一种光伏板功率爬坡事件的预测方法及相关组件技术

本发明专利技术公开了一种光伏板功率爬坡事件的预测方法及相关组件，涉及功率预测领域，通过获取光伏板的第一功率数据，对第一功率数据进行VMD分解，得到第一功率数据对应的模态分量，获取光伏板所处的环境数据，将环境数据和模态分量共同作为预测数据，将预测数据输入到预设神经网络模型中，预测光伏板在当前时刻经过预设时长后的第二功率数据，确定预第二功率数据减去第一功率数据的差值，当差值与预设时长之间的比值大于预设阈值时判定预测功率爬坡事件发生。通过VMD分解以及神经网络模型结合对第二功率数据进行计算，可以准确地预测第二功率数据；通过计算功率变化速率，可以准确地对功率爬坡事件进行预测，满足对预测精度的要求。求。求。

【技术实现步骤摘要】
一种光伏板功率爬坡事件的预测方法及相关组件


[0001]本专利技术涉及功率预测领域，特别是涉及一种光伏板功率爬坡事件的预测方法及相关组件。

技术介绍

[0002]功率爬坡事件指的是光伏板因为云层的快速移动，导致光伏板的输出功率快速变化的事件，当发生功率爬坡事件时，容易对电网的功率平衡造成破坏，影响电网频率，从而造成经济损失。为了避免功率爬坡事件的发生，需要及时对功率爬坡事件进行预测。在现有技术中，通常是基于粒子群算法对功率爬坡事件进行预测，这种方法预测得到的功率爬坡事件的发生概率区间较大，无法满足工作人员对预测精度的要求。

技术实现思路

[0003]本专利技术的目的是提供一种光伏板功率爬坡事件的预测方法及相关组件，可以准确地预测功率数据，还可以准确地对功率爬坡事件进行预测，满足对预测精度的要求。
[0004]为解决上述技术问题，本专利技术提供了一种光伏板功率爬坡事件的预测方法，包括：
[0005]获取光伏板的第一功率数据；
[0006]对所述第一功率数据进行VMD分解，得到所述第一功率数据对应的模态分量；
[0007]获取所述光伏板所处的环境数据，将所述环境数据和所述模态分量共同作为预测数据；
[0008]将所述预测数据输入到预设神经网络模型中，预测所述光伏板在当前时刻经过预设时长后的第二功率数据；其中，所述预设神经网络模型预先由预设数量的所述预测数据训练得到的；
[0009]确定所述预第二功率数据减去所述第一功率数据的差值；
[0010]判断所述差值与所述预设时长之间的比值是否大于预设阈值；
[0011]若是，则判定所述光伏板在经过所述预设时长后发生功率爬坡事件；
[0012]若否，则判定所述光伏板在经过所述预设时长后不发生功率爬坡事件。
[0013]一方面，对所述第一功率数据进行VMD分解，得到所述第一功率数据对应的模态分量，包括：
[0014]确定所述第一功率数据的带宽；
[0015]连续获取多个包含所述第一功率数据的信号的瞬时幅值和瞬时相位；
[0016]基于以下公式确定各个时刻的所述模态分量：
[0017][0018]其中，u
k
(t)为所述模态分量，A
k
(t)为所述瞬时幅值，为所述瞬时相位；
[0019]分别确定各个所述模态分量的带宽；
[0020]将所有的所述模态分量中的K个所述模态分量的带宽相加，将相加后的带宽总和最小的K个所述模态分量共同作为所述第一功率数据对应的模态分量；其中，K为正整数且
不大于所述模态分量的总数。
[0021]一方面，将所有的所述模态分量中的K个所述模态分量的带宽相加，将相加后的带宽总和最小的K个所述模态分量共同作为所述第一功率数据对应的模态分量，包括：
[0022]确定各个所述模态分量的频谱；
[0023]分别对所述第一功率数据、所述模态分量和预设拉格朗日因子进行傅里叶变换；
[0024]基于预设拉格朗日算法，利用傅里叶变换后的所述第一功率数据、所述模态分量和预设拉格朗日因子，对各个所述模态分量的频谱均进行n次迭代，各个所述分量的频谱均得到n个迭代分量，n为不小于2的整数；
[0025]利用以下公式确定K个所述模态分量的带宽之和；
[0026][0027]其中，K为正整数且不大于所述模态分量的总数，为所述模态分量的频谱在第n次迭代得到的迭代分量，为所述模态分量的频谱在第n+1次迭代得到的迭代分量，ε为所述第一功率数据的带宽的数值；
[0028]将ε的数值最小时的K个所述模态分量共同作为所述功率数据对应的模态分量。
[0029]一方面，在将所述环境数据和所述模态分量共同作为预测数据之前，还包括：
[0030]判断所述环境数据中是否存在故障数据；
[0031]若是，则将所述环境数据以及所述模态分量均清除，返回获取光伏板的第一功率数据的步骤。
[0032]一方面，在将所述预测数据输入到预设神经网络模型中之前，还包括：
[0033]确定各个所述预测数据中的所有的主成分特征向量；
[0034]将所有的所述主成分特征向量输入到所述预设神经网络模型中。
[0035]一方面，确定各个所述预测数据中的所有的主成分特征向量，包括：
[0036]基于各个所述预设数据构建标准化矩阵；
[0037]利用以下公式确定各个所述预测数据之间的相关系数：
[0038][0039]其中，r为所述相关系数，x
i
和y
i
分别为不同的所述预测数据，n为所述预
[0040]测数据的总数，和分别为所述预测数据对应的预设基准值；
[0041]基于各个所述相关系数确定所述标准化矩阵对应的相关系数矩阵；
[0042]确定所述相关系数矩阵中的各个向量的贡献率；
[0043]以所述贡献率由大到小的顺序获取多个所述向量作为所述主成分特征向量；其中，所有的所述主成分特征向量的贡献率之和不小于预设贡献率。
[0044]一方面，预测所述光伏板在当前时刻经过预设时长后的第二功率数据，包括：
[0045]在所述预设神经网络模型的前向层中，以预设正向传播算法预测所述光伏板在所述当前时刻经过预设时长后的第三功率数据；
[0046]在所述预设神经网络模型的后向层中，以预设反向传播算法预测所述光伏板在所述当前时刻经过预设时长后的第四功率数据；
[0047]将所述第三功率数据和所述第四功率数据相加，并乘以预设激活函数，将乘积作为所述第二功率数据。
[0048]一方面，以预设正向传播算法预测所述光伏板在所述当前时刻经过预设时长后的第三功率数据，包括：
[0049]利用以下公式确定所述第三功率数据：
[0050]h
′
t
＝σ(Z1x
t
+Z2C
t
′
‑1+Z3h
′
t
‑1+b
t
′
)
[0051]其中，h
′
t
为所述第三功率数据，σ为所述预设激活函数，Z1、Z2和Z3均为所述前向层的预设参数矩阵，x
t
为所述预测数据，C
′
为所述前向层的细胞状态，b
t
′
为所述前向层的预设前置项，t为所述当前时刻经过所述预设时长的时刻；
[0052]在所述预设神经网络模型的后向层中，以预设反向传播算法预测所述光伏板在所述当前时刻经过预设时长后的第四功率数据，包括：
[0053]利用以下公式确定所述第四功率数据：
[0054]h
t
＝σ(Z4x
t
+Z5C
t
‑1+Z6h
t
‑1+b
t
)
[0055]其中，h
t...

【技术保护点】

【技术特征摘要】
1.一种光伏板功率爬坡事件的预测方法，其特征在于，包括：获取光伏板的第一功率数据；对所述第一功率数据进行VMD分解，得到所述第一功率数据对应的模态分量；获取所述光伏板所处的环境数据，将所述环境数据和所述模态分量共同作为预测数据；将所述预测数据输入到预设神经网络模型中，预测所述光伏板在当前时刻经过预设时长后的第二功率数据；其中，所述预设神经网络模型预先由预设数量的所述预测数据训练得到的；确定所述预第二功率数据减去所述第一功率数据的差值；判断所述差值与所述预设时长之间的比值是否大于预设阈值；若是，则判定所述光伏板在经过所述预设时长后发生功率爬坡事件；若否，则判定所述光伏板在经过所述预设时长后不发生功率爬坡事件。2.如权利要求1所述的光伏板功率爬坡事件的预测方法，其特征在于，对所述第一功率数据进行VMD分解，得到所述第一功率数据对应的模态分量，包括：确定所述第一功率数据的带宽；连续获取多个包含所述第一功率数据的信号的瞬时幅值和瞬时相位；基于以下公式确定各个时刻的所述模态分量：其中，u
k
(t)为所述模态分量，A
k
(t)为所述瞬时幅值，为所述瞬时相位；分别确定各个所述模态分量的带宽；将所有的所述模态分量中的K个所述模态分量的带宽相加，将相加后的带宽总和最小的K个所述模态分量共同作为所述第一功率数据对应的模态分量；其中，K为正整数且不大于所述模态分量的总数。3.如权利要求2所述的光伏板功率爬坡事件的预测方法，其特征在于，将所有的所述模态分量中的K个所述模态分量的带宽相加，将相加后的带宽总和最小的K个所述模态分量共同作为所述第一功率数据对应的模态分量，包括：确定各个所述模态分量的频谱；分别对所述第一功率数据、所述模态分量和预设拉格朗日因子进行傅里叶变换；基于预设拉格朗日算法，利用傅里叶变换后的所述第一功率数据、所述模态分量和预设拉格朗日因子，对各个所述模态分量的频谱均进行n次迭代，各个所述分量的频谱均得到n个迭代分量，n为不小于2的整数；利用以下公式确定K个所述模态分量的带宽之和；其中，K为正整数且不大于所述模态分量的总数，为所述模态分量的频谱在第n次迭代得到的迭代分量，为所述模态分量的频谱在第n+1次迭代得到的迭代分量，ε为所述
第一功率数据的带宽的数值；将ε的数值最小时的K个所述模态分量共同作为所述功率数据对应的模态分量。4.如权利要求1所述的光伏板功率爬坡事件的预测方法，其特征在于，在将所述环境数据和所述模态分量共同作为预测数据之前，还包括：判断所述环境数据中是否存在故障数据；若是，则将所述环境数据以及所述模态分量均清除，返回获取光伏板的第一功率数据的步骤。5.如权利要求1所述的光伏板功率爬坡事件的预测方法，其特征在于，在将所述预测数据输入到预设神经网络模型中之前，还包括：确定各个所述预测数据中的所有的主成分特征向量；将所有的所述主成分特征向量输入到所述预设神经网络模型中。6.如权利要求5所述的光伏板功率爬坡事件的预测方法，其特征在于，确定各个所述预测数据中的所有的主成分特征向量，包括：基于各个所述预设数据构建标准化...

【专利技术属性】
技术研发人员：柴保桐，周璐，张勇铭，王金袖，崔光，杨帆，曹席华，成世杰，
申请(专利权)人：华电电力科学研究院有限公司，
类型：发明
国别省市：