CN115271253A - 一种水风光发电功率预测模型构建方法、装置及存储介质 - Google Patents
一种水风光发电功率预测模型构建方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115271253A CN115271253A CN202211081303.1A CN202211081303A CN115271253A CN 115271253 A CN115271253 A CN 115271253A CN 202211081303 A CN202211081303 A CN 202211081303A CN 115271253 A CN115271253 A CN 115271253A
- Authority
- CN
- China
- Prior art keywords
- power
- data
- prediction model
- wind
- wind power
- 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.)
- Granted
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 62
- 238000010276 construction Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 67
- 238000011156 evaluation Methods 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims description 38
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 27
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000013145 classification model Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000003169 complementation method Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 6
- 230000000295 complement effect Effects 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 230000002457 bidirectional effect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000010200 validation analysis Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水风光发电功率预测模型构建方法、装置及存储介质，该方法包括：获取数据集，数据集包括作为训练样本的历史气象数据以及作为标签的功率数据；利用数据集训练出多个水电功率预测模型、多个风电功率预测模型和多个光伏功率预测模型；利用多目标模糊决策方法对每个模型的预测结果进行联合评价，确定最优水电功率预测模型、最优风电功率预测模块及最优光伏功率预测模型。通过实施本发明，采用获取的数据集训练得到多个水电功率预测模型、风电功率预测模型和光伏功率预测模型，然后采用多目标模糊决策方法对多个模型的预测结果进行联合评价，从而选出最优的水风光功率预测模型，由此可有效提升水风光联合预测的灵活性和泛化性。
Description
技术领域
本发明涉及电力能源技术领域，具体涉及一种水风光发电功率预测模型构建方法、装置及存储介质。
背景技术
在大力发展低碳经济的今天，水能、风能、光伏作为环保清洁的可再生能源，已日益得到世界各国的重视。然而水能、风能、光伏固有的波动性和随机性对电力***的安全稳定和电能质量带来了严重挑战。为此，通过对水风光发电功率进行预测，将水、风、光多种能源进行聚合，形成多能互补发电***，对降低清洁能源并网冲击性、提升流域资源利用率意义重大。
由于气象因素是导致水风光发电波动的主要因素，现有技术引用气象数据对水能、风能、光伏发电的功率进行预测，提高了功率预测准确率。
但是，目前的功率预测方法均是单独针对水电、风电和光伏发电进行功率预测，没有考虑水、风、光几种能源之间的影响。因此，如何综合考虑水、风、光互相之间的影响，对水风光发电功率进行联合功率预测，是进一步提高水电、风电和光伏功率预测准确率需要考虑的问题。
发明内容
有鉴于此，本发明实施例提供了涉及一种水风光发电功率预测模型构建方法、装置及存储介质，以解决现有技术中功率预测方法未考虑水、风、光三种能源之间的相互影响，导致预测准确率较差的技术问题。
本发明提出的技术方案如下：
本发明实施例第一方面提供一种水风光发电功率预测模型构建方法，包括：获取数据集，所述数据集包括作为训练样本的历史气象数据以及作为标签的水电功率数据、风电功率数据和光伏功率数据；利用所述数据集训练出多个水电功率预测模型、多个风电功率预测模型和多个光伏功率预测模型；利用多目标模糊决策方法对每个模型的预测结果进行联合评价，确定最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型。
可选地，利用多目标模糊决策方法对每个模型的预测结果进行联合评价，确定最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型，包括：分别从水电、风电和光伏的角度利用预设评价指标计算每个模型的预测结果，得到对应角度的预设评价指标值；根据对应角度的预设评价指标值构建决策矩阵，得到水电决策矩阵、光伏决策矩阵和风电决策矩阵；计算水电决策矩阵、光伏决策矩阵和风电决策矩阵中各指标值的信息熵和指标权重；根据所述信息熵和指标权重计算的得分确定对应的模型作为最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型。
可选地，所述预测评价指标包括决定系数、平均绝对百分比误差以及剩余负荷标准差，所述剩余负荷标准差采用如下方式计算：计算每个水电功率预测模型、风电功率预测模型和光伏功率预测模型预测功率之和，得到水风光发电预测总功率；根据所述水风光发电预测总功率和对应的总负荷进行标准差计算，得到剩余负荷标准差。
可选地，分别从水电、风电和光伏的角度利用预设评价指标计算每个模型的预测结果，得到对应角度的预设评价指标值，包括：基于水电角度，计算每个水电功率预测模型预测结果的决定系数、平均绝对百分比误差以及固定水电功率预测模型改变风电功率预测模型和光伏功率预测模型时的剩余负荷标准差；基于风电角度，计算每个风电功率预测模型预测结果的决定系数、平均绝对百分比误差以及固定风电功率预测模型改变水电功率预测模型和光伏功率预测模型时的剩余负荷标准差；基于光伏角度，计算每个光伏功率预测模型预测结果的决定系数、平均绝对百分比误差以及固定光伏功率预测模型改变风电功率预测模型和水电功率预测模型时的剩余负荷标准差。
可选地，所述获取数据集，包括：将所述历史气象数据以及对应的水电功率数据、风电功率数据和光伏功率数据按照季节进行划分；按照划分的季节，从所述历史气象数据中分别提取与水电功率数据、风电功率数据和光伏功率数据相关程度大于预设阈值的气象因子；从水电功率数据、风电功率数据和光伏功率数据中分别提取所述气象因子对应的目标水电功率数据、目标风电功率数据和目标光伏功率数据；将气象因子作为训练样本、目标水电功率数据、目标风电功率数据和目标光伏功率数据作为标签。
可选地，利用所述数据集训练出多个水电功率预测模型、多个风电功率预测模型和多个光伏功率预测模型，包括：初始化若干不同算法的分类模型；利用历史气象数据和水电功率数据训练每种算法的分类模型，得到多个水电功率预测模型；利用历史气象数据和风电功率数据训练每种算法的分类模型，得到多个风电功率预测模型；利用历史气象数据和光伏功率数据训练每种算法的分类模型，得到多个光伏功率预测模型。
可选地，在所述将所述历史气象数据以及对应的水电功率数据、风电功率数据和光伏功率数据按照季节进行划分之前，还包括：将缺失了功率数据的历史气象数据删除；对出现异常的功率数据利用K近邻互补法进行纠正。
本发明实施例第二方面提供一种水风光发电功率预测模型构建装置，包括：数据获取模块，用于获取数据集，所述数据集包括作为训练样本的历史气象数据以及作为标签的水电功率数据、风电功率数据和光伏功率数据；模型训练模块，用于利用所述数据集训练出多个水电功率预测模型、多个风电功率预测模型和多个光伏功率预测模型；模型筛选模块，用于利用多目标模糊决策方法对每个模型的预测结果进行联合评价，确定最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型。
本发明实施例第三方面提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如本发明实施例第一方面及第一方面任一项所述的水风光发电功率预测模型构建方法。
本发明实施例第四方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的水风光发电功率预测模型构建方法。
本发明提供的技术方案，具有如下效果：
本发明实施例提供的水风光发电功率预测模型构建方法、装置及存储介质，通过采用获取的数据集训练得到多个水电功率预测模型、风电功率预测模型和光伏功率预测模型，然后采用多目标模糊决策方法对多个模型的预测结果进行联合评价，从而选出最优的水风光功率预测模型，由此可有效提升水风光联合预测的灵活性和泛化性。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。
图1是根据本发明实施例的水风光发电功率预测模型构建方法的流程图；
图2是根据本发明实施例的利用多目标模糊决策方法对每个模型的预测结果进行联合评价的流程图；
图3是根据本发明实施例的水风光发电功率预测模型构建装置的结构框图；
图4是根据本发明实施例提供的计算机可读存储介质的结构示意图；
图5是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的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，显然，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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
正如在背景技术中所述，目前的功率预测方法均是单独针对水电、风电和光伏发电进行功率预测，没有考虑水、风、光几种能源之间的影响。同时在预测时多采用单一的深度学习算法作为预测手段，而对于深度学习算法的选择大多是采用人为主观选取的方式，无法自适应识别出水、风、光发电功率预测最匹配的深度学习算法。
有鉴于此，本发明实施例提供一种水风光发电功率预测模型构建方法，通过将经验依赖式的模型选取转换为数据依赖的最优模型选取，同时在模型选取时考虑水风光三种能源之间的影响，从而使得构建的模型不仅能提高功率的预测精度，并且能更好的应用于多能互补发电***中，解决水风光多能互补***所面临的弃水、弃风、弃光问题，促进可再生能源高效利用。
根据本发明实施例，提供了一种水风光发电功率预测模型构建方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种水风光发电功率预测模型构建方法，可用于电子设备，如电脑、手机、平板电脑等，图1是根据本发明实施例水风光发电功率预测模型构建方法的流程图，如图1所示，该方法包括如下步骤：
步骤S101：获取数据集，所述数据集包括作为训练样本的历史气象数据以及作为标签的水电功率数据、风电功率数据和光伏功率数据。具体地，该数据集包括预设时间范围内的历史气象数据，例如过去一年的气温、降水、径流、辐照度、风速、蒸散发等数据，还包括该时间范围内实际采集的水电功率数据、风电功率数据和光伏功率数据。
步骤S102：利用所述数据集训练出多个水电功率预测模型、多个风电功率预测模型和多个光伏功率预测模型。具体地，在训练时，可以采用现有的模型算法，以历史气象数据作为训练样本、水电功率数据、风电功率数据和光伏功率数据作为标签进行训练。其中，对于采用的模型算法包括不限于BP神经网络、LSTM神经网络、双向LSTM神经网络(BI-LSTM)、GRU神经网络、双向GRU神经网络(BI-GRU)和极限学习机(ELM)。
步骤S103：利用多目标模糊决策方法对每个模型的预测结果进行联合评价，确定最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型。具体地，在获取数据集之后，可以将数据集划分为训练集、验证集和测试集。训练集用于训练模型，验证集用于修正模型参数，测试集应用于多目标模糊决策方法中。其中，当训练得到多个模型之后，利用测试集中的训练样本输入至每个模型中，得到每个模型的预测结果。然后采用多目标模糊决策方法比较每个模型的预测结果以及测试集中作为标签的功率数据，从而从每个模型中筛选出最优模型。
当确定最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型之后，在多能互补发电***中应用该最优模型时，先根据当前季节选择相应季节的最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型，然后将获取的气象因子分别输入至选择的最优模型中，实现水电功率、风电功率以及光伏功率的预测。
本发明实施例提供的水风光发电功率预测模型构建方法，通过采用获取的数据集训练得到多个水电功率预测模型、风电功率预测模型和光伏功率预测模型，然后采用多目标模糊决策方法对多个模型的预测结果进行联合评价，从而选出最优的水风光功率预测模型，由此可有效提升水风光联合预测的灵活性和泛化性。
在一实施方式中，所述获取数据集，包括：将所述历史气象数据以及对应的水电功率数据、风电功率数据和光伏功率数据按照季节进行划分；按照划分的季节，从所述历史气象数据中分别提取与水电功率数据、风电功率数据和光伏功率数据相关程度大于预设阈值的气象因子；从水电功率数据、风电功率数据和光伏功率数据中分别提取所述气象因子对应的目标水电功率数据、目标风电功率数据和目标光伏功率数据；将气象因子作为训练样本、目标水电功率数据、目标风电功率数据和目标光伏功率数据作为标签。
具体地，在本实施例中，为了进一步提高模型训练的准确度，首先对训练样本进行预处理，从水风光多能互补发电***中获取的历史气象与数据，包括多种气象因子，例如风速、风向、气压、降水、直射辐射、散射辐射、气温、径流。此外，针对水电，训练样本还可以包括水电站水位、出库流量、出力数据、水电站调度规程、水、风、光电站基本参数，负荷曲线等。之后，将水、风、光历史气象数据和对应的功率数据划分成春、夏、秋、冬四季数据，季节划分时采用阳历法：3～5月为春季、6～8月为夏季、9～11月为秋季、12～2月为冬季。然后按照季节筛选水、风、光参与训练的气象因子，具体为计算不同季节光伏、风电、水电数据的气象因子与其发电功率的皮尔逊相关系数。皮尔逊相关系数计算公式如下所示：
式中，xi为第i个时段的某个气象因子数值，yi为第i个时段的发电功率值，x为某个气象因子的平均值，y为发电功率的平均值，n为整个数据集的总时段数。
之后，将相关系数rxy大于预设阈值(即rxy≥0.6)的气象因子作为后续预测模型输入因子。通过针对不同的季节，寻找出与功率预测相关性更大的气象因子，数据更加精细化，提高后续模型训练、预测的准确度。
具体地，在一实施例中，在将所述历史气象数据以及对应的水电功率数据、风电功率数据和光伏功率数据按照季节进行划分之前，还将缺失了功率数据的历史气象数据删除，并对出现异常的功率数据利用K近邻互补法进行纠正。具体为针对气象、水文、电站及功率数据的异常值和缺失值进行预处理。将连续缺失16个时段以上的数据视为缺失数据并做删除处理，对出现的异常值利用箱线图进行识别，并利用K近邻互补法进行处理，从而进一步提高数据的准确率。其计算公式如下：
式中，
表示经K近邻互补法处理后的取值，xi-k表示异常值xi前第k个时段的样本值，xi+k表示异常值xi后第k个时段的样本值。
在一实施方式中，利用所述数据集训练出多个水电功率预测模型、多个风电功率预测模型和多个光伏功率预测模型，包括：初始化若干不同算法的分类模型；利用历史径流数据、历史气象数据和水电功率数据训练每种算法的分类模型，得到多个水电功率预测模型；利用历史气象数据和风电功率数据训练每种算法的分类模型，得到多个风电功率预测模型；利用历史气象数据和光伏功率数据训练每种算法的分类模型，得到多个光伏功率预测模型。
其中，由于数据集在获取时是按照季节划分的，因此，在构建预测模型时，可以分别针对每个季节训练相应的模型。例如，当采用BP神经网络时，训练出的水电功率预测模型、风电功率预测模型和光伏功率预测模型分别包括四个季节的模型。即采用一种模型算法，可以分别训练得到四个水电功率预测模型、风电功率预测模型和光伏功率预测模型。当采用多个模型算法进行训练时，得到的水电功率预测模型、风电功率预测模型和光伏功率预测模型中每种模型的数量是模型算法个数的四倍，例如采用十个模型算法进行训练，能够训练得到四十个水电功率预测模型、四十个风电功率预测模型、四十个光伏功率预测模型。
具体地，在本实施例中，预先初始化若干算法模型，例如BP神经网络、LSTM神经网络、双向LSTM神经网络(BI-LSTM)、GRU神经网络、双向GRU神经网络(BI-GRU)和极限学习机(ELM)。将获取的数据集分别划分成训练集(60％)、验证集(20％)及测试集(20％)三部分。用训练集对各个模型进行训练，在验证集上进行验证，并合理调整模型参数。
具体地，不同算法模型的待训练参数取决于算法模型结果本身。例如：BP算法需要确定的参数为隐藏层神经元个数和学习率。LSTM和BI-LSTM结构相似，需要确定的参数为记忆单元数、网络层数、学习率及批次大小。GRU和BI-GRU结构相似，所需要确定的参数为记忆单元数、网络层数、学习率及批次大小。ELM从结构上看是一个单隐层的前馈神经网络，其特点是随机生成隐藏层节点的参数，训练模型速度快，需要确定的参数是隐藏层节点数和学习率。
具体地，通过逐步筛选最大化的决定系数R2、最小化的平均绝对百分比误差MAPE两个指标，针对不同季节(春、夏、秋、冬)、不同能源(水电、风电、光伏)的不同算法模型参数进行训练、验证与调整。决定系数R2和最小化的平均绝对百分比误差MAPE的具体计算公式如下：
式中，
和MAPEf分别表示某一季节的第f个功率预测模型的决定系数和平均绝对百分比误差(针对水电、风电、光伏之一)，tm表示该季节下数据在训练集或验证集的样本数量，
表示采用该季节的第f个功率预测模型得到的第i时段功率预测值，yi表示相应训练集或验证集中第i时段功率真实值。
具体地，利用多目标模糊决策方法对每个模型的预测结果进行联合评价，确定最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型，如图2所示，包括如下步骤：
步骤S201：分别从水电、风电和光伏的角度利用预设评价指标计算每个模型的预测结果，得到对应角度的预设评价指标值。其中，预测评价指标包括决定系数、平均绝对百分比误差以及剩余负荷标准差，所述剩余负荷标准差采用如下方式计算：计算每个水电功率预测模型、风电功率预测模型和光伏功率预测模型预测功率之和，得到水风光发电预测总功率；根据所述水风光发电预测总功率和对应的总负荷进行标准差计算，得到剩余负荷标准差。
由此，具体的预测评价指标值采用如下方式确定：基于水电角度，计算每个水电功率预测模型预测结果的决定系数、平均绝对百分比误差以及固定水电功率预测模型改变风电功率预测模型和光伏功率预测模型时的剩余负荷标准差；基于风电角度，计算每个风电功率预测模型预测结果的决定系数、平均绝对百分比误差以及固定风电功率预测模型改变水电功率预测模型和光伏功率预测模型时的剩余负荷标准差；基于光伏角度，计算每个光伏功率预测模型预测结果的决定系数、平均绝对百分比误差以及固定光伏功率预测模型改变风电功率预测模型和水电功率预测模型时的剩余负荷标准差。
具体地，在选取最优模型时，可以从水电、风电以及光伏的角度分别采用多目标模糊决策方法，分别选取水电、风电以及光伏中的最优模型。其中，由于在训练模型时，是针对每个季节均训练得到了多个功率预测模型。因此在确定水电、风电以及光伏角度的预测模型时，需要针对每个季节均选取最优模型。
在这里先以光伏角度中的春季模型为例进行说明：在选取光伏春季最优预测模型时，将测试集的训练样本输入至训练得到的多个春季的光伏功率预测模型进行测试，得到相应的预测结果。然后采用决定系数和平均绝对百分比误差计算该预测结果的评价指标值，具体计算公式如下：
式中，
和MAPEk分别表示春季的第k个光伏功率预测模型的决定系数和平均绝对百分比误差，mc表示春季光伏数据在测试集的样本数量，
表示采用春季的第k个光伏功率预测模型得到的第i时段功率预测值，yi表示相应测试集中第i时段功率真实值。
在采用剩余负荷标准差计算评价指标值时，是以固定春季的光伏功率预测模型，改变春季的水电功率预测模型和风电功率预测模型方式计算。具体地，先选择一个光伏功率预测模型，然后选择不同的水电功率预测模型和风电功率预测模型，进行功率预测，得到三者之和作为总的水风光发电功率序列
即
下标k×(l×j)表示固定第k个光伏功率预测模型条件下改变第l个风电功率预测模型、改变第j个水电功率预测模型的组合情况，
表示第k个光伏功率预测模型的预测功率序列，包含
表示第l个风电功率预测模型的预测功率序列，包含
表示第j个水电功率预测模型的预测功率序列，包含
在计算总的水风光发电功率时，先确定一个k的值，如k＝1，然后确定l和j，计算总的水风光发电功率序列；之后保持k不变，改变l和j的值，得到多个总的水风光发电功率序列。计算完所有的l和j之后，换一个新的k值，再次重复上述计算，最终得到所有的k、l、j对应的总的水风光发电功率序列。其中，k、l、j的取值范围由算法模型数量决定。
在确定总的水风光发电功率序列之后，剩余符合标准差SLk×(l×j)采用如下公式计算：
式中，Di表示第i个时段的总负荷值，
表示第i个时段的总水风光发电功率预测值，Δi,k×(l×j)表示第i个时段的剩余负荷值，
表示所有时段的平均剩余负荷值。
步骤S202：根据对应角度的预设评价指标值构建决策矩阵，得到水电决策矩阵、光伏决策矩阵和风电决策矩阵。
其中，在构建决策矩阵之前，先对计算的预测评价标准值进行标准化。具体地，以构建春季的光伏决策矩阵为例，标准化过程具体采用如下公式表示：
在对评价指标值进行标准化之后，将得到的数据以矩阵的形式表示，从而得到对应的决策矩阵。还是以春季的光伏功率预测模型为例，构建的春季的光伏决策矩阵表示为：
式中，K表示训练得到的春季光伏功率预测模型总个数，L表示训练得到的春季的风电功率预测模型总个数，J表示训练得到的春季的水电功率预测模型总个数；决策矩阵中任一要素用eck,s表示，其中s＝l×j。在该矩阵中，第k行元素表征的意义是，选取第k个光伏功率预测模型，任意搭配风电功率预测模型和水电功率预测模型；第1列元素表征的意义是不同光伏功率预测模型下测试数据计算得到的决定系数；第2列元素表征的意义是不同光伏功率预测模型下测试数据计算得到的平均绝对百分比误差；其他列元素表征的意义是不同光伏功率预测模型、同一风电功率预测模型、同一水电功率预测模型下，测试数据计算得到的剩余负荷标准差。同理，可以得到夏季的光伏决策矩阵、秋季的光伏决策矩阵以及冬季的光伏决策矩阵。不同季节的风电决策矩阵与水电决策矩阵采用同样的方式得到，在此不再赘述。
步骤S203：计算水电决策矩阵、光伏决策矩阵和风电决策矩阵中各指标值的指标权重。在得到不同季节的水电决策矩阵、光伏决策矩阵和风电决策矩阵，采用如下公式先计算信息熵，然后根据信息熵计算指标权重，还是以春季为例，信息熵值Hs和指标权重ωs分别采用如下公式表示
式中，Hs表示春季光伏决策矩阵第s列指标对应的信息熵值，pk,s表示春季的第k个光伏功率预测模型下第s列指标的概率值，且有
如果pk,s＝0，则定义lim pk,sln pk,s＝0。eck,s表示决策矩阵中任一要素，其中s＝l×j。
步骤S204：根据多目标模糊决策方法计算的相对优属度选择最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型。具体地，以筛选春季光伏功率预测模型为例，采用上述指标权重的计算方式计算确定对应的指标权重后，基于多目标模糊决策方法能够计算确定春季所有光伏功率预测模型的相对优属度，并采用最大优属度原则筛选最佳模型。
春季的第k个光伏功率预测模型的相对优属度uk，计算公式如下：
在根据最大优属度原则选取最优模型时采用如下公式确定：
式中，BMp为春季的最优光伏功率预测模型。
上述是以春季的光伏功率预测模型筛选为例进行的说明，其他季节的光伏功率预测模型以及不同季节的水电功率预测模型以及风电功率预测模型与上述方式相同，在此不再赘述。
具体地，以一个实际场景实施例中对水风光发电功率预测模型构建方法进行解释：
1.获取数据。获取总辐射、70m风速、气温、径流、降水、潜在蒸发及风电功率、光伏发电功率和水电站出力。
2.数据预处理。该气象站点无缺失数据，对于异常数据利用箱线图进行识别。由于气象数据具有很强的随机性，因此本发明对于单个异常值，利用K近邻互补法进行处理，K值取2。
3.季节分类。将水、风、光发电数据划分成春、夏、秋、冬四类数据；
4.确定输入因子。经相关性分析后，光电预测模型的主要输入因子为总辐射、气温；风电预测模型的主要输入因子为70m风速；水电预测模型的主要输入因子为径流数据。
5.模型训练。将春季的水、风、光数据划分成训练集(60％)、验证集(20％)及测试集(20％)三部分。将总辐射、气温、风速、径流数据和历史水电功率数据、历史风电功率数据、历史光伏发电功率数据，输入BP、LSTM、BI-LSTM、GRU、BI-GRU及ELM进行训练。模型参数设置情况如下表1～表3所示：
表1春季光伏发电功率预测模型的参数设置
表2春季风力发电功率预测模型的参数设置
表3春季水力发电功率预测模型的参数设置
6.春季自适应最优模型选取。利用春季水、风、光测试集的发电功率预测数据，通过多目标模糊决策方法选择最佳模型。通过计算，春季水、风、光不同模型的最终得分如表4所示：
表4春季水、风、光不同模型的最终得分
| 光伏发电 | 水力发电 | 风力发电 | |
| LSTM | 0.984 | 0.054 | 0.886 |
| BI-LSTM | 0.998 | 0.959 | 0.984 |
| GRU | 0.984 | 0.278 | 0.020 |
| BI-GRU | 0.986 | 0.702 | 0.068 |
| BP | 0.006 | 0.969 | 0.269 |
| ELM | 0.983 | 0.474 | 0.672 |
由此得出，春季水、风、光最优预测模型分别为BI-LSTM、BP和BI-LSTM。
本发明实施例还提供一种水风光发电功率预测模型构建装置，如图3所示，该装置包括：
数据获取模块，用于获取数据集，所述数据集包括作为训练样本的历史气象数据以及作为标签的水电功率数据、风电功率数据和光伏功率数据；具体内容参见上述方法实施例对应部分，在此不再赘述。
模型训练模块，用于利用所述数据集训练出多个水电功率预测模型、多个风电功率预测模型和多个光伏功率预测模型；具体内容参见上述方法实施例对应部分，在此不再赘述。
模型筛选模块，用于利用多目标模糊决策方法对每个模型的预测结果进行联合评价，确定最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型。具体内容参见上述方法实施例对应部分，在此不再赘述。
本发明实施例提供的水风光发电功率预测模型构建装置，通过采用获取的数据集训练得到多个水电功率预测模型、风电功率预测模型和光伏功率预测模型，然后采用多目标模糊决策方法对多个模型的预测结果进行联合评价，从而选出最优的水风光功率预测模型，由此可有效提升水风光联合预测的灵活性和泛化性。
本发明实施例提供的水风光发电功率预测模型构建装置的功能描述详细参见上述实施例中水风光发电功率预测模型构建方法描述。
本发明实施例还提供一种存储介质，如图4所示，其上存储有计算机程序601，该指令被处理器执行时实现上述实施例中水风光发电功率预测模型构建方法的步骤。该存储介质上还存储有音视频流数据，特征帧数据、交互请求信令、加密数据以及预设数据大小等。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解，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，所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random AccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备，如图5所示，该电子设备可以包括处理器51和存储器52，其中处理器51和存储器52可以通过总线或者其他方式连接，图5中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit，CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的水风光发电功率预测模型构建方法。
存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器51所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中，当被所述处理器51执行时，执行如图1-2所示实施例中的水风光发电功率预测模型构建方法。
上述电子设备具体细节可以对应参阅图1至图2所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种水风光发电功率预测模型构建方法，其特征在于，包括：
获取数据集，所述数据集包括作为训练样本的历史气象数据以及作为标签的水电功率数据、风电功率数据和光伏功率数据；
利用所述数据集训练出多个水电功率预测模型、多个风电功率预测模型和多个光伏功率预测模型；
利用多目标模糊决策方法对每个模型的预测结果进行联合评价，确定最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型。
2.根据权利要求1所述的水风光发电功率预测模型构建方法，其特征在于，利用多目标模糊决策方法对每个模型的预测结果进行联合评价，确定最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型，包括：
分别从水电、风电和光伏的角度利用预设评价指标计算每个模型的预测结果，得到对应角度的预设评价指标值；
根据对应角度的预设评价指标值构建决策矩阵，得到水电决策矩阵、光伏决策矩阵和风电决策矩阵；
计算水电决策矩阵、光伏决策矩阵和风电决策矩阵中各指标值的信息熵和指标权重；
根据所述信息熵和指标权重计算的得分确定对应的模型作为最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型。
3.根据权利要求2所述的水风光发电功率预测模型构建方法，其特征在于，所述预测评价指标包括决定系数、平均绝对百分比误差以及剩余负荷标准差，所述剩余负荷标准差采用如下方式计算：
计算每个水电功率预测模型、风电功率预测模型和光伏功率预测模型预测功率之和，得到水风光发电预测总功率；
根据所述水风光发电预测总功率和对应的总负荷进行标准差计算，得到剩余负荷标准差。
4.根据权利要求3所述的水风光发电功率预测模型构建方法，其特征在于，分别从水电、风电和光伏的角度利用预设评价指标计算每个模型的预测结果，得到对应角度的预设评价指标值，包括：
基于水电角度，计算每个水电功率预测模型预测结果的决定系数、平均绝对百分比误差以及固定水电功率预测模型改变风电功率预测模型和光伏功率预测模型时的剩余负荷标准差；
基于风电角度，计算每个风电功率预测模型预测结果的决定系数、平均绝对百分比误差以及固定风电功率预测模型改变水电功率预测模型和光伏功率预测模型时的剩余负荷标准差；
基于光伏角度，计算每个光伏功率预测模型预测结果的决定系数、平均绝对百分比误差以及固定光伏功率预测模型改变风电功率预测模型和水电功率预测模型时的剩余负荷标准差。
5.根据权利要求1所述的水风光发电功率预测模型构建方法，其特征在于，所述获取数据集，包括：
将所述历史气象数据以及对应的水电功率数据、风电功率数据和光伏功率数据按照季节进行划分；
按照划分的季节，从所述历史气象数据中分别提取与水电功率数据、风电功率数据和光伏功率数据相关程度大于预设阈值的气象因子；
从水电功率数据、风电功率数据和光伏功率数据中分别提取所述气象因子对应的目标水电功率数据、目标风电功率数据和目标光伏功率数据；
将气象因子作为训练样本、目标水电功率数据、目标风电功率数据和目标光伏功率数据作为标签。
6.根据权利要求1所述的水风光发电功率预测模型构建方法，其特征在于，利用所述数据集训练出多个水电功率预测模型、多个风电功率预测模型和多个光伏功率预测模型，包括：
初始化若干不同算法的分类模型；
利用历史气象数据和水电功率数据训练每种算法的分类模型，得到多个水电功率预测模型；
利用历史气象数据和风电功率数据训练每种算法的分类模型，得到多个风电功率预测模型；
利用历史气象数据和光伏功率数据训练每种算法的分类模型，得到多个光伏功率预测模型。
7.根据权利要求5所述的水风光发电功率预测模型构建方法，其特征在于，在所述将所述历史气象数据以及对应的水电功率数据、风电功率数据和光伏功率数据按照季节进行划分之前，还包括：
将缺失了功率数据的历史气象数据删除；
对出现异常的功率数据利用K近邻互补法进行纠正。
8.一种水风光发电功率预测模型构建装置，其特征在于，包括：
数据获取模块，用于获取数据集，所述数据集包括作为训练样本的历史气象数据以及作为标签的水电功率数据、风电功率数据和光伏功率数据；
模型训练模块，用于利用所述数据集训练出多个水电功率预测模型、多个风电功率预测模型和多个光伏功率预测模型；
模型筛选模块，用于利用多目标模糊决策方法对每个模型的预测结果进行联合评价，确定最优水电功率预测模型、最优风电功率预测模块以及最优光伏功率预测模型。
9.一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有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-7任一项所述的水风光发电功率预测模型构建方法。
10.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1-7任一项所述的水风光发电功率预测模型构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211081303.1A CN115271253B (zh) | 2022-09-05 | 2022-09-05 | 一种水风光发电功率预测模型构建方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211081303.1A CN115271253B (zh) | 2022-09-05 | 2022-09-05 | 一种水风光发电功率预测模型构建方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115271253A true CN115271253A (zh) | 2022-11-01 |
| CN115271253B CN115271253B (zh) | 2023-07-14 |
Family
ID=83756287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211081303.1A Active CN115271253B (zh) | 2022-09-05 | 2022-09-05 | 一种水风光发电功率预测模型构建方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115271253B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115829140A (zh) * | 2022-12-14 | 2023-03-21 | 广西电网有限责任公司 | 一种基于机器学习的风力发电场发电量预测方法及*** |
| CN115859775A (zh) * | 2022-11-07 | 2023-03-28 | 国网江苏省电力有限公司镇江供电分公司 | 一种面向光储虚拟电厂划分的典型日场景提取方法及装置 |
| 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 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355336A (zh) * | 2016-08-31 | 2017-01-25 | 许昌许继软件技术有限公司 | 一种光伏电站发电效率评价方法 |
| CN109740808A (zh) * | 2018-12-27 | 2019-05-10 | 南瑞集团有限公司 | 一种风光水互补发电计划计算方法及*** |
| 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 |
| EP3648279A1 (en) * | 2018-10-30 | 2020-05-06 | Schleswig-Holstein Netz AG | Method, electrical grid and computer program product for predicting overloads in an electrical grid |
| CN111738522A (zh) * | 2020-06-28 | 2020-10-02 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
| CN113888351A (zh) * | 2021-09-26 | 2022-01-04 | 华能酒泉风电有限责任公司 | 光伏***的功率预测方法、装置及电子设备 |
| CN114004424A (zh) * | 2021-12-21 | 2022-02-01 | 南方电网科学研究院有限责任公司 | 一种光伏功率预测方法、***、设备及存储介质 |
-
2022
- 2022-09-05 CN CN202211081303.1A patent/CN115271253B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106355336A (zh) * | 2016-08-31 | 2017-01-25 | 许昌许继软件技术有限公司 | 一种光伏电站发电效率评价方法 |
| EP3648279A1 (en) * | 2018-10-30 | 2020-05-06 | Schleswig-Holstein Netz AG | Method, electrical grid and computer program product for predicting overloads in an electrical grid |
| CN109740808A (zh) * | 2018-12-27 | 2019-05-10 | 南瑞集团有限公司 | 一种风光水互补发电计划计算方法及*** |
| 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 |
| CN111738522A (zh) * | 2020-06-28 | 2020-10-02 | 电子科技大学中山学院 | 一种光伏发电功率的预测方法、存储介质及终端设备 |
| CN113888351A (zh) * | 2021-09-26 | 2022-01-04 | 华能酒泉风电有限责任公司 | 光伏***的功率预测方法、装置及电子设备 |
| CN114004424A (zh) * | 2021-12-21 | 2022-02-01 | 南方电网科学研究院有限责任公司 | 一种光伏功率预测方法、***、设备及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| XIANXUN WANG 等: "Improved multi-objective model and analysis of the coordinated operation of a hydro-wind-photovoltaic system", 《ENERGY》, vol. 134, pages 813 - 839, XP085147795, DOI: 10.1016/j.energy.2017.06.047 * |
| 王聪慧 等: "基于动态功率调节的恒功率电动汽车充电机的研究", 《电器与能效管理技术》, pages 52 - 56 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115859775A (zh) * | 2022-11-07 | 2023-03-28 | 国网江苏省电力有限公司镇江供电分公司 | 一种面向光储虚拟电厂划分的典型日场景提取方法及装置 |
| CN115829140A (zh) * | 2022-12-14 | 2023-03-21 | 广西电网有限责任公司 | 一种基于机器学习的风力发电场发电量预测方法及*** |
| CN115829140B (zh) * | 2022-12-14 | 2023-07-25 | 广西电网有限责任公司 | 一种基于机器学习的风力发电场发电量预测方法及*** |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115271253B (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Raza et al. | An ensemble framework for day-ahead forecast of PV output power in smart grids | |
| US11581740B2 (en) | Method, system and storage medium for load dispatch optimization for residential microgrid | |
| CN115271253B (zh) | 一种水风光发电功率预测模型构建方法、装置及存储介质 | |
| Feng et al. | A taxonomical review on recent artificial intelligence applications to PV integration into power grids | |
| CN110070226A (zh) | 基于卷积神经网络与元学习的光伏功率预测方法及*** | |
| CN110556820B (zh) | 用于确定能量***操作场景的方法和设备 | |
| WO2024051524A1 (zh) | 一种水风光发电功率联合预测方法、装置 | |
| CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
| CN115425680B (zh) | 一种多能源联合发电***的功率预测模型构建及预测方法 | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
| Kolhe et al. | GA-ANN for short-term wind energy prediction | |
| Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
| CN109840633A (zh) | 光伏输出功率预测方法、***和存储介质 | |
| CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
| CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
| CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
| CN113962441A (zh) | 一种基于历史数据分析的短期辐照度预测方法及预测*** | |
| Bellagarda et al. | Effectiveness of neural networks and transfer learning to forecast photovoltaic power production | |
| CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
| CN108038518A (zh) | 一种基于气象数据的光伏发电功率确定方法及*** | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和*** | |
| CN111060755A (zh) | 一种电磁干扰诊断方法和装置 | |
| CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
| Liu et al. | A Bayesian deep learning-based probabilistic risk assessment and early-warning model for power systems considering meteorological conditions | |
| Huang et al. | Probabilistic prediction intervals of wind speed based on explainable 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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |