一种基于大数据分析的太阳能发电功率预测方法与流程
本发明涉及大数据分析,尤其涉及一种基于大数据分析的太阳能发电功率预测方法。
背景技术:
1、随着新能源发电规模持续扩大,太阳能发电场站在电力系统中的接入比例不断提高,太阳能发电功率预测已经成为电网调度、功率计划编制、储能协同控制和场站运行管理中的重要技术环节。太阳能发电功率受辐照度、云量、环境温度、组件温度、风速风向、湿度、逆变器运行状态、组件区域布置和场站装机容量等因素共同影响,具有日周期变化、天气扰动变化和设备状态变化特征。现有太阳能发电功率预测方法通常通过采集历史发电功率数据和气象数据,建立光伏功率预测模型,再输出未来短时段或超短时段的发电功率预测结果。随着大数据分析和人工智能预测技术的发展,长短期记忆网络、卷积神经网络、时间序列预测模型和集成学习方法已经被应用于太阳能发电功率预测场景,从历史功率曲线和气象变量中提取发电规律。
2、现有太阳能发电功率预测方法仍存在对多源光伏数据之间的状态关系刻画不足的问题。多数方法将历史功率、辐照度、云量、组件温度和逆变器状态作为普通多变量序列进行拼接输入,缺少对辐照变化与功率响应之间耦合轨迹的专门提取,难以区分辐照下降但功率滞后下降、辐照恢复但功率恢复不足、辐照稳定但功率异常波动等状态。现有方法还通常忽略云量、辐照度、组件温度、逆变器状态和功率序列之间的响应先后关系,导致气象驱动功率波动、组件热惯性导致的功率恢复不足以及设备运行状态引起的功率异常容易混淆。此外,传统预测模型多采用统一时间窗口进行特征融合,难以在光伏状态切换候选点附近重新组织锚点前后序列,也难以按照组件区域、逆变器和场站之间的设备层级关系生成场站级预测表示,组件温度变化对功率输出的滞后影响也缺少独立记忆结构,导致云影进入、遮云恢复、功率爬坡和局部逆变器簇状态变化场景下的预测稳定性不足。
3、因此,如何提供一种基于大数据分析的太阳能发电功率预测方法是本领域技术人员亟需解决的问题。
技术实现思路
1、本发明的一个目的在于提出一种基于大数据分析的太阳能发电功率预测方法,本发明利用多源光伏预测数据预处理、multirocket算法的辐照—功率相图轨迹卷积变换和跨变量同核响应排列编码、光伏状态融合特征构建以及改进softs网络预测技术,详细描述了太阳能发电场站多源数据采集、光伏状态特征提取、状态切换核心表示生成、场站核心表示生成、热惯性状态嵌入生成与功率预测结果输出的实现过程,实现了对太阳能发电功率变化中辐照响应关系、跨变量响应顺序、光伏状态切换、逆变器簇层级关系和组件热惯性影响的联合建模,相比传统直接拼接多源时间序列的预测方式,本发明具备光伏状态变化表达更充分、云影扰动识别更准确、设备层级特征融合更完整、组件温度滞后响应刻画更清晰以及太阳能发电功率预测稳定性更高的优点。
2、根据本发明实施例的一种基于大数据分析的太阳能发电功率预测方法,包括:
3、采集太阳能发电场站的多源光伏预测数据,并对多源光伏预测数据执行预处理,生成标准化光伏预测数据集; 基于标准化光伏预测数据集构建多源光伏时间序列,并根据太阳能发电场站的组件区域、逆变器和场站之间的连接关系生成场站设备连接关系表; 将多源光伏时间序列输入multirocket算法,执行辐照—功率相图轨迹卷积变换和跨变量同核响应排列编码,生成辐照—功率响应轨迹特征矩阵、跨变量同核响应排列编码表和光伏状态切换候选点; 根据光伏状态切换候选点对多源光伏时间序列执行锚点分段,并结合场站设备连接关系表、辐照—功率响应轨迹特征矩阵和跨变量同核响应排列编码表,生成光伏状态融合特征集; 构建包括光伏状态锚点核心刷新层、逆变器簇层级核心折叠层和组件热惯性记忆槽层的改进softs网络,输入光伏状态融合特征集,生成状态切换核心表示、场站核心表示和热惯性状态嵌入; 基于状态切换核心表示、场站核心表示和热惯性状态嵌入,生成太阳能发电功率预测结果; 采集实际发电功率反馈数据,生成预测反馈记录,并根据预测反馈记录更新标准化光伏预测数据集、multirocket算法参数和改进softs网络参数。
4、可选的,所述生成标准化光伏预测数据集,包括:
5、采集太阳能发电场站的多源光伏预测数据,多源光伏预测数据包括历史发电功率数据、辐照度数据、云量数据、环境温度数据、组件温度数据、风速风向数据、湿度数据、逆变器状态数据、组件区域运行数据、场站装机容量数据和气象预报数据;
6、按照采集时间、场站编号、逆变器编号、组件区域编号和数据类型标识,对多源光伏预测数据进行关联,生成光伏原始预测数据序列;
7、对光伏原始预测数据序列执行重复记录删除、无效记录剔除、异常跳变值处理和缺失值填补,生成清洗后光伏预测数据序列;
8、对清洗后光伏预测数据序列执行时间戳对齐、采样间隔统一、量纲统一和数值标准化处理,生成标准化光伏预测数据序列;
9、将标准化光伏预测数据序列按照场站编号、逆变器编号、组件区域编号和采集时间进行归档,生成标准化光伏预测数据集。
10、可选的,所述构建多源光伏时间序列和生成场站设备连接关系表,包括:
11、读取标准化光伏预测数据集中的场站编号、逆变器编号、组件区域编号、采集时间和数据类型标识,生成光伏数据索引表;
12、按照光伏数据索引表,将历史发电功率数据、辐照度数据、云量数据、环境温度数据、组件温度数据、风速风向数据、湿度数据和逆变器状态数据写入对应时间位置,生成多源光伏时间序列;
13、按照采集时间顺序对多源光伏时间序列进行排列,并按照数据类型标识将多源光伏时间序列划分为功率时间序列、辐照度时间序列、云量时间序列、环境温度时间序列、组件温度时间序列、风速风向时间序列、湿度时间序列和逆变器状态时间序列;
14、读取太阳能发电场站中组件区域、逆变器和场站之间的连接关系数据,建立组件区域编号与逆变器编号之间的对应关系、逆变器编号与场站编号之间的对应关系;
15、将组件区域编号、逆变器编号、场站编号、装机容量数据和连接层级标识进行关联,生成场站设备连接关系表。
16、可选的,所述生成辐照—功率响应轨迹特征矩阵、跨变量同核响应排列编码表和光伏状态切换候选点,包括:
17、读取多源光伏时间序列中的功率时间序列、辐照度时间序列、云量时间序列、组件温度时间序列、风速风向时间序列和逆变器状态时间序列,并按照采集时间顺序构建multirocket输入窗口;
18、对功率时间序列和辐照度时间序列分别计算相邻采集时刻的功率变化量和辐照变化量,将同一采集时刻的辐照变化量与功率变化量组合为辐照—功率相图点,并按照采集时间顺序生成辐照—功率相图轨迹序列;
19、对辐照—功率相图轨迹序列执行辐照—功率相图轨迹卷积变换,即将辐照—功率相图轨迹序列转换为二通道轨迹序列,通过multirocket算法中的卷积核集合对二通道轨迹序列执行卷积响应计算,并通过正值比例池化、正值均值池化、正值索引均值池化和最长连续正值池化生成辐照—功率响应轨迹特征矩阵;
20、对功率时间序列、辐照度时间序列、云量时间序列、组件温度时间序列、风速风向时间序列和逆变器状态时间序列执行跨变量同核响应排列编码,将同一组卷积核分别作用于各时间序列,记录同一卷积核在不同时间序列中的响应位置和响应顺序;
21、按照卷积核编号、时间序列类型、响应位置和响应顺序对同一卷积核的跨变量响应结果进行排列,生成跨变量同核响应排列编码表;
22、根据辐照—功率响应轨迹特征矩阵中的卷积响应符号切换位置、最长连续正值区间边界和跨变量同核响应排列编码表中的响应排列变化位置,按照采集时间生成光伏状态切换候选点。
23、可选的,所述生成光伏状态融合特征集,包括:
24、读取多源光伏时间序列、光伏状态切换候选点、场站设备连接关系表、辐照—功率响应轨迹特征矩阵和跨变量同核响应排列编码表;
25、按照采集时间顺序对光伏状态切换候选点进行排序,并将光伏状态切换候选点与多源光伏时间序列中的采集时间位置进行对应,生成光伏状态锚点索引表;
26、根据光伏状态锚点索引表对多源光伏时间序列执行锚点分段,生成包括锚点前序列、锚点后序列和跨锚点序列的锚点分段序列;
27、根据场站设备连接关系表,将锚点分段序列分别关联至对应的组件区域编号、逆变器编号和场站编号,生成锚点分段设备关联表;
28、将辐照—功率响应轨迹特征矩阵和跨变量同核响应排列编码表按照采集时间位置写入锚点分段设备关联表,生成锚点状态特征表;
29、根据锚点状态特征表、光伏状态锚点索引表、场站设备连接关系表和多源光伏时间序列中的组件温度时间序列,生成包括锚点分段序列、光伏状态切换候选点、逆变器簇层级关系数据、组件热状态数据、辐照—功率响应轨迹特征和跨变量同核响应排列编码的光伏状态融合特征集。
30、可选的,所述生成状态切换核心表示、场站核心表示和热惯性状态嵌入,包括:
31、构建改进softs网络,改进softs网络包括光伏状态锚点核心刷新层、逆变器簇层级核心折叠层和组件热惯性记忆槽层;
32、光伏状态锚点核心刷新层读取锚点分段序列和光伏状态切换候选点,分别生成锚点前核心表示、锚点后核心表示和跨锚点核心表示,并根据光伏状态切换候选点对应的采集时间位置刷新跨锚点核心表示,生成状态切换核心表示;
33、逆变器簇层级核心折叠层读取逆变器簇层级关系数据,按照组件区域至逆变器、逆变器至场站的层级关系生成组件区域核心表示、逆变器簇核心表示和场站核心表示;
34、组件热惯性记忆槽层读取组件热状态数据,建立组件升温记忆槽、组件降温记忆槽、辐照恢复滞后记忆槽和温升功率衰减记忆槽,并根据各记忆槽的时间顺序生成热惯性状态嵌入;
35、对改进softs网络进行训练,采用功率预测误差、状态切换核心表示一致性误差、逆变器簇层级折叠误差和热惯性状态嵌入误差组合作为联合优化目标,持续优化光伏状态锚点核心刷新层、逆变器簇层级核心折叠层和组件热惯性记忆槽层的网络参数,当连续5轮训练中的联合损失值变化幅度均小于0.001时,确定改进softs网络完成收敛训练。
36、可选的,所述生成太阳能发电功率预测结果,包括:
37、读取状态切换核心表示、场站核心表示、热惯性状态嵌入和光伏状态切换候选点,并根据预测任务生成预测时间步标识,按照预测时间步标识生成预测输入表示序列;
38、将状态切换核心表示映射为状态切换预测向量,将场站核心表示映射为场站功率预测向量,将热惯性状态嵌入映射为热惯性修正向量;
39、按照预测时间步顺序,将状态切换预测向量、场站功率预测向量和热惯性修正向量进行对应,生成预测时间步功率表示;
40、根据预测时间步功率表示生成场站功率预测序列,并根据场站设备连接关系表生成逆变器簇功率预测序列;
41、将场站功率预测序列、逆变器簇功率预测序列、预测时间步标识和光伏状态切换候选点进行组合,生成太阳能发电功率预测结果。
42、可选的,所述采集实际发电功率反馈数据并进行反馈更新,包括:
43、采集预测时间段内的实际发电功率反馈数据、实际气象反馈数据、组件温度反馈数据和逆变器状态反馈数据;
44、按照场站编号、逆变器编号、组件区域编号、采集时间和预测时间步标识,对实际发电功率反馈数据和太阳能发电功率预测结果进行对应,生成预测结果对应表;
45、根据预测结果对应表,计算实际发电功率与对应的预测功率值之间的差值,生成预测误差序列,并将预测误差序列、实际气象反馈数据、组件温度反馈数据和逆变器状态反馈数据组合生成预测反馈记录;
46、根据预测反馈记录更新标准化光伏预测数据集,并根据预测误差序列更新multirocket算法的卷积核集合参数、池化统计参数和响应排列编码参数;
47、根据预测反馈记录更新改进softs网络的光伏状态锚点核心刷新层参数、逆变器簇层级核心折叠层参数和组件热惯性记忆槽层参数。
48、本发明的有益效果是:
49、本发明提出的一种基于大数据分析的太阳能发电功率预测方法,通过构建多源光伏预测数据处理、多源光伏时间序列构建、multirocket算法特征变换、光伏状态融合特征构建以及改进softs网络预测流程,提升了太阳能发电功率预测中对多源数据状态关系的表达能力。相比传统将历史功率、辐照度、云量、组件温度和逆变器状态直接拼接输入预测模型的方式,本发明利用辐照—功率相图轨迹卷积变换提取辐照变化与功率响应之间的耦合关系,能够区分辐照下降、辐照恢复、功率滞后响应和功率异常波动状态,提高云影扰动和功率爬坡场景下的特征识别能力。
50、本发明利用跨变量同核响应排列编码对功率时间序列、辐照度时间序列、云量时间序列、组件温度时间序列、风速风向时间序列和逆变器状态时间序列进行响应顺序分析,表达气象变化、组件温度变化、设备状态变化和功率变化之间的先后关系,减少气象驱动功率波动、组件热惯性导致的功率恢复不足以及设备状态异常引起的功率变化之间的混淆。同时,本发明根据光伏状态切换候选点对多源光伏时间序列执行锚点分段,并结合场站设备连接关系表生成光伏状态融合特征集,提高状态切换阶段和局部设备波动场景下的预测稳定性。
51、本发明构建包括光伏状态锚点核心刷新层、逆变器簇层级核心折叠层和组件热惯性记忆槽层的改进softs网络,分别生成状态切换核心表示、场站核心表示和热惯性状态嵌入,使太阳能发电功率预测过程同时考虑光伏状态切换、场站设备层级关系和组件温度滞后影响。相比传统统一时间窗口预测模型,本发明能够在云影进入、遮云恢复、功率快速变化、逆变器簇局部状态变化和组件温升衰减场景下形成更贴合实际运行状态的预测表示,并结合实际发电功率反馈数据持续更新相关数据和参数,提高太阳能发电功率预测结果的准确性、连续性和运行适应性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com