一种光伏发电量预测分析方法技术

本发明专利技术提供的光伏发电量预测分析方法通过将运维日志与日发电量中较为离散的数据结合对照，从离散的数据中提取离散原因是运维造成的数据。将运维作为重要的因素结合气象因素对运维的光伏组件的发电量进行发电量模型建立，将气象因素对没有进行运维的光伏组件进行发电量模型建立，获取未来预期的气象因素，获取未来预期的运维计划，根据运维计划对光伏组件进行分类，分别进行运维的光伏组件发电量和未运维的光伏组件的发电量，将两者结合，获取未来一段时间内的发电量预期。使得发电量的预测更加的准确。

【技术实现步骤摘要】
一种光伏发电量预测分析方法
本专利技术涉及电量预测领域，尤其涉及一种光伏发电量预测分析方法。
技术介绍
光伏发电容易受到辐照度、温度、湿度、风力、风向、晴雨状况等因素的影响，因此光伏发电具有波动性和间歇性，大规模光伏发电站并网运行会影响电力系统的安全稳定经济运行。目前，一般采用最大功率点控制器限制光伏发电站的最大输出功率保证并网的安全，这种情况下要保证光伏电站在低于最大功率点的功率下运行，实际上是限制光伏电站的拓展，不利于光伏发电产业的发展。实际上，对光伏电站的输出功率进行预测有助于电网调度部门统筹安排常规电源和光伏发电的协调配合，及时调整调度计划，合理安排电网运行方式，这样能够解放光伏电站的生产效率，便于获得更大的经济效益和社会效益，光伏电站运行过程中，气象数据是影响光伏电站发电功率发电量的重要因素，目前大多数算法以气象因素作为核心变量，数据处理过程中，忽略日发电量离散很大的数据往往能够得到很好的模型，实际过程中日发电量离散程度很大的数据往往是光伏电站运维造成的，而在未来预期中，不能够排除运维的因素，这样就会造成很大的预测误差。
技术实现思路
为解决上述技术问题，本专利技术提供一种光伏发电量预测分析方法。本专利技术提供一种光伏发电量预测分析方法，包括以下步骤，S1：将光伏电站的光伏组件按运营时间进行分组；S2：获取每组光伏组件在一定历史时段内的日发电量数据；S3：获取历史时段中每组的运维日志，获取运维原因、时刻、运维持续时间；S4：获取历史时段中光伏电站所在地的气象数据；S5：以排除运维日的日发电量数据之后的每组光伏组件在一定历史时段内的日发电量数据为变量Q，以其所对应的气象数据为变量Xi（i=1，2，3……），对变量Q与变量Xi的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Xi；S6：在按运营时间分组的基础上，按照运维原因对运维的光伏组件再次进行分组，以每组日发电量数据为变量E，以其所对应的的气象数据为变量Yi，运维持续时间为变量Ti，对变量E与变量Yi、Ti的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Yi、Ti；S7：将S5中筛选出的高相关度的Q与Xi输入神经网络进行训练，输出每组光伏组件损失函数最低的模型A，对S6中的相关度高的E与Yi、Ti输入神经网络进行训练，输出每组光伏组件损失函数最低的模型B；S8：对S7中的模型进行验证；S9：获取待预测时间段内的运维计划，获取不同种类的运维的光伏组件占比情况、运维时间情况，获取带预测时间段内的气象数据；Xi输入每组对应模型A进行计算出相应的Q，Yi、Ti输入每组对应的模型B进行计算得出相应的E，对运维和非运维的光伏组件分别进行发电量的计算。优选的，所述气象数据包括每小时平均温度，每小时平均湿度，每小时大气污染情况、天气随时间变化数据、太阳辐射时长、每小时太阳辐照强度。优选的，通过历史时段外的已知数据对模型A和模型B进行验证，以MAE作为验证的评价指标。与相关技术相比较，本专利技术提供的光伏发电量预测分析方法具有如下有益效果：本专利技术提供的光伏发电量预测分析方法通过将光伏电站中光伏组件按照运营时间进行分组，不同运营时间的光伏组件的光伏面板分别计算其发电量预测模型，能够更加准确的对发电量进行预测；本专利技术提供的光伏发电量预测分析方法将运维的光伏组件和正常运行的光伏组件进行分别的模型计算，不同运行时间的光伏组件的运维计划往往不同，而且运维的原因不同，运维对发电量的影响结果也是不同的，对未来发电量进行预测时，考虑电站运营过程中光伏组件运维计划，使得获取的电量预测数据更加准确。附图说明图1为本专利技术提供的光伏发电量预测分析方法的分组方式示意图；图2为未进行运维的光伏组件的模型训练神经网络的结构示意图；图3为进行运维的光伏组件的模型训练神经网络的结构示意图。具体实施方式下面结合附图和实施方式对本专利技术作进一步说明。请结合参阅图1、图2以及图3，其中图1为本专利技术提供的光伏发电量预测分析方法的分组方式示意图；图2为未进行运维的光伏组件的模型训练神经网络的结构示意图；图3为进行运维的光伏组件的模型训练神经网络的结构示意图。参阅图1所示，本专利技术提供的种光伏发电量预测分析方法，包括以下步骤，S1：将光伏电站的光伏组件按运营时间进行分组；S2：获取每组光伏组件在一定历史时段内的日发电量数据；S3：获取历史时段中每组的运维日志，获取运维原因、时刻、运维持续时间；S4：获取历史时段中光伏电站所在地的气象数据；S5：以排除运维日的日发电量数据之后的每组光伏组件在一定历史时段内的日发电量数据为变量Q，以其所对应的气象数据为变量Xi（i=1，2，3……），对变量Q与变量Xi的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Xi；具体实施过程中，皮尔森相关系数为0.4到1的作为相关度高的指标。S6：在按运营时间分组的基础上，按照运维原因对运维的光伏组件再次进行分组，以每组日发电量数据为变量E，以其所对应的的气象数据为变量Yi，运维持续时间为变量Ti，对变量E与变量Yi、Ti的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Yi、Ti；S7：将S5中筛选出的高相关度的Q与Xi输入神经网络进行训练，输出每组光伏组件损失函数最低的模型A，所述损失函数为每组光伏组件实际日发电量与模型预测的日发电量的MAE，对S6中的相关度高的E与Yi、Ti输入神经网络进行训练，输出每组光伏组件损失函数最低的模型B，所述损失函数为运维的每组光伏组件实际日发电量与模型预测的日发电量之间的MAE，S7过程中以百分之八十的数据集进行模型训练；S8：对S7中的模型进行验证，S8过程中以百分之二十的数据集进行验证，并以MAE作为评价指标；S9：获取光伏电站待预测时间段内的运维计划，获取不同种类的运维的光伏组件占比情况、运维时间情况，获取带预测时间段内的气象数据；对各组非运维的光伏组件按照对应的模型A进行计算，将Xi输入每组对应模型A进行计算出相应的Q，对各组运维的光伏组件按照对应模型B进行计算，Yi、Ti输入每组对应的模型B进行计算得出相应的E，计算光伏电站每组光伏组件发电量，求和获取未来发电量预期。具体实施过程中，所述气象数据至少包括每小时平均温度，每小时平均湿度，每小时大气污染情况、天气随时间变化数据、太阳辐射时长、每小时太阳辐照强度。本专利技术提供的光伏发电量预测分析方法的工作原理如下：本专利技术提供的光伏发电量预测分析方法通过将运维日志与日发电量中较为离散的数据结合对照，从离散的数据中提取离散原因是运维造成的数据。将运维作为重要的因素结合气象因素对运维的光伏组件的发电量进行发电量模型建立，将气象因素对没有进行运维的光伏组件进行发电量模型建立，获取未来预期的气象因素，获取未来预期的运维计划，根据运维计划对光伏组件进行分类，分别进行运维的光伏组件发电量和未运维本文档来自技高网...

【技术保护点】
1.一种光伏发电量预测分析方法，其特征在于，包括以下步骤，/nS1：将光伏电站的光伏组件按运营时间进行分组；/nS2：获取每组光伏组件在一定历史时段内的日发电量数据；/nS3：获取历史时段中每组的运维日志，获取运维原因、时刻、运维持续时间；/nS4：获取历史时段中光伏电站所在地的气象数据；/nS5：以排除运维日的日发电量数据之后的每组光伏组件在一定历史时段内的日发电量数据为变量Q，以其所对应的气象数据为变量Xi（i=1，2，3……），对变量Q与变量Xi的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Xi；/nS6：在按运营时间分组的基础上，按照运维原因对运维的光伏组件再次进行分组，以每组日发电量数据为变量E，以其所对应的的气象数据为变量Yi，运维持续时间为变量Ti，对变量E与变量Yi、Ti的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Yi、Ti；/nS7：将S5中筛选出的高相关度的Q与Xi输入神经网络进行训练，输出每组光伏组件损失函数最低的模型A，对S6中的相关度高的E与Yi、Ti输入神经网络进行训练，输出每组光伏组件损失函数最低的模型B；/nS8：对S7中的模型进行验证；/nS9：获取待预测时间段内的运维计划，获取不同种类的运维的光伏组件占比情况，获取带预测时间段内的气象数据；Xi输入每组对应模型A进行计算出相应的Q，Yi、Ti输入每组对应的模型B进行计算得出相应的E，对运维和非运维的光伏组件分别进行发电量的计算。/n...

【技术特征摘要】
1.一种光伏发电量预测分析方法，其特征在于，包括以下步骤，
S1：将光伏电站的光伏组件按运营时间进行分组；
S2：获取每组光伏组件在一定历史时段内的日发电量数据；
S3：获取历史时段中每组的运维日志，获取运维原因、时刻、运维持续时间；
S4：获取历史时段中光伏电站所在地的气象数据；
S5：以排除运维日的日发电量数据之后的每组光伏组件在一定历史时段内的日发电量数据为变量Q，以其所对应的气象数据为变量Xi（i=1，2，3……），对变量Q与变量Xi的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Xi；
S6：在按运营时间分组的基础上，按照运维原因对运维的光伏组件再次进行分组，以每组日发电量数据为变量E，以其所对应的的气象数据为变量Yi，运维持续时间为变量Ti，对变量E与变量Yi、Ti的幂次函数进行皮尔森相关系数衡量，筛选相关度高的Q与Yi、Ti；
S7：将S5中筛选出的高相关度...

【专利技术属性】
技术研发人员：龙伶进，许阳阳，魏振欣，李园园，佀庆灏，
申请(专利权)人：沂南力诺太阳能电力工程有限公司，
类型：发明
国别省市：山东;37