[发明专利]一种基于深度学习的光伏发电功率预测方法

说明书

本发明公开了一种基于深度学习的光伏发电功率预测方法，包括以下步骤：A、采集光伏发电数据并发送至存储器中存储；B、将存储的光伏发电数据进行特征提取；C、之后对特征提取后的数据进行加密；D、将加密后的数据作为BP神经网络输入，BP神经网络输出为待预测的光伏发电功率；E、最后对BP神经网络进行深度训练，即得到光伏发电预测功率，本发明采用的预测方法精度高，预测率高，采用的数据预处理方法能够实现对数据的排序、降噪、滤波数据，提高了数据后续处理效率；采用的特征提取方法中通过搜索第一关键字和第二关键字，能够降低提取难度，提高了特征提取精度；采用的加密方法能够对光伏数据进行多重加密，提高了数据的安全性和保密性。

技术领域

本发明涉及光伏发电预测技术领域，具体为一种基于深度学习的光伏发电功率预测方法。

背景技术

光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术。主要由太阳电池板(组件)、控制器和逆变器三大部分组成，主要部件由电子元器件构成。太阳能电池经过串联后进行封装保护可形成大面积的太阳电池组件，再配合上功率控制器等部件就形成了光伏发电装置。光伏发电的主要原理是半导体的光电效应。光子照射到金属上时，它的能量可以被金属中某个电子全部吸收，电子吸收的能量足够大，能克服金属内部引力做功，离开金属表面逃逸出来，成为光电子。硅原子有4个外层电子，如果在纯硅中掺入有5个外层电子的原子如磷原子，就成为N型半导体；若在纯硅中掺入有3个外层电子的原子如硼原子，形成P型半导体。当P型和N型结合在一起时，接触面就会形成电势差，成为太阳能电池。当太阳光照射到P－N结后，空穴由P极区往N极区移动，电子由N极区向P极区移动，形成电流。

随着风光伏新能源出力在电力系统发电量中渗透率的逐年提升，在缓解能源紧张、环境恶化的同时，由于光伏发电的间歇性和不稳定性，也给电网安全、可靠、经济运行带来极大挑战。准确的光伏发电功率预测对未来一定时间内的光伏出力进行预测，可为电网自动发电控制、电网调度提供科学决策依据，从而有效降低大规模光伏接入对电力系统的影响，保障电网安全和经济运行。

目前对光伏发电功率预测一般需要包含关键气象因素与辐照度的数值天气预报，并采用神经网络、分类回归、时间序列、小波分析等光伏发电功率预测算法进行预测。其中，由于神经网络算法具有鲁棒性高，非线性逼近能力强等特点，被普遍运用在在光伏发电功率预测中，但是其预测性能与输入维数、训练样本密切相关。而目前对气象因素的选择缺少理论性分析，从而导致提前确定得到的光伏发电功率误差大。

因此，如何提供一种预测精度高的光伏发电功率预测方法成为本领域技术人员亟待解决的技术问题。

发明内容

本发明的目的在于提供一种基于深度学习的光伏发电功率预测方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于深度学习的光伏发电功率预测方法，包括以下步骤：

A、采集光伏发电数据并对采集的数据进行预处理；

B、将预处理后的数据发送至存储器中存储；

C、将存储的光伏发电数据进行特征提取；

D、之后对特征提取后的数据进行加密；

E、将加密后的数据作为BP神经网络输入，BP神经网络输出为待预测的光伏发电功率，建立多组神经网络预测模型；

F、对多组神经网络预测模型进行深度训练，选取最佳性能参数所对应的神经网络预测模型作为最终的预测模型，对光伏发电功率进行预测。

优选的，所述步骤A中数据预处理方法如下：

a、对采集到的光伏发电数据进行清洗；

b、对清洗后的数据进行校验是否有缺失；

c、对校验后的数据进行校正；