CN116316617B - 多场站智能融合的新能源发电功率区域预测方法和*** - Google Patents
多场站智能融合的新能源发电功率区域预测方法和*** Download PDFInfo
- Publication number
- CN116316617B CN116316617B CN202310603024.5A CN202310603024A CN116316617B CN 116316617 B CN116316617 B CN 116316617B CN 202310603024 A CN202310603024 A CN 202310603024A CN 116316617 B CN116316617 B CN 116316617B
- Authority
- CN
- China
- Prior art keywords
- power
- new energy
- target area
- historical
- energy station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000004927 fusion Effects 0.000 title claims abstract description 33
- 238000010248 power generation Methods 0.000 claims abstract description 119
- 238000004590 computer program Methods 0.000 claims description 27
- 238000012896 Statistical algorithm Methods 0.000 claims description 17
- 230000002787 reinforcement Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 73
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000002079 cooperative effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 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
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- 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
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
-
- 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)
- Power Engineering (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种多场站智能融合的新能源发电功率区域预测方法和***。所述方法包括:获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;根据各目标预测发电功率和各新能源场站对所述目标区域的贡献权重,确定所述目标区域的第一预测总发电功率;根据所述目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定所述目标区域的第二预测总发电功率;根据所述第一预测总发电功率和所述第二预测总发电功率,对所述目标区域在所述未来时段的新能源发电功率进行预测。采用本方法能够将目标区域内多个新能源场站智能融合,从而提高目标区域的预测总发电功率的准确性和全面性。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种多场站智能融合的新能源发电功率区域预测方法和***。
背景技术
新能源一般是指在新技术基础上加以开发利用的可再生能源,包括太阳能、生物质能、风能、地热能、波浪能、洋流能和潮汐能、氢能等,新能源发电是利用现有的技术,通过上述的新型能源,实现发电的过程。
大部分新能源具有间歇性、随机性、波动性,当其渗透率超过一定比例后,电力***的安全运行可能受到严重影响。新能源场站的新能源发电功率预测是保障高比例新能源电力***安全、可靠运行的核心技术,电网调度部门根据预测的新能源发电功率做好各类电源的调度计划,即将新能源发电纳入常规发电计划,以便更好的管理和利用新能源发电,因此,新能源发电功率预测精度直接关系到电网调峰、机组组合、机组经济运行等问题。
然而,现有的预测区域内多个新能源场站的总发电功率的方式,是直接将区域内多个新能源场站的预测发电功率进行相加。这种方式会导致得到的区域内多场站的预测总发电功率存在不全面、准确性较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供了一种多场站智能融合的新能源发电功率区域预测方法和***,能够将目标区域内多个新能源场站智能融合,从而提高目标区域的预测总发电功率的准确性和全面性。
第一方面,本申请提供了一种多场站智能融合的新能源发电功率区域预测方法,该方法包括:
获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;
根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率;
根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率;
根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测。
在其中一个实施例中,根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率,包括:
根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重;
将各新能源场站对应的目标预测发电功率和贡献权重的乘积相加,得到目标区域的第一预测总发电功率。
在其中一个实施例中,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重,包括:
采用强化学习算法,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重。
在其中一个实施例中,根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率,包括:
基于时空回归统计算法,根据目标区域在历史时段内各历史时刻的历史实际总发电功率,以及各新能源场站的地理坐标,构建目标区域的时空回归模型;
基于目标区域的时空回归模型,根据各新能源场站的地理坐标,预测目标区域在未来时段内的第二预测总发电功率。
在其中一个实施例中,根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测,包括:
将第一预测总发电功率和第二预测总发电功率之间的算数平均值,作为目标区域在未来时段的目标预测总发电功率。
在其中一个实施例中,获取目标区域内各新能源场站在未来时段对应的目标预测发电功率,包括:
从候选功率预测模型中选择各新能源场站对应的目标功率预测模型;
基于各新能源场站对应的目标功率预测模型,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在未来时段的未来气象数据,确定各新能源场站在未来时段对应的目标预测发电功率。
在其中一个实施例中,从候选功率预测模型中选择各新能源场站对应的目标功率预测模型,包括:
根据目标区域内各新能源场站的场站类型,从候选功率预测模型中选择各新能源场站对应的目标功率预测模型。
第二方面,本申请还提供了一种多场站智能融合的新能源发电功率区域预测***,该***包括:功率预测需求端和服务器;其中,
所述功率预测需求端,用于在具有对目标区域的新能源发电功率预测需求的情况下,向所述服务器发送对所述目标区域的功率预测请求;
所述服务器,响应于所述功率预测请求,获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;根据各目标预测发电功率和各新能源场站对所述目标区域的贡献权重,确定所述目标区域的第一预测总发电功率;根据所述目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定所述目标区域的第二预测总发电功率;根据所述第一预测总发电功率和所述第二预测总发电功率,对所述目标区域在所述未来时段的新能源发电功率进行预测,并向所述功率预测需求端反馈预测结果。
第三方面,本申请还提供了一种多场站智能融合的新能源发电功率区域预测装置,该装置包括:
功率获取模块,用于获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;
第一确定模块,用于根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率;
第二确定模块,用于根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率;
功率预测模块,用于根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测。
第四方面,本申请还提供了一种计算机设备,该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:
获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;
根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率;
根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率;
根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测。
第五方面,本申请还提供了一种计算机可读存储介质,该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:
获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;
根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率;
根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率;
根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测。
上述多场站智能融合的新能源发电功率区域预测方法和***,通过获取目标区域内各新能源场站在未来时段对应的目标预测发电功率,结合各新能源场站对目标区域的贡献权重确定第一预测总发电功率;根据目标区域在历史时段的历史实际总发电功率以及各新能源场站的地理坐标确定第二预测总发电功率;进一步的,将第一预测总发电功率和第二预测总发电功率相结合,对目标区域在未来时段的新能源发电功率进行预测。上述方案,考虑到了一个区域内多个新能源场站之间的协同作用,以及各新能源场站对该区域的贡献程度等,在对区域的新能源发电功率进行预测过程中,引入各新能源场站对目标区域的贡献权重,以及各新能源场站的地理坐标等数据,提高了预测目标区域的新能源发电功率的全面性和精确度。
附图说明
图1为一个实施例中多场站智能融合的新能源发电功率区域预测***的结构图;
图2为一个实施例中多场站智能融合的新能源发电功率区域预测方法的流程示意图;
图3为一个实施例中获得目标区域的第一预测总发电功率的流程示意图;
图4为一个实施例中确定各新能源场站在未来时段对应的目标预测发电功率的流程示意图;
图5为一个实施例中预测目标区域在未来时段内的第二预测总发电功率的流程示意图;
图6为另一个实施例中多场站智能融合的新能源发电功率区域预测方法的流程示意图;
图7为一个实施例中多场站智能融合的新能源发电功率区域预测装置的结构框图;
图8为另一个实施例中多场站智能融合的新能源发电功率区域预测装置的结构框图;
图9为又一个实施例中多场站智能融合的新能源发电功率区域预测装置的结构框图;
图10为再一个实施例中多场站智能融合的新能源发电功率区域预测装置的结构框图;
图11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多场站智能融合的新能源发电功率区域预测方法,可以应用于如图1所示的多场站智能融合的新能源发电功率区域预测***中。其中,多场站智能融合的新能源发电功率区域预测***中包括功率预测需求端和服务器;其中,功率预测需求端102通过网络与服务器104进行通信。数据存储***可以存储服务器104需要处理的数据,比如目标区域内各新能源场站的地理坐标等数据。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。具体的,在检测到运维方存在功率预测需求时,功率预测需求端可以生成功率预测请求,并向服务器104发送功率预测请求;服务器104中配置有功率预测***,在接收到功率预测需求端发送的功率预测请求后,可以通过功率预测***,对目标区域内各新能源场站在未来时段对应的目标预测发电功率进行获取;进一步的,服务器根据获取到的各新能源场站的目标预测发电功率,结合各新能源场站对目标区域的贡献权重、目标区域在历史时段的历史实际总发电功率和各新能源场站的地理坐标,对目标区域在未来时段的新能源发电功率进行预测。可选的,服务器104在对目标区域在未来时段的新能源发电功率进行预测后,可以通过网络与功率预测需求端102进行交互,将预测结果反馈给功率预测需求端102,以供工作人员根据预测结果对目标区域的各新能源场站进行更好的管理。
其中,功率预测需求端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,提供了一种多场站智能融合的新能源发电功率区域预测方法,以该方法应用于图1中的服务器104为例进行说明,包括以下步骤:
S201,获取目标区域内各新能源场站在未来时段对应的目标预测发电功率。
在本实施例中,目标区域即为存在新能源发电功率预测需求的待预测区域。新能源场站即为目标区域内利用新能源进行发电的场站。其中,目标区域内可以包括多个新能源场站。未来时段即为当前时间之后需要进行新能源发电功率预测的一段时间。目标预测发电功率即为通过预测得到的各新能源场站在未来时段的发电功率。每个新能源场站均对应一个目标预测发电功率。
具体的,在检测到运维方存在功率预测需求时,功率预测需求端可以生成功率预测请求,并向服务器发送生成的功率预测请求。服务器在接收到功率预测请求后,可以通过服务器中的数据采集模块,对目标区域内各新能源场站的历史发电数据和场站数据,以及目标区域在未来时段的预测气象数据进行采集。进一步的,根据采集到的各新能源场站的历史发电数据和场站数据(如场站设备状态、场站限电时段等数据),以及目标区域在未来时段的预测气象数据,通过预先设定的功率预测***,对各新能源场站在未来时段的发电功率进行预测,获取各新能源场站在未来时段对应的目标预测发电功率。
S202,根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率。
在本实施例中,各新能源场站对目标区域的贡献权重即为各新能源场站的发电功率对目标区域的总发电功率所产生的贡献的权重。第一预测总发电功率即为在考虑各新能源场站对目标区域的贡献程度的情况下,预测得到的目标区域在未来时段的总发电功率。
具体的,在确定各目标预测发电功率和各新能源场站对目标区域的权重后,可以将获取到的每一新能源场站对应的目标预测发电功率,与该新能源场站对目标区域的贡献权重进行相乘;进一步的,将各个乘积进行相加,得到最终的计算结果,将该计算结果作为目标区域的第一预测总发电功率。
S203,根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率。
在本实施例中,历史实际总发电功率即为实际测量的目标区域在历史时段内的总发电功率。各新能源场站的地理坐标即为根据各新能源场站所在位置确定的坐标。第二预测总发电功率即为在考虑各新能源场站之间的协同作用的情况下,预测得到的目标区域在未来时段的总发电功率。
可选的,可以对目标区域在历史时段的历史实际总发电功率进行获取,并根据各新能源场站的所在位置确定各新能源场站的地理坐标;进一步的,可以通过预先设定的功率预测模型,对目标区域在历史时段的历史实际总发电功率和各新能源场站的地理坐标进行分析,进而确定出目标区域的第二预测总发电功率。
S204,根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测。
可选的,在获取到目标区域的第一预测总发电功率和第二预测总发电功率后,可以将第一预测总发电功率和第二预测总发电功率相加,并将相加结果除以2,进而得到第一预测总发电功率和第二预测总发电功率的简单平均值,将该简单平均值作为目标区域在未来时段的目标预测总发电功率,以实现对目标区域在未来时段的新能源发电功率的预测。
可选的,服务器在确定目标区域在未来时段的目标预测总发电功率后,可以通过网络与功率预测需求端进行交互,将确定的目标预测总发电功率反馈至功率预测需求端,以供运维方根据目标预测总发电功率,对目标区域进行更好的管理。
进一步的,为了提高对目标区域在未来时段的新能源发电功率进行预测的准确性,可以通过计算第一预测总发电功率和第二预测总发电功率之间的算数平均值,将第一预测总发电功率和第二预测总发电功率之间的算数平均值,作为目标区域在未来时段的目标预测总发电功率,以实现对目标区域在未来时段的新能源发电功率的预测。
具体的,获取到目标区域的第一预测总发电功率和第二预测总发电功率后,可以通过如下公式(1)计算第一预测总发电功率和第二预测总发电功率之间的算数平均值;进而将该算数平均值作为目标区域在未来时段的目标预测总发电功率。
(1)
其中,即为目标区域的第一预测总发电功率;/>即为目标区域的第二预测总发电功率;/>即为目标预测总发电功率。
可以理解的是,通过计算目标区域的第一预测总发电功率和第二预测总发电功率之间的算数平均值,将该算数平均值作为目标区域在未来时段的目标预测总发电功率,能够提高确定目标预测总发电功率的准确性,进而实现更加全面、准确的对目标区域在未来时段的新能源发电功率进行预测的效果。
上述多场站智能融合的新能源发电功率区域预测方法,通过获取目标区域内各新能源场站在未来时段对应的目标预测发电功率,结合各新能源场站对目标区域的贡献权重确定第一预测总发电功率;根据目标区域在历史时段的历史实际总发电功率以及各新能源场站的地理坐标确定第二预测总发电功率;进一步的,将第一预测总发电功率和第二预测总发电功率相结合,对目标区域在未来时段的新能源发电功率进行预测。上述方案,考虑到了一个区域内多个新能源场站之间的协同作用,以及各新能源场站对该区域的贡献程度等,在对区域的新能源发电功率进行预测过程中,引入各新能源场站对目标区域的贡献权重,以及各新能源场站的地理坐标等数据,提高了预测目标区域的新能源发电功率的全面性和精确度。
为了保证各新能源场站在未来时段对应的目标预测发电功率的准确性,在上述实施例的基础上,在一个实施例中,如图3所示,进一步对上述S201进行细化,可以包括以下步骤:
S301,从候选功率预测模型中选择各新能源场站对应的目标功率预测模型。
在本实施例中,候选功率预测模型中可以有多种用来对各新能源场站的发电功率进行预测的功率预测模型;功率预测模型包括但不限于基于统计学的模型、机器学习模型、深度学习模型等模型。可选的,本实施例中每一新能源场站对应一个目标功率预测模型。
具体的,可以对各新能源场站进行分析,确定对各新能源场站进行发电功率预测所需的需求数据;针对每一新能源场站,根据对该新能源场站进行发电功率预测所需的需求数据,从候选功率预测模型中选择出包含该需求数据的功率预测模型,将该功率预测模型作为该新能源场站对应的目标功率预测模型。
例如,若对某一新能源场站进行分析,确定对该新能源场站进行发电功率预测所需的需求数据为气象数据,即在对该新能源场站进行发电功率预测的过程中需要输入气象数据;从候选功率预测模型中选择包含需求数据的功率预测模型,将该功率预测模型作为该新能源场站对应的目标功率预测模型。
可选的,本实施例提供了另一种可实施方式为,可以根据目标区域内各新能源场站的场站类型,从候选功率预测模型中选择各新能源场站对应的目标功率预测模型。在本实施例中,场站类型即为目标区域内各新能源场站所属的类型。
具体的,可以结合目标区域内各新能源场站的场站数据等,对目标区域内各新能源场站进行分析,确定各新能源场站所属的场站类型;进一步的,根据各新能源场站对应的场站类型,可以通过预先设定的场站类型与候选功率预测模型之间的映射关系,从候选功率预测模型中选择各新能源场站对应的目标功率预测模型。
可选的,针对候选功率预测模型中的每一功率预测模型,可以对该功率预测模型进行分析,确定该功率预测模型对应的场站类型;将该场站类型下的每一新能源场站的场站数据和在各个历史时段的历史实际发电功率,以及目标区域在历史时段的历史气象数据输入至该功率预测模型中,得到该功率预测模型的数据结果;进一步的,根据该功率预测模型的数据结果的可靠性,对该功率预测模型的模型参数进行调整,进而得到该功率预测模型对应的训练后的功率预测模型。将每一训练后的功率预测模型均作为候选功率预测模型,以供后续确定各新能源场站在未来时段的目标预测发电功率。
S302,基于各新能源场站对应的目标功率预测模型,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在未来时段的未来气象数据,确定各新能源场站在未来时段对应的目标预测发电功率。
在本实施例中,每一新能源场站的历史实际发电功率即为实际测量的该新能源场站在历史时段内的发电功率;由于在数据采集过程中,采集到的各新能源场站的历史发电数据中可能存在噪声数据,为了保证各新能源场站的目标预测发电功率的准确性,可以对采集到的各新能源场站的历史发电数据进行预处理如数据清洗等,进而得到更加准确的历史实际发电功率。未来气象数据即为预测的目标区域在未来时段的气象数据,如风速、温度、辐照度、压强、湿度等。
具体的,针对目标区域内的每一新能源场站,将采集到的该新能源场站的历史实际发电功率,以及目标区域在未来时段的未来气象数据,输入至该新能源场站对应的目标功率预测模型中;通过该新能源场站对应的目标功率预测模型,对该新能源场站的历史实际发电功率,以及目标区域在未来时段的未来气象数据进行分析,进而确定该新能源场站在未来时段对应的目标预测发电功率。
可以理解的是,由于各新能源场站之间存在差异性,针对每一新能源场站,通过为该新能源场站选择对应的目标功率预测模型,根据采集到的该新能源场站的历史实际发电功率,以及目标区域在未来时段的未来气象数据,基于该目标功率预测模型,能够得到更加准确的新能源场站在未来时段对应的目标预测发电功率,进而实现了提高对各新能源场站进行发电功率预测的准确性的效果。
为了提高目标区域在未来时段的第一预测总发电功率的准确性,在一个实施例中,如图4所示,进一步对上述S202进行细化,可以包括以下步骤:
S401,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重。
在本实施例中,历史气象数据即为目标区域在历史时段的气象数据。
具体的,可以对各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据进行获取;进一步的,通过预先训练的贡献权重确定模型,对各新能源场站在历史时段的历史实际发电功率和目标区域在历史时段的历史实际总发电功率进行分析,确定各新能源场站对目标区域的贡献权重。
可选的,在获取到历史实际发电功率、历史实际总发电功率和历史气象数据后,可以采用强化学习算法,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重。
具体的,在获取到历史实际发电功率、历史实际总发电功率和历史气象数据后,可以通过如下公式(2)所示的强化学习算法的表达式,确定各新能源场站地目标区域的贡献权重。
(2)
其中,s为各新能源场站的贡献权重。a为学习动作,是每一步迭代各新能源场站的贡献权重的变化值;下一个状态可简化表示为,表示下一个状态由上一个状态叠加修正量进行修正;上标l、p和k分别代表第 l个用于强化学习的实码, 第 p次搜索,第 k次迭代;/>为立即奖励,一般可以通过最优化目标转化而来,在此可以用根据各新能源场站的历史实际发电功率确定的加权累加历史实际发电功率,和目标区域的历史实际总发电功率的均方根误差值计算得到;/>和/>为知识矩阵及其增量,表示当前状态下的知识矩阵和增量知识,是迭代中进行知识迭代所必须的矩阵;/>是统一概率分布中的随机值;ε为局部贪婪搜索参数,是一个自定义常数参数;/>代表了全局的随机搜索动作。/>,为学习参数,均为可调参数。
可选的,为了防止过拟合,可以给强化学习模型进行一定程度的松弛,即在环境评价函数中,将收敛条件适度宽松,设置收敛条件为:
(3)
其中,为目标区域在t时刻的历史实际总发电功率,/>为第i个新能源场站在t时刻的历史实际发电功率,/>为区域内场站总个数;/>为松弛系数,可以自定义。
进一步的,可以将各新能源场站的历史实际发电功率,以及目标区域的历史实际总发电功率和历史气象数据输入至上述强化学习模型(即公式(2))中,并结合上述收敛条件(即公式(3)),对各新能源场站对目标区域的贡献权重进行确定。
S402,将各新能源场站对应的目标预测发电功率和贡献权重的乘积相加,得到目标区域的第一预测总发电功率。
具体的,确定各新能源场站对目标区域的贡献权重后,可以将获取到的各新能源场站对应的目标预测发电功率,相应的与各新能源场站对目标区域的贡献权重进行相乘;进一步的,将各个乘积进行相加,得到最终的计算结果,将该计算结果作为目标区域的第一预测总发电功率。
例如,若目标区域内存在3个新能源场站,获取到各新能源场站对应的目标预测发电功率分别为a、b和c;确定各新能源场站对目标区域的贡献权重分别为0.5、0.3和0.2;进一步的,将各新能源场站对应的目标预测发电功率和贡献权重的乘积相加可以得出,目标区域的第一预测总发电功率即为0.5a+0.3b+0.2c。
可以理解的是,通过引入各新能源场站对目标区域的贡献权重,根据各新能源场站的目标预测发电功率和各新能源场站对目标区域的贡献权重,来确定目标区域的第一预测总功率,考虑到了各新能源场站对目标区域的总发电功率的贡献量的不同,提高了确定目标区域的第一预测总发电功率的准确性,进而实现了提高预测目标区域的新能源发电功率的全面性和精确度的效果。
进一步的,为了提高目标区域在未来时段的第二预测总发电功率的准确性,在一个实施例中,如图5所示,进一步对上述S203进行细化,具体可以包括以下步骤:
S501,基于时空回归统计算法,根据目标区域在历史时段内各历史时刻的历史实际总发电功率,以及各新能源场站的地理坐标,构建目标区域的时空回归模型。
在本实施例中,时空回归统计(Space-time series Auto-Regressive andMoving Average Model,STARMA)算法即为根据时空序列的时间相关性和空间相关性对序列进行分析的一种建模算法。时空回归模型即为基于时空回归统计算法构建的目标区域对应的模型。
具体的,在获取到目标区域在历史时段内各历史时刻的历史实际总发电功率,以及各新能源场站的地理坐标后,可以根据获取到的各新能源场站的地理坐标,构建目标区域的地理矩阵;进一步的,将目标区域在历史时段内各历史时刻的历史实际总发电功率和目标区域的地理矩阵代入如下公式(4)的时空回归统计算法中形成方程组,进一步的,采用最小二乘法,对时间序列参数、/>进行拟合,确定时间序列参数/>、/>的数值。
(4)
其中,t即为历史时段;为目标区域的历史实际总发电功率;n为历史时段内的第n个历史时刻;/>为目标区域在第n个历史时刻的历史实际总发电功率;p、q分别为自回归和滑动阶数,/>为白噪声序列;/>为目标区域在第n个历史时刻的白噪声序列;l为空间矩阵的阶数;/>、/>为时空回归模型中的时间序列参数;/>为地理矩阵,用于反映各场站的地理相关性,可以有如下公式(5)得到。
(5)
其中,k、k`为各地理坐标的编号。
进一步的,将确定的时间序列参数、/>代入至时空回归统计算法中,即可得到时空回归模型。
S502,基于目标区域的时空回归模型,根据各新能源场站的地理坐标,预测目标区域在未来时段内的第二预测总发电功率。
具体的,可以基于构建的目标区域的时空回归模型,根据由各新能源场站的地理坐标确定的目标区域的地理矩阵,对目标区域在未来时段内的第二预测总发电功率进行预测。
可以理解的是,通过引入时空回归统计算法,根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,构建时空回归模型;进而基于构建的时空回归模型对目标区域的第二预测总发电功率,考虑到了目标区域内各新能源场站之间的协同作用,提高了确定目标区域的第二预测总发电功率的准确性,进而实现了提高预测目标区域的新能源发电功率的全面性和精确度的效果。
在一个实施例中,如图6所示,提供了一种多场站智能融合的新能源发电功率区域预测方法的可选实例。具体过程如下:
S601,根据目标区域内各新能源场站的场站类型,从候选功率预测模型中选择各新能源场站对应的目标功率预测模型。
S602,基于各新能源场站对应的目标功率预测模型,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在未来时段的未来气象数据,确定各新能源场站在未来时段对应的目标预测发电功率。
S603,采用强化学习算法,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重。
S604,将各新能源场站对应的目标预测发电功率和贡献权重的乘积相加,得到目标区域的第一预测总发电功率。
S605,基于时空回归统计算法,根据目标区域在历史时段内各历史时刻的历史实际总发电功率,以及各新能源场站的地理坐标,构建目标区域的时空回归模型。
S606,基于目标区域的时空回归模型,根据各新能源场站的地理坐标,预测目标区域在未来时段内的第二预测总发电功率。
S607,将第一预测总发电功率和第二预测总发电功率之间的算数平均值,作为目标区域在未来时段的目标预测总发电功率。
上述S601-S607的具体过程可以参见上述方法实施例的描述,其实现原理和技术效果类似,在此不再赘述。
应该理解的是,虽然如上所述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,如上所述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多场站智能融合的新能源发电功率区域预测方法的多场站智能融合的新能源发电功率区域预测***。该***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多场站智能融合的新能源发电功率区域预测***实施例中的具体限定可以参见上文中对于多场站智能融合的新能源发电功率区域预测方法的限定,在此不再赘述。
在一个实施例中,提供了一种多场站智能融合的新能源发电功率区域预测***,包括:功率预测需求端和服务器;其中,
功率预测需求端,用于在具有对目标区域的新能源发电功率预测需求的情况下,向服务器发送对目标区域的功率预测请求;
服务器,响应于功率预测请求,获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率;根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率;根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测,并向功率预测需求端反馈预测结果。
进一步的,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多场站智能融合的新能源发电功率区域预测方法的多场站智能融合的新能源发电功率区域预测装置。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多场站智能融合的新能源发电功率区域预测装置实施例中的具体限定可以参见上文中对于多场站智能融合的新能源发电功率区域预测方法的限定,在此不再赘述。
在一个实施例中,如图7所示,提供了一种多场站智能融合的新能源发电功率区域预测装置1,包括:功率获取模块10、第一确定模块20、第二确定模块30和功率预测模块40,其中:
功率获取模块10,用于获取目标区域内各新能源场站在未来时段对应的目标预测发电功率。
第一确定模块20,用于根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率。
第二确定模块30,用于根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率。
功率预测模块40,用于根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测。
在一个实施例中,在上述图7的基础上,如图8所示,上述第一确定模块20可以包括:
权重确定单元21,用于根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重。
第一确定单元22,用于将各新能源场站对应的目标预测发电功率和贡献权重的乘积相加,得到目标区域的第一预测总发电功率。
在一个实施例中,上述权重确定单元21可以用于:
采用强化学习算法,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重。
在一个实施例中,在上述图7或图8的基础上,如图9所示,上述第二确定模块30可以包括:
模型构建单元31,用于基于时空回归统计算法,根据目标区域在历史时段内各历史时刻的历史实际总发电功率,以及各新能源场站的地理坐标,构建目标区域的时空回归模型。
第二确定单元32,用于基于目标区域的时空回归模型,根据各新能源场站的地理坐标,预测目标区域在未来时段内的第二预测总发电功率。
在一个实施例中,上述功率预测模块40可以用于:
将第一预测总发电功率和第二预测总发电功率之间的算数平均值,作为目标区域在未来时段的目标预测总发电功率。
在一个实施例中,在上述图7、图8或图9的基础上,如图10所示,上述功率获取模块10可以包括:
模型选择单元11,用于从候选功率预测模型中选择各新能源场站对应的目标功率预测模型。
功率确定单元12,用于基于各新能源场站对应的目标功率预测模型,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在未来时段的未来气象数据,确定各新能源场站在未来时段对应的目标预测发电功率。
在一个实施例中,上述模型选择单元11可以用于:
根据目标区域内各新能源场站的场站类型,从候选功率预测模型中选择各新能源场站对应的目标功率预测模型。
上述多场站智能融合的新能源发电功率区域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11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目标区域内各新能源场站的地理坐标等数据。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多场站智能融合的新能源发电功率区域预测方法。
本领域技术人员可以理解,图11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,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以下步骤:
获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;
根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率;
根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率;
根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测。
在一个实施例中,处理器执行计算机程序根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率的逻辑时,还实现以下步骤:
根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重;将各新能源场站对应的目标预测发电功率和贡献权重的乘积相加,得到目标区域的第一预测总发电功率。
在一个实施例中,处理器执行计算机程序根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重的逻辑时,还实现以下步骤:
采用强化学习算法,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重。
在一个实施例中,处理器执行计算机程序根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率的逻辑时,还实现以下步骤:
基于时空回归统计算法,根据目标区域在历史时段内各历史时刻的历史实际总发电功率,以及各新能源场站的地理坐标,构建目标区域的时空回归模型;基于目标区域的时空回归模型,根据各新能源场站的地理坐标,预测目标区域在未来时段内的第二预测总发电功率。
在一个实施例中,处理器执行计算机程序根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测的逻辑时,还实现以下步骤:
将第一预测总发电功率和第二预测总发电功率之间的算数平均值,作为目标区域在未来时段的目标预测总发电功率。
在一个实施例中,处理器执行计算机程序获取目标区域内各新能源场站在未来时段对应的目标预测发电功率的逻辑时,还实现以下步骤:
从候选功率预测模型中选择各新能源场站对应的目标功率预测模型;基于各新能源场站对应的目标功率预测模型,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在未来时段的未来气象数据,确定各新能源场站在未来时段对应的目标预测发电功率。
在一个实施例中,处理器执行计算机程序从候选功率预测模型中选择各新能源场站对应的目标功率预测模型的逻辑时,还实现以下步骤:
根据目标区域内各新能源场站的场站类型,从候选功率预测模型中选择各新能源场站对应的目标功率预测模型。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;
根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率;
根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率;
根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测。
在一个实施例中,计算机程序根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率的逻辑被处理器执行时,还实现以下步骤:
根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重;将各新能源场站对应的目标预测发电功率和贡献权重的乘积相加,得到目标区域的第一预测总发电功率。
在一个实施例中,计算机程序根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重的逻辑被处理器执行时,还实现以下步骤:
采用强化学习算法,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重。
在一个实施例中,计算机程序根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率的逻辑被处理器执行时,还实现以下步骤:
基于时空回归统计算法,根据目标区域在历史时段内各历史时刻的历史实际总发电功率,以及各新能源场站的地理坐标,构建目标区域的时空回归模型;基于目标区域的时空回归模型,根据各新能源场站的地理坐标,预测目标区域在未来时段内的第二预测总发电功率。
在一个实施例中,计算机程序根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测的逻辑被处理器执行时,还实现以下步骤:
将第一预测总发电功率和第二预测总发电功率之间的算数平均值,作为目标区域在未来时段的目标预测总发电功率。
在一个实施例中,计算机程序获取目标区域内各新能源场站在未来时段对应的目标预测发电功率的逻辑被处理器执行时,还实现以下步骤:
从候选功率预测模型中选择各新能源场站对应的目标功率预测模型;基于各新能源场站对应的目标功率预测模型,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在未来时段的未来气象数据,确定各新能源场站在未来时段对应的目标预测发电功率。
在一个实施例中,计算机程序从候选功率预测模型中选择各新能源场站对应的目标功率预测模型的逻辑被处理器执行时,还实现以下步骤:
根据目标区域内各新能源场站的场站类型,从候选功率预测模型中选择各新能源场站对应的目标功率预测模型。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;
根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率;
根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率;
根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测。
在一个实施例中,计算机程序根据各目标预测发电功率和各新能源场站对目标区域的贡献权重,确定目标区域的第一预测总发电功率的逻辑被处理器执行时,还实现以下步骤:
根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重;将各新能源场站对应的目标预测发电功率和贡献权重的乘积相加,得到目标区域的第一预测总发电功率。
在一个实施例中,计算机程序根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重的逻辑被处理器执行时,还实现以下步骤:
采用强化学习算法,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对目标区域的贡献权重。
在一个实施例中,计算机程序根据目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定目标区域的第二预测总发电功率的逻辑被处理器执行时,还实现以下步骤:
基于时空回归统计算法,根据目标区域在历史时段内各历史时刻的历史实际总发电功率,以及各新能源场站的地理坐标,构建目标区域的时空回归模型;基于目标区域的时空回归模型,根据各新能源场站的地理坐标,预测目标区域在未来时段内的第二预测总发电功率。
在一个实施例中,计算机程序根据第一预测总发电功率和第二预测总发电功率,对目标区域在未来时段的新能源发电功率进行预测的逻辑被处理器执行时,还实现以下步骤:
将第一预测总发电功率和第二预测总发电功率之间的算数平均值,作为目标区域在未来时段的目标预测总发电功率。
在一个实施例中,计算机程序获取目标区域内各新能源场站在未来时段对应的目标预测发电功率的逻辑被处理器执行时,还实现以下步骤:
从候选功率预测模型中选择各新能源场站对应的目标功率预测模型;基于各新能源场站对应的目标功率预测模型,根据各新能源场站在历史时段的历史实际发电功率,以及目标区域在未来时段的未来气象数据,确定各新能源场站在未来时段对应的目标预测发电功率。
在一个实施例中,计算机程序从候选功率预测模型中选择各新能源场站对应的目标功率预测模型的逻辑被处理器执行时,还实现以下步骤:
根据目标区域内各新能源场站的场站类型,从候选功率预测模型中选择各新能源场站对应的目标功率预测模型。
需要说明的是,本申请所涉及的数据(包括但不限于各新能源场站的地理坐标等数据),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 AccessMemory,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 (10)
1.一种多场站智能融合的新能源发电功率区域预测方法,其特征在于,所述方法包括:
获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;
根据各目标预测发电功率和各新能源场站对所述目标区域的贡献权重,确定所述目标区域的第一预测总发电功率;
根据所述目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定所述目标区域的第二预测总发电功率;
根据所述第一预测总发电功率和所述第二预测总发电功率,对所述目标区域在所述未来时段的新能源发电功率进行预测;
其中,所述根据所述目标区域在历史时段的历史实际总发电功率,以及各新能源场站的地理坐标,确定所述目标区域的第二预测总发电功率,包括:
根据各新能源场站的地理坐标,构建所述目标区域的地理矩阵;
基于时空回归统计算法,根据所述目标区域的地理矩阵和所述目标区域在历史时段内各历史时刻的历史实际总发电功率,确定所述时空回归统计算法中时间序列参数的数值;
将所述时间序列参数的数值代入所述时空回归统计算法中,得到所述目标区域的时空回归模型;
将所述目标区域的地理矩阵,和所述目标区域在历史时段内任一历史时刻的历史实际总发电功率输入至所述时空回归模型中,确定所述目标区域的第二预测总发电功率。
2.根据权利要求1所述的方法,其特征在于,所述根据各目标预测发电功率和各新能源场站对所述目标区域的贡献权重,确定所述目标区域的第一预测总发电功率,包括:
根据各新能源场站在历史时段的历史实际发电功率,以及所述目标区域在所述历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对所述目标区域的贡献权重;
将各新能源场站对应的目标预测发电功率和贡献权重的乘积相加,得到所述目标区域的第一预测总发电功率。
3.根据权利要求2所述的方法,其特征在于,所述根据各新能源场站在历史时段的历史实际发电功率,以及所述目标区域在所述历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对所述目标区域的贡献权重,包括:
采用强化学习算法,根据各新能源场站在历史时段的历史实际发电功率,以及所述目标区域在所述历史时段的历史实际总发电功率和历史气象数据,确定各新能源场站对所述目标区域的贡献权重;其中,所述强化学习算法的表达式为:
;
其中,s为各新能源场站的贡献权重;a为每一步迭代各新能源场站的贡献权重的变化值;下一个状态表示为,是由上一个状态叠加修正量进行修正得到的;上标l代表第l个用于强化学习的实码;上标p表示第p次搜索;上标k表示第k次迭代;/>为立即奖励,根据各新能源场站的历史实际发电功率确定的加权累加历史实际发电功率,和所述目标区域的历史实际总发电功率的均方根误差值计算得到;/>为当前状态下的知识矩阵;为所述当前状态下的增量知识;/>是统一概率分布中的随机值;ε为局部贪婪搜索参数;/>表示全局的随机搜索动作;/>和/>为学习参数;
所述强化学习算法的收敛条件具体如下公式:
;
其中,为所述目标区域在t时刻的历史实际总发电功率,/>为第i个新能源场站在t时刻的历史实际发电功率,/>为所述目标区域内场站总个数;/>为松弛系数。
4.根据权利要求1所述的方法,其特征在于,所述根据所述第一预测总发电功率和所述第二预测总发电功率,对所述目标区域在所述未来时段的新能源发电功率进行预测,包括:
将所述第一预测总发电功率和所述第二预测总发电功率之间的算数平均值,作为所述目标区域在未来时段的目标预测总发电功率。
5.根据权利要求1所述的方法,其特征在于,所述获取目标区域内各新能源场站在未来时段对应的目标预测发电功率,包括:
从候选功率预测模型中选择各新能源场站对应的目标功率预测模型;
基于各新能源场站对应的目标功率预测模型,根据各新能源场站在历史时段的历史实际发电功率,以及所述目标区域在未来时段的未来气象数据,确定各新能源场站在未来时段对应的目标预测发电功率。
6.根据权利要求5所述的方法,其特征在于,所述从候选功率预测模型中选择各新能源场站对应的目标功率预测模型,包括:
根据目标区域内各新能源场站的场站类型,从候选功率预测模型中选择各新能源场站对应的目标功率预测模型。
7.根据权利要求5所述的方法,其特征在于,所述未来气象数据包括风速数据、温度数据、辐照度数据、压强数据和湿度数据。
8.一种多场站智能融合的新能源发电功率区域预测***,其特征在于,所述***包括:功率预测需求端和服务器;其中,
所述功率预测需求端,用于在具有对目标区域的新能源发电功率预测需求的情况下,向所述服务器发送对所述目标区域的功率预测请求;
所述服务器,响应于所述功率预测请求,获取目标区域内各新能源场站在未来时段对应的目标预测发电功率;根据各目标预测发电功率和各新能源场站对所述目标区域的贡献权重,确定所述目标区域的第一预测总发电功率;根据各新能源场站的地理坐标,构建所述目标区域的地理矩阵;基于时空回归统计算法,根据所述目标区域的地理矩阵和所述目标区域在历史时段内各历史时刻的历史实际总发电功率,确定所述时空回归统计算法中时间序列参数的数值;将所述时间序列参数的数值代入所述时空回归统计算法中,得到所述目标区域的时空回归模型;将所述目标区域的地理矩阵,和所述目标区域在历史时段内任一历史时刻的历史实际总发电功率输入至所述时空回归模型中,确定所述目标区域的第二预测总发电功率;根据所述第一预测总发电功率和所述第二预测总发电功率,对所述目标区域在所述未来时段的新能源发电功率进行预测,并向所述功率预测需求端反馈预测结果。
9.一种计算机设备,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7中任一项所述的方法的步骤。
10.一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7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310603024.5A CN116316617B (zh) | 2023-05-26 | 2023-05-26 | 多场站智能融合的新能源发电功率区域预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310603024.5A CN116316617B (zh) | 2023-05-26 | 2023-05-26 | 多场站智能融合的新能源发电功率区域预测方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116316617A CN116316617A (zh) | 2023-06-23 |
CN116316617B true CN116316617B (zh) | 2023-09-15 |
Family
ID=86783740
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310603024.5A Active CN116316617B (zh) | 2023-05-26 | 2023-05-26 | 多场站智能融合的新能源发电功率区域预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116316617B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117195751B (zh) * | 2023-11-07 | 2024-03-15 | 国能日新科技股份有限公司 | 区域新能源的功率组合预测方法和设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112242710A (zh) * | 2019-07-17 | 2021-01-19 | 中国电力科学研究院有限公司 | 一种基于场景分析的新能源跨区域消纳方法和*** |
CN112491044A (zh) * | 2020-11-23 | 2021-03-12 | 合肥阳光新能源科技有限公司 | 功率预测偏差补偿方法、装置及控制器 |
CN113988481A (zh) * | 2021-12-23 | 2022-01-28 | 南京鼐威欣信息技术有限公司 | 一种基于动态矩阵预测控制的风功率预测方法 |
CN114493050A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 多维度融合的新能源功率并联预测方法和装置 |
US11489491B1 (en) * | 2021-03-23 | 2022-11-01 | 8Me Nova, Llc | Solar forecasting for networked power plants |
CN115358515A (zh) * | 2022-07-07 | 2022-11-18 | 杭州中恒云能源互联网技术有限公司 | 一种分布式光伏***的功率预测方法和*** |
CN115392387A (zh) * | 2022-09-01 | 2022-11-25 | 国网江苏省电力有限公司镇江供电分公司 | 一种低压分布式光伏发电出力预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626B (zh) * | 2011-01-30 | 2012-08-29 | 华北电力大学 | 风电场短期功率预测方法 |
-
2023
- 2023-05-26 CN CN202310603024.5A patent/CN116316617B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112242710A (zh) * | 2019-07-17 | 2021-01-19 | 中国电力科学研究院有限公司 | 一种基于场景分析的新能源跨区域消纳方法和*** |
CN112491044A (zh) * | 2020-11-23 | 2021-03-12 | 合肥阳光新能源科技有限公司 | 功率预测偏差补偿方法、装置及控制器 |
US11489491B1 (en) * | 2021-03-23 | 2022-11-01 | 8Me Nova, Llc | Solar forecasting for networked power plants |
CN113988481A (zh) * | 2021-12-23 | 2022-01-28 | 南京鼐威欣信息技术有限公司 | 一种基于动态矩阵预测控制的风功率预测方法 |
CN114493050A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 多维度融合的新能源功率并联预测方法和装置 |
CN115358515A (zh) * | 2022-07-07 | 2022-11-18 | 杭州中恒云能源互联网技术有限公司 | 一种分布式光伏***的功率预测方法和*** |
CN115392387A (zh) * | 2022-09-01 | 2022-11-25 | 国网江苏省电力有限公司镇江供电分公司 | 一种低压分布式光伏发电出力预测方法 |
Non-Patent Citations (2)
Title |
---|
一种变权重风电功率最优组合预测模型;马斌等;《电力***保护与控制》;第44卷(第5期);第117-121页 * |
基于强化学习的风电场运营策略研究;秦敬涛;《万方学位论文数据库》;第29-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116316617A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Corizzo et al. | Anomaly detection and repair for accurate predictions in geo-distributed big data | |
CN113077097B (zh) | 一种基于深度时空相似性的空气质量预测方法 | |
Cheng et al. | Multi-meteorological-factor-based graph modeling for photovoltaic power forecasting | |
CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
CN110570030A (zh) | 基于深度学习的风电集群功率区间预测的方法及*** | |
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*** | |
CN115796393B (zh) | 基于多能互动的能源网管理优化方法、***及存储介质 | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
CN113988477A (zh) | 基于机器学习的光伏功率短期预测方法、装置及存储介质 | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和*** | |
Luo et al. | An adaptive deep learning framework for day-ahead forecasting of photovoltaic power generation | |
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 | |
CN114971090A (zh) | 一种电供暖负荷预测方法、***、设备和介质 | |
CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
Wang et al. | Wind Power Forecasting in the presence of data scarcity: A very short-term conditional probabilistic modeling framework | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
Gunasekaran et al. | Solar irradiation forecasting using genetic algorithms | |
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 | |
CN117183803A (zh) | 电动汽车充电控制方法、装置和计算机设备 | |
CN113962432A (zh) | 一种融合三维卷积与轻量卷积门限单元的风电预测方法及*** | |
Gawali et al. | Fault prediction model in wind turbines using deep learning structure with enhanced optimisation algorithm | |
Bhatnagar et al. | Short-Term Electric Load Forecast Model Using the Combination of Ant Lion Optimization with Bi-LSTM Network | |
Deng et al. | Medium-term rolling load forecasting based on seasonal decomposition and long short-term memory neural network | |
CN116342077B (zh) | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |