【技術實現步驟摘要】
本專利技術涉及智能預測與數據分析，具體而言，涉及一種基于tcn的短時間光伏發電量預測方法、系統及介質。
技術介紹
1、光伏發電作為一種可再生能源，近年來得到了廣泛應用。隨著技術進步和成本降低，光伏發電裝機量急劇增長。然而，光伏發電量的預測仍然面臨著重大挑戰。光伏發電量受到多種因素的影響，包括光照強度、溫度、云量和濕度等環境因素。準確預測這些環境因素對光伏發電量的影響，可以幫助電力系統優化電網調度，提升電力供應的可靠性，并最大化光伏發電的經濟效益。尤其近年來伴隨著大量工商業儲能系統配備大容量的光伏，大容量光伏短時間內的發電量的預測對于儲能系統的充放電調度有著重要影響。
2、現有的光伏發電量預測方法主要基于統計分析和物理模型，這些方法往往依賴于大量的歷史數據和復雜的數學模型，預測精度和實時性難以保證。
技術實現思路
1、本專利技術的目的在于提供一種基于tcn的短時間光伏發電量預測方法、系統及介質，旨在解決現有的光伏發電量預測方法預測精度和實時性難以保證的問題。
2、本專利技術的通過以下技術方案實現：
3、一種基于tcn的短時間光伏發電量預測方法，包括步驟：
4、獲取光伏發電站過去第一預設時間內的歷史數據和光伏發電站未來第二預設時間內的天氣數據，分別得到第一初始數據集和第二初始數據集；
5、對第一初始數據集和第二初始數據集進行預處理，分別得到第一預處理數據集和第二預處理數據集；
6、通過時序卷積網絡構建初始發電量預測
7、基于第二預處理數據集，通過發電量預測模型對光伏發電站的未來發電量進行預測，并得到預測結果；
8、其中，tcn表示時序卷積網絡。
9、可選地，所述獲取光伏發電站過去第一預設時間內的歷史數據和光伏發電站未來第二預設時間內的天氣數據，分別得到第一初始數據集和第二初始數據集的具體過程為：
10、通過設置在光伏發電站上的實時數據采集模塊，采集光伏發電站過去第一預設時間內的歷史數據，從氣象部門采集光伏發電站未來第二預設時間內的天氣數據；
11、通過若干個數據采集器組成實時數據采集模塊，若干個數據采集器采用哨兵模式進行數據采集作業。
12、可選地，所述對第一初始數據集和第二初始數據集進行預處理，分別得到第一預處理數據集和第二預處理數據集的具體過程為：
13、提取第一初始數據集和第二初始數據中的關鍵特征數據，對關鍵特征數據進行歸一化處理，歸一化處理的表達式如下式(1)所示：
14、
15、其中，xnorm為歸一化后的值，x為原始關鍵特征值，min(x)和max(x)分別是原始關鍵特征值中的最小值和最大值。
16、可選地，所述通過時序卷積網絡構建初始發電量預測模型的具體過程為：
17、通過時序卷積網絡構建初始發電量預測模型，初始發電量預測模型包括：
18、輸入層，通過輸入層接收第一預處理數據集，并作為輸入特征；
19、卷積層，通過卷積層提取時間序列中的局部特征，并設定卷積核的大小、步長和填充方式；
20、輸出層，通過輸出層將卷積層的輸出映射至最終的預測目標上，并得到預測的光伏發電量。
21、可選地，所述卷積層有若干個，在每個所述卷積層之間設置殘差連接。
22、可選地，所述卷積層中設置有擴張卷積。
23、可選地，所述卷積層使用一維卷積層和relu激活函數。
24、可選地，所述基于第一預處理數據集，對初始發電量預測模型進行訓練并得到發電量預測模型的具體過程為：
25、將第一預處理數據集劃分為訓練集、驗證集和測試集；
26、基于訓練集，對初始發電量預測模型進行訓練；
27、在每個訓練周期中，將訓練集的數據分批輸入初始發電量預測模型，通過前向傳播算法計算預測值；
28、使用損失函數計算預測值與實際值之間的差異，通過反向傳播算法更新初始發電量預測模型的相應參數；
29、根據預設的訓練終止條件，完成模型訓練，并基于驗證集，對完成訓練的初始發電量預測模型進行模型驗證，根據驗證結果對初始電量預測模型進行模型優化；
30、基于測試集，對通過模型優化后的初始發電量預測模型進行測試并得到發電量預測模型。
31、本專利技術還提供一種基于tcn的短時間光伏發電量預測系統，用于實現所述的基于tcn的短時間光伏發電量預測方法，包括：
32、數據采集模塊：用于獲取光伏發電站過去第一預設時間內的歷史數據和未來第二預設時間內的天氣數據，分別生成第一初始數據集和第二初始數據集；
33、數據預處理模塊：用于對第一初始數據集和第二初始數據集進行預處理；
34、模型構建模塊：用于構建發電量預測模型；
35、預測與反饋模塊：用于利用發電量預測模型對光伏發電站的未來發電量進行預測，并將預測結果以圖表、報告等形式展示給用戶，根據預測結果給出相應的運維措施建議；
36、用戶交互模塊：用于接收用戶輸入，展示預測結果和運維建議，并收集用戶對系統的反饋意見。
37、本專利技術還提供一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時，實現所述的基于tcn的短時間光伏發電量預測方法的步驟。
38、本專利技術的技術方案至少具有如下優點和有益效果：
39、提高光伏發電量預測的準確性和實時性：通過時序卷積網絡構建發電量預測模型，利用其在時間序列數據上的強大處理能力，能夠準確捕捉光伏發電量隨時間變化的復雜規律，從而提高預測的精度；引入哨兵模式進行數據采集，確保了對大量光伏數據的實時采集和快速處理，進一步提升了預測的實時性，使得運維人員能夠及時獲得發電量的預測信息。
40、增強模型的泛化能力和穩定性：采用歸一化處理對原始數據進行預處理，消除了不同量綱和尺度對模型訓練的影響，提高了模型的泛化能力；通過殘差連接和擴張卷積等技術，有效緩解了深度神經網絡中常見的梯度消失問題，使得模型能夠學習到更深層次的特征，提高了模型的穩定性和預測性能。
41、優化運維決策和效率：根據預測結果，結合光伏發電站的實際情況，自動生成相應的運維措施建議，并通過系統消息、郵件或手機短信等方式及時推送給相關人員，使得運維工作能夠迅速響應并執行，提高了運維效率；設立運維措施的執行跟蹤機制，收集并分析運維措施執行后的反饋數據，用于評估運維措施的有效性和改進運維策略，進一步優化了運維決策過程。
42、提升用戶體驗和滿意度：提供用戶友好的交互界面，使得用戶能夠方便地輸入查詢條件、選擇預測時間段，并實時查看預測結果和運維建議，提升了用戶體驗；預測結果以直觀、易于理解的圖表和報告形式展示，方便用戶快速掌握光伏發電站的未來發電情況，提高了用戶的滿意度。
<本文檔來自技高網...【技術保護點】
1.一種基于TCN的短時間光伏發電量預測方法，其特征在于，包括步驟：
2.如權利要求1所述的基于TCN的短時間光伏發電量預測方法，其特征在于，所述獲取光伏發電站過去第一預設時間內的歷史數據和光伏發電站未來第二預設時間內的天氣數據，分別得到第一初始數據集和第二初始數據集的具體過程為：
3.如權利要求1所述的基于TCN的短時間光伏發電量預測方法，其特征在于，所述對第一初始數據集和第二初始數據集進行預處理，分別得到第一預處理數據集和第二預處理數據集的具體過程為：
4.如權利要求1所述的基于TCN的短時間光伏發電量預測方法，其特征在于，所述通過時序卷積網絡構建初始發電量預測模型的具體過程為：
5.如權利要求4所述的基于TCN的短時間光伏發電量預測方法，其特征在于，所述卷積層有若干個，在每個所述卷積層之間設置殘差連接。
6.如權利要求4所述的基于TCN的短時間光伏發電量預測方法，其特征在于，所述卷積層中設置有擴張卷積。
7.如權利要求4所述的基于TCN的短時間光伏發電量預測方法，其特征在于，所述卷積層使用一維卷積層和R
8.如權利要求1所述的基于TCN的短時間光伏發電量預測方法，其特征在于，所述基于第一預處理數據集，對初始發電量預測模型進行訓練并得到發電量預測模型的具體過程為：
9.一種基于TCN的短時間光伏發電量預測系統，用于實現權利要求1-8中任一項所述的基于TCN的短時間光伏發電量預測方法，其特征在于，包括：
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時，實現如權利要求1-8任一項所述的基于TCN的短時間光伏發電量預測方法的步驟。
...【技術特征摘要】
1.一種基于tcn的短時間光伏發電量預測方法，其特征在于，包括步驟：
2.如權利要求1所述的基于tcn的短時間光伏發電量預測方法，其特征在于，所述獲取光伏發電站過去第一預設時間內的歷史數據和光伏發電站未來第二預設時間內的天氣數據，分別得到第一初始數據集和第二初始數據集的具體過程為：
3.如權利要求1所述的基于tcn的短時間光伏發電量預測方法，其特征在于，所述對第一初始數據集和第二初始數據集進行預處理，分別得到第一預處理數據集和第二預處理數據集的具體過程為：
4.如權利要求1所述的基于tcn的短時間光伏發電量預測方法，其特征在于，所述通過時序卷積網絡構建初始發電量預測模型的具體過程為：
5.如權利要求4所述的基于tcn的短時間光伏發電量預測方法，其特征在于，所述卷積層有若干個，在每個所述卷積層之間設置殘差...
【專利技術屬性】
技術研發人員：趙奕鑫，
申請(專利權)人：四川賽孚迅儲能技術有限公司，
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。