基于大数据的预测模型训练方法、光伏发电性能检测方法

专利主权项内容

1.光伏发电性能检测方法，其特征在于，包括：获取目标发电站的环境参数、设备参数；将环境参数、设备参数输入具有最优超参数的光伏发电功率预测模型，得到该目标发电站的预测发电功率；基于该目标发电站的预测发电功率与实际发电功率，计算该目标发电站的实际发电有效率；获取目标发电站所在区域范围内的其他发电站的环境参数、设备参数；将其他发电站中每个发电站的环境参数、设备参数输入具有最优超参数的光伏发电功率预测模型，得到每个发电站的预测发电功率；基于其他发电站中每个发电站的预测发电功率和实际发电功率，计算其他发电站中每个发电站的实际发电有效率；基于其他发电站中每个发电站的实际发电有效率和目标发电站的实际发电有效率，计算目标发电站所在区域范围内的所有发电站的平均发电有效率；利用公式：发电有效率衰减率=(平均发电有效率-目标发电站的实际发电效率)/平均发电有效率×100%，计算发电有效率衰减率；当发电有效率衰减率大于衰减阈值时，则确定该目标发电站的发电效率存在异常；所述具有最优超参数的光伏发电功率预测模型的训练过程如下：基于第一训练集对LSTM公共模型进行模型训练，基于若干第二训练集分别对若干LSTM独立模型进行训练；利用第一损失函数对LSTM公共模型以及若干LSTM独立模型进行预测判断，将预测结果最优的模型确定为光伏发电功率预测模型；在此模型训练过程中，LSTM公共模型和若干LSTM独立模型的超参数相同且不变；基于测试集对光伏发电功率预测模型进行超参数训练；利用第二损失函数对光伏发电功率预测模型进行预测判断，将预测结果最优时的超参数确定为最优超参数；输出训练好的具有最优超参数的光伏发电功率预测模型；其中，所述第一训练集为一定区域范围内所有发电站发电设备的训练集，第二训练集为一光伏发电站发电设备的训练集；所有第二训练集构成第一训练集；所述测试集为一定区域范围内所有发电站发电设备的测试集；所述第一训练集、所述第二训练集、所述测试集均包括发电设备的历史发电功率、设备参数以及发电站的环境参数；设备参数和环境参数为LSTM公共模型或LSTM独立模型的输入，LSTM公共模型或LSTM独立模型的输出为预测发电功率；所述第一训练集、所述第二训练集、所述测试集的形成过程如下：采集一定区域范围内所有发电站的数据，包括发电设备的历史发电功率和设备参数，以及发电站的环境参数；对采集的数据进行预处理，将处理后的设备参数以及环境参数构成输入矩阵，将处理后的历史发电功率构成输出矩阵；将输入矩阵和输出矩阵均划分出部分分别作为训练集和测试集；将训练集分为第一训练集和第二训练集；所述基于第一训练集对LSTM公共模型进行模型训练，基于若干第二训练集分别对若干LSTM独立模型进行训练；利用第一损失函数对LSTM公共模型以及若干LSTM独立模型进行预测判断，将预测结果最优的模型确定为光伏发电功率预测模型，包括：将第一训练集中的设备参数和环境参数输入LSTM公共模型进行迭代训练， LSTM公共模型输出预测发电功率；将每个第二训练集中的设备参数和环境参数输入对应的LSTM独立模型进行迭代训练， LSTM独立模型输出预测发电功率；利用所述第一损失函数计算LSTM公共模型的预测发电功率与第一训练集中的历史发电功率的均方误差值，计算每个LSTM独立模型的预测发电功率与第二训练集中的历史发电功率的均方误差值，将均方误差值最小的模型确定为光伏发电功率预测模型；所述基于测试集对光伏发电功率预测模型进行超参数训练；利用第二损失函数对光伏发电功率预测模型进行预测判断，将预测结果最优时的超参数确定为最优超参数，包括：利用网格搜索算法，遍历存储有多个超参数取值的网格，得到超参数组合；将每一个超参数组合作为光伏发电功率预测模型的超参数，将测试集的设备参数和环境参数输入光伏发电功率预测模型，光伏发电功率预测模型输出预测发电功率；利用第二损失函数计算每一个超参数组合下的光伏发电功率预测模型的预测发电功率与测试集中的历史发电功率的平均相对误差值，将平均相对误差值最小的光伏发电功率预测模型的超参数组合确定为最优超参数；所述设备参数包括设备类型、设备规模、设备年限、设备安装角度；所述环境参数包括：温度、湿度、光照强度；所述超参数包括LSTM层数、记忆时长、学习率、神经单元层数。