【技术实现步骤摘要】
本申请涉及光伏发电，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。
技术介绍
1、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。
2、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。
3、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：
4、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
5、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。
6、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。
技术实现思路
1、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。
2、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：
3、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：
4、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；
5、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；
6、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；
7、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。
8、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：
9、p＝a×η×g，
10、其中：
11、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；
12、g为太阳辐射；
13、η为光伏组件的效率，η＝η1×η2×η3×η4：
14、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；
15、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；
16、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；
17、η4为根据光伏组件的温度数据确定的第三效率影响因子。
18、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：
19、 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
20、。
21、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：
22、构建验证数据集m1；
23、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；
24、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：
25、若所述预测功率p0≥预设精度在，则达标；
26、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。
27、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：
28、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℃：
29、若超过，则对所计算的预测功率p进行功率矫正：
30、p'＝p×[1-β*×(tc-25)]，
31、其中：
32、p'为校正后的光伏发电功率；
33、β为温度系数；
34、tc为当前光伏组件的温度数据；
35、若为超过，则放弃。
36、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：
37、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；
38、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；
39、所本文档来自技高网...
【技术保护点】
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：
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：
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：
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：
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：
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：
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
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：
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：
10.一种电子设备，其特征在于，包括：
...【技术特征摘要】
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：
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：
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：
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：
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：...
【专利技术属性】
技术研发人员：王一妹，周利，任鑫，武青，孙钰淑，郭晓征，李润，杨雪，
申请(专利权)人：华能澜沧江水电股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。