CN116706906B - 一种光伏电站输出功率的预测方法、装置、设备及介质 - Google Patents
一种光伏电站输出功率的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN116706906B CN116706906B CN202310995607.7A CN202310995607A CN116706906B CN 116706906 B CN116706906 B CN 116706906B CN 202310995607 A CN202310995607 A CN 202310995607A CN 116706906 B CN116706906 B CN 116706906B
- Authority
- CN
- China
- Prior art keywords
- illumination intensity
- time node
- data set
- meteorological data
- target object
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000005286 illumination Methods 0.000 claims abstract description 166
- 238000012544 monitoring process Methods 0.000 claims abstract description 72
- 230000015654 memory Effects 0.000 claims description 27
- 238000013527 convolutional neural network Methods 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 18
- 238000005259 measurement Methods 0.000 claims description 13
- 238000012360 testing method Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 9
- 238000012163 sequencing technique Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 2
- 238000012937 correction Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 8
- 238000007637 random forest analysis Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 5
- 230000002035 prolonged effect Effects 0.000 description 4
- 240000004282 Grewia occidentalis Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Power Engineering (AREA)
- Remote Sensing (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及光伏发电站技术领域,公开了一种光伏电站输出功率的预测方法、装置、设备及介质,该方法包括:获取待测大气范围内的空间图像,并对所述空间图像进行目标对象识别,生成目标对象识别结果;基于所述目标对象识别结果选取监测设备,并获取所述监测设备监测的当前时间节点的气象数据集;将所述当前时间节点的气象数据集与关系数据库进行匹配,基于匹配结果确定预测光照强度;基于所述预测光照强度确定光伏电站输出功率的预测结果;本发明实现降低光伏电站输出功率预测的设备成本的同时实现对区域气象特性的预测。
Description
技术领域
本发明涉及光伏发电站技术领域,具体涉及一种光伏电站输出功率的预测方法、装置、设备及介质。
背景技术
目前光伏电站输出功率模拟或预测主要是通过气象气球,无人机等设备穿越云层或目标大气区域以获取实测气象数据,借助有关地球物理模型计算模拟光照强度,该技术方案所需设备成本较高,而且借助的地球物理模型通常为平均模型,不易于体现区域气象特性。因此如何在降低光伏电站输出功率预测的设备成本的同时,实现对区域气象特性的预测成为亟待解决的技术问题。
发明内容
有鉴于此,本发明提供了一种光伏电站输出功率的预测方法、装置、设备及介质,以解决在降低光伏电站输出功率预测的设备成本的同时,实现对区域气象特性的预测的技术问题。
第一方面,本发明提供了一种光伏电站输出功率的预测方法,包括:获取待测大气范围内的空间图像,并对空间图像进行目标对象识别,生成目标对象识别结果;基于目标对象识别结果选取监测设备,并获取监测设备监测的当前时间节点的气象数据集;将当前时间节点的气象数据集与关系数据库进行匹配,基于匹配结果确定预测光照强度;基于预测光照强度确定光伏电站输出功率的预测结果。
本实施例提供的光伏电站输出功率的预测方法,一方面,通过获取待测大气范围内的空间图像,并对空间图像进行目标对象识别,生成目标对象识别结果,基于目标对象识别结果选取监测设备,考虑大气性质影响,实现不同气象条件选择相对应的监测设备,避免非必要监测设备的运行造成资源的浪费以及干扰因素的影响,降低成本,提高监测精度,同时提高监测设备的适用寿命;另一方面,通过获取监测设备监测的当前时间节点的气象数据集;将当前时间节点的气象数据集与关系数据库进行匹配,来确定预测光照强度,基于预测光照强度确定光伏电站输出功率的预测结果,实现了对光伏电站输出功率的精准预测。
在一种可选的实施方式中,获取待测大气范围内的空间图像之前,还包括:获取光伏面板布设范围,基于光伏面板布设范围确定地面近似区域三维坐标参数集;获取太阳方位参数集和气象雷达有效探测距离,基于地面近似区域三维坐标参数集、太阳方位参数集和气象雷达有效探测距离,确定待测大气范围的三维坐标参数集,生成待测大气范围。
本实施例提供的光伏电站输出功率的预测方法,结合光伏电站光伏面板布设范围,同时考虑了太阳方位影响和象雷达有效探测距离,确定精准的待测大气范围,且能够反映区域光照特性,体现出地区光照强度特点,实现监测设备获取精确气象数据的目的,从而提高光伏电站输出功率预测结果的精度。
在一种可选的实施方式中,通过如下关系式确定待测大气范围的三维坐标参数集,生成待测大气范围:
其中,,/>,/>表示待测大气范围的三维坐标参数,/>表示待测大气范围的三维坐标参数标号,/>,/>,/>表示地面近似区域的三维坐标参数,/>表示地面近似区域的三维坐标参数标号,R表示气象雷达有效探测距离,/>表示太阳高度角参数,/>表示太阳方位角参数。
在一种可选的实施方式中,对空间图像进行目标对象识别,生成目标对象识别结果,包括:获取图像数据集,图像数据集包括含有目标对象的图像和无目标对象的图像;基于图像数据集,对卷积神经网络进行训练,直到满足预设条件,生成二分类卷积神经网络模型;将空间图像输入二分类卷积神经网络模型进行目标对象识别,生成目标对象识别结果。
本实施例提供的光伏电站输出功率的预测方法,利用二分类卷积神经网络模型进行目标对象识别,生成目标对象识别结果。实现对目标对象识别的智能化,提高光伏电站输出功率预测的工作效率,提高对光伏电站输出功率的预测精度。
在一种可选的实施方式中,基于目标对象识别结果选取监测设备,并获取监测设备监测的当前时间节点的气象数据集,包括:当识别到目标对象时,则选取测云雷达、大气雷达、风速仪和风向仪作为监测设备;获取第一气象数据集,第一气象数据集由测云雷达、大气雷达、风速仪和风向仪监测得到;当未识别到目标对象时,则选取大气雷达、风速仪和风向仪作为监测设备;获取第二气象数据集,第二气象数据集由大气雷达、风速仪和风向仪监测得到。
本实施例提供的光伏电站输出功率的预测方法,基于目标对象识别结果选取监测设备,考虑大气性质影响,实现不同气象条件选择相对应的监测设备,避免非必要监测设备的运行造成资源的浪费以及干扰因素的影响,降低成本,提高监测精度,同时提高监测设备的适用寿命;利用气象雷达包括测云雷达、大气激光雷达等现有气象设备,实现一种非接触的、持续性的大气监测、云监测及有关气象数据的获取,无需依赖地球物理模型或无人机、气球等高成本大气探测设备,降低设备投入成本。
在一种可选的实施方式中,将当前时间节点的气象数据集与关系数据库进行匹配,基于匹配结果确定预测光照强度,包括:将当前时间节点的气象数据集与关系数据库进行相似度匹配,确定第一时间节点;关系数据库中存储多个时间节点对应的历史气象数据集与历史光照强度;获取预设时长,基于第一时间节点与预设时长确定第二时间节点;基于关系数据库,确定与第二时间节点对应的历史光照强度,将第二时间节点对应的历史光照强度作为预测光照强度。
本实施例提供的光伏电站输出功率的预测方法,将当前时间节点的气象数据集与关系数据库相似度匹配,确定第一时间节点,并基于第一时间节点与预设时长确定第二时间节点,再基于关系数据库,确定与第二时间节点对应的历史光照强度,将第二时间节点对应的历史光照强度作为预测光照强度,从而实现基于实测气象数据与历史气象数据对光照强度的预测,进而通过预测光照强度确定光伏电站输出功率的预测结果的目的。
在一种可选的实施方式中,将当前时间节点的气象数据集与关系数据库进行相似度匹配,确定第一时间节点,包括:将当前时间节点的气象数据集与关系数据库中多个时间节点对应的历史气象数据集进行相似度匹配,确定与当前时间节点的气象数据集最近似的历史气象数据集;基于关系数据库确定与当前时间节点的气象数据最近似的历史气象数据集对应的第一时间节点。
本实施例提供的光伏电站输出功率的预测方法,将当前时间节点的气象数据集与关系数据库中多个时间节点对应的历史气象数据集进行相似度匹配,确定与当前时间节点的气象数据集最近似的历史气象数据集,使得得到的第一时间节点更加准确,提高对光伏电站输出功率的预测精度。
在一种可选的实施方式中,将当前时间节点的气象数据集与关系数据库中多个时间节点对应的历史气象数据集进行相似度匹配,确定与当前时间节点的气象数据集最近似的历史气象数据集,包括:将当前时间节点的气象数据集分别与多个时间节点对应的历史气象数据集进行相似度匹配,生成多个气象数据相似度均值;将多个气象数据相似度均值进行排序,基于排序结果确定最近似的历史气象数据集。
本实施例提供的光伏电站输出功率的预测方法,通过似度匹配求均值,确定最近似的历史气象数据集,使得历史气象数据集与当前时间节点的气象数据集更加匹配,提高对光伏电站输出功率的预测精度。
在一种可选的实施方式中,还包括:基于关系数据库确定第一时间节点对应的历史光照强度;获取当前时间节点的光照强度,基于当前时间节点的光照强度和第一时间节点对应的历史光照强度,对预测光照强度进行修正,得到修正后的预测光照强度。
本实施例提供的光伏电站输出功率的预测方法,通过对预测光照强度的修正,提高对光伏电站输出功率的预测精度。
在一种可选的实施方式中,基于当前时间节点的光照强度和第一时间节点对应的历史光照强度,对预测光照强度进行修正,得到修正后的预测光照强度,包括:获取当前时间节点的光照强度和第一时间节点对应的历史光照强度的光照强度差值;将第二时间节点对应的历史光照强度与光照强度差值的和作为修正后的预测光照强度。
本实施例提供的光伏电站输出功率的预测方法,通过对预测光照强度的修正,提高对光伏电站输出功率的预测精度。
在一种可选的实施方式中,基于预测光照强度确定光伏电站输出功率的预测结果,包括:获取光伏电站中光伏面板的有效工作面积,基于预测光照强度和光伏面板的有效工作面积确定光伏电站输出功率的预测结果。
在一种可选的实施方式中,还包括:获取光伏电站输出功率预测结果对应的实测气象数据与实测光照强度;基于实测气象数据与实测光照强度更新关系数据库。
本实施例提供的光伏电站输出功率的预测方法,通过在系统运行过程中,不断更新关系数据库,提高系统针对区域光照强度特征的反映能力,提高对光伏电站输出功率的预测精度。
第二方面,本发明提供了一种光伏电站输出功率的预测装置,包括:第一获取模块,用于获取待测大气范围内的空间图像,并对空间图像进行目标对象识别,生成目标对象识别结果;第二获取模块,用于基于目标对象识别结果选取监测设备,并获取监测设备监测的当前时间节点的气象数据集;匹配模块,用于将当前时间节点的气象数据集与关系数据库进行匹配,基于匹配结果确定预测光照强度;预测模块,用于基于预测光照强度确定光伏电站输出功率的预测结果。
第三方面,本发明提供了一种计算机设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的光伏电站输出功率的预测方法。
第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的光伏电站输出功率的预测方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式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,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的光伏电站输出功率的预测方法的流程示意图;
图2是根据本发明实施例的另一光伏电站输出功率的预测方法的流程示意图;
图3是根据本发明实施例的又一光伏电站输出功率的预测方法的流程示意图;
图4是根据本发明实施例的光伏电站输出功率的预测装置的结构框图;
图5是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域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,都属于本发明保护的范围。
本说明书提供的光伏电站输出功率的预测方法,可以应用于光伏电站控制系统中的电子设备;该电子设备可以但不限于包括笔记本、台式电脑、移动终端,移动终端如手机、平板电脑等;当然,本说明书提供的光伏电站输出功率的预测方法,也可以应用于运行在上述电子设备中的应用程序内。
本发明实施例提供了一种光伏电站输出功率的预测方法,通过考虑大气性质影响,实现不同气象条件选择相对应的监测设备,避免非必要监测设备的运行造成资源的浪费以及干扰因素的影响,降低成本,提高监测精度,同时提高监测设备的适用寿命;同时通过获取监测设备监测的当前时间节点的气象数据集;将当前时间节点的气象数据集与关系数据库进行匹配,来确定预测光照强度,基于预测光照强度确定光伏电站输出功率的预测结果,实现了对光伏电站输出功率的精准预测。
根据本发明实施例,提供了一种光伏电站输出功率的预测方法实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种光伏电站输出功率的预测方法,可用于上述的笔记本、台式电脑、移动终端,移动终端如手机、平板电脑等,图1是根据本发明实施例的光伏电站输出功率的预测方法的流程图,如图1所示,该流程包括如下步骤:
步骤S101,获取待测大气范围内的空间图像,并对空间图像进行目标对象识别,生成目标对象识别结果。
具体地,获取光伏面板布设范围,基于光伏面板布设范围确定地面近似区域三维坐标参数集。
进一步地,光伏面板布设范围可以但不限于通过测量设备测量,或者查阅光伏面板布设图纸等方式获取;其中,光伏面板布设范围可以但不限于是矩形、圆形等规则形状或者其他不规则形状;本实施例以光伏面板布设范围为矩形为例;针对光伏电站的光伏面板布设范围,将其视为或者近似视为一个矩形,设为地面近似矩形,该矩形应将光伏面板布设范围完全包含;建立一定三维坐标系,则根据所获取的地面近似矩形提取其四角点的坐标参数特征点,得到地面近似区域三维坐标参数集,记为,/>表示光伏面板布设范围对应近似矩形四角特征点的三维坐标参数集,/>表示第/>个地面近似区域三维坐标参数。
具体地,获取太阳方位参数集和气象雷达有效探测距离,基于地面近似区域三维坐标参数集、太阳方位参数集和气象雷达有效探测距离,确定待测大气范围的三维坐标参数集,生成待测大气范围。
进一步地,待测大气范围可以根据待测大气范围近似矩形四角特征点的三维坐标参数集确定,待测大气范围的三维坐标参数集可以表示为,/>表示第/>个待测大气范围三维坐标参数,/>表示时间,即待测大气范围近似矩形四角特征点的三维坐标参数与时间相关;待测大气范围的三维坐标参数集也可以表示为,其中,/>表示太阳方位参数集,/>表示气象雷达有效探测距离。
进一步地,太阳方位参数可以通过如下关系式(1)来确定:
(1)
其中,为目标日期的太阳赤纬,n为目标日期对应当年的天数序号(n=0~365),/>为光伏电站所在地的地理纬度,/>为太阳高度角参数,/>为时角,/>为太阳方位角,/>为太阳方位参数集,是以时间/>及对应太阳高度角参数/>及太阳方位角参数/>的形式表达。
进一步地,气象雷达有效探测距离可以通过查阅设备参数获取。
进一步地,待测大气范围的三维坐标参数集可以通过如下关系式(2)来确定:
(2)
其中,,/>,/>表示待测大气范围的三维坐标参数,/>表示待测大气范围的三维坐标参数标号,/>,/>,/>表示地面近似区域的三维坐标参数,/>表示地面近似区域的三维坐标参数标号,R表示气象雷达有效探测距离,/>表示太阳高度角参数,/>表示太阳方位角参数。
本实施例提供的光伏电站输出功率的预测方法,结合光伏电站光伏面板布设范围,同时考虑了太阳方位影响和象雷达有效探测距离,确定精准的待测大气范围,且能够反映区域光照特性,体现出地区光照强度特点,实现监测设备获取精确气象数据的目的,从而提高光伏电站输出功率预测结果的精度。
进一步地,在确定待测大气范围后,对监测设备进行调整,监测设备的监测范围随着待测大气范围的改变而进行适应性调整;调整之后,利用机器视觉设备,如摄像机来获取空间图像;目标对象可以包括但不限于云、太阳等,空间图像中可以包含有目标对象,如云,也可以不包括目标对象;空间图像中是否含有目标对象可以通过预设目标识别模型进行识别;识别结果包括空间图像中包含有目标对象和空间图像中不包括目标对象;识别结果也可以包括待测大气范围内包含有目标对象和待测大气范围内不包含有目标对象。
进一步地,对空间图像进行目标对象识别,生成目标对象识别结果,包括:获取图像数据集,图像数据集包括含有目标对象的图像和无目标对象的图像;图像数据集可以但不限于通过现场拍摄或搜集现有历史图像或直接采购获得现有的有云天空/无云二分类数据库来获得足量的空间图像;以目标对象为云为例,图像数据集包括含有云天空图像及无云天空图像,并分别进行有云天空/无云天空的标记,建立有云天空/无云天空二分类数据库。
基于图像数据集,对卷积神经网络进行训练,直到满足预设条件,生成二分类卷积神经网络模型;
具体地,利用有云天空/无云天空二分类图像数据集对卷积神经网络进行训练,卷积神经网络包括但不限于VGG(Visual Geometry Group,视觉几何网络)、ResNet(ResidualNeural Network,残差神经网络)、Inception等常用卷积神经网络模型;直到满足预设条件,如卷积神经网络输出结果的损失满足预设条件,预设条件本领域技术人员可以根据实际情况进行设置,此处不做限制;最终得到训练完成的有云/无云二分类卷积神经网络模型。
将空间图像输入二分类卷积神经网络模型进行目标对象识别,生成目标对象识别结果。
具体地,可以在光伏电站布设机器视觉设备,如录像机,并将镜头调整至覆盖待测大气范围的天空区域,录像机进行实时录像;设定关键帧获取时间节点,如设定为5分钟;针对获取的关键帧图片,利用训练完成的有云/无云二分类卷积神经网络模型进行二分类;基于已训练的卷积神经网络,当关键帧图片的二分类结果为有云判定时,可认为目标区域有云;当关键帧图片的二分类结果为无云判定时,可认为目标区域没有云,进而生成目标对象识别结果。
本实施例提供的光伏电站输出功率的预测方法,利用二分类卷积神经网络模型进行目标对象识别,生成目标对象识别结果,实现了对目标对象识别的智能化,提高了光伏电站输出功率预测的工作效率,提高对光伏电站输出功率的预测精度。
步骤S102,基于目标对象识别结果选取监测设备,并获取监测设备监测的当前时间节点的气象数据集。
具体地,不同的目标对象识别结果所选取监测设备不同;以目标对象为云为例,当在空间图像中没有识别到云时,说明待测大气范围内没有云,则不需要选取专门监测云顶、云底的高度的监测设备,否则需要;基于选取的监测设备来获取当前时间节点的气象数据集,气象数据集中可以包括但不限于时间、光照强度、太阳方位、测云雷达输出参数、大气雷达输出参数、风向及风速等气象数据。
步骤S103,将当前时间节点的气象数据集与关系数据库进行匹配,基于匹配结果确定预测光照强度。
步骤S104,基于预测光照强度确定光伏电站输出功率的预测结果。
具体地,光照强度与光伏电站输出功率具有关联关系或者对应关系;可以但不限于通过光照强度与光伏电站输出功率对照表,来确定光伏电站输出功率的预测结果。
进一步地,基于关系数据库确定第一时间节点对应的历史光照强度;获取当前时间节点的光照强度,基于当前时间节点的光照强度和第一时间节点对应的历史光照强度,对预测光照强度进行修正,得到修正后的预测光照强度;通过对预测光照强度的修正,提高对光伏电站输出功率的预测精度。
进一步地,获取当前时间节点的光照强度和第一时间节点对应的历史光照强度的光照强度差值;将第二时间节点对应的历史光照强度与光照强度差值的和作为修正后的预测光照强度;通过对预测光照强度的修正,提高对光伏电站输出功率的预测精度。
进一步地,还可以设置实时的预测误差的修正步骤,获取光伏电站的预测功率集和实测功率集的历史数据,根据预测功率集和实测功率集的差值得到预测误差序列;
进一步地,预测误差E err的计算式如下式(3)所示:
E err=(P pre-P real)(3)
式中,P pre为预测功率,P real为实测功率;
进一步地,建立光伏电站功率误差预测模型,根据预测误差序列得到误差预测值E err';
进一步地,通过误差预测值E err'对风电功率预测值P pre进行修正,得到预测功率修正值P corr,P corr=P pre+(E err'-E err)。
进一步地,功率误差预测模型可以是机器学习模型(例如随机森林算法、支持向量机算法、神经网络算法、随机森林(RF)算法等等,仅作为举例说明,不以此为限制),例如采用随机森林(RF)误差修正模型,随机森林(RF)由多个不同的决策树构成,对每个决策树的预测结果进行求均值处理作为最终预测结果;用机器学习模型学习预测误差E err的误差特性,然后用学习好的模型预测风电站误差预测值E err'序列,通过误差预测值E err'对风电功率预测值P pre进行修正,得到预测功率修正值P corr:
P corr=P pre+(E err'-E err)(4)
进一步地,其它预测误差的修正方法,例如迭代误差修正,计算出第1次功率真实值与预测值的差值Δy 0,把Δy 0作为下1次预测的输入值,结合第1次误差修正的输入样本{X 1,…,X n,W,Δy 0},然后进行第2次误差修正,以此类推。其中X 1,…,X n为n个气象特征因素。当预测的第i次差值Δy i满足条件时,即可停止预测,再对每次预测的误差分时刻择优选取。
进一步地,误差修正步骤如下:
1)通过功率预测模型得到第1次功率预测值,并求出真实值与预测值之差Δy 0,将其作为第1次误差修正输入值,同时输出第1次预测差值Δy 1。
2)重复步骤1,把Δy 1作为第2次迭代误差修正的输入值,同时输出第2次预测差值Δy 2。
3)重复步骤,把Δy i-1作为第i次迭代误差修正的输入值,同时输出第i次预测差值Δy i。
进一步地,当|Δy i|<|Δy i-1|时,说明通过迭代修正后的误差得到改善。当预测的误差满足条件时即可停止误差修正,得到第i次差值为Δy i;为避免每次误差修正产生的异常值,可以设置最优选择模型,得到第i次最优误差输出值Δy o,i为:
(5)
式中:y for为修正后的预测功率值;Δy o,m,n为第m个数据和第n个气象特征因素下的最优误差输出值;为功率实际值。
进一步地,获取光伏电站中光伏面板的有效工作面积,基于预测光照强度和光伏面板的有效工作面积确定光伏电站输出功率的预测结果;如输出功率可以用预测光照强度和光伏面板的有效工作面积的乘积来确定。
进一步地,获取光伏电站输出功率预测结果对应的实测气象数据与实测光照强度;基于实测气象数据与实测光照强度更新关系数据库;通过在系统运行过程中,不断更新扩充关系数据库,提高系统针对区域光照强度特征的反映能力,有助于提高对光伏电站输出功率的预测精度。
本实施例提供的光伏电站输出功率的预测方法,一方面,通过获取待测大气范围内的空间图像,并对空间图像进行目标对象识别,生成目标对象识别结果,基于目标对象识别结果选取监测设备,考虑大气性质影响,实现不同气象条件选择相对应的监测设备,避免非必要监测设备的运行造成资源的浪费以及干扰因素的影响,降低成本,提高监测精度,同时提高监测设备的适用寿命;另一方面,通过获取监测设备监测的当前时间节点的气象数据集;将当前时间节点的气象数据集与关系数据库进行匹配,来确定预测光照强度,基于预测光照强度确定光伏电站输出功率的预测结果,实现了对光伏电站输出功率的精准预测。
在本实施例中提供了一种光伏电站输出功率的预测方法,可用于上述的笔记本、台式电脑、移动终端,移动终端如手机、平板电脑等,图2是根据本发明实施例的光伏电站输出功率的预测方法的流程图,如图2所示,该流程包括如下步骤:
步骤S201,获取待测大气范围内的空间图像,并对空间图像进行目标对象识别,生成目标对象识别结果;详细请参见图1所示实施例的步骤S101,在此不再赘述。
步骤S202,基于目标对象识别结果选取监测设备,并获取监测设备监测的当前时间节点的气象数据集。
具体地,上述步骤S202包括:
步骤S2021,当识别到目标对象时,则选取测云雷达、大气雷达、风速仪和风向仪作为监测设备。
步骤S2022,获取第一气象数据集,第一气象数据集由测云雷达、大气雷达、风速仪和风向仪监测得到。
具体地,测云雷达采集云顶高度数据、云底高度数据等,如空中出现多层云时,还能测出各层的高度测云雷达的工作波长主要在毫米波段,它是利用云粒子对电磁波的散射特性,通过对云的雷达回波分析了解云的各种特性,云的回波参数反映了云的宏观和微观结构;如回波顶的高度、回波的体积和面积等反映了云的特征尺度,回波强度反映了云中粒子的大小和浓度,回波强度在时间和空间上的变化反映了云内微物理过程的结构和演变特征等;大气雷达,即大气激光雷达,是激光雷达特有的一种应用,其利用激光与大气成分的相互作用来进行探测,如大气雷达可以采用大气激光雷达探测扫描光伏电站待测大气范围得到目标空域激光散射吸收后反馈信号,基于反馈信号收到大气气体分子和气溶胶对激光的散射吸收特性来推断和估计大气云层信息;风速仪采集待测大气范围内风速数据,风向仪采集待测大气范围内风向数据;进而基于云顶高度数据、云底高度数据、大气云层信息、风速数据和风向数据构成第一气象数据集。
步骤S2023,当未识别到目标对象时,则选取大气雷达、风速仪和风向仪作为监测设备。
步骤S2024,获取第二气象数据集,第二气象数据集由大气雷达、风速仪和风向仪监测得到。
具体地,大气雷达采集大气云层信息,风速仪采集待测大气范围内风速数据,风向仪采集待测大气范围内风向数据;进而基于大气云层信息、风速数据和风向数据构成第二气象数据集。
步骤S203,将当前时间节点的气象数据集与关系数据库进行匹配,基于匹配结果确定预测光照强度;详细请参见图1所示实施例的步骤S103,在此不再赘述。
步骤S204,基于预测光照强度确定光伏电站输出功率的预测结果。详细请参见图1所示实施例的步骤S104,在此不再赘述。
本实施例提供的光伏电站输出功率的预测方法,基于目标对象识别结果选取监测设备,考虑大气性质影响,实现不同气象条件选择相对应的监测设备,避免非必要监测设备的运行造成资源的浪费以及干扰因素的影响,降低成本,提高监测精度,同时提高监测设备的适用寿命;利用气象雷达包括测云雷达、大气激光雷达等现有气象设备,实现一种非接触的、持续性的大气监测、云监测及有关气象数据的获取,无需依赖地球物理模型或无人机、气球等高成本大气探测设备,降低设备投入成本。
在本实施例中提供了一种光伏电站输出功率的预测方法,可用于上述的笔记本、台式电脑、移动终端,移动终端如手机、平板电脑等,图3是根据本发明实施例的光伏电站输出功率的预测方法的流程图,如图3所示,该流程包括如下步骤:
步骤S301,获取待测大气范围内的空间图像,并对空间图像进行目标对象识别,生成目标对象识别结果;详细请参见图2所示实施例的步骤S201,在此不再赘述。
步骤S302,基于目标对象识别结果选取监测设备,并获取监测设备监测的当前时间节点的气象数据集;详细请参见图2所示实施例的步骤S202,在此不再赘述。
步骤S303,将当前时间节点的气象数据集与关系数据库进行匹配,基于匹配结果确定预测光照强度。
具体地,上述步骤S303包括:
步骤S3031,将当前时间节点的气象数据集与关系数据库进行相似度匹配,确定第一时间节点;关系数据库中存储多个时间节点对应的历史气象数据集与历史光照强度。
具体地,上述步骤S3031包括:
步骤a1,将当前时间节点的气象数据集与关系数据库中多个时间节点对应的历史气象数据集进行相似度匹配,确定与当前时间节点的气象数据集最近似的历史气象数据集。
具体地,将当前时间节点的气象数据集分别与多个时间节点对应的历史气象数据集进行相似度匹配,生成多个气象数据相似度均值;将多个气象数据相似度均值进行排序,基于排序结果确定最近似的历史气象数据集。
步骤a2,基于关系数据库确定与当前时间节点的气象数据最近似的历史气象数据集对应的第一时间节点。
本实施例提供的光伏电站输出功率的预测方法,将当前时间节点的气象数据集与关系数据库中多个时间节点对应的历史气象数据集进行相似度匹配,确定与当前时间节点的气象数据集最近似的历史气象数据集,使得得到的第一时间节点更加准确,提高对光伏电站输出功率的预测精度。
步骤S3032,获取预设时长,基于第一时间节点与预设时长确定第二时间节点。
步骤S3033,基于关系数据库,确定与第二时间节点对应的历史光照强度,将第二时间节点对应的历史光照强度作为预测光照强度。
具体地,关系数据库为预先构建得到;以目标对象为云为例,关系数据库的构建过程包括:获取多个同一时间节点下的时间、光照强度参数、太阳方位参数、大气参数(包括云层参数)、风向参数及风速参数,并设定为关联参数集;其中,针对有云及无云情况分别建立两类数据集合,即第一气象数据集、第二气象数据集。
进一步地,第一气象数据集包括:时间、光照强度、太阳方位角参数、太阳高度角参数、测云雷达输出参数、大气雷达输出参数、风向参数及风速参数:
(6)
其中,表示第一气象数据集,t表示时间,L为光照强度,/>为太阳方位角参数,/>为太阳高度角参数,E c为测云雷达输出参数,E a为大气雷达输出参数,W d为风向参数,W s为风速参数。
进一步地,第二气象数据集包括:时间、光照强度、太阳方位角参数、太阳高度角参数、大气雷达输出参数、风向参数及风速参数。
(7)
其中,表示第二气象数据集,t表示时间,L为光照强度,/>为太阳方位角参数,/>为太阳高度角参数,E a为大气雷达输出参数,W d为风向参数,W s为风速参数。
进一步地,根据数据集参数的种类,可确定其维度;第一气象数据集及第二气象数据集的集合为数据库。
进一步地,需采集至少一年以上的有关数据,才能够认为建立了“大气参数-光照强度”关系数据库。
进一步地,关系数据库中存储多个时间节点对应的历史气象数据集与历史光照强度;将当前时间节点的气象数据集与关系数据库中的历史气象数据集进行匹配,得到最近似历史气象数据集以及对应的时间节点,基于该时间节点确定预测时间节点的预测光照强度。
进一步地,当待预测的时间点的目标天空为有云判定时,基于当时的测云雷达输出参数、太阳方位、风向及风速,通过聚类算法,在第一气象数据集,通过聚类算法找到最近似历史参数对应的光照强度,在该参数节点上,根据时间向前推进0-2h或0-4h,得到未来0-2h或0-4h的预测光照强度。
(8)
其中,为聚类函数,/>为针对第一气象数据集进行聚类输入的参数,包括太阳方位角参数/>,太阳高度角参数/>、测云雷达输出参数/>、大气雷达输出参数/>、风向参数/>及风速参数/>、/>为针对输入参数在第一气象数据集/>中聚类得到最近的特征光照强度/>,及该特征光照强度/>对应的时间节点/>;为根据时间节点/>向前推进0-2h,在第一气象数据集/>中能够输出的光照强度数据集,即预测得到未来0-2h的预测光照强度;/>为根据时间节点/>向前推进0-4h,在第一气象数据集/>中能够输出的光照强度数据集,即预测得到未来0-4h的预测光照强度。
进一步地,当待预测的时间点的目标天空为无云判定时,基于当时的大气雷达输出参数、太阳方位、风向及风速,通过聚类算法,在第二气象数据集,通过聚类算法找到最近似历史参数对应的光照强度,在该参数节点上,根据时间向前推进0-2h或0-4h,得到未来0-2h或0-4h的预测光照强度。
(9)
其中,为聚类函数,/>为针对第二气象数据集/>进行聚类输入的参数,包括太阳方位角参数/>,太阳高度角参数/>、大气雷达输出参数/>、风向参数/>及风速参数/>;/>为针对输入参数在第二气象数据集/>中聚类得到最近的特征光照强度/>,及该特征光照强度/>对应的时间节点/>;/>为根据时间节点/>向前推进0-2h,在第二气象数据集/>中能够输出的光照强度数据集,即预测得到未来0-2h的预测光照强度;/>为根据时间节点/>向前推进0-4h,在第二气象数据集/>中能够输出的光照强度数据集,即预测得到未来0-4h的预测光照强度。
步骤S304,基于预测光照强度确定光伏电站输出功率的预测结果;详细请参见图2所示实施例的步骤S204,在此不再赘述。
本实施例提供的光伏电站输出功率的预测方法,将当前时间节点的气象数据集与关系数据库相似度匹配,确定第一时间节点,并基于第一时间节点与预设时长确定第二时间节点,再基于关系数据库,确定与第二时间节点对应的历史光照强度,将第二时间节点对应的历史光照强度作为预测光照强度,从而实现基于实测气象数据与历史气象数据对光照强度的预测,进而通过预测光照强度确定光伏电站输出功率的预测结果的目的。
在本实施例中还提供了一种光伏电站输出功率的预测装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述;如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合;尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种光伏电站输出功率的预测装置,如图4所示,包括:
第一获取模块401,用于获取待测大气范围内的空间图像,并对空间图像进行目标对象识别,生成目标对象识别结果;
第二获取模块402,用于基于目标对象识别结果选取监测设备,并获取监测设备监测的当前时间节点的气象数据集;
匹配模块403,用于将当前时间节点的气象数据集与关系数据库进行匹配,基于匹配结果确定预测光照强度;
预测模块404,用于基于预测光照强度确定光伏电站输出功率的预测结果。
在一些可选的实施方式中,还包括:
第三获取模块,用于获取光伏面板布设范围,基于光伏面板布设范围确定地面近似区域三维坐标参数集;
第四获取模块,用于获取太阳方位参数集和气象雷达有效探测距离,基于地面近似区域三维坐标参数集、太阳方位参数集和气象雷达有效探测距离,确定待测大气范围的三维坐标参数集,生成待测大气范围。
在一些可选的实施方式中,第四获取模块中,待测大气范围的三维坐标参数集可以通过如下关系式(2)来确定:
(2)/>
其中,,/>,/>表示待测大气范围的三维坐标参数,/>表示待测大气范围的三维坐标参数标号,/>,/>,/>表示地面近似区域的三维坐标参数,/>表示地面近似区域的三维坐标参数标号,R表示气象雷达有效探测距离,/>表示太阳高度角参数,/>表示太阳方位角参数。
在一些可选的实施方式中,第一获取模块401包括:
第一获取子模块,用于获取图像数据集,图像数据集包括含有目标对象的图像和无目标对象的图像;
训练子模块,用于基于图像数据集,对卷积神经网络进行训练,直到满足预设条件,生成二分类卷积神经网络模型;
生成子模块,用于将空间图像输入二分类卷积神经网络模型进行目标对象识别,生成目标对象识别结果。
在一些可选的实施方式中,第二获取模块402包括:
第一选取子模块,用于当识别到目标对象时,则选取测云雷达、大气雷达、风速仪和风向仪作为监测设备;
第二获取子模块,用于获取第一气象数据集,第一气象数据集由测云雷达、大气雷达、风速仪和风向仪监测得到;
第二选取子模块,用于当未识别到目标对象时,则选取大气雷达、风速仪和风向仪作为监测设备;
第三获取子模块,用于获取第二气象数据集,第二气象数据集由大气雷达、风速仪和风向仪监测得到。
在一些可选的实施方式中,匹配模块403包括:
匹配子模块,用于将当前时间节点的气象数据集与关系数据库进行相似度匹配,确定第一时间节点;关系数据库中存储多个时间节点对应的历史气象数据集与历史光照强度;
第四获取子模块,用于获取预设时长,基于第一时间节点与预设时长确定第二时间节点;
确定子模块,用于基于关系数据库,确定与第二时间节点对应的历史光照强度,将第二时间节点对应的历史光照强度作为预测光照强度。
在一些可选的实施方式中,匹配子模块包括:
匹配单元,用于将当前时间节点的气象数据集与关系数据库中多个时间节点对应的历史气象数据集进行相似度匹配,确定与当前时间节点的气象数据集最近似的历史气象数据集;
确定单元,用于基于关系数据库确定与当前时间节点的气象数据最近似的历史气象数据集对应的第一时间节点。
在一些可选的实施方式中,匹配单元包括:
匹配子单元,用于将当前时间节点的气象数据集分别与多个时间节点对应的历史气象数据集进行相似度匹配,生成多个气象数据相似度均值;
排序子单元,用于将多个气象数据相似度均值进行排序,基于排序结果确定最近似的历史气象数据集。
在一些可选的实施方式中,还包括:
第一确定模块,用于基于关系数据库确定第一时间节点对应的历史光照强度;
修正模块,用于获取当前时间节点的光照强度,基于当前时间节点的光照强度和第一时间节点对应的历史光照强度,对预测光照强度进行修正,得到修正后的预测光照强度。
在一些可选的实施方式中,修正模块,包括:
第五获取模块,用于获取当前时间节点的光照强度和第一时间节点对应的历史光照强度的光照强度差值;
第二确定模块,用于将第二时间节点对应的历史光照强度与光照强度差值的和作为修正后的预测光照强度。
在一些可选的实施方式中,预测模块404,包括:
第五获取子模块,用于获取光伏电站中光伏面板的有效工作面积,基于预测光照强度和光伏面板的有效工作面积确定光伏电站输出功率的预测结果。
在一些可选的实施方式中,还包括:
第六获取模块,用于获取光伏电站输出功率预测结果对应的实测气象数据与实测光照强度;
更新模块,用于基于实测气象数据与实测光照强度更新关系数据库。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本实施例中的光伏电站输出功率的预测装置是以功能单元的形式来呈现,这里的单元是指ASIC(Application Specific Integrated Circuit,专用集成电路)电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备,具有上述图4所示的光伏电站输出功率的预测装置。
请参阅图5,图5是本发明可选实施例提供的一种计算机设备的结构示意图,如图5所示,该计算机设备包括:一个或多个处理器10、存储器20,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相通信连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个计算机设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器10为例。
处理器10可以是中央处理器,网络处理器或其组合。其中,处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路,可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件,现场可编程逻辑门阵列,通用阵列逻辑或其任意组合。
其中,所述存储器20存储有可由至少一个处理器10执行的指令,以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备的使用所创建的数据等。此外,存储器20可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中,存储器20可选包括相对于处理器10远程设置的存储器,这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器,例如,随机存取存储器;存储器也可以包括非易失性存储器,例如,快闪存储器,硬盘或固态硬盘;存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括输入装置30和输出装置40。处理器10、存储器20、输入装置30和输出装置40可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置30可接收输入的数字或字符信息,以及产生与该计算机设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等。输出装置40可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。上述显示设备包括但不限于液晶显示器,发光二极管,显示器和等离子体显示器。在一些可选的实施方式中,显示设备可以是触摸屏。
本发明实施例还提供了一种计算机可读存储介质,上述根据本发明实施例的方法可在硬件、固件中实现,或者被实现为可记录在存储介质,或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码,从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中,存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等;进一步地,存储介质还可以包括上述种类的存储器的组合。可以理解,计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件,当软件或计算机代码被计算机、处理器或硬件访问且执行时,实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (13)
1.一种光伏电站输出功率的预测方法,其特征在于,所述方法包括:
获取待测大气范围内的空间图像,并对所述空间图像进行目标对象识别,生成目标对象识别结果;
基于所述目标对象识别结果选取监测设备,并获取所述监测设备监测的当前时间节点的气象数据集;
将所述当前时间节点的气象数据集与关系数据库进行匹配,基于匹配结果确定预测光照强度;
基于所述预测光照强度确定光伏电站输出功率的预测结果;
所述基于所述目标对象识别结果选取监测设备,并获取所述监测设备监测的当前时间节点的气象数据集,包括:
当识别到所述目标对象时,则选取测云雷达、大气雷达、风速仪和风向仪作为监测设备;
获取第一气象数据集,所述第一气象数据集由所述测云雷达、所述大气雷达、所述风速仪和所述风向仪监测得到;
当未识别到所述目标对象时,则选取所述大气雷达、所述风速仪和所述风向仪作为监测设备;
获取第二气象数据集,所述第二气象数据集由所述大气雷达、所述风速仪和所述风向仪监测得到;
所述将所述当前时间节点的气象数据集与关系数据库进行匹配,基于匹配结果确定预测光照强度,包括:
将所述当前时间节点的气象数据集与关系数据库进行相似度匹配,确定第一时间节点;所述关系数据库中存储多个时间节点对应的历史气象数据集与历史光照强度;
获取预设时长,基于所述第一时间节点与所述预设时长确定第二时间节点;
基于所述关系数据库,确定与所述第二时间节点对应的历史光照强度,将所述第二时间节点对应的历史光照强度作为所述预测光照强度。
2.根据权利要求1所述的方法,其特征在于,所述获取待测大气范围内的空间图像之前,还包括:
获取光伏面板布设范围,基于所述光伏面板布设范围确定地面近似区域三维坐标参数集;
获取太阳方位参数集和气象雷达有效探测距离,基于所述地面近似区域三维坐标参数集、所述太阳方位参数集和所述气象雷达有效探测距离,确定待测大气范围的三维坐标参数集,生成待测大气范围。
3.根据权利要求2所述的方法,其特征在于,通过如下关系式确定待测大气范围的三维坐标参数集:
其中,,/>,/>表示待测大气范围的三维坐标参数,/>表示待测大气范围的三维坐标参数标号,/>,/>,/>表示地面近似区域的三维坐标参数,/>表示地面近似区域的三维坐标参数标号,R表示气象雷达有效探测距离,/>表示太阳高度角参数,/>表示太阳方位角参数。
4.根据权利要求1所述的方法,其特征在于,所述对所述空间图像进行目标对象识别,生成目标对象识别结果,包括:
获取图像数据集,所述图像数据集包括含有目标对象的图像和无目标对象的图像;
基于所述图像数据集,对卷积神经网络进行训练,直到满足预设条件,生成二分类卷积神经网络模型;
将所述空间图像输入所述二分类卷积神经网络模型进行目标对象识别,生成所述目标对象识别结果。
5.根据权利要求1所述的方法,其特征在于,所述将所述当前时间节点的气象数据集与关系数据库进行相似度匹配,确定第一时间节点,包括:
将所述当前时间节点的气象数据集与关系数据库中多个时间节点对应的历史气象数据集进行相似度匹配,确定与所述当前时间节点的气象数据集最近似的历史气象数据集;
基于所述关系数据库确定与所述当前时间节点的气象数据最近似的历史气象数据集对应的第一时间节点。
6.根据权利要求5所述的方法,其特征在于,所述将所述当前时间节点的气象数据集与关系数据库中多个时间节点对应的历史气象数据集进行相似度匹配,确定与所述当前时间节点的气象数据集最近似的历史气象数据集,包括:
将所述当前时间节点的气象数据集分别与所述多个时间节点对应的历史气象数据集进行相似度匹配,生成多个气象数据相似度均值;
将所述多个气象数据相似度均值进行排序,基于排序结果确定所述最近似的历史气象数据集。
7.根据权利要求1所述的方法,其特征在于,还包括:
基于所述关系数据库确定第一时间节点对应的历史光照强度;
获取当前时间节点的光照强度,基于所述当前时间节点的光照强度和所述第一时间节点对应的历史光照强度,对所述预测光照强度进行修正,得到修正后的预测光照强度。
8.根据权利要求7所述的方法,其特征在于,所述基于所述当前时间节点的光照强度和所述第一时间节点对应的历史光照强度,对所述预测光照强度进行修正,得到修正后的预测光照强度,包括:
获取所述当前时间节点的光照强度和所述第一时间节点对应的历史光照强度的光照强度差值;
将所述第二时间节点对应的历史光照强度与所述光照强度差值的和作为所述修正后的预测光照强度。
9.根据权利要求1所述的方法,其特征在于,所述基于预测光照强度确定光伏电站输出功率的预测结果,包括:
获取所述光伏电站中光伏面板的有效工作面积,基于所述预测光照强度和所述光伏面板的有效工作面积确定光伏电站输出功率的预测结果。
10.根据权利要求1所述的方法,其特征在于,还包括:
获取光伏电站输出功率预测结果对应的实测气象数据与实测光照强度;
基于所述实测气象数据与所述实测光照强度更新所述关系数据库。
11.一种光伏电站输出功率的预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取待测大气范围内的空间图像,并对所述空间图像进行目标对象识别,生成目标对象识别结果;
第二获取模块,用于基于所述目标对象识别结果选取监测设备,并获取所述监测设备监测的当前时间节点的气象数据集;
匹配模块,用于将所述当前时间节点的气象数据集与关系数据库进行匹配,基于匹配结果确定预测光照强度;
预测模块,用于基于所述预测光照强度确定光伏电站输出功率的预测结果;
第二获取模块包括:
第一选取子模块,用于当识别到目标对象时,则选取测云雷达、大气雷达、风速仪和风向仪作为监测设备;
第二获取子模块,用于获取第一气象数据集,第一气象数据集由测云雷达、大气雷达、风速仪和风向仪监测得到;
第二选取子模块,用于当未识别到目标对象时,则选取大气雷达、风速仪和风向仪作为监测设备;
第三获取子模块,用于获取第二气象数据集,第二气象数据集由大气雷达、风速仪和风向仪监测得到;
匹配模块包括:
匹配子模块,用于将当前时间节点的气象数据集与关系数据库进行相似度匹配,确定第一时间节点;关系数据库中存储多个时间节点对应的历史气象数据集与历史光照强度;
第四获取子模块,用于获取预设时长,基于第一时间节点与预设时长确定第二时间节点;
确定子模块,用于基于关系数据库,确定与第二时间节点对应的历史光照强度,将第二时间节点对应的历史光照强度作为预测光照强度。
12.一种计算机设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1至10中任一项所述的光伏电站输出功率的预测方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机指令,所述计算机指令用于使计算机执行权利要求1至10中任一项所述的光伏电站输出功率的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310995607.7A CN116706906B (zh) | 2023-08-09 | 2023-08-09 | 一种光伏电站输出功率的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310995607.7A CN116706906B (zh) | 2023-08-09 | 2023-08-09 | 一种光伏电站输出功率的预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116706906A CN116706906A (zh) | 2023-09-05 |
CN116706906B true CN116706906B (zh) | 2024-01-05 |
Family
ID=87829811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310995607.7A Active CN116706906B (zh) | 2023-08-09 | 2023-08-09 | 一种光伏电站输出功率的预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116706906B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
CN105069521A (zh) * | 2015-07-24 | 2015-11-18 | 许继集团有限公司 | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 |
CN105184399A (zh) * | 2015-08-27 | 2015-12-23 | 许继集团有限公司 | 一种光伏电站功率预测方法 |
CN105404937A (zh) * | 2015-11-26 | 2016-03-16 | 北京国电通网络技术有限公司 | 一种光伏电站短期功率预测方法和系统 |
CN106372749A (zh) * | 2016-08-29 | 2017-02-01 | 南京国电南自美卓控制系统有限公司 | 基于云变分析的超短期光伏功率预测方法 |
KR20190057974A (ko) * | 2017-11-21 | 2019-05-29 | 안현철 | 태양광 발전 관리 시스템 |
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 |
CN115169665A (zh) * | 2022-06-27 | 2022-10-11 | 华能大理风力发电有限公司洱源分公司 | 一种用于进行光伏功率预测的informer模型的训练方法及装置 |
-
2023
- 2023-08-09 CN CN202310995607.7A patent/CN116706906B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930358A (zh) * | 2012-11-28 | 2013-02-13 | 江西九江供电公司 | 一种光伏电站发电功率的神经网络预测方法 |
CN105069521A (zh) * | 2015-07-24 | 2015-11-18 | 许继集团有限公司 | 一种基于加权fcm聚类算法的光伏电站输出功率预测方法 |
CN105184399A (zh) * | 2015-08-27 | 2015-12-23 | 许继集团有限公司 | 一种光伏电站功率预测方法 |
CN105404937A (zh) * | 2015-11-26 | 2016-03-16 | 北京国电通网络技术有限公司 | 一种光伏电站短期功率预测方法和系统 |
CN106372749A (zh) * | 2016-08-29 | 2017-02-01 | 南京国电南自美卓控制系统有限公司 | 基于云变分析的超短期光伏功率预测方法 |
KR20190057974A (ko) * | 2017-11-21 | 2019-05-29 | 안현철 | 태양광 발전 관리 시스템 |
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 |
CN115169665A (zh) * | 2022-06-27 | 2022-10-11 | 华能大理风力发电有限公司洱源分公司 | 一种用于进行光伏功率预测的informer模型的训练方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于相似日聚类和贝叶斯神经网络的光伏发电功率预测研究;嵇灵 等;《中国管理科学》;118-122 * |
Also Published As
Publication number | Publication date |
---|---|
CN116706906A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11328506B2 (en) | Crop identification method and computing device | |
CN111815038A (zh) | 一种光伏超短期预测方法及系统 | |
Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
CN108414998B (zh) | 一种卫星激光测高仪回波波形模拟仿真方法及设备 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN111598942A (zh) | 一种用于对电力设施仪表进行自动定位的方法及系统 | |
CN112270320A (zh) | 一种基于卫星影像校正的输电线路杆塔坐标校准方法 | |
CN115879630A (zh) | 基于土地利用的碳排放即时表征与预测的方法及装置 | |
CN114882316A (zh) | 目标检测模型训练方法、目标检测方法及装置 | |
CN114565916A (zh) | 目标检测模型训练方法、目标检测方法以及电子设备 | |
JP6099728B1 (ja) | レーザ計測システム及びレーザ計測方法 | |
CN114331985A (zh) | 电子元器件划痕缺陷检测方法、装置和计算机设备 | |
CN114186007A (zh) | 高精地图生成方法、装置、电子设备和存储介质 | |
CN113780270A (zh) | 目标检测方法和装置 | |
CN115797565A (zh) | 三维重建模型训练方法、三维重建方法、装置及电子设备 | |
CN115015258A (zh) | 一种农作物长势与土壤水分关联确定方法及相关装置 | |
CN114330110A (zh) | 模型训练方法、光伏发电功率预测方法及系统 | |
CN116706906B (zh) | 一种光伏电站输出功率的预测方法、装置、设备及介质 | |
US11928394B2 (en) | Methods for designing, manufacturing, installing, and/or maintenance of roofing accessories and systems of use thereof | |
CN116187807A (zh) | 光伏发电量评估方法、装置、计算机设备、介质和产品 | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
CN116381700A (zh) | 一种森林冠层高度遥感估测方法及计算机可读介质 | |
CN113435118A (zh) | 辐照度确定方法、装置、设备及存储介质 | |
CN116380811B (zh) | 一种基于氧气吸收带的云检测方法 | |
CN116449807B (zh) | 一种物联网汽车操控系统仿真测试方法及系统 |
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 |