[发明专利]主成分分析法和Resnet网络的光伏设备发电量损耗预测方法

说明书

本发明提供了主成分分析法和Resnet网络的光伏设备发电量损耗预测方法，包括以下步骤：S1数据处理：计算不同光伏设备类型的设备类型指数，并获取影响光伏设备发电量损耗的因素；S2预测评估模型的建立：在所述影响光伏设备发电量损耗的因素中，通过主成分分析法构建主成分因素，并以主成分因素为模型输入参数，依据Resnet网络方法构建，分别构建主体序列预测评估模型和细节序列预测评估模型；S3预测日前一天数据的获取：获取预测日前一天光伏设备发电量耗损序列，并其分解成主体部分和细节部分；S4序列值的输出：利用预测评估模型预测，得到主体部分预测值和细节部分预测值；S5预测值的获得：将两个预测值利用小波重构，得到光伏设备发电量损耗的预测值。

技术领域

本发明属于光伏设备发电量耗损预测技术领域，特别涉及主成分分析法和Resnet网络的光伏设备发电量损耗预测方法。

背景技术

太阳能光伏发电技术是利用半导体材料的光电效应直接将太阳能转换为电能。光伏发电具有不消耗燃料、不受地域限制、规模灵活、无污染、安全可靠、维护简单等优点。并网光伏发电系统是光伏发电系统的主流趋势。大规模光伏并网发电是充分利用太阳能的一种有效方式，目前大规模的光伏并网系统已经得到大量应用。

随着光伏并网系统的大量应用，光伏场站建设数量快速上升，新能源企业在光伏场站产生的经济效益及运维成本方面愈加关注，而经济效益及运维成本有效管控的核心在于能否使光伏设备发电效益最大化，设备运维成本最小化，解决问题的核心主要在于有效识别光伏设备发电量损耗情况及设备健康状态，尽可能保证光伏设备的健康运转，实现发电效益最大化。基于以上问题，目前亟需提出一种有效预测光伏设备发电量损耗的方法，同时反推设备健康状态，精准定位异常设备，为企业提升光伏场站经济效益和管控运维成本提供技术支撑。

传统的光伏设备发电量损耗预测主要分为数学统计预测方法和人工智能预测方法，设备健康状态识别则主要基于光伏支路电流、电压的离散率、偏差率、汇流箱温度和逆变器转换效率等进行判断。目前，将光伏发电量损耗与设备健康状态识别相结合的研究方法较少，且现有研究方法都有其固有的优缺点，并未出现一种公认的理想的智能算法来解决以上问题，因此，将各种智能算法融合起来，构成混合算法是提高光伏发电量损耗预测及识别设备健康状态的一个有效尝试方向。

由于光伏设备数量较多，从箱变、逆变器到汇流箱的设备数量庞大，人工识别设备电量损耗繁杂，定位异常设备困难，导致新能源企业对光伏场站的经济效益及运维成本难以管控。同时，长时间的光伏设备发电量损耗及设备异常很可能造成安全风险。

发明内容

本发明提供了主成分分析法和Resnet网络的光伏设备发电量损耗预测方法，以找到一种提高光伏设备发电量损耗预测精度及设备健康状态识别的方法。

为了实现上述技术效果，本发明通过以下技术方案予以实现。

主成分分析法和Resnet网络的光伏设备发电量损耗预测方法，包括以下步骤：

S1数据处理：计算不同光伏设备类型的设备类型指数，并获取影响光伏设备发电量损耗的因素；

S2预测评估模型的建立：在所述影响光伏设备发电量损耗的因素中，通过主成分分析法构建主成分因素，并以主成分因素为模型输入参数，依据 Resnet网络方法构建，分别构建主体序列预测评估模型和细节序列预测评估模型；

S3预测日前一天数据的获取：获取预测日前一天光伏设备发电量耗损序列，并利用基于集合经验模态分解法将其前一日光伏设备发电量耗损序列分解成主体部分和细节部分；

S4序列值的输出：分别对主体部分和细节部分，利用对应的预测评估模型预测，得到主体部分预测值和细节部分预测值；

S5预测值的获得：将主体部分预测值和细节部分预测值利用小波重构，得到光伏设备发电量损耗的预测值，进而得到预测日光伏设备发电量损耗序列预测值。