CN114006369B - 区域风光场站功率联合预测方法、装置、电子设备和存储介质 - Google Patents

区域风光场站功率联合预测方法、装置、电子设备和存储介质 Download PDF

Info

Publication number
CN114006369B
CN114006369B CN202111261232.9A CN202111261232A CN114006369B CN 114006369 B CN114006369 B CN 114006369B CN 202111261232 A CN202111261232 A CN 202111261232A CN 114006369 B CN114006369 B CN 114006369B
Authority
CN
China
Prior art keywords
data
power
weather forecast
numerical weather
wind
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111261232.9A
Other languages
English (en)
Other versions
CN114006369A (zh
Inventor
阎洁
张永蕊
刘永前
韩爽
王函
李莉
孟航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Original Assignee
North China Electric Power University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University filed Critical North China Electric Power University
Priority to CN202111261232.9A priority Critical patent/CN114006369B/zh
Publication of CN114006369A publication Critical patent/CN114006369A/zh
Application granted granted Critical
Publication of CN114006369B publication Critical patent/CN114006369B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提出一种区域风光场站功率联合功率预测方法、装置、电子设备和存储介质，属于风电场和光伏电站输出功率预测领域。其中，所述方法包括：将区域内风电场和光伏电站作为联合***，获取联合***在待预测时间点的数值天气预报数据并归一化；将归一化后的数值天气预报数据输入预设的数值天气预报修正模型，得到修正后的数值天气预报数据；将修正后的数值天气预报数据输入预设的功率联合预测模型，得到联合***中风电场和光伏电站归一化后的预测功率并反归一化，得到风电场和光伏电站的预测功率。本公开能够对选定区域内的风电和光伏功率进行准确预测，保证风电和光伏并网的可靠性。

Description

区域风光场站功率联合预测方法、装置、电子设备和存储介质
技术领域
本公开属于风电场和光伏电站输出功率预测领域，具体涉及一种区域风光场站功率联合预测方法、装置、电子设备和存储介质。
背景技术
风光发电功率预测是保障高比例新能源电力***安全稳定运行的必要前提。我国新能源开发具有大规模集中式的特点，风电场和光伏电站大都成群存在。区域内的风电场与光伏电站之间存在着显著且复杂时空耦合特性，考虑到风电场和光伏电站之间的这些特性，可对区域风光出力进行联合预测，从而充分利用场站间的时空相关特性，提高功率预测精度。
现有风光功率预测方法大都是针对单一能源形式和单一场站的，无法充分有效的利用各个场站之间风光资源的时空耦合特性，限制了功率预测精度的提高。此外，现有风光功率预测分散于各个场站，需要针对各个场站独立建模，增加了建模工作量，对于模型更新和***维护的效率及成本有不利影响。
发明内容
本公开的目的在于克服现有技术的不足，提出了一种区域风光场站功率联合预测方法、装置、电子设备和存储介质。本公开能够对选定区域内的风电和光伏功率进行准确预测，保证风电和光伏并网的可靠性。
本公开第一方面实施例提出一种区域风光场站功率联合预测方法，包括：
将区域中选取的风电场和光伏电站作为联合***，获取所述联合***在待预测时间点的数值天气预报数据；
对所述数值天气预报数据进行归一化；
将归一化后的所述数值天气预报数据输入预设的数值天气预报修正模型，得到修正后的数值天气预报数据；
将所述修正后的数值天气预报数据输入预设的功率联合预测模型，得到所述联合***中所述风电场和光伏电站归一化后的预测功率；
对所述归一化后的预测功率反归一化，得到所述风电场和光伏电站的预测功率。
在本公开的一个具体实施例中，所述联合***内的风电场和光伏电站通过计算区域中各风电场和光伏电站的相关性选取。
在本公开的一个具体实施例中，所述方法还包括：
获取样本集，利用所述样本集训练所述数值天气预报修正模型和所述功率联合预测模型。
在本公开的一个具体实施例中，所述获取样本集，包括：
获取所述联合***中风电场和光伏电站各采样时间点分别对应的历史实测数据及历史数值天气预报数据；其中，所述风电场历史实测数据包括：风电场的实测风速和风电场实测功率；所述风电场历史数值天气预报数据包括：风电场的风速和风向；所述光伏电站历史实测数据包括：光伏电站的实测辐照度和光伏电站实测功率；所述光伏电站数值历史天气预报数据包括：光伏电站的辐照度和温度；
将每个采样时间点的所述风电场历史实测数据、所述风电场历史数值天气预报数据、所述光伏电站历史实测数据和所述光伏电站历史数值天气预报数据组成一个样本，将所有样本组成样本集；
将所述样本集划分为数值天气预报修正数据集和功率预测数据集。
在本公开的一个具体实施例中，在所述将每个采样时间点的所述风电场历史实测数据、所述风电场历史数值天气预报数据、所述光伏电站历史实测数据和所述光伏电站历史数值天气预报数据组成一个样本之前，还包括：
检测所述历史实测数据和所述历史数值天气预报数据中是否存在缺失或异常数据；
其中，若满足在连续的预设时间范围内的任一类型数据均达到设定的异常数据阈值，则删除所述连续的预设时间范围内的全部数据；
若满足在连续的预设时间范围内的任一类型数据缺失的数量少于预设的该类型数据量阈值，则补充所述连续的预设时间范围内该类型数据中缺失的数据；
若满足在连续的预设时间范围内任一类型数据的缺失数量大于等于预设的该类型数据量阈值，则删除所述连续的预设时间范围内的全部数据。
在本公开的一个具体实施例中，所述利用所述样本集训练所述数值天气预报修正模型和所述功率联合预测模型，包括：
对所述数值天气预报修正数据集中的数据进行归一化；
构建数值天气预报修正模型，利用归一化后的数值天气预报修正数据集训练所述数值天气预报修正模型，得到训练完毕的所述数值天气预报修正模型；其中，训练时，所述数值天气预报修正模型的输入为所述数值天气预报修正数据集中各样本归一化后的历史数值天气预报数据中的风速和辐照度，输出为所述各样本归一化后的实测风速和实测辐照度；
对所述功率预测数据集的数据进行归一化；
将归一化后的功率预测数据集中各样本的历史数值天气预报数据中的风速和辐照度输入训练完毕的所述数值天气预报修正模型，得到所述功率预测数据集中各样本修正后的风速和辐照度；
构建功率联合预测模型，利用归一化后的功率预测数据集训练所述功率联合预测模型，得到训练完毕的所述功率联合预测模型；其中，训练时，所述功率联合预测模型的输入为所述功率预测数据集中各样本修正后的风速和辐照度以及归一化后的数值天气预报数据中的风向、温度，输出为所述各样本归一化后的风电场功率和光伏电站功率。
在本公开的一个具体实施例中，所述数值天气预报修正模型采用基于注意力机制的深度学习模型；所述功率联合预测模型采用基于多任务学习的深度学习模型。
本公开第二方面实施例提出一种区域风光场站功率联合预测装置，包括：
获取模块，用于将区域中选取的风电场和光伏电站作为联合***，获取所述联合***在待预测时间点的数值天气预报数据；
归一化模块，用于对所述数值天气预报数据进行归一化；
数值天气预报修正模块，用于将归一化后的所述数值天气预报数据输入预设的数值天气预报修正模型，得到修正后的数值天气预报数据；
功率联合预测模块，用于将所述修正后的数值天气预报数据输入预设的功率联合预测模型，得到所述联合***中所述风电场和光伏电站归一化后的预测功率；
反归一化模块，用于对所述归一化后的预测功率反归一化，得到所述风电场和光伏电站的预测功率。
本公开第三方面实施例提出一种电子设备，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种区域风光场站功率联合预测方法。
本公开第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种区域风光场站功率联合预测方法。
本公开的特点及有益效果：
本公开通过深度学习算法，学习区域内不同位置处风光资源之间的时空相关性。该公开使用一种预测模型便可同时得出风电出力与光伏出力预测结果，有效提高了功率预测精度，大大提升了预测效率，降低了***运行成本。
附图说明
图1为本公开实施例中一种区域风光场站功率联合预测方法的整体流程图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
本公开第一方面实施例提出一种区域风光场站功率联合预测方法，整体流程如图1所示，包括以下步骤：
1)获取待预测区域内各风电场和光伏电站在设定历史时段中各采样时间点分别对应的历史实测数据及历史数值天气预报数据，其中所述设定历史时段包括N个采样时间点，N为大于等于1的整数。
其中，在一些地区，由于风光资源差别迥异，直接将整个区域作为待预测区域并建立对应的数值天气预报修正模型时，可能由于资源特性代表性差而影响模型精度。在这种情况下，本公开的一些实施例中，可以依据区域风光场站资源及其出力的相关性、互补性和聚合性，对区域内的风光场站进行分组，再分别为每个组建立风光数值天气预报联合修正模型和功率联合预测模型，可以提高修正精度和功率预测精度。
本公开的一个具体实施例中，如在江西地区，环鄱阳湖地区的天气特征与赣南高山地区的差异很大，分为两个或两个以上的子区域分别进行建模，可以提高修正效果。可采用的分组方法例如：计算不同时间尺度下风电场间和光伏电站间出力的相关性，如用Pearson从相关系数来表征两个场站之间相关性的大小，按相关性大小风光电站进行分组。
本公开实施例中，所述风电场历史实测数据包括：风电场的实测风速和风电场功率数据，其中至少包括一个场站的实测风速和功率数据；所述风电场的历史数值天气预报数据包括：所对应场站的至少一个源，包括至少一个位置处的风速和风向数据(风向数据用于之后的功率预测的输入)。
本公开实施例中，所述光伏电站历史实测数据包括：光伏电站实测辐照度和光伏电站的功率数据；所述光伏电站历史数值天气预报数据包括：各光伏电站所在地中至少一个源，包括至少一个位置处的辐照度和温度数据。
优选地，本公开一个具体实施例中数据的采样时间间隔至少是15分钟，数据采集的时间范围至少为1年。
2)检测步骤1)获取的风电场历史数据和光伏电站历史数据中是否有缺失或异常数据：
3-1)若不存在缺失或异常数据，则进入步骤3)；
3-2)若存在缺失或异常数据，则进一步判定如下：
3-2-1)在本公开实施例中，对于异常数据处理如下：
若连续的预设范围内(连续的预设范围的要求是一小时)获取的实测数据中风速均大于等于设定风速阈值(本公开实施例中为陆上25m/s，海上30m/s)，实测辐照度数据均大于等于该区域对应的标准太阳辐照度(不同地区对应的标准太阳辐照度为不同)，或者实测功率数据均小于0，则认为在该连续的预设范围内所有数据均为异常数据并删除；
3-2-2)若连续的预设范围内的任一类型数据缺失的数量少于预设的该类型数据量阈值，则补充该类型数据中的缺失的数据；若连续的预设范围内任一类型数据的缺失数量大于等于预设的该类型数据量阈值，则删除该连续的预设范围内的全部数据；
4)将每个采样时间点获取的风电场历史数据、风电场数值天气预报数据、光伏电站历史数据和光伏电站数值天气预报数据组成一个样本，将所有样本组成样本集；将样本集划分为数值天气预报修正数据集和功率预测数据集，本公开的一个具体实施例中将样本集的前50％设置为数值天气预报修正样本组成数值天气预报修正数据集，剩余样本为功率预测样本组成功率预测数据集，两数据集的比例为1：1(两数据集的比例可以变化，但是每个数据集的样本必须是时间上连续的)。
5)对数值天气预报修正数据集的所有数据进行归一化；
将数值天气预报修正数据集中各类型历史数据和各类型数值天气预报数据分别进行0-1归一化处理；
本公开实施例中，对任一相同类型数据，归一化方法如下：
Figure BDA0003325566710000051
式中，将任一相同类型数据组成数据集记为X，Xi为该类型数据集中第i个数据，Xmin、Xmax分别表示数据集X中的最小值和最大值，x(i)为Xi归一化后的数据。
所有数据归一化完毕后，得到归一化后的数值天气预报修正数据集。
6)构建数值天气预报修正模型，利用归一化后的数值天气预报修正数据集对数值天气预报修正模型进行训练，得到训练完毕的数值天气预报修正模型。
本公开实施例中，所述数值天气预报修正模型为基于注意力机制的深度学***均绝对误差函数，优化器为Relu，网络初始学习率为0.001。
利用归一化后的数值天气预报修正数据集对数值天气预报修正模型进行训练，其中数值天气预报修正模型的输入为各采样时间点归一化后的数值天气预报数据中的风速和辐照度数据，输出为该采样时间点对应的归一化后的实测风速和实测辐照度数据；本公开一个具体实施例中，待预测区域的风电场个数为8，光伏电站个数为7，数值天气预报修正模型的参数如表1所示：
表1本公开一个具体实施例中数值天气预报修正模型参数表
名称 参数
注意力机制层 乘法注意力
全连接层 神经元数目：32
Dropout层 随机失活比：0.2
全连接层 神经元数目：64
Dropout层 随机失活比：0.2
全连接层 神经元数目：32
Dropout层 随机失活比：0.2
输出层 神经元数目：15
训练时，根据多个样本的预测风速和辐照度和多个样本分别对应的实测数据，确定多个样本的损失；若多个样本的损失不满足设定的收敛条件，则继续对数值天气预报修正模型进行迭代训练；若多个样本的损失满足收敛条件，则停止训练，得到训练完毕的数值天气预报修正模型。
7)对功率预测数据集的所有数据进行归一化；
本公开实施例中，按照式(1)对功率预测数据集中各类型历史数据和各类型数值天气预报数据分别进行0-1归一化处理；
8)将功率预测数据集中归一化后的数值天气预报数据中的风速和辐照度数据输入步骤6)训练完毕的数值天气预报修正模型，得到对应的修正后的风速和辐照度数据，该修正后的风速和辐照度数据同样为归一化后的数据。
9)构建功率联合预测模型，利用步骤8)修正后的风速和辐照度数据以及步骤7)归一化后的功率预测数据集对功率联合预测模型进行训练，得到训练完毕的功率联合预测模型。
本公开实施例中，所述功率联合预测模型为基于多任务学***均绝对误差函数，优化器为Adam，网络初始学习率为0.001。
训练时，所述功率联合预测模型的输入为修正数据和数值天气预报风向、温度数据；输出为实测功率数据构建功率联合预测模型。利用归一化后的功率预测数据集，修正后的风速和辐照度数据以及该数据集中各采样时间点对应的光伏电站温度数据对功率联合预测模型进行训练，其中功率联合预测模型的输入为各采样时间点修正后的风速和辐照度数据以及各光伏电站归一化后的数值天气预报中的温度数据，输出为该采样时间点对应的归一化后的风电场功率和光伏电站功率。本公开一个具体实施例中，功率联合预测模型的参数如表2所示：
表2本公开一个具体实施例中功率联合预测模型参数表
名称 参数
注意力机制层 采用乘法注意力
卷积层 卷积核数目：64，卷积核大小：2
池化层 池化窗口大小：2
Dropout层 随机失活比：0.2
全连接层 神经元数目：64
Dropout层 随机失活比：0.2
全连接层 神经元数目：32
Dropout层 随机失活比：0.2
输出层 神经元数目：15
训练时，根据多个样本的预测功率和多个样本分别对应的实测数据，确定多个样本的损失；若多个样本的损失不满足设定收敛条件，则继续对功率联合预测模型模型进行迭代训练；若多个样本的损失满足收敛条件，则停止训练，得到训练完毕的功率联合预测模型。
10)获取区域中各风电场和光伏电站在待预测时间点的数值天气预报数据并进行归一化，将归一化后的数值天气预报数据中的风速和辐照度数据输入训练完毕的数值天气预报修正模型，数值天气预报修正模型输出该时间点修正后的风速和辐照度数据。将修正后的风速和辐照度数据输入训练完毕的功率联合预测模型，功率联合预测模型输出该待时间点归一化后的各风电场预测功率和各光伏电站预测功率，然后对该归一化后的各风电场预测功率和各光伏电站预测功率分别反归一化得到待预测区域各风电场和光伏电站的预测功率。
为了实现上述实施例，本公开第二方面实施例提出一种区域风光场站功率联合预测装置，包括：
获取模块，用于将区域中选取的风电场和光伏电站作为联合***，获取所述联合***在待预测时间点的数值天气预报数据；
归一化模块，用于对所述数值天气预报数据进行归一化；
数值天气预报修正模块，用于将归一化后的所述数值天气预报数据输入预设的数值天气预报修正模型，得到修正后的数值天气预报数据；
功率联合预测模块，用于将所述修正后的数值天气预报数据输入预设的功率联合预测模型，得到所述联合***中所述风电场和光伏电站归一化后的预测功率；
反归一化模块，用于对所述归一化后的预测功率反归一化，得到所述风电场和光伏电站的预测功率。
为了实现上述实施例，本公开第三方面实施例提出一种电子设备，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述一种区域风光场站功率联合预测方法。
为了实现上述实施例，本公开第四方面实施例提出一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行上述一种区域风光场站功率联合预测方法。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例的一种区域风光场站功率联合预测方法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“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“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种区域风光场站功率联合预测方法，其特征在于，包括：
获取样本集，利用所述样本集训练数值天气预报修正模型和功率联合预测模型；
将区域中选取的风电场和光伏电站作为联合***，获取所述联合***在待预测时间点的数值天气预报数据；
对所述数值天气预报数据进行归一化；
将归一化后的所述数值天气预报数据输入预设的数值天气预报修正模型，得到修正后的数值天气预报数据；
将所述修正后的数值天气预报数据输入预设的功率联合预测模型，得到所述联合***中所述风电场和光伏电站归一化后的预测功率；
对所述归一化后的预测功率反归一化，得到所述风电场和光伏电站的预测功率；
其中，所述获取样本集，包括：
获取所述联合***中风电场和光伏电站各采样时间点分别对应的历史实测数据及历史数值天气预报数据；其中，所述风电场历史实测数据包括：风电场的实测风速和风电场实测功率；所述风电场历史数值天气预报数据包括：风电场的风速和风向；所述光伏电站历史实测数据包括：光伏电站的实测辐照度和光伏电站实测功率；所述光伏电站历史数值 天气预报数据包括：光伏电站的辐照度和温度；
将每个采样时间点的所述风电场历史实测数据、所述风电场历史数值天气预报数据、所述光伏电站历史实测数据和所述光伏电站历史数值天气预报数据组成一个样本，将所有样本组成样本集；
将所述样本集划分为数值天气预报修正数据集和功率预测数据集；
所述利用所述样本集训练数值天气预报修正模型和功率联合预测模型，包括：
对所述数值天气预报修正数据集中的数据进行归一化；
构建数值天气预报修正模型，所述数值天气预报修正模型采用基于注意力机制的深度学习模型，利用归一化后的数值天气预报修正数据集训练所述数值天气预报修正模型，得到训练完毕的所述数值天气预报修正模型；其中，训练时，所述数值天气预报修正模型的输入为所述数值天气预报修正数据集中各样本归一化后的历史数值天气预报数据中的风速和辐照度，输出为所述各样本归一化后的实测风速和实测辐照度；
对所述功率预测数据集的数据进行归一化；
将归一化后的功率预测数据集中各样本的历史数值天气预报数据中的风速和辐照度输入训练完毕的所述数值天气预报修正模型，得到所述功率预测数据集中各样本修正后的风速和辐照度；
构建功率联合预测模型，所述功率联合预测模型采用基于多任务学习的深度学习模型；
利用归一化后的功率预测数据集训练所述功率联合预测模型，得到训练完毕的所述功率联合预测模型；其中，训练时，所述功率联合预测模型的输入为所述功率预测数据集中各样本修正后的风速和辐照度以及归一化后的数值天气预报数据中的风向、温度，输出为所述各样本归一化后的风电场功率和光伏电站功率。
2.根据权利要求1所述的方法，其特征在于，所述联合***内的风电场和光伏电站通过计算区域中各风电场和光伏电站的相关性选取。
3.根据权利要求 1所述的方法，其特征在于，在所述将每个采样时间点的所述风电场历史实测数据、所述风电场历史数值天气预报数据、所述光伏电站历史实测数据和所述光伏电站历史数值天气预报数据组成一个样本之前，还包括：
检测所述历史实测数据和所述历史数值天气预报数据中是否存在缺失或异常数据；
其中，若满足在连续的预设时间范围内的任一类型数据均达到设定的异常数据阈值，则删除所述连续的预设时间范围内的全部数据；
若满足在连续的预设时间范围内的任一类型数据缺失的数量少于预设的该类型数据量阈值，则补充所述连续的预设时间范围内该类型数据中缺失的数据；
若满足在连续的预设时间范围内任一类型数据的缺失数量大于等于预设的该类型数据量阈值，则删除所述连续的预设时间范围内的全部数据。
4.一种区域风光场站功率联合预测装置，其特征在于，包括：
训练模块，用于获取样本集，利用所述样本集训练数值天气预报修正模型和功率联合预测模型；
获取模块，用于将区域内风电场和光伏电站作为联合***，获取所述联合***在待预测时间点的数值天气预报数据；
归一化模块，用于对所述数值天气预报数据进行归一化；
数值天气预报修正模块，用于将归一化后的所述数值天气预报数据输入预设的数值天气预报修正模型，得到修正后的数值天气预报数据；
功率联合预测模块，用于将所述修正后的数值天气预报数据输入预设的功率联合预测模型，得到所述联合***中所述风电场和光伏电站归一化后的预测功率；
反归一化模块，用于对所述归一化后的预测功率反归一化，得到所述风电场和光伏电站的预测功率；
其中，所述获取样本集，包括：
获取所述联合***中风电场和光伏电站各采样时间点分别对应的历史实测数据及历史数值天气预报数据；其中，所述风电场历史实测数据包括：风电场的实测风速和风电场实测功率；所述风电场历史数值天气预报数据包括：风电场的风速和风向；所述光伏电站历史实测数据包括：光伏电站的实测辐照度和光伏电站实测功率；所述光伏电站历史 数值天气预报数据包括：光伏电站的辐照度和温度；
将每个采样时间点的所述风电场历史实测数据、所述风电场历史数值天气预报数据、所述光伏电站历史实测数据和所述光伏电站历史数值天气预报数据组成一个样本，将所有样本组成样本集；
将所述样本集划分为数值天气预报修正数据集和功率预测数据集；
所述利用所述样本集训练数值天气预报修正模型和功率联合预测模型，包括：
对所述数值天气预报修正数据集中的数据进行归一化；
构建数值天气预报修正模型，所述数值天气预报修正模型采用基于注意力机制的深度学习模型；利用归一化后的数值天气预报修正数据集训练所述数值天气预报修正模型，得到训练完毕的所述数值天气预报修正模型；其中，训练时，所述数值天气预报修正模型的输入为所述数值天气预报修正数据集中各样本归一化后的历史数值天气预报数据中的风速和辐照度，输出为所述各样本归一化后的实测风速和实测辐照度；
对所述功率预测数据集的数据进行归一化；
将归一化后的功率预测数据集中各样本的历史数值天气预报数据中的风速和辐照度输入训练完毕的所述数值天气预报修正模型，得到所述功率预测数据集中各样本修正后的风速和辐照度；
构建功率联合预测模型，所述功率联合预测模型采用基于多任务学习的深度学习模型；利用归一化后的功率预测数据集训练所述功率联合预测模型，得到训练完毕的所述功率联合预测模型；其中，训练时，所述功率联合预测模型的输入为所述功率预测数据集中各样本修正后的风速和辐照度以及归一化后的数值天气预报数据中的风向、温度，输出为所述各样本归一化后的风电场功率和光伏电站功率。
5.一种电子设备，其特征在于，包括：
至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行上述权利要求1-3任一项所述的方法。
6.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1-3任一项所述的方法。
CN202111261232.9A 2021-10-28 2021-10-28 区域风光场站功率联合预测方法、装置、电子设备和存储介质 Active CN114006369B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111261232.9A CN114006369B (zh) 2021-10-28 2021-10-28 区域风光场站功率联合预测方法、装置、电子设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111261232.9A CN114006369B (zh) 2021-10-28 2021-10-28 区域风光场站功率联合预测方法、装置、电子设备和存储介质

Publications (2)

Publication Number Publication Date
CN114006369A CN114006369A (zh) 2022-02-01
CN114006369B true CN114006369B (zh) 2022-08-30

Family

ID=79924507

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111261232.9A Active CN114006369B (zh) 2021-10-28 2021-10-28 区域风光场站功率联合预测方法、装置、电子设备和存储介质

Country Status (1)

Country Link
CN (1) CN114006369B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114971058B (zh) * 2022-06-09 2023-07-14 哈尔滨工业大学 基于深度注意力网络和晴空辐射先验融合的光伏预报方法
CN115660233A (zh) * 2022-12-26 2023-01-31 尚特杰电力科技有限公司 光伏功率预测方法、装置、电子设备及存储介质
CN116742626B (zh) * 2023-08-14 2023-10-20 长江三峡集团实业发展(北京)有限公司 考虑大气混沌特征的风光联合功率集合预测方法及装置
CN116760028A (zh) * 2023-08-14 2023-09-15 长江三峡集团实业发展(北京)有限公司 一种风光联合功率预测方法、装置、计算机设备及介质
CN117992751A (zh) * 2024-02-26 2024-05-07 湖北交投新能源投资有限公司 分布式新能源的发电数据预测方法、装置、设备及介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390116A (zh) * 2013-08-07 2013-11-13 华北电力大学（保定） 采用分步方式的光伏电站发电功率预测方法
CN110880789A (zh) * 2019-12-06 2020-03-13 国网江苏省电力有限公司南通供电分公司 一种风电、光伏联合发电***经济调度方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107085755A (zh) * 2017-05-15 2017-08-22 内蒙古电力(集团)有限责任公司 一种光伏电站短期功率预测方法及***
US20200057175A1 (en) * 2018-08-17 2020-02-20 Nec Laboratories America, Inc. Weather dependent energy output forecasting
CN112231193A (zh) * 2020-12-10 2021-01-15 北京必示科技有限公司 时序数据容量预测方法、装置、电子设备及存储介质
CN112348292B (zh) * 2021-01-07 2021-08-06 中国电力科学研究院有限公司 一种基于深度学习网络的短期风电功率预测方法和***
CN113537582B (zh) * 2021-07-02 2022-05-24 东北电力大学 一种基于短波辐射修正的光伏功率超短期预测方法
CN113497445A (zh) * 2021-09-08 2021-10-12 国网江西省电力有限公司电力科学研究院 一种区域多尺度新能源电站出力联合预测方法及***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103390116A (zh) * 2013-08-07 2013-11-13 华北电力大学（保定） 采用分步方式的光伏电站发电功率预测方法
CN110880789A (zh) * 2019-12-06 2020-03-13 国网江苏省电力有限公司南通供电分公司 一种风电、光伏联合发电***经济调度方法

Also Published As

Publication number Publication date
CN114006369A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
CN114006369B (zh) 区域风光场站功率联合预测方法、装置、电子设备和存储介质
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及***
CN109842373B (zh) 基于时空分布特性的光伏阵列故障诊断方法及装置
CN102562469B (zh) 基于校正算法的短期风力发电机输出功率预测方法
CN113496311A (zh) 光伏电站发电功率预测方法及***
CN103117546B (zh) 一种超短期风电功率滑动预测方法
CN103106544B (zh) 一种基于t-s型模糊神经网络的光伏发电预测***
CN111680820B (zh) 分布式光伏电站故障诊断方法和装置
CN112285807B (zh) 一种气象信息预测方法及装置
CN103268366A (zh) 一种适用于分散式风电场的组合风电功率预测方法
CN110929953A (zh) 基于聚类分析的光伏电站超短期出力预测方法
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
CN103473621A (zh) 风电场短期功率预测方法
CN110222411B (zh) 一种基于mRMR-DBN算法的无量测区太阳辐射估算方法
Li et al. Short-term prediction of the power of a new wind turbine based on IAO-LSTM
CN113822418A (zh) 一种风电场功率预测方法、***、设备和存储介质
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
CN113111592A (zh) 一种基于emd-lstm的短期风电功率预测方法
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN115859099A (zh) 样本生成方法、装置、电子设备和存储介质
CN113991711A (zh) 一种光伏电站储能***容量配置方法
CN116581755B (zh) 功率预测方法、装置、设备及存储介质
CN110717623B (zh) 融合多种天气状况的光伏发电功率预测方法及装置、设备
CN117272184A (zh) 一种基于issa-rf算法的光伏发电***故障分类方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant