[发明专利]一种光伏发电影响因素评价模型、构建方法及应用

说明书

本发明属于光伏发电量预测技术领域，公开了一种光伏发电影响因素评价模型、构建方法及应用。构建弹性的Spark on YARN计算集群，通过YARN对集群的资源进行管理和分配；长短期记忆神经网络算法LSTM通过建立深层的时间序列网络模型，对光伏发电影响因子数据从底层到高层逐层提取特征，实现底层信息到高层的抽象；LSTM对光伏系统发电量进行建模和预测，根据初始结果不断调整模型参数和影响因子优化模型，得出关于影响因子评价模型。本发明实现了快速低成本的光伏大数据处理平台、弹性高效的云计算集群、高准确性的光伏发电量预测模型以及对光伏发电影响因素的大数据分析，为建设新光伏电站和改进旧电站提供了智能化的参考。

技术领域

本发明属于光伏发电量预测技术领域，尤其涉及一种光伏发电影响因素评 价模型、构建方法及应用。

背景技术

目前，最接近的现有技术：据国际能源署估计，全球2030年一次能源需 求将达到177亿吨油当量，能源需求量如此巨大，而化石能源(煤、石油、天 然气等不可再生资源)的日益枯竭以及对全球气候环境的影响，使得在世界范 围内，优先大力发展可再生能源的能源革命被掀起。随着各国对太阳能光伏发 电技术的投入，目前光伏发电已经实现了产业化，太阳能光伏发电逐步成为了 电力能源的重要组成部分。光伏发电属于波动性和间歇性电源，当大规模光伏 发电接入电网后，就会产生随机发电与随机用电两组互不相关变量的实时平衡 问题，这就使得对光伏发电预测模型和效率评价指标的研究成为了必须。光伏发电预测模型就是对运行中的光伏发电诸多气候等因素进行分析，预先评估发 电量的变化情况、用来合理调度发电容量、充分利用资源，达到提高光伏并网 后电网的安全性和稳定性的目的。Spark平台是专为大规模数据处理而设计的快 速通用的计算引擎，植入于该平台下的深度学习结构可用于对数据模型权值的 优化。如果对光伏电场进行等效建模、功率预测和能量管理，那么这些功能的 实现都需要海量的历史数据作为基础。发明中提出将基于深度学习的Spark云 计算与大数据处理技术应用于间歇性能源领域，无论是对于目前间歇性能源的 发展研究还是未来国家的可持续发展，都具有非常重要的战略价值与意义。