[0001] 本发明涉及光伏发电技术领域，特别是涉及一种基于太阳辐射模型的光伏发电量预测方法及系统。

[0002] 随着对可再生能源的需求不断增长，光伏发电作为清洁能源的重要来源，受到了广泛关注。在光伏发电系统的规划和管理中，准确预测光伏发电量对于优化能源利用、提高发电效率以及合理安排电网调度具有重要意义。而光伏发电量的预测需要考虑多个因素，其中太阳辐射是影响光伏发电量的关键因素之一，太阳辐射的变化会直接影响光伏电池的发电效率，因此预测太阳辐射量对于准确预测光伏发电量至关重要。

[0003] 但是，传统预测方法通常无法充分考虑太阳辐射对光伏发电量的影响，因为它们往往依赖于气象数据中的简单统计特征，而忽视了太阳辐射量的变化对发电量的影响，导致预测结果的不准确性，并且传统预测方法通常忽视了光伏电池在不同太阳辐射条件下的电能转换特性，光伏电池的输出受到光照强度、温度等多种因素的影响，而传统方法未能充分考虑这些因素对不同调养辐射阶段的影响，导致预测结果与实际发电量存在较大偏差。

[0053] 下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

[0054] 在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的平台或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。

[0055] 术语“”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。

[0056] 在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。

[0057] 如图1所示，在本申请的实施例中，提供了一种基于太阳辐射模型的光伏发电量预测方法，包括：S100：获取光伏发电所在地区的历史气象数据，并对历史气象数据进行预处理；S200：对预处理后的历史气象数据进行分析，确定历史气象数据中与太阳辐射相关的关键特征；S300：基于关键特征对应的数据和预设神经网络模型构建太阳辐射模型，并通过太阳辐射模型预测未来一段时间的太阳辐射预测数据；S400：获取光伏电池在太阳辐射下的标准电能转换特性，并基于太阳辐射预测数据和标准电能转换特性确定光伏电池在不同太阳辐射阶段的阶段电能转换特性；S500：基于阶段电能转换特性和太阳辐射预测数据预测不同太阳辐射阶段的光伏发电量。

[0058] 进一步的，本发明通过获取光伏发电所在地区的历史气象数据，并对数据进行有效的预处理，可以确保建模和分析所使用的数据质量良好，从而提高模型的准确性和可靠性；本发明通过对历史气象数据进行分析，确定与太阳辐射相关的关键特征，有助于准确捕获影响太阳辐射变化的因素，为建模提供了有效的输入变量；本发明通过基于确定的关键特征和历史气象数据，构建太阳辐射模型，可以帮助预测未来一段时间的太阳辐射预测数据，为光伏发电系统的运行和发电量预测提供支持；本发明通过获取光伏电池的标准电能转换特性，并基于太阳辐射预测数据和标准电能转换特性确定光伏电池在不同太阳辐射阶段的阶段电能转换特性，可以提高光伏发电量预测的准确性；本发明通过结合阶段电能转换特性和太阳辐射预测数据，可以预测不同太阳辐射阶段的光伏发电量，为光伏发电系统的运行和发电量预测提供参考。

[0059] 在本申请的实施例中，提供了一种基于太阳辐射模型的光伏发电量预测方法，所述获取光伏发电所在地区的历史气象数据，并对历史气象数据进行预处理，包括：获取光伏发电所在地区的历史气象数据，对历史气象数据进行清洗，去除数据中的噪声、缺失值和异常值；对清洗后的历史气象数据进行数据归一化处理。

[0060] 具体而言，从当地气象站、气象部门或者专业的气象数据服务提供商处获取这些数据；去除数据中的噪声，噪声可能来自于传感器误差、数据传输问题或其他干扰源，通过使用滤波技术或平滑算法，可以尝试去除这些噪声，以保证数据的准确性；检查数据中是否存在缺失值(如空白数据或NaN)，并决定如何处理这些缺失值，选择填充缺失值(如使用插值方法)，或者丢弃这些缺失值(如果缺失值占比较小)；检测并处理异常值，异常值可能是由于设备故障或其他异常情况导致的，使用统计学方法(如3σ原则)或者基于领域知识的方法来识别和处理异常值；清洗完数据后，接下来可以进行数据归一化处理，将不同特征的数据统一到一个较小的范围内，以避免不同特征之间的数值差异对建模的影响。通过清洗历史气象数据和进行数据归一化处理，可以为后续的太阳辐射模型构建和光伏发电量预测建模提供高质量的数据基础。

[0061] 在本申请的实施例中，提供了一种基于太阳辐射模型的光伏发电量预测方法，所述对预处理后的历史气象数据进行分析，确定历史气象数据中与太阳辐射相关的关键特征，包括：将预处理后的历史气象数据按照参数类型解析为若干个参数数据组，并分析每个参数数据组与太阳辐射的关联程度；计算所有参数数据组与太阳辐射间关联程度的平均值，将超出平均值的参数数据组筛选出来，确定为历史气象数据中与太阳辐射相关的关键特征。

[0062] 具体而言，将预处理后的历史气象数据按照参数类型进行解析，例如温度、湿度、风速、气压和太阳辐射强度等，将它们分别划分为不同的参数数据组；对每个参数数据组与太阳辐射的关联程度进行分析，较高的关联程度表示参数数据组与太阳辐射之间存在较强的关联；计算所有参数数据组与太阳辐射之间关联程度的平均值，并确定超出平均值的参数数据组，即与太阳辐射相关性较高的参数数据组，作为历史气象数据中与太阳辐射相关的关键特征。通过该步骤能够确定历史气象数据中与太阳辐射相关的关键特征，这些特征将为构建太阳辐射模型和光伏发电量预测模型提供重要的输入变量。

[0063] 在本申请的实施例中，提供了一种基于太阳辐射模型的光伏发电量预测方法，所述分析每个参数数据组与太阳辐射的关联程度，包括：获取现有的太阳辐射预测数据，并将太阳辐射预测数据进行集合，得到太阳辐射预测数据组；计算每个参数数据组与太阳辐射预测数据组之间的相关度，并计算所有参数数据组与太阳辐射预测数据组间相关度的总和；计算每个相关度与总和的比值，并将该比值作为每个参数数据组对应的权重；计算每个参数数据组与太阳辐射预测数据组之间的数据组间标准差，并对每个数据组间标准差进行评估取值，得到每个参数数据组的关联评价值，关联评价值的计算公式如下：

[0064]

[0065] 其中，S为每个参数数据组的关联评价值，α为数据差系数，Mi为参数数据组中第i个数据，Ni为太阳辐射预测数据组中第i个数据，n为数据组中数据个数；将每个参数数据组的关联评价值与对应的权重进行加权相加计算，得到每个参数数据组与太阳辐射的关联程度。

[0066] 具体而言，获取太阳辐射预测数据，并将其整合成太阳辐射预测数据组；获取每个参数数据组与太阳辐射预测数据组之间的相关度，计算所有参数数据组与太阳辐射预测数据组之间相关度的总和；计算每个相关度与总和的比值，并将该比值作为每个参数数据组对应的权重，表示每个参数数据组对于太阳辐射预测的重要程度；计算每个参数数据组与太阳辐射预测数据组之间的数据组间标准差；对每个数据组间标准差进行评估取值，得到每个参数数据组的关联评价值，用来表示每个参数数据组的数据质量和稳定性；将每个参数数据组的关联评价值与对应的权重进行加权相加计算，得到每个参数数据组与太阳辐射的关联程度。该步骤能够得到每个参数数据组与太阳辐射的关联程度，这可以为光伏发电量预测模型提供重要的特征选择依据。

[0067] 在本申请的实施例中，提供了一种基于太阳辐射模型的光伏发电量预测方法，所述基于关键特征对应的数据和预设神经网络模型构建太阳辐射模型，并通过太阳辐射模型预测未来一段时间的太阳辐射预测数据，包括：将关键特征对应的数据作为数据集，并将数据集输入至预设的神经网络模型中构建太阳辐射初始模型；将数据集按照一定比例划分为训练集和测试集，并将训练集和测试集输入至太阳辐射初始模型中，对关系初始模型进行训练和测试，直至太阳辐射初始模型满足预设的收敛条件，得到太阳辐射模型；获取光伏发电所在地区的实时气象数据，并将实时气象数据输入至太阳辐射模型，由太阳辐射模型进行预测得到未来一段时间的太阳辐射预测数据。

[0068] 具体而言，将关键特征对应的数据作为数据集，然后将数据集输入预设的神经网络模型中，可以构建太阳辐射初始模型；将数据集按照一定比例划分为训练集和测试集，通常常见的划分比例是80％的数据用于训练，20％的数据用于测试，将训练集和测试集输入至太阳辐射初始模型中，对模型进行训练和测试，在训练过程中，通过反向传播算法和优化器来不断调整模型参数，直到模型满足预设的收敛条件；经过训练后的模型就是太阳辐射模型，可以用于预测未来一段时间的太阳辐射数据，获取光伏发电所在地区的实时气象数据，并将实时气象数据输入至太阳辐射模型中，模型会对实时气象数据进行处理，然后预测未来一段时间的太阳辐射数据。

[0069] 在本申请的实施例中，提供了一种基于太阳辐射模型的光伏发电量预测方法，所述获取光伏电池的标准电能转换特性，并基于太阳辐射预测数据和标准电能转换特性确定光伏电池在不同太阳辐射阶段的阶段电能转换特性，包括：获取太阳辐射预测数据，并根据太阳辐射预测数据绘制太阳辐射曲线图；计算太阳辐射预测数据的辐射平均值，并确定太阳辐射曲线图中低于辐射平均值的谷值点，根据谷值点将太阳辐射预测数据划分为若干个太阳辐射阶段；确定每个太阳辐射阶段的太阳辐射总量，并计算每个太阳辐射阶段的太阳辐射总量与标准太阳辐射量的辐射量差值；根据辐射量差值确定每个太阳辐射阶段的调节系数，并根据调节系数对标准电能转换特性进行调节，得到每个太阳辐射阶段的阶段电能转换特性。

[0070] 具体而言，从气象部门或可靠的气象数据提供商那里获取太阳辐射预测数据，并将其用于后续处理；根据获取的太阳辐射预测数据，使用数据可视化工具(如matplotlib)绘制太阳辐射曲线图，以便直观地了解太阳辐射的变化趋势；对太阳辐射预测数据进行平均值计算，得到太阳辐射的平均值，确定低于辐射平均值的谷值点，并根据这些谷值点将太阳辐射预测数据划分为若干个太阳辐射阶段；确定每个太阳辐射阶段的太阳辐射总量，并计算每个太阳辐射阶段的太阳辐射总量与标准太阳辐射量的辐射量差值；根据辐射量差值确定每个太阳辐射阶段的调节系数；根据调节系数对标准电能转换特性进行调节，得到每个太阳辐射阶段的阶段电能转换特性。

[0071] 在本申请的实施例中，提供了一种基于太阳辐射模型的光伏发电量预测方法，所述根据辐射量差值确定每个太阳辐射阶段的调节系数，包括：预设调节系数－辐射量差值区间对应关系，调节系数－辐射量差值区间对应关系针对每一辐射量差值区间，均关联有对应的调节系数；获取辐射量差值，并基于辐射量差值所属的辐射量差值区间在调节系数－辐射量差值区间对应关系内的映射关系，选取与辐射量差值区间对应的调节系数作为每个太阳辐射阶段的调节系数。

[0072] 具体而言，定义预设的调节系数－辐射量差值区间对应关系，将预设的调节系数－辐射量差值区间对应关系定义为一个映射表或函数，从计算得到的每个太阳辐射阶段的辐射量差值中获取具体数值；基于辐射量差值所属的区间，在预设的调节系数－辐射量差值区间对应关系内进行映射，选取与辐射量差值区间对应的调节系数作为每个太阳辐射阶段的调节系数；将选取的调节系数应用到相应的太阳辐射阶段，用于调节标准电能转换特性，得到每个太阳辐射阶段的阶段电能转换特性。

[0073] 在本申请的实施例中，提供了一种基于太阳辐射模型的光伏发电量预测方法，所述基于阶段电能转换特性和太阳辐射预测数据预测不同太阳辐射阶段的光伏发电量，包括：根据太阳辐射阶段将太阳辐射预测数据划分为若干个太阳辐射阶段数据组，并根据阶段电能转换特性建立光伏发电物理模型；将各太阳辐射阶段数据组输入至光伏发电物理模型中，得到不同太阳辐射阶段的光伏发电量。

[0074] 具体而言，根据前面步骤得到的太阳辐射阶段，将太阳辐射预测数据划分为对应的太阳辐射阶段数据组，每个数据组对应一个太阳辐射阶段；根据阶段电能转换特性，建立光伏发电物理模型，这个模型可以是基于已有的物理原理和光伏电池的特性曲线，例如I－V曲线和P－V曲线来建立；将各太阳辐射阶段数据组输入至光伏发电物理模型中，根据模型计算得到不同太阳辐射阶段的光伏发电量，对于每个太阳辐射阶段，得到对应的光伏发电量。

[0075] 如图2所示，在本申请的实施例中，提供了一种基于太阳辐射模型的光伏发电量预测系统，包括：预处理模块，用于获取光伏发电所在地区的历史气象数据，并对历史气象数据进行预处理；分析模块，用于对预处理后的历史气象数据进行分析，确定历史气象数据中与太阳辐射相关的关键特征；建模模块，用于基于关键特征对应的数据和预设神经网络模型构建太阳辐射模型，并通过太阳辐射模型预测未来一段时间的太阳辐射预测数据；确定模块，用于获取光伏电池在太阳辐射下的标准电能转换特性，并基于太阳辐射预测数据和标准电能转换特性确定光伏电池在不同太阳辐射阶段的阶段电能转换特性；预测模块，用于基于阶段电能转换特性和太阳辐射预测数据预测不同太阳辐射阶段的光伏发电量。

[0076] 综上，本发明实施例提供一种基于太阳辐射模型的光伏发电量预测方法及系统，其包括：获取并预处理光伏发电所在地区的历史气象数据，并对其进行分析，确定历史气象数据中与太阳辐射相关的关键特征；基于关键特征对应的数据和预设神经网络模型构建太阳辐射模型，并通过其预测未来一段时间的太阳辐射预测数据；获取光伏电池在太阳辐射下的标准电能转换特性，并基于太阳辐射预测数据和标准电能转换特性确定光伏电池在不同太阳辐射阶段的阶段电能转换特性；基于阶段电能转换特性和太阳辐射预测数据预测不同太阳辐射阶段的光伏发电量。本发明基于太阳辐射模型来对光伏发电量进行预测，能够准确的预测未来一段时间内的光伏发电量，为能源规划和管理提供重要支持。

[0077] 最后应说明的是：显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

[0078] 以上所述仅为本发明的一个实施例子，但不能以此限制本发明的范围，凡依据本发明所做的结构上的变化，只要不失本发明的要义所在，都应视为落入本发明保护范围之内受到制约。所属技术领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的平台的具体工作过程及有关说明，可以参考前述平台实施例中的对应过程，在此不再赘述。

[0079] 术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、平台、物品或者设备/平台不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、平台、物品或者设备/平台所固有的要素。

[0080] 至此，已经结合附图所示的进一步实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

[0081] 以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。