本申请公开了一种基于光伏发电功率预测的模型更新方法及装置，该方法为：对当日的采样数据进行预处理，获得当日的训练数据；基于第一样本、第二样本以及第三样本，结合特征值计算公式，确定当日数据对应的特征值；基于历史时间内指定日期数据对应的特征值，计算回归模型的系数矩阵，以获得更新后的目标模型。该方法基于特征值计算公式，确定当日的采样数据预处理所得的训练数据的特征值，利用指定日期数据对应的特征值计算系数矩阵，以更新目标模型，有效提高目标模型的建模和预测过程的效率，同时可在不重复、大量读取历史时序数据（即以往日期的采样数据所包含的各个时序数据）的基础上实现了目标模型的训练数据的增量更新和遗忘。
1、近年来，新能源发电技术的快速发展，带来光伏发电设备总装机容量持续增加，同时带动了光伏发电功率预测领域的相关研究。光伏发电功率主要受辐照度和设备健康状态的影响，一般使用历史辐照度和设备发电功率数据训练模型，使用辐照度数据进行预测，为提高预测准确率，模型通常建立在逆变器级别。
2、根据模型应用场景不同，需读取3-180天不等的历史数据，如果模型的训练数据不更新或更新频率较低，随着季节和环境的变化，使用旧模型预测当前数据的准确率可能会降低。若模型更新频率较高，光伏电站的逆变器数量从几十台到上千台不等，若每日对每个逆变器读取近期多日的历史数据进行清洗、建模，将占用大量计算资源，消耗较长的计算时间，且存在多日对同一历史数据重复进行读取、清洗的情况。
4、对当日的采样数据进行预处理，获得所述当日的训练数据；所述训练数据包括多个采样时间点对应的第一样本、第二样本以及第三样本；所述第一样本表征第一设备的发电功率；所述第二样本表征第二设备的发电功率；所述第三样本表征预设指标的观测值；
>5、基于所述第一样本、所述第二样本以及所述第三样本，结合特征值计算公式，确定当日数据对应的特征值；所述特征值计算公式为利用最小二乘法对目标模型进行解析所得；所述目标模型包括表征同一时间点第一设备发电功率、第二设备发电功率及所述预设指标之间关系的回归模型；6、基于历史时间内指定日期数据对应的特征值，计算回归模型的系数矩阵，以获得更新后的目标模型；所述更新后的目标模型用于预测所述第一设备的发电功率。
7、可选的，基于所述第一样本、所述第二样本以及所述第三样本，结合特征值计算公式，确定当日数据对应的特征值，包括：
8、基于对目标模型进行解析，获得特征值计算公式；
9、基于所述第一样本、所述第二样本以及所述第三样本，结合所述特征值计算公式，计算得到当日数据对应的特征值；所述特征值包括n、c、d、e、f、g、h、l、m；n基于所述采样时间点的总个数所确定；c基于所有采样时间点对应的第二样本的平方的累加和所确定；d基于所有采样时间点对应的第二样本的累加和所确定；e基于所有采样时间点对应的第一样本和第二样本的乘积的累加和所确定；f基于所有采样时间点对应的第一样本的累加和所确定；g基于所有采样时间对应的第二样本与第三样本的乘积的累加和所确定；h基于所有采样时间对应的第三样本的平方的累加和所确定；l基于所有采样时间点对应的第三样本的累加和所确定；m基于所有采样时间点对应的第一样本和第三样本的乘积的累加和所确定。
10、可选的，如果所述第二样本或所述第三样本参与所述特征值计算公式的计算，则所述特征值包括n、c、d、e、f，如果所述第二样本和所述第三样本参与所述特征值计算公式的计算，则所述特征值至少包括n、c、d、e、f、g、h、l、m。
11、可选的，对当日的采样数据进行预处理，获得所述当日的训练数据，包括：
12、获得当日的采样数据；所述采样数据包括第一时序数据、第二时序数据以及第三时序数据；所述第一时序数据包括第一设备在多个采样时间点的发电功率；所述第二时序数据包括第二设备在多个所述采样时间点的发电功率；所述第三时序数据包括预设指标在多个所述采样时间点的观测值；所述第一设备包括设备属性不符合要求的光伏发电设备；所述第二设备包括设备属性符合要求的光伏发电设备；所述预设指标包括辐照度；
13、对所述第一时序数据进行预处理，以获得多个第一样本以及对应的时间戳；
14、对所述第二时序数据进行预处理，以获得多个第二样本以及对应的时间戳；
15、对所述第三时序数据进行预处理，以获得多个第三样本以及对应的时间戳；
16、根据对应的时间戳，将所述当日的第一样本、第二样本以及第三样本进行对齐，以获得所述当日的训练数据。
17、可选的，对所述第二时序数据进行预处理，以获得多个第二样本以及对应的时间戳，包括：
18、消除所述第二时序数据中数据量不符合预设范围的数据，以获得经由数据量判断后的第二时序数据；
19、对所述数据量判断后的第二时序数据进行归一化，以获得多个候选样本以及对应的时间戳；
20、从多个所述候选样本中，筛选取值符合预设范围的目标样本；
21、基于筛选所得的目标样本对应的时间戳，确定多个目标样本集；所述目标样本集包括归属同一时间戳的多个目标样本；
22、基于多个所述目标样本集的给定分位数内的数据的算术平均值，确定多个第二样本。
23、可选的，根据对应的时间戳，将所述任一时期内的第一样本、第二样本以及第三样本进行对齐，以获得所述当日的训练数据，包括：
24、根据对应的时间戳，将所述当日的第一样本、第二样本以及第三样本进行对齐，以获得所述当日的数据点集；所述数据点集包括多个时间戳对应的数据点；所述数据点基于归属同一时间戳的第一样本、第二样本以及第三样本所确定；
25、剔除所述数据点集中时间戳处于设备非正常工作时间段内的数据点；
26、使用密度聚类算法，从所述数据点集中筛选符合预设条件的目标数据点，确定为所述当日的训练数据。
27、一种基于光伏发电功率预测的模型更新装置，包括：
28、数据预处理单元，用于对当日的采样数据进行预处理，获得所述当日的训练数据；所述训练数据包括多个采样时间点对应的第一样本、第二样本以及第三样本；所述第一样本表征第一设备的发电功率；所述第二样本表征第二设备的发电功率；所述第三样本表征预设指标的观测值；
29、特征值确定单元，用于基于所述第一样本、所述第二样本以及所述第三样本，结合特征值计算公式，确定当日数据对应的特征值；所述特征值计算公式为利用最小二乘法对目标模型进行解析所得；所述目标模型包括表征同一时间点第一设备发电功率、第二设备发电功率及所述预设指标之间关系的回归模型；
30、模型更新单元，用于基于历史时间内指定日期数据对应的特征值，计算回归模型的系数矩阵，以获得更新后的目标模型；所述更新后的目标模型用于预测所述第一设备的发电功率。
31、一种存储介质，所述存储介质包括存储的程序，其中，所述程序被处理器运行时执行所述的基于光伏发电功率预测的模型更新方法。
32、一种电子设备，包括：处理器、存储器和总线；所述处理器与所述存储器通过所述总线连接；
33、所述存储器用于存储程序，所述处理器用于运行程序，其本文档来自技高网...
【技术保护点】
1.一种基于光伏发电功率预测的模型更新方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述第一样本、所述第二样本以及所述第三样本，结合特征值计算公式，确定当日数据对应的特征值，包括：
3.根据权利要求2所述的方法，其特征在于，如果所述第二样本或所述第三样本参与所述特征值计算公式的计算，则所述特征值包括n、C、D、E、F，如果所述第二样本和所述第三样本参与所述特征值计算公式的计算，则所述特征值至少包括n、C、D、E、F、G、H、L、M。
4.根据权利要求1所述的方法，其特征在于，对当日的采样数据进行预处理，获得所述当日的训练数据，包括：
5.根据权利要求4所述的方法，其特征在于，对所述第二时序数据进行预处理，以获得多个第二样本以及对应的时间戳，包括：
6.根据权利要求4所述的方法，其特征在于，根据对应的时间戳，将所述任一时期内的第一样本、第二样本以及第三样本进行对齐，以获得所述当日的训练数据，包括：
7.一种基于光伏发电功率预测的模型更新装置，其特征在于，包括：
8.根据权利要求7所述的装置，其特征在于，所述特征值确定单元具体用于：
9.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序被处理器运行时执行权利要求1-6任一所述的基于光伏发电功率预测的模型更新方法。
10.一种电子设备，其特征在于，包括：处理器、存储器和总线；所述处理器与所述存储器通过所述总线连接；
...
【技术特征摘要】
1.一种基于光伏发电功率预测的模型更新方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，基于所述第一样本、所述第二样本以及所述第三样本，结合特征值计算公式，确定当日数据对应的特征值，包括：
3.根据权利要求2所述的方法，其特征在于，如果所述第二样本或所述第三样本参与所述特征值计算公式的计算，则所述特征值包括n、c、d、e、f，如果所述第二样本和所述第三样本参与所述特征值计算公式的计算，则所述特征值至少包括n、c、d、e、f、g、h、l、m。
4.根据权利要求1所述的方法，其特征在于，对当日的采样数据进行预处理，获得所述当日的训练数据，包括：
5.根据权利要求4所述的方法，其特征在于，对所述第二...
【专利技术属性】
技术研发人员：汪琳，赵永凯，张超，周志荣，陈明浩，
申请(专利权)人：北京东华博泰科技有限公司，
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。