【技术实现步骤摘要】
本专利技术涉及光伏发电，特别是涉及一种基于cnn模型的光伏发电量预测方法及系统。
技术介绍
1、光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术。主要由太阳电池板(组件)、控制器和逆变器三大部分组成，主要部件由电子元器件构成。太阳能电池经过串联后进行封装保护可形成大面积的太阳能电池组件，再配合上功率控制器等部件就形成了光伏发电装置。传统的发电方式如燃煤、燃气等会产生大量的二氧化碳等温室气体，对环境造成负面影响。而光伏发电则完全避免了这种情况，它的碳排放量为零，有助于减缓全球气候变化，使用光伏发电可以降低用电成本，提高企业的经济效益。
2、随着光伏发电的日益发展，光伏发电量的准确预测对电力系统调度管理和稳定控制具有重要意义。对于光伏电站来说，一方面，可以充分利用不同时期的价差，调整系统的储能分配，提高光伏电站的运行管理效率；另一方面，可以根据预测的光伏电站全天候性能，进行光伏电站选址。通常基于光伏发电量预测模型对光伏发电量进行预测，随着科研人员的不断努力，这些光伏发电量预测模型的预测精度也得到了提高。但是，这些光伏发电量预测模型的输入通常较为复杂，并且，模型输出的光伏发电量的预测精度有待于进一步提高。
3、因此，如何提供一种可以基于cnn模型的光伏发电量预测方法及系统，是目前有待解决的技术问题。
技术实现思路
1、本专利技术实施例提供一种基于cnn模型的光伏发电量预测方法及系统，用以解决现有技术中无法实现对光伏发电的精准预测，无法为电力调
2、为了实现上述目的，本专利技术提供了一种基于cnn模型的光伏发电量预测方法，所述方法包括：
3、获取光伏发电区域的多个预设需求信息，并根据所述光伏发电区域的多个预设需求信息建立初始卷积神经网络预测模型；
4、采集所述光伏发电区域的多个预设需求信息对应的数据参数，并基于所述数据参数对所述初始卷积神经网络预测模型进行训练，得到目标卷积神经网络预测模型；
5、获取所述光伏发电区域在预设时间内的环境数据和发电量数据，并基于所述环境数据和所述发电量数据确定光伏发电预测影响值；
6、将所述光伏发电预测影响值输入至所述目标卷积神经网络预测模型中，并基于所述目标卷积神经网络预测模型输出所述光伏发电区域的发电量预测值。
7、在其中一个实施例中，在获取光伏发电区域的多个预设需求信息，并根据所述光伏发电区域的多个预设需求信息建立初始卷积神经网络预测模型时，包括：
8、基于多个所述预设需求信息确定所述光伏发电区域的第一影响信息，并基于所述第一影响信息与所述光伏发电区域的第一关联，建立第一设计层；
9、基于多个所述预设需求信息确定所述光伏发电区域的第二影响信息，并基于所述第二影响信息与所述光伏发电区域的第二关联，建立第二设计层；
10、基于多个所述预设需求信息确定所述光伏发电区域的第n影响信息，并基于所述第n影响信息与所述光伏发电区域的第n关联，建立第n设计层；
11、分别确定所述第一设计层，所述第二设计层，...，所述第n设计层的关联性；
12、基于所述第一设计层，所述第二设计层，...，所述第n设计层以及所述关联性，建立所述初始卷积神经网络预测模型。
13、在其中一个实施例中，在采集所述光伏发电区域的多个预设需求信息对应的数据参数，并基于所述数据参数对所述初始卷积神经网络预测模型进行训练，得到目标卷积神经网络预测模型时，包括：
14、对多个所述预设需求信息进行分类，获取同类别中的预设需求信息对应的数据参数，并对不同的数据参数进行特征匹配，确定同类别中所有预设需求信息的相似特征；
15、将同类别中所有预设需求信息对应的数据参数和所述相似特征作为输入，所述光伏发电区域的发电量预测数据作为输出，对所述初始卷积神经网络预测模型进行训练，得到所述目标卷积神经网络预测模型。
16、在其中一个实施例中，在获取所述光伏发电区域在预设时间内的环境数据和发电量数据，并基于所述环境数据和所述发电量数据确定光伏发电预测影响值时，包括：
17、获取所述光伏发电区域的海拔高度、辐照度、温度和湿度，并获取对应的发电量数据；
18、根据所述光伏发电区域的海拔高度、辐照度、温度、湿度和发电量数据计算所述光伏发电区域的实际影响值；
19、基于所述光伏发电区域的实际影响值确定所述光伏发电预测影响值；
20、其中，根据下式计算所述光伏发电区域的实际影响值：
21、y＝(h*a1+k*a2+p*a3+w*a4)*(l*a5)；
22、其中，y为光伏发电区域的实际影响值，h为光伏发电区域的海拔高度，k为光伏发电区域的辐照度，p为光伏发电区域的温度，w为光伏发电区域的湿度，l为发电量数据，a1为海拔高度对应的权重系数，a2为辐照度对应的权重系数，a3为温度对应的权重系数，a4为湿度对应的权重系数，a5为发电量数据的转换系数，a1+a2+a3+a4＝1。
23、在其中一个实施例中，在基于所述光伏发电区域的实际影响值确定所述光伏发电预测影响值时，包括：
24、预先设定第一预设实际影响值和第二预设实际影响值；
25、根据所述光伏发电区域的实际影响值、所述第一预设实际影响值和所述第二预设实际影响值之间的关系确定所述光伏发电预测影响值；
26、当所述实际影响值小于所述第一预设实际影响值时，则将所述光伏发电预测影响值确定为n1；
27、当所述实际影响值大于或等于所述第一预设实际影响值，且所述实际影响值小于所述第二预设实际影响值时，则将所述光伏发电预测影响值确定为n2；
28、当所述实际影响值大于或等于所述第二预设实际影响值时，则将所述光伏发电区域的预测影响值确定为n3。
29、为了实现上述目的，本专利技术提供了一种基于cnn模型的光伏发电量预测系统，所述系统包括：
30、建立模块，用于获取光伏发电区域的多个预设需求信息，并根据所述光伏发电区域的多个预设需求信息建立初始卷积神经网络预测模型；
31、训练模块，用于采集所述光伏发电区域的多个预设需求信息对应的数据参数，并基于所述数据参数对所述初始卷积神经网络预测模型进行训练，得到目标卷积神经网络预测模型；
32、确定模块，用于获取所述光伏发电区域在预设时间内的环境数据和发电量数据，并基于所述环境数据和所述发电量数据确定光伏发电预测影响值；
33、预测模块，用于将所述光伏发电预测影响值输入至所述目标卷积神经网络预测模型中，并基于所述目标卷积神经网络预测模型输出所述光伏发电区域的发电量预测值。
34、在其中一个实施例中，所述建立模块具体用于：
35、所述建立模块用于基于多个所述预设需求信息确定所述光伏发电区域的第一影响信息，并基于所述本文档来自技高网...
【技术保护点】
1.一种基于CNN模型的光伏发电量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于CNN模型的光伏发电量预测方法，其特征在于，在获取光伏发电区域的多个预设需求信息，并根据所述光伏发电区域的多个预设需求信息建立初始卷积神经网络预测模型时，包括：
3.根据权利要求2所述的基于CNN模型的光伏发电量预测方法，其特征在于，在采集所述光伏发电区域的多个预设需求信息对应的数据参数，并基于所述数据参数对所述初始卷积神经网络预测模型进行训练，得到目标卷积神经网络预测模型时，包括：
4.根据权利要求1所述的基于CNN模型的光伏发电量预测方法，其特征在于，在获取所述光伏发电区域在预设时间内的环境数据和发电量数据，并基于所述环境数据和所述发电量数据确定光伏发电预测影响值时，包括：
5.根据权利要求4所述的基于CNN模型的光伏发电量预测方法，其特征在于，在基于所述光伏发电区域的实际影响值确定所述光伏发电预测影响值时，包括：
6.一种基于CNN模型的光伏发电量预测系统，其特征在于，所述系统包括：
7.根据权利要求6所
8.根据权利要求7所述的基于CNN模型的光伏发电量预测系统，其特征在于，所述训练模块具体用于：
9.根据权利要求6所述的基于CNN模型的光伏发电量预测系统，其特征在于，所述确定模块具体用于：
10.根据权利要求9所述的基于CNN模型的光伏发电量预测系统，其特征在于，所述确定模块具体用于：
...【技术特征摘要】
1.一种基于cnn模型的光伏发电量预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的基于cnn模型的光伏发电量预测方法，其特征在于，在获取光伏发电区域的多个预设需求信息，并根据所述光伏发电区域的多个预设需求信息建立初始卷积神经网络预测模型时，包括：
3.根据权利要求2所述的基于cnn模型的光伏发电量预测方法，其特征在于，在采集所述光伏发电区域的多个预设需求信息对应的数据参数，并基于所述数据参数对所述初始卷积神经网络预测模型进行训练，得到目标卷积神经网络预测模型时，包括：
4.根据权利要求1所述的基于cnn模型的光伏发电量预测方法，其特征在于，在获取所述光伏发电区域在预设时间内的环境数据和发电量数据，并基于所述环境数据和所述发电量数据确定光伏发...
【专利技术属性】
技术研发人员：殷利平，侯海斌，范秀方，邱培莹，
申请(专利权)人：山东日照发电有限公司，
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。