[发明专利]基于集成学习光伏预测的智能运维方法

权利要求书

1.一种基于集成学习光伏预测的智能运维方法，其特征在于，包括如下步骤：

S1：对光伏监控云平台采集的电站历史光伏数据进行预处理；

S2：对步骤S1处理后的数据进行特征相关性分析，确定影响发电量输出功率的强相关因素；

S3：用集成学习boosting算法搭建光伏预测模型，并拟合数据；

S4：训练光伏预测模型，分析模型稳定性、收敛性、时间复杂度，结合交叉验证进行模型优化；

S5：将光伏预测模型嵌入光伏监控平台，实时输入采集的气象数据和辐照度，得到预测值，并与实际值进行比对，得到偏差值并设置偏差区间；

S6：根据步骤S5中偏差值所在的区间，指导电站的运行维护。

2.如权利要求1所述的基于集成学习光伏预测的智能运维方法，其特征在于，所述步骤S1中数据预处理包括冗余降维、缺失填补和标准化。

3.如权利要求1所述的基于集成学习光伏预测的智能运维方法，其特征在于，所述步骤S1中历史光伏数据包括发电量、实时功率；所述数据的颗粒度为每15分钟一条。

4.如权利要求1所述的基于集成学习光伏预测的智能运维方法，其特征在于，所述步骤S2中特征相关性分析中的特征为温度、湿度或辐照。

5.如权利要求1所述的基于集成学习光伏预测的智能运维方法，其特征在于，所述步骤S3中采用集成学习boosting算法搭建光伏预测模型，所述boosting算法采用梯度提升方式寻找最优决策，首先在整个训练集上维护一个分布权值向量，用赋予权重的训练集通过弱分类算法产生分类假设，然后计算错误率，用得到的错误率去更新分布权值向量，对错误分类的样本分配更大的权值，正确分类的样本赋予更小的权值；每次更新后用相同的弱分类算法产生新的分类假设，所述分类假设的序列构成多分类器；对多分类器用加权的方法进行联合,最后得到决策结果。

6.如权利要求1所述的基于集成学习光伏预测的智能运维方法，其特征在于，所述步骤S6中指导运行维护包括，偏差值小于偏差区间的范围视为正常；偏差值在偏差区间内视为光伏板需清洗，进而确定本地电站运维清洗光伏板的频次；偏差值在大于偏差区间的范围，则视为光伏板故障，然后结合系统报警进行故障分析，判断故障类型，对本地光伏组件进行提前性故障诊断，并预警。

7.如权利要求1所述的基于集成学习光伏预测的智能运维方法，其特征在于，所述步骤S6还包括根据步骤S5中预测值与负荷用电间的相关性分析，结合储能元件的性能参数，指导电站运行调度。