一种光伏电站功率预测的网关机及分布式电站拓扑结构的制作方法

1.本发明属于电力能源技术领域，尤其涉及一种光伏电站功率预测的网关机及分布式电站拓扑结构。


背景技术：

2.随着电力能源行业的发展，新能源(主要指光伏与风电)成为构建新型电力系统的支柱能源。但是，相对于稳定可控的传统电源，新能源发电的随机性和波动性对新型电力系统提出了非常大的挑战。新能源发电出力的精准预测对电网调度的可靠和安全变得极为重要。作为新能源组成中重要的一类，分布式光伏电站得到了广泛的推广和建设，这使得该类电站配置功率预测装置的必要性逐渐加强，对其功率预测的精度也提出了更高的要求。但是，目前主要的功率预测装置都是针对大容量、高电压等级并网的新能源电站，不仅缺乏针对小容量分布式电站的功率预测装置，而且功率预测所需部署的硬件装置和费用也是要求极高，经济可行性较差。另外传统的功率预测结果需要通过调度数据网传输到调度主站，相应的数据网设备、安防设备、通信设备及通道资源的要求较高。


技术实现要素：

3.本发明提出的一种光伏电站功率预测的网关机及分布式电站拓扑结构，基于光伏电站功率预测的网关机，提供了针对小容量分布式电站的功率预测装置，简化了功率预测结果传输到调度主站的方式。
4.本发明的一个技术方案如下：一种光伏电站功率预测的网关机，包括置于网关机内的数据获取模块、功率预测模块和数据处理模块，
5.所述数据获取模块能够获取光伏电站的实时功率数据以及获取用于功率预测模块功率预测的功率预测数据，所述功率预测数据包括光伏发电地区的天气数据、卫星云图数据和历史发电功率数据；
6.所述功率预测模块能够根据所述功率预测数据，进行功率预测，生成光伏发电功率区间预测数据；
7.所述数据处理模块能够根据与调度主站之间的传输协议，将实时功率数据以及光伏发电功率区间预测数据处理成对应传输协议的数据格式。
8.进一步地，所述功率预测模块运行的预测方法具体包括：
9.s10：根据所述卫星云图数据，通过卷积神经网络算法，获取光伏发电地区的气象类型；
10.s20：根据所述天气数据，通过循环神经网络算法，获取各个的天气数据对光伏发电功率的影响权重系数；
11.s30：根据所述历史发电功率数据、所述气象类型和所述影响权重系数，通过长短期神经网络算法以及注意力机制，获取光伏短期功率预测值；
12.s40：根据光伏短期功率预测值，通过高斯混合模型，获取光伏发电功率区间预测
数据。
13.进一步地，所述注意力机制包括：
14.对所述长短期神经网络算法的隐藏层赋予概率权重系数，公式如下：
[0015][0016]
其中，h
t
为长短期神经网络算法隐藏层t时刻的输出，a
t
为概率权重系数，s
t
为注意力机制t时刻的输出。
[0017]
进一步地，所述根据光伏短期功率预测值，通过高斯混合模型，获取光伏发电功率区间预测数据包括：
[0018]
划分多种天气场景，将所述历史发电功率数据分类至对应的天气场景下；
[0019]
根据各个天气场景下历史发电功率的预测误差分布，通过高斯混合模型对预测误差分布进行拟合，获得各个天气场景的预测误差概率密度函数；
[0020]
根据光伏短期功率预测值以及各个天气场景的预测误差概率密度函数，通过计算指定置信水平下的置信区间，获取各个天气场景下的光伏发电功率区间预测数据。
[0021]
进一步地，所述划分多种天气场景，将所述历史发电功率数据分类至对应的天气场景下包括：通过k-means聚类算法将各个天气场景下历史发电功率与历史光伏短期功率预测值之间误差进行聚类，生成历史发电功率的预测误差分布。
[0022]
进一步地，所述天气场景包括晴天天气场景、阴云天天气场景和雨天天气场景。
[0023]
本发明的另一个技术方案如下：一种分布式电站拓扑结构，包括后台工作站、测控装置、微气象处理服务器、调度主站、主站气象数据服务器和上述任一所述的网关机；
[0024]
所述后台工作站、测控装置、微气象处理服务器均与所述网关机有线通信连接，所述网关机分别与所述调度主站和主站气象数据服务器无线通信连接；
[0025]
所述测控装置用于提供光伏电站的实时功率数据，所述后台工作站用于提供历史发电功率数据，所述微气象处理服务器用于获取光伏发电地区的天气数据，主站气象数据服务器用于提供卫星云图数据。
[0026]
进一步地，所述调度主站与所述网关机通过iec101协议规约和iec104协议规约传输报文，通过电力系统通用服务协议规约传输文件，
[0027]
所述网关机将实时功率数据处理成iec101协议规约和iec104协议规约规定的报文数据格式，将光伏发电功率区间预测数据根据电力系统通用服务协议规约处理成文件数据格式。
[0028]
进一步地，所述后台工作站、测控装置、微气象处理服务器均通过rs485接口、rs232接口、can总线、rj45网络中的一种与所述网关机有线通信连接。
[0029]
进一步地，所述网关机通过无线公网或无线专网连接到安全接入区，安全接入区与所述调度主站以及主站气象数据服务器通信连接。
[0030]
本发明的有益效果：本发明的网关机能够获取功率预测所需的天气数据、卫星云图数据和历史发电功率数据，通过内置复合神经网络模块对这些多源数据处理后，可有效提高功率预测的准确性。本发明的拓扑结构优化了光伏电站内功率预测所需各类数据的获取方式，优化了光伏电站和调度主站之间功率预测数据文件及气象数据文件的交互方式，在满足站内网络安全防护要求的基础上，减少了大量通信设备、数据网设备、安全防护设
备、气象设备的需求，大幅降低了投资费用。
附图说明
[0031]
图1是本发明中网关机的结构示意图。
[0032]
图2是本发明中功率预测模块的执行流程图。
[0033]
图3是本发明中分布式电站拓扑结构的结构示意图。
[0034]
图4是本发明的功率预测模块执行流程中循环神经网络算法的结构框图。
[0035]
图5是本发明的功率预测模块执行流程中提取影响权重系的示意图。
[0036]
图6是本发明的功率预测模块执行流程中长短期神经网络的结构示意图。
[0037]
图7是本发明的功率预测模块执行流程中长短期神经网络融合注意力机制的示意图。
[0038]
图8是本发明的功率预测模块执行流程中高斯混合模型进行光伏发电功率区间预测流程图。
[0039]
图9是本发明的中模型建立的流程图。
具体实施方式
[0040]
为了使本领域技术人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
[0041]
在本发明的一个技术方案中，图1是根据本发明光伏电站功率预测的网关机1的具体实施例提供的结构示意图，如图1所示，本发明具体包括：置于网关机1内的数据获取模块11、功率预测模块12和数据处理模块13，数据获取模块11与功率预测模块12相互连接，功率预测模块12与数据处理模块13相互连接。
[0042]
网关机1主要用于和电站与调度主站2之间的信息交互，主要是电站与主站之间的实时数据报文传输，卫星云图数据文件的传输和功率预测文件的传输以及通过rs485接口、rs232接口和网络rj45接口从站内测控装置4、后台工作站3、微气象服务器和调度主站2获取用于功率预测模块12功率预测的功率预测数据。
[0043]
其中，所述数据获取模块11能够获取光伏电站的实时功率数据以及获取用于功率预测模块12功率预测的功率预测数据，所述功率预测数据包括光伏发电地区的天气数据、卫星云图数据和历史发电功率数据。
[0044]
所述功率预测模块12能够根据所述功率预测数据，进行功率预测，生成光伏发电功率区间预测数据。其中，在网关机1中部署功率预测的程序，功率预测程序中建立了复合神经网络模块，根据获取的相关数据可以计算出光伏发电功率区间预测数据。
[0045]
所述数据处理模块13能够根据与调度主站2之间的传输协议，将实时功率数据以及光伏发电功率区间预测数据处理成对应传输协议的数据格式，生成相应的功率预测数据文件，然后上传到调度主站2。其中，传输协议具体包括：iec101协议规约，iec104协议规约和电力系统通用服务协议(gsp)规约。数据处理模块13能够基于各类传输协议对报文和文件进行翻译处理，处理成对应传输协议的数据格式。
[0046]
在本发明的一个实施例中，所述功率预测模块12运行的预测方法如图2所示，具体包括：
[0047]
s10：根据所述卫星云图数据，通过卷积神经网络算法，获取光伏发电地区的气象类型。
[0048]
其中，所述卷积神经网络以卫星云图数据作为输入数据，来提取卫星云图数据的空间特征，从而获得气象类型。卷积神经网络算法主要包括输入层、卷积层、激活层、池化层、全连接层和输出层等。
[0049]
其中，卷积神经网络算法的卷积层，通过将输入特征图与卷积核进行卷积，通过激活函数生成输出特征图，其中，输入特征图为卫星云图数据，具体公式如下：
[0050][0051]
其中，代表第l层的第j个特征图，代表第l-1层的第i个特征图，mj代表输入图的选择，代表第i个输入特征图和第j个输出特征图之间的权重，代表偏差，f代表整流线性单元激活函数。
[0052]
s20：根据所述天气数据，通过循环神经网络算法，获取各个的天气数据对光伏发电功率的影响权重系数。
[0053]
如图4所示，其中，x是为向量，表示输入层的值；s是为向量，表示隐藏层的值；u是输入层到隐藏层的权重矩阵；o为向量，表示输出层的值；v是隐藏层到输出层的权重矩阵，权重矩阵w是隐藏层上一次的输出值，其作为这一次的输入权重，影响权重系数即为图4中的影响因子。
[0054]
如图5所示，其中，天气数据包括温度、湿度、降雨量、风速和太阳辐射量等，选择这些变量作为模型的输入变量，建立各个天气数据和历史发电功率的映射关系，获取各个的天气数据对光伏发电功率的影响权重系数。温度数据由气温测温箱进行获取，湿度数据由电子式湿度传感器获取，风速数据由风速传感器获取，降雨量数据由雨量计获取，太阳辐射量数据由光照强度测试仪获取。
[0055]
s30：根据所述历史发电功率数据、所述气象类型和所述影响权重系数，通过长短期神经网络算法以及注意力机制，获取光伏短期功率预测值。
[0056]
长短期神经网络算法如图6所示，长短期神经网络中引入门的概念，通过门控制单元将历史训练信息结合，解决了梯度消失的问题。
[0057]
lstm的前向计算公式如下式所示：
[0058]ft
＝σ(wf*[h
t-1
,x
t
]+bf)
[0059]it
＝σ(wi*[h
t-1
,x
t
]+bi)
[0060][0061][0062]ot
＝σ(wo*[h
t-1
,x
t
]+bo)
[0063]ht
＝o
t
*tanh(c
t
)
[0064]
上式中，f
t
表示遗忘门，i
t
表示输入门，o
t
表示输出门，h
t-1
表示t-1时刻lstm的输出
值，x
t
表示t时间的输入。
[0065]
wf、wi、wc、wo均表示权重矩阵；bf、bi、bc、bo均表示偏置项；tanh表示激活函数，σ表示sigmoid函数；c
t
，c
t-1
，表示单元状态；h
t
表示t时刻长短期神经网络算法隐藏层的输出。其中，上面公式中的x
t
为lstm的输入数据，即输入历史功率数据、气象类型、影响权重系数以矩阵形式构成lstm的输入数据x
t
。
[0066]
如图7所示，注意力机制指的是对所述长短期神经网络算法的隐藏层赋予概率权重系数。注意力机制用来提取高质量的深度特征，增强重要信息的作用，更高精度地完成光伏功率预测。
[0067]
注意力机制是一种资源分配的机制，给输入特征分配不同的权值，使得重要的特征不会随步长的增大而消失，进而突显重要信息的作用，使模型更容易处理长时间序列的依赖关系。注意力机制的实质是模拟人脑注意力的资源分配。在某个特定的时刻人脑会把注意力放在需要重点关注的区域，减少对其他区域的关注，以便获取更多需要关注的信息，抑制其他无用信息，其核心是忽略无用信息且放大所需信息。注意力机制对关键的信息给予足够的关注，突显重要信息的作用，进而提高模型的精度。注意力机制能够改进lstm网络因时序数据过长而丢失重要信息的情况，用概率分配权重的方式替代随机分配权重的方式。
[0068]
lstm网络融合了注意力机制，采用赋予概率权重系数的方式计算权重矩阵，注意力层权重系数的表示如下：
[0069]et
＝utanh(wh
t
+b)
[0070][0071][0072]
式中，h
t
表示t时刻长短期神经网络算法隐藏层的输出；a
t
为概率权重系数；b表示偏置系数；u和w表示权重系数；e
t
为概率分布；s
t
为注意力机制t时刻的输出。
[0073]
s40：根据光伏短期功率预测值，通过高斯混合模型，获取光伏发电功率区间预测数据。
[0074]
如图8所示，具体过程如下：
[0075]
划分多种天气场景将所述历史发电功率数据分类至对应的天气场景下。其中，天气场景具体可以分为晴天天气场景、阴云天天气场景和雨天天气场景。
[0076]
通过k-means聚类算法将各个天气场景下历史发电功率与历史光伏短期功率预测值之间的误差进行聚类，生成历史发电功率的预测误差分布，其中，历史光伏短期预测值指的是通过使用历史参数(历史发电功率当天实际的天气数据以及实际的卫星云图数据)经过上述卷积神经网络算法、循环神经网络算法和长短期神经网络算法的光伏发电功率预测混合神经网络模型计算获得。
[0077]
根据各个天气场景下历史发电功率的预测误差分布，通过高斯混合模型对预测误差分布进行拟合，获得各个天气场景的预测误差概率密度函数。
[0078]
高斯混合模型(高斯分布)类比于数学中常见的“正态分布”，即用高斯分布来拟合历史发电功率的预测误差分布。
[0079]
根据光伏短期功率预测值以及各个天气场景的预测误差概率密度函数，通过计算指定置信水平下的置信区间，获取各个天气场景下的光伏发电功率区间预测数据。根据置信水平要求求解各个天气场景的置信区间，得到光伏短期功率区间预测结果。光伏发电功率区间预测数据具体指的是预测功率值的波动区间，在一定置信水平下给出输出功率的上下界值。
[0080]
上述的高斯混合模型是多个单高斯概率密度函数的线性组合，通过调整高斯混合模型的各个组成参数，包括成分数、权重系数、均值和每个成分的协方差矩阵，常用来对多维随机变量的联合概率密度函数建模，来精确描述各种概率密度分布。
[0081]
单个高斯分布概率密度函数可表示为：
[0082][0083]
上式中，μ、σ2分别表示高斯分布的均值和方差。
[0084]
高斯混合分布的概率密度函数可表示为：
[0085][0086]
上式中，θ为各个高斯分量的均值和方差的参数集集合，ak为第k个高斯分量所包含加权系数；表示高斯分布的概率密度函数，其表达式为：
[0087][0088]
上式中，σk、μk分别是第k个高斯分布的标准差和均值，θk是第k个高斯分布的方差和均值的参数集集合。
[0089]
根据功率误差样本，求解参数值用极大似然估计法，高斯混合模型的优化方程为：
[0090][0091]
上式是一个非凸优化方程，选择最大期望算法来求解模型参数，它通过迭代和求解模型参数来实现。通过输入每个部分设置的初始值来计算对数似然函数，直到模型的参数并收敛到局部最优解。在得到分布模型后，通过求解模型的累计概率函数，计算得出指定置信水平下的置信区间，进而获得光伏发电概率性区间预测结果。
[0092]
采用高斯混合模型描述光伏发电功率预测误差分布的多峰性和不对称性等方面相较于典型单一分布模型具有明显优势，所得区间预测结果更准确，适用性较高。
[0093]
在本发明的一个实施例中，在步骤s10之前，需要建立相关模型，具体流程如图9所示，如下：
[0094]
在获取到相关数据后需要建立混合网络模型，
[0095]
建立基于卷积神经网络算法、循环神经网络算法和长短期神经网络算法的光伏发电功率预测混合神经网络模型。
[0096]
在获取到天气数据后，需要对天气数据进行如下处理：
[0097]
获取所述天气数据中各个数据特征的相关度以及重要性，其中，具体是通过最大互信息系数定量分析各个数据特征的相关度，通过梯度提升决策树算法获取各个数据特征的重要性。
[0098]
其中，互信息系数以i(x；y)进行表示：
[0099][0100]
其中，p(x,y)是x和y的联合概率分布函数，而p(x)和p(y)分别是x和y的边缘概率分布函数。使用互信息系数定量分析随机变量之间的非线性关系，表征变量间的依赖关系。当两者互信息系数达到最大时，意味着一个变量给定后，另一个变量的变化性就被其锚定了；最小值为0，表征两变量无相关性。
[0101]
最大互信息系数计算公式如下：
[0102][0103]
上式中a，b是进行散点图网格划分时x轴和y轴的单元格数量，b为数据量的0.6次方。当最大互信息系数处在0～0.3之间时，认定为微弱相关或不相关；当最大互信息系数处在0.3～0.5之间时，认定为弱相关；当最大互信息系数处在0.5～0.8时，认定为中度相关；当最大互信息系数处在0.8～1之间时，认定为高度相关。
[0104]
使用梯度提升决策树算法(xgboost)算法获取数据特征的重要性，进行有效的特征筛选。基于xgboost算法进行特征选择，使用决策树作为底层模型，不断训练决策树模型，除第一次训练外，其余树模型的拟合对象都是上一个模型的残差，并且每一次训练时树模型都对上一次训练中误差率较高的样本进行重点学习。
[0105]
具体的，xgboost算法的输出如公式如下：
[0106][0107]
其中，xi代表第i个样本，k代表第k棵树，代表第i个样本的预测值。
[0108]
其次xgboost算法的优化目标为结构风险最小化，目标函数如下所示：
[0109][0110]
上式中，l代表残差函数，ω(f
t
)代表正规化项。
[0111]
在获取到数据特征的相关度以及重要性之后，筛除相关度低以及重要性低的数据特征。具体可以是，以相关度以及重要性为关键词对数据特征进行排序，将排序位于最后几位的数据特征进行剔除，具体剔除多少数据特征可以由技术人员根据实际情况进行选择，或者剔除最大互信系数处在0～0.3之间的数据。通过筛除相关度低以及重要性低的数据特征，能够增强模型泛化能力。
[0112]
将所述天气数据、卫星云图数据和历史发电功率数据进行预处理。
[0113]
其中，预处理包括：异常数据检测和处理、缺失数据的填补和数据归一化。
[0114]
针对单点异常值，使用下列公式进行平滑处理，平滑处理以异常值为中心，计算异常值前后n个量的平均值代替异常值，平滑处理的公式如下：
[0115][0116]
上式中，xi'代表平滑处理后的异常值，x
i+1
代表i+1个数据。
[0117]
针对长时间段异常值，则使用临近日的同一时段的值进行补齐。
[0118]
数据归一化处理公式如下：
[0119][0120]
上式中，x'代表归一化之后的数据，x代表原始数据集，x
min
代表原始数据集的最小值，x
max
代表原始数据集的最大值。
[0121]
将所述天气数据、卫星云图数据和历史发电功率数据分为训练集和测试集；
[0122]
根据所述训练集和测试集，通过粒子群优化算法对所述光伏发电功率预测混合神经网络模型进行模型训练和测试。
[0123]
对预处理完毕的数据分为训练集和测试集，通过粒子群优化算法采用训练集对模型进行模型训练，并通过测试集对模型进行测试。
[0124]
在本发明的另一个技术方案中，提供了一种分布式电站拓扑结构，图3是根据分布式电站拓扑结构提供的结构示意图。如图3所示，具体包括后台工作站3、测控装置4、微气象处理服务器5、调度主站2、主站气象数据服务器6和上述任一所述的网关机1；
[0125]
所述后台工作站3、测控装置4、微气象处理服务器5均与所述网关机1有线通信连接，所述网关机1分别与所述调度主站2和主站气象数据服务器6无线通信连接；
[0126]
所述测控装置4用于提供光伏电站的实时功率数据，所述后台工作站3用于提供历史发电功率数据，所述微气象处理服务器5用于获取光伏发电地区的天气数据，主站气象数据服务器6用于提供卫星云图数据。
[0127]
在本发明的一个实施例中，所述调度主站2与所述网关机1通过iec101协议规约和iec104协议规约传输报文，通过电力系统通用服务协议规约传输文件，
[0128]
所述网关机将实时功率数据处理成iec101协议规约和iec104协议规约规定的报文数据格式，将光伏发电功率区间预测数据根据电力系统通用服务协议规约处理成文件数据格式。
[0129]
在本发明的一个实施例中，所述后台工作站3、测控装置4、微气象处理服务器5均通过rs485接口、rs232接口、can总线、rj45网络中的一种与所述网关机1有线通信连接。
[0130]
在本发明的一个实施例中，所述网关机1通过无线公网或无线专网连接到安全接入区7，安全接入区7与所述调度主站2以及主站气象数据服务器6通信连接。
[0131]
该结构具有几大优势：安全接入区7以及气象数据服务器在调度主站2已经建成、厂站无需在站内建设额外的安防设备和气象服务器来获取卫星云图数据。该拓扑结构下可以便捷地获取功率预测所需的各类数据，通过内置复合神经网络模块对这些多源数据处理后，可有效提高功率预测的准确性；通过无线网络传输，不再受限于通信通道等资源限制，具备大规模推广的潜力；站内安全分区可简并，通信设备、数据网设备、安防设备需求少，整体投资大幅度降低。
[0132]
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明
的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种光伏电站功率预测的网关机，其特征在于，包括置于网关机内的数据获取模块、功率预测模块和数据处理模块，所述数据获取模块能够获取光伏电站的实时功率数据以及获取功率预测数据，所述功率预测数据包括光伏发电地区的天气数据、卫星云图数据和历史发电功率数据；所述功率预测模块能够根据所述功率预测数据，进行功率预测，生成光伏发电功率区间预测数据；所述数据处理模块能够根据与调度主站之间的传输协议，将实时功率数据以及光伏发电功率区间预测数据处理成对应传输协议的数据格式。2.如权利要求1所述的光伏电站功率预测的网关机，其特征在于，所述功率预测模块运行的预测方法具体包括：s10：根据所述卫星云图数据，通过卷积神经网络算法，获取光伏发电地区的气象类型；s20：根据所述天气数据，通过循环神经网络算法，获取各个的天气数据对光伏发电功率的影响权重系数；s30：根据所述历史发电功率数据、所述气象类型和所述影响权重系数，通过长短期神经网络算法以及注意力机制，获取光伏短期功率预测值；s40：根据光伏短期功率预测值，通过高斯混合模型，获取光伏发电功率区间预测数据。3.如权利要求2所述的光伏电站功率预测的网关机，其特征在于，所述注意力机制包括：对所述长短期神经网络算法的隐藏层赋予概率权重系数，公式如下：其中，h
t
为长短期神经网络算法隐藏层t时刻的输出，a
t
为概率权重系数，s
t
为注意力机制t时刻的输出。4.如权利要求2所述的种光伏电站功率预测的网关机，其特征在于，所述根据光伏短期功率预测值，通过高斯混合模型，获取光伏发电功率区间预测数据包括：划分多种天气场景，将所述历史发电功率数据分类至对应的天气场景下；根据各个天气场景下历史发电功率的预测误差分布，通过高斯混合模型对预测误差分布进行拟合，获得各个天气场景的预测误差概率密度函数；根据光伏短期功率预测值以及各个天气场景的预测误差概率密度函数，通过计算指定置信水平下的置信区间，获取各个天气场景下的光伏发电功率区间预测数据。5.如权利要求4所述的种光伏电站功率预测的网关机，其特征在于，所述划分多种天气场景，将所述历史发电功率数据分类至对应的天气场景下包括：通过k-means聚类算法将各个天气场景下历史发电功率与历史光伏短期功率预测值之间误差进行聚类，生成历史发电功率的预测误差分布。6.如权利要求4所述的种光伏电站功率预测的网关机，其特征在于，所述天气场景包括晴天天气场景、阴云天天气场景和雨天天气场景。7.一种分布式电站拓扑结构，其特征在于，包括后台工作站、测控装置、微气象处理服务器、调度主站、主站气象数据服务器和权利要求1-6任一所述的网关机；所述后台工作站、测控装置、微气象处理服务器均与所述网关机有线通信连接，所述网
关机分别与所述调度主站和主站气象数据服务器无线通信连接；所述测控装置用于提供光伏电站的实时功率数据，所述后台工作站用于提供历史发电功率数据，所述微气象处理服务器用于获取光伏发电地区的天气数据，主站气象数据服务器用于提供卫星云图数据。8.如权利要求7所述的分布式电站拓扑结构，其特征在于，所述调度主站与所述网关机通过iec101协议规约和iec104协议规约传输报文，通过电力系统通用服务协议规约传输文件，所述网关机将实时功率数据处理成iec101协议规约和iec104协议规约规定的报文数据格式，将光伏发电功率区间预测数据根据电力系统通用服务协议规约处理成文件数据格式。9.如权利要求7所述的分布式电站拓扑结构，其特征在于，所述后台工作站、测控装置、微气象处理服务器均通过rs485接口、rs232接口、can总线、rj45网络中的一种与所述网关机有线通信连接。10.如权利要求7所述的分布式电站拓扑结构，其特征在于，所述网关机通过无线公网或无线专网连接到安全接入区，安全接入区与所述调度主站以及主站气象数据服务器通信连接。

技术总结
本发明属于电力能源技术领域，尤其涉及一种光伏电站功率预测的网关机及分布式电站拓扑结构，包括置于网关机内的数据获取模块、功率预测模块和数据处理模块，所述数据获取模块能够获取光伏电站的实时功率数据以及功率预测数据；所述功率预测模块能够进行功率预测，生成光伏发电功率区间预测数据；所述数据处理模块能将实时功率数据以及光伏发电功率区间预测数据处理成对应传输协议的数据格式。本发明通过内置复合神经网络模块对这些多源数据处理后，可有效提高功率预测的准确性。拓扑结构优化了光伏电站内功率预测所需各类数据的获取方式，优化了光伏电站和调度主站之间功率预测数据文件及气象数据文件的交互方式。预测数据文件及气象数据文件的交互方式。预测数据文件及气象数据文件的交互方式。


技术研发人员：董金华 王素云 赵紫恒 白晨阳 姚绍勇 张怡然 缪秋 顾文雯
受保护的技术使用者：国网江苏省电力有限公司无锡供电分公司
技术研发日：2023.06.07
技术公布日：2023/8/24