CN115238948A - 小水电发电量预测方法及装置 - Google Patents
小水电发电量预测方法及装置 Download PDFInfo
- Publication number
- CN115238948A CN115238948A CN202210559960.6A CN202210559960A CN115238948A CN 115238948 A CN115238948 A CN 115238948A CN 202210559960 A CN202210559960 A CN 202210559960A CN 115238948 A CN115238948 A CN 115238948A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- small hydropower
- power generation
- day
- sequence
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000005611 electricity Effects 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 41
- 230000000694 effects Effects 0.000 claims abstract description 33
- 230000001186 cumulative effect Effects 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 11
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 3
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 14
- 238000009825 accumulation Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 8
- 239000013598 vector Substances 0.000 description 8
- 241001123248 Arma Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- XLYOFNOQVPJJNP-ZSJDYOACSA-N Heavy water Chemical compound [2H]O[2H] XLYOFNOQVPJJNP-ZSJDYOACSA-N 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007850 degeneration Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- HOWHQWFXSLOJEF-MGZLOUMQSA-N systemin Chemical compound NCCCC[C@H](N)C(=O)N[C@@H](CCSC)C(=O)N[C@@H](CCC(N)=O)C(=O)N[C@@H]([C@@H](C)O)C(=O)N[C@@H](CC(O)=O)C(=O)OC(=O)[C@@H]1CCCN1C(=O)[C@H]1N(C(=O)[C@H](CC(O)=O)NC(=O)[C@H](CCCN=C(N)N)NC(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H]2N(CCC2)C(=O)[C@H]2N(CCC2)C(=O)[C@H](CCCCN)NC(=O)[C@H](CO)NC(=O)[C@H](CCC(N)=O)NC(=O)[C@@H](NC(=O)[C@H](C)N)C(C)C)CCC1 HOWHQWFXSLOJEF-MGZLOUMQSA-N 0.000 description 1
- 108010050014 systemin Proteins 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Power Engineering (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种小水电发电量预测方法及装置,通过获取历史发电功率数据和外部因素数据,对历史发电功率数据和外部因素数据进行标准化处理;利用聚类算法对日标幺化后的历史发电功率数据进行聚类分析,得到历史相似日集合;量化分析降雨量对小水电发电量的滞后效应和累积效应,得到滞后性降雨量序列和前N日累积降雨量;在历史相似日集合中选取与预测日对应的相似日样本集;利用人工智能预测算法构建小水电发电量预测模型,利用相似日样本集对小水电发电量预测模型进行训练;将前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价作为训练好的小水电发电量预测模型的输入,输出预测日小水电发电量预测值。能提高预测的精度。
Description
技术领域
本申请涉及水电发电量预测技术领域,特别涉及为一种小水电发电量预测方法及装置。
背景技术
小水电是装机容量很小的水电站或水力发电装置。我国的小水电资源丰富,主要分布在远离大电网的山区,既是农村能源的重要组成部分,也是大电网的有力补充。
但小水电存在受天气影响较为明显,波动性极强,并且存在着管理薄弱、信息采集困难、缺乏相关的水文测站和气象数据等难题,难以借鉴大型水电站的发电量预测方法。现有技术以一片地区的小水电作为一个整体,利用人工神经网络,结合相关历史水文、降雨量建立新型的预测模型,利用预测模型来预测小水电发电量,和传统的预测方法如趋势外推、指数平滑法等相比,构建预测模型能提高预测精度。
但现有的预测模型一般直接根据历史发电数据、降雨量来预测小水电发电量,但降雨量通过产汇流过程形成坝前来水,影响小水电发电量,在产汇流过程表现出滞后性与累积性。由于降雨量具有滞后性和累积性,导致降雨量对小水电的发电量的影响也具有滞后性和累积性。因此现有技术直接将历史发电数据和降雨量输入预测模型,输出的预测发电量由于忽略了降雨量的的滞后性和累积性,导致预测精度不高。
发明内容
本发明的目的在于提供一种小水电发电量预测方法,能够解决现有技术中在利用小水电预测模型预测发电量时,输入的降雨量没有考虑其滞后性和累积性的影响,导致预测精度不高的问题。
为了实现上述发明目的,本发明提供如下技术方案:
第一方面,提供一种小水电发电量预测方法,包括:
获取历史发电功率数据和外部因素数据,对所述历史发电功率数据和所述外部因素数据进行标准化处理,所述外部因素数据包括:温度、露点温度、降雨量、地区峰谷电价;
对标准化处理后的历史发电功率数据进行日标幺化,利用聚类算法对日标幺化后的历史发电功率数据进行聚类分析,得到历史相似日集合;
量化分析所述降雨量对小水电发电量的滞后效应,得到滞后性降雨量序列;
量化分析所述降雨量对小水电发电量的累积效应,得到前N日累积降雨量;
在所述历史相似日集合中选取与预测日对应的相似日样本集;
利用人工智能预测算法构建小水电发电量预测模型,利用所述相似日样本集对所述小水电发电量预测模型进行训练;
将所述前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价作为训练好的小水电发电量预测模型的输入,输出预测日小水电发电量预测值。
第一方面的一个可能的实现方式,所述方法还包括:将所述前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价、相似日样本集作为训练好的小水电发电量预测模型的输入,输出预测日小水电发电量预测值。
第一方面的一个可能的实现方式,所述聚类算法为K-means算法。
第一方面的一个可能的实现方式,所述人工智能预测算法为长短期记忆神经网络。
第一方面的一个可能的实现方式,所述外部因素数据还包括:节气类型,所述在所述历史相似日集合中选取与预测日对应的相似日样本集,包括:利用智能学习算法构建小水电相似日选取模型;将所述温度、露点温度、前N日累积降雨量、节气类型作为所述小水电相似日选取模型的输入,输出与预测日对应的相似日样本集。
第一方面的一个可能的实现方式,所述智能学习算法为时序卷积网络。
第一方面的一个可能的实现方式,所述量化分析所述降雨量对小水电发电量的滞后效应,得到滞后性降雨量序列,包括:构建每日平均发电功率序列L1;构建当日降雨量数据序列为W0,构建前一天的降雨量数据序列为W1,同理构建出W2,W3,…,W7;选取皮尔逊系数作为相关系数,分别计算发电功率序列L1与降雨量序列W0,W1,W2,…,W7的相关系数,并计算各个相关系数的平均值;选出相关系数最大的两日降雨量数据,作为小水电滞后效应的相关降雨量序列。
第一方面的一个可能的实现方式,所述量化分析所述降雨量对小水电发电量的累积效应,得到前N日累积降雨量,包括:构建每日最大发电功率序列X1;构建当日降雨量数据序列为M0,构建当日与前一天的积累降雨量数据序列为M1,同理构建出M2,M3,…,M7;选取皮尔逊系数作为相关系数,分别计算发电功率序列X1与降雨量序列M1,M2,…,M7的相关系数,并计算各个相关系数的平均值;从M1,M2,…,M7中选出相关系数最大的MN,得到前N日累积降雨量。
第一方面的一个可能的实现方式,在所述利用所述相似日样本集对所述小水电发电量预测模型进行训练之后,还包括:获取经过预测模型预测的发电量;获取实际的发电量;计算预测发电量与实际发电量之间的平均绝对百分比误差和均方根误差,将所述平均绝对百分比误差和均方根误差作为评价指标。
第二方面,提供一种小水电发电量预测装置,包括存储器、处理器及存储在存储器上的计算机程序,所述处理器执行所述计算机程序以实现以下步骤:
获取历史发电功率数据和外部因素数据,对所述历史发电功率数据和所述外部因素数据进行标准化处理,所述外部因素数据包括:温度、露点温度、降雨量、地区峰谷电价;
对标准化处理后的历史发电功率数据进行日标幺化,利用聚类算法对日标幺化后的历史发电功率数据进行聚类分析,得到历史相似日集合;
量化分析所述降雨量对小水电发电量的滞后效应,得到滞后性降雨量序列;
量化分析所述降雨量对小水电发电量的累积效应,得到前N日累积降雨量;
在所述历史相似日集合中选取与预测日对应的相似日样本集;
利用人工智能预测算法构建小水电发电量预测模型,利用所述相似日样本集对所述小水电发电量预测模型进行训练;
将所述前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价作为训练好的小水电发电量预测模型的输入,输出预测日小水电发电量预测值。
上述小水电发电量预测方法及装置,相较于现有技术,首先,通过对历史发电功率数据进行标准化、日标幺化处理,再利用聚类算法对历史发电功率数据进行聚类分析,将历史发电功率数据划分为多类相似日数据,得到历史相似日集合,在历史相似日集合中选取与预测日对应的相似日样本集后,利用相似日样本集对小水电发电量预测模型进行训练,由于相似日之间的小水电发电功率相近,因此利用相似日样本集训练小水电发电量预测模型,使得训练后的模型预测精度更高。
其次,由于降雨量对发电量的影响具有滞后性和累积性,在多日大雨后天晴或其他降雨量变化较大的日子的发电量预测中,现有技术只单纯依据降雨量进行预测,会受到滞后性和累积性的影响,导致预测小水电的发电量与实际的发电量差别较大。容易导致小水电的发电量被高估导致调度时导致用户缺电,或者被低估导致发电量被浪费。本申请通过量化分析降雨量对小水电发电量的滞后效应和累积效应,分别得到滞后性降雨量序列和前N日累积降雨量,作为预测模型的输入,能提高预测模型的预测精度。
最后,部分具有水库容量的水电站的发电量会根据电力部门的要求调节发电量,因此地区峰谷电价也会对小水电的发电量造成影响,在预测小水电的发电量时忽略地区峰谷电价也会影响预测精度。本申请将温度、露点温度、地区峰谷电价作为预测模型的输入,充分考虑到外部因素对小水电发电量的影响,进一步提高了预测模型的预测精度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为小水电平均日发电功率与降雨量关系图;
图2为一个实施例中小水电发电量预测方法的流程图;
图3为一个实施例中LSTM单元结构图;
图4为一个实施例中TCN残差单元示意图;
图5为一个实施例中小水电发电量预测方法的流程图;
图6为一个实施例中小水电发电量预测装置的内部结构图。
具体实施方式
应当理解,此处所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。
下面将结合本申请的实施例中的附图,对本申请的实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“包括”、“包含”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、终端、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。在本申请的权利要求书、说明书以及说明书附图中的术语,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体/操作/对象与另一个实体/操作/对象区分开来,而不一定要求或者暗示这些实体/操作/对象之间存在任何这种实时的关系或者顺序。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
在现有的小水电发电量预测方法中,一般是直接将降雨量和历史发电数据作为预测模型的输入,输出预测降雨量。但小水电发电存在滞后效应和累积效应,当天的降雨量不一定与当天的小水电发电量成正比,因此直接将降雨量作为预测模型的输入会导致预测结果不精确。
图1为小水电平均日发电功率与降雨量关系图,可见降雨量最多的当日,它所对应的小水电发电功率并不是最大的,小水电发电量呈一个逐渐增加的趋势,表明小水电发电量存在一个明显的“滞后效应”。由于小水电主要分布于山区,虽然大部分没有库容或库容较小,但小水电所在流域的集雨面积较广,降雨到达地面并显著影响小水电发电量需要较长过程。因此,小水电发电负荷对降雨量存在明显的时间滞后性。而同样是降水量为0的晴天,但是连日强降雨、连日小雨、连日晴天后的无降雨量日小水电发电量情况却大大不同,因此小水电发电量不仅仅和当天的降雨量有关,还与前N天积累的降雨量相关,说明降雨量对小水电发电量存在一个“累积效应”。这是因为小水电站大多分布在山区,降雨在地面汇聚并影响小水电发电量的过程需要一个较长的时间。小水电发电负荷的累积效应主要是持续大量降雨影响的结果,表现为:小水电发电负荷出现长时间、大幅度增长;持续降雨停止后,累积效应的影响将逐步减弱直至消失,这表现在小水电发电负荷上,负荷水平将逐步降低,回到持续大量降雨之前的水平。
因此,本申请通过量化分析降雨量对小水电发电量的滞后效应和累积效应,分别得到滞后性降雨量序列和前N日累积降雨量,作为预测模型的输入,能提高预测模型的预测精度。
如图2所示,提出了一种小水电发电量预测方法,所述方法包括:
步骤101,获取历史发电功率数据和外部因素数据,对所述历史发电功率数据和所述外部因素数据进行标准化处理,所述外部因素数据包括:温度、露点温度、降雨量、地区峰谷电价。
其中,对历史发电功率数据和外部因素数据进行标准化处理,可以消除变量间的量纲关系,从而使数据具有可比性。小水电发电功率受到外部规律和内部规律的影响。外部规律包括温度、露点温度、降雨量、峰谷平电价等。其中降雨量是影响小水电发电无可忽视的因素,且降雨量对小水电发电会带来“滞后性”和“累积性”的效应。而峰谷平电价的政策则会影响该地区中具有库容量水电站的发电量,使得小水电各个时间段的发电量具有一定的规律性。具体体现在社会用电日负荷曲线在中午和夜间有明显的负荷低谷,这与人们的工作、生活作息时间规律相符,且这些规律较为稳定。而小水电发电负荷的曲线呈现白天与夜间“两段式”结构,其原因在于小水电站发电量受峰谷时段电价杠杆的影响,在22:00至第二天8:00为谷电价时段,各小水电站视库容和来水量大小,尽量蓄水不发电;在8:00~22:00为峰电价时段,各小水电站尽量多发电,因此形成小水电所特有的发电曲线形状。而内部规律主要为小水电发电量在时间上表现出的特征以及其波动特性,表明了小水电发电量与人们的生产生活联系不大,并且没有工作日和休息日的区别,但相似日之间的小水电发电功率相近。
步骤102,对标准化处理后的历史发电功率数据进行日标幺化,利用聚类算法对日标幺化后的历史发电功率数据进行聚类分析,得到历史相似日集合。
其中,对标准化处理后的历史发电功率数据进行日标幺化具体为:对每日96点发电功率数据除以当日的基准值(通常为当日的发电功率平均值)。在本实施例中,聚类算法采用K-means算法,K-means算法是一种出发点最直观的聚类算法,在使用过程中只需要人为指定需要被划分组的数量。然后它将样本向量中距离最近的一些点划分到一组中。K-means算法的目标就是在假定要聚类的每个小组中有一个中心点,K-means算法的目的就是找到这些中心点的坐标,使得所有样本向量到其分组中心点的距离平方和最小。通过对日标幺化后的历史发电功率数据进行聚类分析,即可得到历史发电功率数据中相似数据的集合即历史相似日集合。
步骤103,量化分析所述降雨量对小水电发电量的滞后效应,得到滞后性降雨量序列。
其中,由于小水电发电存在滞后效应,导致当天的降雨量不一定与当天的小水电发电量成正比。在现有技术中,对小水电发电的预测时会简单地认为降雨量与小水电发电成正比,当某天下大雨时,认为当日的发电量会大增,在调度时错估该水电站的发电量,将该水电站当日的发电量与更多用户的用电量匹配。但由于降雨量对小水电发电量存在滞后效应,会导致当日降雨量大增,但发电量增加的不多。可能在调度时小水电实际增加的发电量低于预估增加的发电量,反而导致用户缺电。或者由于在下大雨后的第二天没有下雨,认为当日发电量相较于平常没有下雨的日子一致,没有将该水电站当日的发电量与更多用户的用电量匹配。由于降雨量对小水电发电量存在滞后效应,因此该小水电第二日实际的发电量大于预估的发电量,多出的电量没有被调度用于更多用户的供电,导致发电量被浪费。因此需要对小水电发电的滞后效应进行量化分析,以提高预测数据的精确度,避免小水电的发电量被高估导致调度时导致用户缺电,或者被低估导致发电量被浪费。
步骤104,量化分析所述降雨量对小水电发电量的累积效应,得到前N日累积降雨量。
其中,由于小水电发电存在累积效应,导致当天的降雨量不一定与当天的小水电发电量成正比。在现有技术中,对小水电发电的预测时会简单地认为降雨量与小水电发电成正比。在下了多日的大雨后,有一天天晴了,此时按照现有的预测方法预估当日的发电量,预测出的发电量与平常天晴的日子一致,没有将该水电站当日的发电量与更多用户的用电量匹配。由于降雨量对小水电发电量存在累积效应,因此该小水电当日实际的发电量大于预估的发电量,多出的电量没有被调度用于更多用户的供电,导致发电量被浪费。因此需要对小水电发电的累积效应进行量化分析,以提高预测数据的精确度,避免小水电的发电量被高估导致调度时导致用户缺电,或者被低估导致发电量被浪费。
步骤105,在所述历史相似日集合中选取与预测日对应的相似日样本集。
其中,由于相似日之间的小水电发电功率相近,若能选取与预测日最接近的相似日,能提高预测的精度。在所述历史相似日集合中选取与预测日对应的相似日样本集有两种方法,一种是通过构造日特征向量和评价函数,根据评价函数的大小衡量相似程度。但存在的不足是在构造日特征向量和评价函数时,容易受到人为经验误判或评价函数选用不佳。另一种方法是构造相似日选取模型,利用模型输出与预测日对应的相似日,选取的相似日更为合理,使得后续的预测步骤中预测精度更高。
步骤106,利用人工智能预测算法构建小水电发电量预测模型,利用所述相似日样本集对所述小水电发电量预测模型进行训练。
其中,本实施例选用的人工智能预测算法为长短期记忆神经网络(LSTM神经网络),LSTM神经网络是一种在自然语言处理中广泛应用的深度学习算法。LSTM网络一般由输入层、输出层和隐藏层堆叠组成。LSTM在控制存储状态方面相比传统的循环神经网络有了巨大提升。构建小水电发电量预测模型之后,利用相似日样本集训练小水电发电量预测模型,使得训练后的模型预测精度更高。
步骤107,将所述前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价作为训练好的小水电发电量预测模型的输入,输出预测日小水电发电量预测值。
其中,将量化分析降雨量对小水电发电量的滞后效应和累积效应分别得到的滞后性降雨量序列和前N日累积降雨量,以及温度、露点温度等常规气象数据,和地区峰谷电价作为训练好的小水电发电量预测模型的输入,充分考虑了多种因素对预测小水电发电量的影响,提高了预测模型的预测精度。
上述小水电发电量预测方法,相较于现有技术,首先,通过对历史发电功率数据进行标准化、日标幺化处理,再利用聚类算法对历史发电功率数据进行聚类分析,将历史发电功率数据划分为多类相似日数据,得到历史相似日集合,在历史相似日集合中选取与预测日对应的相似日样本集后,利用相似日样本集对小水电发电量预测模型进行训练,由于相似日之间的小水电发电功率相近,因此利用相似日样本集训练小水电发电量预测模型,使得训练后的模型预测精度更高。
其次,由于降雨量对发电量的影响具有滞后性和累积性,在多日大雨后天晴或其他降雨量变化较大的日子的发电量预测中,现有技术只单纯依据降雨量进行预测,会受到滞后性和累积性的影响,导致预测小水电的发电量与实际的发电量差别较大。容易导致小水电的发电量被高估导致调度时导致用户缺电,或者被低估导致发电量被浪费。本申请通过量化分析降雨量对小水电发电量的滞后效应和累积效应,分别得到滞后性降雨量序列和前N日累积降雨量,作为预测模型的输入,能提高预测模型的预测精度。
最后,部分具有水库容量的水电站的发电量会根据电力部门的要求调节发电量,因此地区峰谷电价也会对小水电的发电量造成影响,在预测小水电的发电量时忽略地区峰谷电价也会影响预测精度。本申请将温度、露点温度、地区峰谷电价作为预测模型的输入,充分考虑到外部因素对小水电发电量的影响,进一步提高了预测模型的预测精度。
在一个实施例中,所述方法还包括:将所述前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价、相似日样本集作为训练好的小水电发电量预测模型的输入,输出预测日小水电发电量预测值。
其中,在预测模型的输入中加入相似日样本集,拓宽输入的数据类型,在预测模型预测时,将相似日样本集作为参考数据,由于相似日之间的小水电发电功率相近,能更近一步地提高预测模型的预测精度。
在一个实施例中,所述聚类算法为K-means算法。
其中,K-means算法是一种出发点最直观的聚类算法,在使用过程中只需要人为指定需要被划分组的数量。然后它将样本向量中距离最近的一些点划分到一组中。K-means算法的目标就是在假定要聚类的每个小组中有一个中心点,K-means算法的目的就是找到这些中心点的坐标,使得所有样本向量到其分组中心点的距离平方和最小。
在一个实施例中,所述人工智能预测算法为长短期记忆神经网络。
其中,本实施例选用的人工智能预测算法为长短期记忆神经网络(LSTM神经网络),LSTM神经网络是一种在自然语言处理中广泛应用的深度学习算法。LSTM网络一般由输入层、输出层和隐藏层堆叠组成。LSTM在控制存储状态方面相比传统的循环神经网络有了巨大提升。LSTM单元结构如图3所示,每一个LSTM单元拥有一个细胞元组(cell),这个元组为具有记忆功能的单元,其在时刻t的状态记为ct。LSTM单元通过输入门、遗忘门和输出门接收当前状态xt和上一时刻元组的状态ht-1。同时,记忆单元的状态ct-1作为内部信息将输入到各个门中。当接收输入信息后,输入门、遗忘门和输出门将进行内部运算,判断是否激活该细胞元组。输入门的信号经过非线性函数的变换后,与遗忘门处理过的记忆单元状态进行叠加,形成新的记忆单元状态。最终,记忆单元状态ct通过非线性函数的运算和输出门的动态控制形成LSTM单元的输出ht。
在一个实施例中,所述外部因素数据还包括:节气类型,所述在所述历史相似日集合中选取与预测日对应的相似日样本集,包括:利用智能学习算法构建小水电相似日选取模型;将所述温度、露点温度、前N日累积降雨量、节气类型作为所述小水电相似日选取模型的输入,输出与预测日对应的相似日样本集。
其中,在现有技术中,选取相似日的方法是通过构造日特征向量和评价函数,根据评价函数的大小衡量相似程度,但存在的不足是在构造日特征向量和评价函数时,容易受到人为经验误判或评价函数选用不佳。本申请通过构造小水电相似日选取模型,将气象数据、前N日累积降雨量、节气类型作为小水电相似日选取模型的输入,气象数据和前N日累积降雨量作是相似日的重要判断依据,而预测日与相似日处于同一季节即都处于丰水季或都处于枯水季时,选取的相似日更合理,对于同一地区的小水电来说,预测日和相似日的节气类型相同时,大概率处于同一季节。因此将象数据、前N日累积降雨量、节气类型作为小水电相似日选取模型的输入,输出的与预测日对应的相似日样本集更为合理,使得后续的预测步骤中预测精度更高。
在一个实施例中,所述智能学习算法为时序卷积网络。
其中,时序卷积网络(TCN模型)是一种简单通用的解决时间序列问题的卷积神经网络架构。TCN模型由一组残差单元组成,每个残差单元是一个具有残差连接的小型神经网络,通过残差连接可以加快深层网络的反馈与收敛,解决随着网络层次增加造成的“退化现象”。TCN的残差单元如图4所示。残差单元中包含2个卷积单元和非线性映射。卷积单元中首先进行一维扩张因果卷积,通过扩张系数调整采样间隔,实现更大的感受野,即卷积层上的特征能看到的区域范围,让网络可以记忆足够长的历史信息,并且只对t时刻之前的输入进行卷积以得到t时刻的输出,保证不会泄露未来的信息;然后对权重进行归一化处理,使用ReLU函数作为激活函数;最后采用Dropout操作,按照一定的概率随机丢弃神经元,达到防止过拟合和加速模型训练速度的目的。非线性映射是在残差单元的输入和输出具有不同的维度时,对高维度的数据进行降维。
在一个实施例中,所述量化分析所述降雨量对小水电发电量的滞后效应,得到滞后性降雨量序列,包括:构建每日平均发电功率序列L1;构建当日降雨量数据序列为W0,构建前一天的降雨量数据序列为W1,同理构建出W2,W3,…,W7;选取皮尔逊系数作为相关系数,分别计算发电功率序列L1与降雨量序列W0,W1,W2,…,W7的相关系数,并计算各个相关系数的平均值;选出相关系数最大的两日降雨量数据,作为小水电滞后效应的相关降雨量序列。
其中,为了对降雨量对小水电发电量的滞后效应进行量化分析,构建每日平均发电功率序列L1,再构建当日降雨量数据序列为W0,及前一天的降雨量数据序列为W1,同理构建出W2,W3,…,W7。例如,构建30天的每日平均发电功率序列L1[1888.9570944、1777.8419712、1777.8419712、……、5555.75616],当第一天的平均发电功率为2111.1873408kw,当日的平均降雨量为7.08mm,前一天的平均降雨量为1.14mm,前两天的平均降雨量为1.02mm,……,前6天的平均降雨量为0.26mm,计算发电功率序列L1与降雨量序列W0,W1,W2,…,W7的相关系数分别为:0.66、0.78、0.75、0.64、0.73、0.80、0.77。其中相关系数最大的两日降雨量数据为1.14mm、0.35mm,将这两个数据列入相关降雨量序列。依次计算其他日发电功率序列L1与降雨量序列W0,W1,W2,…,W7的相关系数,选出相关系数最大的两日降雨量数据列入相关降雨量序列,得到小水电滞后效应的相关降雨量序列。相关系数越大,说明该降雨量与该发电功率越相关,将具有相似性的片段作为滞后性的一个体现,量化分析降雨量对小水电发电量的滞后效应。在统计学中,皮尔逊相关系数(Pearsoncorrelation coefficient),又称皮尔逊积矩相关系数(Pearson product-momentcorrelation coefficient,简称PPMCC或PCCs),是用于度量两个变量X和Y之间的相关(线性相关),其值介于-1与1之间。Pearson相关系数计算公式为:
在一个实施例中,所述量化分析所述降雨量对小水电发电量的累积效应,得到前N日累积降雨量,包括:构建每日最大发电功率序列X1;构建当日降雨量数据序列为M0,构建当日与前一天的积累降雨量数据序列为M1,同理构建出M2,M3,…,M7;选取皮尔逊系数作为相关系数,分别计算发电功率序列X1与降雨量序列M1,M2,…,M7的相关系数,并计算各个相关系数的平均值;从M1,M2,…,M7中选出相关系数最大的MN,得到前N日累积降雨量。
其中,为了对降雨量对小水电发电量的累积效应进行量化分析,构建每日最大发电功率序列X1,再构建当日降雨量数据序列为M0,当日与前一天的积累降雨量数据序列为M1,同理构建出M2,M3,…,M7。例如,构建30天的每日最大发电功率序列X1[1666.726848、2111.1873408、2777.87808、……、8889.209856],当第一天的最大发电功率为1666.726848kM,当日的最大降雨量为0.64mm,前一天的最大降雨量为0.82mm,前两天的最大降雨量为7.9mm,……,前6天的最大降雨量为2.69mm,计算发电功率序列X1与降雨量序列M0,M1,M2,…,M7的相关系数分别为:0.51、0.54、0.61、0.53、0.55、0.53、0.58。其中相关系数最大的前N日累积降雨量为7.9mm。相关系数越大,说明前N日累积降雨量与该发电功率越相关,能量化分析降雨量对小水电发电量的累积效应。
在一个实施例中,在所述利用所述相似日样本集对所述小水电发电量预测模型进行训练之后,还包括:获取经过预测模型预测的发电量;获取实际的发电量;计算预测发电量与实际发电量之间的平均绝对百分比误差和均方根误差,将所述平均绝对百分比误差和均方根误差作为评价指标。
其中,将预测发电量与实际发电量之间的平均绝对百分比误差和均方根误差作为评价指标,可以直观地了解预测模型的预测精度,便于及时对预测模型进行调整。经过计算,本申请预测的平均绝对百分比误差为5.11%,现有的BP神经网络预测模型的平均绝对百分比误差为7.73%,ARMA模型的平均绝对百分比误差为8.57%。本申请预测的均方根误差为1380.65,现有的BP神经网络预测模型的均方根误差为1650.66,ARMA模型的均方根误差为1881.22。综上可见,本申请的预测精度相较于现有的BP神经网络预测模型及ARMA模型更高。此外,还可以根据其他评价指标对本申请的预测精度进行评价,如平均绝对误差。
图5所示为本申请一个最优实施例的预测流程图。在本实施例中,先对历史发电功率数据和外部因素数据进行标准化处理,对标准化处理后的历史发电功率数据进行日标幺化,利用聚类算法对日标幺化后的历史发电功率数据进行聚类分析,得到历史相似日集合;再量化分析所述降雨量对小水电发电量的累积效应,得到前N日累积降雨量;将历史相似日集合、温度、露点温度、前N日累积降雨量、节气类型作为小水电相似日选取模型的输入,输出与预测日对应的相似日样本集;再将相似日样本集、前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价作为训练好的小水电发电量预测模型的输入,输出预测日小水电发电量预测值。经过计算,本实施例预测的平均绝对百分比误差为5.11%,现有的BP神经网络预测模型的平均绝对百分比误差为7.73%,ARMA模型的平均绝对百分比误差为8.57%。本实施例预测的均方根误差为1380.65,现有的BP神经网络预测模型的均方根误差为1650.66,ARMA模型的均方根误差为1881.22。综上可见,本实施例的预测精度相较于现有的BP神经网络预测模型及ARMA模型更高。
如图6所示,在一个实施例中,提出了一种小水电发电量预测装置,该小水电发电量预测装置包括通过终端总线连接的处理器、存储器和网络接口。其中,存储器包括非易失性存储介质和内存储器。该小水电发电量预测装置的非易失性存储介质有存储操作终端,还可有存储计算机程序,该计算机程序被处理器执行时,可使得处理器实现上述的小水电发电量预测方法。该内存储器中也可储存有计算机程序,该计算机程序被处理器执行时,可使得处理器执行上述的小水电发电量预测方法。本领域技术人员可以理解,图6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设备的限定,具体的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,提出了一种计算机程序产品,其特征在于,包括计算机程序,计算机程序被处理器执行时,使得处理器执行上述小水电发电量预测方法的步骤。
在一个实施例中,提出了一种计算机可读存储介质,有存储计算机程序,计算机程序被处理器执行时,使得处理器执行上述小水电发电量预测方法的步骤。
可以理解的是,上述小水电发电量预测方法及装置、计算机存储介质、程序产品属于一个总的发明构思,实施例可相互适用。
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,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,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、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
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,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种小水电发电量预测方法,其特征在于,所述方法包括:
获取历史发电功率数据和外部因素数据,对所述历史发电功率数据和所述外部因素数据进行标准化处理,所述外部因素数据包括:温度、露点温度、降雨量、地区峰谷电价;
对标准化处理后的历史发电功率数据进行日标幺化,利用聚类算法对日标幺化后的历史发电功率数据进行聚类分析,得到历史相似日集合;
量化分析所述降雨量对小水电发电量的滞后效应,得到滞后性降雨量序列;
量化分析所述降雨量对小水电发电量的累积效应,得到前N日累积降雨量;
在所述历史相似日集合中选取与预测日对应的相似日样本集;
利用人工智能预测算法构建小水电发电量预测模型,利用所述相似日样本集对所述小水电发电量预测模型进行训练;
将所述前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价作为训练好的小水电发电量预测模型的输入,输出预测日小水电发电量预测值。
2.如权利要求1所述的小水电发电量预测方法,其特征在于,所述方法还包括:
将所述前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价、相似日样本集作为训练好的小水电发电量预测模型的输入,输出预测日小水电发电量预测值。
3.如权利要求2所述的小水电发电量预测方法,其特征在于,所述聚类算法为K-means算法。
4.如权利要求2所述的小水电发电量预测方法,其特征在于,所述人工智能预测算法为长短期记忆神经网络。
5.如权利要求2所述的小水电发电量预测方法,其特征在于,所述外部因素数据还包括:节气类型,所述在所述历史相似日集合中选取与预测日对应的相似日样本集,包括:
利用智能学习算法构建小水电相似日选取模型;
将所述温度、露点温度、前N日累积降雨量、节气类型作为所述小水电相似日选取模型的输入,输出与预测日对应的相似日样本集。
6.如权利要求5所述的小水电发电量预测方法,其特征在于,所述智能学习算法为时序卷积网络。
7.如权利要求5所述的小水电发电量预测方法,其特征在于,所述量化分析所述降雨量对小水电发电量的滞后效应,得到滞后性降雨量序列,包括:
构建每日平均发电功率序列L1;
构建当日降雨量数据序列为W0,构建前一天的降雨量数据序列为W1,同理构建出W2,W3,…,W7;
选取皮尔逊系数作为相关系数,分别计算发电功率序列L1与降雨量序列W0,W1,W2,…,W7的相关系数,并计算各个相关系数的平均值;
选出相关系数最大的两日降雨量数据,作为小水电滞后效应的相关降雨量序列。
8.如权利要求5所述的小水电发电量预测方法,其特征在于,所述量化分析所述降雨量对小水电发电量的累积效应,得到前N日累积降雨量,包括:
构建每日最大发电功率序列X1;
构建当日降雨量数据序列为M0,构建当日与前一天的积累降雨量数据序列为M1,同理构建出M2,M3,…,M7;
选取皮尔逊系数作为相关系数,分别计算发电功率序列X1与降雨量序列M1,M2,…,M7的相关系数,并计算各个相关系数的平均值;
从M1,M2,…,M7中选出相关系数最大的MN,得到前N日累积降雨量。
9.如权利要求5所述的小水电发电量预测方法,其特征在于,在所述利用所述相似日样本集对所述小水电发电量预测模型进行训练之后,还包括:
获取经过预测模型预测的发电量;
获取实际的发电量;
计算预测发电量与实际发电量之间的平均绝对百分比误差和均方根误差;
将所述平均绝对百分比误差和均方根误差作为评价指标。
10.一种小水电发电量预测装置,包括存储器、处理器及存储在存储器上的计算机程序,其特征在于,所述处理器执行所述计算机程序以实现权利要求1至9中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210559960.6A CN115238948A (zh) | 2022-05-20 | 2022-05-20 | 小水电发电量预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210559960.6A CN115238948A (zh) | 2022-05-20 | 2022-05-20 | 小水电发电量预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115238948A true CN115238948A (zh) | 2022-10-25 |
Family
ID=83667703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210559960.6A Pending CN115238948A (zh) | 2022-05-20 | 2022-05-20 | 小水电发电量预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115238948A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035363A (zh) * | 2023-09-07 | 2023-11-10 | 湖北清江水电开发有限责任公司 | 流域梯级电厂日发电计划编制方法 |
CN117670076A (zh) * | 2023-11-15 | 2024-03-08 | 云南电网有限责任公司德宏供电局 | 一种小水电发电功率预测方法、***及计算机可读介质 |
-
2022
- 2022-05-20 CN CN202210559960.6A patent/CN115238948A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035363A (zh) * | 2023-09-07 | 2023-11-10 | 湖北清江水电开发有限责任公司 | 流域梯级电厂日发电计划编制方法 |
CN117670076A (zh) * | 2023-11-15 | 2024-03-08 | 云南电网有限责任公司德宏供电局 | 一种小水电发电功率预测方法、***及计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Ultra-short-term industrial power demand forecasting using LSTM based hybrid ensemble learning | |
Hu et al. | A hybrid model based on CNN and Bi-LSTM for urban water demand prediction | |
CN115238948A (zh) | 小水电发电量预测方法及装置 | |
CN106251001A (zh) | 一种基于改进模糊聚类算法的光伏功率预测方法 | |
CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
Yuan et al. | Conditional style-based generative adversarial networks for renewable scenario generation | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN115688579A (zh) | 一种基于生成对抗网络的流域多点水位预测预警方法 | |
Wahid et al. | Statistical features based approach (SFBA) for hourly energy consumption prediction using neural network | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
Zhang et al. | A novel sequence to sequence data modelling based CNN-LSTM algorithm for three years ahead monthly peak load forecasting | |
CN113868938A (zh) | 基于分位数回归的短期负荷概率密度预测方法、装置及*** | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN112348287A (zh) | 基于lstm分位数回归的电力***短期负荷概率密度预测方法 | |
CN115829115A (zh) | 一种基于pca-lstm-mtl含光伏电站的台区负荷预测方法 | |
CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及*** | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Li et al. | Short-term probabilistic load forecasting method based on uncertainty estimation and deep learning model considering meteorological factors | |
CN116885699A (zh) | 基于双重注意力机制的电力负荷预测方法 | |
CN116090635A (zh) | 一种气象驱动的新能源发电功率预测方法 | |
CN115481788A (zh) | 相变储能***负荷预测方法及*** | |
Wu et al. | Overview of day-ahead solar power forecasts based on weather classifications | |
Li et al. | EMLP: short-term gas load forecasting based on ensemble multilayer perceptron with adaptive weight correction | |
Liu et al. | SFCL: electricity consumption forecasting of CNN-LSTM based on similar filter |
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 |