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：莫毓昌

摘要：本发明涉及清洁能源利用技术领域，公开了一种清洁能源发电功率预测方法和系统。该清洁能源发电功率预测方法包括如下步骤：S1、对清洁能源发电设备工况数据进行实时监测和数据采集，通过安装在清洁能源发电设备中的电能表，实时监测并采集发电设备的功率输出数据；S2、从历史监测数据序列中，构造高质量数据样本，用于训练功率输出机器学习模型。本发明提供了一种清洁能源发电功率预测方法和系统,可进行高质量训练样本提取，剔除异常数据样本干扰，针对不同情况的工况特征，采取相应的预测手段，提升预测精度。

主权项：1.一种清洁能源发电功率预测方法，其特征在于，包括如下步骤：S1、对清洁能源发电设备工况数据进行实时监测和数据采集，通过安装在清洁能源发电设备中的电能表，实时监测并采集发电设备的功率输出数据，记功率输出数据为Pt；{P1，P2，…，Pt}是功率输出历史监测数据序列；通过安装在清洁能源发电设备工作环境中的各类传感器，实时监测发电设备工况特征并采集工况特征数据，记工况特征数据为X1t，X2t，…，XMt，M是能够采集的工况特征数量，其中，{XM1，XM2，…，XMt}是工况特征XM历史监测数据序列；对于光伏发电设备，工况特征数据包括工作地点的辐照度、温度、湿度、季节、天气类型的数据；对于风力发电设备，工况特征数据包括工作地点的空气流速、空气流向、空气密度、气压、温度的数据；S2、从历史监测数据序列中，构造高质量数据样本，用于训练功率输出机器学习模型，其中，包括获得高质量训练样本集、构建多层神经网路和训练功率输出机器学习模型，具体操作如下：S21、获得高质量训练样本集：对于任意一个工况数据序列Xh＝{X1h，X2h，…，XMh}，h＝1,2,…,t；查找和Xh相邻的工况数据序列Xw，所谓的相邻满足下列条件：任意q＝1，2，…，M，|Xqh-Xqw|STDXQR其中，STDXQ为工况特征Xq历史监测序列的样本标准差，R是用户自行设置的阈值；如果找到的相邻监测数据序列数量U大于K，K是用户自行设置的阈值；则这U个工况数据序列对应的功率输出数据序列记为，Ph＝{Ph1,Ph2，…，Phu}若满足|min{Ph}–max{Ph}|STDPR其中，STDP为Ph的样本标准差；则工况数据序列Xh和功率输出数据序列Ph的均值MEANPh，作为一个高质量训练样本{Xh，MEANPh}，放入高质量训练样本集；S22、构建多层神经网路：高质量训练样本集的工况数据作为输入，高质量训练样本集的功率输出数据作为输出，构建一个多层神经网络；多层神经网络包括一个输入层、两个隐藏层和一个输出层；多元神经网络的输入层，包括M个输入，分别来自于训练样本的M个工况特征X1，…，XM；多元神经网络的第一隐藏层，包括P个神经元，计算公式为，O1＝reluw1·x+b1；其中，x为多层神经网络的输入；w1为权值矩阵；b1是偏置；O1是第一隐藏层P维的输出向量；多元神经网络的第二隐藏层，包括Q个神经元，计算公式为，O2＝reluw2·O1+b2；其中，w2为权值矩阵；b2是偏置；O2是第二隐藏层Q维的输出向量；多元神经网络的输出层，包括1个神经元，计算公式为，y＝reluw3·O2+b3其中，w3为权值矩阵；b3是偏置；y为输出层的输出向量，其包括1个输出，该输出对应训练样本的功率输出；S23、训练功率输出机器学习模型：使用梯度下降神经网络训练算法，训练多层神经网络，更新多层神经网络的参数，具体包括如下步骤：S231、网络进行权值的初始化；S232、输入数据经过两个隐藏层的向前传播得到输出值；S233、求出网络的输出值与目标值之间的误差；S234、当误差大于给定阈值D时，将误差传回网络中，依次求得两个隐藏层的误差；当误差等于或小于给定阈值D时，结束训练；S235、根据求得误差进行权值更新，而后返回到步骤S232；S3、针对当前安装在清洁能源发电设备工作环境中的各类传感器所采集的工况特征数据X1T，X2T，…，XMT，预测当前发电设备的功率输出P*T，具体操作如下：S31、在步骤S21构造的训练集中，利用步骤S21中查找相邻工况数据序列的方法，查找当前工况数据序列XT＝{X1T，X2T，…，XMT}的相邻的工况数据序列Xw，根据不同查找结果分为如下三种流程：S311、如果在步骤S21构造的训练集中找到当前工况数据序列XT的相邻工况数据序列数量U大于2，则选择与当前工况数据序列XT距离最近的相邻的工况数据序列Xw＇，工况数据序列Xw＇对应的功率输出Pw＇作为当前发电设备功率输出的预测值P*T；S312、如果没有在步骤S21构造的训练集中找到和XT相邻的工况数据序列，此时在历史监测数据序列中，从当前第T个工况数据开始前溯一段L长的工况数据序列：XLT＝{XT-L，XT-L-2，…，XT-2，XT-1}，及其对应的功率输出数据序列PLT＝{PT-L，PT-L-2，…，PT-2，PT-1}，在历史监测数据序列中，查找与当前工况数据序列XLT相似的工况数据序列XLt，其中，XLt＝{Xt-L，Xt-L-2，…，Xt-2，Xt-1}；工况数据序列XLt和XLT相似，需要满足的条件是：XLt中的任意元素Xt-i和XLT中的对应元素XT-i是相邻的，相邻判断的方法利用步骤S21中查找相邻工况数据序列的方法；将找到的第一个相似的工况数据序列，记为XLt*，XLt*是离当前时间点T最近的工况数据序列；利用工况数据序列Xt*对应的功率输出Pt*作为当前发电设备功率输出的预测值P*T；S313、历史监测数据序列中没有找到与当前工况数据序列XLT相似的工况数据序列，此时可以利用步骤S2构造的功率输出机器学习模型输出预测值，其具体操作如下:将当前工况数据序列XT＝{X1T，X2T，…，XMT}输入到训练好的多层神经网络中，经过神经网络的计算，得到当前发电设备功率输出的预测值P*T；S4、根据步骤S3输出的当前发电设备功率输出的预测值，可以进行异常检测和报警，其具体操作如下：根据预测模块输出的预测值P*T和监测到实际功率输出值PT，通过是否是近邻来判断当前监测值是否异常，若满足|P*T–PT|STDPR，则是近邻，判断没有异常发生；否则判断有异常发生隐患，生成报警信息短信，并发送至运维管理人员，请求运维管理人员对发电设备进行巡检，消除故障隐患。

全文数据：

权利要求：

百度查询： 莫毓昌 一种清洁能源发电功率预测方法和系统