一种基于制造技术

本发明专利技术公开了光伏储能技术领域的一种基于

【技术实现步骤摘要】
一种基于DeepIM深度学习算法的光伏发电量预测方法


[0001]本专利技术涉及光伏储能
，具体为一种基于
DeepIM
深度学习算法的光伏发电量预测方法
。

技术介绍

[0002]双碳目标下，光伏发电由于满足清洁高效可再生等条件，近年来在全国各地均发展迅速
。
但光伏发电易受外界环境影响，存在输出不稳定且波动性大等问题，与之发展规模相适应的电网消纳能力以及电力系统调节资源逐渐面临挑战
。
[0003]引入储能技术可以实现能量搬移
、
降低发电量波动范围
、
平滑发电量输出，光储联合运行方式已成为解决这一系列问题的有效手段
。
当前储能在光伏发电系统中的应用和控制，主要是针对减少光伏发电发电量波动，协同参与电网辅助服务等方面，储能系统和光伏发电相互独立，通常采用储能系统被动接收发电量预测结果
、
光伏发电量等发电数据计算输出有功或无功补偿的控制方式
。
同时，光伏电站发电量预测系统的短期
(
未来
24h)
和超短期
(
未来
4h)
发电量预测仅基于场站气象预报数据和历史数据，采用物理
、
统计和深度学习等方式计算得到，受预测时间尺度影响，两种预测准确性存在较大差异，且未计及光伏场站运行状态和储能系统运行状态等因数
。

技术实现思路

[0004]本专利技术的目的在于提供一种基于
DeepIM
深度学习算法的光伏发电量预测方法，以解决上述
技术介绍
中提出的两种预测准确性存在较大差异，且未计及光伏场站运行状态和储能系统运行状态等因数的问题
。
[0005]为实现上述目的，本专利技术提供如下技术方案：一种基于
DeepIM
深度学习算法的光伏发电量预测方法，具体包括以下步骤：
[0006]S1
：采集光伏发电的历史环境数据，降噪后依次进行分解处理和降维处理，得到样本数据集；
[0007]其中，将所述历史环境数据通过
EMD
算法进行分解处理，得到第一特征序列数据，使用
PCA
算法对所述第一特征序列数据进行降维处理，筛选出影响光伏输出发电量的关键因子，得到第二特征序列数据，将所述第二特征序列数据与预先采集的光伏发电量的历史数据进行归一化处理，得到样本数据集；
[0008]S2
：将所述样本数据集划分成训练集和测试集，并导入到
DeepIM
深度学习网络中进行训练验证，调整所述
DeepIM
深度学习网络的参数，获得训练好的
DeepIM
模型，将实时采集的光伏发电环境数据经过分解处理和降维处理后输入到
DeepIM
模型中以输出预测结果
。
[0009]作为优选，所述
S1
和
S2
中的环境数据具体为太阳辐射温度
、
组件温度
、
空气温度
、
相对湿度以及大气压力
。
[0010]作为优选，所述
S1
中的降噪具体为，以天为单位对环境数据进行清洗，去除环境数据中的坏数据；
[0011]其中，所述坏数据由通讯故障造成
。
[0012]作为优选，所述步骤
S1
中分解处理具体为：通过
EMD
算法对所述环境数据进行分解，得到第一特征序列数据的方式具体为，通过
EMD
算法，将所述环境数据分解为不同频率的本征模分量
{IMF1，
IMF2，
...
，
IMF
m
}
和剩余分量
r
n
。
[0013]作为优选，所述
EMD
算法分解环境数据的具体步骤如下：
[0014]S1
‑
11
：选取环境数据中的一个原始数据序列
x(t)
进行筛选，找到它所有的极大值点确定为上包络线，所有极小值点确定为下包络线，
m(t)
表示上包络线和下包络线的均值，第1个分量
h1(t)
＝
x1(t)
‑
m1(t)
；
[0015]S1
‑
12
：对第1分量进行第二次筛选，
h1(t)
被视作原始数据，
m1(t)
是
h1(t)
的上下包络线的均值，重复步骤
S21
，确定第2个分量
h2(t)
；
[0016]S1
‑
13
：筛选过程重复
n
次，直到是
h
n
(t)
是一个本征模态函数或剩余分量
r
n
(t)
为一个单调函数，终止分解过程；
[0017]其中，指定
q1(t)
＝
h1(t)
，
q2(t)
＝
h2(t)
，
...
，
q
i
(t)
＝
h
n
(t)
，
x(t)
最终分解为
n
个本征模分量
q
i
(t)
和一个剩余分量
r
n
(t)
，如下式所示：
[0018][0019]作为优选，所述步骤
S1
中使用
PCA
算法对所述第一特征序列数据进行降维处理，筛选出影响光伏输出发电量的关键因子，得到第二特征序列数据的具体步骤如下：
[0020]S1
‑
21
：得到第一特征序列数据的标准化矩阵，利用皮尔逊相关系数分析得到各环境因素数据与光伏发电量数据之间的相关关系：
[0021][0022]式中：
X
表示个环境因素数据，
y
表示发电量；
[0023]S1
‑
22
：计算贡献率
π
i
和累计贡献率
η
i
，根据
η
i
确定需选取的主成分的个数：
[0024][0025][0026]式中：
λ
表示特征向量，
i,k
表示不同因素第
i,k
的特征向量；
[0027]S1
‑
23
：通过选取的主成分的特征值和所对应的特征向量，最终可得到降维后的数据
。
[0028]作为优选，所述步骤
S1
‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
DeepIM
深度学习算法的光伏发电量预测方法，其特征在于：具体包括以下步骤：
S1
：采集光伏发电的历史环境数据，降噪后依次进行分解处理和降维处理，得到样本数据集；其中，将所述历史环境数据通过
EMD
算法进行分解处理，得到第一特征序列数据，使用
PCA
算法对所述第一特征序列数据进行降维处理，筛选出影响光伏输出发电量的关键因子，得到第二特征序列数据，将所述第二特征序列数据与预先采集的光伏发电量的历史数据进行归一化处理，得到样本数据集；
S2
：将所述样本数据集划分成训练集和测试集，并导入到
DeepIM
深度学习网络中进行训练验证，调整所述
DeepIM
深度学习网络的参数，获得训练好的
DeepIM
模型，将实时采集的光伏发电环境数据经过分解处理和降维处理后输入到
DeepIM
模型中以输出预测结果
。2.
根据权利要求1所述的一种基于
DeepIM
深度学习算法的光伏发电量预测方法，其特征在于：所述
S1
和
S2
中的环境数据具体为太阳辐射温度
、
组件温度
、
空气温度
、
相对湿度以及大气压力
。3.
根据权利要求2所述的一种基于
DeepIM
深度学习算法的光伏发电量预测方法，其特征在于：所述
S1
中的降噪具体为，以天为单位对环境数据进行清洗，去除环境数据中的坏数据；其中，所述坏数据由通讯故障造成
。4.
根据权利要求3所述的一种基于
DeepIM
深度学习算法的光伏发电量预测方法，其特征在于：所述步骤
S1
中分解处理具体为：通过
EMD
算法对所述环境数据进行分解，得到第一特征序列数据的方式具体为，通过
EMD
算法，将所述环境数据分解为不同频率的本征模分量
{IMF1，
IMF2，
...
，
IMF
m
}
和剩余分量
r
n
。5.
根据权利要求4所述的一种基于
DeepIM
深度学习算法的光伏发电量预测方法，其特征在于：所述
EMD
算法分解环境数据的具体步骤如下：
S1
‑
11
：选取环境数据中的一个原始数据序列
x(t)
进行筛选，找到它所有的极大值点确定为上包络线，所有极小值点确定为下包络线，
m(t)
表示上包络线和下包络线的均值，第1个分量
h1(t)
＝
x1(t)
‑
m1(t)
；
S1
‑
12
：对第1分量进行第二次筛选，
h1(t)
被视作原始数据，
m1(t)
是
h1(t)
的上下包络线的均值，重复步骤
S21
，确定第2个分量
h2(t)
；
S1
‑
13
：筛选过程重复
n
次，直到是
h

【专利技术属性】
技术研发人员：罗刚，马壮，许默君，
申请(专利权)人：安徽国麒科技有限公司，
类型：发明
国别省市：