆变侧误差或干扰可能不同，在本实施例中，分别拟合发电设备和并网逆变侧的站内损耗预测模型，再将两个模型进行融合滤除发电设备和并网逆变侧有功功率的误差、死值或干扰数据等，无需确定是发电设备测不准还是逆变侧不准，采用两端分别校验和融合的方式，尽可能的减小无论哪一端的影响，进而能够更为准确且简单的得到站内损耗预测模型，进而，在新能源并网时，可以准确且动态的基于目标功率确定站内损耗，提高并网功率的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是根据本申请实施例的一种新能源电场站内损耗预测模型构建方法的流程示意图；
图2为本申请实施例的内损耗预测模型的示意图；
图3为本申请实施例的新能源电场的站内损耗预测模型的局部放大示意图；
图4为本申请实施例的一种新能源电场站内损耗预测方法的流程示意图；
图5位本申请实施例的一种电子设备的示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如背景技术所述，新能源电场在进行并网时，往往基于指示的目标功率向电网输出对应的目标功率。其中，指示的目标功率为一段时间内向电网输出对应的功率值。而在不同的场景，或不同的时段指示的目标功率往往会发生变化，示例性的，新能源电场的装机容量为10MW，指示的目标功率可能会从0至10MW之间的任意功率。而不同的输出功率在相同的线路下其实际站内损耗可能不同，因此，在目标功率变化时，其实际站内损耗也会发生变化，因此，采用固定站内损耗的方式并不适用。
针对指示的目标功率变动的情况，在一些现有技术中采用固定分段方式，针对不同的预设区间内的目标功率，采用不同的预设站内损耗率或站内损耗值，在一定程度上线性值能够匹配到对应的目标功率。例如，新能源电场的目标功率每增加100KW，站内损耗值增加10KW，或者，新能源电场的目标功率每增加10%，站内损耗率增加10%。然而，预设站内损耗值往往针对的是一个目标功率区间，难以完全准确的匹配所有的目标功率。
现有技术中还存在一些电网线损计算方法，通常，该计算方法是采集前端出力功率和后端接收功率，计算出力功率和接收功率的差值作为线损。通过统计一段时间的多个前端出力功率和后端接收功率以及对应的线损之后，将其拟合成一条曲线，并采用拟合后的曲线进行线损预测或线损计算。然而，现有的电网线损计算方法往往是计算线路线损，在新能源电场的站内损耗采用该方法进行预测时，往往出现预测不准的情况。
经过发明人研究发现，上述方法的应用场景中前端和后端之间只有线路，并且上述方法指示针对线路进行采集，只需采集线路前端的输出功率和线路后端接收功率，而通常，线路上并不存在较大的影响因素，因此，前端和后端采集的数据较为准确，或者，若存在干扰，其前端和后端的干扰往往是同步的。
而新能源电场的站内至逆变侧不仅仅存在线路，还存在一些电力设备，例如，汇流箱、电力柜、变压器等对风机或光伏板输出的电力进行处理的电力设备。这些电力设备由于调制的问题，在运行时在不同的目标功率下，可能运行稳定程度不同，或者，设备的老化程度不同，导致不同目标功率下的稳定程度不同。因此，在一些目标功率下，发电设备输出的功率采集是准确的，而逆变侧采集的接收功率不准确。
再例如，新能源电场内的前端是采集的风机或光伏板等发电设备的输出功率，后端采集的是逆变侧输出功率，其采集方法不同，并且采集时，发电设备和逆变侧的影响因素也不同，例如，逆变侧的逆变器可能由于老化或运行问题，导致输出变小，而前端并未存在干扰；或者，前端正常输出，由于中间的电力设备存在波动、干扰、老化或宕机等问题，导致后端部分逆变器不能正常输出，这导致前端数据采集正常，而后端逆变侧数据采集异常；或发电设备侧由于气象波动导致的输出功率波动，而经过中间的电力设备之后，向后端逆变侧输出的功率是较为平稳的，而在数据采集时，往往需要过滤波动数据，采集平稳数据，因此，前端和后端所采集的数据出现不同；这导致前端和后端出现干扰数据的时机往往不同，因此，前端和后端出现干扰数据往往是不同步的，因此，实际上利用前端和后端的功率计算得到的线损并不能完全代表当前目标功率下的真实的线损，有可能是由于前端或后端以及前端或后端之间的电力设备的波动、老化等原因引起的前端或后端采集数据存在干扰的问题。
因此，采用现有的电网线损计算方法往往导致新能源电场内的站内损耗预测不准的情况。基于此，根据本申请实施例的一个方面，提供一种新能源电场站内损耗预测模型构建方法，如图1所示，该方法的流程可以包括以下步骤：
S10.获取历史数据。作为示例性的实施例，历史数据可以包括：历史发电设备有功功率、历史并网逆变侧有功功率，以及发电设备有功功率和并网逆变侧有功功率对应的站内损耗数据。在本实施例中，该站内损耗数据可以为发电设备有功功率与并网逆变侧有功功率的差值。作为示例性的实施例，对于历史发电设备有功功率可以通过发电设备功率测量装置测量得到，也可为以通过采集实际电压、实际电流就算得到发电设备的有功功率。还可以通过当前的环境以及新能源电场站内的装机容量、设备情况等推测发电设备的有功功率。
示例性的，在风电场中，可以基于当前风速推测当前发电设备有功功率。在光伏电场中，可以基于当前光照条件推测当前发电设备有功功率。
在本实施例中，并网逆变侧有功功率可以为在逆变侧通过功率检测装置检测到有功功率，还可以通过理论计算得到并网逆变侧有功功率。
作为示例性的实施例，在得到发电设备有功功率和并网逆变侧有功功率之后，可以将发电设备有功功率和并网逆变侧有功功率之差作为新能源电场站内站内损耗。
在本实施例中，对于历史数据可以获取过去一年、半年、三个月、一个月等任意时段的多组历史数据。
S20.基于所述历史发电设备有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第一站内损耗预测模型。作为示例性的实施例，以站内损耗值为纵轴，以发电设备有功功率为横轴，进行多项式拟合，得到第一站内损耗预测模型，示例性的，可以利用六次多项式拟合多项式系数，参见下式：
y1=a0 +a1·x+a2·x2 +a3·x3 +a4·x4 +a5·x5 +a6·x6 ，其中，a0 、a1、a2、a3、a4、a5和a6分别为根据多个历史发电设备有功功率和站内损耗值拟合得到的第一参数，x为发电设备有功功率，y1为站内损耗值或站内损耗率。
S30.基于所述历史并网逆变侧有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第二站内损耗预测模型。作为示例性的实施例，以站内损耗值为纵轴，以并网逆变侧有功功率为横轴，进行多项式拟合，得到第二站内损耗预测模型，示例性的，可以利用六次多项式拟合多项式系数，参见下式：
y2=b0 + b 1·x+ b 2·x2 + b 3·x3 + b 4·x4 + b 5·x5 + b 6·x6 ，其中，b 0 、b 1、b 2、b 3、b 4、b 5和b 6分别为根据多个历史并网逆变侧有功功率和站内损耗值拟合得到的第二参数，x为逆变侧有功功率，y1为站内损耗值或站内损耗率。
S40.对所述第一站内损耗预测模型和所述第二站内损耗预测模型进行融合，得到融合站内损耗预测模型。在本实施例中，得到第一站内损耗预测模型和第二站内损耗预测模型之后，可以将两个模型进行合并，在本实施例中，可以计算第一站内损耗预测模型和第二站内损耗预测模型平均值。示例性的，可以计算第一参数与第二参数的平均值。还可以将两个站内损耗预测模型对应的曲线加权平均融合的方法进行融合。示例性的，第一站内损耗预测模型、第二站内损耗预测模型和融合站内损耗预测模型的示意图如图2所示。
在构建站内损耗预测模型时，获取历史发电设备有功功率、历史并网逆变侧有功功率以及基于所述历史发电设备有功功率和所述历史并网逆变侧有功功率计算得到历史站内损耗数据，基于多个历史发电设备有功功率和其对应的历史站内损耗数据进行多项式拟合，得到基于发电设备有功功率拟合的第一站内损耗预测模型，基于多个历史并网逆变侧有功功率和其对应的历史站内损耗数据进行多项式拟合，得到基于并网逆变侧拟合的第二站内损耗预测模型，再将第一站内损耗预测模型和第二站内损耗预测模型进行融合，得到融合站内损耗预测模型作为新能源电场站内损耗预测模型。有功功率的获取可以通过实际采集获取，也可以通过计算得到，无论实际采集或计算所得到的有功功率是存在误差或干扰数据的，而由于对发电设备和并网逆变侧的有功功率获取时其影响因素不同，可能会导致发电设备和并网逆变侧中的误差或干扰并非同时发生，或者误差或干扰的程度不同，因此，即便是在同一目标功率下，发电设备和并网逆变侧误差或干扰可能不同，在本实施例中，分别拟合发电设备和并网逆变侧的站内损耗预测模型，再将两个模型进行融合滤除发电设备和并网逆变侧有功功率的误差、死值或干扰数据等，能够更为准确的站内损耗预测模型，进而，在新能源并网时，可以准确且动态的基于目标功率确定站内损耗，提高并网功率的准确性。
作为示例性的实施例，还可以分别计算融合站内损耗预测模型与第一站内损耗预测模型和第二站内损耗预测模型之间的第一距离和第二距离，基于第一距离和第二距离之差大于预设距离时，表征融合站内损耗预测模型偏离第一站内损耗预测模型或第二站内损耗预测模型，新增历史数据，并基于新增的历史数据将第一距离和第二距离中较远距离对应的预测模型进行重新拟合，并重新融合得到新的融合站内损耗预测模型，再次进入距离计算的步骤，直至。在第一距离和第二距离之差小于预设距离，则表征融合站内损耗预测模型符合预设期望结果。
在本实施例中，在融合之后，再其中一个预测模型偏差较大，可能由于选取的历史数据的期间由于设备老化，设备故障，设备运行状态不稳定等因素导致数据偏差较大，对拟合后的模型影响较大，因此，可能需要采用其他时期的历史数据，例如可以选取更换设备或维修设备或校正设备之后的历史数据作为新增历史数据进行重新拟合，进而更为准确的得到预测模型。
在本实施例中，第一距离和第二距离计算时，可以取任意多个第一站内损耗预测模型和第二站内损耗预测模型中的站内损耗值与对应的融合站内损耗预测模型的站内损耗值的差作为第一距离和第二距离。
作为示例性的实施例，所述对所述第一站内损耗预测模型和所述第二站内损耗预测模型进行融合，得到融合站内损耗预测模型包括：将所述第一站内损耗预测模型和所述第二站内损耗预测模型进行相互校验，将所述第一站内损耗预测模型和所述第二站内损耗预测模型合并为所述融合站内损耗预测模型。
示例性的，可以利用第一站内损耗预测模型和第二站内损耗预测模型进行相互校验，示例性的，可以比较第一站内损耗预测模型和第二站内损耗预测模型在不同的目标功率下的相似度。
理论情况下，在任何目标功率下，第一站内损耗预测模型和第二站内损耗预测模型相同。然而由于干扰数据或误差等因素，在一些目标功率下，第一站内损耗预测模型可能由于干扰数据或误差等原因出现突变，导致在该目标功率下，采用发电设备有功功率确定站内损耗值可能会导致并网功率出现偏差；在另一些目标功率下，第二站内损耗预测模型可能由于干扰数据或误差等原因出现突变，导致在该目标功率下，采用并网逆变侧有功功率确定站内损耗值可能会导致并网功率出现偏差。而发明人发现，并网逆变侧的干扰和发电设备侧的干扰同时出现的概率较小。
如图3所示，第一站内损耗预测模型和第二站内损耗预测模型发生局部放大示意图，图3中示出了一些功率区间内，第一站内损耗预测模型和第二站内损耗预测模型的变化率不一致。因此，两个模型在同一目标功率下出现突变的概率较小，因此，采用两个模型进行相互校验。
因此，通过第一站内损耗预测模型发现第二站内损耗预测模型中由于干扰数据带来的不正常的曲线变化率；同时，通过第二站内损耗预测模型发现第一站内损耗模型中由于干扰数据带来的不正常的曲线变化率，通过相互校验，同时滤除发电设备侧和并网逆变侧的测量误差、死值、设备运行造成的干扰数据等，进而使得融合站内损耗预测模型能够更符合实际需求。
作为示例性的实施例，所述将所述第一站内损耗预测模型和所述第二站内损耗预测模型进行相互校验，将所述第一站内损耗预测模型和所述第二站内损耗预测模型合并为所述融合站内损耗预测模型包括：
获取所述第一站内损耗预测模型的第一曲线斜率和所述第二站内损耗预测模型的第二曲线斜率；利用所述第一曲线斜率和所述第二曲线斜率进行曲线斜率校验；基于曲线斜率校验结果合并所述第一站内损耗预测模型和所述第二站内损耗预测模。
作为示例性的实施例，分别计算所述第一曲线斜率和所述第二曲线斜率中的斜率突变区域；基于所述斜率突变区域对应的另一曲线的相同区域对所述突变区域进行对比；当所述斜率突变区域与另一曲线的相同区域的相似度大于预设相似度时，采用另一曲线的相同区域替换所述斜率突变区域，并基于替换后的曲线更新对应的预测模型。利用曲线相似度进行相互校验，可以保证彼此能够校验出异常突变。
作为另一种可选的实施例，按照预设功率区间步长依次计算每一预设区间内的第一曲线的多个区间曲线斜率和第二曲线的多个区间曲线斜率；在当前预设功率区间内所述第一曲线或所述第二曲线中的一条曲线的区间曲线斜率相较于前一预设功率区间或在当前预设功率区间内发生突变时，将的另一条曲线在当前预设功率区间内的区间曲线斜率与发生突变的区间曲线斜率进行对比；当斜率差大于预设斜率差时，当前预设功率区间内将发生突变的区间曲线段替换为另一条曲线的区间曲线段；基于替换后的曲线更新对应的站内损耗预测模型的模型参数。
在本实施例中，站内损耗预测模型的曲线的变化率往往较为平滑，若发生突变，可能是由于干扰数据或误差引起的， 作为示例性的实施例，可以先通过每一模型进行自检，依次计算每一设定目标功率区间对应的曲线变化率，再确定当前区间存在突变变化率时，可以采用同一功率区间对应的另一模型的曲线变化率进行相互校验。
在确定某一突变为异常突变后，可以及另一模型的曲线变化率对当前突变变化率进行替换，并同步更新模型参数。
作为示例性的实施例，在经过相互校验之后，可以对两个模型进行加权均值融合，进而得到融合站内损耗模型。
作为示例性的实施例，由于中间电力设备的运行状态等因素的干扰，以及逆变器的运行状态和发电设备的运行状态等干扰，第一站内损耗预设模型和第二站内损耗预测模型在同一目标功率下的损耗值不同。
因此，为了更为准确的得到融合站内损耗模型，在对两个模进行加权均值融合时，可以获取历史期间发电设备和逆变侧的电力设备运行状态、发电设备的运行状态和逆变侧的逆变器运行状态，以及电力设备、发电设备和逆变器的历史使用时长；并基于运行状态和使用时长确定加权的权重系数。
示例性的，电力设备运行状态的稳定程度和逆变器的运行状态的稳定程度与第二站内损耗预测模型的权重系数成正相关；发电设备的运行稳定程度与第一站内损耗预测模型的权重系数成正相关。
示例性的， 电力设备和逆变器使用时长与第二站内损耗预测模型的权重系数成正相关；发电设备的使用时长与第一站内损耗预测模型的权重系数成正相关。
作为示例性的实施例，对于第一站内损耗预测模型和第二站内损耗预测模型进行融合时，可以对其多项式的参数进行融合，在本实施例中，其融合方式参见下式：
ci=α·ai+β·bi；
其中，ci为融合后的站内损耗预测模型对应的多项式的参数；α为第一站内损耗预测模型的权重系数，β为第二站内损耗预测模型的权重系数；ai为第一站内损耗预测模型对应的多项式的参数，bi第二站内损耗预测模型对应的多项式的参数。作为示例性的实施例，在得到某一曲线上的当前预设目标功率区间的曲线斜率发生突变后，可以基于发生的突变的当前预设目标功率区间的前N个预设目标功率区间的曲线斜率去对当前的曲线斜率进行预测。示例性的，可以分别计算前N个预设功率目标区间的曲线斜率，并依据计算得到的N个预设功率目标区间的曲线斜率计算单位目标功率的平均变化率；与另一曲线上个的相同预设功率目标区间的平均变化率进行对比，在偏差小于预设偏差时，则将另一曲线中当前预设功率区间内的变化率作为发生突变的曲线的当前预设功率区间的变化率，并替换发生突变的曲线的当前预设功率区间的变化率。作为示例性的实施例，所述历史数据还包括与所述历史发电设备有功功率和所述历史并网逆变侧有功功率同期的历史气象信息，所述站内损耗预测模型构建方法还包括：
基于所述历史气象信息确定模型参数的调整参数；
利用所述调整参数分别对所述第一站内损耗预测模型和所述第二站内损耗预测模型的模型参数进行同步调整。
作为示例性的实施例，历史气象信息可以包括温度信息，在本实施例中，由于温度对导线的电阻率存在影响，因此，可以基于温度值与导线电阻率之间的关系对站内损耗值进行修正。作为示例性的实施例，基于负荷电流引起温升及周围环境温度对电阻变化的影响
R= RX(1+b1+b2)；
其中，RX为每相导线在X摄氏度时的电阻值，b1为导线温升对电阻的修正系数:b2为环境温度对电阻的修正系数。
基于上述关系确定温度和目标功率（不同的目标功率，其线路电流不同）对站内损耗值的修正系数，进而基于该修正系数对融合站内损耗预测模型的参数进行修正。
作为示例性的实施例，环境温度对于线路电阻影响较大，而其他的气象信息对发电设备实际输出功率和逆变器输出功率存在较大的影响，示例性的，以逆变侧为例，短时间内温度变化过大，可能会导致逆变器内部结构出现微小变化，进而导致逆变器可能会出现降额输出，或者在湿度的影响下，逆变器可能发生凝露甚至结冰的情况，进而导致插接件腐蚀或出现爬电等现象，不仅影响逆变器当前输出，还会对逆变器未来的输出造成持续影响，导致逆变侧的功率采集不准。在发电设备测，若出现寒潮等气象现象，可能会导致发电设备短时覆冰；或高温引起光伏板出现局部短时温度过高的情况，在发电设备短时功率计算时，得到输出功率与实际输出功率存在差距，因此，可能会导致发电设备侧的输出功率采集不准的情况。
因此，在本实施例中，还可以基于气象信息对第一站内损耗预设模型和第二站内损耗预测模型进行修正。在本实施例中，采集逆变侧的温度变化信息和湿度信息，基于温度变化信息和湿度信息对逆变侧有功功率进行修正；采集发电侧的覆冰数据或温度信息，对发电设备测有功功率进行修正，基于修正后的数据分别拟合第一站内损耗预设模型和第二站内损耗预测模型。
作为另一种可选地实施例，利用多种气象信息和发电设备侧有功功率和计算得到的站内损耗，进行多元回归，尽可能的考虑气象信息的影响因素，进而得到更为准确的第一站内损耗预测模型。
示例性的，以发电设备覆冰程度和/或温度值、老化程度以及发电设备的有功功率作为多元回归模型的输入，以计算得到站内损耗作为输出，进行多元回归模型拟合，得到第一站内损耗预测模型。
同样，利用多种气象信息和逆变侧有功功率和计算得到的站内损耗，进行多元回归，尽可能的考虑气象信息的影响因素，进而得到更为准确的第二站内损耗预测模型。
示例性的，以温度、湿度或者逆变器的凝露程度、覆冰程度，以及老化程度和逆变侧的有功功率作为多元回归模型的输入，以计算得到站内损耗作为输出，进行多元回归模型拟合，得到第二站内损耗预测模型。
本申请实施例还提供了一种新能源电场站内损耗预测方法，该预测方法采用上述实施例中训练得到的融合站内损耗预测模型进行预测，参见图4所示， 该预测方法可以包括：
S100.获取目标功率。作为示例性的实施例，目标功率可以为获取到的并网指示的目标功率，该目标功率可以为预设时段内需要向电网输送的有功功率，具体的可以为年度目标功率，也可以为月度目标功率，还可以为季度目标功率，还可以为瞬时目标功率，例如，可以为一分钟目标功率、五分钟目标功率等。在本实施例中还可以为其他预设时间段内的并网目标功率。
S200.将所述目标功率输入融合站内损耗预测模型中得到所述目标功率对应的站内损耗值。
作为示例性的实施例，所述融合站内损耗预测模型为基于所述历史发电设备有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第一站内损耗预测模型和基于所述历史并网逆变侧有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第二站内损耗预测模型融合得到，其中，所述历史站内损耗数据基于所述历史发电设备有功功率和所述历史并网逆变侧有功功率计算得到。
作为示例性的实施例，在得到目标功率之后，基于融合站内损耗预测模型对当前目标功率对应的站内损耗值进行预测，基于预测得到的站内损耗值调整新能源电场的发电功率。由于目标功率下的站内损耗值通过融合站内损耗预测模型得到，同时滤除发电设备和并网逆变侧有功功率的误差、死值或干扰数据等，可以准确且动态的基于目标功率确定站内损耗，提高并网功率的准确性。
作为示例性的实施例，在实际应用过程中，发电设备实际输出功率和并网逆变侧实际输出功率的差值与预测的站内损耗值可能存在不对应的情况，在本实施例中，获取发电设备实际输出功率和并网逆变侧实际输出功率的实际功率差值；基于所述实际功率差值和所述站内损耗值对所述融合站内损耗预测模型进行更新。
作为示例性的实施例，在得到模型后，实际功率差值与当前目标功率下预测的站内损耗值存在差异时，且差异较大时，可以基于实际功率差值与预测的站内损耗值的差值对融合站内损耗预测模型的模型参数进行更新，以在实际应用过层中，对融合站内损耗预测模型不断的进行反馈更新，使得模型能够适应新能源电场内电力设备或逆变侧的逆变设备的运行状态随时间的变化。
作为示例性的实施例，对于发电设备实际输出功率和并网逆变侧实际输出功率的采集和计算可以在发电设备稳定状态下进行以及在并网逆变侧稳定状态性进行。进一步保证站内损耗值预测的准确性。
在本实施例中，在模型应用过程中，基于实际获取到的站内损耗值和目标功率对模型进行实时更新，可以进一步保证融合站内损耗预测模型的准确度。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在上述计算机可读取的存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或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存储介质中，包括若干指令用以使得一台或多台计算机设备（可为个人计算机、服务器或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
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根据上述实施例的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，本申请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ROM（Read-Only Memory，只读存储器）/RAM(Random Access Memory，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（可以是计算机，服务器，或者网络设备等）执行本申请各个实施例所述的方法。
根据本申请实施例的又一个方面，还提供了一种新能源电场站内损耗预测系统，包括发电设备功率采集模块、并网逆变侧功率采集模块以及电子设备，如图5所示，该电子设备包括处理器502、通信接口504、存储器506和通信总线508，其中，处理器502、通信接口504和存储器506通过通信总线508完成相互间的通信，其中，
存储器506，用于存储计算机程序；
处理器502，用于执行存储器506上所存放的计算机程序时，实现如下步骤：
获取历史数据，所述历史数据包括历史发电设备有功功率、历史并网逆变侧有功功率以及基于所述历史发电设备有功功率和所述历史并网逆变侧有功功率计算得到历史站内损耗数据；
基于所述历史发电设备有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第一站内损耗预测模型；
基于所述历史并网逆变侧有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第二站内损耗预测模型；
对所述第一站内损耗预测模型和所述第二站内损耗预测模型进行融合，得到融合站内损耗预测模型。
和/或如下步骤：
获取目标功率；
将所述目标功率输入融合站内损耗预测模型中得到所述目标功率对应的站内损耗值，所述融合站内损耗预测模型为基于历史发电设备有功功率和历史站内损耗数据的对应关系进行多项式拟合得到第一站内损耗预测模型和基于历史并网逆变侧有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第二站内损耗预测模型融合得到，其中，所述历史站内损耗数据基于所述历史发电设备有功功率和所述历史并网逆变侧有功功率计算得到。
可选地，在本实施例中，上述的通信总线可以是PCI (Peripheral ComponentInterconnect，外设部件互连标准)总线、或EISA (Extended Industry StandardArchitecture，扩展工业标准结构)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括RAM，也可以包括非易失性存储器(non-volatile memory)，例如，至少一个磁盘存储器。可选地，存储器还可以是至少一个位于远离前述处理器的存储装置。
上述处理器可以是通用处理器，可以包含但不限于：CPU (Central ProcessingUnit，中央处理器)、NP(Network Processor，网络处理器)等；还可以是DSP (DigitalSignal Processing，数字信号处理器)、ASIC (Application Specific IntegratedCircuit，专用集成电路)、FPGA (Field－Programmable Gate Array，现场可编程门阵列)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。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例在此不再赘述。
本领域普通技术人员可以理解，图5所示的结构仅为示意，实施上述基于多源遥感数据的湿地分类方法的设备可以是终端设备，该终端设备可以是智能手机（如Android手机、iOS手机等）、平板电脑、掌上电脑以及移动互联网设备（Mobile Internet Devices，MID）等终端设备。图5其并不对上述电子装置的结构造成限定。例如，终端设备还可包括比图5中所示更多或者更少的组件（如网络接口、显示装置等），或者具有与图5所示的不同的配置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、ROM、RAM、磁盘或光盘等。
根据本申请实施例的又一个方面，还提供了一种存储介质。可选地，在本实施例中，上述存储介质可以用于执行上述实施例中方法的程序代码。
可选地，在本实施例中，上述存储介质可以位于上述实施例所示的网络中的多个网络设备中的至少一个网络设备上。
可选地，在本实施例中，存储介质被设置为存储用于执行以下步骤的程序代码：
获取历史数据，所述历史数据包括历史发电设备有功功率、历史并网逆变侧有功功率以及基于所述历史发电设备有功功率和所述历史并网逆变侧有功功率计算得到历史站内损耗数据；
基于所述历史发电设备有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第一站内损耗预测模型；
基于所述历史并网逆变侧有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第二站内损耗预测模型；
对所述第一站内损耗预测模型和所述第二站内损耗预测模型进行融合，得到融合站内损耗预测模型。
和/或如下步骤：
获取目标功率；
将所述目标功率输入融合站内损耗预测模型中得到所述目标功率对应的站内损耗值，所述融合站内损预测耗模型为基于历史发电设备有功功率和历史站内损耗数据的对应关系进行多项式拟合得到第一站内损耗预测模型和基于历史并网逆变侧有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第二站内损耗预测模型融合得到，其中，所述历史站内损耗数据基于所述历史发电设备有功功率和所述历史并网逆变侧有功功率计算得到。
可选地，本实施例中的具体示例可以参考上述实施例中所描述的示例，本实施例中对此不再赘述。
可选地，在本实施例中，上述存储介质可以包括但不限于：U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请所提供的几个实施例中，应该理解到，所揭露的客户端，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例中所提供的方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (8)

1.一种新能源电场站内损耗预测模型构建方法，其特征在于，包括：
获取历史数据，所述历史数据包括历史发电设备有功功率、历史并网逆变侧有功功率以及基于所述历史发电设备有功功率和所述历史并网逆变侧有功功率计算得到历史站内损耗数据；
基于所述历史发电设备有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第一站内损耗预测模型；
基于所述历史并网逆变侧有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第二站内损耗预测模型；
对所述第一站内损耗预测模型和所述第二站内损耗预测模型进行融合，得到融合站内损耗预测模型；
所述对所述第一站内损耗预测模型和所述第二站内损耗预测模型进行融合，得到融合站内损耗预测模型包括：
将所述第一站内损耗预测模型和所述第二站内损耗预测模型进行相互校验，将所述第一站内损耗预测模型和所述第二站内损耗预测模型合并为所述融合站内损耗预测模型；
所述将所述第一站内损耗预测模型和所述第二站内损耗预测模型进行相互校验，将所述第一站内损耗预测模型和所述第二站内损耗预测模型合并为所述融合站内损耗预测模型包括：
获取所述第一站内损耗预测模型的第一曲线斜率和所述第二站内损耗预测模型的第二曲线斜率；
利用所述第一曲线斜率和所述第二曲线斜率进行曲线斜率校验；
基于曲线斜率校验结果合并所述第一站内损耗预测模型和所述第二站内损耗预测模型。
2.如权利要求1所述的新能源电场站内损耗预测模型构建方法，其特征在于，所述利用所述第一曲线斜率和所述第二曲线斜率进行曲线斜率校验包括：
按照预设功率区间步长依次计算每一预设区间内的第一曲线的多个区间曲线斜率和第二曲线的多个区间曲线斜率；
在当前预设功率区间内所述第一曲线或所述第二曲线中的一条曲线的区间曲线斜率相较于前一预设功率区间或在当前预设功率区间内发生突变时，将的另一条曲线在当前预设功率区间内的区间曲线斜率与发生突变的区间曲线斜率进行对比；
当斜率差大于预设斜率差时，当前预设功率区间内将发生突变的区间曲线段替换为另一条曲线的区间曲线段；
基于替换后的曲线更新对应的站内损耗预测模型的模型参数。
3.如权利要求1或2所述的新能源电场站内损耗预测模型构建方法，其特征在于，所述对所述第一站内损耗预测模型和所述第二站内损耗预测模型进行融合，得到融合站内损耗预测模型包括：
计算所述第一站内损耗预测模型和所述第二站内损耗预测模型的均值作为所述融合站内损耗预测模型。
4.如权利要求1所述的新能源电场站内损耗预测模型构建方法，其特征在于，所述历史数据还包括与所述历史发电设备有功功率和所述历史并网逆变侧有功功率同期的历史气象信息，所述站内损耗预测模型构建方法还包括：
基于所述历史气象信息确定模型参数的调整参数；
利用所述调整参数分别对所述第一站内损耗预测模型和所述第二站内损耗预测模型的模型参数进行同步调整。
5.一种新能源电场站内损耗预测方法，其特征在于，包括：
获取目标功率；
将所述目标功率输入融合站内损耗预测模型中得到所述目标功率对应的站内损耗值，所述融合站内损耗预测模型为基于历史发电设备有功功率和历史站内损耗数据的对应关系进行多项式拟合得到第一站内损耗预测模型和基于历史并网逆变侧有功功率和所述历史站内损耗数据的对应关系进行多项式拟合得到第二站内损耗预测模型融合得到，其中，所述历史站内损耗数据基于所述历史发电设备有功功率和所述历史并网逆变侧有功功率计算得到；
其中，融合站内损耗预测模型的融合方法包括：将所述第一站内损耗预测模型和所述第二站内损耗预测模型进行相互校验，将所述第一站内损耗预测模型和所述第二站内损耗预测模型合并为所述融合站内损耗预测模型；
将所述第一站内损耗预测模型和所述第二站内损耗预测模型进行相互校验包括：
获取所述第一站内损耗预测模型的第一曲线斜率和所述第二站内损耗预测模型的第二曲线斜率；
利用所述第一曲线斜率和所述第二曲线斜率进行曲线斜率校验；
基于曲线斜率校验结果合并所述第一站内损耗预测模型和所述第二站内损耗预测模型。
6.如权利要求5所述的新能源电场站内损耗预测方法，其特征在于，
获取发电设备实际输出功率和并网逆变侧实际输出功率的实际功率差值；
基于所述实际功率差值和所述站内损耗值对所述融合站内损耗预测模型进行更新。
7.如权利要求5所述的新能源电场站内损耗预测方法，其特征在于，
获取当前气象信息；
基于所述当前气象信息对所述站内损耗值进行修正，得到修正后的站内损耗值。
8.一种新能源电场站内损耗预测系统，其特征在于，包括发电设备输出功率采集模块、并网逆变侧功率采集模块、存储器和处理器，其中存储器存储有计算机程序，所述处理器执行所述计算机程序以执行如权利要求1-4任意一项所述的新能源电场站内损耗预测模型构建方法和/或权利要求5-7任意一项所述的新能源电场站内损耗预测方法。
CN202310493248.5A 2023-05-05 2023-05-05 新能源电场站内损耗预测模型构建方法、预测方法和系统 Active CN116205380B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310493248.5A CN116205380B (zh) 2023-05-05 2023-05-05 新能源电场站内损耗预测模型构建方法、预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310493248.5A CN116205380B (zh) 2023-05-05 2023-05-05 新能源电场站内损耗预测模型构建方法、预测方法和系统

Publications (2)

Publication Number Publication Date
CN116205380A CN116205380A (zh) 2023-06-02
CN116205380B true CN116205380B (zh) 2023-07-18

Family

ID=86511544

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310493248.5A Active CN116205380B (zh) 2023-05-05 2023-05-05 新能源电场站内损耗预测模型构建方法、预测方法和系统

Country Status (1)

Country Link
CN (1) CN116205380B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116756530B (zh) * 2023-08-21 2023-11-14 国网山西省电力公司运城供电公司 用于新能源接入配电网的电网线损评估方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107591816A (zh) * 2016-07-07 2018-01-16 中兴通讯股份有限公司 光伏并网逆变器的无功补偿方法、装置及光伏并网逆变器
CN110445136A (zh) * 2019-08-12 2019-11-12 安徽立卓智能电网科技有限公司 一种基于功率预测的新能源场站无功电压控制方法和平台
CN111476411B (zh) * 2020-04-01 2023-10-31 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
CN112214951B (zh) * 2020-10-19 2022-05-24 武汉大学 分段式lstm的微网逆变器igbt可靠性评估方法及系统

Also Published As

Publication number Publication date
CN116205380A (zh) 2023-06-02

Similar Documents

Publication Publication Date Title
US9239760B2 (en) Systems and methods for detecting, correcting, and validating bad data in data streams
Mallor et al. A method for detecting malfunctions in PV solar panels based on electricity production monitoring
CN116205380B (zh) 新能源电场站内损耗预测模型构建方法、预测方法和系统
CN111080477A (zh) 一种家庭电力负荷预测方法及系统
CN111507509A (zh) 一种电力系统极端事件的风险评估方法
CN112926807A (zh) 考虑预测误差的机柜设备发热量超短期预测方法及系统
Song et al. Dynamic thermal line rating model of conductor based on prediction of meteorological parameters
Wadi et al. Reliability and sensitivity analysis for closed-ring distribution power systems
CN112381272A (zh) 一种电网负荷预测方法、系统、终端及存储介质
CN112801374A (zh) 模型训练方法、用电负荷预测方法、装置及设备
CN111413564A (zh) 一种超级电容器失效预警方法、系统以及设备
CN116452242A (zh) 一种基于拟合回归的游戏利润预测方法、装置及设备
CN111259338A (zh) 元器件失效率修正方法、装置、计算机设备及存储介质
JP6707646B2 (ja) ユーティリティシステムにおける供給停止に対処するためのシステムおよび方法
CN114764535A (zh) 用于仿真的电力数据处理方法、装置、设备及存储介质
CN112398226A (zh) 一种供电系统反窃电方法、系统、终端及存储介质
Sun et al. A bi‐level approach to load restoration strategy considering variant length of time steps
Peruffo et al. Synchronous frequency grid dynamics in the presence of a large-scale population of photovoltaic panels
CN116990578B (zh) 基于智慧电力的直流电流检测方法及系统
CN114363205B (zh) 高速链路阻抗突变分析方法、系统、终端及存储介质
CN115932711B (zh) 一种电能表计量可信度的数据处理方法、装置及介质
Osipov et al. Application of Thévenin equivalent sensitivity equations for reliable voltage stability assessment
CN117407264B (zh) 内存老化剩余时间的预测方法、装置、计算机设备及介质
US20230216296A1 (en) Power Prediction Method and Apparatus, and Device
Freire Cellular Time Activation Networks, a novel approach applied to photovoltaic anomaly detection

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