【技术实现步骤摘要】
本专利技术属于能源预测，具体涉及一种基于图像反演的光伏功率预测方法、系统、设备及其存储介质。
技术介绍
1、随着全球能源结构转型和可再生能源的快速发展，光伏发电作为一种可再生清洁能源形式，得到广泛关注和应用。然而由于太阳能的不稳定性和周期性，光伏发电系统的功率波动较大，为了更好管理光伏发电系统，并优化光伏发电系统运行效率，光伏功率预测技术应运而生。
2、由于光伏电站的功率出力受到地理位置、气候条件和光伏组件自身性能退化等多种因素影响，因此光伏预测模型难以完全准确反映实际情况，此外，例如极端天气下的异常情况也会对预测结果产生较大影响。因此如何提高光伏功率预测的准确性是目前亟需解决的问题。
技术实现思路
1、本专利技术提供一种基于图像反演的光伏功率预测方法、系统、设备及其存储介质，以解决传统光伏预测方法易受多种复杂多变因素的影响而降低预测精度的问题。
2、为达到上述目的，本专利技术采用以下技术方案：
3、一种基于图像反演的光伏功率预测方法，包括以下步骤：
4、采集电池电致发光图像及其对应的电流数据、电压数据和辐照度，对所述电池电致发光图像进行预处理，得到预处理后电致发光图像；
5、根据所述预处理后电致发光图像对应的电流数据和电压数据，获得预处理后电致发光图像对应的最大功率点，并根据所述辐照度将所述预处理后电致发光图像分为多个电池组，获得每个电池组的多个最大功率点的平均值，根据每个预处理后电致发光图像所对应的最大功率点和所述平均
6、将所述归一化功率点分为多个亚组，将所述亚组内的归一化功率点所对应的预处理后电致发光图像进行叠加，得到每个亚组对应的平衡图像数据，在所述平衡图像数据中筛选出最大平衡图像数据，调整每个平衡图像数据与所述最大平衡图像数据的大小一致；
7、将所述调整后的平衡图像数据输入至多个深度学习网络进行训练，得到功率归一化值，将所述功率归一化值进行归一化反算，得到光伏功率预测值。
8、在一些实施方式中，所述对所述电池电致发光图像进行预处理的步骤，具体包括：
9、去除所述电池电致发光图像中的死像素、图像噪声和电池电致发光图像周围的黑色区域；
10、通过最小-最大归一化方法对所述电池电致发光图像进行处理；
11、裁剪所述电池电致发光图像；
12、最终得到预处理后电致发光图像。
13、在一些实施方式中，所述根据每个预处理后电致发光图像所对应的最大功率点和所述平均值，得到每个预处理后电致发光图像对应的归一化功率点的步骤，具体包括：
14、将每个所述预处理后电致发光图像对应的最大功率点除以所述平均值，得到每个预处理后电致发光图像对应的归一化功率点。
15、在一些实施方式中，所述多个深度学习网络采用卷积神经网络、循环神经网络和门控循环单元神经网络中的一种或多种。
16、在一些实施方式中，还包括以下步骤：
17、采用平均绝对误差和均方误差评估所述多个深度学习网络，得到模型准确率，根据所述模型准确率进行对比，输出所述模型准确率最高的深度学习网络所对应的光伏功率预测值。
18、在一些实施方式中，采用插值法调整每个平衡图像数据与最大平衡图像数据的大小一致。
19、在一些实施方式中，将所述平衡图像数据输入至多个深度学习网络进行训练的步骤，具体包括：将所述平衡图像数据分为训练集、验证集和测试集后，输入至多个深度学习网络进行训练。
20、一种基于图像反演的光伏功率预测系统，包括：
21、数据采集及预处理模块，用于采集电池电致发光图像及其对应的电流数据、电压数据和辐照度，对所述电池电致发光图像进行预处理，得到预处理后电致发光图像；
22、功率归一化模块，用于根据所述预处理后电致发光图像对应的电流数据和电压数据，获得预处理后电致发光图像对应的最大功率点，并根据所述辐照度将所述预处理后电致发光图像分为多个电池组，获得每个电池组的多个最大功率点的平均值，根据每个预处理后电致发光图像所对应的最大功率点和所述平均值，得到每个预处理后电致发光图像对应的归一化功率点；
23、数据平衡模块，用于将所述归一化功率点分为多个亚组，将所述亚组内的归一化功率点所对应的预处理后电致发光图像进行叠加，得到每个亚组对应的平衡图像数据，调整每个平衡图像数据与最大平衡图像数据的大小一致；
24、光伏功率预测模块，用于将所述平衡图像数据输入至多个深度学习网络进行训练，得到功率归一化值，将所述功率归一化值进行归一化反算，得到光伏功率预测值。
25、一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器中运行的计算机程序，所述处理器执行所述计算机程序时实现所述一种基于图像反演的光伏功率预测方法的步骤。
26、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述一种基于图像反演的光伏功率预测方法的步骤。
27、与现有技术相比，本专利技术具有以下有益效果：
28、本专利技术提供一种基于图像反演的光伏功率预测方法，先采集电致发光图像及其对应的电流数据、电压数据和辐照度，然后对电致发光图像进行预处理得到预处理后电致发光图像，通过电流数据和电压数据获得最大功率点，对最大功率点进行归一化处理后得到对应的归一化功率点，然后将归一化功率点分为多个亚组，将同亚组归一化功率点对应的预处理后电致发光图像进行叠加，调整图像数据大小，得到平衡图像数据，最后将平衡图像数据输入至多个深度学习网络中，得到光伏功率预测值。本专利技术采用图像反演来预测光伏功率，能够解决传统光伏预测方法易受多种复杂多变因素的影响而降低预测精度的问题，在此过程中，将同亚组归一化功率点对应的预处理后电致发光图像进行叠加，能够提升样本数据的精确度和预测精度。此外，本专利技术采用多个深度学习网络，进行泛化性设计，能够输出单一模型结果，也能够输出多个模型的组合优化结果。
29、进一步地，本专利技术将每个预处理后电致发光图像对应的最大功率点除以平均值，得到归一化功率点，能够减少测量过程中可能存在的极值问题。
30、进一步地，本专利技术采用平均绝对误差和均方误差进行模型性能评估，能够从不同角度对模型性能进行全面评估，平均绝对误差在数据中存在较多异常值时是一个更稳定的评估指标，均方误差对预测过程中的大误差更敏感，有助于模型更好拟合数据。
本文档来自技高网...【技术保护点】
1.一种基于图像反演的光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图像反演的光伏功率预测方法，其特征在于，所述对所述电池电致发光图像进行预处理的步骤，具体包括：
3.根据权利要求1所述的一种基于图像反演的光伏功率预测方法，其特征在于，所述根据每个预处理后电致发光图像所对应的最大功率点和所述平均值，得到每个预处理后电致发光图像对应的归一化功率点的步骤，具体包括：
4.根据权利要求1所述的一种基于图像反演的光伏功率预测方法，其特征在于，所述多个深度学习网络采用卷积神经网络、循环神经网络和门控循环单元神经网络中的一种或多种。
5.根据权利要求1所述的一种基于图像反演的光伏功率预测方法，其特征在于，还包括以下步骤：
6.根据权利要求1所述的一种基于图像反演的光伏功率预测方法，其特征在于，采用插值法调整每个平衡图像数据与最大平衡图像数据的大小一致。
7.根据权利要求1所述的一种基于图像反演的光伏功率预测方法，其特征在于，将所述平衡图像数据输入至多个深度学习网络进行训练的步骤，具体包括：
8.一种基于图像反演的光伏功率预测系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器中运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1～7任意一项所述一种基于图像反演的光伏功率预测方法的步骤。
10.一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存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1～7任意一项所述一种基于图像反演的光伏功率预测方法的步骤。
...【技术特征摘要】
1.一种基于图像反演的光伏功率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于图像反演的光伏功率预测方法，其特征在于，所述对所述电池电致发光图像进行预处理的步骤，具体包括：
3.根据权利要求1所述的一种基于图像反演的光伏功率预测方法，其特征在于，所述根据每个预处理后电致发光图像所对应的最大功率点和所述平均值，得到每个预处理后电致发光图像对应的归一化功率点的步骤，具体包括：
4.根据权利要求1所述的一种基于图像反演的光伏功率预测方法，其特征在于，所述多个深度学习网络采用卷积神经网络、循环神经网络和门控循环单元神经网络中的一种或多种。
5.根据权利要求1所述的一种基于图像反演的光伏功率预测方法，其特征在于，还包括以下步骤：
6.根据权利要求1所述的一种基于图像反演的光伏功率预测方法，其特征在于，...
【专利技术属性】
技术研发人员：张燧，王恩民，任鑫，童彤，王青天，刘旭亮，杨紫阳，任立兵，张明杰，孟欣，张玉刚，李全杰，邢李方，于景龙，王介昌，张俊东，葛鎣，张立武，翟强，尹大为，吴昊，杨健全，
申请(专利权)人：华能吉林发电有限公司，
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。