CN115423159A - 光伏发电预测方法、装置及终端设备 - Google Patents
光伏发电预测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN115423159A CN115423159A CN202210988803.7A CN202210988803A CN115423159A CN 115423159 A CN115423159 A CN 115423159A CN 202210988803 A CN202210988803 A CN 202210988803A CN 115423159 A CN115423159 A CN 115423159A
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- samplernn
- model
- structural
- 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 53
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000004590 computer program Methods 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000005286 illumination Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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]
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请适用于数据处理技术领域,提供了一种光伏发电预测方法、装置及终端设备,该光伏发电预测方法包括:获取光伏发电特征数据;基于光伏发电特征数据,构造光伏发电的结构特征;利用概率密度函数对结构特征进行编码,获得光伏发电的统计特征;将结构特征与统计特征进行融合,得到光伏发电的联合特征;基于联合特征构建SampleRNN模型,并利用SampleRNN模型进行训练和测试;将待预测的光伏发电数据输入到训练好的SampleRNN模型中,生成预测的发电量。本申请能够准确预测光伏发电功率,可以有效提高电网***的安全性和稳定性。
Description
技术领域
本申请属于信息技术领域,尤其涉及一种光伏发电预测方法、装置及终端设备。
背景技术
受多种气象因素的影响,光伏发电***的输出功率具有随机性和波动性,对于大电网来说是不可控的。针对历史光伏输出功率和气象数据的有限性,需对光伏出力输出功率进行合理预测,在光伏接入电网时事先科学地修正其发电功率输出,减轻电网调度的运转压力。
目前对光伏发电功率的短期预测主要依靠大量历史气象数据和电厂出力数据之间的映射规律进行。常见的模型有支持向量机、神经网络、随机森林等。但是各模型只考虑到气象数据和电厂出力数据的自身的结构特征,将影响光伏功率发电多个影响因子输入到机器学习模型中,而没有考虑光伏功率发电的统计特征。
发明内容
为克服相关技术中存在的问题,本申请实施例提供了一种光伏发电预测方法、装置及终端设备,能够准确预测光伏发电功率,有效提高电网***的安全性和稳定性。
本申请是通过如下技术方案实现的:
第一方面,本申请实施例提供了光伏发电预测方法,包括:获取光伏发电特征数据;基于所述光伏发电特征数据,构造光伏发电的结构特征;利用概率密度函数对所述结构特征进行编码,获得光伏发电的统计特征;将所述结构特征与所述统计特征进行融合,得到光伏发电的联合特征;基于所述联合特征构建SampleRNN模型,并利用SampleRNN模型进行训练和测试;将待预测的光伏发电数据输入到训练好的SampleRNN模型中,生成预测的发电量。
在第一方面的一种可能的实现方式中,所述获取光伏发电特征数据,包括:
获取光伏发电变量;对于所述光伏发电变量中的异常值,采用所述异常值的平均值替代所述异常值,得到所述光伏发电特征数据。
在第一方面的一种可能的实现方式中,所述基于所述光伏发电特征数据,构造光伏发电的结构特征,包括:构造新特征;所述新特征包括温差、实际板面所受光照和风量;将所述新特征增加到所述光伏发电特征数据中,得到光伏发电的结构特征。
在第一方面的一种可能的实现方式中,利用概率密度函数对所述结构特征进行编码,获得光伏发电的统计特征,包括:
通过
获得光伏发电的统计特征;其中,μ为特征X的均值,σ为特征X的标准差。
在第一方面的一种可能的实现方式中,所述将所述结构特征与所述统计特征进行融合,得到光伏发电的联合特征,包括:
通过
X联合=X结构+α*tanh((X统计)TX结构(X统计))
将统计特征X统计与结构特征X结构进行联合嵌入,得到光伏发电的联合特征;其中α=[0,1],在本方法中α=0.65。
在第一方面的一种可能的实现方式中,所述SampleRNN模型为样本序列X联合=[x1,x2,x3,......,x19,x20,x21]的可能性建模:
P(X联合)=SampleRNN(x1,x2,...,x23)
在第一方面的一种可能的实现方式中,所述基于所述联合特征构建SampleRNN模型,并利用SampleRNN模型进行训练和测试,包括:将实验样本数据分为M个训练集和N个测试集;其中M大于N;预先设计SampleRNN模型的RNN隐藏层维度、RNN在两个上层中的深度,、嵌入层的大小、RNN类型(gru或lstm)、激活函数,训练批量大小,训练次数,优化器;所述SampleRNN模型包括采样级层和帧级层;将所述实验样本数据输入SampleRNN模型进行训练和测试,得到训练好的SampleRNN模型。
第二方面,本申请实施例提供了一种光伏发电预测装置,包括:
获取模块,用于获取光伏发电特征数据;
结构特征构造模块,用于基于所述光伏发电特征数据,构造光伏发电的结构特征;
编码模块,用于利用概率密度函数对所述结构特征进行编码,获得光伏发电的统计特征;
融合模块,用于将所述结构特征与所述统计特征进行融合,得到光伏发电的联合特征;
模型构建模块,用于基于所述联合特征构建SampleRNN模型,并利用SampleRNN模型进行训练和测试;
输出模块,用于将待预测的光伏发电数据输入到训练好的SampleRNN模型中,生成预测的发电量。
第三方面,本申请实施例提供了一种终端设备,包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的方法。
第四方面,本申请实施例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存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的光伏发电预测方法。
第五方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的方法。
本申请实施例与现有技术相比存在的有益效果是:
本申请实施例,将光伏功率发电特征进行统计编码,并利用提出的融合公式进行联合,以及对于超长序列之间的依赖关系处理的效果很好的SampleRNN模型对光伏发电量进行合理预测。在光伏接入电网时事先科学地修正其发电功率输出,提高光伏发电发电量的预测精确性,有效提高电网***的安全性和稳定性,减轻电网调度的运转压力。
可以理解的是,上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的基于联合特征的SampleRNN模型光伏发电预测方法的流程示意图;
图2是本申请一实施例提供的光伏发电的数据符合高斯分布函数的示意图;
图3是本申请一实施例提供的SampleRNN网络结构的示意图;
图4是本申请一实施例提供的基于联合特征的SampleRNN模型光伏发电预测装置的结构示意图;
图5是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定***结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的***、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
目前对光伏发电功率的短期预测主要依靠大量历史气象数据和电厂出力数据之间的映射规律进行。常见的模型有支持向量机、神经网络、随机森林等。但是各模型只考虑到气象数据和电厂出力数据的自身的结构特征,将影响光伏功率发电多个影响因子输入到机器学习模型中,而没有考虑光伏功率发电的统计特征。
针对历史光伏功率发电特征的准确问题,需对光伏出力输出功率进行合理预测,在光伏接入电网时事先科学地修正其发电功率输出,减轻电网调度的运转压力。
基于上述问题,本申请实施例中提供了基于联合特征的SampleRNN模型光伏发电预测方法,获取光伏发电特征数据;基于光伏发电特征数据,构造光伏发电的结构特征;利用概率密度函数对结构特征进行编码,获得光伏发电的统计特征;将结构特征与统计特征进行融合,得到光伏发电的联合特征;基于联合特征构建SampleRNN模型,并利用SampleRNN模型进行训练和测试;将待预测的光伏发电数据输入到训练好的SampleRNN模型中,生成预测的发电量,从而能够准确预测光伏发电功率,有效提高电网***的安全性和稳定性。
为了使本技术领域的人员更好地理解本发明方案,下面将结合附图和具体实施方式,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,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,都属于本发明保护的范围。
图1是本申请一实施例提供的光伏发电预测方法的示意性流程图,参照图1,对该光伏发电预测方法的详述如下:
在步骤101中,获取光伏发电特征数据。
具体的,获取光伏发电特征数据,可以包括:获取光伏发电变量;对于光伏发电变量中的异常值,采用异常值的平均值替代异常值,得到光伏发电特征数据。
示例性的,初始光伏发电变量特征X包括板温、现场温度、光照温度、转换效率A、转换效率B、转换效率C、电压A、电压B、电压C、电流A、电流B、电流C、功率A、功率B、功率C、平均功率、风速、风向。
其中,转换效率A、B、C分别为:数据采集点A处、B处、C处的光伏板转换效率;电压A、B、C分别为:数据采集点A处、B处、C处汇流箱电压值;电流A、B、C分别为:数据采集点A处、B处、C处汇流箱电流值;功率A:为采集点A处的功率Pa,由P=UI计算得到;功率B:为采集点B处的功率Pb,由P=UI计算得到;功率C:为采集点C处的功率Pc,由P=UI计算得到;平均功率:为A、B、C三点功率的平均值:
找出初始光伏发电变量特征X中异常值,判定异常值的方法:将(平均值±3×标准差)之外的任何值确定为异常值。按照上述判定异常值的方法,对每一列特征进行处理,找出每项特征的异常值。
在找出异常值之后,可以将异常值的上下记录均值替代异常值,并去除重复值,即得到光伏发电变量为:
X=[x1,x2,x3,......,x20] (1)
在步骤102中,基于光伏发电特征数据,构造光伏发电的结构特征。
具体的,光伏发电特征数据,构造光伏发电的结构特征,包括:构造新特征;新特征包括温差、实际板面所受光照和风量;将新特征增加到光伏发电特征数据中,得到光伏发电的结构特征。
示例性的,构造新的强特征温差、实际板面所受光照、风量。
温差=板温-现场温度,实际板面所受光照=电压A/转换效率。板面所受光照应该是直接影响发电量的,由于一天中日照角度的变化,数据提供的光照强度不能直接反应板面所受光照。
风量=风速+风向;得到的光伏发电变量即结构特征为:
X结构=[x1,x2,x3,......,x20,x21,x23] (2)
在步骤103中,利用概率密度函数对结构特征进行编码,获得光伏发电的统计特征。
具体的,利用概率密度函数对结构特征进行编码,获得光伏发电的统计特征,包括:
通过
获得光伏发电的统计特征;其中,μ为特征X的均值,σ为特征X的标准差。
示例性的,如图2所示,光伏发电的数据符合高斯分布函数,利用步骤102得到的结构特征X结构,计算X统计的统计特征。概率密度函数是衡量时间序列的基本统计指标。
在步骤104中,将结构特征与统计特征进行融合,得到光伏发电的联合特征。
具体的,将结构特征与统计特征进行融合,得到光伏发电的联合特征,包括:
通过
X联合=X结构+α*tanh((X统计)TX结构(X统计)) (4)
将统计特征X统计与结构特征X结构进行联合嵌入,得到光伏发电的联合特征;其中α=[0,1],在本方法中α可以取值为0.65。
在步骤105中,基于联合特征构建SampleRNN模型,并利用SampleRNN模型进行训练和测试。
具体的,SampleRNN模型为样本序列X联合=[x1,x2,x3,......,x21,x22,x23]的可能性建模:
P(X联合)=SampleRNN(x1,x2,...,x23) (5)
其中,建模利用Sample RNN的结构,将每个特征序列进行编码拟合,最终得到预测值。
其中,可能性建模的每个样本输出的状态由前一时刻样本的状态和当前时刻的输入样本概率的积决定。
具体的,基于联合特征构建SampleRNN模型,并利用SampleRNN模型进行训练和测试,包括:将实验样本数据分为M个训练集和N个测试集;其中M大于N;预先设计SampleRNN模型的RNN隐藏层维度、RNN在帧级层中的深度、嵌入层的大小、RNN类型、激活函数、训练批量大小、训练次数和优化器;SampleRNN模型包括采样级层和帧级层;将实验样本数据输入SampleRNN模型进行训练和测试,得到训练好的SampleRNN模型。
其中,SampleRNN是层次化循环神经网络,是一个端到端的无条件合成模型,其对于超长序列之间的依赖关系处理的效果很好。在其采用了多层的RNN类神经网络在不同的时间下对序列进行处理和预测,最后输出一个样本,最上层的分辨率最低,计算量最小,处理的时间域最长,只需要接受多个输入数据帧作为输入,随后层数越低,其分辨率越高,处理的时间域越短,计算量越大,最后一层仅对单个样本做处理,并输出预测值。
SampleRNN网络结构包括帧级层和采样级层,最低层称为采样级层,将除了最低层以外的更高级层统称为帧级层,如图3所示。
示例性的,本方法共采用三层,包括tier1、Tier2和Tier3。tier1为采样级层,Tier2和Tier3为帧级层。Tier3接收FS(3)=12个样本,Tier2接收FS(2)==4个样本,tier1接收FS(1)=1个样本。这意味着较高的水平具有更大的感受野,能够建模更长的依赖关系,而较低的水平负责建模时间上更接近的样本。
示例性的,实验的训练集为5599个,测试集为1400个。SampleRNN网络的RNN隐藏层维度为20、RNN在两个上层中的深度为4、底层嵌入层的大小为12、RNN类型为gru、激活函数为tanh,训练批量大小为4,训练次数为100,优化器为[adam,Adadelta]。
在步骤105中,将待预测的光伏发电数据输入到训练好的SampleRNN模型中,生成预测的发电量。
上述光伏发电预测方法的预测效果评价指标为均方根值RMSE。
通过
当不加入统计信息时,SampleRNN模型的RMSE值是2.7684。当利用联合特征后,SampleRNN模型的实验效果为2.08368,误差降低了大约0.7。
可见本发明提出的光伏发电的联合特征嵌入对于各机器学习模型训练是有效的,使得该基于改进的SampleRNN模型融合的光伏发电预测方法能够准确预测光伏发电功率,有效提高电网***的安全性和稳定性。
应理解,上述各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的光伏发电预测方法,图4示出了本申请实施例提供的光伏发电预测装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参见图4,本申请实施例中的光伏发电预测装置可以包括获取模块201、结构特征构造模块202、编码模块203、融合模块204、模型构建模块205和输出模块206。
其中,获取模块201,用于获取光伏发电特征数据;结构特征构造模块202,用于基于所述光伏发电特征数据,构造光伏发电的结构特征;编码模块203,用于利用概率密度函数对所述结构特征进行编码,获得光伏发电的统计特征;融合模块204,用于将所述结构特征与所述统计特征进行融合,得到光伏发电的联合特征;模型构建模块205,用于基于所述联合特征构建SampleRNN模型,并利用SampleRNN模型进行训练和测试;输出模块206,用于将待预测的光伏发电数据输入到训练好的SampleRNN模型中,生成预测的发电量。
需要说明的是,上述装置之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,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单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种终端设备,参见图5,该终端设备300可以包括:至少一个处理器310和存储器320,所述存储器320中存储有可在所述至少一个处理器310上运行的计算机程序,所述处理器310执行所述计算机程序时实现上述任意各个方法实施例中的步骤,例如图1所示实施例中的步骤101至步骤106。或者,处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块201至206的功能。
示例性的,计算机程序可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器320中,并由处理器310执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段,该程序段用于描述计算机程序在终端设备300中的执行过程。
本领域技术人员可以理解,图5仅仅是终端设备的示例,并不构成对终端设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是终端设备的内部存储单元,也可以是终端设备的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器320用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的光伏发电预测方法可以应用于计算机、平板电脑、笔记本电脑、上网本、个人数字助理(personal digital assistant,PDA)等终端设备上,本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例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存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述光伏发电预测方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述光伏发电预测方法各个实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,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计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种光伏发电预测方法,其特征在于,包括:
获取光伏发电特征数据;
基于所述光伏发电特征数据,构造光伏发电的结构特征;
利用概率密度函数对所述结构特征进行编码,获得光伏发电的统计特征;
将所述结构特征与所述统计特征进行融合,得到光伏发电的联合特征;
基于所述联合特征构建SampleRNN模型,并利用SampleRNN模型进行训练和测试;
将待预测的光伏发电数据输入到训练好的SampleRNN模型中,生成预测的发电量。
2.如权利要求1所述的光伏发电预测方法,其特征在于,所述获取光伏发电特征数据,包括:
获取光伏发电变量;
对于所述光伏发电变量中的异常值,采用所述异常值的平均值替代所述异常值,得到所述光伏发电特征数据。
3.如权利要求1所述的光伏发电预测方法,其特征在于,所述基于所述光伏发电特征数据,构造光伏发电的结构特征,包括:
构造新特征,所述新特征包括温差、实际板面所受光照和风量;
将所述新特征增加到所述光伏发电特征数据中,得到光伏发电的结构特征。
5.如权利要求1所述的光伏发电预测方法,其特征在于,所述将所述结构特征与所述统计特征进行融合,得到光伏发电的联合特征,包括:
通过
X联合=X结构+α*tanh((X统计)TX结构(X统计))
将统计特征X统计与结构特征X结构进行联合嵌入,得到光伏发电的联合特征;其中α=[0,1]。
6.如权利要求1所述的光伏发电预测方法,其特征在于,所述SampleRNN模型为样本序列X联合=[x1,x2,x3,......,x21,x22,x23]的可能性建模:
P(X联合)=SampleRNN(x1,x2,...,x23)。
7.如权利要求6所述的光伏发电预测方法,其特征在于,所述基于所述联合特征构建SampleRNN模型,并利用SampleRNN模型进行训练和测试,包括:
将实验样本数据分为M个训练集和N个测试集;其中M大于N;
预先设计SampleRNN模型的RNN隐藏层维度、RNN在帧级层中的深度、嵌入层的大小、RNN类型、激活函数、训练批量大小、训练次数和优化器;所述SampleRNN模型包括采样级层和帧级层;
将所述实验样本数据输入SampleRNN模型进行训练和测试,得到训练好的SampleRNN模型。
8.一种光伏发电预测装置,其特征在于,包括:
获取模块,用于获取光伏发电特征数据;
结构特征构造模块,用于基于所述光伏发电特征数据,构造光伏发电的结构特征;
编码模块,用于利用概率密度函数对所述结构特征进行编码,获得光伏发电的统计特征;
融合模块,用于将所述结构特征与所述统计特征进行融合,得到光伏发电的联合特征;
模型构建模块,用于基于所述联合特征构建SampleRNN模型,并利用SampleRNN模型进行训练和测试;
输出模块,用于将待预测的光伏发电数据输入到训练好的SampleRNN模型中,生成预测的发电量。
9.一种终端设备,包括存储器和处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的光伏发电预测方法。
10.一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程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的光伏发电预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210988803.7A CN115423159A (zh) | 2022-08-17 | 2022-08-17 | 光伏发电预测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210988803.7A CN115423159A (zh) | 2022-08-17 | 2022-08-17 | 光伏发电预测方法、装置及终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423159A true CN115423159A (zh) | 2022-12-02 |
Family
ID=84197596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210988803.7A Pending CN115423159A (zh) | 2022-08-17 | 2022-08-17 | 光伏发电预测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423159A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116260140A (zh) * | 2023-05-12 | 2023-06-13 | 长江三峡集团实业发展(北京)有限公司 | 一种在役风电场理论净发电量的快速估算方法及*** |
-
2022
- 2022-08-17 CN CN202210988803.7A patent/CN115423159A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116260140A (zh) * | 2023-05-12 | 2023-06-13 | 长江三峡集团实业发展(北京)有限公司 | 一种在役风电场理论净发电量的快速估算方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108593260B (zh) | 光缆线路故障定位和检测方法及终端设备 | |
CN111931345B (zh) | 一种监测数据预测方法、装置、设备及可读存储介质 | |
CN111144451B (zh) | 一种图像分类模型的训练方法、装置及设备 | |
CN107977748B (zh) | 一种多变量扭曲时间序列预测方法 | |
CN115618269B (zh) | 基于工业传感器生产的大数据分析方法及*** | |
CN114048468A (zh) | 入侵检测的方法、入侵检测模型训练的方法、装置及介质 | |
CN110188862A (zh) | 用于数据处理的模型超参数的搜索方法、装置、*** | |
CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
CN111582315B (zh) | 样本数据处理方法、装置及电子设备 | |
CN112508456A (zh) | 食品安全风险评估方法、***、计算机设备及存储介质 | |
CN113516417A (zh) | 基于智能建模的业务评估方法、装置、电子设备及介质 | |
CN115423159A (zh) | 光伏发电预测方法、装置及终端设备 | |
CN115017970A (zh) | 一种基于迁移学习的用气行为异常检测方法及*** | |
CN114066261A (zh) | 一种电表的篡改检测方法、装置、计算机设备和存储介质 | |
CN112433952B (zh) | 深度神经网络模型公平性测试方法、***、设备及介质 | |
CN115146822A (zh) | 光伏发电预测方法、装置及终端设备 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN114510469A (zh) | 电力***不良数据辨识方法、装置、设备及介质 | |
CN114386332A (zh) | 基于edc-lstm模型的土壤湿度预测方法、装置及存储介质 | |
CN113591881A (zh) | 基于模型融合的意图识别方法、装置、电子设备及介质 | |
CN113011657A (zh) | 进行台风水位预测的方法、装置、电子设备及存储介质 | |
CN116662160B (zh) | 基于代价敏感宽度学习的软件缺陷预测方法及处理装置 | |
CN113657623B (zh) | 电力设备状态诊断效果确定方法、装置、终端及存储介质 | |
CN117132177B (zh) | 基于多重假设检验的径流预报模型构建和径流预报方法 | |
CN115062495B (zh) | 材料绝缘性能分析方法、装置、电子设备及存储介质 |
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 |