申请/专利权人：华能澜沧江水电股份有限公司;中国华能集团清洁能源技术研究院有限公司;北京东润环能科技股份有限公司

申请日：2023-09-19

公开（公告）日：2024-06-18

公开（公告）号：CN117318024B

主分类号：H02J3/00

分类号：H02J3/00;H02J3/38;H02J13/00;H02S50/00;G06Q10/04;G06Q50/06;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.06.18#授权;2024.01.16#实质审查的生效;2023.12.29#公开

摘要：本申请涉及一种基于CNN神经网络的光伏发电功率预测管理方法及系统，基于CNN神经网络，训练生成覆盖光伏组件的图像数据、太阳辐射数据、随光照转动角度数据、清洁度数据、老化程度数据以及温度数据的CNN光伏发电功率预测模型，基于该模型，从多角度方位实现对光伏发电功率的预测，使得CNN模型能够考虑到更为全面的模型影响因子，使得所预测的光伏发电功率更加贴合实际，降低与实际的偏差。本方案由光伏发电总站实现对各个光伏发电子站的实时功率监测，能够在总站的监督指导下，由子站根据CNN光伏发电功率预测模型独立完成各自光伏发电功率预测的前提下，保证子站预测的独立性，避免因总站介入子站功率预测而降低子站数据的可行性。

主权项：1.一种基于CNN神经网络的光伏发电功率预测管理方法，其特征在于，包括如下步骤：在光伏发电总站的后台服务器上，构建训练数据集M{A，G，C，X，O，T}，其中：A为光伏组件的图像数据，G为太阳辐射数据，C为光伏组件的随光照转动角度数据，X为光伏组件的清洁度数据，O为光伏组件的老化程度数据，T为光伏组件的温度数据；以所述训练数据集M{S，G，C，X，O，T}作为输入，基于CNN神经网络学习输入数据的数据集特征和预测模式，生成CNN光伏发电功率预测模型，并将所述CNN光伏发电功率预测模型共享至各个光伏发电子站；采集各个光伏发电子站的实时功率监测数据，并导入所述CNN光伏发电功率预测模型，由所述CNN光伏发电功率预测模型识别并计算出各个光伏发电子站的预测功率P；其中，计算出各个光伏发电子站的预测功率P，包括：P＝A×η×G，其中：A为根据光伏组件的图像数据所识别并计算的光伏组件表面积；G为太阳辐射；η为光伏组件的效率，η＝η1×η2×η3×η4：η1为根据光伏组件的随光照转动角度数据确定的第一效率影响因子；η2为根据光伏组件的清洁度数据确定的第二效率影响因子；η3为根据光伏组件的老化程度数据确定的第三效率影响因子；η4为根据光伏组件的温度数据确定的第三效率影响因子；所述光伏组件的效率η，满足如下取值条件：η1：0.60～1.00；η2：0.50～0.90；η3：0.75～0.85；η4：0.80～0.95；η：0.18～0.72；在计算出各个光伏发电子站的预测功率P之后，还包括：判断各个光伏发电子站当前光伏组件的温度数据Tc是否超过40℃：若超过，则对所计算的预测功率P进行功率矫正：P'＝P×[1-β*×Tc-25]，其中：P'为校正后的光伏发电功率；β为温度系数；Tc为当前光伏组件的温度数据；若未超过，则放弃；通过终端机将各个光伏发电子站的预测功率P上报至光伏发电总站的后台服务器上，由后台记录并保存；包括：光伏发电总站的后台服务器，按照定时报文频率，向部署于各个光伏发电子站的所述终端机下发光伏发电功率预测指令，通知各个光伏发电子站在预设的时间段内，上报各自的预测功率P；所述终端机响应所述光伏发电功率预测指令，在计算出所属光伏发电子站的预测功率P之后，在规定的时间段内将所述预测功率P上报至光伏发电总站的所述后台服务器上；所述后台服务器接收各个光伏发电子站的所述预测功率P{P1，P2，P3......}，并将各个光伏发电子站的所述预测功率P记录并绑定在对应光伏发电子站的身份ID之下。

全文数据：

权利要求：

百度查询： 华能澜沧江水电股份有限公司;中国华能集团清洁能源技术研究院有限公司;北京东润环能科技股份有限公司 基于CNN神经网络的光伏发电功率预测管理方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD