CN117613883A - 发电功率预测方法、装置、计算机设备及存储介质 - Google Patents
发电功率预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN117613883A CN117613883A CN202311598554.1A CN202311598554A CN117613883A CN 117613883 A CN117613883 A CN 117613883A CN 202311598554 A CN202311598554 A CN 202311598554A CN 117613883 A CN117613883 A CN 117613883A
- Authority
- CN
- China
- Prior art keywords
- target
- historical
- power
- power station
- photovoltaic 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000010248 power generation Methods 0.000 claims abstract description 160
- 238000012549 training Methods 0.000 claims description 79
- 230000015654 memory Effects 0.000 claims description 31
- 238000012545 processing Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 abstract description 7
- 108091006146 Channels Proteins 0.000 description 38
- 238000001556 precipitation Methods 0.000 description 23
- 230000005855 radiation Effects 0.000 description 16
- 230000006870 function Effects 0.000 description 8
- 238000013507 mapping Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000005284 excitation Effects 0.000 description 5
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000012535 impurity Substances 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000003749 cleanliness Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000002834 transmittance Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- 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
- H02J2203/20—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种发电功率预测方法、装置、计算机设备及存储介质,方法包括:获取在时间上对应的目标光伏电站的历史发电功率、目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据;目标气象数据跟随辅助气象数据的变化而变化;根据历史发电功率、历史目标气象数据以及历史辅助气象数据,确定目标光伏电站的未来发电功率。历史辅助气象数据可作为目标光伏电站的未来目标气象数据的参考,历史目标气象数据作为基础,实现对未来目标气象数据的预测,历史发电功率作为基础,实现对目标光伏电站的未来发电功率的预测;由于用于预测的数据源皆是真实记录的历史数据,因此能够相对准确的完成预测,预测效果较好。
Description
技术领域
本发明涉及光伏发电技术领域,具体涉及一种发电功率预测方法、装置、计算机设备及存储介质。
背景技术
光伏电站是指通过光伏***进行发电的站点,光伏***发电功率受气象因素的影响,具有间歇性、随机性和波动性等特点,导致大规模光伏并网给电网的运行调度带来了巨大的挑战。准确的光伏发电功率预测,尤其是超短期预测,有助于调度部门制定合理的未来规划,保障***的安全与经济运行。
然而现有技术中的预测方案的预测效果都不佳。
发明内容
针对现有技术中所存在的不足,本发明提供一种发电功率预测方法、装置、计算机设备及存储介质。
第一方面,在一个实施例中,本发明提供一种发电功率预测方法,包括:
获取在时间上对应的目标光伏电站的历史发电功率、目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据;目标气象数据跟随辅助气象数据的变化而变化;
根据历史发电功率、历史目标气象数据以及历史辅助气象数据,确定目标光伏电站的未来发电功率。
在一个实施例中,历史发电功率、历史目标气象数据以及历史辅助气象数据分别由同一历史时间段内对应多个时刻的多个子数据组成;根据历史发电功率、历史目标气象数据以及历史辅助气象数据,确定目标光伏电站的未来发电功率,包括:
确定历史目标气象数据和历史辅助气象数据之间对应每个时刻的数据差值;
根据每个数据差值,得到历史目标气象数据和历史辅助气象数据之间的气象变化趋势;
根据历史目标气象数据、气象变化趋势和历史发电功率,得到未来发电功率;未来发电功率由未来时间段内对应多个时刻的多个子数据组成。
在一个实施例中,根据历史目标气象数据、气象变化趋势和历史发电功率,得到未来发电功率,包括:
获取已训练的目标发电功率预测模型;
将历史目标气象数据、气象变化趋势和历史发电功率输入至目标发电功率预测模型中,得到目标发电功率预测模型输出的未来发电功率。
在一个实施例中,目标发电功率预测模型包括通道注意力网络层和时间序列处理网络层;将历史目标气象数据、气象变化趋势和历史发电功率输入至目标发电功率预测模型中,得到目标发电功率预测模型输出的未来发电功率,包括:
基于目标发电功率预测模型中的时间序列处理网络层,分别对历史目标气象数据、气象变化趋势和历史发电功率进行特征提取,得到每个通道对应的时序特征,将每个通道对应的时序特征输入至目标发电功率预测模型中的通道注意力网络层;
基于目标发电功率预测模型中的通道注意力网络层,根据每个通道对应的通道权重对每个通道对应的时序特征进行加权处理,得到加权时序特征,根据加权时序特征进行功率预测,得到未来发电功率。
在一个实施例中,在获取已训练的目标发电功率预测模型的步骤之前,上述发电功率预测方法还包括:
获取分别与目标光伏电站和辅助光伏电站对应的训练样本集;训练样本集包括多个训练历史目标气象数据、多个训练气象变化趋势、多个训练历史发电功率以及对应的多个训练未来发电功率;
将训练样本集中的每个训练历史目标气象数据、每个训练气象变化趋势和每个训练历史发电功率输入至初始发电功率预测模型中进行功率预测,得到对应的多个预测未来发电功率;
根据每个预测未来发电功率和每个训练未来发电功率,确定损失参数;
根据损失参数,对初始发电功率预测模型进行训练,得到已训练的目标发电功率预测模型。
在一个实施例中,在获取在时间上对应的目标光伏电站的历史发电功率、目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据的步骤之前,上述发电功率预测方法还包括:
确定目标光伏电站所在的地理位置以及地理位置对应的气候类型;
根据地理位置以及气候类型对应的气流方向,确定到辅助光伏电站;目标光伏电站相对于辅助光伏电站的电站方向与气流方向之间的方向夹角不大于预设度数,目标光伏电站与辅助光伏电站之间的电站距离不大于预设距离。
在一个实施例中,根据地理位置以及气候类型对应的气流方向,确定到辅助光伏电站,包括:
根据地理位置以及气候类型对应的气流方向,确定多个备选光伏电站;针对每个备选光伏电站,目标光伏电站相对于该备选光伏电站的电站方向与气流方向之间的方向夹角不大于预设度数,目标光伏电站与该备选光伏电站之间的电站距离不大于预设距离;
获取方向夹角对应的角度权重和电站距离对应的距离权重;距离权重大于角度权重;
根据角度权重和距离权重,分别对每个备选光伏电站对应的方向夹角和电站距离进行加权处理,得到每个备选光伏电站对应的筛选值;
将筛选值最大的备选光伏电站确定为辅助光伏电站。
第二方面,在一个实施例中,本发明提供一种发电功率预测装置,包括:
数据获取模块,用于获取在时间上对应的目标光伏电站的历史发电功率、目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据;目标气象数据跟随辅助气象数据的变化而变化;
功率预测模块,根据历史发电功率、历史目标气象数据以及历史辅助气象数据,确定目标光伏电站的未来发电功率。
第三方面,在一个实施例中,本发明提供一种计算机设备,包括存储器和处理器;存储器存储有计算机程序,处理器用于运行存储器内的计算机程序,以执行上述任一种实施例中的发电功率预测方法中的步骤。
第四方面,在一个实施例中,本发明提供一种存储介质,存储介质存储有计算机程序,计算机程序被处理器进行加载,以执行上述任一种实施例中的发电功率预测方法中的步骤。
通过上述发电功率预测方法、装置、计算机设备及存储介质,在气象上有时空关联性的辅助光伏电站的历史辅助气象数据可作为目标光伏电站的未来目标气象数据的参考,将目标光伏电站自身的历史目标气象数据作为基础,历史辅助气象数据能够在此基础上实现对未来目标气象数据的预测,再将目标光伏电站自身的历史发电功率作为基础,进而实现对目标光伏电站的未来发电功率的预测;由于用于预测的数据源皆是真实记录的历史数据,因此能够相对准确的完成预测,预测效果较好。
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为本发明一个实施例中发电功率预测方法的应用场景示意图;
图2为本发明一个实施例中发电功率预测方法的流程示意图;
图3为本发明一个实施例中LSTM网络的结构示意图;
图4为本发明一个实施例中SENet网络的结构示意图;
图5为本发明一个实施例中SENet-LSTM模型的结构示意图;
图6为本发明一个实施例中发电功率预测装置的结构示意图;
图7为本发明一个实施例中计算机设备的结构示意图。
具体实施方式
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,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。在本申请中,“示例性”一词用来表示“用作例子、例证或说明”。本申请中被描述为“示例性”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明,给出了以下描述。在以下描述中,为了解释的目的而列出了细节。应当明白的是,本领域普通技术人员可以认识到,在不使用这些特定细节的情况下也可以实现本发明。在其它实例中,不会对公知的结构和过程进行详细阐述,以避免不必要的细节使本发明的描述变得晦涩。因此,本发明并非旨在限于所示的实施例,而是与符合本申请所公开的原理和特征的最广范围相一致。
本发明实施例中的发电功率预测方法应用于发电功率预测装置,发电功率预测装置设置于计算机设备;计算机设备可以是终端,例如,手机或平板电脑,计算机设备还可以是一台服务器,或者多台服务器组成的服务集群。
如图1所示,图1为本发明实施例中发电功率预测方法的应用场景示意图,本发明实施例中发电功率预测方法的应用场景中包括计算机设备100(计算机设备100中集成有发电功率预测装置),计算机设备100中运行发电功率预测方法对应的计算机可读存储介质,以执行发电功率预测方法的步骤。
可以理解的是,图1所示发电功率预测方法的应用场景中的计算机设备,或者计算机设备中包含的装置并不构成对本发明实施例的限制,即,发电功率预测方法的应用场景中包含的设备数量、设备种类,或者各个设备中包含的装置数量、装置种类不影响本发明实施例中技术方案整体实现,均可以算作本发明实施例要求保护技术方案的等效替换或衍生。
本发明实施例中计算机设备100可以是独立的设备,也可以是设备组成的设备网络或设备集群,例如,本发明实施例中所描述的计算机设备100,其包括但不限于电脑、网络主机、单个网络设备、多个网络设备集或多个设备构成的云设备。其中,云设备由基于云计算(Cloud Computing)的大量电脑或网络设备构成。
本领域技术人员可以理解,图1中示出的应用场景,仅仅是与本发明的技术方案对应的一种应用场景,并不构成对本发明的技术方案的应用场景的限定,其他的应用场景还可以包括比图1中所示更多或更少的计算机设备,或者计算机设备网络连接关系,例如图1中仅示出1个计算机设备,可以理解的,该发电功率预测方法的场景还可以包括一个或多个其他计算机设备,具体此处不作限定;该计算机设备100中还可以包括存储器,用于存储发电功率预测方法相关的信息。
此外,本发明实施例中的发电功率预测方法的应用场景中计算机设备100可以设置显示装置,或者计算机设备100中不设置显示装置并与外接的显示装置200通讯连接,显示装置200用于输出计算机设备中发电功率预测方法执行的结果。计算机设备100可以访问后台数据库300(后台数据库300可以是计算机设备100的本地存储器,后台数据库300还可以设置在云端),后台数据库300中保存有发电功率预测方法相关的信息。
需要说明的是,图1所示的发电功率预测方法的应用场景仅仅是一个示例,本发明实施例描述的发电功率预测方法的应用场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定。
基于上述发电功率预测方法的应用场景,提出了发电功率预测方法的实施例。
第一方面,如图2所示,在一个实施例中,本发明提供一种发电功率预测方法,包括:
步骤201,获取在时间上对应的目标光伏电站的历史发电功率、目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据;目标气象数据跟随辅助气象数据的变化而变化;
其中,在时间上对应是指历史发电功率、历史目标气象数据和历史辅助气象数据为相同时间的数据,若为某个时刻的数据,则可以是xx年2月15日15时的历史发电功率、历史目标气象数据和历史辅助气象数据,若为某个时段的数据,则可以是xx年2月15日15时至xx年2月15日17时的历史发电功率、历史目标气象数据和历史辅助气象数据,若以15分钟的采样频率为例,则xx年2月15日15时至xx年2月15日17时这一时段中包含(2*60)/15+1=9个子数据(包含xx年2月15日15时和xx年2月15日17时);
其中,目标气象数据跟随辅助气象数据的变化而变化是指:辅助气象数据的变化先于目标气象数据,且当辅助气象数据发生变化后,目标气象数据在后续也大概率发生变化,其主要依托于气象的时空关联性;
其中,气象数据可以包括太阳辐射、温度、湿度、降水量、风速、风向中的至少一个;发电功率的采样频率为15min,气象数据采样频率为15min;记目标光伏电站一天的发电功率为P=[p1,p2,…,p96],目标光伏电站和辅助光伏电站一天的气象数据分别为X=[X1,X2,…,X96]和X′=[X1 ′,X2 ′,…,X9 ′ 6],其中Xi和Xi ′是一个n维向量,包含了太阳辐射、温度、湿度、降水量、风速、风向等n个气象因素;
步骤202,根据历史发电功率、历史目标气象数据以及历史辅助气象数据,确定目标光伏电站的未来发电功率;
其中,由于目标气象数据跟随辅助气象数据的变化而变化,因此可将历史辅助气象数据作为目标光伏电站的未来目标气象数据的参考,进而实现对未来目标气象数据的预测,由于是考虑气象的时空关联性进而通过历史气象数据来对未来气象数据进行预测,因此所选取的历史气象数据对应的时间需要靠近当前时间,比如当前时间为xx年2月15日17时10分,则以时段为例,可以考虑选取xx年2月15日15时至xx年2月15日17时这一时段内的数据,从而避免选取的历史气象数据过期失效,丧失预测能力;
其中,基于历史数据来实现未来数据的预测可通过预先建立的映射数据库来实现,比如映射数据库包含有多种输入模板以及分别与每个输入模板对应的输出模板,每个输入模板都包括对应的历史目标气象数据、历史辅助气象数据和历史发电功率,每个输出模板都包括对应的未来发电功率,从而在获取到历史目标气象数据、历史辅助气象数据和历史发电功率后,直接在映射数据库中匹配相似度最高的输入模板,然后将该输入模板对应的输出模板作为预测的未来发电功率。
通过上述发电功率预测方法,在气象上有时空关联性的辅助光伏电站的历史辅助气象数据可作为目标光伏电站的未来目标气象数据的参考,将目标光伏电站自身的历史目标气象数据作为基础,历史辅助气象数据能够在此基础上实现对未来目标气象数据的预测,再将目标光伏电站自身的历史发电功率作为基础,进而实现对目标光伏电站的未来发电功率的预测;由于用于预测的数据源皆是真实记录的历史数据,因此能够相对准确的完成预测,预测效果较好。
在一个实施例中,历史发电功率、历史目标气象数据以及历史辅助气象数据分别由同一历史时间段内对应多个时刻的多个子数据组成;根据历史发电功率、历史目标气象数据以及历史辅助气象数据,确定目标光伏电站的未来发电功率,包括:
确定历史目标气象数据和历史辅助气象数据之间对应每个时刻的数据差值;
其中,以太阳辐射为例,m个时刻的目标光伏电站的太阳辐射为m个时刻的辅助光伏电站的太阳辐射为/>则太阳辐射之间对应每个时刻的数据差值可分别表示为/>由于相似的气象条件和地理位置,辅助光伏电站的太阳辐射变化在一定程度上会影响目标光伏电站的太阳辐射;例如,若当前时段内辅助光伏电站上空有云团经过,太阳辐射发生变化,光伏出力出现波动,随着当前季节空气流动的方向,该云团在下一时段内极大可能会出现在目标光伏电站的上空,导致目标光伏电站的出力受到影响,而两个电站太阳辐射之间的偏离程度也将变大;若当前时段内辅助光伏电站上空晴朗无云,则下一时段内目标光伏电站上空也极大可能晴朗无云,此时两个电站的太阳辐射相差不大;因此,使用两个电站太阳辐射的偏离程度来衡量太阳辐射的变化趋势,从变化趋势判断辅助光伏电站的气象是否发生改变;
其中,以温度为例,m个时刻的目标光伏电站的温度为m个时刻的辅助光伏电站的温度为/>则温度之间对应每个时刻的数据差值可分别表示为/>
温度影响:一般情况下,随着温度的升高,光伏电池的输出功率会下降;这是因为高温会导致光伏电池内部电子运动速度增加,从而增加了电子与杂质之间的散射损失;此外,高温还会引起光伏电池的热耗散增加,使其工作温度上升,进一步降低了效率;因此,在高温环境下,光伏电池的功率输出会相应减少;
其中,以湿度为例,m个时刻的目标光伏电站的湿度为m个时刻的辅助光伏电站的湿度为/>则湿度之间对应每个时刻的数据差值可分别表示为/>
湿度影响:湿度对光伏发电功率的影响相对较小;湿度主要影响光伏电池周围的环境以及清洁度;较高的湿度可能导致灰尘、污垢等杂质在光伏电池表面积累,从而影响光的透过率,减少太阳能的吸收;此外,高湿度环境下,可能会发生电气设备的腐蚀和绝缘性能下降等问题;其中,以降水量为例,m个时刻的目标光伏电站的降水量为m个时刻的辅助光伏电站的降水量为/>则降水量之间对应每个时刻的数据差值可分别表示为/> 降水量是区分多云和阴雨最明显的气象因素之一,降水量的大小还能反映阴雨天光伏出力波动持续时间的长短;将降水量处理为降水等级,基于目标光伏电站和辅助光伏电站降水等级的差异,获取目标光伏电站下一时段内的降水趋势;比如30分钟短时降水量等级划分可如表1所示;
表1 30分钟短时降水量等级划分表
首先对降水等级进行处理,将晴天的降水等级设置为0,短时小雨、短时中雨、短时大雨、短时暴雨、短时大暴雨和短时特大暴雨降水等级依次设置为1、2、3、4、5、6,各时刻的降水量按所在区间处理为上述对应的等级;之后,计算辅助光伏电站和目标光伏电站降水等级的偏差,用偏离程度在时序上的总和表示降水趋势,若该趋势表示为上升趋势,则说明未来时段目标光伏电站降水量增大的可能性较大,光伏发电功率将减小;
根据每个数据差值,得到历史目标气象数据和历史辅助气象数据之间的气象变化趋势;
其中,气象变化趋势即每个时刻的数据差值在时序上的排列总和;
其中,以太阳辐射为例,对应的变化趋势可表示为f1=a′1-a1;
其中,以温度为例,对应的变化趋势可表示为f2=a′2c-a2c;
其中,以湿度为例,对应的变化趋势可表示为f3=a′3-a3;
其中,以降水量为例,对应的变化趋势可表示为f4=a′4-a4;
其中,m个时刻的历史发电功率记为f5,将m个时刻中历史目标气象数据中的太阳辐射、温度、湿度、降水量、风速和风向分别记为f6、f7、f8、f9、f10和f11,综上,用于预测的历史数据对应的集合为f=[f1,f2,f3,f4,f5,f6,f7,f8,f9,f10,f11];需要注意的是,本实施例中,未考虑风速和风向的变化趋势,是由于这两个因素对于气象数据的影响程度较低(风速和风向会影响云团的移动,而云团的移动会影响太阳辐射;但在确定太阳辐射的变化趋势时,其已经包含了风速和风向对其的影响,因此单独的风速和风向的影响程度较低),从降低计算量的角度,不考虑其变化趋势;在其他实施例中,也可以考虑,具体实现方式可参照上述步骤,在此不再赘述;
根据历史目标气象数据、气象变化趋势和历史发电功率,得到未来发电功率;未来发电功率由未来时间段内对应多个时刻的多个子数据组成;
其中,利用一段时间内目标光伏电站和辅助光伏电站之间的气象变化趋势来进行预测,既考虑了两个电站各自的气象数据,又考虑了气象数据在时序上的变化特征,使得在进行预测时,能够规避相关噪声,提高预测精度;此外,由于引入时序特征,因此在预测时,还能够预测到未来一个时间段的未来发电功率;比如以当前时间为参考,获取当前时间前两个小时的历史发电功率、历史目标气象数据、历史辅助目标气象数据,从而基于历史目标气象数据和历史辅助气象数据得到气象数据变化趋势,最终根据历史发电功率、历史目标气象数据以及气象数据变化趋势,得到当前时间后两个小时的未来发电功率;还可以根据前两个小时的历史数据,预测得到四个小时的未来数据;
其中,对于一个时间段的历史数据和未来数据,也可以通过映射数据库的方式来实现预测,由于输入模板对应为一个时间段的历史数据,因此其包含的特征更多,匹配到的最高相似度的输入模板能够更精确的贴合实际的历史数据,从而提高预测精度;相对的,针对于一个时间段的映射数据库需要的模板量更大,从而使其能够满足各种情况。
在一个实施例中,根据历史目标气象数据、气象变化趋势和历史发电功率,得到未来发电功率,包括:
获取已训练的目标发电功率预测模型;
将历史目标气象数据、气象变化趋势和历史发电功率输入至目标发电功率预测模型中,得到目标发电功率预测模型输出的未来发电功率;
其中,上述实施例已经提到,对于一个时间段的历史数据,也可以通过预先建立的映射数据库来实现预测,但缺点在于需要构建大量模板,以满足各种情况,并且直接匹配映射的方式的容错率太低,当输入模板和输出模板之间的匹配度出现误差时,对应的预测结果也会出现误差;因此针对该方式,本实施例通过AI模型,利用模型自身的学习能力,通过预先的训练,使其具备预测能力,从而得到对应的目标发电功率预测模型,进而通过目标发电功率预测模型实现预测,目标发电功率预测模型是基于输入与输出之间的关联性来实现预测,相对于直接匹配映射的方式,具有容错性,能够提高预测精度;
其中,目标发电功率预测模型可采用各种典型的网络架构,比如CNN(卷积神经网络,其核心是通过卷积层和池化层来提取输入数据中的特征,并且通过全连接层进行分类或回归等任务)等。
在一个实施例中,目标发电功率预测模型包括通道注意力网络层和时间序列处理网络层;将历史目标气象数据、气象变化趋势和历史发电功率输入至目标发电功率预测模型中,得到目标发电功率预测模型输出的未来发电功率,包括:
基于目标发电功率预测模型中的时间序列处理网络层,分别对历史目标气象数据、气象变化趋势和历史发电功率进行特征提取,得到每个通道对应的时序特征,将每个通道对应的时序特征输入至目标发电功率预测模型中的通道注意力网络层;
其中,由于是针对一个时间段的历史数据,因此提取历史数据在时序上的关联性,也即时序特征尤为重要,而时间序列处理网络层则能够较好的完成对时序特征的提取,以此作为后续处理的数据基础,从而保障最终的处理精度;
其中,时间序列处理网络层的网络架构可以是LSTM(Long short-termmemory,长短期记忆)网络,LSTM网络具有对时间序列的长期记忆能力,可以更好地提取时间序列的特征,光伏电站的发电功率作为具有较强时序相关性的时间序列数据,为提取内在长期依赖特征,选择LSTM网络进行预测;
具体的,LSTM是一种特殊的RNN,相比普通的RNN,LSTM能够在更长的序列中有更好的表现;不同于普通RNN的单一隐藏层,LSTM将信息存放在RNN正常信息流之外的控制单元中,LSTM的结构如图3所示;
LSTM单元的输入有三个,分别为当前时刻的输入向量xt、上一时刻单元状态Ct-1以及上一时刻隐藏层状态ht-1,输出为当前时刻单元状态Ct和当前隐藏层状态ht;LSTM的设计核心是门限机制,包括遗忘门、输入门和输出门;
遗忘门决定丢弃的信息,数学模型为:
ft=σ(Wf·[ht-1,xt]+bf);
其中,ft为遗忘门的门限,经过遗忘门后保留的成分为
输入门确定更新的信息,数学模型为:
it=σ(Wi·[ht-1,xt]+bi);
其中,it为t时刻输入门的输入,经过输入门后保留的成分为
输出门确定最终的输出和保留的信息,数学模型为:
ot=σ(Wo·[ht-1,xt]+bo);
ht=ot*tanh(Ct);
其中,Ct表示经过遗忘门和输入门后的状态C,ot为t时刻输出层的状态,ht为最终保留在隐层的成分;
其中,时间序列处理网络层的网络架构还可以是Bi-LSTM(双向长短时记忆网络,Bi-LSTM是LSTM的扩展版本,它通过在输入序列上同时运行两个独立的LSTM,一个从前往后读取序列,另一个从后往前读取序列,这使得模型可以捕捉到序列中前后关联的信息,更好地理解整个序列的上下文)、GRU(门控循环单元,GRU是另一种常见的循环神经网络结构,类似于LSTM,但简化了其内部结构,相较于LSTM,GRU仅包含更新门和重置门两种门控机制,减少了参数数量,并且在某些数据集上具有相近的性能表现)或TCN(时域卷积网络,TCN是一种使用卷积操作来建模时间序列数据的神经网络结构。相较于传统的RNN结构,TCN利用卷积操作在时间维度上捕捉局部模式和全局模式,使得模型训练更加高效,且能够更好地处理长期依赖关系)等;
基于目标发电功率预测模型中的通道注意力网络层,根据每个通道对应的通道权重对每个通道对应的时序特征进行加权处理,得到加权时序特征,根据加权时序特征进行功率预测,得到未来发电功率;
其中,考虑到时间序列处理网络层提取的特征之间可能存在冗余,给模型的训练带来多余信息,会导致模型收敛速度较慢,模型预测精度不高,且时间序列处理网络层在处理时序数据时主要关注时间通道,因此为了使模型有选择性地关注不同特征通道的关键信息,引入通道注意力网络层,以增强模型的特征表达能力,提高模型对发电功率的预测性能;
其中,通道注意力网络层的网络架构可以是压缩激励网络SENet(Squeeze-and-Excitation Network,是一种用于增强卷积神经网络(CNN)性能的注意力机制,它通过引入通道注意力机制,使得网络可以动态地学习不同通道之间的相关性,从而更有效地捕捉特征之间的依赖关系);压缩激励网络SENet通过学习输入特征的通道关系来自适应地调整每个通道的权重,从而增强网络的表达能力;压缩激励网络常用于提高图像处理任务的性能,并且在时间序列处理任务中也有应用;如图4所示,压缩激励网络应用于一个多维时间序列可分为两个部分:
Squeeze压缩部分,若输入的时间序列大小为T×C,其中T为时间序列长度,C为时间序列变量个数,通过Fsq(·)将原始时间序列压缩为一个1×C的向量,即通过Fsq(·)对每个变量在时间维度上进行压缩,得到变量维度的整体信息;
Excitation激励部分,通过Fex(·,W)将Squeeze压缩部分得到的大小为1×C的向量转换为一个1×C的权重向量,得到每个变量通道的权重;通过乘法逐通道加权到原始的时间序列上,进而实现对变量通道赋予不同的关注程度;
其中,以LSTM和SENet为例,目标发电功率预测模型为SENet-LSTM模型,SENet-LSTM模型的结构如图5所示,LSTM层能够提取输入数据的时序特征,通过调整步长,来进行未来4小时的光伏功率预测;在LSTM的输出后嵌入SENet,对LSTM提取的特征通道赋予不同的权重,使网络能够关注更加重要的特征;最后通过全连接层进行数据的输出。
在一个实施例中,在获取已训练的目标发电功率预测模型的步骤之前,上述发电功率预测方法还包括:
获取分别与目标光伏电站和辅助光伏电站对应的训练样本集;训练样本集包括多个训练历史目标气象数据、多个训练气象变化趋势、多个训练历史发电功率以及对应的多个训练未来发电功率;
其中,由于是基于辅助光伏电站的气象数据对于目标光伏电站的气象数据的影响而实现预测的,而不同电站的气象数据之间的影响不同,因此为了使目标发电功率预测模型的预测更为精确,使目标发电功率预测模型经过训练后学习到目标光伏电站的气象数据和辅助光伏电站的气象数据之间的影响,进而在后续目标发电功率预测模型能够基于学习到的气象数据之间的影响,以针对性的根据目标光伏电站和辅助光伏电站进行预测;针对该情况,在获取用于训练的训练样本集时,需获取目标光伏电站和辅助光伏电站对应的训练样本集;具体的,可获取目标光伏电站和辅助光伏电站在两个月内的训练历史目标气象数据、训练气象变化趋势、训练历史发电功率,每月以30天为例,以两个小时为划分单位,可得到30*2*24/2=720个时间段,每个时间段内的历史目标气象数据、气象变化趋势都对应于一个训练样本中的训练历史目标气象数据、训练气象变化趋势,若以两个小时的历史数据来预测两个小时的未来数据,则依次将下一时间段内的历史发电功率作为上一时间段对应的训练样本中的训练未来发电功率,比如在一天中,0时至2时中的历史目标气象数据、气象变化趋势和2时至4时的历史发电功率构成一个训练样本,2时至4时中的历史目标气象数据、气象变化趋势和4时至6时的历史发电功率构成一个训练样本,以此类推;若以两个小时的历史数据来预测四个小时的未来数据,则依次将下两个时间段内的历史发电功率作为上一时间段对应的训练样本中的训练未来发电功率,比如在一天中,0时至2时中的历史目标气象数据、气象变化趋势和2时至6时的历史发电功率构成一个训练样本,2时至4时中的历史目标气象数据、气象变化趋势和4时至8时的历史发电功率构成一个训练样本,以此类推;
其中,在获取到气象数据和发电功率后,需要对缺失率较为严重的部分进行剔除,然后通过插值补全的方式进行填充;
其中,由于不同气象类型对应的量纲不一样,因此在进行训练之前,还需要通过归一化进行统一,归一化数据会被压缩到0到1之间,此时数据变为无量纲数据,简化了模型预测的复杂度,提高了模型收敛速度,归一化公式为:
其中,xmax和xmin分别为初始序列的最大值和最小值,x为初始值,x′为归一化后的值;
需要注意的是,归一化不仅仅体现在训练过程中,而在实际的模型应用过程中,也需要进行归一化;
将训练样本集中的每个训练历史目标气象数据、每个训练气象变化趋势和每个训练历史发电功率输入至初始发电功率预测模型中进行功率预测,得到对应的多个预测未来发电功率;
根据每个预测未来发电功率和每个训练未来发电功率,确定损失参数;
其中,在训练过程中,主要是将训练历史目标气象数据、训练气象变化趋势、训练历史发电功率作为输入,将输出的预测未来发电功率作为实际输出,将训练未来发电功率作为期望输出,从而根据实际输出和期望输出确定损失参数;
其中,在确定损失参数时,可通过损失函数MSE进行计算,损失函数MSE公式为:
其中,yi和yi ′分别为真实功率和预测功率;m为样本点;
其中,除了计算损失参数以外,还可以计算准确率,准确率公式为:
其中,yi和yi ′分别为真实功率和预测功率;m为样本点;Cap为光伏电站额定容量;
根据损失参数,对初始发电功率预测模型进行训练,得到已训练的目标发电功率预测模型;
其中,根据损失参数,确定是否满足预设收敛条件(也即得到最小损失值),若是则得到已训练的目标发电功率预测模型,若否则根据损失参数调整初始发电功率预测模型的权重参数(可通过优化器,如SGD,将权重参数沿梯度方向进行微小的更新),然后获取下一个训练样本集,重复上述步骤以继续训练(也即重复正向传播和反向传播,反复迭代),直至得到的损失参数满足预设收敛条件;若考虑准确率,则得到准确率最高时停止训练,得到已训练的目标发电功率预测模型;
其中,在得到已训练的目标发电功率预测模型之后,还可以根据测试样本集对其进行测试,训练样本集和测试样本集的数量比可以为9:1。
在一个实施例中,在获取在时间上对应的目标光伏电站的历史发电功率、目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据的步骤之前,上述发电功率预测方法还包括:
确定目标光伏电站所在的地理位置以及地理位置对应的气候类型;
根据地理位置以及气候类型对应的气流方向,确定到辅助光伏电站;目标光伏电站相对于辅助光伏电站的电站方向与气流方向之间的方向夹角不大于预设度数,目标光伏电站与辅助光伏电站之间的电站距离不大于预设距离;
其中,由于目标气象数据跟随辅助气象数据的变化而变化,因此辅助光伏电站的选择十分重要;具体地,基于目标光伏电站的经纬度和月份确定气流风向,进而确认辅助光伏电站的方位,在该方位上选择与目标光伏电站相邻的电站作为辅助光伏电站;
以浙江某地区某电站为例,该电站属亚热带季风气候,夏季受海陆气温差异影响,气流从海洋吹向内陆,从东南向北推进,降雨区也从东南向北推进,因此该电站的气候条件与东部方位电站的气候条件有一定的联系,可以选择东部方位的电站作为该电站的辅助光伏电站;冬季受来自西伯利亚的寒风影响,气流由北向南推进,该电站的气候条件与北部方位电站的气候条件有一定联系,可以选择北部方位的电站作为该电站的辅助光伏电站;
其中,确认的辅助光伏电站的方位上并不限定为一条线(也即并不要求目标光伏电站和辅助光伏电站的两点连线平行于气流方向),而是以目标光伏电站为圆点的扇形方向,从实际出发,该扇形方向的夹角小于90度(若夹角为90度,比如目标光伏电站位于辅助光伏电站的正东方,气流方向自南向北,则目标光伏电站和辅助光伏电站的气象数据难以存在上述所需要的时序上的先后关联;若夹角为180度,比如目标光伏电站位于辅助光伏电站的正南方,气流方向自南向北,则目标光伏电站先于辅助光伏电站感受到对应的气象数据,也即目标光伏电站和辅助光伏电站的气象数据不可能存在上述所需要的时序上的先后关联),优选0度至10度;在确定的扇形方向上,有很多电站,就算限定为与目标光伏电站相邻,也可能存在多个电站,在本实施例中,可将多个电站都作为备选光伏电站,然后将其中一个备选光伏电站作为辅助光伏电站。
在一个实施例中,根据地理位置以及气候类型对应的气流方向,确定到辅助光伏电站,包括:
根据地理位置以及气候类型对应的气流方向,确定多个备选光伏电站;针对每个备选光伏电站,目标光伏电站相对于该备选光伏电站的电站方向与气流方向之间的方向夹角不大于预设度数,目标光伏电站与该备选光伏电站之间的电站距离不大于预设距离;
其中,确定到的多个备选光伏电站中的每个备选光伏电站对应的方向夹角和/或电站距离不同,而不同方向夹角对于目标光伏电站在气象数据上有着不同的影响程度,同理的,不同电站距离对于目标光伏电站在气象数据上也有着不同的影响程度,因此需要综合考虑方向夹角和电站距离两个方面;
获取方向夹角对应的角度权重和电站距离对应的距离权重;距离权重大于角度权重;
其中,对于两种影响因子的综合可通过加权处理来实现,而在气象数据上,更多还是在于气流方向上的时空变化,因此在加权处理时,需要更侧重考虑方向夹角,也即将方向夹角对应的角度权重设置相对较大,将电站距离对应的距离权重设置相对较小;
根据角度权重和距离权重,分别对每个备选光伏电站对应的方向夹角和电站距离进行加权处理,得到每个备选光伏电站对应的筛选值;
其中,加权处理可以是加权平均或者加权求和;
将筛选值最大的备选光伏电站确定为辅助光伏电站;
其中,筛选值最大说明对应的备选光伏电站在气象数据上对于目标光伏电站的影响程度最大,适合作为辅助光伏电站。
第二方面,如图6所示,在一个实施例中,本发明提供一种发电功率预测装置,包括:
数据获取模块301,用于获取在时间上对应的目标光伏电站的历史发电功率、目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据;目标气象数据跟随辅助气象数据的变化而变化;
功率预测模块302,根据历史发电功率、历史目标气象数据以及历史辅助气象数据,确定目标光伏电站的未来发电功率。
通过上述发电功率预测装置,在气象上有时空关联性的辅助光伏电站的历史辅助气象数据可作为目标光伏电站的未来目标气象数据的参考,将目标光伏电站自身的历史目标气象数据作为基础,历史辅助气象数据能够在此基础上实现对未来目标气象数据的预测,再将目标光伏电站自身的历史发电功率作为基础,进而实现对目标光伏电站的未来发电功率的预测;由于用于预测的数据源皆是真实记录的历史数据,因此能够相对准确的完成预测,预测效果较好。
在一个实施例中,历史发电功率、历史目标气象数据以及历史辅助气象数据分别由同一历史时间段内对应多个时刻的多个子数据组成;功率预测模块具体用于确定历史目标气象数据和历史辅助气象数据之间对应每个时刻的数据差值;根据每个数据差值,得到历史目标气象数据和历史辅助气象数据之间的气象变化趋势;根据历史目标气象数据、气象变化趋势和历史发电功率,得到未来发电功率;未来发电功率由未来时间段内对应多个时刻的多个子数据组成。
在一个实施例中,功率预测模块具体用于获取已训练的目标发电功率预测模型;将历史目标气象数据、气象变化趋势和历史发电功率输入至目标发电功率预测模型中,得到目标发电功率预测模型输出的未来发电功率。
在一个实施例中,目标发电功率预测模型包括通道注意力网络层和时间序列处理网络层;功率预测模块具体用于基于目标发电功率预测模型中的时间序列处理网络层,分别对历史目标气象数据、气象变化趋势和历史发电功率进行特征提取,得到每个通道对应的时序特征,将每个通道对应的时序特征输入至目标发电功率预测模型中的通道注意力网络层;基于目标发电功率预测模型中的通道注意力网络层,根据每个通道对应的通道权重对每个通道对应的时序特征进行加权处理,得到加权时序特征,根据加权时序特征进行功率预测,得到未来发电功率。
在一个实施例中,上述发电功率预测装置还包括:
模型训练模块,用于在获取已训练的目标发电功率预测模型的步骤之前,获取分别与目标光伏电站和辅助光伏电站对应的训练样本集;训练样本集包括多个训练历史目标气象数据、多个训练气象变化趋势、多个训练历史发电功率以及对应的多个训练未来发电功率;将训练样本集中的每个训练历史目标气象数据、每个训练气象变化趋势和每个训练历史发电功率输入至初始发电功率预测模型中进行功率预测,得到对应的多个预测未来发电功率;根据每个预测未来发电功率和每个训练未来发电功率,确定损失参数;根据损失参数,对初始发电功率预测模型进行训练,得到已训练的目标发电功率预测模型。
在一个实施例中,上述发电功率预测装置还包括:
电站确定模块,用于在获取在时间上对应的目标光伏电站的历史发电功率、目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据的步骤之前,确定目标光伏电站所在的地理位置以及地理位置对应的气候类型;根据地理位置以及气候类型对应的气流方向,确定到辅助光伏电站;目标光伏电站相对于辅助光伏电站的电站方向与气流方向之间的方向夹角不大于预设度数,目标光伏电站与辅助光伏电站之间的电站距离不大于预设距离。
在一个实施例中,电站确定模块具体用于根据地理位置以及气候类型对应的气流方向,确定多个备选光伏电站;针对每个备选光伏电站,目标光伏电站相对于该备选光伏电站的电站方向与气流方向之间的方向夹角不大于预设度数,目标光伏电站与该备选光伏电站之间的电站距离不大于预设距离;获取方向夹角对应的角度权重和电站距离对应的距离权重;距离权重大于角度权重;根据角度权重和距离权重,分别对每个备选光伏电站对应的方向夹角和电站距离进行加权处理,得到每个备选光伏电站对应的筛选值;将筛选值最大的备选光伏电站确定为辅助光伏电站。
第三方面,在一个实施例中,本发明提供一种计算机设备,如图7所示,其示出了本发明所涉及的计算机设备的结构,具体来讲:
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解,图7中示出的计算机设备的结构并不构成对计算机设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。其中:
处理器401是该计算机设备的控制中心,利用各种接口和线路连接整个计算机设备的各个部分,通过运行或执行存储在存储器402内的软件程序和/或模块,以及调用存储在存储器402内的数据,执行计算机设备的各种功能和处理数据,从而对计算机设备进行整体监控。可选的,处理器401可包括一个或多个处理核心;优选的,处理器401可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作***、用户界面和计算机程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块,处理器401通过运行存储在存储器402的软件程序以及模块,从而执行各种功能应用以及数据处理。存储器402可主要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***、至少一个功能所需的计算机程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据服务器的使用所创建的数据等。此外,存储器402可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地,存储器402还可以包括存储器控制器,以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403,优选的,电源403可以通过电源管理***与处理器401逻辑相连,从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404,该输入单元404可用于接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出,计算机设备还可以包括显示单元等,在此不再赘述。具体在本实施例中,当计算机设备为模型训练计算机设备时,计算机设备中的处理器401会按照如下的指令,将一个或一个以上的计算机程序的进程对应的可执行文件加载到存储器402中,并由处理器401来运行存储在存储器402中的计算机程序,以执行如下步骤:
获取在时间上对应的目标光伏电站的历史发电功率、目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据;目标气象数据跟随辅助气象数据的变化而变化;
根据历史发电功率、历史目标气象数据以及历史辅助气象数据,确定目标光伏电站的未来发电功率。
通过上述计算机设备,在气象上有时空关联性的辅助光伏电站的历史辅助气象数据可作为目标光伏电站的未来目标气象数据的参考,将目标光伏电站自身的历史目标气象数据作为基础,历史辅助气象数据能够在此基础上实现对未来目标气象数据的预测,再将目标光伏电站自身的历史发电功率作为基础,进而实现对目标光伏电站的未来发电功率的预测;由于用于预测的数据源皆是真实记录的历史数据,因此能够相对准确的完成预测,预测效果较好。
本领域普通技术人员可以理解,上述实施例的任一种方法中的全部或部分步骤可以通过计算机程序来完成,或通过计算机程序控制相关的硬件来完成,该计算机程序可以存储于一计算机可读存储介质中,并由处理器进行加载和执行。
第四方面,在一个实施例中,本发明提供一种存储介质,其中存储有多条计算机程序,该计算机程序能够被处理器进行加载,以执行如下步骤:
获取在时间上对应的目标光伏电站的历史发电功率、目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据;目标气象数据跟随辅助气象数据的变化而变化;
根据历史发电功率、历史目标气象数据以及历史辅助气象数据,确定目标光伏电站的未来发电功率。
通过上述存储介质,在气象上有时空关联性的辅助光伏电站的历史辅助气象数据可作为目标光伏电站的未来目标气象数据的参考,将目标光伏电站自身的历史目标气象数据作为基础,历史辅助气象数据能够在此基础上实现对未来目标气象数据的预测,再将目标光伏电站自身的历史发电功率作为基础,进而实现对目标光伏电站的未来发电功率的预测;由于用于预测的数据源皆是真实记录的历史数据,因此能够相对准确的完成预测,预测效果较好。
本领域普通技术人员可以理解,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)、DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
由于该存储介质中所存储的计算机程序,可以执行本发明所提供的任一种实施例中的发电功率预测方法中的步骤,因此,可以实现本发明所提供的任一种实施例中的发电功率预测方法所能实现的有益效果,详见前面的实施例,在此不再赘述。
以上各个操作的具体实施可参见前面的实施例,在此不再赘述。
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的部分,可以参见上文针对其他实施例的详细描述,此处不再赘述。
以上对本发明所提供的一种发电功率预测方法、装置、计算机设备及存储介质进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
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。
Claims (10)
1.一种发电功率预测方法,其特征在于,包括:
获取在时间上对应的目标光伏电站的历史发电功率、所述目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据;目标气象数据跟随辅助气象数据的变化而变化;
根据所述历史发电功率、所述历史目标气象数据以及所述历史辅助气象数据,确定所述目标光伏电站的未来发电功率。
2.根据权利要求1所述的发电功率预测方法,其特征在于,所述历史发电功率、所述历史目标气象数据以及所述历史辅助气象数据分别由同一历史时间段内对应多个时刻的多个子数据组成;所述根据所述历史发电功率、所述历史目标气象数据以及所述历史辅助气象数据,确定所述目标光伏电站的未来发电功率,包括:
确定所述历史目标气象数据和所述历史辅助气象数据之间对应每个时刻的数据差值;
根据每个所述数据差值,得到所述历史目标气象数据和所述历史辅助气象数据之间的气象变化趋势;
根据所述历史目标气象数据、所述气象变化趋势和所述历史发电功率,得到所述未来发电功率;所述未来发电功率由未来时间段内对应多个时刻的多个子数据组成。
3.根据权利要求2所述的发电功率预测方法,其特征在于,所述根据所述历史目标气象数据、所述气象变化趋势和所述历史发电功率,得到所述未来发电功率,包括:
获取已训练的目标发电功率预测模型;
将所述历史目标气象数据、所述气象变化趋势和所述历史发电功率输入至所述目标发电功率预测模型中,得到所述目标发电功率预测模型输出的所述未来发电功率。
4.根据权利要求3所述的发电功率预测方法,其特征在于,所述目标发电功率预测模型包括通道注意力网络层和时间序列处理网络层;所述将所述历史目标气象数据、所述气象变化趋势和所述历史发电功率输入至所述目标发电功率预测模型中,得到所述目标发电功率预测模型输出的所述未来发电功率,包括:
基于所述目标发电功率预测模型中的时间序列处理网络层,分别对所述历史目标气象数据、所述气象变化趋势和所述历史发电功率进行特征提取,得到每个通道对应的时序特征,将每个通道对应的时序特征输入至所述目标发电功率预测模型中的通道注意力网络层;
基于所述目标发电功率预测模型中的通道注意力网络层,根据每个通道对应的通道权重对每个通道对应的时序特征进行加权处理,得到加权时序特征,根据所述加权时序特征进行功率预测,得到所述未来发电功率。
5.根据权利要求3所述的发电功率预测方法,其特征在于,在所述获取已训练的目标发电功率预测模型的步骤之前,还包括:
获取分别与所述目标光伏电站和所述辅助光伏电站对应的训练样本集;所述训练样本集包括多个训练历史目标气象数据、多个训练气象变化趋势、多个训练历史发电功率以及对应的多个训练未来发电功率;
将所述训练样本集中的每个所述训练历史目标气象数据、每个所述训练气象变化趋势和每个所述训练历史发电功率输入至初始发电功率预测模型中进行功率预测,得到对应的多个预测未来发电功率;
根据每个所述预测未来发电功率和每个所述训练未来发电功率,确定损失参数;
根据所述损失参数,对所述初始发电功率预测模型进行训练,得到已训练的所述目标发电功率预测模型。
6.根据权利要求1至5任一项所述的发电功率预测方法,其特征在于,在所述获取在时间上对应的目标光伏电站的历史发电功率、所述目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据的步骤之前,还包括:
确定所述目标光伏电站所在的地理位置以及所述地理位置对应的气候类型;
根据所述地理位置以及所述气候类型对应的气流方向,确定到所述辅助光伏电站;所述目标光伏电站相对于所述辅助光伏电站的电站方向与所述气流方向之间的方向夹角不大于预设度数,所述目标光伏电站与所述辅助光伏电站之间的电站距离不大于预设距离。
7.根据权利要求6所述的发电功率预测方法,其特征在于,所述根据所述地理位置以及所述气候类型对应的气流方向,确定到所述辅助光伏电站,包括:
根据所述地理位置以及所述气候类型对应的气流方向,确定多个备选光伏电站;针对每个所述备选光伏电站,所述目标光伏电站相对于该备选光伏电站的电站方向与所述气流方向之间的方向夹角不大于所述预设度数,所述目标光伏电站与该备选光伏电站之间的电站距离不大于所述预设距离;
获取方向夹角对应的角度权重和电站距离对应的距离权重;所述距离权重大于所述角度权重;
根据所述角度权重和所述距离权重,分别对每个所述备选光伏电站对应的方向夹角和电站距离进行加权处理,得到每个所述备选光伏电站对应的筛选值;
将筛选值最大的备选光伏电站确定为所述辅助光伏电站。
8.一种发电功率预测装置,其特征在于,包括:
数据获取模块,用于获取在时间上对应的目标光伏电站的历史发电功率、所述目标光伏电站对应的历史目标气象数据以及辅助光伏电站的历史辅助气象数据;目标气象数据跟随辅助气象数据的变化而变化;
功率预测模块,根据所述历史发电功率、所述历史目标气象数据以及所述历史辅助气象数据,确定所述目标光伏电站的未来发电功率。
9.一种计算机设备,其特征在于,包括存储器和处理器;所述存储器存储有计算机程序,所述处理器用于运行所述存储器内的所述计算机程序,以执行权利要求1至7任一项所述的发电功率预测方法中的步骤。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器进行加载,以执行权利要求1至7任一项所述的发电功率预测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311598554.1A CN117613883A (zh) | 2023-11-27 | 2023-11-27 | 发电功率预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311598554.1A CN117613883A (zh) | 2023-11-27 | 2023-11-27 | 发电功率预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117613883A true CN117613883A (zh) | 2024-02-27 |
Family
ID=89957567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311598554.1A Pending CN117613883A (zh) | 2023-11-27 | 2023-11-27 | 发电功率预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117613883A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118052415A (zh) * | 2024-04-15 | 2024-05-17 | 国网浙江省电力有限公司宁波供电公司 | 月度优先发电计划的分布优化方法、装置、设备及介质 |
CN118100171A (zh) * | 2024-04-19 | 2024-05-28 | 阿里巴巴(中国)有限公司 | 能源转换***的功率预测方法、***和电子设备 |
-
2023
- 2023-11-27 CN CN202311598554.1A patent/CN117613883A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118052415A (zh) * | 2024-04-15 | 2024-05-17 | 国网浙江省电力有限公司宁波供电公司 | 月度优先发电计划的分布优化方法、装置、设备及介质 |
CN118100171A (zh) * | 2024-04-19 | 2024-05-28 | 阿里巴巴(中国)有限公司 | 能源转换***的功率预测方法、***和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734331B (zh) | 基于lstm的短期光伏发电功率预测方法及*** | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
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*** | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
Sodsong et al. | Short-term solar PV forecasting using gated recurrent unit with a cascade model | |
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 | |
CN115271253A (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 | |
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*** | |
CN116581755B (zh) | 功率预测方法、装置、设备及存储介质 | |
CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
CN112734073A (zh) | 一种基于长短期记忆网络的光伏发电功率短期预测方法 | |
CN115907131A (zh) | 一种北方地区电采暖负荷预测模型搭建方法和*** | |
Ziaei et al. | Short-Term Wind Characteristics Forecasting Using Stacked LSTM Networks | |
CN115392567A (zh) | 一种电力负荷预测方法、电子设备、装置及可读存储介质 | |
CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
Shi et al. | Photovoltaic power interval forecasting method based on kernel density estimation algorithm | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
Park et al. | Predictive model for solar insolation using the deep learning technique | |
Yuan et al. | Prediction method of photovoltaic power based on combination of CEEMDAN-SSA-DBN and LSTM | |
CN117394306B (zh) | 基于新能源并网的风电功率预测模型建立方法及其应用 | |
Hanif et al. | Towards Optimal Solar Energy Integration: A Deep Dive into AI-Enhanced Solar Irradiance Forecasting Models | |
CN113836814B (zh) | 一种基于多流神经网络的太阳能能量预测方法 | |
CN116205377B (zh) | 分布式光伏电站出力预测方法、***、计算机及存储介质 |
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 |