CN117725481A - 风电功率概率区间预测的方法、装置及介质 - Google Patents
风电功率概率区间预测的方法、装置及介质 Download PDFInfo
- Publication number
- CN117725481A CN117725481A CN202311746887.4A CN202311746887A CN117725481A CN 117725481 A CN117725481 A CN 117725481A CN 202311746887 A CN202311746887 A CN 202311746887A CN 117725481 A CN117725481 A CN 117725481A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- sub
- sequence data
- subsequence
- 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 77
- 239000011159 matrix material Substances 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 20
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 6
- 238000011524 similarity measure Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 13
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 4
- 229910052799 carbon Inorganic materials 0.000 description 4
- 238000010248 power generation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种风电功率概率区间预测的方法、装置及介质，其中，方法包括：对待预测风电功率数据的多个第一子序列数据进行分类，获取多个类型，并分别输入每一类型对应的点预测模型，获取预测时序数据，提高了模型预测的准确度；根据由第一子序列数据的权重值获取的第一隶属度矩阵和待训练风电功率数据的第二子序列数据，确定相似性度量值，结合第二子序列数据对应的第一预测误差，获取第一子序列数据在预设置信度下的置信区间，再结合预测时序数据，获取所预测的风电功率概率区间。考虑到了预测误差与和预测误差对应的输入数据的关系，预测误差随着输入的子序列数据的改变发生变化，更加贴合实际，提升风电功率预测的准确率。
Description
技术领域
本发明涉及风力发电功率预测技术领域，特别涉及一种风电功率概率区间预测的方法、装置及介质。
背景技术
气候变化是全人类面临的共同挑战，而人类活动特别是化石燃料燃烧产生的温室气体是造成气候变化的主要原因。能源***实现碳中和是实现“双碳”目标的关键环节，而电力是能源***实现碳中和的关键。而大力发展以风电和光电为主的清洁能源是实现“双碳”目标，应对能源危机的重要战略举措。作为最重要的可再生能源之一，风能具有资源丰富、永不枯竭的特点，而利用风力进行发电是当前风能最主要的利用方式。与传统的能源不同，风机的输出功率与风速的大小有关，而自然界的风速非常不稳定，导致风机的输出功率变化很大，呈现出高波动性和间歇性的特点。风能的高波动性和间歇性的特点，给电力***的安全稳定运行带来了巨大的挑战。而准确可靠的风电功率预测，可以有效提高电网的稳定性，提高风力发电的经济效益和社会效益。现有的基于点预测的风电功率概率区间预测方法在进行点预测的过程中，会将时间序列输入单一的网络模型进行训练，忽略了数据中混有其他模式的情况，且根据历史预测误差得到当前预测误差的分布，没有考虑当前预测序列对预测误差的影响。
发明内容
本发明的目的在于提供一种风电功率概率区间预测的方法、装置及介质，用于解决现有技术中基于点预测的风电功率概率区间预测方法将时间序列输入单一的网络模型进行训练，忽略了数据中混有其他模式的情况，且根据历史预测误差得到当前预测误差的分布，没有考虑当前预测序列对预测误差的影响的问题。
为了解决上述技术问题，本发明实施例提供一种风电功率概率区间预测的方法，其中，所述方法包括：
获取待预测风电功率数据的多个第一子序列数据；
对多个所述第一子序列数据进行分类，获取多个类型以及所述第一子序列数据对应多个类型的权重值；
将所述第一子序列数据分别输入每一类型对应的点预测模型，获取预测时序数据；其中，每一所述点预测模型对应一个类型，且所述点预测模型分别用于对所述第一子序列数据进行预测；
根据由所述第一子序列数据的所述权重值获取的第一隶属度矩阵和第二子序列数据，确定相似性度量值；其中，所述第二子序列数据为待训练风电功率数据；
根据所述相似性度量值和第一预测误差，获取所述第一子序列数据在预设置信度下的置信区间；其中，所述第一预测误差为所述第二子序列数据对应的预测误差；
根据所述预测时序数据和所述置信区间，获取所预测的风电功率概率区间。
可选地，所述的方法，其中，在所述获取待预测风电功率数据的多个第一子序列数据之前，所述方法还包括：
获取待训练风电功率数据的多个第二子序列数据；
对多个所述第二子序列数据进行分类，获取多个类型以及所述第二子序列数据对应多个类型的权重值；
根据每一类型分别建立所述点预测模型。
可选地，所述的方法，其中，所述根据每一类型分别建立所述点预测模型，包括：
采用时间卷积网络TCN和全连接层的神经网络结构，针对每一类型分别搭建点预测模型。
可选地，所述的方法，其中，所述对多个所述第一子序列数据进行分类，获取多个类型以及所述第一子序列数据对应多个类型的权重值，包括：
采用基于编码器-解码器的网络结构对所述第一子序列数据进行特征提取，获取潜在表征；
采用软聚类算法对所述潜在表征进行聚类，获取多个类型以及所述第一子序列数据对应多个类型的权重值。
可选地，所述的方法，其中，所述采用软聚类算法对所述潜在表征进行聚类，获取多个类型以及所述第一子序列数据对应多个类型的权重值，包括：
根据所述潜在表征获取聚类中心；
根据所述聚类中心和所述第一子序列数据，获取多个所述第一子序列数据对应多个类型的所述权重值；
根据所述权重值，获取所述第一隶属度矩阵。
可选地，所述的方法，其中，所述将所述第一子序列数据分别输入每一类型对应的点预测模型，获取预测时序数据，包括：
将所述第一子序列数据分别输入每一类型对应的点预测模型，获取多个预测结果；
将多个所述预测结果和对应的所述权重值的乘积相加，获取所述预测时序数据。
可选地，所述的方法，其中，所述根据由所述第一子序列数据的所述权重值获取的第一隶属度矩阵和第二子序列数据，确定相似性度量值，包括：
根据所述第二子序列数据，获取第二隶属度矩阵；
根据所述第一隶属度矩阵和所述第二隶属度矩阵，确定所述相似性度量值。
可选地，所述的方法，其中，所述根据所述相似性度量值和第一预测误差，获取所述第一子序列数据在预设置信度下的置信区间，包括：
根据所述相似性度量和所述第一预测误差，获取第二预测误差对应的概率密度函数；其中，所述第二预测误差为所述第一子序列数据对应的预测误差；
根据所述概率密度函数和所述预设置信度，获取所述第一子序列数据对应的所述置信区间。
为了达到上述目的，本发明还提供一种风电功率概率区间预测的装置，其中，所述装置包括：
第一获取模块，用于获取待预测风电功率数据的多个第一子序列数据；
第二获取模块，用于对多个所述第一子序列数据进行分类，获取多个类型以及所述第一子序列数据对应多个类型的权重值；
第三获取模块，用于将所述第一子序列数据分别输入每一类型对应的点预测模型，获取预测时序数据；其中，每一所述点预测模型对应一个类型，且所述点预测模型分别用于对所述第一子序列数据进行预测；
第一确定模块，用于根据由所述第一子序列数据的所述权重值获取的第一隶属度矩阵和第二子序列数据，确定相似性度量值；其中，所述第二子序列数据为待训练风电功率数据；
第四获取模块，用于根据所述相似性度量值和第一预测误差，获取所述第一子序列数据在预设置信度下的置信区间；其中，第一预测误差为所述第二子序列数据对应的预测误差；
第五获取模块，用于根据所述预测时序数据和所述置信区间，获取所预测的风电功率概率区间。
为了达到上述目的，本发明还提供一种处理设备，其中，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的风电功率概率区间预测的方法。
为了达到上述目的，本发明还提供一种可读存储介质，其中，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上所述的风电功率概率区间预测的方法中的步骤。
本发明的上述技术方案的有益效果如下：
上述方案中，采用根据潜在表征进行聚类的多个第一子序列数据分别输入多个类型对应的点预测模型的方式获取预测时序数据，提高了模型预测的准确度；将由第一子序列数据获取的第一隶属度矩阵和待训练风电功率数据第二子序列数据的隶属度矩阵确定的相似性度量值，结合第二子序列数据对应的第一预测误差进行核密度估计得到第一子序列数据对应的预测误差概率密度函数，考虑到了预测误差与和预测误差对应的输入数据的关系，不同时刻的预测误差不再遵循同分布，预测误差随着输入的子序列数据的改变发生变化，更加贴合实际，提升风电功率预测的准确率。
附图说明
图1为本发明实施例所述的风电功率概率区间预测的方法的示意图；
图2为本发明实施例所述的风电功率概率区间预测的方法的流程图之一；
图3为本发明实施例所述的风电功率概率区间预测的方法的流程图之二；
图4为本发明实施例所述的风电功率概率区间预测的方法的流程图之三；
图5为本发明实施例所述的风电功率概率区间预测的方法的流程图之四；
图6为本发明实施例所述的风电功率概率区间预测的方法的流程图之五；
图7为本发明实施例所述的风电功率概率区间预测的装置的示意图。
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，并不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明针对现有技术中基于点预测的风电功率概率区间预测方法将时间序列输入单一的网络模型进行训练，忽略了数据中混有其他模式的情况，且根据历史预测误差得到当前预测误差的分布，没有考虑当前预测序列对预测误差的影响的问题，提供一种风电功率概率区间预测的方法、装置及介质。
如图1所示，本发明实施例提供一种风电功率概率区间预测的方法，其中，所述方法包括：
S10，获取待预测风电功率数据的多个第一子序列数据；
需要说明的是，如图6所示，获取所述第一子序列数据xt，作为待预测风电功率数据，待预测风电功率数据为待用于进行预测的风电功率数据。
S20，对多个所述第一子序列数据进行分类，获取多个类型以及所述第一子序列数据对应多个类型的权重值；
需要说明的是，如图6所示，将所述第一子序列数据xt输入分类模块，获取多个类型以及所述第一子序列数据xt对应多个类型的权重值，即获取第一隶属度矩阵Ut。其中，多个类型由模型训练过程中对待训练数据进行软聚类确定的，在使用模型对所述第一子序列数据进行预测的过程中，将所述第一子序列数据输入分类模块，得到所述第一子序列数据对应多个类型分别获取的权重值。
S30，将所述第一子序列数据分别输入每一类型对应的点预测模型，获取预测时序数据；其中，每一所述点预测模型对应一个类型，且所述点预测模型分别用于对所述第一子序列数据进行预测；
需要说明的是，如图6所示，将所述第一子序列数据xt分别输入每一类型对应的所述点预测模型，即输入点预测模块，对所述第一子序列数据xt分别进行预测，将每一类型对应的所述点预测模型输出的所述预测结果进行集成，从而获取所述预测时序数据yt。
S40，根据由所述第一子序列数据的所述权重值获取的第一隶属度矩阵和第二子序列数据，确定相似性度量值；其中，所述第二子序列数据为待训练风电功率数据；
需要说明的是，如图6所示，将所述第一子序列数据xt输入分类模块后获取所述第一隶属度矩阵Ut，根据用于训练所述点预测模型的所述第二子序列数据xi和所述第一隶属度矩阵Ut，确定相似性度量值，即权重值αt(αt，1，αt，2，…，αt，i，…αt，n)。
S50，根据所述相似性度量值和第一预测误差，获取所述第一子序列数据在预设置信度下的置信区间；其中，所述第一预测误差为所述第二子序列数据对应的预测误差；
需要说明的是，所述第二子序列数据对应的预测误差为所述第一预测误差(err1，err2，…，errn)，根据所述第一预测误差和所述相似性度量值，以及设定所述预设置信度，获取所述置信区间。如图2所示，将所述相似性度量值输入基于相似性度量的风电功率概率预测模型的概率预测模块。
S60，根据所述预测时序数据和所述置信区间，获取所预测的风电功率概率区间；
需要说明的是，如图2所示，将概率预测获取的所预测的风电功率概率区间进行结果整合，得到风电概率预测结果。
该实施例中，采用根据所述潜在表征进行聚类的多个所述第一子序列数据分别输入多个类型对应的所述点预测模型的方式获取所述预测时序数据，提高了模型预测的准确度；将由所述第一子序列数据获取的所述第一隶属度矩阵和待训练风电功率数据所述第二子序列数据的隶属度矩阵确定的相似性度量值，结合所述第二子序列数据对应的所述第一预测误差进行核密度估计得到所述第一子序列数据对应的预测误差概率密度函数，考虑到了预测误差与和预测误差对应的输入数据的关系，不同时刻的预测误差不再遵循同分布，预测误差随着输入的子序列数据的改变发生变化，更加贴合实际，提升风电功率预测的准确率。
可选地，所述的方法，其中，在所述步骤S10之前，所述方法还包括：
A10，获取待训练风电功率数据的多个第二子序列数据；
需要说明的是，在进行风电功率预测之前，需要对所述点预测模型进行预测，如图2所示，在获取所述第二子序列数据之前，输入数据首先要进行数据集划分。首先将风电历史数据集按照7:2:1的比例，划分为三个子集用于训练、验证和测试。然后确定合适长度的时间窗将原始的时间序列拆分成多段序列，为所述第二子序列数据。
A20，对多个所述第二子序列数据进行分类，获取多个类型以及所述第二子序列数据对应多个类型的权重值；
需要说明的是，如图2所示，在基于时序数据分类的风电功率点预测模型的训练过程中，将所述第二子序列数据进行特征提取后，根据提取的特征获取多个类型，以及所述第二子序列数据对应多个类型的权重值。如图4所示，对多个所述第二子序列数据进行分类，获取多个类型，分别为图4中的“类型1，类型2，……，类型m”，其中xn1-xnk表示的是数据点，表示的是某个第二子序列数据xn。
A30，根据每一类型分别建立所述点预测模型；
需要说明的是，如图4和图5所示，根据每一类型分别建立所述点预测模型，将所述第二子序列数据作为样本数据Training set(X，y)输入对应每一类型建立的所述点预测模型后，进行点预测损失函数设计，利用数据集中的所述第二子序列数据xi对第j类模型进行训练时的点预测损失函数为则第j类模型对应的损失函数为：
其中，n表示所述第二子序列数据xi的个数。
可选地，所述的方法，其中，所述步骤A30包括：
B10，采用时间卷积网络TCN和全连接层的神经网络结构，针对每一类型分别搭建点预测模型。
该实施例中，所述时间卷积网络TCN由因果卷积、膨胀卷积和残差连接三部分组成，其中卷积核的大小为2。
可选地，所述的方法，其中，所述步骤S20包括：
C10，采用基于编码器-解码器的网络结构对所述第一子序列数据进行特征提取，获取潜在表征；
需要说明的是，以下为以训练过程为例进行说明：
如图3所示，采用基于编码器-解码器的网络结构进行特征提取，得到所述潜在表征；
hi＝fenc(xi)
其中，xi是所述第二子序列数据。非线性的映射fenc:xi→hi和其中，fenc和fdec分别表示自编码器的编码和解码过程，hi∈Rm表示第二子序列数据xi的m维潜在表征。本发明中，进行特征提取的编码器和解码器结构分别由两层线性层神经元构成，设置迭代次数并且单独训练分类模型；
模型训练过程中，采用均方误差来度量重构误差，公式定义如下：
C20，采用软聚类算法对所述潜在表征进行聚类，获取多个类型以及所述第一子序列数据对应多个类型的权重值；
需要说明的是，如图4所示，在模型训练过程中，将所述第二子序列数据输入分类模型，获取不同类型(类型1，类型2，……，类型m)，以及所述第二子序列数据对应多个类型的所述权重值，在预测过程中根据所述第一子序列数据获取多个类型以及所述第一子序列数据对应多个类型的所述权重值的过程同上。
可选地，所述的方法，其中，所述方法还包括：
A40，根据所述潜在表征获取聚类中心；
A50，根据所述聚类中心和所述第一子序列数据，获取多个所述第一子序列数据对应多个类型的所述权重值；
A60，根据所述权重值，获取所述第一隶属度矩阵。
需要说明的是，以下为以训练过程为例进行说明：
首先采用K-Means(K-均值)软聚类算法得到聚类中心，然后计算所述第二子序列数据到聚类中心的距离，根据距离计算所述第二子序列数据属于每一类的权重值，得到所述第二子序列数据对应所有类型的所述第二隶属度矩阵，实现时序数据的软聚类。
将所述第二子序列数据xi对应的所述第二隶属度矩阵,记为Ui：
Ui＝(wi,1,wi,2,…,wi,j,…，wi,m)
其中，wi,j表示所述第二子序列数据xi属于第j种类型的权重值。所述第一隶属度矩阵Ut的获取过程同上。
可选地，所述的方法，其中，所述步骤S30包括：
C30，将所述第一子序列数据分别输入每一类型对应的点预测模型，获取多个预测结果；
C40，将多个所述预测结果和对应的所述权重值的乘积相加，获取所述预测时序数据。
该实施例中，最终所述点预测模型的输出结果，为每种类型对应的所述点预测模型的所述预测结果与对应所述第一隶属度矩阵中的所述权重值的乘积，然后求和，获取所述预测时序数据。
可选地，所述的方法，其中，所述步骤S40包括：
C50，根据所述第二子序列数据，获取第二隶属度矩阵；
需要说明的是，在模型训练过程中，根据所述第二子序列数据xi获取所述第二隶属度矩阵Ui。
C60，根据所述第一隶属度矩阵和所述第二隶属度矩阵，确定所述相似性度量值；
需要说明的是，现有的应用核密度估计方法进行风电概率预测是在点预测完成以后，根据预测值与真实值之间的预测误差，采用核密度估计的方法去描述误差的分布，默认误差的分布是不随时间和输入改变的，只是采用核密度估计的方法去近似描述这个误差分布。假设风电功率的预测误差为(err1,err2,…,errn)，基于核密度估计方法得到的概率密度函数为则/>可表示为如下形式：
其中，n表示样本数，h表示带宽，k()表示核函数。从上述公式可知，传统核密度估计方法中，所述第一子序列数据xt对应的预测误差的概率密度函数ft(err)为：
上述方法中，所述第一子序列数据xt对历史样本，即所述第二子序列数据的预测误差样本构建核函数，对所有的核函数求和后取均值，没有考虑考虑所述第一子序列数据xt与所述第二子序列数据的相似性，而时间序列越相似，产生的预测结果应该越相近，与所述第一子序列数据xt相似的所述第二子序列数据中的某一个时序数据应该占有更大的权重值。本发明得到度量第一子序列数据xt与所述第二子序列数据相似度的权重αt，表示为如下形式：
αt＝(αt,1,αt,2,…,αt,i,…,αt,n)。
根据所述第一隶属度矩阵Ut和所述第二隶属度矩阵Ui，确定所述相似性度量值的方法如下：
αt＝(αt,1,αt,2,…,αt,i,…,αt,n)
其中，Ut表示所述第一子序列数据xt的所述第一隶属度矩阵，Ui表示所述第二子序列数据xi的所述第二隶属度矩阵，β表示权重计算系数。
可选地，所述的方法，其中，所述步骤S50包括：
C70，根据所述相似性度量和所述第一预测误差，获取第二预测误差对应的概率密度函数；其中，所述第二预测误差为所述第一子序列数据对应的预测误差；
需要说明的是，根据所述相似性度量和所述第一预测误差(err1,err2,…,errn)，获取所述第一子序列数据xt对应的所述第二预测误差的所述概率密度函数ft(err)，公式如下：
C80，根据所述概率密度函数和所述预设置信度，获取所述第一子序列数据对应的所述置信区间；
需要说明的是，由求得的所述概率密度函数，结合所述置信度，得到所述第一子序列数据xt在所述预设置信度下的所述置信区间。将得到的风电概率区间进行整合，得到最终的风电功率概率预测结果。
如图7所示，本发明还提供一种风电功率概率区间预测的装置，其中，所述装置包括：
第一获取模块701，用于获取待预测风电功率数据的多个第一子序列数据；
第二获取模块702，用于对多个所述第一子序列数据进行分类，获取多个类型以及所述第一子序列数据对应多个类型的权重值；
第三获取模块703，用于将所述第一子序列数据分别输入每一类型对应的点预测模型，获取预测时序数据；其中，每一所述点预测模型对应一个类型，且所述点预测模型分别用于对所述第一子序列数据进行预测；
第一确定模块704，用于根据由所述第一子序列数据的所述权重值获取的第一隶属度矩阵和第二子序列数据，确定相似性度量值；其中，所述第二子序列数据为待训练风电功率数据；
第四获取模块705，用于根据所述相似性度量值和第一预测误差，获取所述第一子序列数据在预设置信度下的置信区间；其中，所述第一预测误差为所述第二子序列数据对应的预测误差；
第五获取模块706，用于根据所述预测时序数据和所述置信区间，获取所预测的风电功率概率区间。
可选地，所述的装置还包括：
第六获取模块，用于获取待训练风电功率数据的多个第二子序列数据；
第七获取模块，用于对多个所述第二子序列数据进行分类，获取多个类型以及所述第二子序列数据对应多个类型的权重值；
第一处理模块，用于根据每一类型分别建立所述点预测模型。
可选地，所述的装置，其中，所述第一处理模块包括：
第一处理单元，用于采用时间卷积网络TCN和全连接层的神经网络结构，针对每一类型分别搭建点预测模型。
可选地，所述的装置，其中，所述第二获取模块702包括：
第一获取单元，用于采用基于编码器-解码器的网络结构对所述第一子序列数据进行特征提取，获取潜在表征；
第二获取单元，用于采用软聚类算法对所述潜在表征对所述第一子序列数据进行聚类，获取多个类型以及所述第一子序列数据对应多个类型的权重值。
可选地，所述的装置还包括：
第八获取模块，用于根据所述潜在表征获取聚类中心；
第九获取模块，用于根据所述聚类中心和所述第一子序列数据，获取多个所述第一子序列数据对应多个类型的所述权重值；
第十获取模块，用于根据所述权重值，获取所述第一隶属度矩阵。
可选地，所述的装置，其中，所述第三获取模块703包括：
第三获取单元，用于将所述第一子序列数据分别输入每一类型对应的点预测模型，获取多个预测结果；
第四获取单元，用于将多个所述预测结果和对应的所述权重值的乘积相加，获取所述预测时序数据。
可选地，所述的装置，其中，所述第一确定模块704包括：
第五获取单元，用于根据所述第二子序列数据，获取第二隶属度矩阵；
第一确定单元，用于根据所述第一隶属度矩阵和所述第二隶属度矩阵，确定所述相似性度量值。
可选地，所述的装置，其中，所述第四获取模块705包括：
第六获取单元，用于根据所述相似性度量和所述第一预测误差，获取第二预测误差对应的概率密度函数；其中，所述第二预测误差为所述第一子序列数据对应的预测误差；
第七获取单元，用于根据所述概率密度函数和所述预设置信度，获取所述第一子序列数据对应的所述置信区间。
在此需要说明的是，本发明实施例提供的上述装置，能够实现上述方法实施例所实现的所有方法步骤，且能够达到相同的技术效果，在此不再对本实施例中与方法实施例相同的部分及有益效果进行具体赘述。
为了达到上述目的，本发明还提供一种处理设备，其中，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如上所述的风电功率概率区间预测的方法。
为了达到上述目的，本发明还提供一种可读存储介质，其中，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如上所述的风电功率概率区间预测的方法中的步骤。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种风电功率概率区间预测的方法，其特征在于，所述方法包括：
获取待预测风电功率数据的多个第一子序列数据；
对多个所述第一子序列数据进行分类，获取多个类型以及所述第一子序列数据对应多个类型的权重值；
将所述第一子序列数据分别输入每一类型对应的点预测模型，获取预测时序数据；其中，每一所述点预测模型对应一个类型，且所述点预测模型分别用于对所述第一子序列数据进行预测；
根据由所述第一子序列数据的所述权重值获取的第一隶属度矩阵和第二子序列数据，确定相似性度量值；其中，所述第二子序列数据为待训练风电功率数据；
根据所述相似性度量值和第一预测误差，获取所述第一子序列数据在预设置信度下的置信区间；其中，所述第一预测误差为所述第二子序列数据对应的预测误差；
根据所述预测时序数据和所述置信区间，获取所预测的风电功率概率区间。
2.根据权利要求1所述的方法，其特征在于，在所述获取待预测风电功率数据的多个第一子序列数据之前，所述方法还包括：
获取待训练风电功率数据的多个第二子序列数据；
对多个所述第二子序列数据进行分类，获取多个类型以及所述第二子序列数据对应多个类型的权重值；；
根据每一类型分别建立所述点预测模型。
3.根据权利要求2所述的方法，其特征在于，所述根据每一类型分别建立所述点预测模型，包括：
采用时间卷积网络TCN和全连接层的神经网络结构，针对每一类型分别搭建点预测模型。
4.根据权利要求1所述的方法，其特征在于，所述对多个所述第一子序列数据进行分类，获取多个类型以及所述第一子序列数据对应多个类型的权重值，包括：
采用基于编码器-解码器的网络结构对所述第一子序列数据进行特征提取，获取潜在表征；
采用软聚类算法对所述潜在表征进行聚类，获取多个类型以及所述第一子序列数据对应多个类型的权重值。
5.根据权利要求4所述的方法，其特征在于，所述采用软聚类算法对所述潜在表征进行聚类，获取多个类型以及所述第一子序列数据对应多个类型的权重值，包括：
根据所述潜在表征获取聚类中心；
根据所述聚类中心和所述第一子序列数据，获取多个所述第一子序列数据对应多个类型的所述权重值；
根据所述权重值，获取所述第一隶属度矩阵。
6.根据权利要求5所述的方法，其特征在于，所述将所述第一子序列数据分别输入每一类型对应的点预测模型，获取预测时序数据，包括：
将所述第一子序列数据分别输入每一类型对应的点预测模型，获取多个预测结果；
将多个所述预测结果和对应的所述权重值的乘积相加，获取所述预测时序数据。
7.根据权利要求1所述的方法，其特征在于，所述根据由所述第一子序列数据的所述权重值获取的第一隶属度矩阵和第二子序列数据，确定相似性度量值，包括：
根据所述第二子序列数据，获取第二隶属度矩阵；
根据所述第一隶属度矩阵和所述第二隶属度矩阵，确定所述相似性度量值。
8.根据权利要求1所述的方法，其特征在于，所述根据所述相似性度量值和第一预测误差，获取所述第一子序列数据在预设置信度下的置信区间，包括：
根据所述相似性度量和所述第一预测误差，获取第二预测误差对应的概率密度函数；其中，所述第二预测误差为所述第一子序列数据对应的预测误差；
根据所述概率密度函数和所述预设置信度，获取所述第一子序列数据对应的所述置信区间。
9.一种风电功率概率区间预测的装置，其特征在于，所述装置包括：
第一获取模块，用于获取待预测风电功率数据的多个第一子序列数据；
第二获取模块，用于对多个所述第一子序列数据进行分类，获取多个类型以及所述第一子序列数据对应多个类型的权重值；
第三获取模块，用于将所述第一子序列数据分别输入每一类型对应的点预测模型，获取预测时序数据；其中，每一所述点预测模型对应一个类型，且所述点预测模型分别用于对所述第一子序列数据进行预测；
第一确定模块，用于根据由所述第一子序列数据的所述权重值获取的第一隶属度矩阵和第二子序列数据，确定相似性度量值；其中，所述第二子序列数据为待训练风电功率数据；
第四获取模块，用于根据所述相似性度量值和第一预测误差，获取所述第一子序列数据在预设置信度下的置信区间；其中，第一预测误差为所述第二子序列数据对应的预测误差；
第五获取模块，用于根据所述预测时序数据和所述置信区间，获取所预测的风电功率概率区间。
10.一种处理设备，其特征在于，包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1至8任一项所述的风电功率概率区间预测的方法。
11.一种可读存储介质，其特征在于，所述可读存储介质上存储有程序，所述程序被处理器执行时实现如权利要求1至8任一项所述的风电功率概率区间预测的方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311746887.4A CN117725481A (zh) | 2023-12-18 | 2023-12-18 | 风电功率概率区间预测的方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311746887.4A CN117725481A (zh) | 2023-12-18 | 2023-12-18 | 风电功率概率区间预测的方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117725481A true CN117725481A (zh) | 2024-03-19 |
Family
ID=90203019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311746887.4A Pending CN117725481A (zh) | 2023-12-18 | 2023-12-18 | 风电功率概率区间预测的方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117725481A (zh) |
-
2023
- 2023-12-18 CN CN202311746887.4A patent/CN117725481A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| CN109272156B (zh) | 一种超短期风电功率概率预测方法 | |
| CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
| CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
| CN111310387B (zh) | 一种燃料电池寿命预测方法 | |
| CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
| CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
| CN113469189B (zh) | 一种用电采集数据缺失值填充方法、***及装置 | |
| CN110212592B (zh) | 基于分段线性表达的火电机组负荷调节最大速率估计方法及*** | |
| CN116825227B (zh) | 一种基于深度生成模型的钙钛矿组分比例分析方法及装置 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN117056874A (zh) | 一种基于深度孪生自回归网络的无监督窃电检测方法 | |
| CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
| CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
| CN116151114A (zh) | 基于混合框架的元宇宙下燃料电池寿命预测方法及*** | |
| CN115271225A (zh) | 一种基于小波降噪和神经网络的风力-风功率建模方法 | |
| CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及*** | |
| CN108537581B (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
| CN112418504B (zh) | 一种基于混合变量选择优化深度信念网络风速预测方法 | |
| CN113807605A (zh) | 电力消耗预测模型训练方法、预测方法及装置 | |
| CN113298131A (zh) | 一种基于注意力机制的时序数据缺失值插补方法 | |
| CN117725481A (zh) | 风电功率概率区间预测的方法、装置及介质 | |
| Su et al. | A LSTM based wind power forecasting method considering wind frequency components and the wind turbine states | |
| CN110555566A (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
| CN116565840A (zh) | 一种用于风电场风功率预测的高精度风速软测量方法 |
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 |