【技术实现步骤摘要】
基于金枪鱼群算法的光伏发电功率异常率确定方法及系统
[0001]本申请涉及光伏发电领域，尤其涉及基于金枪鱼群算法的光伏发电功率异常率确定方法及系统。
技术介绍
[0002]随着全球能源的急速枯竭和减少污染的需求，光伏发电作为一种清洁可在生能源正在成为替代火力发电的选择之一。但是光伏场发电一般不如风力发电的效率高，且对于光伏发电场来说掌握光伏发电场的发电状态可以提高光伏发电场的发电效率，了解光伏发电场状态有助于提高光伏发电场运维能力。
[0003]现在光伏发电功率异常检测一般采用传统物理传感器方法和人工智能算法方法。但是，传统物理传感器方法大多基于硬件设备，硬件设备检测速度快，准确率相对较低，具有差异性，每个光伏发电站硬件的参数可能不同，需要人为调整。人工智能算法在光伏领域已经有很多的应用，许多人工智能算法在光伏发电功率预测上都取得了不错的效果，特别是长短期记忆神经网络在时间序列预测有很好的预测效果，但是现有的长短期记忆神经网络的训练数据没有深度挖掘光伏发电数据特征、长短期记忆神经网络相对不好训练，使得模型训练的速度慢...
【技术保护点】
【技术特征摘要】
1.一种基于金枪鱼群算法的光伏发电功率异常率确定方法，其特征在于，所述方法包括：获取待检测光伏电站预设时段内各时刻的光伏发电数据，并基于所述预设时段内各时刻的光伏发电数据确定所述预设时段对应的日出时间及日落时间，其中所述光伏发电数据包括太阳板温度、辐射度和直流发电功率实际值；根据所述日出时间及日落时间对所述光伏发电数据进行预处理；将预处理后的所述太阳板温度、辐射度输入到预先训练好的光伏发电功率预测模型中，得到预设时段内各时刻的直流发电功率预测值；对所述各时刻的直流发电功率预测值进行反归一化处理，并基于反归一化处理后的直流发电功率预测值与所述直流发电功率实际值确定各时刻的置信区间；根据所述各时刻的置信区间确定所述待检测光伏电站的发电功率异常率；其中，所述预先训练好的光伏发电功率预测模型是基于历史时段内各时刻的光伏发电数据和改进的金枪鱼群算法对初始的长短期记忆神经网络进行训练得到的。2.如权利要求1所述的方法，其特征在于，所述基于所述预设时段内各时刻的光伏发电数据确定所述预设时段对应的日出时间及日落时间，包括：遍历预设时段内各时刻的光伏发电数据，统计辐射度大于0的采集时间，并将采集时间的最小值记为日出时间，最大值记为日落时间。3.如权利要求1所述的方法，其特征在于，所述根据所述日出时间及日落时间对所述光伏发电数据进行预处理，包括：利用插值法对日出时间及日落时间段内缺失的直流发电功率实际值进行补充，并将所述太阳板温度、辐射度进行归一化处理。4.如权利要求1所述的方法，其特征在于，所述光伏发电功率预测模型的训练过程包括：获取历史时段内各时刻的光伏发电数据构成光伏发电数据集，并基于所述光伏发电数据集确定所述历史时段对应的日出时间及日落时间，其中所述光伏发电数据包括太阳板温度、辐射度和直流发电功率实际值；根据所述日出时间及日落时间对所述光伏发电数据集中的光伏发电数据进行预处理；基于预处理后的光伏发电数据集构建训练集和验证集；利用改进的金枪鱼群算法确定初始的长短期记忆神经网络的最优参数；基于所述最优参数、训练集和验证集对所述初始的长短期记忆神经网络进行训练，得到训练好的光伏发电功率预测模型。5.如权利要求4所述的方法，其特征在于，所述利用改进的金枪鱼群算法确定初始的长短期记忆神经网络的最优参数，包括：步骤F1:初始化个体位置；步骤F2:确定第t次迭代计算的最优个体位置，并基于第t次迭代计算的最优个体位置对应的模型参数作为初始的长短期记忆神经网络的模型参数；步骤F3:基于所述模型参数对所述初始的长短期记忆神经网络进行训练，并确定训练后的所述长短期记忆神经网络的最佳适应值；步骤F4:判断第t次迭代对应的最佳适应值是否小于当前最佳适应值，若是，则将初始<...
【专利技术属性】
技术研发人员：李小翔，钟明，安娜，杨宁，王春森，任立兵，韦玮，冯帆，邸智，薛丽，黄思皖，史鉴恒，王宝岳，付雄，刘伟，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：
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。