CN117332898A - 基于机器学习的新能源小时间尺度功率时序滚动预测方法 - Google Patents

基于机器学习的新能源小时间尺度功率时序滚动预测方法 Download PDF

Info

Publication number
CN117332898A
CN117332898A CN202311342188.3A CN202311342188A CN117332898A CN 117332898 A CN117332898 A CN 117332898A CN 202311342188 A CN202311342188 A CN 202311342188A CN 117332898 A CN117332898 A CN 117332898A
Authority
CN
China
Prior art keywords
historical
target
power
new energy
prediction
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
Application number
CN202311342188.3A
Other languages
English (en)
Inventor
包涛
马溪原
习伟
李鹏
程凯
胡旭东
潘世贤
周长城
陈炎森
李卓环
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202311342188.3A priority Critical patent/CN117332898A/zh
Publication of CN117332898A publication Critical patent/CN117332898A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Power Engineering (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习的新能源小时间尺度功率时序滚动预测方法。该方法涉及功率预测技术领域，包括：获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据；基于目标新能源场站的历史功率数据和目标功率预测模型，确定目标新能源场站在目标未来时间段内对应的功率预测数据，其中，目标功率预测模型是基于目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。本发明实施例的技术方案解决了现有的功率预测方法依赖于天气预报，导致功率预测的时间尺度较大且预测结果不准确的问题，实现了对新能源场站在小时间尺度下的功率预测，提高预测的精确度。

Description

基于机器学习的新能源小时间尺度功率时序滚动预测方法
技术领域
本发明涉及新能源功率预测技术领域，尤其涉及基于机器学习的新能源小时间尺度功率时序滚动预测方法。
背景技术
随着风光等新能源装机容量的不断增长，电网中新能源发电接入比率不断提高。而目前我国新能源场站功率预测精度较低，时间尺度小、预测频率高的新能源高精度预测有待开展。在此背景下，为保证电网的安全稳定运行，减少调峰机组等备用资源的投资，提高风光等新能源的消纳水平，提高经济效益和社会效益，亟需提高新能源功率预测精度。现有的新能源功率预测分为超短期、短期和中长期预测。其中新能源超短期功率预测能够提供新能源出力的详细变化信息，反映功率瞬变的波动细节，对电网运行非常重要。而国内大部分做的超短期功率预测的时段为预测未来0到4小时，时间分辨率为15分钟。但风电和光伏等新能源是典型的间歇性能源，其发电能力受外部环境影响较大，波动性较强，对调度部门做好风光等可再生能源的管理工作而言，特别是电力现货市场改革的需求下，15分钟时间尺度的功率预测无法完全满足实际生成需求。因此，亟待实现小时间尺度、特别是5分钟级别的新能源高精度功率预测。
借助数值天气预报的新能源功率预测方法在工程上极其依赖与稳定可靠的天气预报来源，一旦天气预报因信号当原因中断，则无法开展预测，对超短期等时间尺度的功率预测可靠性和准确率影响极大。另一方面，业界使用的方法极其依靠数值天气预报的时间尺度，而数值天气预报的时间尺度通常比较大，要做到小时间尺度的天气预报需要的成本极高，不适合大批量的新能源功率预测。同时，一旦天气预报的时间尺度被压缩，其精度会急速下降，严重影响了新能源功率在小时间尺度下的预测准确率。
因此，现阶段的技术最小只能做到15分钟级的功率预测。而随着电力市场等发展，对小时间尺度、特别是5分钟时间尺度级别的功率预测需求极大增加，必须突破现有技术。
发明内容
本发明提供了一种基于机器学习的新能源小时间尺度功率时序滚动预测方法，以实现对新能源场站在小时间尺度下的功率预测，提高预测的精确度。
根据本发明的一方面，提供了基于机器学习的新能源小时间尺度功率时序滚动预测方法，包括：
获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据，其中，任意两个相邻的所述历史时间点的时间间隔为预设时间尺度；
基于所述目标新能源场站的历史功率数据和目标功率预测模型，确定所述目标新能源场站在目标未来时间段内对应的功率预测数据，其中，所述目标功率预测模型是基于所述目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。
根据本发明的另一方面，提供了基于机器学习的新能源小时间尺度功率时序滚动预测装置，包括：
数据获取模块，用于获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据，其中，任意两个相邻的所述历史时间点的时间间隔为预设时间尺度；
功率预测模块，用于基于所述目标新能源场站的历史功率数据和目标功率预测模型，确定所述目标新能源场站在目标未来时间段内对应的功率预测数据，其中，所述目标功率预测模型是基于所述目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的基于机器学习的新能源小时间尺度功率时序滚动预测方法。
根据本发明的另一方面，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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的基于机器学习的新能源小时间尺度功率时序滚动预测方法。
本发明实施例的技术方案，通过获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据，其中，任意两个相邻的历史时间点的时间间隔为预设时间尺度；基于目标新能源场站的历史功率数据和目标功率预测模型，确定目标新能源场站在目标未来时间段内对应的功率预测数据，其中，目标功率预测模型是基于目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。本发明实施例的技术方案解决了现有的功率预测方法依赖于天气预报，导致功率预测的时间尺度较大且预测结果不准确的问题，实现了对新能源场站在小时间尺度下的功率预测，提高预测的精确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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。
图1是根据本发明实施例一提供的一种基于机器学习的新能源小时间尺度功率时序滚动预测方法的流程图；
图2是根据本发明实施例二提供的一种基于机器学习的新能源小时间尺度功率时序滚动预测方法的流程图；
图3为循环门单元GRU结构图；
图4为本发明实施例三提供的一种基于机器学习的新能源小时间尺度功率时序滚动预测装置的结构示意图；
图5是根据本发明实施例四提供的一种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。
需要说明的是，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”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，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。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。
实施例一
图1是根据本发明实施例一提供的一种基于机器学习的新能源小时间尺度功率时序滚动预测方法的流程图，本实施例可适用于对新能源场站的功率预测的情况，该方法可以由基于机器学习的新能源小时间尺度功率时序滚动预测装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可配置于电力设备中。如图1所示，该方法包括：
S110、获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据。
在本实施例中，目标新能源场站指的是通过可再生能源发电的发电站，在当前时间点，如果需要对目标新能源场站的功率进行预测，即可获取当期时间点之前的目标历史时间段内，每个历史时间点目标新能源场站的功率数据。
需要说明的是，任意两个相邻历史时间点的时间间隔为预设时间尺度，预设时间尺度指的是预先设置的时间尺度，预设时间尺度为小时间尺度，例如5min为预设时间尺度，也就是说每两个相邻的历史时间点的时间间隔为5min,在本实施例中，是对预设时间尺度进行介绍，对预设时间尺度的具体数值不做限制，预设时间尺度还可以根据实际需求，设置为4min、3min等。
在上述实施例的基础上，所述获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据，包括：确定当前时间点，并将当前时间点之前的预设时间段作为所述目标历史时间段；基于预设时间尺度将所述目标历史时间段划分，根据划分后的所述目标历史时间段确定出多个所述历史时间点，并获取在每个历史时间点所述目标新能源场站的历史功率数据。
在本实施例中，预设时间段为预先设置的时间长度，例如预设时间段为4小时或者6小时等；如果对当前时间点未来一段时间内的新能源场站进行功率预测，则把当前时间点之前的时间段作为目标历史时间段，例如对下午12:00-16:00这一时间段中，目标新能源场站的功率预测，即可将将当前时间点之前的4小时，上午8:00-12:00这一时间段作为目标历史时间段。进一步，依据预设时间尺度对目标历史时间段划分，例如按照5分钟的时间间隔对当前时间点之前的历史时间段进行划分得到48个历史时间点，进而获取48个历史时间点中，每个历史时间点目标新能源场站对应的功率数据作为历史功率数据。
在一种可选的实施例中，针对每个历史时间点，若未获取到所述目标新能源场站在所述历史时间点的历史功率数据，则确定所述历史时间点对应的历史日期；确定所述历史日期相对应的相邻日期，并确定所述相邻日期内的相邻时间点是否存在有所述目标新能源场站的功率数据；若存在，则将所述相邻时间点的功率数据作为所述历史时间点对应的功率数据；否则，基于所述目标新能源场站的容量确定所述历史功率数据。
由于实际工程中对功率数据的采集经常存在缺失的问题，为了保证对目标新能源场站的功率预测的准确性，在没有获取到目标新能源场站在历史时间点的历史功率数据的前提下，确定历史时间点在日历上所归属的日期，并将该日期作为历史时间点的历史日期；进一步确定与历史日期相邻的日期以及相邻日期内中的相邻时间点，判断是否能够获取到相邻时间点目标新能源场站的功率数据，如果能够获取到功率数据，即可将相邻时间点的功率数据作为历史时间点对应的功率数据，如果没有获取到相邻时间点的历史功率数据，继续查找相邻日期的前一天中相邻时间点的功率作为历史时间点的功率数据，重复向前查找一个月，如果查找一个月还有没有找到功率数据，即可将目标新能源场站的容量的一半作为历史功率数据。
示例性的，当获取目标新能源场站在日期为31号的14:00的功率数据时，发现数据是缺失的，则可以将30号14:00的功率数据作为31号14:00的功率数据，这样就避免了数据缺失的问题，如果30号的14:00的功率数据也是缺失的，则继续查找29号、28号等，重复向前查找一个月，如果还没有查找到，即可将目标新能源场站的容量的一半作为日期为31号的14:00的功率数据。
S120、基于所述目标新能源场站的历史功率数据和目标功率预测模型，确定所述目标新能源场站在目标未来时间段内对应的功率预测数据。
在本实施例中，目标功率预测模型可以理解为机器学习模型，目标功率预测模型是为时序模型，功率预测数据指的是目标功率预测模型的预测结果，目标功率预测模型可以基于目标新能源场站的历史功率数据对目标新能源场站在未来一段内的功率值进行预测，得到功率预测数据。其中，目标功率预测模型是基于目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。
在上述实施例的基础上，所述确定所述目标新能源场站在目标未来时间段内对应的功率预测数据，包括：将所述目标新能源场站的历史功率数据输入至所述目标功率预测模型，得到所述目标功率预测模型输出的所述目标未来时间段内，每个目标时间点对应的功率预测数据；其中，所述目标未来时间段为当前时间点之后的预设时间段，所述目标时间段内任意两个相邻的所述目标时间点的时间间隔为预设时间尺度。
在本实施例中，目标未来时间段为当前时间点之后的预设时间段，例如目标未来时间段为当前时间点之后的4个小时，再例如当前时间点为8：00，则目标时间段为8：00-12:00；通过将目标新能源场站的历史功率数据输入到目标功率预测模型中，目标功率预测模型输出相应的结果，作为目标场站在目标未来时间段内的预测结果。
可以理解的是，输入至目标功率预测模型的是目标历史时间段内每个历史时间点对应的历史功率数据，相应的目标功率预测模型输出的是目标未来时间段内每个目标时间点的功率预测数据，且目标时间段内任意两个相邻的目标时间点的时间间隔为预设时间尺度，即输入的是小时间尺度的历史功率数据，输出的也小时间尺度的功率预测数据。
在上述实施例的基础上，在确定所述目标新能源场站在目标未来时间段内对应的功率预测数据之前，还包括：获取所述目标新能场站在多个待使用历史时间段内的待使用历史功率数据，基于所述待使用历史数据训练多种初始功率预测模型，在训练完成后得到多种待选功率预测模型；基于预测准确度评估算法确定每个所述待选功率预测模型的预测准确度，以基于所述预测准确度从多个所述待选功率预测模型中确定出目标功率预测模型。
在本发明实施例中，初始功率预测模型可以理解为没有经过训练和参数修正的时序模型，待使用历史时间段目标新能源场站在过去的时间段，待使用历史数据指的是在每个待使用历史时间段内目标新能源场站在多个时间点的功率数据，多个时间点中，任意相邻两个时间点的间隔为小尺度；待使用历史时间段的数量为多个，例如将当前时间点之前的0-4小时、4-8小时、8-12小时等作为待使用历史时间段。需要说明的是，此处仅对待使用时间段进行示例性说明，对待使用时间段的数量和待使用时间段的时间长度不做限制。
通过多个待使用历史时间段内的待使用历史功率数据训练多种初始功率预测模型，初始功率预测模型为双向长短期记忆网络、循环门单元模型或者贝叶斯神经网络；对上述每种类型的初始功率预测模型训练迭代，并对模型的参数修正得到训练完成后符合标准的初始功率预测模型作为待选功率预测模型。进一步通过预测准确度评估算法对每个待选功率预测模型的预测准确度评估，根据预测准确度从多个待选功率预测模型中挑选出预测效果较好的作为目标功率预测模型。例如，训练将预测准确度最好的待选功率预测模型作为目标功率预测模型。
在上述实施例的基础上，所述基于所述待使用历史数据训练多种初始功率预测模型，在训练完成后得到多种待选功率预测模型，包括：针对每种所述初始功率预测模型，确定多个所述待使用历史时间段中，任意两个时间相邻的第一历史时间段和第二历史时间段，其中，所述第一历史时间段对应的时间点早于所述第二历史时间段；将第一历史时间段和第二历史时间段对应的待使用历史功率数据作为样本集，并基于所述样本集中第一预设数量的样本训练所述初始功率预测模型，得到与所述初始功率预测模型对应的待选功率预测模型。
可以理解的是，本实施例中已获取到多个待使用历史时间段内的功率数据，针对任意两个相邻的待使用历史时间段，将时间点比较早的待使用历史时间段作为第一历史时间段，将时间点比较晚的待使用历史时间段作为第二历史时间段；第一历史时间段对应的待使用历史功率数据作为样本集的输入样本，第二历史时间段对应的待使用历史功率数据作为输出样本；在本实施例中，第一预设数量为指的是样本集中训练样本的数量，从样本集中选择第一预设数量的样本组成训练集对初始功率预测模型训练，得到最终得到与初始功率预测模型对应的待选功率预测模型。
还需要说明的是，通过上述第一预设数量样本分别对每种初始功率预测模型训练，得到与每种初始功率预测模型对应的待选功率预测模型，且每种初始功率预测模型之间训练是相互独立的。
在上述实施例的基础上，所述基于预测准确度评估算法确定每个所述待选功率预测模型的预测准确度，包括：基于所述样本集中第二预设数量的样本，对每个待选功率预测模型进行测试，并基于所述预测准确度评估算法计算得到每个所述待选功率预测模型的预测准确度。
具体的，第二预设数量用于从样本集中选择出第二预设数量的样本作为测试集对每种待选功率预测模型的预测效果评估，通过评估算法计算每种待选功率预测模型的预测准确度。
本发明实施例的技术方案，通过获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据，其中，任意两个相邻的历史时间点的时间间隔为预设时间尺度；基于目标新能源场站的历史功率数据和目标功率预测模型，确定目标新能源场站在目标未来时间段内对应的功率预测数据，其中，目标功率预测模型是基于目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。本发明实施例的技术方案解决了现有的功率预测方法依赖于天气预报，导致功率预测的时间尺度较大且预测结果不准确的问题，实现了对新能源场站在小时间尺度下的功率预测，提高预测的精确度。
实施例二
图2是根据本发明实施例二提供的一种基于机器学习的新能源小时间尺度功率时序滚动预测方法的流程图，本实施例为上述实施例的一优选实施例，其具体的实施方式可以参见本实施例技术方案。其中，与上述实施例相同或者相应的技术术语在此不再赘述。如图2所示，该方法包括：
一、新能源小时间尺度超短期功时序滚动预测算法模型基本训练框架
S210、采集并获取5分钟间隔一次的新能源场站历史功率。
S220、将采集的历史功率按照时间序列排序，按照4：1或3：1切分成训练集和测试集。
S230、将训练集用于LSTM、BLSTM、GRU三类(不限于这三类)算法模型的训练，得到训练完成的算法模型。
S240、借助新能源15分钟级的超短期功率预测准确率计算标准，用测试集测试上述三类训练后的算法模型准确率，并通过集成学习生成最优的模型保存下来。
S250、在面向第二个新能源场站的功率预测时，只需要重复步骤S210-S240，得到集成学习之后的新的算法模型。
二、搭建新能源小时间尺度超短期功预测三类机器学习算法模型
(1)搭建双向长短期记忆网络(Bi-directional Long Short-Term Memory，BLSTM)BLSTM是由前向LSTM与后向LSTM组合而成。LSTM的全称是Long Short-Term Memory，中文为：长短期记忆网络，它是循环神经网络(RNN，Recurrent Neural Network)的一种。LSTM由于其设计的特点，非常适合用于对时序数据的建模，如文本数据。BLSTM是Bi-directional Long Short-Term Memory的缩写，是由前向LSTM与后向LSTM组合而成。前向的LSTM与后向的LSTM结合成BLSTM。BLSTM是LSTM的另一种变型，它的来源是因为，LSTM只能实现单向的传递。当语句是承前启后的情况时，自然能完成。但是当语句顺序倒过来，关键次在后面了，LSTM就无能为力了。因此提出了BLSTM双向网络，双向神经网络的单元计算与单向的是相通的。但是要注意双向神经网络隐藏层要保存两个值，一个A参与正向计算，另一个值A’参与反向计算。最终的输出值取决于和。
(2)搭建循环门单元模型(Gate Recurrent Unit，GRU)
GRU(Gate Recurrent Unit，循环门单元)是循环神经网络(Recurrent NeuralNetwork，RNN)的一种。和长短期记忆神经网络LSTM(Long-Short Term Memory)一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。GRU模型中只有两个门：分别是更新门和重置门。具体结构如下图3所示，图3为循环门单元GRU结构图
图3中的zt和rt分别表示更新门和重置门。更新门用于控制前一时间点的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时间点的状态信息带入越多。重置门控制前一状态有多少信息被写入到当前的候选集
GRU组合了遗忘门和输入门到一个单独的更新门当中，也合并了细胞状态C和隐藏状态h，使得其模型比标准LSTM模型更简单，其数学表达式为：
zt＝σ(Wz·[ht-1，xt])
rt＝σ(Wr·[ht-1，xt])
其中，门控信号zt的范围为0～1。门控信号越接近1，代表“记忆”下来的数据越多；而越接近0则代表“遗忘”的越多。与LSTM相比，GRU内部少了一个“门控”，参数比LSTM少，但是却也能够达到与LSTM相当的功能，因此GRU可以使用计算机较少的计算资源和时间成本，这对于适应大规模训练集和对预测效率较敏感的新能源功率预测场景效果明显。
(3)搭建贝叶斯神经网络(Bayesian Neural Networks，BNN)
贝叶斯神经网络不同于一般的神经网络，其权重参数是随机变量，而非确定的值。BNN建模如下：
假设神经网络参数为W WW，p(W)是参数的先验分布，给定观测数据D＝X,Y，这里X是输入数据，Y是标签数据。BNN希望给出以下的分布，也就是预测值为：
P(Y＊|X＊，D)＝∫P(Y＊|X＊,W)P(W|D)dW
由于，W是随机变量，因此，预测值也是个随机变量。其中：
这里P(W∣D)是后验分布，P(D∣W)是似然函数，P(D)是边缘似然。从第一个公式中可以看出，用BNN对数据进行概率建模并预测的核心在于做高效近似后验推断，而变分推断VI或者采样是一个非常合适的方法。
如果采样的话：通过采样后验分布P(W∣D)来评估P(W∣D),每个样本计算f(X∣w),其中f是我们的神经网络。正是我们的输出是一个分布，而不是一个值，可以估计预测的不确定度。
三、基于机器学习的新能源小时间尺度超短期功率时序滚动预测算法模型训练步骤
使用机器学习训练新能源功率时序滚动预测算法模型，是为了利用机器学习算法模型寻找5分钟级历史功率与5分钟级未来功率之间的映射关系，从而在实际预测过程中能够顺利开展5分钟级的小时间尺度功率预测。详细步骤如下：
1、将步骤S220中切分后的训练集，构造成为4小时一组、一组48个功率值、分辨率为5分钟级别的训练集数组。下面举一个例子，如时间间隔为5分钟，当前时间点为t0时间点，则训练集数组的第一组T1为t0、t1、…、t47，第二组T2为t48、t49、…、t95，第三组T3以此类推。
2、将构造后的训练集依次排序，交错一组并各自分别组合成一大组，作为机器学习算法(LSTM、BLSTM、GRU等)的输入和输出。仍然使用上述例子，假设训练集数组共构造了n组，则机器学习算法在训练时的输入为T1到Tn-1共n-1组数组组成的集合I，而输出则为T2到Tn共n-1组组合而成的集合O。
3、使用集合I作为机器学习算法(LSTM、BLSTM、GRU等)的输入，使用集合O为同一个机器学习算法(LSTM、BLSTM、GRU等)的输出，分别训练这三类算法模型，分别得到三个训练好参数的算法模型。
4、借助新能源15分钟级的超短期功率预测准确率计算标准，用测试集测试上述三类训练后的算法模型准确率，并通过集成学习生成最优的模型保存下来。
四、新能源小时间尺度超短期功预测准确率评价方法
因5分钟级别的功率预测在国内未作要求，因此其评价方法并没有做出严格规定。因此，本方法借用行业标准的计算方法，并在此基础上，将时间分辨率和预测频率均改成了5分钟，计算公式如下所示：
式中：r1——预测准确率；n——测试集的样本数量；Ck——k时段的开机总容量，PM，k为5分钟级真实功率；Pp，k为5分钟级预测功率。
五、新能源小时间尺度超短期功率时序滚动预测模型在线应用
1、获取当前时间点t0及其过去4小时(t0、t-1、t-2、…、t-47)的5分钟分辨率历史功率，共48个值。
2、在电脑内存加载被集成学习优选出来的5分钟级功率预测机器学习算法模型。
3、将过去4小时的5分钟分辨率历史功率输入到加载的算法模型中，并输出未来t1-t48共48个值的预测功率。即得到在t0时间点的小时间尺度超短期预测功率，并保存和发送到相应的位置。
4、5分钟后，再次循环步骤1-3。
实际调用算法模型的小时间尺度超短期功率预测示例如表1：
表1
还需要说明的是，本发明实施例可以实现滚动预测，即每5分钟就可以预测一次未来4小时的48个时间点对应的功率数值。同时，本实施例中的历史功率数据属于窗口滑动取点，通过48个历史功率的窗口逐步滑动预测未来的功率，当历史功率不足48个点时(实际工程中真实功率采集经常缺失)，此时本实施例中会取前一天同一时刻的历史功率来补充这个数值，如果前一天对应时刻历史功率缺失就会再往前取一直查找一个月，一个月没有就用容量的一半作为历史功率，此方法保证了工程上算法能可靠稳定运行。另一方面，本实施例中，取的是历史4小时共48个点来做输入，这个数值不限定，可以根据不同场站不同情况来选择，比如过去12个小时、过去24小时均可。
本发明实施例的技术方案，提出提高新能超短期功率预测分辨率和频率的方法压缩了新能源超短期功率预测的时间间隔，并且提高了新能源超短期功率预测的频率。从15分钟时间分辨率、15分钟预测频率压缩到5分钟时间分辨率、5分钟预测频率。提出新能源时序滚动预测方法，基于机器学习算法，滚动获取过去4小时(可根据实际情况延长)的5分钟间隔的历史功率，并滚动未来4小时功率的方法。同时该方法还保证了预测的准确率较高，完全可以满足新能源在常规预测方法偶尔中断的情况下(比如数值天气预报因信号而发送中断导致无法利用天气来做功率预测)还能支撑新能源场站的高精度功率预测。提出多种机器学习结合的集成学习新能功率预测方法，利用LSTM、BLSTM、GRU等时序模型对时序数据比较敏感且性能较好的特点，基于集成学习的方法，在各自模型训练后，使用测试集生成最优算法，从而用于该新能源场站的功率预测。并且使用这类方法，面向所有的风电、光伏等新能源场站，在不同场站使用同一套方法挑选出各自最为适用的算法模型，从而保证了方法的泛化能力。
本发明实施例的技术方案，通过获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据，其中，任意两个相邻的历史时间点的时间间隔为预设时间尺度；基于目标新能源场站的历史功率数据和目标功率预测模型，确定目标新能源场站在目标未来时间段内对应的功率预测数据，其中，目标功率预测模型是基于目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。本发明实施例的技术方案解决了现有的功率预测方法依赖于天气预报，导致功率预测的时间尺度较大且预测结果不准确的问题，实现了对新能源场站在小时间尺度下的功率预测，提高预测的精确度。
实施例三
图4为本发明实施例三提供的一种基于机器学习的新能源小时间尺度功率时序滚动预测装置的结构示意图。如图4所示，该装置包括：
数据获取模块310，用于获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据，其中，任意两个相邻的所述历史时间点的时间间隔为预设时间尺度；
功率预测模块320，用于基于所述目标新能源场站的历史功率数据和目标功率预测模型，确定所述目标新能源场站在目标未来时间段内对应的功率预测数据，其中，所述目标功率预测模型是基于所述目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。
本发明实施例的技术方案，通过获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据，其中，任意两个相邻的历史时间点的时间间隔为预设时间尺度；基于目标新能源场站的历史功率数据和目标功率预测模型，确定目标新能源场站在目标未来时间段内对应的功率预测数据，其中，目标功率预测模型是基于目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。本发明实施例的技术方案解决了现有的功率预测方法依赖于天气预报，导致功率预测的时间尺度较大且预测结果不准确的问题，实现了对新能源场站在小时间尺度下的功率预测，提高预测的精确度。
可选的，所述装置还包括：
功率预测模型训练模块，用于获取所述目标新能场站在多个待使用历史时间段内的待使用历史功率数据，基于所述待使用历史数据训练多种初始功率预测模型，在训练完成后得到多种待选功率预测模型；
目标功率预测模型确定模块，用于基于预测准确度评估算法确定每个所述待选功率预测模型的预测准确度，以基于所述预测准确度从多个所述待选功率预测模型中确定出目标功率预测模型。
可选的，所述功率预测模型训练模块，包括：
时间段确定子模块，用于针对每种所述初始功率预测模型，确定多个所述待使用历史时间段中，任意两个时间相邻的第一历史时间段和第二历史时间段，其中，所述第一历史时间段对应的时间点早于所述第二历史时间段；
样本训练子模块，用于将第一历史时间段和第二历史时间段对应的待使用历史功率数据作为样本集，并基于所述样本集中第一预设数量的样本训练所述初始功率预测模型，得到与所述初始功率预测模型对应的待选功率预测模型。
可选的，所述目标功率预测模型确定模块，包括：
模型测试子模块，用于基于所述样本集中第二预设数量的样本，对每个待选功率预测模型进行测试，并基于所述预测准确度评估算法计算得到每个所述待选功率预测模型的预测准确度。
可选的，所述数据获取模块310，包括：
目标历史时间段确定子模块，用于确定当前时间点，并将当前时间点之前的预设时间段作为所述目标历史时间段；
历史时间段功率确定子模块，用于基于预设时间尺度将所述目标历史时间段划分，根据划分后的所述目标历史时间段确定出多个所述历史时间点，并获取在每个历史时间点所述目标新能源场站的历史功率数据。
可选的，所述功率预测模块320，包括：
预测子模块，用于将所述目标新能源场站的历史功率数据输入至所述目标功率预测模型，得到所述目标功率预测模型输出的所述目标未来时间段内，每个目标时间点对应的功率预测数据；
其中，所述目标未来时间段为当前时间点之后的预设时间段，所述目标时间段内任意两个所述目标时间点的时间间隔为预设时间尺度。
可选的，所述装置还包括：功率数据备用获取模块，具体用于：
针对每个历史时间点，若未获取到所述目标新能源场站在所述历史时间点的历史功率数据，则确定所述历史时间点对应的历史日期；
确定所述历史日期相对应的相邻日期和所述相邻日期内与所述历史时间点对应的相同时间点，并确定所述相同时间点是否存在有所述目标新能源场站的功率数据；
若存在，则将所述相同时间点的功率数据作为所述历史时间点对应的功率数据；否则，基于所述目标新能源场站的容量确定所述历史功率数据。
本发明实施例所提供的基于机器学习的新能源小时间尺度功率时序滚动预测装置可执行本发明任意实施例所提供的基于机器学习的新能源小时间尺度功率时序滚动预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图5是根据本发明实施例四提供的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图5所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如基于机器学习的新能源小时间尺度功率时序滚动预测方法。
在一些实施例中，基于机器学习的新能源小时间尺度功率时序滚动预测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的基于机器学习的新能源小时间尺度功率时序滚动预测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于机器学习的新能源小时间尺度功率时序滚动预测方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的***和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.基于机器学习的新能源小时间尺度功率时序滚动预测方法，其特征在于，包括：
获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据，其中，任意两个相邻的所述历史时间点的时间间隔为预设时间尺度；
基于所述目标新能源场站的历史功率数据和目标功率预测模型，确定所述目标新能源场站在目标未来时间段内对应的功率预测数据，其中，所述目标功率预测模型是基于所述目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。
2.根据权利要求1所述的方法，其特征在于，在确定所述目标新能源场站在目标未来时间段内对应的功率预测数据之前，还包括：
获取所述目标新能场站在多个待使用历史时间段内的待使用历史功率数据，基于所述待使用历史数据训练多种初始功率预测模型，在训练完成后得到多种待选功率预测模型；
基于预测准确度评估算法确定每个所述待选功率预测模型的预测准确度，以基于所述预测准确度从多个所述待选功率预测模型中确定出目标功率预测模型。
3.根据权利要求2所述的方法，其特征在于，所述基于所述待使用历史数据训练多种初始功率预测模型，在训练完成后得到多种待选功率预测模型，包括：
针对每种所述初始功率预测模型，确定多个所述待使用历史时间段中，任意两个时间相邻的第一历史时间段和第二历史时间段，其中，所述第一历史时间段对应的时间点早于所述第二历史时间段；
将第一历史时间段和第二历史时间段对应的待使用历史功率数据作为样本集，并基于所述样本集中第一预设数量的样本训练所述初始功率预测模型，得到与所述初始功率预测模型对应的待选功率预测模型。
4.根据权利要求3所述的方法，其特征在于，所述基于预测准确度评估算法确定每个所述待选功率预测模型的预测准确度，包括：
基于所述样本集中第二预设数量的样本，对每种待选功率预测模型进行测试，并基于所述预测准确度评估算法计算得到每种所述待选功率预测模型的预测准确度。
5.根据权利要求1所述的方法，其特征在于，所述获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据，包括：
确定当前时间点，并将当前时间点之前的预设时间段作为所述目标历史时间段；
基于预设时间尺度将所述目标历史时间段划分，根据划分后的所述目标历史时间段确定出多个所述历史时间点，并获取在每个历史时间点所述目标新能源场站的历史功率数据。
6.根据权利要求5所述的方法，其特征在于，所述确定所述目标新能源场站在目标未来时间段内对应的功率预测数据，包括：
将所述目标新能源场站的历史功率数据输入至所述目标功率预测模型，得到所述目标功率预测模型输出的所述目标未来时间段内，每个目标时间点对应的功率预测数据；
其中，所述目标未来时间段为当前时间点之后的预设时间段，所述目标时间段内任意两个相邻的所述目标时间点的时间间隔为预设时间尺度。
7.根据权利要求1所述的方法，其特征在于，还包括：
针对每个历史时间点，若未获取到所述目标新能源场站在所述历史时间点的历史功率数据，则确定所述历史时间点对应的历史日期；
确定所述历史日期相对应的相邻日期，并确定所述相邻日期内的相邻时间点是否存在有所述目标新能源场站的功率数据；
若存在，则将所述相邻时间点的功率数据作为所述历史时间点对应的功率数据；否则，基于所述目标新能源场站的容量确定所述历史功率数据。
8.基于机器学习的新能源小时间尺度功率时序滚动预测装置，其特征在于，包括：
数据获取模块，用于获取目标新能源场站在目标历史时间段内，每个历史时间点对应的历史功率数据，其中，任意两个相邻的所述历史时间点的时间间隔为预设时间尺度；
功率预测模块，用于基于所述目标新能源场站的历史功率数据和目标功率预测模型，确定所述目标新能源场站在目标未来时间段内对应的功率预测数据，其中，所述目标功率预测模型是基于所述目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的基于机器学习的新能源小时间尺度功率时序滚动预测方法。
10.一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处理器执行时实现权利要求1-7中任一项所述的基于机器学习的新能源小时间尺度功率时序滚动预测方法。
CN202311342188.3A 2023-10-17 2023-10-17 基于机器学习的新能源小时间尺度功率时序滚动预测方法 Pending CN117332898A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311342188.3A CN117332898A (zh) 2023-10-17 2023-10-17 基于机器学习的新能源小时间尺度功率时序滚动预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311342188.3A CN117332898A (zh) 2023-10-17 2023-10-17 基于机器学习的新能源小时间尺度功率时序滚动预测方法

Publications (1)

Publication Number Publication Date
CN117332898A true CN117332898A (zh) 2024-01-02

Family

ID=89282738

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311342188.3A Pending CN117332898A (zh) 2023-10-17 2023-10-17 基于机器学习的新能源小时间尺度功率时序滚动预测方法

Country Status (1)

Country Link
CN (1) CN117332898A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332901A (zh) * 2023-10-17 2024-01-02 南方电网数字电网研究院有限公司 采用分层时间聚合策略的新能源小时间尺度功率预测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180375334A1 (en) * 2017-06-26 2018-12-27 Tsinghua University Method and apparatus for photovoltaic power forecast based on numerical weather prediction
CN114330935A (zh) * 2022-03-10 2022-04-12 南方电网数字电网研究院有限公司 基于多种结合策略集成学习的新能源功率预测方法和***
CN116316612A (zh) * 2023-05-16 2023-06-23 南方电网数字电网研究院有限公司 自动机器学习的新能源功率云边协同预测方法及***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180375334A1 (en) * 2017-06-26 2018-12-27 Tsinghua University Method and apparatus for photovoltaic power forecast based on numerical weather prediction
CN114330935A (zh) * 2022-03-10 2022-04-12 南方电网数字电网研究院有限公司 基于多种结合策略集成学习的新能源功率预测方法和***
CN116316612A (zh) * 2023-05-16 2023-06-23 南方电网数字电网研究院有限公司 自动机器学习的新能源功率云边协同预测方法及***

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332901A (zh) * 2023-10-17 2024-01-02 南方电网数字电网研究院有限公司 采用分层时间聚合策略的新能源小时间尺度功率预测方法

Similar Documents

Publication Publication Date Title
Han et al. Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network
CN109902801B (zh) 一种基于变分推理贝叶斯神经网络的洪水集合预报方法
CN116307215A (zh) 一种电力***的负荷预测方法、装置、设备及存储介质
CN117332898A (zh) 基于机器学习的新能源小时间尺度功率时序滚动预测方法
CN115423386A (zh) 一种电力碳排放因子的确定方法、装置、设备及介质
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN117332897A (zh) 人工智能驱动的新能源小时间尺度功率插值集成预测方法
CN117332896A (zh) 多层集成学习的新能源小时间尺度功率预测方法及***
Aguilar et al. Predicting probabilistic wind power generation using nonparametric techniques
CN114399101A (zh) 基于tcn-bigru的燃气负荷预测方法和装置
CN113408808A (zh) 训练方法、数据生成方法、装置、电子设备以及存储介质
CN117332900A (zh) 一种3d建模输出的新能源小时间尺度功率预测方法
CN116859255A (zh) 一种储能电池健康状态的预测方法、装置、设备及介质
CN115169731A (zh) 一种智慧校园能耗预测方法、装置、设备及介质
Guo et al. Monthly precipitation prediction based on the EMD–VMD–LSTM coupled model
Ananthu et al. Prominent smart grid measurements by RAP-NN to warrant the reliability of the PV system
CN117131315B (zh) 基于求解多元二次函数极值的超差电能表确定方法及介质
CN117575175B (zh) 碳排放评估方法、装置、电子设备和存储介质
Yang et al. Electricity load forecasting based on long and short-term memory neural network
CN117422259A (zh) 一种分布式资源预测聚合方法、装置、设备及存储介质
CN117833208A (zh) 配电网状态推演方法、装置、电子设备和存储介质
CN118157130A (zh) 一种双向长短期记忆网络结构和中短期电力负荷预测方法
CN115983486A (zh) 一种风电出力预测方法、装置、电子设备及存储介质
Gao et al. Generation Method for Medium and Long-Term Photovoltaic Power Time Series Considering Variable Order Time Series Characteristics
CN114186494A (zh) 负荷确定方法、模型训练方法、装置以及电子设备

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
CB02 Change of applicant information

Country or region after: China

Address after: Room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou, Guangdong 510000

Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Address before: Room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou, Guangdong 510000

Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Country or region before: China

CB02 Change of applicant information