CN114330934A - 一种模型参数自适应的gru新能源短期发电功率预测方法 - Google Patents
一种模型参数自适应的gru新能源短期发电功率预测方法 Download PDFInfo
- Publication number
- CN114330934A CN114330934A CN202210227815.8A CN202210227815A CN114330934A CN 114330934 A CN114330934 A CN 114330934A CN 202210227815 A CN202210227815 A CN 202210227815A CN 114330934 A CN114330934 A CN 114330934A
- Authority
- CN
- China
- Prior art keywords
- power
- prediction
- time period
- power generation
- target
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种模型参数自适应的GRU新能源短期发电功率预测方法。所述方法包括:获取在预测时间段中目标电站所处区域的天气预报数据,以及,在所述预测时间段之前的至少一个时间点下所述目标电站对应的历史发电功率;将所述天气预报数据和所述历史发电功率输入至预训练的发电功率预测模型,得到所述目标电站在所述预测时间段中的预测发电功率。采用本方法能够使得预测数据与历史数据相结合的同时也考虑了影响发电功率的因素,而且预训练的发电功率预测模型采用了超参数优化算法进行超参数优化,模型的训练更加完善,使用本方法能够使得目标电站的预测发电功率更准确,更高效。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及一种模型参数自适应的GRU新能源短期发电功率预测方法。
背景技术
随着发电技术的发展,出现了火力发电、核能发电以及新能源发电技术,多种发电技术的应用将为国家提供电能的保障,对于发电功率的稳定将是保障持续性供电的前提,做好发电功率的预测,可以为发电功率出现异常之前提供解决导致异常原因的办法。
传统技术中,大多采用了统计模型进行预测,然而这种统计模型的模型参数往往需要人为手动调参,由于人为手动调参较为依赖经验,用户往往因为缺乏调参经验而无法将该统计模型的模型参数调整至最优的模型参数,这导致预测结果与实际的发电功率相差较大,造成预测精度较低。
发明内容
基于此,有必要针对上述技术问题,提供一种发电功率预测方法、装置、计算机设备和计算机可读存储介质。
第一方面,本申请提供了一种发电功率预测方法。所述方法包括:获取在预测时间段中目标电站所处区域的天气预报数据,以及,在所述预测时间段之前的至少一个时间点下所述目标电站对应的历史发电功率;将所述天气预报数据和所述历史发电功率输入至预训练的发电功率预测模型,得到所述目标电站在所述预测时间段中的预测发电功率;其中,所述预训练的发电功率预测模型为采用训练样本数据对待训练的发电功率预测模型进行训练得到;所述训练样本数据包括所述目标电站在标签时间段中的实际发电功率、在所述标签时间段中所述目标电站所处区域的天气预报数据以及在所述标签时间段之前的至少一个时刻下所述目标电站对应的历史发电功率;所述待训练的发电功率预测模型所使用的超参数为经过预设的超参数优化算法确定的。
在其中一个实施例中,所述方法还包括:获取所述训练样本数据,所述训练样本数据包括所述目标电站在标签时间段中的实际发电功率、在所述标签时间段中所述目标电站所处区域的天气预报数据以及在所述标签时间段之前的至少一个时刻下所述目标电站对应的历史发电功率;将所述标签时间段中所述目标电站所处区域的天气预报数据,以及在所述标签时间段之前的至少一个时刻下所述目标电站对应的历史发电功率输入至所述待训练的发电功率预测模型,得到所述目标电站在标签时间段中的预测发电功率;基于所述预测发电功率和所述实际发电功率对所述待训练的发电功率预测模型进行训练,得到所述预训练的发电功率预测模型。
在其中一个实施例中,所述方法还包括:获取初始发电功率预测模型,所述初始发电功率预测模型为循环神经网络模型;基于所述训练样本数据,使用所述超参数优化算法对所述初始发电功率预测模型的超参数进行优化,得到所述待训练的发电功率预测模型。
在其中一个实施例中,所述基于所述训练样本数据,使用所述超参数优化算法对所述初始发电功率预测模型的超参数进行优化,得到所述待训练的发电功率预测模型,包括:选取所述初始发电功率预测模型中关键的模型超参数,并利用所述模型超参数构建域空间;基于所述预处理训练样本数据以及所述初始发电功率预测模型中关键的模型超参数,使用贝叶斯优化算法在所述域空间中确定针对所述初始发电功率预测模型的目标超参数;将所述初始发电功率预测模型的超参数调整为所述目标超参数,得到所述待训练的发电功率预测模型。
在其中一个实施例中,所述将所述天气预报数据和所述历史发电功率输入至预训练的发电功率预测模型,得到所述目标电站在所述预测时间段中的预测发电功率,包括:将所述天气预报数据和所述历史发电功率输入至所述目标电站对应的所述预训练的发电功率预测模型的特征提取层进行特征提取,得到对应的功率预测特征点;将对应的所述功率预测特征点输入至所述预训练的发电功率预测模型的预测层进行功率预测,得到所述目标电站部分或者全部所述天气预报数据和所述历史发电功率生成的一一对应的功率数据点,所述功率数据点用于表征所述目标电站在所述预测时间段中的至少一个时间点所对应的预测发电功率;对各所述功率数据点进行拟合,得到所述目标电站在所述预测时间段中的预测发电功率。
在其中一个实施例中,所述方法还包括:获取所述目标电站对应的预测结果评价分析标准,所述目标电站类型的不同对应不同的所述预测结果评价分析标准;将所述目标电站在所述预测时间段中的所述预测发电功率输入至所述预测结果评价分析标准进行评价,得到所述预测发电功率对应的评价分析结果。
第二方面,本申请还提供了一种发电功率预测装置。所述装置包括:数据获取模块,用于获取在预测时间段中目标电站所处区域的天气预报数据,以及,在所述预测时间段之前的至少一个时间点下所述目标电站对应的历史发电功率;预测发电功率得到模块,用于将所述天气预报数据和所述历史发电功率输入至预训练的发电功率预测模型,得到所述目标电站在所述预测时间段中的预测发电功率;其中,所述预训练的发电功率预测模型为采用训练样本数据对待训练的发电功率预测模型进行训练得到;所述训练样本数据包括所述目标电站在标签时间段中的实际发电功率、在所述标签时间段中所述目标电站所处区域的天气预报数据以及在所述标签时间段之前的至少一个时刻下所述目标电站对应的历史发电功率;所述待训练的发电功率预测模型所使用的超参数为经过预设的超参数优化算法确定的。
在其中一个实施例中,预训练的发电功率预测模型得到模块,用于获取所述训练样本数据,所述训练样本数据包括所述目标电站在标签时间段中的实际发电功率、在所述标签时间段中所述目标电站所处区域的天气预报数据以及在所述标签时间段之前的至少一个时刻下所述目标电站对应的历史发电功率;将所述标签时间段中所述目标电站所处区域的天气预报数据,以及在所述标签时间段之前的至少一个时刻下所述目标电站对应的历史发电功率输入至所述待训练的发电功率预测模型,得到所述目标电站在标签时间段中的预测发电功率;基于所述预测发电功率和所述实际发电功率对所述待训练的发电功率预测模型进行训练,得到所述预训练的发电功率预测模型。
在其中一个实施例中,待训练的发电功率预测模型得到模块,用于获取初始发电功率预测模型,所述初始发电功率预测模型为循环神经网络模型;基于所述训练样本数据,使用所述超参数优化算法对所述初始发电功率预测模型的超参数进行优化,得到所述待训练的发电功率预测模型。
在其中一个实施例中,待训练的发电功率预测模型得到模块,用于选取所述初始发电功率预测模型中关键的模型超参数,并利用所述模型超参数构建域空间;基于所述预处理训练样本数据以及所述初始发电功率预测模型中关键的模型超参数,使用贝叶斯优化算法在所述域空间中确定针对所述初始发电功率预测模型的目标超参数;将所述初始发电功率预测模型的超参数调整为所述目标超参数,得到所述待训练的发电功率预测模型。
在其中一个实施例中,预测发电功率得到模块,用于将所述天气预报数据和所述历史发电功率输入至所述目标电站对应的所述预训练的发电功率预测模型的特征提取层进行特征提取,得到对应的功率预测特征点;将对应的所述功率预测特征点输入至所述预训练的发电功率预测模型的预测层进行功率预测,得到所述目标电站部分或者全部所述天气预报数据和所述历史发电功率生成的一一对应的功率数据点,所述功率数据点用于表征所述目标电站在所述预测时间段中的至少一个时间点所对应的预测发电功率;对各所述功率数据点进行拟合,得到所述目标电站在所述预测时间段中的预测发电功率。
在其中一个实施例中,预测发电功率评价模块,用于获取所述目标电站对应的预测结果评价分析标准,所述目标电站类型的不同对应不同的所述预测结果评价分析标准;将所述目标电站在所述预测时间段中的所述预测发电功率输入至所述预测结果评价分析标准进行评价,得到所述预测发电功率对应的评价分析结果。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取在预测时间段中目标电站所处区域的天气预报数据,以及,在所述预测时间段之前的至少一个时间点下所述目标电站对应的历史发电功率;将所述天气预报数据和所述历史发电功率输入至预训练的发电功率预测模型,得到所述目标电站在所述预测时间段中的预测发电功率;其中,所述预训练的发电功率预测模型为采用训练样本数据对待训练的发电功率预测模型进行训练得到;所述训练样本数据包括所述目标电站在标签时间段中的实际发电功率、在所述标签时间段中所述目标电站所处区域的天气预报数据以及在所述标签时间段之前的至少一个时刻下所述目标电站对应的历史发电功率;所述待训练的发电功率预测模型所使用的超参数为经过预设的超参数优化算法确定的。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取在预测时间段中目标电站所处区域的天气预报数据,以及,在所述预测时间段之前的至少一个时间点下所述目标电站对应的历史发电功率;将所述天气预报数据和所述历史发电功率输入至预训练的发电功率预测模型,得到所述目标电站在所述预测时间段中的预测发电功率;其中,所述预训练的发电功率预测模型为采用训练样本数据对待训练的发电功率预测模型进行训练得到;所述训练样本数据包括所述目标电站在标签时间段中的实际发电功率、在所述标签时间段中所述目标电站所处区域的天气预报数据以及在所述标签时间段之前的至少一个时刻下所述目标电站对应的历史发电功率;所述待训练的发电功率预测模型所使用的超参数为经过预设的超参数优化算法确定的。
上述发电功率预测方法、装置、计算机设备和存储介质,通过获取在预测时间段中目标电站所处区域的天气预报数据,以及,在预测时间段之前的至少一个时间点下目标电站对应的历史发电功率;将天气预报数据和历史发电功率输入至预训练的发电功率预测模型,得到目标电站在预测时间段中的预测发电功率;其中,预训练的发电功率预测模型为采用训练样本数据对待训练的发电功率预测模型进行训练得到;训练样本数据包括目标电站在标签时间段中的实际发电功率、在标签时间段中目标电站所处区域的天气预报数据以及在标签时间段之前的至少一个时刻下目标电站对应的历史发电功率;待训练的发电功率预测模型所使用的超参数为经过预设的超参数优化算法确定的。
通过获取在预测时间段中目标电站所处区域的天气预报数据能够得到目标电站所处区域的自然环境情况,因为目前的发电功率与自然环境的情况息息相关,获取天气预报数据有助于进行预测,同时也获取预测时间段之前的至少一个时间点下目标电站对应的历史发电功率,能够根据历史发电功率进行预测,减少预测的错误。通过将天气预报数据和历史发电功率输入至预训练的发电功率预测模型,得到目标电站在预测时间段中的预测发电功率,同时使用天气预报数据和历史发电功率两者进行预测,能够避免只有一方面的数据导致预测出现了较大的偏差。
通过使用预训练的发电功率预测模型,输入天气预报数据以及历史发电功率数据,能够使得预测数据与历史数据相结合的同时也考虑了影响发电功率的因素,而且预训练的发电功率预测模型采用了超参数优化算法进行超参数优化,模型的训练更加完善,使用本方法能够使得目标电站的预测发电功率更准确,更高效。
附图说明
图1为一个实施例中发电功率预测方法的应用环境图;
图2为一个实施例中发电功率预测方法的流程示意图;
图3为一个实施例中预训练的发电功率预测模型得到步骤的流程示意图;
图4为一个实施例中待训练的发电功率预测模型得到步骤的流程示意图;
图5为另一个实施例中待训练的发电功率预测模型得到步骤的流程示意图;
图6为另一个实施例中发电功率预测方法的流程示意图;
图7为又一个实施例中发电功率预测方法的流程示意图;
图8为一个实施例中数据预测预处理模块示意图的示意图;
图9为一个实施例中循环门单元训练情况的示意图;
图10为另一个实施例中循环门单元训练情况的示意图;
图11为一个实施例中发电功率预测情况的示意图;
图12为另一个实施例中发电功率预测情况的示意图;
图13为一个实施例中发电功率预测结果与实际对比的示意图;
图14为另一个实施例中发电功率预测结果与实际对比的意图;
图15为一个实施例中发电功率预测结果精度的示意图;
图16为一个实施例中发电功率预测装置的结构框图;
图17为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的发电功率预测方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信,终端102将数据传输到服务器104上,数据存储***可以存储服务器104需要处理的数据,经过处理后的数据将通过网络传输到终端102上进行显示。数据存储***可以集成在服务器104上,也可以放在云上或其他网络服务器上。获取在预测时间段中目标电站所处区域的天气预报数据,以及,在预测时间段之前的至少一个时间点下目标电站对应的历史发电功率;将天气预报数据和历史发电功率输入至预训练的发电功率预测模型,得到目标电站在预测时间段中的预测发电功率;其中,预训练的发电功率预测模型为采用训练样本数据对待训练的发电功率预测模型进行训练得到;训练样本数据包括目标电站在标签时间段中的实际发电功率、在标签时间段中目标电站所处区域的天气预报数据以及在标签时间段之前的至少一个时刻下目标电站对应的历史发电功率;待训练的发电功率预测模型所使用的超参数为经过预设的超参数优化算法确定的。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种发电功率预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取在预测时间段中目标电站所处区域的天气预报数据,以及,在预测时间段之前的至少一个时间点下目标电站对应的历史发电功率。
其中,预测时间段可以是根据目前所得到的数据对未来的发电功率进行预测的时间段,该时间段可以是一天,也可以是多天,可以根据需要灵活调整,例如获取到今天的用来预测的数据,就可以预测未来三天的发电功率。
其中,目标电站所处区域可以是建设有需要预测发电功率的电站附近一定范围所围成的区域,该区域可以根据电站的发电规模或者该区域附近的自然环境等条件进行划分,如果两个电站相隔较为接近,则两个电站各自所处区域与对方重叠部分的区域可以各自纳入两个电站各自的范围。
其中,天气预报数据可以是目标电站所处区域中与自然环境有关系的一些指标的参数,这些参数包括温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水以及湿度等中的至少一个,同时,天气预报数据也可以反映目标电站所处区域外的自然环境对目标电站所处区域的一些额外的影响,例如蝴蝶效应等。
其中,预测时间段之前的至少一个时间点可以是预测时间段之前的任意一个时间点,该时间点的选取是有助于预测发电功率的点,而且该时间点的选取至少为一个,例如时间t之前15分钟和30分钟的两个时间点。
其中,历史发电功率可以是对应预测时间段之前的时间点检测到的发电功率,历史发电功率与预测时间段之前的时间点一一对应,因此可以选取一个功率数值,也可以选取多个功率数值作为历史发电功率。
具体地,获取需要预测的时间段中部分或者全部时间的目标电站所处的区域中用来表示自然条件的天气预报数据,例如风电场就获取100m风速、100m风向、湿度、气压等数据,获取天气预报数据的同时,也获取需要预测的时间段之前至少一个时间点对应需要预测发电功率的目标电站的对应的历史发电功率,例如预测时间段t之前15分钟以及前30分钟这两个时间点对应目标电站的历史发电功率A以及B,一般取的是预测时间段前一个时刻的历史功率(即15分钟前的历史功率),但也可以取前15分钟-前12小时之间任意时段的历史功率(分辨率为15分钟,时刻连续),并且遵循就近取的原则,例如:前15分钟,或前15分钟和前30分钟,或前15分钟、前30分钟和前45分钟,或前15分钟、前30分钟、前45分钟和前60分钟。
举例来说,获取预测时间段为未来三天的光伏电站X的部分或者全部的天气预报数据,光伏电站X的天气预报数据包括有温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水以及湿度等,同时获取光伏电站X位于预测时间段之前15分钟以及30分钟两个时间点该光伏电站X所对应的历史发电功率H以及I。
步骤204,将天气预报数据和历史发电功率输入至预训练的发电功率预测模型,得到目标电站在预测时间段中的预测发电功率。
其中,预训练的发电功率预测模型为采用训练样本数据对待训练的发电功率预测模型通过使用训练循环门单元(Gate Recurrent Unit,GRU)的方法训练得到,训练样本数据包括目标电站在标签时间段中的实际发电功率、在标签时间段中目标电站所处区域的天气预报数据以及在标签时间段之前的至少一个时刻下目标电站对应的历史发电功率,标签时间段可以是预测时间段。
其中,待训练的发电功率预测模型对应的超参数为经过超参数优化算法得到的,超参数优化算法是一个能够对超参数进行取优的算法,结合树结构Parzen估计器的超参数优化算法,能够对带训练的发电功率预测模型的超参数取优,直至达到了业务需求的标准。
具体地,将所需要时间段的天气预报数据以及预测时间段之前的至少一个时间点的目标电站所对应的历史发电功率同时输入至已经通过超参数优化算法进行超参数取优和经过训练的预训练的发电功率预测模型进行对预测时间段对应的发电功率进行预测,得到目标电站位于预测时间段中任意时刻的预测发电功率。
举例来说,将光伏电站X的天气预报数据温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水以及湿度等,还有光伏电站X位于预测时间段之前15分钟以及30分钟两个时间点该光伏电站X所对应的历史发电功率H以及I同时输入至预训练的发电功率预测模型对预测时间段为3天的时间段进行发电功率的预测,得到该光伏电站X未来3天中任意时刻的预测发电功率。
上述发电功率方法中,通过获取在预测时间段中目标电站所处区域的天气预报数据,以及,在预测时间段之前的至少一个时间点下目标电站对应的历史发电功率;将天气预报数据和历史发电功率输入至预训练的发电功率预测模型,得到目标电站在预测时间段中的预测发电功率;其中,预训练的发电功率预测模型为采用训练样本数据对待训练的发电功率预测模型进行训练得到;训练样本数据包括目标电站在标签时间段中的实际发电功率、在标签时间段中目标电站所处区域的天气预报数据以及在标签时间段之前的至少一个时刻下目标电站对应的历史发电功率;待训练的发电功率预测模型所使用的超参数为经过预设的超参数优化算法确定的。
通过获取在预测时间段中目标电站所处区域的天气预报数据能够得到目标电站所处区域的自然环境情况,因为目前的发电功率与自然环境的情况息息相关,获取天气预报数据能够有助于进行预测,同时也获取预测时间段之前的至少一个时间点下目标电站对应的历史发电功率,能够根据历史发电功率进行预测,减少预测的错误。通过将天气预报数据和历史发电功率输入至预训练的发电功率预测模型,得到目标电站在预测时间段中的预测发电功率,同时使用天气预报数据和历史发电功率两者进行预测,能够避免只有一方面的数据导致预测出现了较大的偏差。
通过使用预训练的发电功率预测模型,输入天气预报数据以及历史发电功率数据,能够使得预测数据与历史数据相结合的同时,也考虑了各种影响发电功率的因素,而且预训练的发电功率预测模型采用了超参数优化算法进行超参数优化,模型的训练更加完善,使用本方法能够使得目标电站的预测发电功率更准确,更高效。
在一个实施例中,如图3所示,方法还包括:
步骤302,获取训练样本数据。
具体地,服务器从存储器中调取用作待训练的发电功率预测模型的训练样本数据,这些数据经过不同步骤的优化,已经符合用作训练待训练的发电功率预测模型的标准。
举例来说,服务器的存储器中存储有已经经过限电时段剔除、负功率数据置零、错数据剔除、缺失值处理以及数据标准化的训练样本数据,服务器从存储器中调用上述的数据,为下一步进行模型训练做好准备。
步骤304,将标签时间段中目标电站所处区域的天气预报数据,以及在标签时间段之前的至少一个时刻下目标电站对应的历史发电功率输入至待训练的发电功率预测模型,得到目标电站在标签时间段中的预测发电功率。
其中,目标电站在标签时间段中的预测发电功率可以是经过待训练的发电功率预测模型进行预测所获得的用来表示目标电站在标签时间段中的发电功率。
具体地,将需要预测的时间段中部分或者全部时间的目标电站所处的区域中用来表示自然条件的天气预报数据,例如风电场就获取100m风速、100m风向、湿度、气压等数据,同时也将需要预测的时间段之前至少一个时间点对应用作预测发电功率的目标电站的对应的历史发电功率,例如预测时间段t之前15分钟以及前30分钟这两个时间点对应目标电站的历史发电功率A以及B输入至待训练的发电功率预测模型,通过模型的计算,得到目标电站在预测的时间段的预测发电功率。
举例来说,将预测时间段为未来三天的光伏电站X的部分或者全部的天气预报数据,光伏电站X的天气预报数据包括有温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水以及湿度等,同时将光伏电站X位于预测时间段之前15分钟以及30分钟两个时间点该光伏电站X所对应的历史发电功率H以及I输入至待训练的发电功率预测模型,通过模型的计算,得到目标电站在预测的时间段的预测发电功率。
步骤306,基于预测发电功率和实际发电功率对待训练的发电功率预测模型进行训练,得到预训练的发电功率预测模型。
其中,进行训练可以是使用预测发电功率和实际发电功率对待训练的发电功率预测模型中的超参数进行调整,使得模型的损失值符合预定设置的要求。
具体地,将预测发电功率以及实际发电功率进行对比,根据对比的结果对待训练的发电功率预测模型中的超参数进行调整,使得待训练的发电功率预测模型的损失值低于预定设置的要求,也就是说使得预测发电功率与实际发电功率进行对比后的误差值在合理的范围之内,得到已经训练好的预训练的发电功率预测模型。
举例来说,将光伏电站X位于预测时间段之内光伏电站X所对应的预测发电功率P以及实际发电功率Q进行对比,对比的同时对待训练的发电功率预测模型中的超参数进行调整,使得预测发电功率P和实际发电功率Q之间的误差值在合理的范围之内,得到已经训练好的预训练的发电功率预测模型。
本实施例中,通过使用待训练的发电功率预测模型、天气预报数据以及历史发电功率进行预测,得到预测发电功率,然后结合实际发电功率对待训练的发电功率预测模型进行训练,能够达到准确地调整待训练的发电功率预测模型里面的超参数,使得训练好的预训练的发电功率预测模型的性能更佳。
在一个实施例中,如图4所示,方法还包括:
步骤402,获取初始发电功率预测模型,初始发电功率预测模型为循环神经网络模型。
其中,初始发电功率预测模型可以是没有经过任何训练的循环神经网络模型,循环神经网络(Recurrent Neural Network,RNN)是一类以序列(sequence)数据为输入,在序列的演进方向进行递归(recursion)且所有节点(循环单元)按链式连接的递归神经网络(recursive neural network)。
具体地,给服务器设定一个用于预测发电功率的循环神经网络,该神经网络为初始发电功率预测模型,该模型中包含了用来预测发电功率的各种超参数,当中的每一个超参数可以根据具体情况在实际范围内进行调整。
举例来说,给服务器设定一个用来预测光伏电站的初始发电功率预测模型,该模型中有隐藏层个数hidden layers,分别设定为1、2、3层;神经元个数layer size,分别设定为50、70、100;学习率learning rate,设定为0.00001、0.0001、0.001和0.01;一个完整的数据集通过神经网络并且返回的次数epochs,设定为1至30之间的自然数,这中间任何一个参数可以根据实际情况进行合理的调整。
步骤404,基于训练样本数据,使用超参数优化算法对初始发电功率预测模型的超参数进行优化,得到待训练的发电功率预测模型。
其中,进行优化可以是通过超参数优化算法对初始发电功率预测模型中的超参数进行寻优,得到一组能够满足预设要求的超参数。
具体地,调取已经经过优化的训练数据样本,结合超参数优化算法对初始发电功率预测模型中的超参数进行优化,该超参数优化算法主要采用了树结构估计器的贝叶斯优化算法,而且该优化可以由计算机自动完成,也可以人工对优化过程进行调整,得到了一组能够满足预设要求的超参数,因此获得了待训练的发电功率预测模型。
举例来说,将预测时间段为未来三天的光伏电站X的部分或者全部的天气预报数据,光伏电站X的天气预报数据包括有温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水以及湿度等,同时将光伏电站X位于预测时间段之前15分钟以及30分钟两个时间点该光伏电站X所对应的历史发电功率H以及I输入至初始发电功率预测模型,通过模型的计算并且结合超参数优化算法对初始发电功率预测模型的超参数进行优化,得到目标电站的待训练的发电功率预测模型。
本实施例中,通过使用超参数优化算法对初始发电功率预测模型中的超参数进行优化,能够达到避免根据工作经验而进行人工调参而未达到最优的超参数,同时也能够避免因为人工调参而导致额外的工作量。
在一个实施例中,如图5所示,基于训练样本数据,使用超参数优化算法对初始发电功率预测模型的超参数进行优化,得到待训练的发电功率预测模型,包括:
步骤502,选取初始发电功率预测模型中关键的模型超参数,并利用模型超参数构建域空间。
其中,关键的模型超参数可以是能够影响对初始发电功率预测模型的性能的参数,也就是对预测结果有影响的参数。
其中,域空间可以是初始发电功率预测模型中的超参数的取值范围,该取值范围可以是计算机根据实际情况进行设定,也可以是人为根据具体项目的需求而进行设定。
具体地,对初始发电功率预测模型中的模型超参数进行筛选,选取能够影响到该模型的预测结果的超参数,利用这些超参数构建对应的域空间,并且使用贝叶斯优化算法的优化超参数的取值范围,也就是域空间里面的超参数的取值范围。
举例来说,一个用来预测光伏电站的初始发电功率预测模型,该模型中的超参数有以下几个:隐藏层个数hidden layers,分别设定为1、2、3层;神经元个数layer size,分别设定为50、70、100;学习率learning rate,设定为0.00001、0.0001、0.001和0.01;一个完整的数据集通过神经网络并且返回的次数epochs,设定为1至30之间的自然数;这中间任何一个参数可以根据实际情况中的域空间进行合理的调整。
步骤504,基于预处理训练样本数据以及初始发电功率预测模型中关键的模型超参数,使用贝叶斯优化算法在域空间中确定针对初始发电功率预测模型的目标超参数。
其中,贝叶斯优化算法可以是构造替代函数并选择下一个超参数值进行评估的方法,本方法使用树结构Parzen估计器。
其中,目标超参数可以是通过贝叶斯优化算法对域空间中的超参数的具体取值进行确定,从而得到的已经确定具体取值的超参数。
具体地,贝叶斯优化算法中的树结构Parzen估计器可以根据过去的结果构建概率模型,并通过最大化预期的改进来决定下一组超参数以在目标函数中进行评估,树结构Parzen Estimator通过应用贝叶斯规则构建模型,最终确定针对初始发电功率预测模型的目标超参数。
举例来说,经过贝叶斯优化算法后,初始发电功率预测模型的目标超参数分别为:隐藏层个数hidden layers为3层;神经元个数layer size为70;学习率learning rate为0.001,一个完整的数据集通过神经网络并且返回的次数epochs=2。
步骤506,将初始发电功率预测模型的超参数调整为目标超参数,得到待训练的发电功率预测模型。
具体地,将已经寻优后所得到的目标超参数替换初始发电功率预测模型中的原始超参数,替换后的发电功率预测模型为待训练的发电功率预测模型。
举例来说,初始发电功率预测模型中的原始超参数为:经过贝叶斯优化算法后,初始发电功率预测模型的目标超参数分别为:隐藏层个数hidden layers为1层;神经元个数layer size为30;学习率learning rate为0.003,一个完整的数据集通过神经网络并且返回的次数epochs=3;经过替换后得到的待训练的发电功率预测模型的超参数为:经过贝叶斯优化算法后,初始发电功率预测模型的目标超参数分别为:隐藏层个数hidden layers为3层;神经元个数layer size为70;学习率learning rate为0.001,一个完整的数据集通过神经网络并且返回的次数epochs=2,得到待训练的发电功率预测模型。
本实施例中,通过使用贝叶斯优化算法结合树结构Parzen估计器组成的超参数优化算法对初始发电功率预测模型位于域空间的范围内进行取优,获得最优的超参数组合,能够通过贝叶斯优化算法结合树结构Parzen估计器对实际场景的最优超参数进行寻找,计算机的寻优能够提高最优超参数寻找的效率。
在一个实施例中,如图6所示,将天气预报数据和历史发电功率输入至预训练的发电功率预测模型,得到目标电站在预测时间段中的预测发电功率,包括:
步骤602,将天气预报数据和历史发电功率输入至目标电站对应的预训练的发电功率预测模型的特征提取层进行特征提取,得到对应的功率预测特征点。
其中,特征提取层可以是对天气预报数据以及历史发电功率这两个数据中的特征进行提取,提取后得到可以反映天气预报数据以及历史发电功率的特征值。
其中,特征提取可以是对天气预报数据以及历史发电功率这两个数据中的特征进行提取的操作。
其中,功率预测特征点可以是用来表示特征提取后表示天气预报数据以及历史发电功率这两个数据的特征的特征点。
具体地,将已经处理好的天气预报数据以及历史发电功率同时输入至目标电站对应的预训练的发电功率预测模型的特征提取层进行特征提取,每一个目标电站所对应的预训练的发电功率预测模型有所区别,因此每一个目标电站对天气预报数据以及历史发电功率的特征提取具有一定的差别,通过特征提取后得到了能够描述天气预报数据以及历史发电功率的功率预测特征点。
举例来说,将预测时间段为未来三天的光伏电站X的部分或者全部的天气预报数据,光伏电站X的天气预报数据包括有温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水以及湿度等,同时将光伏电站X位于预测时间段之前15分钟以及30分钟两个时间点该光伏电站X所对应的历史发电功率H以及I输入至预训练的发电功率预测模型的特征提取层进行特征提取,提取后得到关于天气预报数据的功率预测特征点为a1、a2、a3、a4、a5、a6、a7以及a8等,而历史发电功率的功率预测特征点为b1以及b2。
步骤604,将对应的功率预测特征点输入至预训练的发电功率预测模型的预测层进行功率预测,得到目标电站部分或者全部天气预报数据和历史发电功率生成的一一对应的功率数据点。
其中,预测层可以是对功率预测特征点进行预测,得到每一个功率预测特征点对应的表示功率的数据点。
其中,功率预测可以是对功率预测特征点进行解析,然后得到每一个功率预测特征点对应的表示功率的数据点。
其中,功率数据点可以是通过预测层对功率预测特征点所带有的特征进行预测所得到的用来表示发电功率的数据点。
具体地,将天气预报数据以及历史发电功率的每一个对应的功率预测特征点输入至已经训练好的预训练的发电功率预测模型中的预测层,对上述的数据提取出来的特征进行预测,每一个功率预测特征点预测出多个对应的功率值,选取概率最大的功率值作为该特征点对应的功率数据点进行输出,得到每一个天气预报数据点以及历史发电功率所对应的功率数据点。
举例来说,提取后得到关于天气预报数据的功率预测特征点为a1、a2以及a3等,而历史发电功率的功率预测特征点为b1以及b2,经过预测层的预测,得到功率预测特征点a1的功率为c(概率为0.06)、d(概率为0.87)以及e(概率为0.07),因此输出概率最大的功率作为该点的功率数据点,也就是说预测特征点a1的功率为d。
步骤606,对各功率数据点进行拼接,得到目标电站在预测时间段中的预测发电功率。
其中,拼接可以是把平面上一系列的点,按照固定的先后顺序把每一个功率数据点排列起来,形成能够表达目标电站在预测时间段中的预测发电功率的曲线,该固定的先后顺序可以是时间的先后顺序,也可以是空间上的先后顺序等。
具体地,对每一个功率数据点采用预先设置的且固定的先后顺序进行拼接,拼接后得到一条平滑曲线,该平滑曲线为目标电站在预测时间段中的预测发电功率。
举例来说,光伏电站X通过功率预测得到了N个功率数据点,根据预设的要求,对这N个功率数据点按照时间的先后顺序进行拼接,拼接后得到由这N个功率数据点所形成的平滑曲线,为光伏电站X在预测时间段中的预测发电功率。
本实施例中,通过对天气预报数据以及历史发电功率的特征提取,然后根据提取得到的特征进行发电功率的预测,接着把所有功率数据点机型拟合得到最后的预测发电功率,能够达到通过人工智能的办法对数据的特征进行提取以及预测,减少因为对数据的覆盖不足而导致的误差,同时也能减少使用别的方法所带来的工作量。
在一个实施例中,如图7所示,方法还包括:
步骤702,获取目标电站对应的预测结果评价分析标准。
其中,预测结果评价分析标准可以是对目标电站在预测时间段中的预测发电功率进行分析评价,目标电站类型的不同对应不同的所述预测结果评价分析标准,该标准可以评判该预测发电功率的准确度。
具体地,服务器中的存储模块预先设置了多个不同类型的预测结果评价分析标准,当需要评价的时候服务器将调取相应的标准到计算模块中,不同类型的目标电站对应有不同的预测结果评价分析标准,计算机会根据目标电站的类型而自动调取。
举例来说,服务器准备使用预测结果评价分析标准对光伏电站X对应的预测结果进行评价,因此服务器从存储模块中调取《NB/T32031-2016光伏发电功率预测***功能规范》到计算模块中,准备对光伏电站X的预测结果进行评价。
步骤704,将目标电站在预测时间段中的预测发电功率输入至预测结果评价分析标准进行评价,得到预测发电功率对应的评价分析结果。
其中,进行评价可以是使用与目标电站对应的预测结果评价分析标准对目标电站得到的预测结果进行评估,不同类型的目标电站的评价过程不一致。
其中,评价分析结果可以是使用预测结果评价分析标准对目标电站的预测结果进行评估分析后所得到的预测结果与实际结果的对比。
具体地,将目标电站在预测时间段中的预测发电功率输入至预测结果评价分析标准进行评价,不同的目标电站选取不同的预测结果评价分析标准,计算机可以同时对多个目标电站调用不同的预测结果评价分析标准进行分析评价,得到预测发电功率对应的评价分析结果。
举例来说,将光伏电站X在预测时间段中的预测发电功率输入至调取到计算模块中的《NB/T32031-2016光伏发电功率预测***功能规范》进行分析评估,同时风电场Y的预测时间段中的预测发电功率也可以输入至《NB/T31046-2013风电功率预测***功能规范》进行分析评估,评估后得到光伏电站X和风电场Y分别对应的预测发电功率对应的评价分析结果。
本实施例中,通过对目标电站在预测时间段中的预测发电功率使用预测结果评价分析标准进行评价分析,得到评价分析结果,能够对比实际结果与预测结果之间的差异,为预测模型的调整提供了重要的指示。
在一个实施例中,对于历史功率和数值天气预报数据预处理如下所示:
实际生产中,数据大部分均不完整和不一致,无法直接进行数据挖掘,或挖掘结果差强人意。数据质量决定了新能源功率预测的上限,而在风电场或光伏电站功率预测实践中,历史功率数据和数值天气预报数据可能会存在有缺失值、重复值等,为了提高数据挖掘的质量,在使用数据之前需要进行数据预处理,从而提高功率预测的准确率。新能源功率预测数据预处理主要包括了:限电时段剔除、负功率数据置零、错数据剔除、缺失值处理、数据标准化。数据预测预处理模块的示意图如图8所示。
具体如下:
限电时段剔除。由于风电场和光伏电站功率的间歇性和波动性,供出的电能质量较差;另一方面,由于电网是一个实时供需平衡的***,因此难免会出现弃风限电和弃光限电的情况。这在样本集中存在明显的特点,即在一个适宜风电场或光伏电站发电的对应是时段下的风速或辐照度等数值天气预报条件下,且在一个较长的时段,新能源场站的输出功率突然下降,此时判定该时段为限电时段。或者样本集中直接提供了限电时段的信息。此时把该时段的数据剔除。
负功率数据置零。新能源发电功率应是大于或等于0的数值,若功率数据小于0,则把该时段的功率数据置零。
错数据剔除。新能源发电功率数据可能会出现时段错误、数值超过装机容量、某时段的功率数值为空或错误字段等问题,数值天气预报数据可能会出现时段错误、数值为空、字段错误或出现无穷大或无穷小等明显不符合实际情况的问题,这类数据需同时把对应时段的功率数据和数值天气预报数据剔除。
缺失值处理。由于功率数据和数值天气预报数据的分辨率均为15分钟,样本属性的距离清晰明确,因此使用均值插补法对对应属性有效值的平均值来插补缺失的值。
数据标准化。由于需要消除数值天气预报或历史功率等不同属性具有不同量级时的影响:①数量级的差异将导致量级较大的属性占据主导地位;②数量级的差异将导致神经网络迭代收敛速度减慢。因此,使用z-score对样本进行标准化,即基于原始数据的均值和标准差进行数据的标准化。将原始值x使用z-score标准化到x'。新数据=(原数据-均值)/标准差。
在一个实施例中,对于训练循环门单元GRU的实施流程如下:
经过基于贝叶斯优化算法的GRU模型参数自适应寻优后,找到了适应于样本集的模型最近参数,此时开始正式以训练集训练GRU模型。本方法使用包含风电场或光伏电站的历史功率和数值天气预报的训练集作为GRU的训练集。以A风电场和B光伏电站为例,具体如下:
(1)A风电场
①模型关键参数设定:隐藏层个数hiddenlayers为3层;神经元个数layersize为70;学习率learningrate为0.001,一个完整的数据集通过神经网络并且返回的次数epochs=2。
②训练集数据:时间:2020/7/1,8:00:00——2020/11/1,7:45:00,共123天,每一测试时间步长:15min,数据量:11777个时刻数据训练,数值天气预报数据特征量:100m风速、100m风向、湿度、气压。
③每一训练步长输入与输出:输入特征量描述:前15min历史功率+预测时间段的数值天气预报数据(100m风速、100m风向、湿度、气压),输入和输出如图9所示。
④训练耗时:每一训练步长训练耗时4ms,调用模型训练次数122次,训练集训练总耗时40s。
(2)B光伏电站
①模型关键参数设定:隐藏层个数hiddenlayers为3层;神经元个数layersize为70;学习率learningrate为0.001,一个完整的数据集通过神经网络并且返回的次数epochs=20。
②训练集数据:时间:2017/1/1,2:15:00——2018/1/2,2:00:00,共364天(其中28-May-2017,02:15:00——29-May-7017,02:00:00;11-Aug-2017,02:15:00——12-Aug-2017,02:00:00两天的数据缺失),每一测试时间步长:15min,数据量:34944个时刻数据训练,数值天气预报数据特征量:温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水,湿度。
③每一训练步长输入与输出:输入特征量描述:前15min历史功率+预测时间段的NWP数据(温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水,湿度),输入和输出如图10所示。
④训练耗时:每一训练步长训练耗时7ms,调用模型训练次数362次,训练集训练总耗时20s,经过训练集的训练,GRU分别在A风电场和B光伏电站得到了最优的算法模型。
在一个实施例中,对于功率预测的实施流程如下:
基于GRU分别在A风电场和B光伏电站得到的最优算法模型,开展测试集的新能源功率预测。测试集样本分别为:
(1)A风电场
①测试集数据:时间:2020/11/1,8:00:00——2021/12/31,7:45:00,共60天,每一测试时间步长:15min,数据量:17280个时刻数据训练(60天*3天*96时刻),数值天气预报数据特征量:100m风速、100m风向、湿度、气压,训练集与测试集比例为2.05:1。
②每一测试步长输入与输出:输入特征量描述:前一历史时刻历史功率+预测时间段的NWP数据(100m风速、100m风向、湿度、气压),输入和输出如图11所示。
③测试耗时:每一测试步长测试耗时0.03s,调用模型测试次数60次,测试集训练总耗时2.40s。
(2)B光伏电站
①测试集数据:时间:2018/1/2,2:15:00——2018/12/31,2:00:00,共363天,每一测试时间步长:15min,数据量:34848个时刻数据训练,数值天气预报数据特征量:温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水,湿度,训练集与测试集比例为1.003:1。
②每一测试步长输入与输出:输入特征量描述:前一历史时刻历史功率+预测时间段的NWP数据(温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水,湿度),输入和输出如图12所示。
③测试耗时:每一测试步长测试耗时0.031s,调用模型测试次数34832次,测试集训练总耗时11s。
在一个实施例中,对于功率预测结果评价分析的实施流程如下:
经过GRU算法对风电场或光伏电站的功率进行预测后,要对功率预测的结果进行评价分析。本方法使用中华人民共和国能源行业标准《NB/T31046-2013风电功率预测***功能规范》和《NB/T32031-2016光伏发电功率预测***功能规范》。
下面为预测结果分析:
(1)A风电场
①测试结果:总测试集预测精度为83.54%。
②测试功率曲线:预测时间步长72h,一周内共预测的次数7次(即调用模型做预测的次数),输出预测功率结果个数96×7=672,如图13所示。图中每一点代表的意义:由每个时间步长24h输出的未来288个功率的前96个点组成。
(2)B光伏电站
①测试结果:总测试集预测精度:按行标计算方式为91.64%。计算方式说明。每次预测的每个预测输出功率与真实功率做计算,一共预测了363次,预测精度由363×96=34848个预测功率结果与真实功率做比较求平均而成。
②测试功率曲线:预测时间步长24h,一周内共预测的次数7次(即调用模型做预测的次数),输出预测功率结果个数96×7=672,如图14所示。图中每一点代表的意义:由每个时间步长24h输出的未来96个功率组成。
预测结果汇总的结果如图15所示。
对于本技术方案,提出基于循环门单元的功率预测方法,对电场和电站的发电功率进行预测,预测时间段为未来0-72小时,分辨率为15分钟。循环门单元属于循环神经网络的一种,具有特征提取能力强,能够建模时间序列波动特性等优势,可以较好地预测风电场和光伏电站的功率波动特性。
提出了基于贝叶斯寻优的循环门单元超参数寻优方法,通过贝叶斯方法,在功率预测之前,对循环门单元的超参数进行自动寻优,找出针对样本集的最佳模型参数,从而得到适应特定新能源场站的循环门单元模型,极大提升了新能源场站的功率预测精度。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的发电功率预测方法的发电功率预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个发电功率预测装置实施例中的具体限定可以参见上文中对于发电功率预测方法的限定,在此不再赘述。
在一个实施例中,如图16所示,提供了一种发电功率预测装置,包括:数据获取模块和预测发电功率得到模块,其中:
数据获取模块1602,用于获取在预测时间段中目标电站所处区域的天气预报数据,以及,在预测时间段之前的至少一个时间点下目标电站对应的历史发电功率;
预测发电功率得到模块1604,用于将天气预报数据和历史发电功率输入至预训练的发电功率预测模型,得到目标电站在预测时间段中的预测发电功率;
其中,预训练的发电功率预测模型为采用训练样本数据对待训练的发电功率预测模型进行训练得到;训练样本数据包括目标电站在标签时间段中的实际发电功率、在标签时间段中目标电站所处区域的天气预报数据以及在标签时间段之前的至少一个时刻下目标电站对应的历史发电功率;待训练的发电功率预测模型所使用的超参数为经过预设的超参数优化算法确定的。
在其中一个实施例中,预训练的发电功率预测模型得到模块,用于获取训练样本数据,训练样本数据包括目标电站在标签时间段中的实际发电功率、在标签时间段中目标电站所处区域的天气预报数据以及在标签时间段之前的至少一个时刻下目标电站对应的历史发电功率;将标签时间段中目标电站所处区域的天气预报数据,以及在标签时间段之前的至少一个时刻下目标电站对应的历史发电功率输入至待训练的发电功率预测模型,得到目标电站在标签时间段中的预测发电功率;基于预测发电功率和实际发电功率对待训练的发电功率预测模型进行训练,得到预训练的发电功率预测模型。
在其中一个实施例中,待训练的发电功率预测模型得到模块,用于获取初始发电功率预测模型,初始发电功率预测模型为循环神经网络模型;基于训练样本数据,使用超参数优化算法对初始发电功率预测模型的超参数进行优化,得到待训练的发电功率预测模型。
在其中一个实施例中,待训练的发电功率预测模型得到模块,用于选取初始发电功率预测模型中关键的模型超参数,并利用模型超参数构建域空间;基于预处理训练样本数据以及初始发电功率预测模型中关键的模型超参数,使用贝叶斯优化算法在域空间中确定针对初始发电功率预测模型的目标超参数;将初始发电功率预测模型的超参数调整为目标超参数,得到待训练的发电功率预测模型。
在其中一个实施例中,预测发电功率得到模块,用于将天气预报数据和历史发电功率输入至目标电站对应的预训练的发电功率预测模型的特征提取层进行特征提取,得到对应的功率预测特征点;将对应的功率预测特征点输入至预训练的发电功率预测模型的预测层进行功率预测,得到目标电站部分或者全部天气预报数据和历史发电功率生成的一一对应的功率数据点,功率数据点用于表征目标电站在预测时间段中的至少一个时间点所对应的预测发电功率;对各功率数据点进行拟合,得到目标电站在预测时间段中的预测发电功率。
在其中一个实施例中,预测发电功率评价模块,用于获取目标电站对应的预测结果评价分析标准,目标电站类型的不同对应不同的所述预测结果评价分析标准;将目标电站在预测时间段中的预测发电功率输入至预测结果评价分析标准进行评价,得到预测发电功率对应的评价分析结果。
上述发电功率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图17所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储服务器数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种发电功率预测方法。
本领域技术人员可以理解,图17中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (9)
1.一种发电功率预测方法,其特征在于,所述方法包括:
获取在预测时间段中目标电站所处区域的天气预报数据,以及,在所述预测时间段之前的至少一个时间点下所述目标电站对应的历史发电功率;
将所述天气预报数据和所述历史发电功率输入至预训练的发电功率预测模型,得到所述目标电站在所述预测时间段中的预测发电功率;
其中,所述预训练的发电功率预测模型为采用训练样本数据对待训练的发电功率预测模型进行训练得到;所述训练样本数据包括所述目标电站在标签时间段中的实际发电功率、在所述标签时间段中所述目标电站所处区域的天气预报数据以及在所述标签时间段之前的至少一个时刻下所述目标电站对应的历史发电功率;所述待训练的发电功率预测模型所使用的超参数为经过预设的超参数优化算法确定的。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述训练样本数据;
将所述标签时间段中所述目标电站所处区域的天气预报数据,以及在所述标签时间段之前的至少一个时刻下所述目标电站对应的历史发电功率输入至所述待训练的发电功率预测模型,得到所述目标电站在标签时间段中的预测发电功率;
基于所述预测发电功率和所述实际发电功率对所述待训练的发电功率预测模型进行训练,得到所述预训练的发电功率预测模型。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取初始发电功率预测模型,所述初始发电功率预测模型为循环神经网络模型;
基于所述训练样本数据,使用所述超参数优化算法对所述初始发电功率预测模型的超参数进行优化,得到所述待训练的发电功率预测模型。
4.根据权利要求3所述的方法,其特征在于,所述超参数优化算法为贝叶斯优化算法,所述基于所述训练样本数据,使用所述超参数优化算法对所述初始发电功率预测模型的超参数进行优化,得到所述待训练的发电功率预测模型,包括:
选取所述初始发电功率预测模型中关键的模型超参数,并利用所述模型超参数构建域空间;
基于预处理训练样本数据以及所述初始发电功率预测模型中关键的模型超参数,使用贝叶斯优化算法在所述域空间中确定针对所述初始发电功率预测模型的目标超参数;
将所述初始发电功率预测模型的超参数调整为所述目标超参数,得到所述待训练的发电功率预测模型。
5.根据权利要求1所述的方法,其特征在于,所述将所述天气预报数据和所述历史发电功率输入至预训练的发电功率预测模型,得到所述目标电站在所述预测时间段中的预测发电功率,包括:
将所述天气预报数据和所述历史发电功率输入至所述目标电站对应的所述预训练的发电功率预测模型的特征提取层进行特征提取,得到对应的功率预测特征点;
将对应的所述功率预测特征点输入至所述预训练的发电功率预测模型的预测层进行功率预测,得到所述目标电站部分或者全部所述天气预报数据和所述历史发电功率生成的一一对应的功率数据点,所述功率数据点用于表征所述目标电站在所述预测时间段中的至少一个时间点所对应的预测发电功率;
对各所述功率数据点进行拼接,得到所述目标电站在所述预测时间段中的预测发电功率。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取所述目标电站对应的预测结果评价分析标准,所述目标电站类型的不同对应不同的所述预测结果评价分析标准;
将所述目标电站在所述预测时间段中的所述预测发电功率输入至所述预测结果评价分析标准进行评价,得到所述预测发电功率对应的评价分析结果。
7.一种发电功率预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取在预测时间段中目标电站所处区域的天气预报数据,以及,在所述预测时间段之前的至少一个时间点下所述目标电站对应的历史发电功率;
预测发电功率得到模块,用于将所述天气预报数据和所述历史发电功率输入至预训练的发电功率预测模型,得到所述目标电站在所述预测时间段中的预测发电功率;
其中,所述预训练的发电功率预测模型为采用训练样本数据对待训练的发电功率预测模型进行训练得到;所述训练样本数据包括所述目标电站在标签时间段中的实际发电功率、在所述标签时间段中所述目标电站所处区域的天气预报数据以及在所述标签时间段之前的至少一个时刻下所述目标电站对应的历史发电功率;所述待训练的发电功率预测模型所使用的超参数为经过预设的超参数优化算法确定的。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210227815.8A CN114330934A (zh) | 2022-03-09 | 2022-03-09 | 一种模型参数自适应的gru新能源短期发电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210227815.8A CN114330934A (zh) | 2022-03-09 | 2022-03-09 | 一种模型参数自适应的gru新能源短期发电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114330934A true CN114330934A (zh) | 2022-04-12 |
Family
ID=81033868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210227815.8A Pending CN114330934A (zh) | 2022-03-09 | 2022-03-09 | 一种模型参数自适应的gru新能源短期发电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114330934A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545362A (zh) * | 2022-12-05 | 2022-12-30 | 南方电网数字电网研究院有限公司 | 一种ai与tsd结合的新能源中期功率组合预测方法 |
CN117113267A (zh) * | 2023-10-25 | 2023-11-24 | 杭州海兴泽科信息技术有限公司 | 基于大数据的预测模型训练方法、光伏发电性能检测方法 |
CN117332900A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 一种3d建模输出的新能源小时间尺度功率预测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530819A (zh) * | 2013-10-18 | 2014-01-22 | 国家电网公司 | 并网型光伏电站发电***的输出功率的测定方法及设备 |
CN110685868A (zh) * | 2019-10-25 | 2020-01-14 | 长沙理工大学 | 一种基于改进梯度提升机的风电机组故障检测方法及装置 |
CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
CN112529282A (zh) * | 2020-12-03 | 2021-03-19 | 清华大学 | 基于时空图卷积神经网络的风电场集群短期功率预测方法 |
CN113313139A (zh) * | 2021-04-13 | 2021-08-27 | 华北水利水电大学 | 基于机组动态特性的风电功率预测不确定性量化方法 |
CN113469427A (zh) * | 2021-06-24 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于卷积lstm的光伏电站日前发电量预测方法及*** |
CN113496311A (zh) * | 2021-06-25 | 2021-10-12 | 国网山东省电力公司济宁供电公司 | 光伏电站发电功率预测方法及*** |
CN113919232A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 一种基于循环神经网络的光伏电站功率预测方法及*** |
-
2022
- 2022-03-09 CN CN202210227815.8A patent/CN114330934A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530819A (zh) * | 2013-10-18 | 2014-01-22 | 国家电网公司 | 并网型光伏电站发电***的输出功率的测定方法及设备 |
CN110685868A (zh) * | 2019-10-25 | 2020-01-14 | 长沙理工大学 | 一种基于改进梯度提升机的风电机组故障检测方法及装置 |
CN111160621A (zh) * | 2019-12-06 | 2020-05-15 | 江苏方天电力技术有限公司 | 一种融合多源信息的短期风电功率预测方法 |
CN112529282A (zh) * | 2020-12-03 | 2021-03-19 | 清华大学 | 基于时空图卷积神经网络的风电场集群短期功率预测方法 |
CN113313139A (zh) * | 2021-04-13 | 2021-08-27 | 华北水利水电大学 | 基于机组动态特性的风电功率预测不确定性量化方法 |
CN113469427A (zh) * | 2021-06-24 | 2021-10-01 | 国网山东省电力公司东营供电公司 | 基于卷积lstm的光伏电站日前发电量预测方法及*** |
CN113496311A (zh) * | 2021-06-25 | 2021-10-12 | 国网山东省电力公司济宁供电公司 | 光伏电站发电功率预测方法及*** |
CN113919232A (zh) * | 2021-10-25 | 2022-01-11 | 北京航天创智科技有限公司 | 一种基于循环神经网络的光伏电站功率预测方法及*** |
Non-Patent Citations (2)
Title |
---|
吴佳等: "基于强化学习的模型选择和超参数优化", 《电子科技大学学报》 * |
李元诚等: "基于粒子群-稀疏贝叶斯混合算法的光伏功率预测方法", 《太阳能学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115545362A (zh) * | 2022-12-05 | 2022-12-30 | 南方电网数字电网研究院有限公司 | 一种ai与tsd结合的新能源中期功率组合预测方法 |
CN117332900A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 一种3d建模输出的新能源小时间尺度功率预测方法 |
CN117113267A (zh) * | 2023-10-25 | 2023-11-24 | 杭州海兴泽科信息技术有限公司 | 基于大数据的预测模型训练方法、光伏发电性能检测方法 |
CN117113267B (zh) * | 2023-10-25 | 2024-02-09 | 杭州海兴泽科信息技术有限公司 | 基于大数据的预测模型训练方法、光伏发电性能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615226B (zh) | 一种运营指标异常监测方法 | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和*** | |
Liu et al. | Heating load forecasting for combined heat and power plants via strand-based LSTM | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
Zhang et al. | Forecasting of electricity prices using deep learning networks | |
CN112288140A (zh) | 一种基于Keras的短期电力负荷预测方法、存储介质和设备 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及*** | |
CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及*** | |
CN116341728A (zh) | 一种基于数据驱动的超短期光伏输出功率预测方法 | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
CN116629416A (zh) | 光伏电站功率预测方法及装置 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
CN111697560B (zh) | 一种基于lstm预测电力***负荷的方法及*** | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和*** | |
CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
CN117543537A (zh) | 一种代理购电用户电量预测方法、装置、存储介质 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、***、电子设备及介质 | |
CN114611799B (zh) | 基于监督学习的时序神经网络新能源出力多步预测方法 | |
CN116090635A (zh) | 一种气象驱动的新能源发电功率预测方法 | |
CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及*** | |
CN112508734A (zh) | 基于卷积神经网络的电力企业发电量的预测方法及装置 | |
Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220412 |
|
RJ01 | Rejection of invention patent application after publication |