一种适用于光伏电站发电量预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114282637A(43)申请公布日2022.04.05(21)申请号202111576701.6G06Q50/06(2012.01)(22)申请日2021.12.22(71)申请人宁夏中科嘉业新能源研究院（有限公司）地址750000宁夏回族自治区银川市金凤区宁安大街490号银川IBI育成中心二期11号楼301室(72)发明人张林森孙学书田永华姬存东吴亚男李立李维萍(74)专利代理机构北京弘权知识产权代理有限公司11363代理人逯长明许伟群(51)Int.Cl.G06N3/00(2006.01)G06Q10/04(2012.01)权利要求书2页说明书6页附图2页(54)发明名称一种适用于光伏电站发电量预测方法(57)摘要本发明公开了一种适用于光伏电站发电量预测方法，本发明的目的是针对光伏板的积灰率计算问题，提供一种复合模型的深度学习计算模型。首先，将从天气数据网站爬取到的天气预报、PM值、月份系数和历史发电量等信息进行综合处理，通过特征工程处理数据并提取出合适的BP模型的输入数据。然后，将预测数据输入神经网络，输出清洗后电量预测值；同时通过特征工程处理数据并提取出合适的DBSCAN模型的输入数据。之后依据电站发电量的异常判断，选择合适的模型计算积灰率。CN114282637ACN114282637A权利要求书1/2页1.一种适用于光伏电站发电量预测方法，其特征在于包括如下步骤：初始化：首先，我们设置最大迭代次数，目标函数的自变量个数，粒子的最大速度，位置信息为整个搜索空间，我们在速度区间和搜索空间上随机初始化速度和位置，设置粒子群规模为M，每个粒子随机初始化一个飞翔速度；更新速度和位置公式：粒子i在第k次迭代中第d维的速度；粒子i在第k次迭代中第d维的当前位置；粒子i＝1,2,...,M；M表示种群大小；ω：惯性权重；c1和c2表示学习因子，合适的c1和c2既可加快收敛速度又不易陷入局部最优；rand1和rand2是介于[0,1]之间的随机数；表示粒子i在第d维的个体极值点的位置；表示整个粒子群在第d维的全局极值点的位置；终止条件：达到设定迭代次数；代数之间的差值满足最小界限；x为LSTM单元的输入向量；h为单元格输出向量；f、i、o分别表示遗忘门、输入门和输出门；C表示单元状态；下标t表示时刻；σ、tanh分别为sigmoid、tanh激活函数；W和b分别表示权重和偏差矩阵。2.根据权利要求1所述的一种适用于光伏电站发电量预测方法，其特征在于，所述预测方法还包括：基于复合模型的光伏电站积灰率计算方法的步骤：步骤1、数据获取：从天气预报网站爬取天气预报信息存到MySQL数据库；步骤2、从网站爬取逐小时的PM预报信息；步骤3、数据处理：(1)对不同渠道获取的数据进行处理：Step1：设置粒子群参数迭代次数G＝50，种群大小P＝50，惯性权重w＝0.5，学习因子c1＝c2＝0.5；Step2：设置粒子编码，如天气类型有L个，则设置粒子编码为长度为L的向量，每一值表示对应天气类型的系数；Step3：设置目标函数，根据天气类型以及对应的粒子编码，即可将中文形式的天气类型转换为数值型的天气系数，通过行政地区将天气信息与日发电量数据拼接，计算抄表电量与天气系数的皮尔逊相关系数，该相关系数为该粒子的目标值，因为天气系数与发电量的相关系数越大说明粒子所表示天气类型的系数越准确；Step4：更新粒子位置，计算粒子的目标函数值；Step5：算法迭代次数达到最大次数G则终止算法，否则返回step4；(2)月份数据处理：月份对电站发电量的影响也不可忽视，需要对日期进行分词处理分2CN114282637A权利要求书2/2页出月份，同样按照上述算法求解月份系数；(3)异常日发电量数据处理：在电量采集的过程中存在采集到异常电量，需要将数据进行判断；(4)预测清洗后电量：采用深度学习模型BP预测清洗后发电量，预测输入为天气1、天气2、最高温度、最低温度、月份系数、PM12、风力1、风力2，输出为清洗后发电量；需要对每个特征属性进行归一化处理；如公式所示：*式中x表示归一化后的值，x表示当前数据值，xmin表示数据最小值，xmax表示数据最大值；(5)DBSCAN：采用层次聚类对过去的天气数据进行聚类，根据不同的天气聚出70类，然后对电站清洗之后所属的天气进行归类，分别求出每种天气类型下的积灰率。3CN114282637A说明书1/6页一种适用于光伏电站发电量预测方法技术领域[0001]本发明涉及光伏电站发电量预测方法，具体涉及一种适用于光伏电站发电量预测方法。背景技术[0002]能源，作为资源与能量的物质表现形式，从古至今都是人类赖以生存与发展的基础。进入21世纪以后，随着世界经