CN117318024A - 基于cnn神经网络的光伏发电功率预测管理方法及系统 - Google Patents

基于cnn神经网络的光伏发电功率预测管理方法及系统 Download PDF

Info

Publication number
CN117318024A
CN117318024A CN202311210268.3A CN202311210268A CN117318024A CN 117318024 A CN117318024 A CN 117318024A CN 202311210268 A CN202311210268 A CN 202311210268A CN 117318024 A CN117318024 A CN 117318024A
Authority
CN
China
Prior art keywords
power generation
photovoltaic power
photovoltaic
station
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.)
Granted
Application number
CN202311210268.3A
Other languages
English (en)
Other versions
CN117318024B (zh
Inventor
王一妹
周利
任鑫
武青
孙钰淑
郭晓征
李润
杨雪
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
Huaneng Clean Energy Research Institute
Huaneng Lancang River Hydropower Co Ltd
Original Assignee
Beijing East Environment Energy Technology Co ltd
Huaneng Clean Energy Research Institute
Huaneng Lancang River Hydropower 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, Huaneng Clean Energy Research Institute, Huaneng Lancang River Hydropower Co Ltd filed Critical Beijing East Environment Energy Technology Co ltd
Priority to CN202311210268.3A priority Critical patent/CN117318024B/zh
Publication of CN117318024A publication Critical patent/CN117318024A/zh
Application granted granted Critical
Publication of CN117318024B publication Critical patent/CN117318024B/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
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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—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
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00004—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the power network being locally controlled
    • 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
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • 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)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Human Computer Interaction (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Photovoltaic Devices (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种基于CNN神经网络的光伏发电功率预测管理方法及系统，基于CNN神经网络，训练生成覆盖光伏组件的图像数据、太阳辐射数据、随光照转动角度数据、清洁度数据、老化程度数据以及温度数据的CNN光伏发电功率预测模型，基于该模型，从多角度方位实现对光伏发电功率的预测，使得CNN模型能够考虑到更为全面的模型影响因子，使得所预测的光伏发电功率更加贴合实际，降低与实际的偏差。本方案由光伏发电总站实现对各个光伏发电子站的实时功率监测，能够在总站的监督指导下，由子站根据CNN光伏发电功率预测模型独立完成各自光伏发电功率预测的前提下，保证子站预测的独立性，避免因总站介入子站功率预测而降低子站数据的可行性。

Description

基于CNN神经网络的光伏发电功率预测管理方法及系统
技术领域
本申请涉及光伏发电技术领域，尤其涉及一种基于CNN神经网络的光伏发电功率预测管理方法、系统和电子设备。
背景技术
现有的光功率预测系统，基本会考虑到环境温度、光照辐射度、气压、相对湿度以及气象数据等因素对发电功率预测的准确性，且光伏电站功率预测所需数据至少应包括数值天气预报数据、实时气象数据、实时功率数据、运行状态、计划检修信息等。
现有的光伏发电功率预测方法，比如直接预测法直接对光伏发电系统的输出功率进行预测；或者，间接预测法对太阳辐照量进行预测，然后根据预测的太阳辐照量估算光伏发电系统的功率输出。
而随着深度学习技术的发展，人工神经网络逐渐成为一种预测技术潮流。人工神经网络可以智能化处理天气和温度等因素与负荷、光伏电站输出功率的对应关系，以此通过数据预测，得到对应的光伏发电功率预测信息。其中，在众多的人工神经网络中，可以利用CNN模型来处理光伏组件的图像数据或其他相关数据，以更准确地预测发电功率。而CNN神经网络，在进行光伏发电功率预测时，主要会以光伏组件的图像数据、太阳辐射数据作为训练数据，训练得到CNN光伏发电功率预测模型，再利用CNN光伏发电功率预测模型对新输入的预测数据进行发电功率预测。该CNN光伏发电功率预测模型在实际应用时，会存在如下瑕疵：
一是，其模型训练数据集的范围小，未考虑较为全面的影响因素，对于光伏发电功率的计算，不仅仅体现在光伏组件的图像数据、太阳辐射数据，对光伏发电功率预测还起到重要影响的包括光伏组件的随光照转动角度、光伏组件的清洁度、光伏组件的老化程度等等，因此现有CNN光伏发电功率预测模型的模型训练元素不够丰富，对于光伏发电功率预测的结果与实际偏差较大。
二是，温度对于光伏发电功率的计算有较大影响，光伏组件的性能与温度有关。一般来说，光伏组件的温度越高，其效率越低。现有模型基本未结合温度对模型进行矫正。
三是，光伏发电站分为总站和子站，一般预测在总站完成，而不能够让总站监督子站完成预测，并让子站结合各自独立的太阳辐射、光伏组件等采集数据完成各地的功率预测，因此光伏预测缺乏独立性和指导性。
发明内容
为了解决上述问题，本申请提出一种基于CNN神经网络的光伏发电功率预测管理方法、系统和电子设备。
本申请一方面，提出一种基于CNN神经网络的光伏发电功率预测管理方法，包括如下步骤：
在光伏发电总站的后台服务器上，构建训练数据集M{A，G，C，X，O，T}，其中：
A为光伏组件的图像数据，G为太阳辐射数据，C为光伏组件的随光照转动角度数据，X为光伏组件的清洁度数据，O为光伏组件的老化程度数据，T为光伏组件的温度数据；
以所述训练数据集M{S，G，C，X，O，T}作为输入，基于CNN神经网络学习输入数据的数据集特征和预测模式，生成CNN光伏发电功率预测模型，并将所述CNN光伏发电功率预测模型共享至各个光伏发电子站；
采集各个光伏发电子站的实时功率监测数据，并导入所述CNN光伏发电功率预测模型，由所述CNN光伏发电功率预测模型识别并计算出各个光伏发电子站的预测功率P；
通过终端机将各个光伏发电子站的预测功率P上报至光伏发电总站的后台服务器上，由后台记录并保存。
作为本申请的一可选实施方案，可选地，计算出各个光伏发电子站的预测功率P，包括：
P＝A×η×G，
其中：
A为根据光伏组件的图像数据所识别并计算的光伏组件表面积；
G为太阳辐射；
η为光伏组件的效率，η＝η1×η2×η3×η4：
η1为根据光伏组件的随光照转动角度数据确定的第一效率影响因子；
η2为根据光伏组件的清洁度数据确定的第二效率影响因子；
η3为根据光伏组件的老化程度数据确定的第三效率影响因子；
η4为根据光伏组件的温度数据确定的第三效率影响因子。
作为本申请的一可选实施方案，可选地，所述光伏组件的效率η，满足如下取值条件：
效率影响因子 η1 η2 η3 η4 η
取值 0.60～1.00 0.50～0.90 0.75～0.85 0.80～0.95 0.18～0.72
。
作为本申请的一可选实施方案，可选地，在生成CNN光伏发电功率预测模型之后，还包括：
构建验证数据集M1；
将所述验证数据集M1导入所述CNN光伏发电功率预测模型，由所述CNN光伏发电功率预测模型识别并计算出所述验证数据集M1的预测功率P0；
根据所述预测功率P0，判断所述CNN光伏发电功率预测模型的模型精度是否达标：
若所述预测功率P0≥预设精度在，则达标；
反之不达标，重新构建所述训练数据集M{A，G，C，X，O，T}，并重新训练模型。
作为本申请的一可选实施方案，可选地，在计算出各个光伏发电子站的预测功率P之后，还包括：
判断各个光伏发电子站当前光伏组件的温度数据Tc是否超过40℃：
若超过，则对所计算的预测功率P进行功率矫正：
P'＝P×[1-β*×(Tc-25)]，
其中：
P'为校正后的光伏发电功率；
β为温度系数；
Tc为当前光伏组件的温度数据；
若为超过，则放弃。
作为本申请的一可选实施方案，可选地，通过终端机将各个光伏发电子站的预测功率P上报至光伏发电总站的后台服务器上，由后台记录并保存，包括：
光伏发电总站的后台服务器，按照定时报文频率，向部署于各个光伏发电子站的所述终端机下发光伏发电功率预测指令，通知各个光伏发电子站在预设的时间段内，上报各自的预测功率P；
所述终端机响应所述光伏发电功率预测指令，在计算出所属光伏发电子站的预测功率P之后，在规定的时间段内将所述预测功率P上报至光伏发电总站的所述后台服务器上；
所述后台服务器接收各个光伏发电子站的所述预测功率P{P1，P2，P3......}，并将各个光伏发电子站的所述预测功率P记录并绑定在对应光伏发电子站的身份ID之下。
作为本申请的一可选实施方案，可选地，在通过终端机将各个光伏发电子站的预测功率P上报至光伏发电总站的后台服务器上，由后台记录并保存之后，还包括：
所述后台服务器调取数据库中所保存的各个光伏发电子站的历史预测功率Px；
计算各个光伏发电子站的所述预测功率P与对应的各个光伏发电子站的所述历史预测功率Px之间的差值的绝对值δP：
δP＝|P-Px|；
判断δP是否满足如下预测差值条件：
δP/P≥0.1，
若满足，则由所述后台服务器向满足所述预测差值条件的光伏发电子站的所述终端机下发预警指令；
若不满足，则放弃。
本申请另一方面，提出一种实现所述基于CNN神经网络的光伏发电功率预测管理方法的系统，包括：
后台服务器，部署于光伏发电总站，用于按照定时报文频率，向部署于各个光伏发电子站的所述终端机下发光伏发电功率预测指令，通知各个光伏发电子站在预设的时间段内，上报各自的预测功率P；
终端机，部署于各个光伏发电子站，用于响应所述光伏发电功率预测指令，通过CNN光伏发电功率预测模型识别并计算出所述光伏发电子站的预测功率P；以及在计算出所属光伏发电子站的预测功率P之后，在规定的时间段内将所述预测功率P上报至光伏发电总站的所述后台服务器上。
作为本申请的一可选实施方案，可选地，所述后台服务器，还用于：
记录并保存各个光伏发电子站的所述预测功率P{P1，P2，P3......}；
调取数据库中所保存的各个光伏发电子站的历史预测功率Px；
计算各个光伏发电子站的所述预测功率P与对应的各个光伏发电子站的所述历史预测功率Px之间的差值的绝对值δP：
δP＝|P-Px|；
判断δP是否满足如下预测差值条件：
δP/P≥0.1，
若满足，则由所述后台服务器向满足所述预测差值条件的光伏发电子站的所述终端机下发预警指令；
若不满足，则放弃。
本申请另一方面，还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现所述的一种基于CNN神经网络的光伏发电功率预测管理方法。
本发明的技术效果：
本申请基于CNN神经网络，训练并生成覆盖光伏组件的图像数据、太阳辐射数据、随光照转动角度数据、清洁度数据、老化程度数据以及光伏组件的温度数据的CNN光伏发电功率预测模型，能够基于该模型，从多角度方位实现对光伏发电功率的预测，使得CNN模型能够考虑到更为全面的模型影响因子，使得所预测的光伏发电功率更加贴合实际，降低与实际的偏差。本方案由光伏发电总站实现对各个光伏发电子站的实时功率监测，能够在总站的监督指导下，由子站根据CNN光伏发电功率预测模型独立完成各自光伏发电功率预测的前提下，保证子站预测的独立性，避免因总站介入子站功率预测而降低子站数据的可行性。
利用CNN模型来处理光伏组件的实时功率监测数据，以更准确地预测发电功率。
根据下面参考附图对示例性实施例的详细说明，本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面，并且用于解释本申请的原理。
图1示出为本发明的实施流程示意图；
图2示出为本发明光伏发电总站和光伏发电子站之间的应用交互示意图；
图3示出为本发明光伏发电总站对子站的预测差值进行监督的示意图；
图4示出为本发明电子设备的应用示意图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外，为了更好的说明本申请，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本申请同样可以实施。在一些实例中，对于本领域技术人员熟知的、手段、元件和电路未作详细描述，以便于凸显本申请的主旨。
实施例1
如图1所示，本申请一方面，提出一种基于CNN神经网络的光伏发电功率预测管理方法，包括如下步骤：
在光伏发电总站的后台服务器上，构建训练数据集M{A，G，C，X，O，T}，其中：
A为光伏组件的图像数据，G为太阳辐射数据，C为光伏组件的随光照转动角度数据，X为光伏组件的清洁度数据，O为光伏组件的老化程度数据，T为光伏组件的温度数据；
以所述训练数据集M{S，G，C，X，O，T}作为输入，基于CNN神经网络学习输入数据的数据集特征和预测模式，生成CNN光伏发电功率预测模型，并将所述CNN光伏发电功率预测模型共享至各个光伏发电子站；
采集各个光伏发电子站的实时功率监测数据，并导入所述CNN光伏发电功率预测模型，由所述CNN光伏发电功率预测模型识别并计算出各个光伏发电子站的预测功率P；
通过终端机将各个光伏发电子站的预测功率P上报至光伏发电总站的后台服务器上，由后台记录并保存。
本方案基于卷积神经网络(CNN)的光伏发电功率计算和预测方案可以利用CNN模型来处理光伏组件的图像数据或其他相关数据，以更准确地预测发电功率。
CNN模型，包括多个卷积层、池化层、全连接层等，这些层用于从输入数据中学习特征和模式。
具体的卷积神经网络(CNN)，可以参见现有技术的描述。
首先，需要准备训练数据。
本方案从光伏组件的图像数据、太阳辐射数据、随光照转动角度数据、清洁度数据、老化程度数据以及光伏组件的温度数据，综合来准备训练数据，这些数据可以通过光伏发电站的传感器、气象站、相机等设备以及工作记录获得。可以是一个时间段内的若干数据组成的数据集，比如训练数据集M{A，G，C，X，O，T}，其中：
A为光伏组件的图像数据，G为太阳辐射数据，C为光伏组件的随光照转动角度数据，X为光伏组件的清洁度数据，O为光伏组件的老化程度数据，T为光伏组件的温度数据。
C，X，O和T，可以分别由光伏发电站的工作记录手册或者档案，进行收集。每次计算预测功率之时，可以由工作人员根据现场的光伏组件情况，评估出C，X，O的值，并将评估值记录在后台服务器中。温度T由各个光伏组件的温度计测得。
其次，按照训练模型的方式，可以将训练数据集M中的一部分数据比如随机抽取其中的20％数据出来，作为验证数据集M1，将用于后续模型的验证。
训练数据集M可以现场收集，也可以调取历史的数据记录进行收集。
使用训练数据集M对CNN模型进行训练，比如通过反向传播算法来更新模型参数。训练过程中，监控验证集上的性能以防止过拟合。
在训练过程中，可以从输入数据中学习特征和功率计算模式。也可以由用户对训练过程介入调整，对于功率计算模式，可以在输入数据训练时，同时输入功率计算模式，让CNN网络学习该功率计算模式。
在训练完成之后，使用测试集评估模型的性能，通常使用均方根误差(Root MeanSquared Error，RMSE)等指标来度量模型的精度。当模型训练完成后，可以使用新的输入数据来进行发电功率的预测。将输入数据输入到训练好的CNN模型中，模型将输出预测的发电功率值。
如图2所示，本方案还设有光伏发电总站以及光伏发电子站之间的功率预测监督模式。模型的训练主要在光伏发电总站的后台服务器上完成。总站可以通过后台服务器与各个光伏发电子站的终端机进行通信，可以向终端机下发对应的数据采集指令，收集各个子站的光伏组件的数据，以此来构建训练数据。比如说可以采集各个光伏发电子站的光伏组件的图像数据，根据各个子站光伏组件的图像数据，以此来来构造图像数据集A，还可以根据太阳辐射数据来构造太阳辐射数据集G等等。在后台服务器上进行CNN模型训练，生成对应的CNN光伏发电功率预测模型之后，可以由总站完成模型的完善和优化训练。
在总站训练合适的CNN光伏发电功率预测模型之后，由总站将模型通过后台服务器共享至各个子站的终端机上，各个子站终端机接收总站共享的模型，并将模型部署并安装在各个子站的终端机上，无需各个子站再单独训练模型，以此避免子站花费模型的训练和维护时间、成本，不利于总站对模型以及各个子站的监管(也就需要总站采集子站的数据集)。
在进行功率预测之时，各个光伏发电子站通过采集各自的实时功率监测数据，并将实时功率监测数据输入所终端机上所部署的CNN光伏发电功率预测模型上，进行各自的功率预测，并输出对应的预测功率P值，然后可以在接到后台服务器下的功率采集指令之后，响应指令，将预测输出的预测功率P上报至后台服务器，可以由总站的后台服务器来完成各个子站的预测功率的采集，实现对各个子站的预测功率的监督。
总站上，可以注册并登记各个子站的身份ID，后续可以将各个子站的预测功率P，记录并绑定在各个子站的身份ID之下。各个子站的身份ID之下可以绑定各自的数据，比如锁采集的数据集，预测功率等等，方便用于后续总站对模型的矫正和完善，通过结合各个子站的预测结果，以此来调整数据集，矫正模型的精度。
总站还可以调取数据库中所存储的各个子站的历史功率数据，判断当前的预测功率P是否和历史功率数据之间出现较大的波动，若是出现较大波动，则总站可以及时发出预警通知，通知响应的子站对光伏组件等进行检查，检查出现波动的具体原因，并及时上报原因和对应的解决措施以及重新计算的预测功率到总站的后台服务器上。由总站记录相应的检查日志。
以下是本申请的光伏发电功率计算模式。
作为本申请的一可选实施方案，可选地，计算出各个光伏发电子站的预测功率P，包括：
P＝A×η×G，
其中：
A为根据光伏组件的图像数据所识别并计算的光伏组件表面积；
G为太阳辐射；
η为光伏组件的效率，η＝η1×η2×η3×η4：
η1为根据光伏组件的随光照转动角度数据确定的第一效率影响因子；
η2为根据光伏组件的清洁度数据确定的第二效率影响因子；
η3为根据光伏组件的老化程度数据确定的第三效率影响因子；
η4为根据光伏组件的温度数据确定的第三效率影响因子。
在模型学习的功率计算模式中，输入各个光伏发电子站的实时功率监测数据之后，模型可以根据所识别的数据特征，分别计算对应的计算值，比如根据光伏组件的图像数据，识别并计算光伏组件表面积，等等。
其中，对于光伏组件的效率η，将分别根据所识别的光伏组件的数据来确定效率影响因子，比如根据光伏组件的清洁度数据确定“清洁度”对发电功率的二效率影响因子η2。模型可以根据清洁度的历史数据的输出特征，对应识别当前新输入清洁度数据的数据特征，并根据所识别的清洁度数据特征，输出对应的η2。光伏组件的清洁度数据由工作人员记录，模型可以根据光伏组件的清洁度来识别并输出对应的η2数值，比如II级清洁度，所对应的η2为0.6。
至于其他的效率影响因子，可以参考上述η2的描述。
作为本申请的一可选实施方案，可选地，所述光伏组件的效率η，满足如下取值条件：
效率影响因子 η1 η2 η3 η4 η
取值 0.60～1.00 0.50～0.90 0.75～0.85 0.80～0.95 0.18～0.72
。
本实施例，最佳的光伏组件的效率η，满足：η1＝1，η2＝0.9，η3＝0.85，η4＝0.95，效率η＝0.72。此情况为理论上的最佳值，需要工作人员将光伏组件的状态保持在最佳状态。
作为本申请的一可选实施方案，可选地，在生成CNN光伏发电功率预测模型之后，还包括：
构建验证数据集M1；
将所述验证数据集M1导入所述CNN光伏发电功率预测模型，由所述CNN光伏发电功率预测模型识别并计算出所述验证数据集M1的预测功率P0；
根据所述预测功率P0，判断所述CNN光伏发电功率预测模型的模型精度是否达标：
若所述预测功率P0≥预设精度在，则达标；
反之不达标，重新构建所述训练数据集M{A，G，C，X，O，T}，并重新训练模型。
本方案，在构建所述CNN光伏发电功率预测模型之后，还可以验证所述CNN光伏发电功率预测模型的模型精度是否达到要求。可以采用构建验证数据集M1的方式，对所构建的所述CNN光伏发电功率预测模型进行模型验证。
验证数据集M1，可以由后台服务器临时向各个子站发起采集指令，临时构建一组或者多组数据集，将其输入所述CNN光伏发电功率预测模型，由所述CNN光伏发电功率预测模型计算验证数据集M1，并输出对应的预测功率。由后台服务器判断预测功率和历史功率之间的波动幅度(可以参见下述δP是否满足如下预测差值条件)，若是δP/P小于0.1，则可以认定满足预测要求。
本实施例，光伏组件的性能与温度有关。一般来说，光伏组件的温度越高，其效率越低。因此，可以使用温度校正来修正功率计算。
作为本申请的一可选实施方案，可选地，在计算出各个光伏发电子站的预测功率P之后，还包括：
判断各个光伏发电子站当前光伏组件的温度数据Tc是否超过40℃：
若超过，则对所计算的预测功率P进行功率矫正：
P'＝P×[1-β*×(Tc-25)]，
其中：
P'为校正后的光伏发电功率；
β为温度系数；
Tc为当前光伏组件的温度数据；
若为超过，则放弃。
各个光伏发电子站当前光伏组件的温度数据Tc，其温度系数应当有所不同，可以由总站向各个子站的终端机下发对应的温度系数β。
由总站根据各个子站的历史光伏采集数据，来确定各个子站的温度系数β。
作为本申请的一可选实施方案，可选地，通过终端机将各个光伏发电子站的预测功率P上报至光伏发电总站的后台服务器上，由后台记录并保存，包括：
光伏发电总站的后台服务器，按照定时报文频率，向部署于各个光伏发电子站的所述终端机下发光伏发电功率预测指令，通知各个光伏发电子站在预设的时间段内，上报各自的预测功率P；
所述终端机响应所述光伏发电功率预测指令，在计算出所属光伏发电子站的预测功率P之后，在规定的时间段内将所述预测功率P上报至光伏发电总站的所述后台服务器上；
所述后台服务器接收各个光伏发电子站的所述预测功率P{P1，P2，P3......}，并将各个光伏发电子站的所述预测功率P记录并绑定在对应光伏发电子站的身份ID之下。
光伏发电总站的后台服务器可以按照预设的定时报的频率，比如说按照各个子站的定时上报预测功率的时间，定时向各个子站终端机下发对应的光伏发电功率预测指令，通知各个子站在预设的时间段内上报各自的预测功率。
不同子站可以设定不同的报文时间，只要各个子站在总站后台服务器所通知的时间段之内上报预测功率即可。
各个子站的终端机在接到通知之后开始响应该指令，执行模型预测过程，将各个子站所采集的数据输入模型并进行预测。计算出各自光伏发电子站的预测功率P之后，按照后台服务器通知的时间段将预测功率P上报至后台服务器。
在后台服务器上登记有各个子站的身份ID，可以将所收集的各个子站的预测功率P依次对应记录并绑定在对应子站的身份ID之下，同时将规定时间段内收集到的所有子站的预测功率P{P1，P2，P3......}保存在数据库中。后续可以利用各个子站的实时功率计算数据以及所对应的预测功率，作为下一次的模型优化数据。
作为本申请的一可选实施方案，可选地，在通过终端机将各个光伏发电子站的预测功率P上报至光伏发电总站的后台服务器上，由后台记录并保存之后，还包括：
所述后台服务器调取数据库中所保存的各个光伏发电子站的历史预测功率Px；
计算各个光伏发电子站的所述预测功率P与对应的各个光伏发电子站的所述历史预测功率Px之间的差值的绝对值δP：
δP＝|P-Px|；
判断δP是否满足如下预测差值条件：
δP/P≥0.1，
若满足，则由所述后台服务器向满足所述预测差值条件的光伏发电子站的所述终端机下发预警指令；
若不满足，则放弃。
如图3所示，总站对子站的预测功率P具有监督管理权利，可以及时对各个子站的发电功率进行对比分析，根据子站的预测功率P的波动幅度，判定子站是否出现了一些光伏发电异常情况。
所述后台服务器调取数据库中所保存的各个光伏发电子站的历史预测功率Px，比如对于子站A，可以调取其在上一次的历史预测功率Px，将本次的预测功率P和历史预测功率Px进行差值，取绝对值δP，并判断δP/P≥0.1，也就是说本次的预测功率P相对于上一次的历史预测功率Px，是否有超过10％的波动幅度，若是超过，则认为子站A可能出现了光伏发电异常，可能因为光伏组件损坏、老化等异常情况。因此，总站通过后台服务器向满足所述预测差值条件的光伏发电子站(比如子站A)的所述终端机下发预警指令，通知子站A检查其光伏组件是否异常，比如是否清洁度不足，或者严重老换，或者角度转动机构(跟随太阳调整角度的弹性角度调节机构)是否异常，等等。
子站A的终端机接收到预警指令之后，需要及时进行检查，并在检查之后，重新采集实时功率监测数据，利用模型重新输出预测功率并上报后台服务器。上报的同时，需要连同检查结果一并上报，便于后台记录本次的检查日志，便于后期监督。
显然，本领域的技术人员应该明白，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。本领域技术人员可以理解，实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各控制的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-OnlyMemory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(FlashMemory)、硬盘(HardDiskDrive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
实施例2
基于实施例1的实施原理，本申请另一方面，提出一种实现所述基于CNN神经网络的光伏发电功率预测管理方法的系统，包括：
后台服务器，部署于光伏发电总站，用于按照定时报文频率，向部署于各个光伏发电子站的所述终端机下发光伏发电功率预测指令，通知各个光伏发电子站在预设的时间段内，上报各自的预测功率P；
终端机，部署于各个光伏发电子站，用于响应所述光伏发电功率预测指令，通过CNN光伏发电功率预测模型识别并计算出所述光伏发电子站的预测功率P；以及在计算出所属光伏发电子站的预测功率P之后，在规定的时间段内将所述预测功率P上报至光伏发电总站的所述后台服务器上。
作为本申请的一可选实施方案，可选地，所述后台服务器，还用于：
记录并保存各个光伏发电子站的所述预测功率P{P1，P2，P3......}；
调取数据库中所保存的各个光伏发电子站的历史预测功率Px；
计算各个光伏发电子站的所述预测功率P与对应的各个光伏发电子站的所述历史预测功率Px之间的差值的绝对值δP：
δP＝|P-Px|；
判断δP是否满足如下预测差值条件：
δP/P≥0.1，
若满足，则由所述后台服务器向满足所述预测差值条件的光伏发电子站的所述终端机下发预警指令；
若不满足，则放弃。
上述总站和子站之间，分别通过后台服务器和终端机之间的交互，详见实施例1的描述。
上述的本发明的各模块或各步骤可以用通用的计算系统来实现，它们可以集中在单个的计算系统上，或者分布在多个计算系统所组成的网络上，可选地，它们可以用计算系统可执行的程序代码来实现，从而，可以将它们存储在存储系统中由计算系统来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
实施例3
更进一步地，本申请另一方面，还提出一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现所述的一种基于CNN神经网络的光伏发电功率预测管理方法。
本申请实施例来电子设备包括处理器以及用于存储处理器可执行指令的存储器。其中，处理器被配置为执行可执行指令时实现前面任一所述的一种基于CNN神经网络的光伏发电功率预测管理方法。
此处，应当指出的是，处理器的个数可以为一个或多个。同时，在本申请实施例的电子设备中，还可以包括输入系统和输出系统。其中，处理器、存储器、输入系统和输出系统之间可以通过总线连接，也可以通过其他方式连接，此处不进行具体限定。
存储器作为一计算机可读存储介质，可用于存储软件程序、计算机可执行程序和各种模块，如：本申请实施例的一种基于CNN神经网络的光伏发电功率预测管理方法所对应的程序或模块。处理器通过运行存储在存储器中的软件程序或模块，从而执行电子设备的各种功能应用及数据处理。
输入系统可用于接收输入的数字或信号。其中，信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出系统可以包括显示屏等显示设备。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (10)

1.一种基于CNN神经网络的光伏发电功率预测管理方法，其特征在于，包括如下步骤：
在光伏发电总站的后台服务器上，构建训练数据集M{A，G，C，X，O，T}，其中：
A为光伏组件的图像数据，G为太阳辐射数据，C为光伏组件的随光照转动角度数据，X为光伏组件的清洁度数据，O为光伏组件的老化程度数据，T为光伏组件的温度数据；
以所述训练数据集M{S，G，C，X，O，T}作为输入，基于CNN神经网络学习输入数据的数据集特征和预测模式，生成CNN光伏发电功率预测模型，并将所述CNN光伏发电功率预测模型共享至各个光伏发电子站；
采集各个光伏发电子站的实时功率监测数据，并导入所述CNN光伏发电功率预测模型，由所述CNN光伏发电功率预测模型识别并计算出各个光伏发电子站的预测功率P；
通过终端机将各个光伏发电子站的预测功率P上报至光伏发电总站的后台服务器上，由后台记录并保存。
2.根据权利要求1所述的一种基于CNN神经网络的光伏发电功率预测管理方法，其特征在于，计算出各个光伏发电子站的预测功率P，包括：
P＝A×η×G，
其中：
A为根据光伏组件的图像数据所识别并计算的光伏组件表面积；
G为太阳辐射；
η为光伏组件的效率，η＝η1×η2×η3×η4：
η1为根据光伏组件的随光照转动角度数据确定的第一效率影响因子；
η2为根据光伏组件的清洁度数据确定的第二效率影响因子；
η3为根据光伏组件的老化程度数据确定的第三效率影响因子；
η4为根据光伏组件的温度数据确定的第三效率影响因子。
3.根据权利要求2所述的一种基于CNN神经网络的光伏发电功率预测管理方法，其特征在于，所述光伏组件的效率η，满足如下取值条件：
效率影响因子 η1 η2 η3 η4 η 取值 0.60～1.00 0.50～0.90 0.75～0.85 0.80～0.95 0.18～0.72
。
4.根据权利要求1所述的一种基于CNN神经网络的光伏发电功率预测管理方法，其特征在于，在生成CNN光伏发电功率预测模型之后，还包括：
构建验证数据集M1；
将所述验证数据集M1导入所述CNN光伏发电功率预测模型，由所述CNN光伏发电功率预测模型识别并计算出所述验证数据集M1的预测功率P0；
根据所述预测功率P0，判断所述CNN光伏发电功率预测模型的模型精度是否达标：
若所述预测功率P0≥预设精度在，则达标；
反之不达标，重新构建所述训练数据集M{A，G，C，X，O，T}，并重新训练模型。
5.根据权利要求1所述的一种基于CNN神经网络的光伏发电功率预测管理方法，其特征在于，在计算出各个光伏发电子站的预测功率P之后，还包括：
判断各个光伏发电子站当前光伏组件的温度数据Tc是否超过40℃：
若超过，则对所计算的预测功率P进行功率矫正：
P'＝P×[1-β*×(Tc-25)]，
其中：
P'为校正后的光伏发电功率；
β为温度系数；
Tc为当前光伏组件的温度数据；
若为超过，则放弃。
6.根据权利要求1所述的一种基于CNN神经网络的光伏发电功率预测管理方法，其特征在于，通过终端机将各个光伏发电子站的预测功率P上报至光伏发电总站的后台服务器上，由后台记录并保存，包括：
光伏发电总站的后台服务器，按照定时报文频率，向部署于各个光伏发电子站的所述终端机下发光伏发电功率预测指令，通知各个光伏发电子站在预设的时间段内，上报各自的预测功率P；
所述终端机响应所述光伏发电功率预测指令，在计算出所属光伏发电子站的预测功率P之后，在规定的时间段内将所述预测功率P上报至光伏发电总站的所述后台服务器上；
所述后台服务器接收各个光伏发电子站的所述预测功率P{P1，P2，P3......}，并将各个光伏发电子站的所述预测功率P记录并绑定在对应光伏发电子站的身份ID之下。
7.根据权利要求6所述的一种基于CNN神经网络的光伏发电功率预测管理方法，其特征在于，在通过终端机将各个光伏发电子站的预测功率P上报至光伏发电总站的后台服务器上，由后台记录并保存之后，还包括：
所述后台服务器调取数据库中所保存的各个光伏发电子站的历史预测功率Px；
计算各个光伏发电子站的所述预测功率P与对应的各个光伏发电子站的所述历史预测功率Px之间的差值的绝对值δP：
δP＝|P-Px|；
判断δP是否满足如下预测差值条件：
δP/P≥0.1，
若满足，则由所述后台服务器向满足所述预测差值条件的光伏发电子站的所述终端机下发预警指令；
若不满足，则放弃。
8.一种实现权利要求1-7中任一项所述基于CNN神经网络的光伏发电功率预测管理方法的系统，其特征在于，包括：
后台服务器，部署于光伏发电总站，用于按照定时报文频率，向部署于各个光伏发电子站的所述终端机下发光伏发电功率预测指令，通知各个光伏发电子站在预设的时间段内，上报各自的预测功率P；
终端机，部署于各个光伏发电子站，用于响应所述光伏发电功率预测指令，通过CNN光伏发电功率预测模型识别并计算出所述光伏发电子站的预测功率P；以及在计算出所属光伏发电子站的预测功率P之后，在规定的时间段内将所述预测功率P上报至光伏发电总站的所述后台服务器上。
9.根据权利要求8所述的系统，其特征在于，所述后台服务器，还用于：
记录并保存各个光伏发电子站的所述预测功率P{P1，P2，P3......}；
调取数据库中所保存的各个光伏发电子站的历史预测功率Px；
计算各个光伏发电子站的所述预测功率P与对应的各个光伏发电子站的所述历史预测功率Px之间的差值的绝对值δP：
δP＝|P-Px|；
判断δP是否满足如下预测差值条件：
δP/P≥0.1，
若满足，则由所述后台服务器向满足所述预测差值条件的光伏发电子站的所述终端机下发预警指令；
若不满足，则放弃。
10.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行所述可执行指令时实现权利要求1-7中任一项所述的一种基于CNN神经网络的光伏发电功率预测管理方法。
CN202311210268.3A 2023-09-19 2023-09-19 基于cnn神经网络的光伏发电功率预测管理方法及系统 Active CN117318024B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311210268.3A CN117318024B (zh) 2023-09-19 2023-09-19 基于cnn神经网络的光伏发电功率预测管理方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311210268.3A CN117318024B (zh) 2023-09-19 2023-09-19 基于cnn神经网络的光伏发电功率预测管理方法及系统

Publications (2)

Publication Number Publication Date
CN117318024A true CN117318024A (zh) 2023-12-29
CN117318024B CN117318024B (zh) 2024-06-18

Family

ID=89249156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311210268.3A Active CN117318024B (zh) 2023-09-19 2023-09-19 基于cnn神经网络的光伏发电功率预测管理方法及系统

Country Status (1)

Country Link
CN (1) CN117318024B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109150100A (zh) * 2018-09-13 2019-01-04 国网电子商务有限公司 光伏电站的故障检测方法、装置、设备及存储介质
US20210194424A1 (en) * 2019-04-25 2021-06-24 Shandong University Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters
CN113052389A (zh) * 2021-04-01 2021-06-29 中国电力科学研究院有限公司 基于多任务的分布式光伏电站超短期功率预测方法及系统
CN113240217A (zh) * 2021-07-12 2021-08-10 国网江西省电力有限公司电力科学研究院 一种基于集成预测模型的光伏发电预测方法及装置
CN113452088A (zh) * 2021-06-30 2021-09-28 润电能源科学技术有限公司 一种限电条件下的光伏场控制方法、装置及系统
CN113496311A (zh) * 2021-06-25 2021-10-12 国网山东省电力公司济宁供电公司 光伏电站发电功率预测方法及系统
WO2021238505A1 (zh) * 2020-05-27 2021-12-02 华北电力大学 基于联邦学习的区域光伏功率概率预测方法及协同调控系统
CN113919232A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 一种基于循环神经网络的光伏电站功率预测方法及系统
CN115186923A (zh) * 2022-07-27 2022-10-14 正泰电气股份有限公司 光伏发电功率的预测方法、装置及电子设备
CN115545164A (zh) * 2022-10-20 2022-12-30 西安建筑科技大学 光伏发电功率预测方法、系统、设备及介质
CN115936177A (zh) * 2022-10-31 2023-04-07 济南大学 一种基于神经网络的光伏输出功率预测方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109150100A (zh) * 2018-09-13 2019-01-04 国网电子商务有限公司 光伏电站的故障检测方法、装置、设备及存储介质
US20210194424A1 (en) * 2019-04-25 2021-06-24 Shandong University Method and system for power prediction of photovoltaic power station based on operating data of grid-connected inverters
WO2021238505A1 (zh) * 2020-05-27 2021-12-02 华北电力大学 基于联邦学习的区域光伏功率概率预测方法及协同调控系统
US20230080737A1 (en) * 2020-05-27 2023-03-16 North China Electric Power University Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System
CN113052389A (zh) * 2021-04-01 2021-06-29 中国电力科学研究院有限公司 基于多任务的分布式光伏电站超短期功率预测方法及系统
CN113496311A (zh) * 2021-06-25 2021-10-12 国网山东省电力公司济宁供电公司 光伏电站发电功率预测方法及系统
CN113452088A (zh) * 2021-06-30 2021-09-28 润电能源科学技术有限公司 一种限电条件下的光伏场控制方法、装置及系统
CN113240217A (zh) * 2021-07-12 2021-08-10 国网江西省电力有限公司电力科学研究院 一种基于集成预测模型的光伏发电预测方法及装置
CN113919232A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 一种基于循环神经网络的光伏电站功率预测方法及系统
CN115186923A (zh) * 2022-07-27 2022-10-14 正泰电气股份有限公司 光伏发电功率的预测方法、装置及电子设备
CN115545164A (zh) * 2022-10-20 2022-12-30 西安建筑科技大学 光伏发电功率预测方法、系统、设备及介质
CN115936177A (zh) * 2022-10-31 2023-04-07 济南大学 一种基于神经网络的光伏输出功率预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZE WU等: "Prediction of Photovoltaic Power by the Informer Model Based on Convolutional Neural Network", 《SUSTAINABILITY》, 12 October 2022 (2022-10-12), pages 1 - 16 *
张健: "基于卷积神经网络的新能源光伏电站发电功率预测方法", 《机械设计与制造工程》, vol. 51, no. 10, 31 October 2022 (2022-10-31), pages 69 - 73 *

Also Published As

Publication number Publication date
CN117318024B (zh) 2024-06-18

Similar Documents

Publication Publication Date Title
AU2019413432B2 (en) Scalable system and engine for forecasting wind turbine failure
CN111555716B (zh) 光伏阵列工作状态的确定方法、装置、设备及存储介质
JP7185808B1 (ja) 故障を検出するための方法および装置、モデルをトレーニングするための方法および装置、並びにそれらのデバイスおよび記憶媒体
CN115329812A (zh) 一种基于人工智能的道路基础设施异常监测方法
CN112766618B (zh) 异常预测方法及装置
CN115562225A (zh) 工业机器人运维管理方法、装置、计算机设备和存储介质
CN115689524A (zh) 一种数据中心机房电气设备预测性维护系统及方法
CN116914939A (zh) 基于大数据的储能管理系统、方法和储能电站系统
CN117764422B (zh) 智慧节能运维管理云平台
CN113011477B (zh) 一种太阳辐照数据的清洗和补全系统及方法
CN114063582A (zh) 用于监控产品测试过程的方法和装置
CN117318024B (zh) 基于cnn神经网络的光伏发电功率预测管理方法及系统
CN117408162A (zh) 基于数字孪生的电网故障控制方法
CN117195451A (zh) 一种基于图论的桥梁监测数据修复方法
CN116843314A (zh) 监控终端运维管理方法、系统、设备及存储介质
CN114400776B (zh) 基于数字镜像的变电站自动化设备状态诊断方法和系统
CN111026624A (zh) 电网信息系统的故障预测方法、装置
CN114708718A (zh) 风力发电机组温度集群管控方法、装置、设备及介质
Zhang Comparison of data-driven and model-based methodologies of wind turbine fault detection with SCADA data
Trstenjak et al. A Decision Support System for the Prediction of Wastewater Pumping Station Failures Based on CBR Continuous Learning Model.
CN115434878B (zh) 风力发电机组温度集群管控方法、装置、设备及介质
CN117374922B (zh) 一种光伏发电功率预测及管理系统及其应用方法
CN104751281A (zh) 一种氧化锌避雷器设备的自动工况评价方法
CN114414938B (zh) 一种配电网故障的动态响应方法及系统
CN117808456B (zh) 一种基于智慧运营管理的设备故障预警方法及装置

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