光伏检测模型的训练、光伏发电的检测方法及相关装置制造方法及图纸

本发明专利技术公开了一种光伏检测模型的训练、光伏发电的检测方法及相关装置，该方法包括：在本实施例中，获取光伏发电站在多个时间周期内发电时记录的原始发电功率，各个时间周期均关联天气数据；对各个时间周期内的原始发电数据进行补全，获得目标发电功率；将所有天气数据划分至多个类别；针对每个类别，以同一时间周期内的天气数据为样本、目标发电功率为标签训练光伏检测模型。一方面采用s

【技术实现步骤摘要】
光伏检测模型的训练、光伏发电的检测方法及相关装置


[0001]本专利技术涉及微网光伏发电功率预测领域，尤其涉及一种光伏检测模型的训练、光伏发电的检测方法及相关装置。

技术介绍

[0002]以光伏发电作为电源支撑的绿色楼宇、绿色园区逐渐普及。
[0003]现如今有基于光伏发电系统物理特性建立物理模型、基于光伏发电系统的历史数据应用统计学预测模型、利用及其学习及神经网络算法进行光伏功率的预测。
[0004]目前对关于对于光伏发电功率，天气状态为决定性因素，而天气类型划分不准确，类型的泛化能力不强，难以适应天气状态的变化，导致光伏发电功率的预测偏差大，预测精度低，影响微网运行的安全与稳定。

技术实现思路

[0005]本专利技术提供了一种光伏检测模型的训练、光伏发电的检测方法及相关装置，以解决如何在预测光伏发电功率前完成模型的训练。
[0006]第一方面，本专利技术实施例提供了一种光伏检测模型的训练方法，所述方法包括：
[0007]获取光伏发电站在多个时间周期内发电时记录的原始发电功率，各个所述时间周期均关联天气数据；
[0008]对各个所述时间周期内的所述原始发电数据进行补全，获得目标发电功率；
[0009]将所有所述天气数据划分至多个类别；
[0010]针对每个所述类别，以同一所述时间周期内的所述天气数据为样本、所述目标发电功率为标签训练光伏检测模型。
[0011]第二方面，本专利技术实施例还提供了一种光伏发电的检测方法，所述方法包括：/>[0012]获取对光伏发电站在未来的时间周期中预测的天气数据；
[0013]识别所述天气数据归属的类别；
[0014]加载如权利要求1
‑
7中任一项所述的方法针对所述类别训练的光伏检测模型；
[0015]将所述天气数据输入所述光伏检测模型进行处理，得到所述光伏发电站在所述时间周期内进行发电的发电功率。
[0016]第三方面，本专利技术实施例还提供了一种光伏检测模型的训练装置，所述装置包括：
[0017]原始发电功率获取模块，用于获取光伏发电站在多个时间周期内发电时记录的原始发电功率，各个所述时间周期均关联天气数据；
[0018]原始发电数据补全模块，用于对各个所述时间周期内的所述原始发电数据进行补全，获得目标发电功率；
[0019]天气数据划分模块，用于将所有所述天气数据划分至多个类别；
[0020]光伏检测模型训练模块，用于针对每个所述类别，以同一所述时间周期内的所述天气数据为样本、所述目标发电功率为标签训练光伏检测模型。
[0021]第四方面，本专利技术实施例还提供了一种光伏发电的检测装置，所述装置包括：
[0022]预测数据获取模块，用于获取对光伏发电站在未来的时间周期中预测的天气数据；
[0023]类别识别模块，用于识别所述天气数据归属的类别；
[0024]模型加载模块，用于加载如权利要求1
‑
7中任一项所述的方法针对所述类别训练的光伏检测模型；
[0025]天气数据处理模块，用于将所述天气数据输入所述光伏检测模型进行处理，得到所述光伏发电站在所述时间周期内进行发电的发电功率。
[0026]第五方面，本专利技术实施例还提供了一种计算机设备，所述计算机设备包括：
[0027]一个或多个处理器；
[0028]存储器，用于存储一个或多个程序，
[0029]当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的光伏检测模型的训练方法或者如第二方面所述的光伏发电的检测方法。
[0030]第六方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如第一方面所述的光伏检测模型的训练方法或者如第二方面所述的光伏发电的检测方法。
[0031]在本实施例中，获取光伏发电站在多个时间周期内发电时记录的原始发电功率，各个时间周期均关联天气数据；对各个时间周期内的原始发电数据进行补全，获得目标发电功率；将所有天气数据划分至多个类别；针对每个类别，以同一时间周期内的天气数据为样本、目标发电功率为标签训练光伏检测模型。一方面采用s
‑
Kohonen神经网络聚类，更加准确地划分天气类型，适应不同天气的变化，具有更好的泛化能力。另一方面在长短期记忆网络模型的基础上引入了卷积神经网络，在天气状态极端的情况下，能有效提取数据的空间特征，显著提高光伏功率的预测精度。
[0032]应当理解，本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征，也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0033]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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。
[0034]图1是根据本专利技术实施例一提供的一种光伏检测模型的训练方法的流程图；
[0035]图2是根据本专利技术实施例二提供一种光伏发电的检测方法的流程图；
[0036]图3是根据本专利技术实施例三提供的一种光伏检测模型的训练装置的结构框图；
[0037]图4是根据本专利技术实施例四提供的一种光伏发电的检测装置的结构框图；
[0038]图5是实现本专利技术实施例五提供的一种电子设备的结构示意图。
具体实施方式
[0039]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。
[0040]需要说明的是，本专利技术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，以便这里描述的本专利技术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。
[0041]实施例一
[0042]图1为本专利技术实施例一提供的一种光伏检测模型的训练方法的流程图，本实施例可适用于对微网中的光伏发电功率预测前进行检测模型训练的准备工作的情况，该方法可以由光伏检测模型的训练装置来执行，该光伏检测模型的训练装置可以由软件和/或硬件实现，可配置在计算机设备中，例如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光伏检测模型的训练方法，其特征在于，包括：获取光伏发电站在多个时间周期内发电时记录的原始发电功率，各个所述时间周期均关联天气数据；对各个所述时间周期内的所述原始发电数据进行补全，获得目标发电功率；将所有所述天气数据划分至多个类别；针对每个所述类别，以同一所述时间周期内的所述天气数据为样本、所述目标发电功率为标签训练光伏检测模型。2.根据权利要求1所述的方法，其特征在于，所述对各个所述时间周期内的所述原始发电数据进行补全，获得目标发电功率，包括：计算各个所述时间周期内的所述原始发电功率之间间隔的距离；针对当前所述时间周期内的所述原始发电功率，选择多个所述距离最小的多个其他所述时间周期内的所述原始发电功率，作为候选发电功率；对所述候选发电功率计算平均值，获得平均发电功率，确定未缺失的所述时间周期内的所述原始发电功率完整，作为目标发电功率；针对所有所述时间周期内的所述原始发电功率，确定所述平均发电功率最大的多个所述时间周期内的所述原始发电功率缺失；以所述目标发电功率为参考，对存在缺失的所述时间周期中的所述原始发电功率进行补全，获得新的目标发电功率；对所有所述目标发电功率进行归一化处理。3.根据权利要求2所述的方法，其特征在于，所述计算各个所述时间周期内的所述原始发电功率之间间隔的距离，包括：通过如下公式计算各个所述时间周期内的所述原始发电功率之间间隔的距离：其中，Y
i
表示第i个时间周期内的所述原始发电功率，Y
j
表示第j个时间周期内的所述原始发电功率，y
ir
表示第i个时间周期内率的第r个所述原始发电功，y
jr
表示第j个时间周期内的第r个所述原始发电功率。4.根据权利要求2所述的方法，其特征在于，所述以所述目标发电功率为参考，对存在缺失的所述时间周期中的所述原始发电功率进行补全，获得新的目标发电功率，包括：计算目标发电功率与存在缺失的所述时间周期中的所述原始发电功率之间的最大互信息系数；针对当前存在缺失的所述时间周期中的所述原始发电功率，选择所述最大互信息系数最高的多个未缺失的所述目标发电功率，作为特征发电功率；使用最小二乘法对当前存在缺失的所述时间周期中的所述原始发电功率进行拟合；若拟合后的所述时间周期中的所述原始发电功率与所述目标发电功率之间的误差的平方最小，则确认拟合后的所述时间周期中的所述原始发电功率已补全，作为新的目标发电功率。5.根据权利要求1所述的方法，其特征在于，所述将所有所述天气数据划分至多个类
别，包括：加载自组织特征映射神经网，所述自组织特征映射神经网中各个节点具有初始的权值；计算所述天气数据与所述自组织特征映射神经网中竞争层的神经元之间的距离；选择使所述距离为最小值时、所述自组织特征映射神经网中输出层的神经元，作...

【专利技术属性】
技术研发人员：周立德，苏俊妮，陈凤超，饶欢，赵俊炜，刘铮，徐睿烽，李祺威，刘沛林，段孟雍，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：