【技术实现步骤摘要】
本专利技术涉及光伏发电领域，尤其涉及基于神经网络的光伏发电短期预测方法及系统。
技术介绍
1、近年来，随着人们对于电力系统需求的不断增长，以光伏发电为代表的可再生能源发电技术飞速发展。光伏发电在一定程度上可以缓解煤电造成的环境及健康问题，因此我国正大力号召发展新能源建设。光伏发电系统受天气影响较大，因此在环境多变的情况下，光伏出力具有较大的随机性和波动性。随着分布式光伏大量并网，光伏出力波动性导致的电网电压波动、潮流变化等问题逐渐涌现。因此，为了提高光伏并网的安全性，避免影响电能质量，对光伏发电功率进行预测显得尤为重要。
2、目前光伏功率预测大多采用机器学习和深度学习算法。在大数据时代的今天，机器学习和深度学习可以对数据进行深度剖析，建立数据之间的深层映射关系，获得较好的预测效果。然而，现有模型大多采用普通回归模型建立天气数据与光伏功率的映射关系，忽略了光伏发电模型中的历史信息规律。因此需要研究一种光伏发电功率预测方法，能够剖析到数据的双向关联，且可以赋予特征在不同时间下不同权重，以获得更加准确的光伏发电预测效果。
技术实现思路
1、鉴于上述现有技术中存在的问题，提出了本专利技术。
2、因此，本专利技术提供了一种基于神经网络的光伏发电短期预测方法，通过历史天气数据和发电信息，建立输入输出数据的映射关系，具备解析特征双向关联的特点，能够获得有效的光伏预测效果。
3、为解决上述技术问题，本专利技术提供如下技术方案，基于神经网络的光伏发电短期预测方法，
4、作为本专利技术所述的基于神经网络的光伏发电短期预测方法的一种优选方案，其中：所述历史信息包括每个mppt的发电功率信息、每个mppt的工作状态信息、mppt容量、mppt数量；
5、所述获取历史天气信息包括温度、湿度、风速、气压、天气类型；
6、所述对应时间戳信息包括年、月、日、小时、分钟信息。
7、作为本专利技术所述的基于神经网络的光伏发电短期预测方法的一种优选方案，其中：所述预处理包括，针对历史发电信息中所有mppt，计算发电总功率如下式：
8、
9、其中，pall为发电总功率，n为mppt数量，pi为第i个mppt的发电功率；
10、计算mppt发电效率如下式：
11、
12、其中，ηall为发电总功率，nwork为工作的mppt数量，pone为单个mppt额定功率。
13、作为本专利技术所述的基于神经网络的光伏发电短期预测方法的一种优选方案，其中：所述预处理还包括，以时间戳为主键，将历史发电信息和历史天气信息合并，确保光伏发电情况与天气信息对应，将天气类型这一字符型数据更改为数值型，针对数值化后的合并数据集，进行归一化处理，归一化方法如下：
14、
15、作为本专利技术所述的基于神经网络的光伏发电短期预测方法的一种优选方案，其中：所述构造时间序列数据包括，构造大小为m*feanum的滑动窗口，其中m为窗口长度，反映了待预测值与前多少点个值相关；feanum为选取的特征数量，滑动窗口以步长为step的方式滑动，获取输入数据；
16、滑动窗口滑动时，选取第j+1个点的发电功率作为输出数据，其中j为当前滑动窗口位置；将输入数据和输出数据按照同样的切割比例划分，获取训练集和测试集。
17、作为本专利技术所述的基于神经网络的光伏发电短期预测方法的一种优选方案，其中：所述搭建基于bilstm-attention-dense的光伏预测模型包括，搭建神经网络框架，首先添加双向lstm层，以保证在预测时学习到序列的正反向完整时序信息；添加attention层，对相关特征中不同时刻的值赋予不同的权重，实现对特征的重要程度进行匹配；添加dense层，对attention层信息进行学习，输出光伏发电预测结果。
18、作为本专利技术所述的基于神经网络的光伏发电短期预测方法的一种优选方案，其中：所述构造时序数据进行光伏预测包括，获取待预测时刻前m个点的天气信息和对应时间戳信息，组成时间序列，输入至训练好的bilstm-attention-dense模型中，获取输出结果，即为光伏发电效率；
19、获取待预测时刻前一点工作的mppt数量，计算光伏发电功率如下：
20、ppre＝ηpre*nwork,pre-1*pone
21、其中ηpre为预测的光伏发电效率，nwork,pre-1为待预测时刻前一点工作的mppt数量。
22、本专利技术的另外一个目的是提供基于神经网络的光伏电站发电功率短期预测系统通过使用先进的bilstm-attention-dense神经网络模型，能够准确捕捉时间序列数据中的复杂模式，显著提高光伏发电功率的预测准确性。有助于电站运营商更有效地管理和调度发电资源，优化发电管理，提高发电效率，还能提前预测并防范可能导致电网不稳定的情况，增强整个电力系统的稳定性。系统自动处理大量历史发电和天气数据，提升运维效率，减少人工操作需求。准确及时的发电功率预测信息支持电站运营和管理决策，有助于决策者做出更合理的选择，从而节约运营成本，提高能源利用率。
23、作为本专利技术所述的基于神经网络的光伏发电短期预测方法的系统的一种优选方案，其中：包括，数据处理模块、序列构建模块、模型训练模块、功率预测模块；
24、所述数据处理模块，获取并处理光伏发电站的历史发电信息、天气信息和时间戳；
25、所述序列构建模块，基于处理好的数据集，构造时间序列数据，并划分为训练集和测试集；
26、所述模型训练模块，搭建基于bilstm-attention-dense的光伏预测模型，并使用训练集对其进行训练；
27、所述功率预测模块，获取光伏发电站待预测时刻的相关特征信息，进行光伏发电功率预测。
28、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于神经网络的光伏发电短期预测方法中任一项所述的方法的步骤。
29、一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于神经网络的光伏发电短期预测方法中任一项所述的方法的步骤。
30、本专利技术的有益效果：本专利技术方法基于神经网络的光伏发电短期预测方法综合运用了历史发电数据、天气信息和时间信息，并通过bilstm-attenti本文档来自技高网...
【技术保护点】
1.基于神经网络的光伏发电短期预测方法，其特征在于：包括，
2.如权利要求1所述的基于神经网络的光伏发电短期预测方法，其特征在于：所述历史信息包括每个MPPT的发电功率信息、每个MPPT的工作状态信息、MPPT容量、MPPT数量；
3.如权利要求2所述的基于神经网络的光伏发电短期预测方法，其特征在于：所述预处理包括，针对历史发电信息中所有MPPT，计算发电总功率如下式：
4.如权利要求3所述的基于神经网络的光伏发电短期预测方法，其特征在于：所述预处理还包括，以时间戳为主键，将历史发电信息和历史天气信息合并，确保光伏发电情况与天气信息对应，将天气类型这一字符型数据更改为数值型，针对数值化后的合并数据集，进行归一化处理，归一化方法如下：
5.如权利要求4所述的基于神经网络的光伏发电短期预测方法，其特征在于：所述构造时间序列数据包括，构造大小为M*feanum的滑动窗口，其中M为窗口长度，反映了待预测值与前多少点个值相关；feanum为选取的特征数量，滑动窗口以步长为step的方式滑动，获取输入数据；
6.如权利要求5所述的基
7.如权利要求6所述的基于神经网络的光伏发电短期预测方法，其特征在于：所述构造时序数据进行光伏预测包括，获取待预测时刻前M个点的天气信息和对应时间戳信息，组成时间序列，输入至训练好的BiLSTM-Attention-Dense模型中，获取输出结果，即为光伏发电效率；
8.一种基于权利要求1-7任一所述的基于神经网络的光伏发电短期预测方法的系统，其特征在于：包括，数据处理模块、序列构建模块、模型训练模块、功率预测模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.基于神经网络的光伏发电短期预测方法，其特征在于：包括，
2.如权利要求1所述的基于神经网络的光伏发电短期预测方法，其特征在于：所述历史信息包括每个mppt的发电功率信息、每个mppt的工作状态信息、mppt容量、mppt数量；
3.如权利要求2所述的基于神经网络的光伏发电短期预测方法，其特征在于：所述预处理包括，针对历史发电信息中所有mppt，计算发电总功率如下式：
4.如权利要求3所述的基于神经网络的光伏发电短期预测方法，其特征在于：所述预处理还包括，以时间戳为主键，将历史发电信息和历史天气信息合并，确保光伏发电情况与天气信息对应，将天气类型这一字符型数据更改为数值型，针对数值化后的合并数据集，进行归一化处理，归一化方法如下：
5.如权利要求4所述的基于神经网络的光伏发电短期预测方法，其特征在于：所述构造时间序列数据包括，构造大小为m*feanum的滑动窗口，其中m为窗口长度，反映了待预测值与前多少点个值相关；feanum为选取的特征数量，滑动窗口以步长为step的方式滑动，获取输入数据；
6.如权利要求5所述的基于神经网络的光伏发电短期预测方法，其特征在于：所述搭建基于bilstm-at...
【专利技术属性】
技术研发人员：胡厚鹏，欧家祥，肖艳红，王力立，刘伟，何沛林，吴欣，高正浩，杨尚，邓钥丹，陈泽瑞，李航峰，龙啸霖，
申请(专利权)人：贵州电网有限责任公司，
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。