买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：青岛理工大学

摘要：本发明公开了一种基于机器学习的光伏发电功率预测方法及其应用，属于环保节能技术领域。本发明能够计算光伏系统的实时发电量，尤其是对建筑表面为曲面的光伏建筑实时发电量的计算；此外，通过机器学习方法，本发明在计算太阳辐射量的基础上能够修正天气对发电量的影响，可以更准确地计算光伏板的实际发电量。本发明相对精确地计算平面和曲面形状的光伏板在任意时间接收到的太阳辐射量，从而计算光伏板的发电量；以此发电量为基础，进一步计算多种类型的光伏系统在它的整个生命周期内的投资收益，并搜索符合投资方利益的电价，实现降低光伏系统建设成本的策略。

主权项：1.一种基于机器学习的光伏发电功率预测方法，其特征在于，该方法包括以下步骤：S1-1：基于时角坐标系计算某一时刻太阳的位置：利用太阳时角、太阳赤纬角和当地纬度计算太阳的高度角β和方位角S1-2：在确定太阳位置后，考虑地理位置、日期、时间、大气透明度和空气质量比，计算地表太阳辐射强度；S1-3：对于平面光伏板，根据S1-1计算太阳位置，直接计算太阳光线照射到光伏板中心点时与光伏板中心法向量的夹角，再根据S2-2计算出的地面接收到的太阳辐射强度，计算出整块光伏板接收到的太阳辐射量；S1-4：对曲面光伏板进行曲面细分，计算每一块平面多边形区域与地平面的夹角和投影在地平面的方位；再根据S1-1中计算出的太阳位置，计算照射到每个平面多边形区域中心点的太阳光线与该平面中心法向量的夹角；通过计算每个平面多边形区域的中心法向量方向与太阳光线的夹角，以及S1-2中计算出的地表太阳辐射强度，能够计算出每个平面多边形区域接收到的太阳辐射量；再将所有平面多边形区域接收到的太阳辐射量相加，则得到整个曲面接收到的总太阳辐射量；S1-5：提出一个基于机器学习模型的修正实时发电功率的方法：极端随机树算法，该算法构建多个决策树#1,#2,...,#N，每棵决策树都是独立构建的；每棵树在节点分裂时随机选择一个特征子集进行分裂点的评估；每棵决策树独立地对输入数据进行预测，生成各自的预测输出；最后预测输出，所有决策树的预测输出被收集起来，然后通过平均来产生最终光伏发电功率误差修正值的预测结果；原始数据集采集的数据包括：TIME—时间，WS—风速，WD—风向，T—温度，H—湿度，PM—悬浮颗粒物，G—太阳辐射，实际发电功率Preality和预测发电功率Ppredict；以每分钟t为间隔采集气象数据与实际发电功率Preality，将气象数据作为特征值；同时，计算出S1-4中预测发电功率Ppredict与实际发电功率Preality之间每平方米的误差值修正系数λ，以这个值作为目标值；误差值修正系数的值由实际发电功率Preality，预测发电功率Ppredict和采集数据所用的光伏板的总面积计算得出，其公式如下： 此外，使用太阳辐射数据G用于量化不同时间段的天气的晴朗程度RI；将收集数据时间段中平均辐射量最高的一天的最大辐射值作为基准值，计算出时刻t的太阳辐射数据Gt与该基准值的比值，将系数RI纳入特征值之一，具体计算公式如下： 对原始数据集划分为训练集Dtrain和测试集Dtest，对特征进行归一化处理，以确保特征值在0和1之间；构建极端随机树回归算法模型，使用以下公式来描述该模型： TIMEu,WSu,WDu,Tu,Hu,PMu,RIu,分别是到达叶节点u的样本在各特征上的值，fTIMEu,WSu,WDu,Tu,Hu,PMu,RIu是一个函数，它根据叶节点u上所有样本的特征值来计算预测的误差修正系数，更具体的表达公式： 其中Su是叶节点u上的样本集合，Yz是第z个样本的误差修正系数，是叶节点u中所有样本误差修正系数的加权平均值；通过网格搜索和交叉验证调优极端随机树模型的参数，设置最佳模型参数，设置了参数用于控制森林中树木的数量，树的最大深度，以及用于考虑每个树在分裂时考虑的最大特征数；使用均方误差MSE以及平均绝对误差MAE进行模型性能评估，计算公式如下： 其中，n是样本数量，yz是第z个样本的实际值，是模型对第z个样本的预测值；最后通过多次迭代更新和训练，保存训练后的最优极端随机树模型；S1-6：每当通过S1-4计算出当前时刻光伏板的发电功率后，将当前时刻的天气数据以及光伏板的类型、光伏板的发电效率参数输入训练好的机器学习模型，该模型会输出一个针对当前时刻发电功率的修正值，再将S1-4中计算出的发电功率利用该修正值进行修正，则得出光伏板发电功率的数值。

全文数据：

权利要求：

百度查询： 青岛理工大学 基于机器学习的光伏发电功率预测方法及其应用