基于集成学习光伏预测的智能运维方法与流程

本发明涉及一种光伏预测的智能运维方法，尤其涉及一种基于集成学习光伏预测的智能运维方法。

背景技术：

近年来，由于太阳能的清洁、无污染和可再生等特点，越来越受到公众的关注。同时光伏发电已成为当今世界可再生能源领域的研究热点。然而，由于光伏功率具有不确定性和间歇性等特点，大规模光伏并网运行会增加电网调度的难度，影响电力系统的安全、稳定及经济的运行。精确预测光伏功率是有效减缓大规模光伏并网对电网不利影响的前提，对电站的后期运维和电力调度等具有重要的指导意义。

随着光伏并网规模的不断扩大，光伏发电功率随机性强、波动性大的弊端日益显著，为减缓光伏并网对电网的冲击影响，提高电网调度信息的可靠性，保证电网的安全稳定经济运行，世界各国都在致力于光伏发电系统功率预测技术的研究，预测方法大致可分为如下两种：

1)基于太阳辐照强度模型和光电转换效率模型的间接预测法；

2)基于历史气象资料和同期光伏功率资料的直接预测法。

间接预测法是通过太阳能辐照强度光伏预测模型和光电转换效率模型间接对光伏发电功率进行预测，直接预测法则是根据光伏预测模型直接对光伏发电功率进行预测。

国内外对于光伏功率预测技术的研究尚处于研发阶段，目前各国结合天气预报数据对光伏功率进行了大量的研究，且取得了一定的成果。德国的lorenz等利用天气预报中心提供的未来3天辐照强度预报数据和实际光伏电站的实测数据对光伏发电量进行预测，月相对均方根误差能达到22％；西班牙的almonacid等利用神经网络求解对应的曲线，预测结果与实际光伏发电量间的相关系数高达0.998；日本的kudo等采用多元回归分析法实现对次日发电量的逐时预测，提出“实测+预报+临近修正”的预报方案；我国提出基于bp神经网络的太阳能逐时总辐射光伏预测模型，其效果优于时间序列模型，但模型的预测精度不高。

总体来看，现有的常用光伏发电量功率的预测方法主要包括：回归模型预测法、时间序列预测法、灰色预测法、支持向量机预测法和人工神经网络预测法等。神经网络算法以模仿人脑的处理过程，较其他的算法有很大的进步和自主学习优势，但同时也暴露了不少的问题。

现有的光伏电站一般使用寿命长达25年，电站日常维护不仅影响到投资收益，更关乎到广大群众的人身和财产安全。其中，现有的光伏电站运维除了日常的清洗电站周边的障碍物的清除的工作外，最主要的是对光伏组件的维护，检查逆变器、交流箱是否正常运行，若有问题需联系厂家维修。一个光伏电站的组件由许多厂商提供，在没有专业知识的情况下，很难确定电站哪里出现了问题，找不到对应的厂商，维修不及时，对电站的收益和发电效率造成影响。还有就是有些电站分散，分布在偏远地区，一旦发生故障，便很难进行运维。

技术实现要素：

本发明要解决的技术问题是提供一种基于集成学习光伏预测的智能运维方法，来预测光伏功率，指导电站的运行、维护和调度工作。

本发明为解决上述技术问题而采用的技术方案是提供一种基于集成学习光伏预测的智能运维方法，包括如下步骤：s1：对光伏监控云平台采集的电站历史光伏数据进行预处理；s2：对步骤s1处理后的数据进行特征相关性分析，确定影响发电量输出功率的强相关因素；s3：用集成学习boosting算法搭建光伏预测模型，并拟合数据；s4：训练光伏预测模型，分析模型稳定性、收敛性、时间复杂度，结合交叉验证进行模型优化；s5：将光伏预测模型嵌入光伏监控平台，实时输入采集的气象数据和辐照度，得到预测值，并与实际值进行比对，得到偏差值并设置偏差区间；s6：根据步骤s5中偏差值所在的区间，指导电站的运行维护，指导电站的运行维护。

进一步的，所述步骤s1中数据预处理包括冗余降维、缺失填补和标准化。

进一步的，所述步骤s1中历史光伏数据包括发电量、实时功率；所述数据的颗粒度为每15分钟一条。

进一步的，所述步骤s2中特征相关性分析中的特征为温度、湿度或辐照。

进一步的，所述步骤s3中采用集成学习boosting算法搭建光伏预测模型，所述boosting算法采用梯度提升方式寻找最优决策，首先在整个训练集上维护一个分布权值向量，用赋予权重的训练集通过弱分类算法产生分类假设，然后计算错误率，用得到的错误率去更新分布权值向量，对错误分类的样本分配更大的权值，正确分类的样本赋予更小的权值；每次更新后用相同的弱分类算法产生新的分类假设，所述分类假设的序列构成多分类器；对多分类器用加权的方法进行联合,最后得到决策结果。

进一步的，所述步骤s6中指导运行维护包括，偏差值小于偏差区间的范围视为正常；偏差值在偏差区间内视为光伏板需清洗，进而确定本地电站运维清洗光伏板的频次；偏差值在大于偏差区间的范围，则视为光伏板故障，然后结合系统报警进行故障分析，判断故障类型，对本地光伏组件进行提前性故障诊断，并预警。

进一步的，所述步骤s6还包括根据步骤s5中预测值与负荷用电间的相关性分析，结合储能元件的性能参数，指导电站运行调度。

本发明对比现有技术有如下的有益效果：本发明提供的基于集成学习光伏预测的智能运维方法，通过集成学习算法预测光伏功率，并把光伏预测模型嵌入光伏监控云平台，提高了电站的建设品质和降低了后期的电站运行维护成本，减少人工的投入。

附图说明

图1为本发明基于集成学习光伏预测的智能运维方法流程图；

图2为本发明实施例中通过集成学习算法搭建光伏预测模型的路线图；

图3为本发明实施例中基于集成学习光伏预测的智能运维方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步的描述。

图1为本发明基于集成学习光伏预测的智能运维方法流程图。

请参见图1，本发明提供的基于集成学习光伏预测的智能运维方法，包括如下步骤：s1：对光伏监控云平台采集的电站历史光伏数据进行预处理；s2：对步骤s1处理后的数据进行特征相关性分析，确定影响发电量输出功率的强相关因素；s3：用集成学习boosting算法搭建光伏预测模型，并拟合数据；比较分析不同算法的模型性能；s4：训练光伏预测模型，分析模型稳定性、收敛性、时间复杂度，结合交叉验证进行模型优化；s5：将光伏预测模型嵌入光伏监控平台，实时输入采集的气象数据和辐照度，得到预测值，并与实际值进行比对，得到偏差值并设置偏差区间；s6：根据步骤s5中偏差值所在的区间，指导电站的运行维护。

基于集成学习光伏预测的智能运维方法，光伏的发电量功率预测需要大量统计数据的支持，但是所统计的数据精度参差不齐，会影响模型的预测精度，因此对统计的数据进行预处理是十分必要的，所述步骤s1中数据预处理包括冗余降维、缺失填补和标准化；步骤s1中历史光伏数据包括发电量、实时功率；所述数据的颗粒度为每15分钟一条。所述步骤s2中特征相关性分析以温度、湿度、辐照为特征。

基于集成学习boosting算法搭建光伏发电量功率光伏预测模型，对于一个复杂的问题，将多个专家的判断进行适当的综合所得出的判断，要比任何一个专家单独判断好。每一步产生一个弱光伏预测模型(如决策树)，并加权累加到总模型中，可以用于回归和分类问题；如果每一步的弱光伏预测模型生成都是依据损失函数的梯度方向，则称之为梯度提升。boosting算法采用梯度提升方式寻找最优决策，首先在整个训练集上维护一个分布权值向量，用赋予权重的训练集通过弱分类算法产生分类假设，然后计算错误率，用得到的错误率去更新分布权值向量，对错误分类的样本分配更大的权值，正确分类的样本赋予更小的权值；每次更新后用相同的弱分类算法产生新的分类假设，所述分类假设的序列构成多分类器；对多分类器用加权的方法进行联合,最后得到决策结果。boosting算法思路，梯度提升算法首先给定一个目标损失函数，它的定义域是所有可行的弱函数集合(基函数)；提升算法通过迭代的选择一个负梯度方向上的基函数来逐渐逼近局部极小值。如果一个问题存在弱分类器,则可以通过提升的办法得到强分类器。

算法推导如下：给定输入向量x和输出变量y组成的若干训练样本，(x1,y1),(x2,y2),...,(xn,yn)，目标是找到近似函数使得损失函数的损失值最小。

假定最优函数即：

假定是基函数的加权和：

梯度提升方法寻找最优解使得损失函数在训练集上的期望最小。

首先，给定常函数

扩展得到

使用梯度下降的方法近似计算，将样本带入基函数f得到从而l则为向量

权值γ为梯度下降的步长，使用线性搜索求最优步长：

搭建模型步骤，初始给定的模型为常数对于m＝1到m；

计算伪残差：

使用数据计算拟合残差的基函数fm(x)；

计算步长：

更新模型：

数据反归一化

x＝(xmax-xmin)·f(x)+xmin

在进行误差分析时，科学合理的误差指标对于评估模型的预测效果是十分重要的。由于平均相对误差是误差与实际测量值的比值，其值要受实际测量值精度的影响，而光伏发电功率本身又存在一定的随机性和波动性。本发明利用平均绝对百分比误差(mape)和均方根误差(rmse)评价模型的预测性能。为避免平均绝对百分比误差为无穷大，当实际功率值为零，预测功率为零时，预测功率值不为零时，相应的误差值被舍掉。当实际功率预测功率值也为零时，相应的误差值记为零。

式中，ti为第i个采样时间点的光伏功率实际值；yi为第i个采样时间点的光伏功率预测值；n为采样时间点总数。

光伏预测模型完成，基于boosting算法完成光伏预测模型，嵌入现有的光伏监控平台，形成预测功能。将预测值与实际值进行对比，设置偏差区间，偏差值小于偏差区间的范围视为正常；偏差值在偏差区间内视为光伏板需清洗，进而确定本地电站运维清洗光伏板的频次；偏差值在大于偏差区间的范围，则视为光伏板故障，然后结合系统报警进行故障分析，判断故障类型，对本地光伏组件进行提前性故障诊断，并预警。根据预测值与负荷用电间的相关性分析，结合储能元件的性能参数，指导电站运行调度。

请参见图2，通过集成学习算法搭建光伏预测模型，首先构建因子池，将对光伏功率造成影响的因子加入因子池，包括天气参数因子、光伏组件因子和电站地理因子，然后选择集成学习boosting算法搭建模型，最后对搭建模型进行方案评估，对模型进行训练，并通过交叉验证等对模型进行优化。

请参见图3，具体的实施例中，首先选取预报气象数据、发电量、输出功率和历史辐照值为训练数据构建因子池；对数据进行预处理包括冗余降维、缺失填补和标准化，并对预处理后的数据进行特征值提取，检查异常点，分析确定故障点；根据集成学习boosting算法随机产生训练集和测试集，并构建光伏预测模型；训练模型并通过分析模型稳定性、收敛性、时间复杂度，结合交叉验证进行模型优化直到训练结束；对训练结束后的模型性能进行评价，并通过不同地区的预测模型研究迁移情况，然后保存训练结果；将光伏预测模型嵌入光伏监控平台，实时输入采集天气和辐照度参数，得到预测值，并与实际值进行比对，设置偏差区间，根据偏差区间的阈值，指导电站的运行维护。

综上所述，本发明提供的基于集成学习光伏预测的智能运维方法，通过集成学习算法预测光伏功率，并把光伏预测模型嵌入光伏监控云平台，以提高电站的建设品质和降低后期的电站运行维护成本，减少人工的投入。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。