【技术实现步骤摘要】
本专利技术涉及光伏发电，特别是涉及一种功率预测与故障诊断的光伏发电一体化方法及系统。
技术介绍
1、光伏发电站具有储量巨大、清洁环保、安全性高、建设速度快等优点，近几年得到快速发展。光伏发电受到天气、气候等诸多因素的影响，具有较大的浮动性、随机性，为其并入电网系统带来了挑战和风险。因此，光伏功率精准预测能够为电网调度提供数据支持，有利于电网运行的安全运行和系统稳定，进一步减少发电功率输出的不确定性带来的经济损失，提高经济效益。
2、随着深度学习技术的发展，光伏预测模型也开始采用一些深度学习算法，相比于浅层的神经网络结构，基于深度学习的预测模型能更好地处理复杂的非线性问题，挖掘出气象信息和发电功率的潜在耦合关系，提供更准确的预测结果。但是现有的光伏预测模型依旧存在以下问题：
3、1.光伏发电系统的功率输出与气象条件密切相关，气象信息会对光伏发电功率的预测结果产生误差。现有深度学习预测模型结构较为单一，多采用串联式结构，没有考虑不同模型在光伏发电时间序列特征的不同提取能力。
4、2.目前大多数光伏预测模型仅基于特定时间周期进行建模，无法充分考虑光伏发电的周期性和趋势特性，在提取多时间尺度数据中的有效特征存在困难。同时，现有预测模型常基于历史数据进行单步预测，对于突变气象情况下的光伏发电功率预测效果不佳。
5、3.现有技术主要注重于功率预测或故障诊断的单一功能，同时集成两者的方法相对较少。
技术实现思路
1、为解决现有技术存在的上述问题，本
2、为实现上述目的，本专利技术提供了如下方案：
3、一种功率预测与故障诊断的光伏发电一体化方法，包括：
4、获取光伏发电厂的数据集；所述数据集包括：本地测量的温度、风速、雾霾、湿度、总辐射、直接辐射、散辐射以及数值天气预报的总辐射、直接辐射、散辐射；
5、构建np-lstm-nssa预测模型；所述np-lstm-nssa预测模型基于神经先知模型、长短期记忆循环神经网络和改进的樽海鞘优化算法构建得到；
6、将所述数据集输入所述np-lstm-nssa预测模型得到光伏发电功率预测结果；
7、获取光伏发电厂的实际发电功率，并确定所述光伏发电功率预测结果与所述实际发电功率间的差异值；
8、当所述差异值大于设定误差阈值时，触发故障诊断机制；
9、当所述实际发电功率与故障诊断基线间的差异在设定范围内时，调整所述np-lstm-nssa预测模型的结构参数；
10、当所述实际发电功率与所述故障诊断基线间的差异不在设定范围内时，采集光伏发电厂的电路信息；
11、将所述电路信息输入至故障诊断模型得到故障诊断结果；所述故障诊断结果包括故障类型；所述故障诊断模型基于k近邻算法构建得到的模型。
12、可选地，所述构建np-lstm-nssa预测模型，具体包括：
13、获取光伏发电厂的数据集以及与所述数据集中数据对应的光伏发电功率；所述数据集中数据包括时间戳；
14、对所述数据集中的数据进行预处理；
15、基于所述时间戳将预处理后的数据划分为不同时间尺度的时序数据；
16、以不同时间尺度的时序数据为输入，以与所述历史数据集中数据对应的光伏发电功率为输出，分别训练神经先知模型和长短期记忆循环神经网络；
17、采用改进的樽海鞘优化算法确定训练后的所述神经先知模型的加权系数和训练后的所述长短期记忆循环神经网络的加权系数，以构建得到所述np-lstm-nssa预测模型。
18、可选地，所述改进的樽海鞘优化算法的适应度函数为神经先知模型和长短期记忆循环神经网络的加权均方根误差；所述改进的樽海鞘优化算法中引入非线性收敛因子改进跟随者的位置更新。
19、可选地，以当前时刻的气象信息匹配系数最高的历史日光伏发电功率为故障诊断基线。
20、可选地，所述故障诊断模型的构建过程包括：
21、获取光伏发电厂的历史电路信息和与所述电路信息对应的故障类型；
22、对所述历史电路信息进行特征提取和预处理得到处理数据；
23、以所述处理数据为输入，以与所述电路信息对应的故障类型为输出，构建训练样本对；
24、采用k近邻算法基于所述训练样本对构建得到所述故障诊断模型。
25、可选地，所述历史电路信息为与光伏发电故障对应的电路信息；所述光伏发电故障包括采集积灰、阴影和电池老化。
26、可选地，获取光伏发电厂的数据集，之前还包括：
27、采集光伏发电厂的初始数据集；所述初始数据集包括本地测量数据和数值天气预报；
28、对所述初始数据集中的数据进行预处理得到所述数据集。
29、可选地，所述预处理包括：缺失值检测、异常值检测、缺失值填充、异常值填充和归一化处理。
30、进一步，本专利技术还提供了一种功率预测与故障诊断的光伏发电一体化系统，该系统包括：
31、数据集获取模块，用于获取光伏发电厂的数据集；所述数据集包括：本地测量的温度、风速、雾霾、湿度、总辐射、直接辐射、散辐射以及数值天气预报的总辐射、直接辐射、散辐射；
32、模型构建模块，用于构建np-lstm-nssa预测模型；所述np-lstm-nssa预测模型基于神经先知模型、长短期记忆循环神经网络和改进的樽海鞘优化算法构建得到；
33、功率预测模块，用于将所述数据集输入所述np-lstm-nssa预测模型得到光伏发电功率预测结果；
34、差异值确定模块，用于获取光伏发电厂的实际发电功率，并确定所述光伏发电功率预测结果与所述实际发电功率间的差异值；
35、故障诊断触发模块，用于当所述差异值大于设定误差阈值时，触发故障诊断机制；
36、模型参数调整模块，用于当所述实际发电功率与故障诊断基线间的差异在设定范围内时，调整所述np-lstm-nssa预测模型的结构参数；
37、电路信息获取模块，用于当所述实际发电功率与所述故障诊断基线间的差异不在设定范围内时，采集光伏发电厂的电路信息；
38、故障诊断模块，用于将所述电路信息输入至故障诊断模型得到故障诊断结果；所述故障诊断结果包括故障类型；所述故障诊断模型基于k近邻算法构建得到的模型。
39、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
40、本专利技术通过获取对发电功率的主要影响因素建立光伏发电功率的不同时间尺度数据集，分别利用神经先知(neuralprophet，np)模型和长短期记忆循环神经网络(longshort term memory，lstm)对光伏发电功率的多个时间尺度数据进行建模，采用改进的樽海鞘优化算法求解两种模型的加权系数，得到最终的np-lstm-nssa预测模型，能够本文档来自技高网...
【技术保护点】
1.一种功率预测与故障诊断的光伏发电一体化方法，其特征在于，包括：
2.根据权利要求1所述的功率预测与故障诊断的光伏发电一体化方法，其特征在于，所述构建NP-LSTM-NSSA预测模型，具体包括：
3.根据权利要求1所述的功率预测与故障诊断的光伏发电一体化方法，其特征在于，所述改进的樽海鞘优化算法的适应度函数为神经先知模型和长短期记忆循环神经网络的加权均方根误差；所述改进的樽海鞘优化算法中引入非线性收敛因子改进跟随者的位置更新。
4.根据权利要求1所述的功率预测与故障诊断的光伏发电一体化方法，其特征在于，以当前时刻的气象信息匹配系数最高的历史日光伏发电功率为故障诊断基线。
5.根据权利要求1所述的功率预测与故障诊断的光伏发电一体化方法，其特征在于，所述故障诊断模型的构建过程包括：
6.根据权利要求5所述的功率预测与故障诊断的光伏发电一体化方法，其特征在于，所述历史电路信息为与光伏发电故障对应的电路信息；所述光伏发电故障包括采集积灰、阴影和电池老化。
7.根据权利要求1所述的功率预测与故障诊断的光伏发电一体化方
8.根据权利要求7所述的功率预测与故障诊断的光伏发电一体化方法，其特征在于，所述预处理包括：缺失值检测、异常值检测、缺失值填充、异常值填充和归一化处理。
9.一种功率预测与故障诊断的光伏发电一体化系统，其特征在于，包括：
...【技术特征摘要】
1.一种功率预测与故障诊断的光伏发电一体化方法，其特征在于，包括：
2.根据权利要求1所述的功率预测与故障诊断的光伏发电一体化方法，其特征在于，所述构建np-lstm-nssa预测模型，具体包括：
3.根据权利要求1所述的功率预测与故障诊断的光伏发电一体化方法，其特征在于，所述改进的樽海鞘优化算法的适应度函数为神经先知模型和长短期记忆循环神经网络的加权均方根误差；所述改进的樽海鞘优化算法中引入非线性收敛因子改进跟随者的位置更新。
4.根据权利要求1所述的功率预测与故障诊断的光伏发电一体化方法，其特征在于，以当前时刻的气象信息匹配系数最高的历史日光伏发电功率为故障诊断基线。
5.根据权利要求1...
【专利技术属性】
技术研发人员：郑政杰，蒋善行，王韬，李钦武，陈芾，练海军，张京旭，
申请(专利权)人：浙江浩普智能科技有限公司，
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。