本申請涉及光伏電站運維費用預測，尤其涉及一種光伏電站運維成本預測方法、設備及存儲介質(zhì)。

背景技術：

1、隨著全球范圍內(nèi)光伏電站建設的快速發(fā)展，光伏電站的運維成本成為影響項目長期經(jīng)濟性的重要因素。由于不同國家和地區(qū)的經(jīng)濟狀況、環(huán)境條件、技術特點、市場成熟度等差異，光伏電站的運維成本具有顯著的區(qū)域性差異。現(xiàn)有的光伏電站運維費用預測方法大多基于單一因素或局部區(qū)域的數(shù)據(jù)分析，缺乏全球范圍內(nèi)考慮多種變量的系統(tǒng)性方法。

2、傳統(tǒng)的運維費用預測方法難以全面考慮不同地區(qū)的實際條件，且在全球化的光伏項目運營中，如何快速、準確地預測不同區(qū)域光伏電站的運維成本成為亟待解決的技術難題。

3、因此，亟需一種能夠在全球范圍內(nèi)適用的、具有高準確性和適應性的光伏電站運維費用預測方法。

技術實現(xiàn)思路

1、本申請所要解決的技術問題在于，提供一種光伏電站運維成本預測方法、設備及存儲介質(zhì)。

2、本申請解決其技術問題所采用的技術方案是：提供一種光伏電站運維成本預測方法，包括：

3、采集若干光伏電站的歷史運維數(shù)據(jù)，根據(jù)歷史運維數(shù)據(jù)提取特征變量及對應的特征變量數(shù)據(jù)，建立運維成本數(shù)據(jù)庫；

4、基于機器學習算法構建預測模型，通過運維成本數(shù)據(jù)庫訓練預測模型得到訓練后預測模型；

5、基于訓練后預測模型，根據(jù)待預測的光伏電站的預測運維數(shù)據(jù)得到基礎預測值，對基礎預測值進行修正，得到修正預測值。

6、可選地，特征變量包括地區(qū)環(huán)境、人均裝機容量、項目技術類型、運維模式、設備運營時間及歷史運維費用。

7、可選地，基于機器學習算法構建預測模型的步驟之前還包括：

8、分析歷史運維數(shù)據(jù)中各特征變量之間的相關性；

9、基于相關性分析結果確定機器學習算法。

10、可選地，機器學習算法可以是隨機森林算法。

11、可選地，基于機器學習算法構建預測模型的步驟包括：

12、根據(jù)隨機森林回歸模型的預測公式：構建預測模型，其中，m是基礎預測值，n是決策樹的數(shù)量，x表示特征向量，由特征變量組成，fi(x)表示第i棵決策樹對特征向量的預測結果。

13、可選地，基于機器學習算法構建預測模型，通過運維成本數(shù)據(jù)庫訓練預測模型得到訓練后預測模型的步驟之后還包括：

14、使用交叉驗證方法對預測模型的模型參數(shù)進行優(yōu)化，模型參數(shù)包括決策樹的數(shù)量、樹的最大深度、最小樣本分類數(shù)、最小樣本葉子數(shù)及最大特征數(shù)。

15、可選地，對基礎預測值進行修正，得到修正預測值的步驟包括：

16、計算人工成本調(diào)整系數(shù)及設備成本調(diào)整系數(shù)；

17、結合人工成本調(diào)整系數(shù)及設備成本調(diào)整系數(shù)對修正預測值進行修正。

18、可選地，結合人工成本調(diào)整系數(shù)及設備成本調(diào)整系數(shù)對修正預測值進行修正的步驟包括：

19、根據(jù)修正公式：m區(qū)域修正值＝m*cgni*ccapex，其中，m基礎預測值為基于預測模型預測得到的基礎預測值，cgni為人工成本調(diào)整系數(shù)，ccapex為設備成本調(diào)整系數(shù)。

20、此外，本申請還提供一種設備，設備包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，計算機程序配置為實現(xiàn)上述的光伏電站運維成本預測方法的步驟。

21、此外，本申請還提供一種存儲介質(zhì)，存儲介質(zhì)為計算機可讀存儲介質(zhì)，存儲介質(zhì)上存儲有計算機程序，計算機程序被處理器執(zhí)行時實現(xiàn)上述的光伏電站運維成本預測方法的步驟。

22、實施本申請的技術方案至少具有以下有益效果，先采集若干光伏電站的歷史運維數(shù)據(jù)，根據(jù)歷史運維數(shù)據(jù)提取特征變量及對應的特征變量數(shù)據(jù)，建立運維成本數(shù)據(jù)庫，接著基于機器學習算法構建預測模型，通過運維成本數(shù)據(jù)庫訓練預測模型得到訓練后預測模型，最后基于訓練后預測模型，根據(jù)待預測的光伏電站的預測運維數(shù)據(jù)得到基礎預測值，對基礎預測值進行修正，得到修正預測值，具有準確預測光伏電站運維成本的有益效果。

技術特征：

1.一種光伏電站運維成本預測方法，其特征在于，所述光伏電站運維成本預測方法包括：

2.如權利要求1所述的光伏電站運維成本預測方法，其特征在于，所述特征變量包括地區(qū)環(huán)境、人均裝機容量、項目技術類型、運維模式、設備運營時間及歷史運維費用。

3.如權利要求2所述的光伏電站運維成本預測方法，其特征在于，所述基于機器學習算法構建預測模型的步驟之前還包括：

4.如權利要求1所述的光伏電站運維成本預測方法，其特征在于，所述機器學習算法可以是隨機森林算法。

5.如權利要求4所述的光伏電站運維成本預測方法，其特征在于，所述基于機器學習算法構建預測模型的步驟包括：

6.如權利要求5所述的光伏電站運維成本預測方法，其特征在于，所述基于機器學習算法構建預測模型，通過所述運維成本數(shù)據(jù)庫訓練所述預測模型得到訓練后預測模型的步驟之后還包括：

7.如權利要求1所述的光伏電站運維成本預測方法，其特征在于，所述對所述基礎預測值進行修正，得到修正預測值的步驟包括：

8.如權利要求7所述的光伏電站運維成本預測方法，其特征在于，所述結合所述人工成本調(diào)整系數(shù)及所述設備成本調(diào)整系數(shù)對所述修正預測值進行修正的步驟包括：

9.一種設備，其特征在于，所述設備包括：存儲器、處理器及存儲在所述存儲器上并可在所述處理器上運行的計算機程序，所述計算機程序配置為實現(xiàn)如權利要求1至8中任一項所述的光伏電站運維成本預測方法的步驟。

10.一種存儲介質(zhì)，其特征在于，所述存儲介質(zhì)為計算機可讀存儲介質(zhì)，所述存儲介質(zhì)上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如權利要求1至8中任一項所述的光伏電站運維成本預測方法的步驟。

技術總結
本申請?zhí)峁┮环N光伏電站運維成本預測方法、設備及存儲介質(zhì)，涉及光伏電站運維費用預測技術領域，方法包括：采集若干光伏電站的歷史運維數(shù)據(jù)，根據(jù)歷史運維數(shù)據(jù)提取特征變量及對應的特征變量數(shù)據(jù)，建立運維成本數(shù)據(jù)庫；基于機器學習算法構建預測模型，通過運維成本數(shù)據(jù)庫訓練預測模型得到訓練后預測模型；基于訓練后預測模型，根據(jù)待預測的光伏電站的預測運維數(shù)據(jù)得到基礎預測值，對基礎預測值進行修正，得到修正預測值。實施本申請具有準確預測光伏電站運維費用的有益效果。

技術研發(fā)人員：楊明明,方立奎,崔超產(chǎn),王磊,潘昭,后小軍,彭恩澤,王琦,姜峰
受保護的技術使用者：中廣核美能企業(yè)管理（深圳）有限公司
技術研發(fā)日：
技術公布日：2025/5/15