一种光功率预测方法及装置制造方法及图纸

本发明专利技术提出一种光功率预测方法及装置，可提高光功率预测的可靠性；其中，光功率预测方法包括：采集影响光功率的静态参数和动态参数；将所述静态参数和所述动态参数分别进行预处理得到静态特征参数、动态特征参数；将所述静态特征参数和所述动态特征参数融合；对预先构建的光功率预测模型进行训练，得到训练好的预测模型；将待预测光功率数据输入所述训练好的预测模型得到光功率预测结果。的预测模型得到光功率预测结果。的预测模型得到光功率预测结果。

【技术实现步骤摘要】
一种光功率预测方法及装置


[0001]本专利技术涉及新能源电力领域，特别涉及一种光功率预测方法及装置。

技术介绍

[0002]目前光功率预测的方法根据光伏电站实时运行数据的特性，可以将影响光功率的特征参数分为动态参数和静态参数。动态参数记录了光伏电站的实时运行状态，蕴含丰富的光功率退化信息。静态参数表征光伏电站的物理状态，在正常工作情况下，数据较为稳定。两类特征参数对光功率预测的影响效果不同，但是现存方法忽略了动态参数和静态参数之间的差异性，造成现存的光功率预测可靠性不高的问题。

技术实现思路

[0003]基于此，本专利技术实施例的目的在于提供一种光功率预测方法及装置，可以解决上述存在的光功率预测可靠性不高的问题。
[0004]一方面，本专利技术提出的光功率预测方法包括：
[0005]采集影响光功率的静态参数和动态参数；
[0006]将所述静态参数和所述动态参数分别进行预处理得到静态特征参数、动态特征参数；
[0007]将所述静态特征参数和所述动态特征参数融合；
[0008]对预先构建的光功率预测模型进行训练，得到训练好的预测模型；
[0009]将待预测光功率数据输入所述训练好的预测模型得到光功率预测结果。
[0010]另一方面，本专利技术提出一种光功率预测装置，包括：
[0011]采集模块，用于采集影响光功率的静态参数和动态参数；
[0012]预处理模块，用于将所述静态参数和所述动态参数分别进行预处理得到静态特征参数、动态特征参数；
[0013]融合模块，用于将所述静态特征参数和所述动态特征参数融合；
[0014]训练模块，用于对预先构建的光功率预测模型进行训练，得到训练好的预测模型；
[0015]预测模块，用于将待预测光功率数据输入所述训练好的预测模型得到光功率预测结果。
[0016]根据上述本专利技术方案，考虑了动态参数和静态参数对光功率预测的影响不同，分别采集动态参数和静态参数；进行预处理后进行动态特征参数合静态特征参数融合，再将融合后的参数进行训练得到训练好的预测模型，将待预测的光功率参数输入该模型即可得到精确度高的光功率预测结果。
附图说明
[0017]附图是用来提供对本专利技术的进一步理解，并构成说明书的一部分，与下面的具体实施方式一起用于解释本专利技术，但不应构成对本专利技术的限制。在附图中，
[0018]图1是本专利技术提出的光功率预测方法流程示意图；
[0019]图2是本专利技术提出的光功率预测方法的另一流程示意图；
[0020]图3是本专利技术提出的光功率预测装置的结构示意图。
具体实施方式
[0021]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，本领域普通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。
[0022]下面将参考附图并结合实例来详细说明本专利技术创造。
[0023]本专利技术提出一种光功率预测方法，其流程示意图如图1所示，其包括：
[0024]S101、采集影响光功率的静态参数和动态参数；
[0025]其中，影响光功率的动态参数包括：光伏电站现场实时辐照值、风速、风向、温度、湿度气压；影响光功率的静态参数包括：逆变器数量、逆变器功率、逆变器是否开启。
[0026]S102、将所述静态参数和所述动态参数分别进行预处理得到静态特征参数、动态特征参数；
[0027]其中，对所述动态参数进行预处理时：
[0028](1)可使用最大最小归一化方法对所述动态参数进行归一化处理；其中，最大最小法归一化的一种数学表达式为：
[0029][0030]式中，x
′
为归一化后的动态参数，x为原始动态参数，x
min
和x
max
为原始动态参数中的最大值与最小值。
[0031](2)然后通过滑动窗口法将归一化处理后的动态参数划分为输入时间窗序列；其中，第t时刻输入时间窗的一种数学表达式为：
[0032][0033]式中，X(t)为第t时刻输入时间窗，为t时刻第一个动态参数值，n为时间窗大小，m为动态参数个数。
[0034](3)对每个输入时间窗进行降噪平滑处理；其中，基于统计量的降噪方法的一种数学表达式为：
[0035][0036]式中，x
i,j,k
代表第i个窗口第j列的第k个动态参数值；μ
i,j
代表第i个窗口第j列动态参数值的均值；σ
i,j
代表第i个窗口第j列动态参数值的标准差。
[0037](4)为每个时间窗口添加光功率标签。其中，第t时刻输入时间窗的标签为：
[0038][0039]式中，IP
ti
为第i个光伏电站的第t时刻输入时间窗的光功率标签，为第i个光伏电站第t时刻的真实功率值。
[0040]在一个实施例中，对所述静态参数进行预处理时，将恒定值作为相对应静态参数代表值，将变化值作均值处理后作为相对应静态参数代表值。
[0041]S103、将所述静态特征参数和所述动态特征参数融合；
[0042]S104、对预先构建的光功率预测模型进行训练，得到训练好的预测模型；
[0043]S105、将待预测光功率数据输入所述训练好的预测模型得到光功率预测结果。
[0044]根据上述本专利技术方案，考虑了动态参数和静态参数对光功率预测的影响不同，分别采集动态参数和静态参数；进行预处理后进行动态特征参数合静态特征参数融合，再将融合后的参数进行训练得到训练好的预测模型，将待预测的光功率参数输入该模型即可得到精确度高的光功率预测结果。
[0045]在一个实施例中，本专利技术提出的光功率预测方法的另一流程示意图，如图2：
[0046]1、先获取数据，即采集影响光功率的静态参数和动态参数；
[0047]2、进行数据预处理，得到训练数据集，包括：静态特征参数、动态特征参数；具体参见S102；
[0048]3、基于训练数据集进行特征融合；其中，将所述静态特征参数和所述动态特征参数融合时，可基于卷积双向长短期记忆网络与注意力机制构建Multiscale
‑
ConvBiLSTM
‑
Attention网络；
[0049]其中，卷积操作的计算过程如下：
[0050]Y(t)＝σ(W*X(t)+b)
[0051]上式中：Y(t)为卷积层的输出，σ为sigmod激活函数，W代表权重矩阵，X(t)代表第t时刻的输入时间窗，b代表偏置。
[0052]对所述动态特征参数进行处理提取时空特征；其中，首先使用ConvBiLSTM挖掘动态参数中蕴含的时空特征；其中，BiLSTM的计算过程如下：
[0053][0054][005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光功率预测方法，其特征在于，包括：采集影响光功率的静态参数和动态参数；将所述静态参数和所述动态参数分别进行预处理得到静态特征参数、动态特征参数；将所述静态特征参数和所述动态特征参数融合；对预先构建的光功率预测模型进行训练，得到训练好的预测模型；将待预测光功率数据输入所述训练好的预测模型得到光功率预测结果。2.根据权利要求1所述的光功率预测方法，其特征在于，所述静态参数包括：逆变器数量、逆变器功率、逆变器是否开启；所述动态参数包括光伏电站现场实时辐照值、风速、风向、温度、湿度气压。3.根据权利要求1所述的光功率预测方法，其特征在于，对所述动态参数进行预处理时，对所述动态参数进行归一化处理；通过滑动窗口法将归一化处理后的动态参数划分为输入时间窗序列；对每个输入时间窗进行降噪平滑处理；为每个时间窗口添加光功率标签。4.根据权利要求1所述的光功率预测方法，其特征在于，对所述静态参数进行预处理时，将恒定值作为相对应静态参数代表值，将变化值作均值处理后作为相对应静态参数代表值。5.根据权利要求1至4任一项所述的光功率预测方法，其特征在于，将所述静态特征参数和所述动态特征参数融合时，对所述动态特征参数进行处理提取时空特征，并为时空特征赋予权重；采用多尺度学习策略获得动态特征参数的多尺度加权时空特征；对所述静态特征参数进行聚类处理，确定聚类中心；依据每个光伏电站距离聚类中心的欧氏距离计算每个光伏电站的类别概率，根据每个光伏电站的类别概率得到静态特征参数的类别特征；将动态特征参数的多尺度加权时空特征进行特征融合，再与静态特征参数的类别特征进行特征融合。6.一种光功率预测装置，其特征在于，包括：采集模块，用于采集影响光功率...

【专利技术属性】
技术研发人员：常伦凯，秦子轩，马贵斌，史本栋，许茂林，张加庆，邢梦晓，连志威，王福宏，
申请(专利权)人：烟台东方威思顿电力设备有限公司，
类型：发明
国别省市：