[發明專利]一種光伏發電影響因素評價模型、構建方法及應用

在審

• 申請號: 202010035167.7
• 申請日: 2020-01-14
• 公開（公告）號: CN111260206A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 周杭霞;周郅皓;楊凌帆;劉倩;胡強
• 申請（專利權）人: 中國計量大學
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q10/04;G06Q50/06;G06N3/04;G06N3/08;G06F16/27
• 代理公司: 重慶市信立達專利代理事務所(普通合伙) 50230
• 代理人: 陳炳萍

1.一種光伏發電影響因素評價模型，其特征在于，采用Spearman相關系數分析各個相關因素與光伏發電功率之間的相關性，并且找出相關性最高的幾個因素，Spearman相關系數計算：

其中，Y為與各個因素之間的相關性，d_i表示兩個變量分別排序之后的變量位置差，N為變量個數，變量包括日期、溫度、天氣；當相關系數Y越接近1時，表明兩個變量的相關性越大，預測時的參考價值越高；越接近0時，表示預測時的參考價值越低；

所述光伏發電影響因素評價模型將光伏電站的歷史數據處理之后分成訓練集和驗證集，在訓練集上對以LSTM為基礎的網絡算法進行訓練，采用平均絕對百分誤差MAPE在驗證集上對訓練后的兩種網絡模型進行評價，根據結果優化網絡參數和調整主要因子，得出最優模型，并得到對光伏發電影響最大的影子，MAPE公式：

式中observed_t為t時刻的真實值，predicted_t為t時刻預測值。

2.一種如權利要求1所述光伏發電影響因素評價模型的構建方法，其特征在于，所述光伏發電影響因素評價模型的構建方法基于Scala語言和Spark RDD實現深度學習網絡算法，借助Scala語言和Spark RDD的分布式算子對傳統LSTM進行重新編碼和改進，通過建立深層的時間序列神經網絡模型，對日期、溫度、天氣的數據從底層到高層逐層提取特征，實現底層信息到高層的抽象；使用GB級別的光伏系統數據集對LSTM在Spark集群上和單一主機下運行的效率和結果進行比較。

3.一種使用權利要求1所述光伏發電影響因素評價模型的Spark平臺下的光伏發電量預測和發電效率評價系統，其特征在于，所述Spark平臺下的光伏發電量預測和發電效率評價系統包括：

數據源層，用于實現光伏發電系統的歷史數據和每天產生的記錄數據存儲在MySQL、Oracle關系型數據庫構成數據源層；

數據傳輸層，用于實現數據在關系型數據庫和HDFS之間的傳輸；

數據存儲層，用于存儲光伏發電系統大量的歷史數據、每日新增的數據和數據計算分析產生的大量中間數據；

數據處理層，用于為上層數據分析提供計算支持；

數據分析層，用于利用大量的歷史數據對光伏發電量建立模型；根據當前光伏發電的各種影響因素，通過光伏發電量模型來對發電量做出預測；預測的結果通過數據可視化技術呈現給管理者，管理者對電網進行調度。

4.一種運行權利要求3所述的光伏發電量預測和發電效率評價系統的光伏發電量預測和發電效率評價方法，其特征在于，所述的光伏發電量預測和發電效率評價方法包括以下步驟：

步驟一，在公有云平臺上構建彈性的Spark on YARN計算集群，通過YARN對集群的資源進行管理和分配；

步驟二，使用分布式文件系統HDFS存儲光伏系統的海量數據，通過Sqoop實現關系型數據庫和HDFS之間數據的傳輸；

步驟三，利用Hbase快速隨機訪問數據的能力和HDFS存儲大規模數據的能力，為上層的Spark快速數據處理提供支持，通過Zookeeper協調多個分布式進程之間的活動；

步驟四，在Spark平臺下基于Scala語言和Spark RDD實現以LSTM為基礎的深度學習網絡算法，通過建立深層的神經網絡模型，對日期、溫度、天氣等數據從底層到高層逐層提取特征；

步驟五，通過步驟四建立的模型對光伏系統發電量進行建模和預測，評價算法的預測可靠性，在GB級的光伏系統數據集上與傳統單機模式下運行該算法進行對比分析，通過數據可視化技術將發電量預測值實時呈現給管理者；

步驟六，在海量數據集上分析影響光伏系統發電效率的各種因素，產生各種因素對發電量影響程度的報表，實現對光伏發電系統的效率評價及結果呈現。