本發(fā)明涉及光伏發(fā)電功率預(yù)測(cè)，尤其涉及一種光伏發(fā)電功率高精度預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、隨著全球?qū)η鍧嵞茉吹男枨蟛粩嘣黾?，光伏發(fā)電作為一種可持續(xù)、無(wú)污染的能源生產(chǎn)方式得到了迅猛發(fā)展。大規(guī)模的光伏電站不斷涌現(xiàn)，其在能源供應(yīng)體系中的占比日益提高。然而，光伏發(fā)電功率受到多種因素的影響，具有間歇性和波動(dòng)性的特點(diǎn)。準(zhǔn)確預(yù)測(cè)光伏發(fā)電功率對(duì)于光伏電站的高效運(yùn)行管理、電網(wǎng)的穩(wěn)定調(diào)度以及電力市場(chǎng)的有效運(yùn)營(yíng)至關(guān)重要。例如，在光伏電站運(yùn)行中，合理的功率預(yù)測(cè)能夠幫助電站運(yùn)營(yíng)商提前安排維護(hù)計(jì)劃，優(yōu)化儲(chǔ)能系統(tǒng)的充放電策略；對(duì)于電網(wǎng)而言，精確的預(yù)測(cè)結(jié)果可以使調(diào)度部門更好地安排其他電源的發(fā)電計(jì)劃，確保電力供應(yīng)的平衡和穩(wěn)定，減少因光伏發(fā)電功率波動(dòng)帶來(lái)的電網(wǎng)安全隱患。

2、傳統(tǒng)統(tǒng)計(jì)方法：早期的一些基于統(tǒng)計(jì)分析的預(yù)測(cè)方法，如時(shí)間序列分析中的自回歸移動(dòng)平均模型（arma）等，雖然在處理一些具有平穩(wěn)性的數(shù)據(jù)時(shí)有一定效果，但對(duì)于光伏發(fā)電功率這種受復(fù)雜氣象因素和非線性關(guān)系影響的數(shù)據(jù)，其預(yù)測(cè)精度往往較低。

3、近年來(lái)，機(jī)器學(xué)習(xí)和人工智能技術(shù)在光伏發(fā)電功率預(yù)測(cè)中得到了廣泛應(yīng)用。然而，單一的機(jī)器學(xué)習(xí)模型如支持向量機(jī)（svm）在處理大規(guī)模、高維數(shù)據(jù)時(shí)可能面臨計(jì)算復(fù)雜度高、核函數(shù)選擇困難等問(wèn)題；隨機(jī)森林（rf）雖然對(duì)噪聲數(shù)據(jù)有一定的魯棒性，但在處理具有長(zhǎng)期時(shí)間依賴關(guān)系的數(shù)據(jù)時(shí)效果可能不理想。對(duì)于神經(jīng)網(wǎng)絡(luò)模型，如多層感知機(jī)（mlp），在處理時(shí)間序列數(shù)據(jù)時(shí)可能會(huì)忽略數(shù)據(jù)的先后順序信息，而簡(jiǎn)單的遞歸神經(jīng)網(wǎng)絡(luò)（rnn）又存在梯度消失或爆炸的問(wèn)題，限制了其在長(zhǎng)期預(yù)測(cè)中的應(yīng)用。

4、在光伏發(fā)電功率預(yù)測(cè)中，數(shù)據(jù)質(zhì)量和特征選擇對(duì)預(yù)測(cè)結(jié)果有著關(guān)鍵影響。一方面，數(shù)據(jù)采集過(guò)程中，傳感器可能存在測(cè)量誤差、數(shù)據(jù)丟失或異常值等問(wèn)題。不同類型的傳感器在不同環(huán)境條件下的精度和穩(wěn)定性也各不相同，這增加了獲取準(zhǔn)確數(shù)據(jù)的難度。另一方面，從大量的原始數(shù)據(jù)中提取有效的特征是一個(gè)復(fù)雜的過(guò)程。現(xiàn)有的特征工程方法可能無(wú)法充分挖掘出與發(fā)電功率高度相關(guān)的特征，或者可能引入過(guò)多無(wú)關(guān)特征，導(dǎo)致模型訓(xùn)練效率低下和預(yù)測(cè)精度下降。

5、光伏電站在長(zhǎng)期運(yùn)行過(guò)程中，其發(fā)電功率受到組件老化、環(huán)境變化（如氣候變化、周邊環(huán)境改變等）的影響，發(fā)電功率的變化模式可能發(fā)生改變。因此，預(yù)測(cè)模型需要能夠及時(shí)更新以適應(yīng)這些變化。然而，現(xiàn)有的一些預(yù)測(cè)系統(tǒng)在模型更新機(jī)制方面不夠靈活，不能及時(shí)利用新的數(shù)據(jù)對(duì)模型進(jìn)行優(yōu)化。同時(shí)，在實(shí)時(shí)預(yù)測(cè)方面，由于數(shù)據(jù)傳輸延遲、模型計(jì)算時(shí)間等因素，部分系統(tǒng)無(wú)法滿足對(duì)發(fā)電功率進(jìn)行快速、準(zhǔn)確的實(shí)時(shí)預(yù)測(cè)要求，影響了其在實(shí)際應(yīng)用中的價(jià)值。

6、綜上所述，現(xiàn)有的光伏發(fā)電功率預(yù)測(cè)技術(shù)在精度、數(shù)據(jù)處理、模型適應(yīng)性和實(shí)時(shí)性等方面存在一定的局限性，迫切需要一種新的高精度預(yù)測(cè)方法及系統(tǒng)來(lái)滿足日益發(fā)展的光伏發(fā)電產(chǎn)業(yè)的需求。本技術(shù)提出一種光伏發(fā)電功率高精度預(yù)測(cè)方法及系統(tǒng)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是針對(duì)背景技術(shù)中存在現(xiàn)有的光伏發(fā)電功率預(yù)測(cè)技術(shù)在精度、數(shù)據(jù)處理、模型適應(yīng)性和實(shí)時(shí)性等方面存在一定的局限性的問(wèn)題，提出一種光伏發(fā)電功率高精度預(yù)測(cè)方法及系統(tǒng)。

2、一方面，本發(fā)明提供一種光伏發(fā)電功率高精度預(yù)測(cè)方法，包括以下步驟：

3、數(shù)據(jù)采集與預(yù)處理：

4、收集歷史光伏發(fā)電功率數(shù)據(jù)，時(shí)間跨度涵蓋至少過(guò)去一年，以獲取不同季節(jié)、天氣條件和時(shí)間周期下的發(fā)電功率變化信息，同時(shí)，收集與之對(duì)應(yīng)的氣象數(shù)據(jù)；

5、對(duì)所收集的數(shù)據(jù)進(jìn)行清洗，通過(guò)數(shù)據(jù)完整性檢查，去除缺失值，對(duì)于連續(xù)缺失超過(guò)3小時(shí)的數(shù)據(jù)段，采用線性插值法進(jìn)行補(bǔ)充，對(duì)于異常值的去除采用基于3σ原則的方法，即若數(shù)據(jù)點(diǎn)的值偏離均值超過(guò)3倍標(biāo)準(zhǔn)差，則將其視為異常值并予以剔除，其中均值和標(biāo)準(zhǔn)差通過(guò)對(duì)歷史數(shù)據(jù)進(jìn)行統(tǒng)計(jì)計(jì)算得到；

6、進(jìn)行數(shù)據(jù)歸一化處理，采用線性歸一化方法，將數(shù)據(jù)映射到[0,1]區(qū)間，具體公式為：，其中為原始數(shù)據(jù)，為數(shù)據(jù)集中的最小值，為數(shù)據(jù)集中的最大值，為歸一化后的數(shù)據(jù)；

7、特征工程：

8、從預(yù)處理后的數(shù)據(jù)中提取與光伏發(fā)電功率相關(guān)的特征；

9、對(duì)提取的特征進(jìn)行組合和變換，將輻照度與溫度的比值、濕度與風(fēng)速的乘積作為新的組合特征，對(duì)時(shí)間特征進(jìn)行獨(dú)熱編碼處理，將不同季節(jié)、0-23h分類變量轉(zhuǎn)換為二進(jìn)制向量；

10、通過(guò)計(jì)算氣象特征之間的相關(guān)性系數(shù)，篩選出與光伏發(fā)電功率相關(guān)性較高的氣象特征子集，相關(guān)性系數(shù)的計(jì)算公式為：

11、，

12、其中和分別為兩個(gè)特征的第個(gè)值，和分別為兩個(gè)特征的均值，為樣本數(shù)量，為相關(guān)性系數(shù)，設(shè)定相關(guān)性閾值為0.5，高于該閾值的特征被保留，低于閾值的特征則被剔除；

13、模型構(gòu)建與訓(xùn)練：

14、采用基于深度學(xué)習(xí)的混合模型進(jìn)行構(gòu)建，所述混合模型包括卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)：

15、cnn部分采用多個(gè)卷積層和池化層交替連接的結(jié)構(gòu)，首先設(shè)置一個(gè)輸入層，其形狀與特征向量的維度相匹配；

16、第一個(gè)卷積層使用32個(gè)大小為3×3的卷積核，采用relu激活函數(shù)，進(jìn)行特征提取和初步的非線性變換；

17、最大池化層，池化窗口大小為2×2，用于降低數(shù)據(jù)維度和提取主要特征；

18、再連接兩個(gè)卷積層，分別使用64個(gè)和128個(gè)3×3的卷積核，同樣采用relu激活函數(shù)，并跟隨相應(yīng)的最大池化層；

19、通過(guò)一個(gè)扁平層將卷積層輸出的多維特征向量轉(zhuǎn)換為一維向量，輸入到lstm部分；

20、lstm部分包含多個(gè)lstm單元，神經(jīng)元數(shù)量根據(jù)數(shù)據(jù)集的大小和特征復(fù)雜度進(jìn)行調(diào)整：通過(guò)交叉驗(yàn)證的方法確定最優(yōu)的神經(jīng)元數(shù)量，在[64,256]范圍內(nèi)進(jìn)行搜索，每個(gè)lstm單元接收cnn的輸出結(jié)果作為輸入，進(jìn)行時(shí)間序列特征學(xué)習(xí)和功率預(yù)測(cè)，在lstm層之后，添加一個(gè)全連接層，其神經(jīng)元數(shù)量與預(yù)測(cè)目標(biāo)的維度相同，預(yù)測(cè)目標(biāo)為光伏發(fā)電功率，使用線性激活函數(shù)輸出最終的預(yù)測(cè)值；

21、在訓(xùn)練過(guò)程中，使用自適應(yīng)學(xué)習(xí)率調(diào)整算法和早停法來(lái)防止過(guò)擬合，adam算法根據(jù)梯度的一階矩估計(jì)和二階矩估計(jì)動(dòng)態(tài)調(diào)整學(xué)習(xí)率，計(jì)算公式為：

22、，

23、其中，為第次迭代時(shí)的模型參數(shù)，為初始學(xué)習(xí)率，設(shè)為0.001，為梯度的一階矩估計(jì)，為梯度的二階矩估計(jì)，為一個(gè)很小的常數(shù)，設(shè)為1e-8，用于防止分母為0；早停法設(shè)置patience值為5，即當(dāng)連續(xù)5個(gè)迭代周期驗(yàn)證集上的損失函數(shù)值不再下降時(shí)，停止訓(xùn)練；訓(xùn)練過(guò)程中使用均方誤差作為損失函數(shù)，通過(guò)反向傳播算法更新模型的參數(shù)；

24、模型評(píng)估與優(yōu)化：

25、使用均方根誤差、平均絕對(duì)誤差、決定系數(shù)和平均絕對(duì)百分比誤差評(píng)估指標(biāo)對(duì)訓(xùn)練好的模型進(jìn)行評(píng)估；

26、計(jì)算公式為：；

27、計(jì)算公式為：；

28、計(jì)算公式為：；

29、計(jì)算公式為：；

30、其中為實(shí)際值，為預(yù)測(cè)值，為實(shí)際值均值，為樣本數(shù)量；

31、根據(jù)評(píng)估結(jié)果對(duì)模型進(jìn)行參數(shù)調(diào)整和結(jié)構(gòu)優(yōu)化，若和，增加模型的復(fù)雜度，包括增加卷積層或單元的數(shù)量，調(diào)整卷積核的大小和數(shù)量；若或，優(yōu)化特征工程，調(diào)整特征組合或篩選更相關(guān)的特征；

32、通過(guò)反復(fù)試驗(yàn)和調(diào)整，直到模型在驗(yàn)證集上達(dá)到最佳性能，即各項(xiàng)評(píng)估指標(biāo)達(dá)到最優(yōu)或滿足預(yù)設(shè)的閾值要求；

33、實(shí)時(shí)預(yù)測(cè)：

34、將實(shí)時(shí)采集的氣象數(shù)據(jù)和設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理，使其格式和特征與訓(xùn)練數(shù)據(jù)一致，按照特征工程的步驟對(duì)實(shí)時(shí)數(shù)據(jù)進(jìn)行特征提取和變換。

35、可選的，所述數(shù)據(jù)采集與預(yù)處理步驟中，對(duì)于數(shù)據(jù)缺失值的補(bǔ)充，當(dāng)連續(xù)缺失時(shí)間在1-2小時(shí)之間時(shí)，采用線性插值法；當(dāng)連續(xù)缺失時(shí)間在2-3小時(shí)之間時(shí)，先采用線性插值法補(bǔ)充，然后對(duì)補(bǔ)充后的數(shù)據(jù)進(jìn)行平滑處理，采用移動(dòng)平均法，窗口大小為3，以減少插值帶來(lái)的誤差波動(dòng)；對(duì)于缺失時(shí)間超過(guò)3小時(shí)的數(shù)據(jù)段，采用線性插值法補(bǔ)充，結(jié)合相似日數(shù)據(jù)的均值進(jìn)行修正，相似日的選取基于天氣類型、季節(jié)和日期類型因素的相似性判斷，通過(guò)計(jì)算相似度指標(biāo)選取相似度排名前5的日期作為相似日，取這些相似日對(duì)應(yīng)缺失時(shí)間段的數(shù)據(jù)均值，用于修正經(jīng)線性插值后的缺失值。

36、計(jì)算相似度指標(biāo)，采用歐幾里得距離算法，設(shè)待處理數(shù)據(jù)日的氣象特征向量為，表示當(dāng)日第項(xiàng)氣象特征值，候選相似日的氣象特征向量為，二者歐幾里得距離：

37、，

38、再設(shè)日期類型與季節(jié)因素的綜合權(quán)重系數(shù)分別為、，，取=0.4，=0.6，計(jì)算綜合相似度：

39、，

40、其中，為基于氣象特征的歐幾里得距離，為所有候選日與待處理日氣象特征歐幾里得距離最大值；為基于日期類型與季節(jié)因素經(jīng)量化后的距離,工作日、周末、法定節(jié)假日分別賦值，不同季節(jié)也各自賦值，差值絕對(duì)值即為距離，為對(duì)應(yīng)距離最大值；

41、依據(jù)綜合相似度，從過(guò)往歷史數(shù)據(jù)中選取相似度排名前5的日期作為相似日，取這些相似日對(duì)應(yīng)缺失時(shí)間段的數(shù)據(jù)均值，用于修正經(jīng)線性插值后的缺失值。

42、可選的，所述數(shù)據(jù)采集與預(yù)處理步驟中，數(shù)據(jù)歸一化處理采用線性歸一化方法，對(duì)歸一化后的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使其均值為0，標(biāo)準(zhǔn)差為1，標(biāo)準(zhǔn)化處理公式為：

43、，

44、其中為線性歸一化后的數(shù)據(jù)，為歸一化后數(shù)據(jù)的均值，為歸一化后數(shù)據(jù)的標(biāo)準(zhǔn)差，為標(biāo)準(zhǔn)化后的數(shù)據(jù)。

45、可選的，所述特征工程中，對(duì)時(shí)間特征進(jìn)行獨(dú)熱編碼處理后，采用主成分分析方法對(duì)編碼后的時(shí)間特征進(jìn)行降維處理，保留累計(jì)貢獻(xiàn)率達(dá)到90%以上的主成分。

46、可選的，所述模型構(gòu)建與訓(xùn)練中，cnn部分的卷積層中，在每個(gè)卷積層之后添加批量歸一化層，批量歸一化層的計(jì)算公式為：

47、，

48、，

49、其中是輸入數(shù)據(jù)，和分別是批次數(shù)據(jù)的均值和方差，是一個(gè)很小的常數(shù)，設(shè)為1e-5，防止分母為0，是歸一化后的數(shù)據(jù)，和是可學(xué)習(xí)的參數(shù)，通過(guò)訓(xùn)練調(diào)整，是批量歸一化層的輸出。

50、可選的，所述模型構(gòu)建與訓(xùn)練中，lstm部分的神經(jīng)元數(shù)量通過(guò)網(wǎng)格搜索和交叉驗(yàn)證相結(jié)合的方法進(jìn)行確定，首先設(shè)定一個(gè)神經(jīng)元數(shù)量的搜索范圍，范圍為[32,64,128,256,512]，然后將數(shù)據(jù)集劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；對(duì)于每個(gè)神經(jīng)元數(shù)量設(shè)置，在訓(xùn)練集上進(jìn)行模型訓(xùn)練，在驗(yàn)證集上評(píng)估模型性能，記錄相應(yīng)的評(píng)估指標(biāo)值；最后選擇在驗(yàn)證集上表現(xiàn)最佳的神經(jīng)元數(shù)量作為模型的最終參數(shù)。

51、可選的，所述模型構(gòu)建與訓(xùn)練中，自適應(yīng)學(xué)習(xí)率調(diào)整算法采用adam算法，結(jié)合學(xué)習(xí)率衰減策略，初始學(xué)習(xí)率設(shè)為0.001，每經(jīng)過(guò)10個(gè)迭代周期，學(xué)習(xí)率衰減為原來(lái)的0.9倍，即，其中為第個(gè)epoch的學(xué)習(xí)率。

52、可選的，所述模型評(píng)估與優(yōu)化中，使用、、和評(píng)估指標(biāo)外，還引入相對(duì)均方根誤差作為評(píng)估指標(biāo)，計(jì)算公式為：

53、，

54、其中，為均方根誤差，為實(shí)際值的均值。

55、可選的，所述實(shí)時(shí)預(yù)測(cè)中，氣象傳感器故障導(dǎo)致的異常數(shù)據(jù)點(diǎn)，采用異常值檢測(cè)和替換策略，通過(guò)計(jì)算實(shí)時(shí)數(shù)據(jù)點(diǎn)與滑動(dòng)窗口內(nèi)歷史數(shù)據(jù)的均值和標(biāo)準(zhǔn)差的偏離程度來(lái)判斷是否為異常值，若偏離程度超過(guò)3倍標(biāo)準(zhǔn)差，則視為異常值；對(duì)于異常值，采用滑動(dòng)窗口內(nèi)歷史數(shù)據(jù)的中位數(shù)進(jìn)行替換，再將處理后的實(shí)時(shí)數(shù)據(jù)輸入到模型中進(jìn)行預(yù)測(cè)。

56、另一方面，本發(fā)明提供一種光伏發(fā)電功率高精度預(yù)測(cè)系統(tǒng)，該系統(tǒng)包括：

57、數(shù)據(jù)采集與預(yù)處理模塊，數(shù)據(jù)采集與預(yù)處理模塊包括：

58、數(shù)據(jù)收集單元，廣泛收集歷史光伏發(fā)電功率數(shù)據(jù)，時(shí)間跨度不少于一年，涵蓋不同季節(jié)、天氣條件和時(shí)間周期下的發(fā)電功率變化信息，同步采集與之對(duì)應(yīng)的氣象數(shù)據(jù)，包括每小時(shí)的輻照度、溫度、濕度、風(fēng)速、氣壓全方位氣象要素，獲取相關(guān)的設(shè)備運(yùn)行數(shù)據(jù)，包括光伏板的型號(hào)、安裝角度、老化程度、設(shè)備的故障率、維護(hù)記錄；

59、數(shù)據(jù)清洗單元，通過(guò)數(shù)據(jù)完整性檢查，識(shí)別并處理缺失值，對(duì)于連續(xù)缺失1-2小時(shí)的數(shù)據(jù)段，采用線性插值法進(jìn)行補(bǔ)充；2-3小時(shí)的，先線性插值再用移動(dòng)平均法平滑，移動(dòng)平均法即窗口大小為3；超過(guò)3小時(shí)的，除線性插值外，結(jié)合相似日數(shù)據(jù)均值修正；基于3σ原則去除異常值，即若數(shù)據(jù)點(diǎn)偏離均值超過(guò)3倍標(biāo)準(zhǔn)差則視為異常值并剔除，均值和標(biāo)準(zhǔn)差由歷史數(shù)據(jù)統(tǒng)計(jì)計(jì)算得出；

60、數(shù)據(jù)歸一化與標(biāo)準(zhǔn)化單元，運(yùn)用線性歸一化方法將數(shù)據(jù)映射到[0,1]區(qū)間，公式為，其中為原始數(shù)據(jù)，為數(shù)據(jù)集中的最小值，為數(shù)據(jù)集中的最大值，為歸一化后的數(shù)據(jù)，對(duì)歸一化后的數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使其均值為0，標(biāo)準(zhǔn)差為1，公式為：

61、，

62、其中，為均值，為標(biāo)準(zhǔn)差，為標(biāo)準(zhǔn)化后數(shù)據(jù)；

63、特征工程模塊，特征工程模塊包括：

64、特征提取與組合單元，從預(yù)處理后的數(shù)據(jù)中提取特征，包括時(shí)間特征、氣象特征、設(shè)備特征；構(gòu)建如輻照度與溫度比值、濕度與風(fēng)速乘積的組合特征；

65、特征處理與篩選單元，對(duì)時(shí)間特征進(jìn)行獨(dú)熱編碼后，采用主成分分析方法降維，保留累計(jì)貢獻(xiàn)率達(dá)90%以上的主成分；通過(guò)計(jì)算氣象特征之間及組合之間的相關(guān)性系數(shù)，篩選出與光伏發(fā)電功率相關(guān)性高且影響顯著的特征子集；

66、模型構(gòu)建與訓(xùn)練模塊，模型構(gòu)建與訓(xùn)練模塊包括：

67、模型架構(gòu)設(shè)計(jì)單元，采用基于深度學(xué)習(xí)的混合模型，包含卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)；

68、訓(xùn)練機(jī)制單元，訓(xùn)練過(guò)程采用adam算法作為自適應(yīng)學(xué)習(xí)率調(diào)整算法，初始學(xué)習(xí)率設(shè)為0.001，公式為：

69、，

70、其中為模型參數(shù)，為學(xué)習(xí)率，和分別為梯度一階、二階矩估計(jì)，為1e-8防止分母為0，同時(shí)結(jié)合學(xué)習(xí)率衰減策略，每10個(gè)epoch學(xué)習(xí)率衰減為原來(lái)的0.9倍；運(yùn)用早停法防止過(guò)擬合，設(shè)置patience值為5，當(dāng)連續(xù)5個(gè)epoch驗(yàn)證集損失函數(shù)值不再下降時(shí)停止訓(xùn)練，以均方誤差（mse）為損失函數(shù)，通過(guò)反向傳播算法更新模型參數(shù)；

71、模型評(píng)估與優(yōu)化模塊，模型評(píng)估與優(yōu)化模塊包括：

72、評(píng)估指標(biāo)體系單元，采用均方根誤差、平均絕對(duì)誤差、決定系數(shù)、平均絕對(duì)百分比誤差和相對(duì)均方根誤差多維度評(píng)估指標(biāo)全面評(píng)估模型性能；

73、計(jì)算公式為：；

74、計(jì)算公式為：；

75、計(jì)算公式為：；

76、計(jì)算公式為：；

77、計(jì)算公式為：；

78、其中，為實(shí)際值，為預(yù)測(cè)值，為實(shí)際值均值，為樣本數(shù)量；

79、優(yōu)化策略單元，根據(jù)評(píng)估結(jié)果對(duì)模型進(jìn)行參數(shù)調(diào)整和結(jié)構(gòu)優(yōu)化；

80、實(shí)時(shí)預(yù)測(cè)模塊，實(shí)時(shí)預(yù)測(cè)模塊包括：

81、數(shù)據(jù)處理與預(yù)測(cè)單元，對(duì)實(shí)時(shí)采集的氣象數(shù)據(jù)和設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行預(yù)處理和特征提取變換，采用滑動(dòng)窗口處理實(shí)時(shí)數(shù)據(jù)，窗口大小設(shè)為5個(gè)時(shí)間點(diǎn)，將窗口內(nèi)數(shù)據(jù)輸入優(yōu)化后的模型預(yù)測(cè)，取窗口內(nèi)預(yù)測(cè)值平均值作為最終實(shí)時(shí)預(yù)測(cè)結(jié)果；

82、異常處理與模型更新單元，通過(guò)計(jì)算實(shí)時(shí)數(shù)據(jù)點(diǎn)與滑動(dòng)窗口內(nèi)歷史數(shù)據(jù)均值和標(biāo)準(zhǔn)差偏離程度檢測(cè)異常值，用窗口內(nèi)歷史數(shù)據(jù)中位數(shù)替換異常值后再預(yù)測(cè)；每隔一周將最新實(shí)時(shí)數(shù)據(jù)添加到歷史數(shù)據(jù)集，重新訓(xùn)練和優(yōu)化模型。

83、與現(xiàn)有技術(shù)相比，本技術(shù)包括以下至少一種有益技術(shù)效果：

84、1、本發(fā)明通過(guò)高精度的功率預(yù)測(cè)，電站運(yùn)營(yíng)商可以提前預(yù)知發(fā)電功率的變化情況，能夠有效提高光伏電站的整體發(fā)電效率，增加發(fā)電量收益，對(duì)于配備儲(chǔ)能系統(tǒng)的光伏電站，精確的功率預(yù)測(cè)有助于優(yōu)化儲(chǔ)能系統(tǒng)的充放電策略。

85、2、在光伏發(fā)電功率波動(dòng)較大時(shí)，能夠及時(shí)調(diào)整其他電源的輸出功率，確保電力系統(tǒng)的供需平衡。有助于減少光伏發(fā)電功率間歇性和波動(dòng)性對(duì)電網(wǎng)穩(wěn)定性的負(fù)面影響，降低電網(wǎng)故障風(fēng)險(xiǎn)，增強(qiáng)電網(wǎng)的可靠性，精確的預(yù)測(cè)使得電網(wǎng)能夠更好地規(guī)劃和分配電力傳輸資源。

86、3、準(zhǔn)確的光伏發(fā)電功率預(yù)測(cè)為電站運(yùn)營(yíng)商參與電力交易提供了有力的決策依據(jù)，運(yùn)營(yíng)商可以根據(jù)預(yù)測(cè)結(jié)果，更合理地制定售電策略，如在發(fā)電功率預(yù)期較高時(shí)，在電力市場(chǎng)中爭(zhēng)取更多的售電份額；在功率較低時(shí)，提前做好購(gòu)電計(jì)劃或調(diào)整交易策略，降低市場(chǎng)風(fēng)險(xiǎn)，提高在電力市場(chǎng)中的競(jìng)爭(zhēng)力。

87、4、高精度的預(yù)測(cè)有助于電力市場(chǎng)更好地接納光伏發(fā)電。通過(guò)提前了解光伏發(fā)電功率的變化，電力市場(chǎng)可以更好地協(xié)調(diào)不同能源之間的交易和消納，減少因光伏發(fā)電不確定性導(dǎo)致的市場(chǎng)交易障礙，促進(jìn)可再生能源在整個(gè)能源市場(chǎng)中的消納比例。

88、5、該系統(tǒng)能夠?qū)崟r(shí)采集數(shù)據(jù)并進(jìn)行預(yù)測(cè)，同時(shí)定期更新模型，使其能夠很好地適應(yīng)光伏電站運(yùn)行過(guò)程中的各種變化。為光伏電站的智能化管理提供支持，通過(guò)集成的數(shù)據(jù)采集、處理和預(yù)測(cè)功能，整個(gè)系統(tǒng)能夠?qū)崿F(xiàn)自動(dòng)化的數(shù)據(jù)驅(qū)動(dòng)決策。

89、本綜上，發(fā)明提高發(fā)電效率與經(jīng)濟(jì)性，可優(yōu)化運(yùn)維計(jì)劃、提升儲(chǔ)能利用效率；增強(qiáng)電網(wǎng)穩(wěn)定性與可靠性，輔助調(diào)度、優(yōu)化資源配置，極大的改善電力市場(chǎng)運(yùn)營(yíng)，為交易決策提供支持、促進(jìn)可再生能源消納，提升系統(tǒng)適應(yīng)性與智能化水平，能實(shí)時(shí)跟蹤更新、助力電站智能化管理。