【技术实现步骤摘要】
一种光伏发电影响因素评价模型、构建方法及应用
本专利技术属于光伏发电量预测
，尤其涉及一种光伏发电影响因素评价模型、构建方法及应用。
技术介绍
目前，最接近的现有技术：据国际能源署估计，全球2030年一次能源需求将达到177亿吨油当量，能源需求量如此巨大，而化石能源(煤、石油、天然气等不可再生资源)的日益枯竭以及对全球气候环境的影响，使得在世界范围内，优先大力发展可再生能源的能源革命被掀起。随着各国对太阳能光伏发电技术的投入，目前光伏发电已经实现了产业化，太阳能光伏发电逐步成为了电力能源的重要组成部分。光伏发电属于波动性和间歇性电源，当大规模光伏发电接入电网后，就会产生随机发电与随机用电两组互不相关变量的实时平衡问题，这就使得对光伏发电预测模型和效率评价指标的研究成为了必须。光伏发电预测模型就是对运行中的光伏发电诸多气候等因素进行分析，预先评估发电量的变化情况、用来合理调度发电容量、充分利用资源，达到提高光伏并网后电网的安全性和稳定性的目的。Spark平台是专为大规模数据处理而设计的快速通用的计算引擎，植入于该平台下的...
【技术保护点】
1.一种光伏发电影响因素评价模型，其特征在于，采用Spearman相关系数分析各个相关因素与光伏发电功率之间的相关性，并且找出相关性最高的几个因素，Spearman相关系数计算：/n
【技术特征摘要】
1.一种光伏发电影响因素评价模型，其特征在于，采用Spearman相关系数分析各个相关因素与光伏发电功率之间的相关性，并且找出相关性最高的几个因素，Spearman相关系数计算：
其中，Y为与各个因素之间的相关性，di表示两个变量分别排序之后的变量位置差，N为变量个数，变量包括日期、温度、天气；当相关系数Y越接近1时，表明两个变量的相关性越大，预测时的参考价值越高；越接近0时，表示预测时的参考价值越低；
所述光伏发电影响因素评价模型将光伏电站的历史数据处理之后分成训练集和验证集，在训练集上对以LSTM为基础的网络算法进行训练，采用平均绝对百分误差MAPE在验证集上对训练后的两种网络模型进行评价，根据结果优化网络参数和调整主要因子，得出最优模型，并得到对光伏发电影响最大的影子，MAPE公式：
式中observedt为t时刻的真实值，predictedt为t时刻预测值。
2.一种如权利要求1所述光伏发电影响因素评价模型的构建方法，其特征在于，所述光伏发电影响因素评价模型的构建方法基于Scala语言和SparkRDD实现深度学习网络算法，借助Scala语言和SparkRDD的分布式算子对传统LSTM进行重新编码和改进，通过建立深层的时间序列神经网络模型，对日期、温度、天气的数据从底层到高层逐层提取特征，实现底层信息到高层的抽象；使用GB级别的光伏系统数据集对LSTM在Spark集群上和单一主机下运行的效率和结果进行比较。
3.一种使用权利要求1所述光伏发电影响因素评价模型的Spark平台下的光伏发电量预测和发电效率评价系统，其特征在于，所述Spark平台下的光伏发电量预测和发电效率评价系统包括：
数据源层，用于实现光伏发电系统的历史数据和每天产生的记录数据存储在MySQL、Oracle关系型数据库构成数据源层；
数据传输层，用于实现数据在关系型数据库和HDFS之间的传输；
数据存储层，用于存储光伏发电系统大量的历史数据、每日新增的数据和数据计算分析产生的大量中间数据；
数据处理层，用于为上层数据分析提供计算支持；
数据分析层，用于利用大量的历史数据对光伏发电量建立模型；根据当前光伏发电的各种影响因素，通过光伏发电量模型来对发电量做出预测；预测的结...
【专利技术属性】
技术研发人员：周杭霞，周郅皓，杨凌帆，刘倩，胡强，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江;33
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。