光伏设备的功率预测模型的训练方法、电子设备及介质与流程

摘要: 本发明涉及光伏设备的寿命预测,具体涉及光伏设备的功率预测模型的训练方法、装置、电子设备及介质。背景技术:1、在光伏设备的寿命预测领域中,一般会采集其在多个时间点...
光伏设备的功率预测模型的训练方法、电子设备及介质与流程

本发明涉及光伏设备的寿命预测,具体涉及光伏设备的功率预测模型的训练方法、装置、电子设备及介质。

背景技术:

1、在光伏设备的寿命预测领域中,一般会采集其在多个时间点下的电气数据,进而,通过长短期记忆网络(long short term memory,lstm)预测未来的电气数据,进而,基于预测的电气数据的表现,确定其寿命。

2、但是,仅考虑光伏设备自身的状态信息,可能导致预测的电气数据不准确,进而,导致预测寿命的结果不准确。

技术实现思路

1、本发明提供了一种光伏设备的功率预测模型的训练方法、装置、电子设备、存储介质及程序产品,以解决预测光伏设备的功率和剩余寿命不准确的问题。

2、第一方面,本发明提供了一种光伏设备的功率预测模型的训练方法,方法包括:

3、获取光伏设备的训练数据集和基准功率序列,其中,训练数据集包括目标功率序列和环境数据,基准功率序列包括多个时间点和多个时间点分别对应的基准功率,目标功率序列包括多个时间点和多个时间点分别对应的实际功率,环境数据包括多个时间点的环境特征;

4、根据多个时间点、多个时间点分别对应的实际功率和基准功率,确定多个时间点分别对应的季节项特征;

5、在当前训练轮次中,将多个时间点、多个时间点分别对应的环境特征和季节项特征输入到预构建的初始功率预测模型中,得到多个时间点分别对应的预测功率;

6、根据多个时间点分别对应的实际功率和预测功率,确定与当前训练轮次对应的目标损失值;

7、根据目标损失值,对初始功率预测模型中的模型参数进行梯度更新,得到与当前训练轮次对应的功率预测模型;

8、在确定目标损失值小于或等于预设损失值的情况下,将与当前训练轮次对应的功率预测模型确定为目标功率预测模型,其中,目标功率预测模型用于预测光伏设备的功率和/或剩余寿命。

9、本发明提供的光伏设备的功率预测模型的训练方法,具有如下优点:

10、本方案既可以根据功率和时间,采集到季节项特征,从而在训练过程中可以考虑到季节项特征对光伏设备的影响,又结合了环境特征对光伏设备的影响,可以准确地预测出功率。进而,在采用预测功率确定剩余寿命时,也可以更加准确。并且,本方案通过解耦季节项特征和退化项特征,实现了光伏设备的功率的季节周期波动与长期退化趋势的有效分离,可以避免季节波动被误判为器件老化,大幅提升了功率预测的准确性,进而,提高了寿命预测的精准性。

11、在一种可选的实施方式中,根据多个时间点、多个时间点分别对应的实际功率和基准功率,确定多个时间点分别对应的季节项特征,包括:

12、根据多个时间点、多个时间点分别对应的实际功率和基准功率,对预构建的季节残差模型进行拟合操作,得到拟合系数;

13、根据拟合系数和预构建的初始季节项模型,确定目标季节项模型;

14、根据多个时间点和目标季节项模型,确定多个时间点分别对应的季节项特征。

15、这样,本方案可以将季节项特征与退化项进行了解耦,在后续预测过程中,可以单独计算季节项特征,在预测功率偏高或偏低的情况下,可以通过季节项特征进行单独解释,也即本方案增强了可解释性,在解释过程中,也可以准确地给出物理含义。

16、在一种可选的实施方式中,根据多个时间点、多个时间点分别对应的实际功率和基准功率,对预构建的季节残差模型进行拟合操作,得到拟合系数,包括:

17、根据第一时间点的实际功率和基准功率,构建第一时间点的相对功率,其中,第一时间点为多个时间点中的任一个时间点;

18、根据预设周期,构建角频率;

19、根据角频率和第一时间点,计算第一时间点的季节特征矩阵;

20、在确定出多个时间点分别对应的相对功率和季节特征矩阵后,根据多个时间点分别对应的相对功率和季节特征矩阵,对季节残差模型进行拟合操作,得到拟合系数。

21、这样,通过基准功率可以剔除长期老化趋势,使得剩下的特征是纯粹的季节特征,进而,使得拟合出来的季节项模型不会受到设备在慢慢变老这一趋势的污染,也即使得确定出的季节项模型较为准确。

22、在一种可选的实施方式中,拟合系数包括第一拟合系数和第二拟合系数;季节残差模型,采用如下表达式:

23、

24、

25、其中,表示时间点t的相对功率,k1为第一拟合系数,k2为第二拟合系数,为拟合残差,为角频率,为季节特征矩阵。

26、这样,用正弦和余弦特征矩阵将非线性拟合转化为线性拟合,求解简单且唯一。并且,特征矩阵维度低,计算开销极小。

27、在一种可选的实施方式中,目标季节项模型,采用如下表达式:

28、

29、

30、

31、其中,为时间点t的季节项特征,为第一拟合系数,为第二拟合系数。

32、这样,本方案确定出的幅值a和相位φ反映的是真实的年周期波动强度和时间偏移,不会受到退化的影响。

33、在一种可选的实施方式中,初始功率预测模型包括初始退化率预测子模型和初始累积退化率计算子模型,初始累积退化率计算子模型中的模型参数包括基准退化率;

34、在当前训练轮次中,将多个时间点、多个时间点分别对应的环境特征和季节项特征输入到预构建的初始功率预测模型中,得到多个时间点分别对应的预测功率,包括:

35、将多个时间点的环境特征输入到初始退化率预测子模型中,得到初始退化率预测子模型输出的多个时间点的退化率;

36、在第一时间点为多个时间点中的第一个时间点的情况下,根据基准退化率和第一时间点的退化率,确定与第一时间点对应的累积退化率,其中,第一时间点为多个时间点中的任一个时间点;

37、或者,在第一时间点并非为第一个时间点的情况下,根据基准退化率、第一时间点和第一时间点之前的至少一个时间点分别对应的退化率,确定与第一时间点对应的累积退化率;

38、根据与第一时间点对应的累积退化率和季节项特征,确定与第一时间点对应的预测功率。

39、这样,模型输出的每一部分都有物理意义,例如,退化率是瞬时老化速率,累积退化项是从投运至今的总老化程度,并且,累积过程是单调递减的,符合设备只会越来越老的真实物理规律。相比于传统离散神经网络直接输出功率预测值,更加具有物理意义。在此方案下,只要给出未来任一天的环境特征即可计算出退化率、累积退化率、预测功率等多种具有物理意义的信息。

40、另外,将退化项和季节项进行解耦后,运维人员可以单独查看退化项曲线,了解设备真实老化状况,不受季节波动干扰。也可以单独查看季节项曲线,了解预期的年周期功率波动规律,如果需要制定维修计划,则可以直接基于退化项判断是否需要更换,而不必等到冬季功率自然下降时被误判为设备故障。

41、在一种可选的实施方式中,根据与第一时间点对应的累积退化率和季节项特征,确定与第一时间点对应的预测功率,采用如下表达式:

42、

43、其中,为时间点t的预测功率,为时间点t的累积退化率,为时间点t的季节项特征。

44、在一种可选的实施方式中,目标功率预测模型包括目标退化率预测子模型和目标累积退化率计算子模型;

45、在确定目标损失值小于或等于预设损失值的情况下,将与当前训练轮次对应的功率预测模型确定为目标功率预测模型之后,该方法还包括:

46、获取未来时间点和未来时间点的环境特征,其中,未来时间点在多个时间点之后;

47、将未来时间点的环境特征输入至目标退化率预测子模型中,得到目标退化率预测子模型输出的未来时间点的退化率;

48、根据第二时间点的累积退化率和未来时间点的退化率,确定未来时间点的累积退化率,其中,第二时间点为多个时间点中的最后一个时间点;

49、根据未来时间点和目标季节项模型,确定未来时间点的季节项特征;

50、根据未来时间点的季节项特征和累积退化率,确定未来时间点的预测功率。

51、这样,通过本方案运维人员可以提前预测出光伏设备在未来的功率衰减轨迹,进而进行提前运维。通过解耦退化项和季节项,运维人员可以区分功率下降的原因,避免误判。

52、第二方面,本发明提供了一种光伏设备的功率预测模型的训练装置,该装置包括:

53、获取模块,用于获取光伏设备的训练数据集和基准功率序列,其中,训练数据集包括目标功率序列和环境数据,基准功率序列包括多个时间点和多个时间点分别对应的基准功率,目标功率序列包括多个时间点和多个时间点分别对应的实际功率,环境数据包括多个时间点的环境特征;

54、确定模块,用于根据多个时间点、多个时间点分别对应的实际功率和基准功率,确定多个时间点分别对应的季节项特征;

55、训练模块,用于在当前训练轮次中,将多个时间点、多个时间点分别对应的环境特征和季节项特征输入到预构建的初始功率预测模型中,得到多个时间点分别对应的预测功率;根据多个时间点分别对应的实际功率和预测功率,确定与当前训练轮次对应的目标损失值;根据目标损失值,对初始功率预测模型中的模型参数进行梯度更新,得到与当前训练轮次对应的功率预测模型;在确定目标损失值小于或等于预设损失值的情况下,将与当前训练轮次对应的功率预测模型确定为目标功率预测模型,其中,目标功率预测模型用于预测光伏设备的功率和/或剩余寿命。

56、第三方面,本发明提供了一种电子设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的光伏设备的功率预测模型的训练方法。

57、第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的光伏设备的功率预测模型的训练方法。

58、第五方面,本发明提供了一种计算机程序产品,包括计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的光伏设备的功率预测模型的训练方法。