光伏电站清洗频率的预测方法及存储介质技术

本发明专利技术提供一种光伏电站清洗频率的预测方法及存储介质，所述光伏电站清洗频率的预测方法包括获取步骤、模型构建步骤、预测步骤、判定步骤以及汇总步骤。本发明专利技术通过将预设历史时间段的面板功率数据进行建模学习，在样本数据中加入空气数据，可以提高预测功率数据的准确性，并且搭建成本计算模型，通过调整阈值功率得到最优的清洗频次。本发明专利技术还可以根据预测功率进行面板的性能预估，对面板在下一时刻进行调整，使该面板的性能提高。

【技术实现步骤摘要】
光伏电站清洗频率的预测方法及存储介质
本专利技术光伏发电
，尤其涉及一种光伏电站清洗频率的预测方法及存储介质。
技术介绍
随着时间的推移，光伏电站会存在灰尘积累，灰尘积累会导致光伏面板的发电效率下降，但是清洗光伏面板又会带来一定的成本。考虑到不同地域的灰尘积累速率的不；以及在不同季节情况下，降雨的频率不同；因而不同地区的最佳清洗频率不能采用统一的清洗频率来代替。现有的清洗的方案在提及清洗频率的问题时，没有根据不同地区的情况做调整。清洗的频率越高，光伏发电站的发电量越高，但是清洗成本也越大。但是因为不同地区的灰尘积累速度不同，且不同地区的清洗成本也不一样，用单一的清洗频率代替最理想的清洗频率会造成一定的产能浪费。因而，需要提出一种光伏电站清洗频率的预测方法及存储介质，以大数据为基础，对光伏电站清洗频率进行预测。
技术实现思路
本专利技术提供提出一种光伏电站清洗频率的预测方法及存储介质，用以对光伏电站清洗频率进行预测，并且可以根据成本公式计算调整优的清洗成本。本专利技术提供一种光伏电站清洗频率的预测方法，包括：获取步骤，获取历史时间段的多块光伏面板的发电功率作为数据样本；模型构建步骤，利用机器学习对所述数据样本进行学习得到预测模型；预测步骤，将部分连续的数据样本输入至所述预测模型得到下一时间序列的预测发电功率；判定步骤，将每一块光伏面板的所述预测发电功率与一功率阈值进行比对，若实际发电功率低于预测功率阈值，则判定该光伏面板需要清洗；若实际发电功率高于预测清洗功率阈值，则判定该光伏面板不需要清洗；汇总步骤，确定该光伏电站每天需要被清洗的面板。进一步地，还包括：成本计算步骤，根据所述的预测发电功率以及该光伏电站的面板清洗成本，计算该光伏电站的收益成本。进一步地，所述成本计算步骤具体包括：第一计算步骤，根据所述预测发电功率计算该光伏电站的发电收益；第二计算步骤，将需要被清洗的面板数与单次清洗成本相乘得到清洗成本；第三计算步骤，将所述发电收益与所述清洗成本相减得到该光伏电站的净收益。进一步地，所述成本计算步骤之后，还包括：调整步骤，调整所述功率阈值，将所述光伏电站的净收益提升至最高。进一步地，所述模型构建步骤具体包括：样本分类步骤，将所述数据样本随机分成训练样本及测试样本两类；初级模型构建步骤，利用所述训练样本训练并构建初级模型；验证步骤，将所述测试样本输入至所述初级模型进行验证；初级模型优化步骤，根据所述验证步骤的验证结果对所述初级模型进行优化得到所述预测模型。进一步地，所述验证步骤具体包括：输入测试样本步骤，输入X个测试样本至所述初级模型，获取X个预测结果；比对步骤，将所述X个预测结果与所述X个测试样本的X个发电功率比较，统计与所述发电功率差异超过一定阈值的预测结果的个数Y；计算步骤，计算预测的错误率，并对模型进行评估，错误率未Y与测试样本的样本数X的比值。进一步地，所述预设历史时间段的时间长度大于等于3个月。进一步地，所述数据样本还包括该光伏电站每日的空气质量数据。进一步地，所述光伏电站清洗频率的预测方法还包括：监控步骤，根据所述预测功率的曲线以及空气质量数据，监控每一光伏面板的灰尘积累情况。本专利技术还提供一种存储介质，存储有计算机可读指令，至少一处理器执行至少一所述计算机可读指令，以执行所述的方法步骤。本专利技术的有益效果是：提供一种光伏电站清洗频率的预测方法及存储介质，通过将预设历史时间段的面板功率数据进行建模学习，并在样本中加入空气数据，提高预测得到下一时刻的功率数据的准确性，并且搭建成本计算模型，通过调整阈值功率得到最优的清洗频次。本专利技术还可以根据预测功率进行面板的性能预估，对面板在下一时刻进行参数调整，使该面板的性能提高。附图说明下面结合附图，通过对本专利技术的具体实施方式详细描述，将使本专利技术的技术方案及其它有益效果显而易见。图1为本专利技术提供的光伏电站清洗频率的预测方法的流程图。图2为本专利技术提供的模型构建步骤的流程图。图3为本专利技术提供的验证步骤的流程图。图4为本专利技术提供的成本计算步骤的流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。在本专利技术的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本专利技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。下文的公开提供了许多不同的实施方式或例子用来实现本专利技术的不同结构。为了简化本专利技术的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本专利技术。此外，本专利技术可以在不同例子中重复参考数字和/或参考字母，这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施方式和/或设置之间的关系。此外，本专利技术提供了的各种特定的工艺和材料的例子，但是本领域普通技术人员可以意识到其他工艺的应用和/或其他材料的使用。如图1所述，本专利技术提供一种光伏电站清洗频率的预测方法，包括如下步骤S1～S8。S1、获取步骤，获取历史时间段的多块光伏面板的发电功率作为数据样本。所述预设历史时间段的时间长度大于等于3个月，所述数据样本还包括该光伏电站每日的空气质量数据。为了预测得到的数据更加准确，需要时间跨度较大的数据，并且还将空气数据加入至数据样本中，不同的空气环境对面板的发电功率具有影响；比如，阴天的时候，发电功率会有所下降。S2、模型构建步骤，利用机器学习对所述数据样本进行学习得到预测模型。所述机器学习模型包括朴素贝叶斯、SVM或深度学习网络，皆属于监督模型，其中，深度学习为优选实施例。如图2所示，所述模型构建步骤具体包括S201～S203。S201、样本分类步骤，将所述数据样本随机分成训练样本及测试样本两类。S202、初级模型构建步骤，利用所述训练样本训练并构建初级模型。S203、验证步骤，将所述测试样本输入至所述初级模型进行验证。如图3所示，所述验证步骤具体包括S2031～S2033。S2031、输入测试样本步骤，输入X个测试样本至初级模型中，获取X个预测结果。S2032、比对步骤，将所述X个预测结果与所述X个测试样本的X个发电功率比较，统计与所述发电功率差异超过一定阈值的预测结果的个数Y。S2033、计算步骤，计算预测错误率，错误率公式为Y与测试样本的样本数X的比值。S204、初级模型优化步骤，根据所述验证步骤的验证结果对所述初级模型进行优化得到所述预测模型。S3、预测步骤，将部分连续本文档来自技高网...

【技术保护点】
1.一种光伏电站清洗频率的预测方法，其特征在于，包括：/n获取步骤，获取历史时间段的多块光伏面板的发电功率作为数据样本；/n模型构建步骤，利用机器学习对所述数据样本进行学习得到预测模型；/n预测步骤，将部分连续的数据样本输入至所述预测模型得到下一时间序列的预测发电功率；/n判定步骤，将每一块光伏面板的所述预测发电功率与一功率阈值进行比对，若实际发电功率低于预测功率阈值，则判定该光伏面板需要清洗；若实际发电功率高于预测清洗功率阈值，则判定该光伏面板不需要清洗；以及/n汇总步骤，确定该光伏电站每天需要被清洗的面板。/n

【技术特征摘要】
1.一种光伏电站清洗频率的预测方法，其特征在于，包括：
获取步骤，获取历史时间段的多块光伏面板的发电功率作为数据样本；
模型构建步骤，利用机器学习对所述数据样本进行学习得到预测模型；
预测步骤，将部分连续的数据样本输入至所述预测模型得到下一时间序列的预测发电功率；
判定步骤，将每一块光伏面板的所述预测发电功率与一功率阈值进行比对，若实际发电功率低于预测功率阈值，则判定该光伏面板需要清洗；若实际发电功率高于预测清洗功率阈值，则判定该光伏面板不需要清洗；以及
汇总步骤，确定该光伏电站每天需要被清洗的面板。


2.如权利要求1所述的光伏电站清洗频率的预测方法，其特征在于，还包括：
成本计算步骤，根据所述的预测发电功率以及该光伏电站的面板清洗成本，计算该光伏电站的收益成本。


3.如权利要求2所述的光伏电站清洗频率的预测方法，其特征在于，
所述成本计算步骤具体包括：
第一计算步骤，根据所述预测发电功率计算该光伏电站的发电收益；
第二计算步骤，将需要被清洗的面板数与单次清洗成本相乘得到清洗成本；以及
第三计算步骤，将所述发电收益与所述清洗成本相减得到该光伏电站的净收益。


4.如权利要求2所述的光伏电站清洗频率的预测方法，其特征在于，
所述成本计算步骤之后，还包括：
调整步骤，调整所述功率阈值，将所述光伏电站的净收益提升至最高。


5.如权利要求1所述的光伏电站清洗频率的预测方法，其特征...

【专利技术属性】
技术研发人员：徐斐，包文中，夏潇，徐建荣，
申请(专利权)人：苏州瑞得恩工业物联网科技有限公司，
类型：发明
国别省市：江苏;32