本發(fā)明屬于光伏發(fā)電預測，具體涉及一種基于智能電網(wǎng)的光伏發(fā)電預測系統(tǒng)及方法。

背景技術(shù)：

1、光伏發(fā)電技術(shù)是當前利用太陽能的主要技術(shù)。由于受天氣情況、太陽輻射強度、溫度、濕度、云量等影響因素，光伏發(fā)電技術(shù)有著間歇性、波動性、隨機性特點，因此需要對光伏發(fā)電功率預測進行研究，預先得知日內(nèi)光伏發(fā)電功率曲線，使電力部門能以經(jīng)濟最優(yōu)化調(diào)度機組，獲取最大經(jīng)濟效益。

2、然而，在實際的預測當中，未獲取光伏發(fā)電陣列的運行狀態(tài)就進行光伏發(fā)電功率的預測，在預測過程中只考慮了光伏發(fā)電影響因素，導致預測結(jié)果失效，同時對于模型的訓練樣本集數(shù)據(jù)類型未進行篩選，沒有區(qū)分對預測結(jié)果影響因子的重要程度，使得模型訓練效率低且模型預測精度較低。

技術(shù)實現(xiàn)思路

1、為解決現(xiàn)有技術(shù)中存在的上述問題，本發(fā)明提供了一種基于智能電網(wǎng)的光伏發(fā)電預測系統(tǒng)及方法，通過對每一方光伏發(fā)電系統(tǒng)建立基于云量的訓練樣本集篩選出各自本地訓練輸入的影響因子，選擇出對光伏發(fā)電功率影響程度較高的因子，有效減少預測范圍，提高了預測精度；同時通過對多方光伏發(fā)電預測模型進行聯(lián)合訓練，獲取了全局光伏發(fā)電預測模型，整合了多方區(qū)域光伏發(fā)電特征，提高了模型的泛化能力和適應性。

2、本發(fā)明的目的可以通過以下技術(shù)方案實現(xiàn)：

3、本公開的第一方面提供了一種基于智能電網(wǎng)的光伏發(fā)電預測系統(tǒng)，包括預測數(shù)據(jù)采集模塊、預測數(shù)據(jù)處理模塊、光伏發(fā)電預測模塊和發(fā)電功率預測管理模塊；

4、所述預測數(shù)據(jù)處理模塊，用于對采集的多方光伏發(fā)電數(shù)據(jù)信息進行標準化處理，建立多方光伏發(fā)電預測模型的訓練樣本集，并匹配訓練樣本集數(shù)據(jù)對應的光伏陣列健康指數(shù)，包括以下步驟：

5、篩選一方光伏發(fā)電影響因子：通過計算各個因子的相關(guān)系數(shù)設定閾值選??；

6、構(gòu)建多方光伏發(fā)電預測模型訓練樣本集：通過計算預測一方的光伏發(fā)電影響因子與多方光伏發(fā)電影響因子的歐式距離選擇歷史樣本數(shù)據(jù)建立預測模型的訓練樣本集；

7、求解訓練樣本集數(shù)據(jù)對應的光伏陣列健康指數(shù)：利用i-v曲線對光伏陣列進行狀態(tài)評估，計算一方光伏陣列的健康指數(shù)h，完成健康指數(shù)h與訓練樣本集數(shù)據(jù)的匹配。

8、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述歐式距離的計算公式為：

9、；

10、式中， d r為預測一方的光伏發(fā)電影響因子與多方光伏發(fā)電影響因子的歐式距離， n為一方光伏發(fā)電篩選出的影響因子總數(shù)，ω j表示影響因子 j的權(quán)重， x ij表示預測一方的光伏發(fā)電子陣區(qū)域預測時間段內(nèi)氣象狀況云量為 i時影響因子 j的歸一化值， x ij, l表示多方光伏發(fā)電系統(tǒng)歷史記錄中氣象狀況云量為 i時影響因子 j的歸一化值， l為數(shù)據(jù)樣本編號。

11、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述光伏陣列的健康指數(shù)h的計算公式為：

12、；

13、式中， q i為對仿真i-v曲線和實際i-v曲線進行灰色關(guān)聯(lián)分析計算得出的光伏陣列中光伏區(qū)子陣的灰色關(guān)聯(lián)度，l為光伏陣列中光伏區(qū)子陣的功率衰減率。

14、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述預測數(shù)據(jù)采集模塊，用于實時監(jiān)測光伏發(fā)電系統(tǒng)的電能數(shù)據(jù)和環(huán)境監(jiān)測數(shù)據(jù)，并通過通信設備將數(shù)據(jù)傳輸至所述的預測數(shù)據(jù)處理模塊，其中電能數(shù)據(jù)包括電流、電壓和功率，環(huán)境監(jiān)測數(shù)據(jù)包括光伏組件工作環(huán)境溫度、日照強度和光伏組件背板溫度。

15、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述光伏發(fā)電預測模塊，用于構(gòu)建多方光伏發(fā)電預測bp神經(jīng)網(wǎng)絡模型，通過各方光伏發(fā)電訓練樣本集與對應的光伏陣列健康指數(shù)作為輸入訓練各方光伏發(fā)電預測模型，并通過多方光伏發(fā)電預測模型采用中心化聯(lián)邦架構(gòu)進行聯(lián)合訓練，獲取全局光伏發(fā)電預測模型。

16、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述光伏發(fā)電預測模塊，包括模型訓練模塊、模型分布式訓練模塊和模型聯(lián)合訓練模塊；

17、所述模型訓練模塊，用于將一方光伏發(fā)電訓練樣本集與對應的光伏陣列健康指數(shù)輸入bp神經(jīng)網(wǎng)絡中進行訓練，構(gòu)建一方光伏發(fā)電預測模型；

18、所述模型分布式訓練模塊，用于通過多方光伏發(fā)電訓練樣本集與對應的光伏陣列健康指數(shù)進行模型分布式訓練，獲得多方光伏發(fā)電預測模型；

19、所述模型聯(lián)合訓練模塊，用于對所述一方光伏發(fā)電預測模型和所述多方光伏發(fā)電預測模型的模型參數(shù)進行聯(lián)合訓練，獲得全局光伏發(fā)電預測模型。

20、作為本發(fā)明的一種優(yōu)選技術(shù)方案，所述發(fā)電功率預測管理模塊，用于基于所述光伏發(fā)電預測模塊，對目標光伏區(qū)域進行發(fā)電功率預測管理，將采集的數(shù)據(jù)依據(jù)輸入數(shù)據(jù)類型進行處理后輸入訓練好的全局光伏發(fā)電預測模型獲取預測結(jié)果，通過預測值和實際值做對比，完成對光伏組件的維護工作。

21、本公開的第二方面提供了一種基于智能電網(wǎng)的光伏發(fā)電預測方法，應用于如上所述的一種基于智能電網(wǎng)的光伏發(fā)電預測系統(tǒng)，包括以下步驟：

22、采集監(jiān)測參數(shù)：采集多方光伏發(fā)電逆變器輸入側(cè)的電能數(shù)據(jù)和環(huán)境監(jiān)測數(shù)據(jù)，其中電能數(shù)據(jù)包括電流、電壓和功率，環(huán)境監(jiān)測數(shù)據(jù)包括光伏組件工作環(huán)境溫度、日照強度和光伏組件背板溫度；

23、建立預測輸入：通過帶權(quán)重的歐式距離篩選出預測每一方輸入的影響因子，再通過篩選出的影響因子建立各自的訓練樣本集，將訓練樣本集中的每條數(shù)據(jù)與光伏陣列健康指數(shù)進行匹配；

24、構(gòu)建預測模型：通過多方光伏發(fā)電訓練樣本集與對應的光伏陣列健康指數(shù)作為輸入構(gòu)建多方光伏發(fā)電預測bp神經(jīng)網(wǎng)絡模型；

25、模型聯(lián)合訓練：通過多方光伏發(fā)電預測模型采用中心化聯(lián)邦架構(gòu)進行聯(lián)合訓練，獲取全局光伏發(fā)電預測模型；

26、對目標區(qū)域光伏發(fā)電功率預測管理：將采集的數(shù)據(jù)依據(jù)輸入數(shù)據(jù)類型進行處理后輸入訓練好的全局光伏發(fā)電預測模型獲取預測結(jié)果，通過預測值和實際值做對比，完成對光伏組件的維護工作。

27、進一步地，所述建立預測輸入，包括以下步驟：

28、篩選影響因子：計算各個因子的相關(guān)系數(shù)：

29、；

30、式中， rz表示影響因子z的相關(guān)系數(shù)， nu表示樣本集數(shù)目， a u(z)和 p u分別表示對應樣本 u的影響因子和功率，表示影響因子z在樣本集的平均值，對應日平均光伏發(fā)電功率；

31、根據(jù)計算得出的相關(guān)系數(shù)，選擇相關(guān)系數(shù)大于0.5的影響因素作為預測輸入的影響因子；

32、求解影響因子權(quán)重值：計算篩選出的影響因子權(quán)重，計算公式如下：

33、；

34、式中，z=1，2，…， n；ωz表示影響因子z的權(quán)重， rz表示影響因子z的相關(guān)系數(shù)；

35、建立一方光伏發(fā)電的影響因子特征向量：對于不同的氣象根據(jù)篩選的影響因子基于云量建立預測一方的光伏發(fā)電影響因子特征向量：

36、=[ x i1， x i2，…， x ij]；

37、式中， i=1，2，3，4；當 i=1時代表云量為0~25%，當 i=2時代表云量為25~60%，當 i=3時代表云量為60~90%，當 i=4時代表云量為90%以上； j表示篩選出來的影響因子， x ij表示預測一方的光伏發(fā)電子陣區(qū)域預測時間段內(nèi)氣象狀況云量為 i時影響因子 j的歸一化值；

38、構(gòu)建多方光伏發(fā)電預測模型訓練樣本集：通過計算預測一方的光伏發(fā)電影響因子與多方光伏發(fā)電影響因子的歐式距離選擇歷史樣本數(shù)據(jù)建立預測模型的訓練樣本集，包括：

39、計算歐氏距離 d r：

40、；

41、式中， d r為預測一方的光伏發(fā)電影響因子與多方光伏發(fā)電影響因子的歐式距離， n為一方光伏發(fā)電篩選出的影響因子總數(shù)，ω j表示影響因子 j的權(quán)重， x ij表示預測一方的光伏發(fā)電子陣區(qū)域預測時間段內(nèi)氣象狀況云量為 i時影響因子 j的歸一化值， x ij, l表示多方光伏發(fā)電系統(tǒng)歷史記錄中氣象狀況云量為 i時影響因子 j的歸一化值， l為數(shù)據(jù)樣本編號；

42、將影響因子歐式距離按距離值的大小升序排序，選取排列前n個歷史樣本構(gòu)建一方光伏發(fā)電預測模型訓練樣本集，以同樣的方式，構(gòu)建其他各方光伏發(fā)電預測模型訓練樣本集；

43、求解訓練樣本集數(shù)據(jù)對應的光伏陣列健康指數(shù)：利用i-v曲線對光伏陣列進行狀態(tài)評估，計算一方光伏陣列的健康指數(shù)h，包括以下步驟：

44、根據(jù)訓練樣本匹配的一方光伏發(fā)電數(shù)據(jù)信息，獲取實際運行光伏陣列的i-v曲線和光伏陣列工作溫度t和日照強度g；

45、對光伏陣列進行仿真得到當前工作溫度t和日照強度g下的仿真i-v曲線，并對仿真i-v曲線和實際i-v曲線進行灰色關(guān)聯(lián)分析，計算灰色關(guān)聯(lián)度；

46、其中，對仿真i-v曲線和實際i-v曲線進行灰色關(guān)聯(lián)分析包括以下步驟：

47、（1）確定參考序列和比較序列：確定反映系統(tǒng)行為特征的參考數(shù)列和影響系統(tǒng)行為的比較數(shù)列，反映系統(tǒng)行為特征的數(shù)據(jù)序列即為參考數(shù)列，影響系統(tǒng)行為的因素組成的數(shù)據(jù)序列即為比較數(shù)列；

48、參考序列記為： x0=[ x0(1)， x0(2)，…， x0( n)]；

49、比較序列記為：；

50、（2）無量綱化，將數(shù)據(jù)統(tǒng)一到近似的范圍內(nèi)，減少數(shù)據(jù)的絕對數(shù)值的差異，公式如下：

51、；

52、其中，，式中， i=0，1，2… k；

53、（3）求差序列、最大差與最小差：

54、求差序列：；

55、求最大差：；

56、求最小差：；

57、（4）計算關(guān)聯(lián)度系數(shù)：計算公式如下：

58、；

59、式中， ρ為分辨系數(shù)，取值范圍（0，+∞）， ρ越小分辨力越大，當 ρ≤0.5463時，分辨力最好，本實施例中取 ρ=0.5；

60、（5）計算灰色關(guān)聯(lián)度 q i：

61、；

62、通過采集的逆變器直流側(cè)功率和環(huán)境數(shù)據(jù)計算訓練樣本中對應光伏區(qū)子陣的功率衰減率l，計算公式如下：

63、；

64、式中，e為各子陣評估周期內(nèi)的發(fā)電量（k·wh），p0為各子陣的額定功率（kw），h為陣列面接收到的輻射量（k·wh/m2），g為標準測試條件輻照度（1000w/m2），c為溫度修正系數(shù)，計算公式為：

65、；

66、其中，δ為光伏組件的功率相對溫度系數(shù)，tc為區(qū)域子陣組件背板溫度（℃）；

67、定義光伏陣列健康指數(shù)h，完成健康指數(shù)h與訓練樣本集數(shù)據(jù)的匹配：

68、；

69、式中， q i為光伏陣列中光伏區(qū)子陣的灰色關(guān)聯(lián)度，l為光伏陣列中光伏區(qū)子陣的功率衰減率。

70、進一步地，所述模型聯(lián)合訓練，包括以下步驟：

71、多方光伏發(fā)電預測模型定期將訓練后的模型參數(shù)通過安全的通信渠道發(fā)送給中央服務器；

72、中央服務器將上傳的所有參數(shù)加權(quán)平均，對全局模型參數(shù)進行聚合更新，中央服務器將更新后的全局模型參數(shù)下發(fā)給多方光伏發(fā)電預測模型，作為各方下一輪訓練的參數(shù)初值；

73、當全局迭代次數(shù)達到預先設定的數(shù)值時停止迭代，得到最終的全局光伏發(fā)電預測模型，并對生成的預測模型進行評估。

74、本發(fā)明的有益效果為：

75、本發(fā)明采集了多方光伏發(fā)電系統(tǒng)的電能數(shù)據(jù)和環(huán)境監(jiān)測數(shù)據(jù)，通過對每一方光伏發(fā)電系統(tǒng)建立訓練樣本集篩選出各自本地訓練輸入的影響因子，篩選過程中采用了帶權(quán)重的歐式距離方式，從而選擇出對光伏發(fā)電功率影響程度較高的因子，有效減少預測范圍，對于訓練樣本基于云量建立，進一步細化了天氣類型對預測結(jié)果的影響程度，提高了預測精度；同時通過聯(lián)邦學習對多方光伏發(fā)電預測模型進行聯(lián)合訓練，獲取了全局光伏發(fā)電預測模型，有效保護了各方原始的發(fā)電數(shù)據(jù)，整合了多方區(qū)域光伏發(fā)電特征，提高了模型的泛化能力和適應性。

76、本發(fā)明在模型預測的輸入中加入了光伏陣列健康指數(shù)，光伏陣列健康指數(shù)包含了光伏組件的實時運行狀態(tài)和性能衰減程度，將其作為特征工程的一部分，與其他氣象數(shù)據(jù)和歷史發(fā)電數(shù)據(jù)結(jié)合起來，構(gòu)建更豐富和全面的特征集，提高了預測模型對光伏發(fā)電量變化的解釋能力，進而提高了預測的準確性；同時將光伏陣列健康指數(shù)納入預測模型中，引入了對光伏陣列狀態(tài)的先驗知識，確保模型在生成預測結(jié)果時考慮了光伏組件的健康狀況，提高了系統(tǒng)的可靠性和穩(wěn)定性，降低了因故障或異常情況而造成的風險。