opta球员大数据预测胜负_科技管理 | 一种应用大数据技术的光伏发电量预测的系统...

最新推荐文章于 2023-02-23 10:19:34 发布

面小团

最新推荐文章于 2023-02-23 10:19:34 发布

阅读量527

点赞数

文章标签： opta球员大数据预测胜负

本文链接：https://blog.csdn.net/weixin_36076139/article/details/112157970

版权

推荐单位：上海两吉新能源投资有限公司

本文作者：杨洋

摘要：光伏发电的大规模发展给发电企业对于场站的管理带来了极大挑战，发电量预测涉及到制定运维检修计划、评估投资损益等诸多事宜，随着电力市场进一步开放，高准确率的预测结果对于新能源场站越发重要。本文提出一种应用大数据技术的光伏发电量预测的方法及系统(BDPSPG)来提高发电量预测结果。

引言

传统的发电量预测方法主要针对单个光伏组件进行测算，只考虑到气象因素对于发电量的影响而未考虑到设备本身对于发电量的影响，如若设备发生故障或者被更换，那么基于传统方法的预测结果可能会失去参考价值。

现今是大数据的时代，在电力领域中，大数据是企业深化应用、强化集团企业管控的有力技术手段，运用大数据技术可以在一定程度上提高发电量的预测精度，故本文提出了一种应用大数据技术的光伏发电量预测的方法及系统(BDPSPG)来改善传统功率预测方法。

1BDPSPG光伏发电预测模型

BDPSPG 运用机器学习算法并结合统计学对光伏电站所在地的气象历史数据进行收集，然后针对光伏电站建立其独立的发电量预测模型，模型的构建主要依靠历史发电量、辐射量和温度等数值。模型建成后，导入气象数据进行测算即可得到预测发电量值。

BDPSPG 将利用光伏场站的历史数据不断训练模型，随着历史数据库不断补充，模型会适应数据而不断更新，从而能够更好地掌握光伏电站的运行状态，给出精确度更高的预测发电量数值。

1.1 SPPWG 实施流程

1.1.1 输入需要预测的光伏电站，然后 BDPSPG会根据所提交的信息从数据库中调出对应光伏电站的所有数据。

1.1.2 BDPSPG 结合统计学对数据进行预处理，包括标准化数据、去除坏值等。

1.1.3 数据预处理后，BDPSPG 利用机器学习方法、采用回归模型算法和神经网络算法建立光伏场站其独有的发电量预测模型。所有经预处理的数据将分为训练集和测试集，比例可为 8：2。训练后，BDPSPG 将对模型的预测结果进行对比评估，并返回调整判定系数值，最后选取判定系数最高的模型来做预测。

1.1.4 BDPSPG 会提供短期和长期发电量预测两种类型进行选择。

1.1.4.1 短期发电量预测

BDPSPG 根据气象台的预测数据计算后可以给出实时预报，形成实时发电量和预测发电量的对比曲线。与传统的功率预测相比，BDPSPG 的预测会更贴近光伏组件和整个场站的实际状态，得到的预测发电量准确率也会更高。

1.1.4.2 中长期发电量预测

BDPSPG 根据气象台的数值预报数据对光伏场站中长期发电量进行综合分析及预测。将未来一段时间内的气象预报数据输入到模型中，BDPSPG 会给出一个日平均发电量的预测值，然后根据时长作累积就可以得到未来这一段时间的总预测发电量。

1.1.5 BDPSPG 可以同时对多个光伏场站进行发电量预测。

1.2 BDPSPG 工作流程图

图 1 BDPSPG 工作流程图

2实例应用分析

本文选取了两个不同地区、不同类型的光伏电站作为 BDPSPG 的实施例。考虑到中长期预测更加有代表性，故对这两个实施例进行了每月发电量的预测。

2.1 河北某山地光伏电站

图 2、3 河北某山地光伏电站发电量预测值与实际值比较

模型返回判定值：。判定值0.9476763 极为接近 1，模型的精确度较高。由结果来看，预测值准确率均在 96%以上，随着数据库数据不断补充，预测值与实际值的误差可以控制在2%以下。

2.2 江苏某分布式光伏电站

图 4、5 江苏某分布式光伏电站发电量预测值与实际值比较

模型返回判定值：。判定值0.9195916 接近于 1，模型的精确度较高。由结果来看，预测值准确率均在 92%以上，随着数据库数据不断补充，预测值与实际值的误差可以控制在 3%以下。

由上述结果可以看出 BDPSPG 对于不同类型、地区的光伏电站均适用。在保证数据源精确度的前提下，随着历史数据的增加预测模型将不断自我完善，预测结果的精确度也将进一步提高。

3总结

大数据时代给信息化需求程度很高的电力行业带来了机遇，同样也带来了挑战。现阶段，大数据分析技术在电力行业应用的规模和深度仍然较低。运用 BDPSPG 可以在很大程度上提高发电量的预测精确度，帮助发电企业更好地制定运维检修计划、评估光伏场站综合发电能力、做好电力交易决策和利润预测，为新能源场站科学、科技化管理提供保障。

参考文献

[1] 张国歌.大数据对电力企业的影响[J].信息与电脑，2015(2)：80-81.