【技术实现步骤摘要】
本专利技术属于光伏发电预测，具体涉及一种基于智能电网的光伏发电预测系统及方法。
技术介绍
1、光伏发电技术是当前利用太阳能的主要技术。由于受天气情况、太阳辐射强度、温度、湿度、云量等影响因素，光伏发电技术有着间歇性、波动性、随机性特点，因此需要对光伏发电功率预测进行研究，预先得知日内光伏发电功率曲线，使电力部门能以经济最优化调度机组，获取最大经济效益。
2、然而，在实际的预测当中，未获取光伏发电阵列的运行状态就进行光伏发电功率的预测，在预测过程中只考虑了光伏发电影响因素，导致预测结果失效，同时对于模型的训练样本集数据类型未进行筛选，没有区分对预测结果影响因子的重要程度，使得模型训练效率低且模型预测精度较低。
技术实现思路
1、为解决现有技术中存在的上述问题，本专利技术提供了一种基于智能电网的光伏发电预测系统及方法，通过对每一方光伏发电系统建立基于云量的训练样本集筛选出各自本地训练输入的影响因子，选择出对光伏发电功率影响程度较高的因子，有效减少预测范围，提高了预测精度；同时通过对多方光伏发电预测模型进行联合训练，获取了全局光伏发电预测模型，整合了多方区域光伏发电特征，提高了模型的泛化能力和适应性。
2、本专利技术的目的可以通过以下技术方案实现：
3、本公开的第一方面提供了一种基于智能电网的光伏发电预测系统，包括预测数据采集模块、预测数据处理模块、光伏发电预测模块和发电功率预测管理模块；
4、所述预测数据处理模块，用于对采集的多方光伏发电
5、筛选一方光伏发电影响因子：通过计算各个因子的相关系数设定阈值选取；
6、构建多方光伏发电预测模型训练样本集：通过计算预测一方的光伏发电影响因子与多方光伏发电影响因子的欧式距离选择历史样本数据建立预测模型的训练样本集；
7、求解训练样本集数据对应的光伏阵列健康指数：利用i-v曲线对光伏阵列进行状态评估，计算一方光伏阵列的健康指数h，完成健康指数h与训练样本集数据的匹配。
8、作为本专利技术的一种优选技术方案，所述欧式距离的计算公式为：
9、；
10、式中， d r为预测一方的光伏发电影响因子与多方光伏发电影响因子的欧式距离， n为一方光伏发电筛选出的影响因子总数，ω j表示影响因子 j的权重， x ij表示预测一方的光伏发电子阵区域预测时间段内气象状况云量为 i时影响因子 j的归一化值， x ij, l表示多方光伏发电系统历史记录中气象状况云量为 i时影响因子 j的归一化值， l为数据样本编号。
11、作为本专利技术的一种优选技术方案，所述光伏阵列的健康指数h的计算公式为：
12、；
13、式中， q i为对仿真i-v曲线和实际i-v曲线进行灰色关联分析计算得出的光伏阵列中光伏区子阵的灰色关联度，l为光伏阵列中光伏区子阵的功率衰减率。
14、作为本专利技术的一种优选技术方案，所述预测数据采集模块，用于实时监测光伏发电系统的电能数据和环境监测数据，并通过通信设备将数据传输至所述的预测数据处理模块，其中电能数据包括电流、电压和功率，环境监测数据包括光伏组件工作环境温度、日照强度和光伏组件背板温度。
15、作为本专利技术的一种优选技术方案，所述光伏发电预测模块，用于构建多方光伏发电预测bp神经网络模型，通过各方光伏发电训练样本集与对应的光伏阵列健康指数作为输入训练各方光伏发电预测模型，并通过多方光伏发电预测模型采用中心化联邦架构进行联合训练，获取全局光伏发电预测模型。
16、作为本专利技术的一种优选技术方案，所述光伏发电预测模块，包括模型训练模块、模型分布式训练模块和模型联合训练模块；
17、所述模型训练模块，用于将一方光伏发电训练样本集与对应的光伏阵列健康指数输入bp神经网络中进行训练，构建一方光伏发电预测模型；
18、所述模型分布式训练模块，用于通过多方光伏发电训练样本集与对应的光伏阵列健康指数进行模型分布式训练，获得多方光伏发电预测模型；
19、所述模型联合训练模块，用于对所述一方光伏发电预测模型和所述多方光伏发电预测模型的模型参数进行联合训练，获得全局光伏发电预测模型。
20、作为本专利技术的一种优选技术方案，所述发电功率预测管理模块，用于基于所述光伏发电预测模块，对目标光伏区域进行发电功率预测管理，将采集的数据依据输入数据类型进行处理后输入训练好的全局光伏发电预测模型获取预测结果，通过预测值和实际值做对比，完成对光伏组件的维护工作。
21、本公开的第二方面提供了一种基于智能电网的光伏发电预测方法，应用于如上所述的一种基于智能电网的光伏发电预测系统，包括以下步骤：
22、采集监测参数：采集多方光伏发电逆变器输入侧的电能数据和环境监测数据，其中电能数据包括电流、电压和功率，环境监测数据包括光伏组件工作环境温度、日照强度和光伏组件背板温度；
23、建立预测输入：通过带权重的欧式距离筛选出预测每一方输入的影响因子，再通过筛选出的影响因子建立各自的训练样本集，将训练样本集中的每条数据与光伏阵列健康指数进行匹配；
24、构建预测模型：通过多方光伏发电训练样本集与对应的光伏阵列健康指数作为输入构建多方光伏发电预测bp神经网络模型；
25、模型联合训练：通过多方光伏发电预测模型采用中心化联邦架构进行联合训练，获取全局光伏发电预测模型；
26、对目标区域光伏发电功率预测管理：将采集的数据依据输入数据类型进行处理后输入训练好的全局光伏发电预测模型获取预测结果，通过预测值和实际值做对比，完成对光伏组件的维护工作。
27、进一步地，所述建立预测输入，包括以下步骤：
28、筛选影响因子：计算各个因子的相关系数：
29、；
30、式中， rz表示影响因子z的相关系数， nu表示样本集数目， a u(z)和 p u分别表示对应样本 u的影响因子和功率，表示影响因子本文档来自技高网...
【技术保护点】
1.一种基于智能电网的光伏发电预测系统，其特征在于：包括预测数据采集模块、预测数据处理模块、光伏发电预测模块和发电功率预测管理模块；
2.根据权利要求1所述的一种基于智能电网的光伏发电预测系统，其特征在于：所述欧式距离的计算公式为：
3.根据权利要求1所述的一种基于智能电网的光伏发电预测系统，其特征在于：所述光伏阵列的健康指数H的计算公式为：
4.根据权利要求1所述的一种基于智能电网的光伏发电预测系统，其特征在于：所述光伏发电预测模块，包括模型训练模块、模型分布式训练模块和模型联合训练模块；
5.一种基于智能电网的光伏发电预测方法，应用于如权利要求1-4任一项所述的一种基于智能电网的光伏发电预测系统，其特征在于：包括以下步骤：
6.根据权利要求5所述的一种基于智能电网的光伏发电预测方法，其特征在于：所述建立预测输入，包括以下步骤：
7.根据权利要求6所述的一种基于智能电网的光伏发电预测方法，其特征在于：求解影响因子权重值的计算公式如下：
8.根据权利要求6所述的一种基于智能电网的光伏发电预测方法，
9.根据权利要求6所述的一种基于智能电网的光伏发电预测方法，其特征在于：所述求解训练样本集数据对应的光伏阵列健康指数，包括：利用I-V曲线对光伏阵列进行状态评估，计算一方光伏阵列的健康指数H，具体包括以下步骤：
10.根据权利要求5所述的一种基于智能电网的光伏发电预测方法，其特征在于：所述模型联合训练，包括以下步骤：
...【技术特征摘要】
1.一种基于智能电网的光伏发电预测系统，其特征在于：包括预测数据采集模块、预测数据处理模块、光伏发电预测模块和发电功率预测管理模块；
2.根据权利要求1所述的一种基于智能电网的光伏发电预测系统，其特征在于：所述欧式距离的计算公式为：
3.根据权利要求1所述的一种基于智能电网的光伏发电预测系统，其特征在于：所述光伏阵列的健康指数h的计算公式为：
4.根据权利要求1所述的一种基于智能电网的光伏发电预测系统，其特征在于：所述光伏发电预测模块，包括模型训练模块、模型分布式训练模块和模型联合训练模块；
5.一种基于智能电网的光伏发电预测方法，应用于如权利要求1-4任一项所述的一种基于智能电网的光伏发电预测系统，其特征在于：包括以下步骤：
6.根据权利要求5所述的一种基于智能电网的光伏...
【专利技术属性】
技术研发人员：李为民，昂卉慧，邬辉，黄坚艺，曾民驹，
申请(专利权)人：广州穗开电业有限公司，
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。