一种基于AI模型训练的光伏电站灰尘损失电量预测方法技术

本发明专利技术公开了一种基于AI模型训练的光伏电站灰尘损失电量预测方法。包括：根据预测周期内光伏电站空气中颗粒物累计数据、光伏电站倾角和降水量，建立灰尘累积量模型，确定光伏组件灰尘累积量；建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率；根据灰尘损失率和发电量，确定对应的损失电量，确定预测周期开始至选定时间单位的累计损失电量；其中，灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。考虑了空中颗粒物、电站倾角和降水量对灰尘积累的影响，不受光伏电站具体的电路设置或入网扰动影响，预测准确且稳定性好，并且能根据AI模型对参数进行更新，不断提高预测准确率。不断提高预测准确率。不断提高预测准确率。

【技术实现步骤摘要】
一种基于AI模型训练的光伏电站灰尘损失电量预测方法


[0001]本专利技术涉及太阳能发电
，特别涉及一种基于AI模型训练的光伏电站灰尘损失电量预测方法。

技术介绍

[0002]光伏电站中光伏组件灰尘会降低发电量，还会腐蚀光伏组件，影响光伏组件发电效率和可靠性。因此，有必要根据灰尘情况，对光伏组件适时清洗。
[0003]现有的光伏电站清洗判断中依赖于光伏组件对照组电流、电压、功率等电力数据，这些电力数据和电网拓扑、入网扰动等与光伏组件灰尘情况无关的因素具有显著关联，因此，依赖上述电力数据进行灰尘累积量估计、灰尘损失电量判断，或触发光伏组件清洗时，难免存在较大的偏差。

技术实现思路

[0004]为了解决上述问题，做出本专利技术，通过具体实施方式，提供一种基于AI模型训练的光伏电站灰尘损失电量预测方法。
[0005]第一方面，本专利技术实施例提供一种基于AI模型训练的光伏电站灰尘损失电量预测方法，包括以下步骤：根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量；根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率；根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量；其中，所述灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。
[0006]具体的，根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量，包括以下步骤：分别获取预测周期内待测日的光伏电站PM2.5和PM10在本预测周期内累计量、光伏电站倾角和待测日降水量；建立灰尘累积量模型：
[0007]式中，表示光伏电站本预测周期内新累积灰尘量，表示光伏电站本预测周期内待测日光伏组件灰尘累积量，表示光伏电站倾角，表示的余弦值，表示光伏电站本预测周期内PM2.5累计量，表示光伏电站本预测周期内PM10累计量，表示光伏电站上一个预测周期留下的灰尘量，表示光伏电站PM2.5颗粒的沉降速率，表示光伏电站PM10颗粒的沉降速率，表示降雨清洗参数，表示光伏电站清洗雨量下限，表示光伏电站清洗雨量上限，表示光伏电站待测日降雨量；通过所述灰尘累积量模型，确定待测日光伏组件灰尘累积量；其中，在第一个预测周期中，对、、和赋初值，并将所述灰尘累积量模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新、、和的值。
[0008]具体的，根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率，包括以下步骤：建立灰尘沉积和透光率的拟合关系模型：，式中，表示本预测周期内待测日灰尘损失率，表示光伏电站本预测周期内待测日光伏组件灰尘累积量，erf（）为高斯误差函数，、和为所述拟合关系模型参数，其中，在第一个预测周期中，对、和赋初值，并将所述拟合关系模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新、和的值。
[0009]具体的，根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量，包括以下步骤：分别将预测周期内第一日至待测日光伏电站每日的日发电量乘以对应的灰尘损失率，得到本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量；根据本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量，确定本预测周期开始至待测日的累计损失电量；将每日因光伏组件灰尘引起的损失电量和所述累计损失电量输入XGBoost模型进行训练。
[0010]具体的，所述基于AI模型训练的光伏电站灰尘损失电量预测方法，还包括以下步
骤：根据单位电量售价和预测周期开始至选定时间单位的累计损失电量，确定预测周期开始至选定时间单位的累计损失金额，根据累计损失金额和清洗成本，设置清洗触发条件；当确定清洗时，记录清洗完成时对应的时间单位，同时开始下一个预测周期。
[0011]具体的，根据累计损失金额和清洗成本，设置清洗触发条件，包括以下步骤：按照预设修正系数对清洗成本进行修正，将累计损失金额和修正后的清洗成本对比，当累计损失金额超过修正后的清洗成本，且预计未来预设时间内无降雨时，确定光伏组件清洗时间。
[0012]具体的，所述时间单位为自然日，或小时，或按预设倍数小时设置的时间长度。
[0013]第二方面，本专利技术实施例提供一种基于AI模型训练的光伏电站灰尘损失电量预测系统，包括：灰尘累积量确定模块，用于根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量；灰尘损失率确定模块，用于根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率；累计损失电量确定模块，用于根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量；其中，所述灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。
[0014]第三方面，本专利技术实施例提供一种光伏组件灰尘累积量预测方法，包括以下步骤：分别获取预测周期内待测日的光伏电站PM2.5和PM10在本预测周期内累计量、光伏电站倾角和待测日降水量；建立灰尘累积量模型：
[0015]式中，表示光伏电站本预测周期内新累积灰尘量，表示光伏电站本预测周期内待测日光伏组件灰尘累积量，表示光伏电站倾角，表示的余弦值，表示光伏电站本预测周期内PM2.5累计量，表示光伏电站本预测周期内PM10累计量，表示光伏电站上一个预测周期留下的灰尘量，表示光伏电站PM2.5颗粒的沉降速率，表示光伏电站PM10颗粒的沉降速率，表示降雨清洗参数，表示光伏电站清洗雨量下限，表示光伏电站清洗雨量上限，表示光伏电站待测日降雨量；
通过所述灰尘累积量模型，确定待测日光伏组件灰尘累积量；其中，在第一个预测周期中，对、、和赋初值，并将所述灰尘累积量模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新、、和的值。
[0016]基于同一专利技术构思，本专利技术实施例还提供一种计算机存储介质，所述计算机存储介质中存储有计算机可执行指令，所述计算机可执行指令执行时实现前述的基于AI模型训练的光伏电站灰尘损失电量预测方法或光伏组件灰尘累积量预测方法。
[0017]本专利技术实施例提供的上述技术方案的有益效果至少包括：本专利技术提供的光伏电站灰尘损失电量预测方案，考虑了空中颗粒物、电站倾角和降水量对灰尘积累的影响，不依赖于光伏组件对照组电流、电压、功率等电力数据，不受光伏电站具体的电路设置或入网扰动影响，预测准确且稳定性好，并且能根据AI模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AI模型训练的光伏电站灰尘损失电量预测方法，其特征在于，包括以下步骤：根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量；根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率；根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量；其中，所述灰尘累积量模型和/或拟合关系模型的至少一种参数在下一预测周期中通过AI模型更新。2.如权利要求1所述的方法，其特征在于，根据预测周期内待测时间单位的光伏电站空气中颗粒物累计数据、光伏电站倾角和待测时间单位降水量，建立灰尘累积量模型，确定所述待测时间单位的光伏组件灰尘累积量，包括以下步骤：分别获取预测周期内待测日的光伏电站PM2.5和PM10在本预测周期内累计量、光伏电站倾角和待测日降水量；建立灰尘累积量模型：；式中，表示光伏电站本预测周期内新累积灰尘量，表示光伏电站本预测周期内待测日光伏组件灰尘累积量，表示光伏电站倾角，表示的余弦值，表示光伏电站本预测周期内PM2.5累计量，表示光伏电站本预测周期内PM10累计量，表示光伏电站上一个预测周期留下的灰尘量，表示光伏电站PM2.5颗粒的沉降速率，表示光伏电站PM10颗粒的沉降速率，表示降雨清洗参数，表示光伏电站清洗雨量下限，表示光伏电站清洗雨量上限，表示光伏电站待测日降雨量；通过所述灰尘累积量模型，确定待测日光伏组件灰尘累积量；其中，在第一个预测周期中，对、、和赋初值，并将所述灰尘累积量模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新、、和的值。3.如权利要求1所述的方法，其特征在于，根据光伏组件灰尘累积量，建立灰尘沉积和透光率的拟合关系模型，确定对应的灰尘损失率，包括以下步骤：建立灰尘沉积和透光率的拟合关系模型：
，式中，表示本预测周期内待测日灰尘损失率，表示光伏电站本预测周期内待测日光伏组件灰尘累积量，erf（）为高斯误差函数，、和为所述拟合关系模型参数，其中，在第一个预测周期中，对、和赋初值，并将所述拟合关系模型的输入量、输出量和参数输入XGBoost模型，在后续的预测周期中，通过XGBoost模型更新、和的值。4.如权利要求1所述的方法，其特征在于，根据预测周期内时间单位的灰尘损失率和发电量，确定对应时间单位的损失电量，确定预测周期开始至选定时间单位的累计损失电量，包括以下步骤：分别将预测周期内第一日至待测日光伏电站每日的日发电量乘以对应的灰尘损失率，得到本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量；根据本预测周期内第一日至待测日光伏电站每日因光伏组件灰尘引起的损失电量，确定本预测周期开始至待测日的累计损失电量；将每日因光伏组件...

【专利技术属性】
技术研发人员：李欣，杨玲，
申请(专利权)人：国家电投集团综合智慧能源科技有限公司，
类型：发明
国别省市：