CN116629644B - 一种基于ai模型训练的光伏电站灰尘损失电量预测方法 - Google Patents
一种基于ai模型训练的光伏电站灰尘损失电量预测方法 Download PDFInfo
- Publication number
- CN116629644B CN116629644B CN202310919973.4A CN202310919973A CN116629644B CN 116629644 B CN116629644 B CN 116629644B CN 202310919973 A CN202310919973 A CN 202310919973A CN 116629644 B CN116629644 B CN 116629644B
- Authority
- CN
- China
- Prior art keywords
- dust
- photovoltaic power
- power station
- prediction period
- model
- 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
- 239000000428 dust Substances 0.000 title claims abstract description 225
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012549 training Methods 0.000 title claims abstract description 29
- 238000009825 accumulation Methods 0.000 claims abstract description 118
- 238000001556 precipitation Methods 0.000 claims abstract description 22
- 239000002245 particle Substances 0.000 claims abstract description 20
- 238000002834 transmittance Methods 0.000 claims abstract description 15
- 230000008021 deposition Effects 0.000 claims abstract description 14
- 239000013618 particulate matter Substances 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims description 67
- 238000004062 sedimentation Methods 0.000 claims description 19
- 230000001186 cumulative effect Effects 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 4
- 238000010926 purge Methods 0.000 claims 4
- 238000007792 addition Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- AGOYDEPGAOXOCK-KCBOHYOISA-N clarithromycin Chemical compound O([C@@H]1[C@@H](C)C(=O)O[C@@H]([C@@]([C@H](O)[C@@H](C)C(=O)[C@H](C)C[C@](C)([C@H](O[C@H]2[C@@H]([C@H](C[C@@H](C)O2)N(C)C)O)[C@H]1C)OC)(C)O)CC)[C@H]1C[C@@](C)(OC)[C@@H](O)[C@H](C)O1 AGOYDEPGAOXOCK-KCBOHYOISA-N 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于AI模型训练的光伏电站灰尘损失电量预测方法。包括：根据预测周期内光伏电站空气中颗粒物累计数据、光伏电站倾角和降水量，建立灰尘累积量模型，确定光伏组件灰尘累积量；建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率；根据灰尘损失率和发电量，确定对应的损失电量，确定预测周期开始至选定时间单位的累计损失电量；其中，灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。考虑了空中颗粒物、电站倾角和降水量对灰尘积累的影响，不受光伏电站具体的电路设置或入网扰动影响，预测准确且稳定性好，并且能根据AI模型对参数进行更新，不断提高预测准确率。
Description
技术领域
本发明涉及太阳能发电技术领域，特别涉及一种基于AI模型训练的光伏电站灰尘损失电量预测方法。
背景技术
光伏电站中光伏组件灰尘会降低发电量，还会腐蚀光伏组件，影响光伏组件发电效率和可靠性。因此，有必要根据灰尘情况，对光伏组件适时清洗。
现有的光伏电站清洗判断中依赖于光伏组件对照组电流、电压、功率等电力数据，这些电力数据和电网拓扑、入网扰动等与光伏组件灰尘情况无关的因素具有显著关联，因此，依赖上述电力数据进行灰尘累积量估计、灰尘损失电量判断，或触发光伏组件清洗时，难免存在较大的偏差。
发明内容
为了解决上述问题，做出本发明，通过具体实施方式，提供一种基于AI模型训练的光伏电站灰尘损失电量预测方法。
第一方面，本发明实施例提供一种基于AI模型训练的光伏电站灰尘损失电量预测方法，包括以下步骤：
根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量；
根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率；
根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量；
其中，所述灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。
具体的，根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量，包括以下步骤：
分别获取预测周期内待测日的光伏电站PM2.5和PM10在本预测周期内累计量、光伏电站倾角和待测日降水量；
建立灰尘累积量模型：
式中，表示光伏电站本预测周期内新累积灰尘量，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，/>表示光伏电站倾角，/>表示/>的余弦值，/>表示光伏电站本预测周期内PM2.5累计量，/>表示光伏电站本预测周期内PM10累计量，/>表示光伏电站上一个预测周期留下的灰尘量，/>表示光伏电站PM2.5颗粒的沉降速率，/>表示光伏电站PM10颗粒的沉降速率，/>表示降雨清洗参数，/>表示光伏电站清洗雨量下限，/>表示光伏电站清洗雨量上限，/>表示光伏电站待测日降雨量；
通过所述灰尘累积量模型，确定待测日光伏组件灰尘累积量；
其中，在第一个预测周期中，对、/>、/>和/>赋初值，并将所述灰尘累积量模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新、/>、/>和/>的值。
具体的，根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率，包括以下步骤：
建立灰尘沉积和透光率的拟合关系模型：
，
式中，表示本预测周期内待测日灰尘损失率，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，erf（）为高斯误差函数，/>、/>和/>为所述拟合关系模型参数，其中，在第一个预测周期中，对/>、/>和/>赋初值，并将所述拟合关系模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新/>、/>和的值。
具体的，根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量，包括以下步骤：
分别将预测周期内第一日至待测日光伏电站每日的日发电量乘以对应的灰尘损失率，得到本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量；
根据本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量，确定本预测周期开始至待测日的累计损失电量；
将每日因光伏组件灰尘引起的损失电量和所述累计损失电量输入XGBoost模型进行训练。
具体的，所述基于AI模型训练的光伏电站灰尘损失电量预测方法，还包括以下步骤：
根据单位电量售价和预测周期开始至选定时间单位的累计损失电量，确定预测周期开始至选定时间单位的累计损失金额，根据累计损失金额和清洗成本，设置清洗触发条件；
当确定清洗时，记录清洗完成时对应的时间单位，同时开始下一个预测周期。
具体的，根据累计损失金额和清洗成本，设置清洗触发条件，包括以下步骤：
按照预设修正系数对清洗成本进行修正，将累计损失金额和修正后的清洗成本对比，当累计损失金额超过修正后的清洗成本，且预计未来预设时间内无降雨时，确定光伏组件清洗时间。
具体的，所述时间单位为自然日，或小时，或按预设倍数小时设置的时间长度。
第二方面，本发明实施例提供一种基于AI模型训练的光伏电站灰尘损失电量预测系统，包括：
灰尘累积量确定模块，用于根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量；
灰尘损失率确定模块，用于根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率；
累计损失电量确定模块，用于根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量；
其中，所述灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。
第三方面，本发明实施例提供一种光伏组件灰尘累积量预测方法，包括以下步骤：
分别获取预测周期内待测日的光伏电站PM2.5和PM10在本预测周期内累计量、光伏电站倾角和待测日降水量；
建立灰尘累积量模型：
式中，表示光伏电站本预测周期内新累积灰尘量，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，/>表示光伏电站倾角，/>表示/>的余弦值，/>表示光伏电站本预测周期内PM2.5累计量，/>表示光伏电站本预测周期内PM10累计量，/>表示光伏电站上一个预测周期留下的灰尘量，/>表示光伏电站PM2.5颗粒的沉降速率，/>表示光伏电站PM10颗粒的沉降速率，/>表示降雨清洗参数，/>表示光伏电站清洗雨量下限，/>表示光伏电站清洗雨量上限，/>表示光伏电站待测日降雨量；
通过所述灰尘累积量模型，确定待测日光伏组件灰尘累积量；
其中，在第一个预测周期中，对、/>、/>和/>赋初值，并将所述灰尘累积量模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新、/>、/>和/>的值。
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的基于AI模型训练的光伏电站灰尘损失电量预测方法或光伏组件灰尘累积量预测方法。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明提供的光伏电站灰尘损失电量预测方案，考虑了空中颗粒物、电站倾角和降水量对灰尘积累的影响，不依赖于光伏组件对照组电流、电压、功率等电力数据，不受光伏电站具体的电路设置或入网扰动影响，预测准确且稳定性好，并且能根据AI模型对参数进行更新，不断提高预测准确率。
本发明提供的光伏组件灰尘累积量预测方案，考虑了空中颗粒物沉降速率对灰尘积累的影响，考虑了不同档位的降雨量对组件灰尘积累的不同影响，预测准确，并且能根据XGBoost模型对参数进行更新，不断提高预测准确率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于AI模型训练的光伏电站灰尘损失电量预测方法流程图；
图2为本发明实施例中一种基于AI模型训练的光伏电站灰尘损失电量预测方法具体流程图；
图3为本发明实施例中一种基于AI模型训练的光伏电站灰尘损失电量预测系统框图；
图4为本发明实施例中一种光伏组件灰尘累积量预测方法流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了解决现有技术中存在的问题，本发明实施例提供一种基于AI模型训练的光伏电站灰尘损失电量预测方法，其流程如图1所示，包括如下步骤：
步骤S1：根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量。
在一些具体的实施例中，所述时间单位为自然日，或小时，或按预设倍数小时设置的时间长度。以下以自然日为时间单位为例。
在一些具体的实施例中，根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量，包括以下步骤：
如图2所示，分别获取预测周期内待测日的光伏电站PM2.5和PM10在本预测周期内累计量、光伏电站倾角和待测日降水量，对上述数据进行标准化处理，剔除异常值，以本预测周期开始日期确定积尘起始日期；
建立灰尘累积量模型：
式中，表示光伏电站本预测周期内新累积灰尘量，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，/>表示光伏电站倾角，单位为度°，/>表示的余弦值，/>表示光伏电站本预测周期内PM2.5累计量，单位为微克/m3，/>表示光伏电站本预测周期内PM10累计量，单位为微克/m3，/>表示光伏电站上一个预测周期留下的灰尘量，/>表示光伏电站PM2.5颗粒的沉降速率，/>表示光伏电站PM10颗粒的沉降速率，/>表示降雨清洗参数，/>表示光伏电站清洗雨量下限，/>表示光伏电站清洗雨量上限，/>表示光伏电站待测日降雨量，单位为毫米mm；
通过所述灰尘累积量模型，确定待测日光伏组件灰尘累积量；
其中，如图2所示，在第一个预测周期中，对、/>、/>和/>赋初值，并将所述灰尘累积量模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新/>、/>、/>和/>的值。例如，在第一个预测周期中，/>初值采用0.0001286m/s，/>初值采用0.0005714m/s，/>初值采用25mm，和/>初值采用10mm。
XGBoost模型一个由诸多弱学习器组成的集成学习器，等价于由K棵决策树组成的加法模型，是GBDT（Gradient Boosting Decision Tree）梯度提升树的一个改进版本，能够更快的、更高效率的训练模型。XGBoost模型最初记载在华盛顿大学陈天奇等人的论文《XGBoost：A Scalable Tree Boosting System》中。
上述光伏组件灰尘累积量预测方案，考虑了空中颗粒物沉降速率对灰尘积累的影响，考虑了不同档位的降雨量对组件灰尘积累的不同影响，预测准确，并且能根据XGBoost模型对参数进行更新，不断提高预测准确率。
步骤S2：根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率。其中，所述灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。光伏组件上积累的灰尘，影响了太阳辐射的能量传输效率，所以会引起发电量的减少，相当于是因灰尘引起的损失电量，所以将因灰尘引起的损失电量和对应时段的发电量的比值，称为灰尘损失率。
在一些具体的实施例中，根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率，包括以下步骤：
建立灰尘沉积和透光率的拟合关系模型：
，
式中，表示本预测周期内待测日灰尘损失率，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，erf（）为高斯误差函数，/>、/>和/>为所述拟合关系模型参数，其中，如图2所示，在第一个预测周期中，对/>、/>和/>赋初值，并将所述拟合关系模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新、/>和/>的值。/>、/>和/>初始值可参照ADEL A. Hegazy对不同倾角（0°~90°）玻璃的室外实验而得到的拟合公式系数取值，/>= 0.3437，/>= 0.17，/>= 0.8473。
将每个预测周期的所述灰尘累积量模型、拟合关系模型的输入量、输出量和参数，输入XGBoost模型中进行训练，通过XGBoost模型更新所述灰尘累积量模型、拟合关系模型的参数。
步骤S3：根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量。
在一些具体的实施例中，根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量，包括以下步骤：
分别将预测周期内第一日至待测日光伏电站每日的日发电量乘以对应的灰尘损失率，得到本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量；
根据本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量，确定本预测周期开始至待测日的累计损失电量；
上述过程表示为：
式中，表示本预测周期内待测日灰尘损失率，/>表示待测日光伏电站发电量，/>表示本预测周期内待测日光伏电站损失电量，/>表示预测周期开始至待测日的累计损失电量，/>预测周期待测日前一日的累计损失电量。
将每日因光伏组件灰尘引起的损失电量和所述累计损失电量输入XGBoost模型进行训练。
在一些具体的实施例中，基于AI模型训练的光伏电站灰尘损失电量预测方法，还包括以下步骤：
根据单位电量售价和预测周期开始至选定时间单位的累计损失电量，确定预测周期开始至选定时间单位的累计损失金额，如图2所示，根据累计损失金额和清洗成本，设置清洗触发条件；如果不满足清洗触发条件，保存累计损失发电量和累计损失金额等输入输出量、模型参数。
当确定清洗时，记录清洗完成时对应的时间单位，同时开始下一个预测周期。
在一些具体的实施例中，根据累计损失金额和清洗成本，设置清洗触发条件，包括以下步骤：
按照预设修正系数对清洗成本进行修正，将累计损失金额和修正后的清洗成本对比，当累计损失金额超过修正后的清洗成本，且预计未来预设时间内无降雨时，确定光伏组件清洗时间。例如，基于电站历史统计值，输入光伏组件单次清洗的成本，结合电价计算上一次清洗完成后发电量累计损失金额。如图2所示，如果发电量累计损失金额超过清洗成本的90%，且未来三天没有降雨，则对光伏组件进行清洗，记录清洗日期，作为下一次积尘的起始日期。如果不满足上述任一清洗触发条件，保存累计损失发电量和累计损失金额等输入输出量、模型参数。
本实施例的上述方法中，本发明提供的光伏电站灰尘损失电量预测方案，考虑了空中颗粒物、电站倾角和降水量对灰尘积累的影响，不依赖于光伏组件对照组电流、电压、功率等电力数据，不受光伏电站具体的电路设置或入网扰动影响，预测准确且稳定性好，并且能根据AI模型对参数进行更新，不断提高预测准确率。
本领域技术人员能够对上述顺序进行变换而并不离开本公开的保护范围。
本发明另一实施例提供一种基于AI模型训练的光伏电站灰尘损失电量预测系统，如图3所示，包括：
灰尘累积量确定模块，用于根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量；
灰尘损失率确定模块，用于根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率；
累计损失电量确定模块，用于根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量；
其中，所述灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。
关于上述实施例中的系统，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本实施例中，本发明提供的光伏电站灰尘损失电量预测方案，考虑了空中颗粒物、电站倾角和降水量对灰尘积累的影响，不依赖于光伏组件对照组电流、电压、功率等电力数据，不受光伏电站具体的电路设置或入网扰动影响，预测准确且稳定性好，并且能根据AI模型对参数进行更新，不断提高预测准确率。
本发明另一实施例提供一种光伏组件灰尘累积量预测方法，如图4所示，包括以下步骤：
分别获取预测周期内待测日的光伏电站PM2.5和PM10在本预测周期内累计量、光伏电站倾角和待测日降水量；
建立灰尘累积量模型：
式中，表示光伏电站本预测周期内新累积灰尘量，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，/>表示光伏电站倾角，/>表示/>的余弦值，/>表示光伏电站本预测周期内PM2.5累计量，/>表示光伏电站本预测周期内PM10累计量，/>表示光伏电站上一个预测周期留下的灰尘量，/>表示光伏电站PM2.5颗粒的沉降速率，/>表示光伏电站PM10颗粒的沉降速率，/>表示降雨清洗参数，/>表示光伏电站清洗雨量下限，/>表示光伏电站清洗雨量上限，/>表示光伏电站待测日降雨量；
通过所述灰尘累积量模型，确定待测日光伏组件灰尘累积量；
其中，在第一个预测周期中，对、/>、/>和/>赋初值，并将所述灰尘累积量模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新、/>、/>和/>的值。
本实施例中，本发明提供的光伏组件灰尘累积量预测方案，考虑了空中颗粒物沉降速率对灰尘积累的影响，考虑了不同档位的降雨量对组件灰尘积累的不同影响，预测准确，并且能根据XGBoost模型对参数进行更新，不断提高预测准确率。
基于同一发明构思，本发明实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的基于AI模型训练的光伏电站灰尘损失电量预测方法或光伏组件灰尘累积量预测方法。
凡在本发明的原则范围内做的任何修改、补充和等同替换等，均应仍归属于本发明的专利涵盖范围内。
Claims (16)
1.一种基于AI模型训练的光伏电站灰尘损失电量预测方法，其特征在于，包括以下步骤：
分别获取预测周期内待测日的光伏电站PM2.5和PM10在本预测周期内累计量、光伏电站倾角和待测日降水量；
建立灰尘累积量模型：
式中，表示光伏电站本预测周期内新累积灰尘量，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，/>表示光伏电站倾角，/>表示/>的余弦值，表示光伏电站本预测周期内PM2.5累计量，/>表示光伏电站本预测周期内PM10累计量，/>表示光伏电站上一个预测周期留下的灰尘量，/>表示光伏电站PM2.5颗粒的沉降速率，/>表示光伏电站PM10颗粒的沉降速率，/>表示降雨清洗参数，/>表示光伏电站清洗雨量下限，/>表示光伏电站清洗雨量上限，/>表示光伏电站待测日降雨量；
通过所述灰尘累积量模型，确定待测日光伏组件灰尘累积量；
其中，在第一个预测周期中，对、/>、/>和/>赋初值，并将所述灰尘累积量模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新/>、/>、/>和/>的值；
根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率；
根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量；
其中，所述灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。
2.如权利要求1所述的方法，其特征在于，根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率，包括以下步骤：
建立灰尘沉积和透光率的拟合关系模型：
，
式中，表示本预测周期内待测日灰尘损失率，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，erf（）为高斯误差函数，/>、/>和/>为所述拟合关系模型参数，其中，在第一个预测周期中，对/>、/>和/>赋初值，并将所述拟合关系模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新/>、/>和/>的值。
3.如权利要求1所述的方法，其特征在于，根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量，包括以下步骤：
分别将预测周期内第一日至待测日光伏电站每日的日发电量乘以对应的灰尘损失率，得到本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量；
根据本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量，确定本预测周期开始至待测日的累计损失电量；
将每日因光伏组件灰尘引起的损失电量和所述累计损失电量输入XGBoost模型进行训练。
4.如权利要求1所述的方法，其特征在于，所述基于AI模型训练的光伏电站灰尘损失电量预测方法，还包括以下步骤：
根据单位电量售价和预测周期开始至选定时间单位的累计损失电量，确定预测周期开始至选定时间单位的累计损失金额，根据累计损失金额和清洗成本，设置清洗触发条件；
当确定清洗时，记录清洗完成时对应的时间单位，同时开始下一个预测周期。
5.如权利要求4所述的方法，其特征在于，根据累计损失金额和清洗成本，设置清洗触发条件，包括以下步骤：
按照预设修正系数对清洗成本进行修正，将累计损失金额和修正后的清洗成本对比，当累计损失金额超过修正后的清洗成本，且预计未来预设时间内无降雨时，确定光伏组件清洗时间。
6.如权利要求1至5任一所述的方法，其特征在于，所述时间单位为自然日，或小时，或按预设倍数小时设置的时间长度。
7.一种基于AI模型训练的光伏电站灰尘损失电量预测系统，其特征在于，包括：
灰尘累积量确定模块，用于分别获取预测周期内待测日的光伏电站PM2.5和PM10在本预测周期内累计量、光伏电站倾角和待测日降水量；建立灰尘累积量模型：
，式中，/>表示光伏电站本预测周期内新累积灰尘量，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，/>表示光伏电站倾角，/>表示/>的余弦值，/>表示光伏电站本预测周期内PM2.5累计量，/>表示光伏电站本预测周期内PM10累计量，/>表示光伏电站上一个预测周期留下的灰尘量，/>表示光伏电站PM2.5颗粒的沉降速率，/>表示光伏电站PM10颗粒的沉降速率，/>表示降雨清洗参数，/>表示光伏电站清洗雨量下限，/>表示光伏电站清洗雨量上限，/>表示光伏电站待测日降雨量；通过所述灰尘累积量模型，确定待测日光伏组件灰尘累积量/>；其中，在第一个预测周期中，对/>、/>、/>和赋初值，并将所述灰尘累积量模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新/>、/>、/>和/>的值；
灰尘损失率确定模块，用于根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率；
累计损失电量确定模块，用于根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量；
其中，所述灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。
8.一种基于AI模型训练的光伏电站灰尘损失电量预测方法，其特征在于，包括以下步骤：
根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量；
建立灰尘沉积和透光率的拟合关系模型：，式中，表示本预测周期内待测日灰尘损失率，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，erf（）为高斯误差函数，/>、/>和/>为所述拟合关系模型参数，其中，在第一个预测周期中，对/>、/>和/>赋初值，并将所述拟合关系模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新/>、/>和/>的值；
根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量；
其中，所述灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。
9.如权利要求8所述的方法，其特征在于，根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量，包括以下步骤：
分别获取预测周期内待测日的光伏电站PM2.5和PM10在本预测周期内累计量、光伏电站倾角和待测日降水量；
建立灰尘累积量模型：
式中，表示光伏电站本预测周期内新累积灰尘量，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，/>表示光伏电站倾角，/>表示/>的余弦值，表示光伏电站本预测周期内PM2.5累计量，/>表示光伏电站本预测周期内PM10累计量，/>表示光伏电站上一个预测周期留下的灰尘量，/>表示光伏电站PM2.5颗粒的沉降速率，/>表示光伏电站PM10颗粒的沉降速率，/>表示降雨清洗参数，/>表示光伏电站清洗雨量下限，/>表示光伏电站清洗雨量上限，/>表示光伏电站待测日降雨量；
通过所述灰尘累积量模型，确定待测日光伏组件灰尘累积量；
其中，在第一个预测周期中，对、/>、/>和/>赋初值，并将所述灰尘累积量模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新/>、/>、/>和/>的值。
10.如权利要求8所述的方法，其特征在于，根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量，包括以下步骤：
分别将预测周期内第一日至待测日光伏电站每日的日发电量乘以对应的灰尘损失率，得到本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量；
根据本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量，确定本预测周期开始至待测日的累计损失电量；
将每日因光伏组件灰尘引起的损失电量和所述累计损失电量输入XGBoost模型进行训练。
11.如权利要求8所述的方法，其特征在于，所述基于AI模型训练的光伏电站灰尘损失电量预测方法，还包括以下步骤：
根据单位电量售价和预测周期开始至选定时间单位的累计损失电量，确定预测周期开始至选定时间单位的累计损失金额，根据累计损失金额和清洗成本，设置清洗触发条件；
当确定清洗时，记录清洗完成时对应的时间单位，同时开始下一个预测周期。
12.如权利要求11所述的方法，其特征在于，根据累计损失金额和清洗成本，设置清洗触发条件，包括以下步骤：
按照预设修正系数对清洗成本进行修正，将累计损失金额和修正后的清洗成本对比，当累计损失金额超过修正后的清洗成本，且预计未来预设时间内无降雨时，确定光伏组件清洗时间。
13.如权利要求8至12任一所述的方法，其特征在于，所述时间单位为自然日，或小时，或按预设倍数小时设置的时间长度。
14.一种基于AI模型训练的光伏电站灰尘损失电量预测系统，其特征在于，包括：
灰尘累积量确定模块，用于根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量；
灰尘损失率确定模块，用于建立灰尘沉积和透光率的拟合关系模型：，式中，/>表示本预测周期内待测日灰尘损失率，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，erf（）为高斯误差函数，、/>和/>为所述拟合关系模型参数，其中，在第一个预测周期中，对/>、/>和/>赋初值，并将所述拟合关系模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新/>、/>和/>的值；
累计损失电量确定模块，用于根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量；
其中，所述灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。
15.一种光伏组件灰尘累积量预测方法，其特征在于，包括以下步骤：
分别获取预测周期内待测日的光伏电站PM2.5和PM10在本预测周期内累计量、光伏电站倾角和待测日降水量；
建立灰尘累积量模型：
式中，表示光伏电站本预测周期内新累积灰尘量，/>表示光伏电站本预测周期内待测日光伏组件灰尘累积量，/>表示光伏电站倾角，/>表示/>的余弦值，表示光伏电站本预测周期内PM2.5累计量，/>表示光伏电站本预测周期内PM10累计量，/>表示光伏电站上一个预测周期留下的灰尘量，/>表示光伏电站PM2.5颗粒的沉降速率，/>表示光伏电站PM10颗粒的沉降速率，/>表示降雨清洗参数，/>表示光伏电站清洗雨量下限，/>表示光伏电站清洗雨量上限，/>表示光伏电站待测日降雨量；
通过所述灰尘累积量模型，确定待测日光伏组件灰尘累积量；
其中，在第一个预测周期中，对、/>、/>和/>赋初值，并将所述灰尘累积量模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新/>、/>、/>和/>的值。
16.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现权利要求1至6、8至13任一所述的基于AI模型训练的光伏电站灰尘损失电量预测方法或权利要求15所述的光伏组件灰尘累积量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919973.4A CN116629644B (zh) | 2023-07-26 | 2023-07-26 | 一种基于ai模型训练的光伏电站灰尘损失电量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310919973.4A CN116629644B (zh) | 2023-07-26 | 2023-07-26 | 一种基于ai模型训练的光伏电站灰尘损失电量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116629644A CN116629644A (zh) | 2023-08-22 |
| CN116629644B true CN116629644B (zh) | 2023-10-31 |
Family
ID=87613911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310919973.4A Active CN116629644B (zh) | 2023-07-26 | 2023-07-26 | 一种基于ai模型训练的光伏电站灰尘损失电量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116629644B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372718A (zh) * | 2016-08-29 | 2017-02-01 | 华北电力大学（保定） | 雾霾积灰条件下的光伏发电功率输出减少率估计方法 |
| CN108399493A (zh) * | 2018-02-02 | 2018-08-14 | 上海电气分布式能源科技有限公司 | 积灰致光伏发电量损失预测方法及光伏组件清洗判断方法 |
| CN112926798A (zh) * | 2021-03-26 | 2021-06-08 | 苏州朋友保科技有限公司 | 预测灰尘导致的光伏发电损失的方法、装置、设备及介质 |
| WO2022022007A1 (zh) * | 2020-07-27 | 2022-02-03 | 华为数字能源技术有限公司 | 一种光伏跟踪支架转动系统和控制器 |
| CN114118561A (zh) * | 2021-11-22 | 2022-03-01 | 华能山东发电有限公司众泰电厂 | 一种考虑积灰的光伏组件清洗方法及系统 |
| CN115953148A (zh) * | 2022-12-16 | 2023-04-11 | 西安西热产品认证检测有限公司 | 光伏组件积灰损失计算和清洗时间估算方法及相关装置 |
-
2023
- 2023-07-26 CN CN202310919973.4A patent/CN116629644B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106372718A (zh) * | 2016-08-29 | 2017-02-01 | 华北电力大学（保定） | 雾霾积灰条件下的光伏发电功率输出减少率估计方法 |
| CN108399493A (zh) * | 2018-02-02 | 2018-08-14 | 上海电气分布式能源科技有限公司 | 积灰致光伏发电量损失预测方法及光伏组件清洗判断方法 |
| WO2022022007A1 (zh) * | 2020-07-27 | 2022-02-03 | 华为数字能源技术有限公司 | 一种光伏跟踪支架转动系统和控制器 |
| CN112926798A (zh) * | 2021-03-26 | 2021-06-08 | 苏州朋友保科技有限公司 | 预测灰尘导致的光伏发电损失的方法、装置、设备及介质 |
| CN114118561A (zh) * | 2021-11-22 | 2022-03-01 | 华能山东发电有限公司众泰电厂 | 一种考虑积灰的光伏组件清洗方法及系统 |
| CN115953148A (zh) * | 2022-12-16 | 2023-04-11 | 西安西热产品认证检测有限公司 | 光伏组件积灰损失计算和清洗时间估算方法及相关装置 |
Non-Patent Citations (2)
| Title |
|---|
| 积尘对光伏系统发电的影响研究综述;温岩;赵东;袁春红;郭鹏;;太阳能(11);第36-41页 * |
| 计及雾霾影响因素的光伏发电超短期功率预测;刘卫亮;刘长良;林永君;李静;李金拓;熊峰;陈晨;;中国电机工程学报(14);第4086-4095页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116629644A (zh) | 2023-08-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Daily prediction of solar power generation based on weather forecast information in Korea | |
| CN110880789B (zh) | 一种风电、光伏联合发电系统经济调度方法 | |
| CN110212521B (zh) | 配电网线损计算方法及系统 | |
| CN102521080B (zh) | 一种电力用户用电信息采集系统的计算机数据修复方法 | |
| CN106643765A (zh) | 一种采集异常维修时长计算方法 | |
| CN110311451B (zh) | 梯次电池的充放电的控制方法、系统、设备和存储介质 | |
| CN104281779A (zh) | 一种异常数据判定与处理方法及装置 | |
| CN111680398B (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
| CN116629644B (zh) | 一种基于ai模型训练的光伏电站灰尘损失电量预测方法 | |
| CN113809986B (zh) | 一种低效逆变器确定方法、装置、设备及可读存储介质 | |
| CN109634944A (zh) | 一种基于多维度时空分析的网损数据清洗方法 | |
| JP6314529B2 (ja) | 配電系統の実負荷推定に資する学習データの作成方法、プログラム並びに配電系統の実負荷推定装置および推定方法 | |
| CN115587489A (zh) | 制氢模型的确定方法及装置、非易失性存储介质、处理器 | |
| CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
| CN114118561A (zh) | 一种考虑积灰的光伏组件清洗方法及系统 | |
| JP2012170168A (ja) | 電力系統の縮約モデルのパラメータ推定方法及びその装置 | |
| CN117290666A (zh) | 一种光伏异常功率数据清洗方法 | |
| CN115099541A (zh) | 光伏电站清洗策略的确定方法及装置 | |
| CN111756031B (zh) | 一种电网运行趋势估算方法和系统 | |
| CN114048434A (zh) | 清洗光伏组件的决策方法、评价方法、装置及清洗系统 | |
| CN109494707B (zh) | 用于监视和控制电网的方法 | |
| CN114969017B (zh) | 风功率数据清洗方法、清洗装置及预测方法 | |
| CN107579509A (zh) | 一种解决采样频率偏差对电流保护方向元件影响的方法 | |
| CN117937478B (zh) | 光伏功率预测方法、装置、计算机设备及存储介质 | |
| JP2000309955A (ja) | 配水量の需要予測値修正装置及び需要予測値修正方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |