【技術實現步驟摘要】
本專利技術涉及光伏發電預測，更具體的，涉及：1、一種基于卷積神經網絡的光伏臺區發電預測方法；2、一種基于卷積神經網絡的光伏臺區發電預測系統。
技術介紹
1、光伏發電量的準確預測對于電網的穩定運行和能源管理至關重要。由于是光伏臺區，發電來自于太陽能轉化，因此發電量與臺區的氣象情況息息相關。
2、專利技術人檢索到專利號為cn202410577212.x的中國專利技術專利，其公開了一種分布式光伏智能監測方法、系統、設備及介質。專利技術人對該專利進行了分析，發現其存在如下問題：
3、該專利使用的預測模型，其采用訓練集進行訓練——由于該專利并未具體對訓練集進行說明，那么按照常規理解，訓練集采用的就是單位時間內歷史數據——一旦訓練完成，就一直使用該訓練好的預測模型。但對于預測模型來說，其預測精度與歷史數據的數量息息相關；而對于某些建立時間不長的光伏臺區來說，其歷史數據的數量是不足的，那么采用該專利的方式就會導致預測模型的預測精度始終不高。
4、因此，專利技術人考慮引入自更新的方式來保證預測模型的精度——這種方式可以實現預測的動態實時性；但該專利的模型為圖注意力模型(gat)，該模型訓練用時本來就偏長，而且隨著歷史數據的不斷增加，會進一步延長該模型訓練用時，這樣會對動態實時性造成干擾，使兩者未能實現平衡。
技術實現思路
1、基于此，有必要針對現有專利預測不具有動態實時性、且未能實現模型自更新和動態實時性的平衡的問題，提供了一種基于卷積神經網絡的光伏臺區發電預測
2、本專利技術采用以下技術方案實現：
3、第一方面，本專利技術公開了一種基于卷積神經網絡的光伏臺區發電預測方法，包括以下步驟：
4、步驟一，獲取目標光伏臺區在當前時刻t0之前的歷史數據；
5、其中，歷史數據包括：歷史氣象數據、歷史發電量數據；
6、步驟二，對步驟一中的歷史數據進行線性歸一化，得到歸一化后的歷史數據、并組成樣本數據集；
7、步驟三，基于步驟二中的樣本數據集，對預構建的卷積神經網絡進行訓練，并將訓練好的卷積神經網絡作為臺區發電預測模型；
8、其中，卷積神經網絡包括：依次堆疊的卷積部ⅰ、卷積部ⅱ、卷積部ⅲ、展開層、全連接層ⅰ、全連接層ⅱ；卷積部ⅰ包括：依次堆疊的卷積層ⅰ、池化層ⅰ；卷積部ⅱ包括：依次堆疊的卷積層ⅱ、池化層ⅱ；卷積部ⅲ包括：依次堆疊的卷積層ⅲ、池化層ⅲ；
9、步驟四，將目標光伏臺區的當前時刻t0的氣象數據先進行線性歸一化、再輸入步驟三中的臺區發電預測模型；對臺區發電預測模型的輸出值進行逆歸一化以得到當前時刻t0的發電量預測結果；
10、步驟五，將當前時刻t0的氣象數據、真實發電量數據對應補入步驟一中的歷史數據，并計為1次補入；
11、隨著當前時刻t0更新，在補入次數達到n*k時，重新開始步驟二～步驟四；
12、其中，n表示正整數；k表示預設補入次數閾值。
13、該種基于卷積神經網絡的光伏臺區發電預測方法實現根據本公開的實施例的方法或過程。
14、第二方面，本專利技術公開了一種基于卷積神經網絡的光伏臺區發電預測系統，使用了第一方面公開的基于卷積神經網絡的光伏臺區發電預測方法。
15、基于卷積神經網絡的光伏臺區發電預測系統包括：數據獲取模塊、數據集構建模塊、模型訓練模塊、發電預測模塊、模型更新模塊。
16、數據獲取模塊用于獲取目標光伏臺區在當前時刻t0之前的歷史數據。數據集構建模塊用于對歷史數據進行線性歸一化，得到歸一化后的歷史數據、并組成樣本數據集。模型訓練模塊用于基于樣本數據集，對預構建的卷積神經網絡進行訓練，并將訓練好的卷積神經網絡作為臺區發電預測模型。發電預測模塊用于將目標光伏臺區的當前時刻t0的氣象數據先進行線性歸一化、再輸入臺區發電預測模型，對臺區發電預測模型的輸出值進行逆歸一化以得到當前時刻t0的發電量預測結果。模型更新模塊用于將當前時刻t0的氣象數據、真實發電量數據對應補入歷史數據，并計為1次補入；還用于隨著當前時刻t0更新，在補入次數達到n*k時，使數據集構建模塊、模型訓練模塊、發電預測模塊重新工作。
17、該種基于卷積神經網絡的光伏臺區發電預測系統實現根據本公開的實施例的方法或過程。
18、第三方面，本專利技術公開了一種計算機程序產品，包括計算機程序。該計算機程序被處理器執行時實現如第一方面公開的基于卷積神經網絡的光伏臺區發電預測方法的步驟。
19、與現有技術相比，本專利技術具備如下有益效果：
20、1、本專利技術基于目標光伏臺區的歷史數據在卷積神經網絡上進行訓練以得到臺區發電預測模型來進行發電預測，并引入了模型自更新，通過將當前時刻t0的氣象數據、真實發電量數據補入歷史數據，通過判斷補入次數來定期對卷積神經網絡重新訓練，以完成臺區發電預測模型的更新，來保證預測模型的精度，并實現了預測的動態實時性；并且采用結構相對簡單的卷積神經網絡，其訓練用時相較于圖注意力模型可以大大縮短，降低對動態實時性的干擾、以實現模型自更新和動態實時性的平衡。
21、2、本專利技術還考慮到歷史數據的不斷增加會進一步延長模型訓練用時的問題，對歷史數據進行更新設定了相對完善的規則，使歷史數據在滿足數據量足夠多的情況下，通過一進一出的替換式規則，避免了歷史數據無限制增長，以輔助實現模型自更新和動態實時性的平衡。
本文檔來自技高網...【技術保護點】
1.一種基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，氣象數據的類型包括但不限于：氣溫、濕度、風速、氣壓、降水量、地表水平輻射、法向直接輻射、散射輻射。
3.根據權利要求1所述的基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，步驟二中，線性歸一化的計算公式為：
4.根據權利要求1所述的基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，卷積層Ⅰ、卷積層Ⅱ、卷積層Ⅲ分別包含了16個卷積核、32個卷積核、64個卷積核；卷積核的尺寸均為3×3，步長均為1；
5.根據權利要求1所述的基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，步驟三中，對預構建的卷積神經網絡進行訓練時，采用均方根誤差MSE作為損失函數。
6.根據權利要求1所述的基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，步驟四中，進行線性歸一化的方法包括：
7.根據權利要求6所述的基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，步驟四中，逆歸一化
8.根據權利要求1所述的基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，若步驟一中的歷史數據的時間跨度達到預設時間跨度，則在步驟五中，每向步驟一中的歷史數據進行1次補入，同步將歷史數據中最早時刻的歷史氣象數據、歷史發電量數據刪除，以保持歷史數據的時間跨度為預設時間跨度。
9.一種基于卷積神經網絡的光伏臺區發電預測系統，其特征在于，其使用了如權利要求1-8中任一項所述的基于卷積神經網絡的光伏臺區發電預測方法；
10.一種計算機程序產品，其特征在于，包括計算機程序；所述計算機程序被處理器執行時實現如權利要求1-8中任一項所述的基于卷積神經網絡的光伏臺區發電預測方法的步驟。
...【技術特征摘要】
1.一種基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，氣象數據的類型包括但不限于：氣溫、濕度、風速、氣壓、降水量、地表水平輻射、法向直接輻射、散射輻射。
3.根據權利要求1所述的基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，步驟二中，線性歸一化的計算公式為：
4.根據權利要求1所述的基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，卷積層ⅰ、卷積層ⅱ、卷積層ⅲ分別包含了16個卷積核、32個卷積核、64個卷積核；卷積核的尺寸均為3×3，步長均為1；
5.根據權利要求1所述的基于卷積神經網絡的光伏臺區發電預測方法，其特征在于，步驟三中，對預構建的卷積神經網絡進行訓練時，采用均方根誤差mse作為損失函數。
6.根據權利要求1所述的基于卷積神經網...
【專利技術屬性】
技術研發人員：梁峰，楊峰，孟海川，周鵬飛，單永梅，韓周，
申請(專利權)人：安徽南瑞中天電力電子有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。