一种发电数据的预测方法、装置及电子设备

技术领域

本发明涉及数据预测领域，更具体的说，涉及一种发电数据的预测方法、装置及电子设备。

背景技术

分布式光伏技术是一种新兴的能源技术，可以满足能源需求，减少温室效应，同时提高电源的可靠性。为了实现分布式光伏技术，需要在不同的地方分散设置分布式光伏电站。

分布式光伏电站在运行的过程中，需要进行发电控制，为了实现分布式光伏电站的发电控制，需要对分布式光伏电站的发电数据进行预测，并基于预测的发电数据进行发电控制。在进行发电预测时，对于未设置通讯设备或者是通讯设备频繁故障的电站，控制器无法通过通讯设备获取到该电站的历史发电数据，进而无法实现该电站的发电数据的预测以及无法实现该电站的发电控制。

发明内容

有鉴于此，本发明提供一种发电数据的预测方法、装置及电子设备，以解决对于未设置通讯设备或者是通讯设备频繁故障的电站，无法实现该电站的发电数据的预测以及无法实现该电站的发电控制的问题。

为解决上述技术问题，本发明采用了如下技术方案：

一种发电数据的预测方法，应用于控制器，所述预测方法包括：

在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定所述目标电站对应的标杆电站，并确定各个所述标杆电站的平均出力数据；所述标杆电站为所述控制器能够获取到发电数据的电站；

基于所述平均出力数据以及预设标杆电站筛选规则，从所述标杆电站中确定出所述目标电站对应的目标标杆电站，并获取所述目标标杆电站的历史发电数据；

根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据。

可选地，确定所述目标电站对应的标杆电站，包括：

获取所述目标电站预设距离范围内、且与所述目标电站属于同一区域的标杆电站，并确定为备选标杆电站；

获取各个所述备选标杆电站的历史发电数据以及电站属性信息；

基于所述历史发电数据、所述电站属性信息以及有效电站筛选规则，从所述备选标杆电站中筛选出有效标杆电站，并确定为所述目标电站对应的标杆电站。

可选地，基于所述平均出力数据以及预设标杆电站筛选规则，从所述标杆电站中确定出所述目标电站对应的目标标杆电站，包括：

获取各个所述标杆电站的单个采集时间间隔的出力数据；

基于所述出力数据以及所述标杆电站的电站属性信息，计算各个所述标杆电站的平均出力系数；

筛选出平均出力系数最大的标杆电站，并确定为所述目标电站对应的目标标杆电站。

可选地，根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据，包括：

基于所述目标标杆电站的历史发电数据以及第一线性数据预测模型，预测所述目标电站的线性发电数据；

基于所述目标标杆电站的历史发电数据以及第二线性数据预测模型，预测所述目标电站的非线性发电数据；

将所述线性发电数据和所述非线性发电数据进行整合，得到所述目标电站的发电数据。

可选地，在所述目标电站有对应的目标标杆电站的情况下，还包括：

获取所述目标电站的目标标杆电站的每一预设时间间隔的实际平均输出功率以及预测平均输出功率；

计算所述实际平均输出功率以及所述预测平均输出功率的偏差值；

判断所述偏差值是否大于预设阈值；

若大于，则确定当前时刻之前的每一天的所述预设时间间隔的所述目标标杆电站的功率值的平均值，并基于所述平均值与所述实际平均输出功率的比对结果，确定所述目标电站的异常检测结果。

一种发电数据的预测装置，应用于控制器，所述预测装置包括：

电站确定模块，用于在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定所述目标电站对应的标杆电站，并确定各个所述标杆电站的平均出力数据；所述标杆电站为所述控制器能够获取到发电数据的电站；

数据确定模块，用于基于所述平均出力数据以及预设标杆电站筛选规则，从所述标杆电站中确定出所述目标电站对应的目标标杆电站，并获取所述目标标杆电站的历史发电数据；

数据预测模块，用于根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据。

可选地，所述电站确定模块包括：

电站获取子模块，用于获取所述目标电站预设距离范围内、且与所述目标电站属于同一区域的标杆电站，并确定为备选标杆电站；

信息获取子模块，用于获取各个所述备选标杆电站的历史发电数据以及电站属性信息；

电站确定子模块，用于基于所述历史发电数据、所述电站属性信息以及有效电站筛选规则，从所述备选标杆电站中筛选出有效标杆电站，并确定为所述目标电站对应的标杆电站。

可选地，所述数据确定模块包括：

数据获取子模块，用于获取各个所述标杆电站的单个采集时间间隔的出力数据；

系数计算子模块，用于基于所述出力数据以及所述标杆电站的电站属性信息，计算各个所述标杆电站的平均出力系数；

电站筛选子模块，用于筛选出平均出力系数最大的标杆电站，并确定为所述目标电站对应的目标标杆电站。

可选地，所述数据预测模块包括：

第一预测子模块，用于基于所述目标标杆电站的历史发电数据以及第一线性数据预测模型，预测所述目标电站的线性发电数据；

第二预测子模块，用于基于所述目标标杆电站的历史发电数据以及第二线性数据预测模型，预测所述目标电站的非线性发电数据；

数据整合子模块，用于将所述线性发电数据和所述非线性发电数据进行整合，得到所述目标电站的发电数据。

一种电子设备，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定所述目标电站对应的标杆电站，并确定各个所述标杆电站的平均出力数据；所述标杆电站为所述控制器能够获取到发电数据的电站；

基于所述平均出力数据以及预设标杆电站筛选规则，从所述标杆电站中确定出所述目标电站对应的目标标杆电站，并获取所述目标标杆电站的历史发电数据；

根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据。

相较于现有技术，本发明具有以下有益效果：

本发明提供了一种发电数据的预测方法、装置及电子设备，在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定出所述目标电站对应的目标标杆电站，并根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据。即本发明中，在待进行发电数据预测的目标电站为未设置通讯设备或者是通讯设备频繁故障的电站时，可以使用其对应的目标标杆电站的历史发电数据，来预测所述目标电站的发电数据，实现了未设置通讯设备或者是通讯设备频繁故障的电站的发电数据的预测，进而实现电站的发电控制。进一步，本发明还能够在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定出目标电站的目标标杆电站，以辅助目标电站的发电数据的预测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的一种发电数据的预测方法的方法流程图；

图2为本发明实施例提供的另一种发电数据的预测方法的方法流程图；

图3为本发明实施例提供的再一种发电数据的预测方法的方法流程图；

图4为本发明实施例提供的一种发电数据的预测场景示意图；

图5为本发明实施例提供的一种发电数据的预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

自21世纪初以来，能源问题再次引起了世界各国的关注。对石油、煤炭和天然气等化学燃料的需求急剧上升，促使人们更多地考虑资源问题对可持续发展的影响，以及关注人类活动对全球气候变化的影响。分布式光伏技术是一种新兴的能源技术，可以满足能源需求，减少温室效应，同时提高电源的可靠性。因此，分布式光伏电站是解决世界能源问题的重要解决方案。

分布式光伏电站具有规模小，部署分散，设备数量众多的特点，然而这给电站运维工作带来了许多困难。

以示范系统中包括的100多座户用光伏发电系统为例，有部分电站未设置通讯设备或者是通讯设备频繁故障，远程设备，如控制器无法通过通讯设备远程获取到该电站的历史发电数据，进而无法实现该电站的发电数据的预测以及无法实现该电站的发电控制。

为了解决这个技术问题，发明人经过研究发现，对于在实时监测中获取数据不完整的光伏电站或设备和通讯故障频发的电站，可以通过远程监控的采用虚拟采集方式与发电量预测来实现电站的智能运维。具体的，在待进行发电数据预测的目标电站为未设置通讯设备或者是通讯设备频繁故障的电站时，可以使用其对应的目标标杆电站的历史发电数据，来预测所述目标电站的发电数据，实现了未设置通讯设备或者是通讯设备频繁故障的电站的发电数据的预测，进而实现电站的发电控制。进一步，本发明还能够在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定出目标电站的目标标杆电站，以辅助目标电站的发电数据的预测。

具体的，在上述内容的基础上，本发明的另一实施例提供了一种发电数据的预测方法，应用于控制器，本实施例中的控制器可以是上述的远程控制器。参照图1，发电数据的预测方法可以包括：

S11、在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定所述目标电站对应的标杆电站，并确定各个所述标杆电站的平均出力数据。

所述标杆电站为所述控制器能够获取到发电数据的电站。

在实际应用中，对于一目标电站，该目标电站未设置通讯设备或者是通讯设备频繁故障，若是该目标电站是需要进行发电数据预测的电站，则需要判断其是否有对应的标杆电站，本实施例中，将目标电站对应的标杆电站称为目标标杆电站。

若是有对应的目标标杆电站，则直接使用目标标杆电站的历史发电数据进行发电数据预测，将预测的结果作为目标电站的发电预测结果。若是没有对应的目标标杆电站，则首先需要确定对应的目标标杆电站，然后在使用目标标杆电站的历史发电数据，进行发电数据的预测，并将预测的结果作为目标电站的发电预测结果。

在实际应用中，参照图2，确定所述目标电站对应的标杆电站，可以包括：

S21、获取所述目标电站预设距离范围内、且与所述目标电站属于同一区域的标杆电站，并确定为备选标杆电站。

在实际应用中，为实现对数据不完整，通讯故障频发电站的数据虚拟采集，使用智能算法对缺失数据进行预处理。基于示范系统中包括的100多座户用光伏发电系统，未实现远程监控的采用虚拟采集算法来实现电站虚拟接入。本实施例中的虚拟采集算法是指确定并使用标杆电站的历史发电数据。

首先寻找目标电站在1km×1km范围内已实现远程监控的标杆电站，根据具体情况空间距离最大可扩展到3km×3km。然后筛选出与待测电站同区域网格的有效标杆电站，这些电站被称为备选标杆电站。其中，本实施例中的1km×1km或3km×3km，称为预设距离范围。

S22、获取各个所述备选标杆电站的历史发电数据以及电站属性信息。

本实施例中的，获取每家备选标杆电站的历史发电数据，如至少一个月电站日发电量、日峰值功率等数据。

另外，还需要获取备选标杆电站的电站属性信息，如电站装机容量等。

S23、基于所述历史发电数据、所述电站属性信息以及有效电站筛选规则，从所述备选标杆电站中筛选出有效标杆电站，并确定为所述目标电站对应的标杆电站。

具体的，根据筛选出有效电站的历史最大功率检测判断备选标杆电站登记的电站装机容量是否正确，即C＜1000P

S12、基于所述平均出力数据以及预设标杆电站筛选规则，从所述标杆电站中确定出所述目标电站对应的目标标杆电站，并获取所述目标标杆电站的历史发电数据。

在实际应用中，上述确定的标杆电站的数量可能不止一个，此时需要从多个标杆电站中筛选出一个标杆电站，并确定为目标标杆电站，保证待测的目标电站对应的目标标杆电站的数量唯一。

在实际应用中，参照图3，“基于所述平均出力数据以及预设标杆电站筛选规则，从所述标杆电站中确定出所述目标电站对应的目标标杆电站”可以包括：

S31、获取各个所述标杆电站的单个采集时间间隔的出力数据。

在实际应用中，各个所述标杆电站的平均出力数据是指标杆电站的时间间隔T内某瞬时实际出力以及电站装机容量。

S32、基于所述出力数据以及所述标杆电站的电站属性信息，计算各个所述标杆电站的平均出力系数。

其中，标杆电站的平均出力系数是指单个采集时间间隔T内的平均出力系数，平均出力系数的计算过程如下：

根据电站装机容量，计算上述标杆电站单个采集时间间隔T内的平均出力系数

S33、筛选出平均出力系数最大的标杆电站，并确定为所述目标电站对应的目标标杆电站。

具体的，按照平均出力系数数值由大到小的顺序进行排名，筛选出平均出力系数最大的标杆电站，作为目标标杆电站。

S13、根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据。

在实际应用中，控制器使用SARIMA和SVR的混合模型来预测电站的理论平均输出功率。其中，SARIMA模型为第一线性数据预测模型，用于拟合平均输出功率值的线性部分，SVR模型为第二线性数据预测模型，用于弥补由多个复杂因素造成的非线性误差，再使用目标标杆电站的同时刻数据辅助预测。

在根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据时，具体实现过程为：

1)基于所述目标标杆电站的历史发电数据以及第一线性数据预测模型，预测所述目标电站的线性发电数据；

2)基于所述目标标杆电站的历史发电数据以及第二线性数据预测模型，预测所述目标电站的非线性发电数据；

3)将所述线性发电数据和所述非线性发电数据进行整合，得到所述目标电站的发电数据。

具体的，假设待测的目标电站在t时刻的预测发电量为Y

其中，SARIMA模型是目前应用最广泛的单变量时间序列数据预测方法之一，它的公式可以写为φ

SVR是一种线性回归模型，它着重于找到一个平坦的与数据近似的超平面。与普通的线性回归类似，它的公式为

本发明的一实现方式中，通过实验验证了上述的SARIMA+SVR模型的数据准确度，具体的，参照图4。图4中，实际发电量数据和预测数据的差异较小，由此可见，本发明中的SARIMA+SVR模型的精度较高。

上述实施例介绍的是，在待测的目标电站没有对应的目标标杆电站的场景下，先进行目标标杆电站的确定，然后使用目标标杆电站的历史发电数据，并基于上述两个模型进行发电数据的预测。

在本发明的另一实现方式中，若是待测的目标电站有对应的目标标杆电站的场景下，则执行使用目标标杆电站的历史发电数据，并基于上述两个模型进行发电数据的预测。

综上所述，本发明通过上述虚拟采集以及SARIMA和SVR的融合预测模型，大大增强了现有分布式光伏电站智能运维系统的性能。且使得采取了本发明方法的运维系统在光伏电站运维的任务中，在具备了高处理速度的前提下，通过机器学习的融合模型，克服了传统虚拟采集算法与预测模型在准确度上的不足，优化整体性能。本发明可应用于真实场景的电网运行中，虚拟采集以及预测模型的性能优越，让智能运维系统拥有了解决复杂问题能力的同时，也具备了强大的泛化性。

本发明的另一实现方式中，在待测的目标电站有对应的目标标杆电站的场景下，可以采集到目标电站的实际发电数据。

在进行预测之后，可以确定待测的目标电站T-1天中每一预设时间间隔的预测平均输出功率P'，具体可以通过预测的发电量计算得到每一预设时间间隔的预测平均输出功率，此外，还能够获取到每一预设时间间隔的实际平均输出功率P，当

由此可见，在所述目标电站有对应的目标标杆电站的情况下，还包括：获取所述目标电站的目标标杆电站的每一预设时间间隔的实际平均输出功率以及预测平均输出功率；计算所述实际平均输出功率以及所述预测平均输出功率的偏差值；判断所述偏差值是否大于预设阈值；若大于，则确定当前时刻之前的每一天的所述预设时间间隔的所述目标标杆电站的功率值的平均值，并基于所述平均值与所述实际平均输出功率的比对结果，确定所述目标电站的异常检测结果。

可选地，在上述发电数据的预测方法的实施例的基础上，本发明的另一实施例提供了一种发电数据的预测装置，应用于控制器，参照图5，所述预测装置可以包括：

电站确定模块11，用于在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定所述目标电站对应的标杆电站，并确定各个所述标杆电站的平均出力数据；所述标杆电站为所述控制器能够获取到发电数据的电站；

数据确定模块12，用于基于所述平均出力数据以及预设标杆电站筛选规则，从所述标杆电站中确定出所述目标电站对应的目标标杆电站，并获取所述目标标杆电站的历史发电数据；

数据预测模块13，用于根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据。

进一步，所述电站确定模块包括：

电站获取子模块，用于获取所述目标电站预设距离范围内、且与所述目标电站属于同一区域的标杆电站，并确定为备选标杆电站；

信息获取子模块，用于获取各个所述备选标杆电站的历史发电数据以及电站属性信息；

电站确定子模块，用于基于所述历史发电数据、所述电站属性信息以及有效电站筛选规则，从所述备选标杆电站中筛选出有效标杆电站，并确定为所述目标电站对应的标杆电站。

进一步，所述数据确定模块包括：

数据获取子模块，用于获取各个所述标杆电站的单个采集时间间隔的出力数据；

系数计算子模块，用于基于所述出力数据以及所述标杆电站的电站属性信息，计算各个所述标杆电站的平均出力系数；

电站筛选子模块，用于筛选出平均出力系数最大的标杆电站，并确定为所述目标电站对应的目标标杆电站。

进一步，所述数据预测模块包括：

第一预测子模块，用于基于所述目标标杆电站的历史发电数据以及第一线性数据预测模型，预测所述目标电站的线性发电数据；

第二预测子模块，用于基于所述目标标杆电站的历史发电数据以及第二线性数据预测模型，预测所述目标电站的非线性发电数据；

数据整合子模块，用于将所述线性发电数据和所述非线性发电数据进行整合，得到所述目标电站的发电数据。

进一步，还包括：

功率获取模块，用于获取所述目标电站的目标标杆电站的每一预设时间间隔的实际平均输出功率以及预测平均输出功率；

偏差计算模块，用于计算所述实际平均输出功率以及所述预测平均输出功率的偏差值；

判断模块，用于判断所述偏差值是否大于预设阈值；

异常检测模块，用于若大于，则确定当前时刻之前的每一天的所述预设时间间隔的所述目标标杆电站的功率值的平均值，并基于所述平均值与所述实际平均输出功率的比对结果，确定所述目标电站的异常检测结果。

本实施例中，在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定出所述目标电站对应的目标标杆电站，并根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据。即本发明中，在待进行发电数据预测的目标电站为未设置通讯设备或者是通讯设备频繁故障的电站时，可以使用其对应的目标标杆电站的历史发电数据，来预测所述目标电站的发电数据，实现了未设置通讯设备或者是通讯设备频繁故障的电站的发电数据的预测，进而实现电站的发电控制。进一步，本发明还能够在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定出目标电站的目标标杆电站，以辅助目标电站的发电数据的预测。

需要说明的是，本实施例中的各个模块和子模块的工作过程，请参照上述实施例中的相应说明，在此不再赘述。

可选地，在上述发电数据的预测方法及装置的实施例的基础上，本发明的另一实施例提供了一种电子设备，包括：存储器和处理器；

其中，所述存储器用于存储程序；

处理器调用程序并用于：

在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定所述目标电站对应的标杆电站，并确定各个所述标杆电站的平均出力数据；所述标杆电站为所述控制器能够获取到发电数据的电站；

基于所述平均出力数据以及预设标杆电站筛选规则，从所述标杆电站中确定出所述目标电站对应的目标标杆电站，并获取所述目标标杆电站的历史发电数据；

根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据。

进一步，确定所述目标电站对应的标杆电站，包括：

获取所述目标电站预设距离范围内、且与所述目标电站属于同一区域的标杆电站，并确定为备选标杆电站；

获取各个所述备选标杆电站的历史发电数据以及电站属性信息；

基于所述历史发电数据、所述电站属性信息以及有效电站筛选规则，从所述备选标杆电站中筛选出有效标杆电站，并确定为所述目标电站对应的标杆电站。

进一步，基于所述平均出力数据以及预设标杆电站筛选规则，从所述标杆电站中确定出所述目标电站对应的目标标杆电站，包括：

获取各个所述标杆电站的单个采集时间间隔的出力数据；

基于所述出力数据以及所述标杆电站的电站属性信息，计算各个所述标杆电站的平均出力系数；

筛选出平均出力系数最大的标杆电站，并确定为所述目标电站对应的目标标杆电站。

进一步，根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据，包括：

基于所述目标标杆电站的历史发电数据以及第一线性数据预测模型，预测所述目标电站的线性发电数据；

基于所述目标标杆电站的历史发电数据以及第二线性数据预测模型，预测所述目标电站的非线性发电数据；

将所述线性发电数据和所述非线性发电数据进行整合，得到所述目标电站的发电数据。

进一步，在所述目标电站有对应的目标标杆电站的情况下，还包括：

获取所述目标电站的目标标杆电站的每一预设时间间隔的实际平均输出功率以及预测平均输出功率；

计算所述实际平均输出功率以及所述预测平均输出功率的偏差值；

判断所述偏差值是否大于预设阈值；

若大于，则确定当前时刻之前的每一天的所述预设时间间隔的所述目标标杆电站的功率值的平均值，并基于所述平均值与所述实际平均输出功率的比对结果，确定所述目标电站的异常检测结果。

本实施例中，在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定出所述目标电站对应的目标标杆电站，并根据所述目标标杆电站的历史发电数据，预测所述目标电站的发电数据。即本发明中，在待进行发电数据预测的目标电站为未设置通讯设备或者是通讯设备频繁故障的电站时，可以使用其对应的目标标杆电站的历史发电数据，来预测所述目标电站的发电数据，实现了未设置通讯设备或者是通讯设备频繁故障的电站的发电数据的预测，进而实现电站的发电控制。进一步，本发明还能够在待进行发电数据预测的目标电站没有对应的目标标杆电站的情况下，确定出目标电站的目标标杆电站，以辅助目标电站的发电数据的预测。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。