CN111091138A - 辐照预报的处理方法、堆叠泛化模型的训练方法及装置 - Google Patents
辐照预报的处理方法、堆叠泛化模型的训练方法及装置 Download PDFInfo
- Publication number
- CN111091138A CN111091138A CN201911112640.0A CN201911112640A CN111091138A CN 111091138 A CN111091138 A CN 111091138A CN 201911112640 A CN201911112640 A CN 201911112640A CN 111091138 A CN111091138 A CN 111091138A
- Authority
- CN
- China
- Prior art keywords
- generalization
- irradiation
- forecast
- layer
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 207
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003672 processing method Methods 0.000 title abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 33
- 230000005855 radiation Effects 0.000 claims description 32
- 238000005259 measurement Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 238000013136 deep learning model Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- 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
-
- 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
Abstract
本申请公开了一种辐照预报的处理方法、堆叠泛化模型的训练方法及装置,属于光伏发电领域技术领域,所述方法包括:获取目标时段的辐照预报数据;调用堆叠泛化模型,堆叠泛化模型包括第一层泛化器和第二层泛化器;通过第一层泛化器根据目标时段的辐照预报数据,确定中间预报数据;通过第二层泛化器根据中间预报数据,确定目标时段的输出预报值。本申请实施例提供的技术方案,实现了一种辐照预报的处理方式,并且,本申请实施例提供的技术方案中,第一层泛化器输出的中间预报数据是第二层泛化器的输入,实现了通过第二层泛化器减小第一层泛化器输出结果的偏差,在进一步提升倾角辐照预报值的精确性的同时,降低了服务器的处理开销。
Description
技术领域
本申请实施例涉及光伏发电领域,特别涉及一种辐照预报的处理方法、堆叠泛化模型的训练方法及装置。
背景技术
随着太阳能越来越多地被挖掘研究,光伏发电技术日渐成熟。
目前,气象台可以对太阳的倾角辐照进行预报,各个光伏发电企业可以根据气象台的POA(Planeof Array,倾角)辐照预报数据,对太阳能的功率进行预报计算,得到预报功率。
但是,由于气象台对太阳的倾角辐照预报常常存在较大的误差,使得光伏发电企业计算出的预报功率也存在较大误差。
发明内容
本申请实施例提供了一种辐照预报的处理方法、堆叠泛化模型的训练方法及装置,可用于解决相关技术中对太阳的倾角辐照预报常常存在较大误差的技术问题。所述技术方案如下:
一方面,本申请实施例提供了一种辐照预报的处理方法,所述方法包括:
获取目标时段的辐照预报数据,所述目标时段的辐照预报数据包括:至少一个信息源提供的针对所述目标时段内倾角辐照的至少一个预报值;
调用堆叠泛化模型,所述堆叠泛化模型包括第一层泛化器和第二层泛化器;
通过所述第一层泛化器根据所述目标时段的辐照预报数据,确定中间预报数据;
通过所述第二层泛化器根据所述中间预报数据,确定所述目标时段的输出预报值。
另一方面,本申请实施例提供了一种堆叠泛化模型的训练方法,所述堆叠泛化模型包括第一层泛化器和第二层泛化器,所述方法包括:
构建n个训练样本,每个训练样本包括一个历史时段的辐照预报数据,以及所述历史时段内倾角辐照的测量值,所述历史时段的辐照预报数据包括:至少一个信息源提供的针对所述历史时段内倾角辐照的至少一个预报值,所述n为大于1的整数;
采用所述n个训练样本对所述堆叠泛化模型进行训练,得到完成训练的所述堆叠泛化模型。
再一方面,本申请实施例提供了一种辐照预报的处理装置,所述装置包括:
数据获取模块,用于获取目标时段的辐照预报数据,所述目标时段的辐照预报数据包括:至少一个信息源提供的针对所述目标时段内倾角辐照的至少一个预报值;
模型调用模块,用于调用堆叠泛化模型,所述堆叠泛化模型包括第一层泛化器和第二层泛化器;
数据确定模块,用于通过所述第一层泛化器根据所述目标时段的辐照预报数据,确定中间预报数据;
预报值确定模块,用于通过所述第二层泛化器根据所述中间预报数据,确定所述目标时段的输出预报值。
又一方面,本申请实施例提供了一种堆叠泛化模型的训练装置,所述堆叠泛化模型包括第一层泛化器和第二层泛化器,所述装置包括:
样本构建模型,用于构建n个训练样本,每个训练样本包括一个历史时段的辐照预报数据,以及所述历史时段内倾角辐照的测量值,所述历史时段的辐照预报数据包括:至少一个信息源提供的针对所述历史时段内倾角辐照的至少一个预报值,所述n为大于1的整数;
模型训练模块,用于采用所述n个训练样本对所述堆叠泛化模型进行训练,得到完成训练的所述堆叠泛化模型。
还一方面,本申请实施例提供了一种计算机设备,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现上述辐照预报的处理方法,或者实现上述堆叠泛化模型的训练方法。
还一方面,本申请实施例提供了一种非临时性计算机可读存储介质,所述存储介质中存储有计算机程序,所述计算机程序由处理器加载并执行以实现上述辐照预报的处理方法,或者实现上述堆叠泛化模型的训练方法。
还一方面,本申请实施例提供了一种计算机程序产品,所述计算机程序产品被处理器执行时,用于实现上述辐照预报的处理方法,或者实现上述堆叠泛化模型的训练方法。
本申请实施例提供的技术方案,通过调用堆叠泛化模型,根据多个信息源提供的倾角辐照的预报值,确定输出预报值,实现了一种辐照预报的处理方式,并且通过处理得到了更加精确的倾角辐照的预报值,进而有助于提升基于倾角辐照的预报值确定出的太阳辐射的预报功率的准确性。并且,本申请实施例提供的技术方案中,堆叠泛化模型包括两层泛化器,第一层泛化器输出的中间预报数据是第二层泛化器的输入,从而实现了通过第二层泛化器减小第一层泛化器输出结果的偏差,在进一步提升倾角辐照预报值的精确性的同时,降低了服务器的处理开销。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的实施环境的示意图;
图2是本申请一个实施例提供的辐照预报的处理方法的流程图;
图3是本申请一个实施例提供的堆叠泛化模型的训练方法的流程图;
图4是本申请另一个实施例提供的辐照预报的处理方法的流程图;
图5是本申请一个实施例提供的辐照预报的处理装置的框图;
图6是本申请另一个实施例提供的辐照预报的处理装置的框图;
图7是本申请一个实施例提供的堆叠泛化模型的训练装置的框图;
图8是本申请一个实施例提供的计算机设备的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施方式作进一步地详细描述。
请参考图1,其示出了本申请实施例涉及的一种实施环境的示意图。该实施环境可以包括:气象台10、计算机设备20和光伏发电企业30。
气象台10能够进行气象的观测和发布气象预报,如发布太阳的倾角辐照预报等。气象台10可以是一个,也可以是多个,可选地,为了能够得到更加准确的输出预报值,可以采用多个气象台10,从而得到多个预报,如多个倾角辐照预报。可选地,气象台10可以包括:ECMWF(European Centre for Medium-RangeWeather Forecasts,欧洲中期天气预报中心)、IBM(International Business MachinesCorporation,国际商业机器公司)的气象部门(TheWeatherCompany)和NCEP(National Centersfor Environmental Prediction,美国国家环境预报中心)等。
计算机设备20是指能够传输数据并进行数据处理的设备,如具有计算和存储能力的服务器,或者是诸如手机、平板电脑、多媒体播放设备、可穿戴设备等终端,还可以是其他计算机设备。可选地,当计算机设备为服务器时,该计算机设备可以是一台服务器,也可以是由多台服务器组成的服务器集群,或者是一个云计算服务中心。本申请实施例中,计算机设备20能够获取气象台10的历史气象预报和历史气象测量值,并通过这些历史气象预报和历史气象测量值来训练深度学习模型,如神经网络模型、堆叠泛化模型和线性回归模型等;计算机设备20还能够将获取到的气象预报输入训练完成的深度学习模型,得到输出预报值,并将该输出预报值发送给光伏发电企业30。
光伏发电企业30能够进行功率预测并发布预报功率,如发布太阳辐照预报功率等。光伏发电企业30可以是一个,也可以是多个,本申请实施例对此不作限定。可选地,计算机设备20可以设置在光伏发电企业30中,也可以独立于光伏发电企业30,本申请实施例对此不作限定。
在一种可能的实施方式中,为了得到更为准确的太阳辐照的预报功率,多个气象台10将各自在目标时段内倾角辐照的预报值发送给计算机设备20,计算机设备20将多个预报值输入训练完成的堆叠泛化(stacked generalization)模型,计算得到该目标时段的输出预报值,并将该输出预报值发送给光伏发电企业30,光伏发电企业30根据输出预报值即可计算太阳辐照的预报功率。
为了便于说明,在下述方法实施例中,仅以各步骤由服务器来执行、深度学习模型为堆叠泛化模型来进行介绍说明,但对此不构成限定。
请参考图2,其示出了本申请一个实施例提供的辐照预报的处理方法的流程图,该方法可以包括如下几个步骤(201~204):
步骤201,获取目标时段的辐照预报数据。
目标时段是指当前时刻之后的未来某个时段,本申请实施例对目标时段的时长不作限定,可选地,目标时段可以是一天,也可以半天,还可以是正午时段,如上午11时至下午13时。
可选地,目标时段的辐照预报数据包括:至少一个信息源提供的针对目标时段内倾角辐照的至少一个预报值。倾角辐照是描述和研究太阳辐射的一个重要参量,又称为太阳辐照、太阳辐照度、太阳辐照量等,是指太阳辐射经过大气层的吸收、散射、发射等作用后在某一时段内到达地球表面上单位面积内的辐射能量,单位为瓦特/平方米(W/m2),则目标时段的倾角辐照的预报值是指太阳辐射经过大气层的作用后在目标时段内到达地球表面上单位面积内的辐照能量,单位也为瓦特/平方米。信息源可以是上述气象台,有关解释请参照上述实施环境的实施例,此处不再赘述。
步骤202,调用堆叠泛化模型,堆叠泛化模型包括第一层泛化器和第二层泛化器。
堆叠泛化模型是深度学习模型的一种,可以简称为堆叠模型,堆叠泛化模型包括至少两层学习器,学习器的层数越多,堆叠泛化模型的学习深度越深,通过堆叠泛化模型得到的结果越精确,但同时服务器的处理开销也会越大,因而实际应用中可以结合结果的精确性与服务器的处理开销这两方面的因素来确定堆叠泛化模型的层数。可选地,堆叠泛化模型中包括的学习器可以为泛化器。本申请实施例中,综合考虑结果精确性与服务器的处理开销,确定堆叠泛化模型包括两层泛化器:第一层泛化器和第二层泛化器,其中,第一层泛化器的输出作为第二层泛化器的输入。
需要说明的一点是,本领域的技术人员在了解了本申请实施例提供的技术方案后,将很容易想到将堆叠泛化模型替换为其他的深度学习模型,如泛化模型(仅包含一层泛化器的学习模型)等,或者将堆叠泛化模型中包括的学习器的层数增加,如三层学习器等,以完成本申请实施例描述的全部或者部分功能,但均应属于本申请的保护范围之内。
步骤203,通过第一层泛化器根据目标时段的辐照预报数据,确定中间预报数据。
中间预报数据是指服务器通过第一层泛化器,根据目标时段的辐照预报数据,进一步预测得到的目标时段内至少一个倾角辐照的预报值,其中,进一步预测得到的目标时段内每一个倾角辐照的预报值称为中间预报值。
可选地,第一层泛化器可以包括多个泛化器,该多个泛化器可以是相同的泛化器,也可以是不同的泛化器,还可以是部分相同、部分不同的泛化器,本申请实施例对此不作限定。其中,多个泛化器中每个泛化器对应一个学习模型,例如,该学习模型可以是RF(RandomForest,随机森林)模型、岭回归(Ridge)模型、XGB(Extreme Gradient boost,极度梯度提升)模型、Lasso(Least AbsoluteShrinkage and Selection Operator,最小绝对值收缩和选择)回归模型、SVM(Support Vector Machine,支持向量机)模型、Adaboost(AdaptiveBoosting,自适应度提升)模型、LWLR(Locally Weighted Linear Regression,局部加权线性回归)、DNN(Deep Neural Networks,深度神经网络)模型等。可选地,当第一层泛化器中包括多个泛化器,且多个泛化器是部分相同、部分不同的泛化器,或者是相同的泛化器时,对于其中相同的多个泛化器,该相同的多个泛化器的参数可以相同,也可以不相同,本申请实施例对此不作限定。
在一种可能的实施方式中,为了使得第一层泛化器计算出的中间预报数据更为精确,上述第一层泛化器包括k个泛化器,k为大于1的整数;上述通过第一层泛化器根据目标时段的辐照预报数据,确定中间预报数据,包括:通过k个泛化器分别根据目标时段的辐照预报数据,得到k个中间预报值;其中,中间预报数据包括k个中间预报值。对于k个泛化器中的每个泛化器而言,当输入多个信息源提供的多个目标时段的辐照预报数据时,输出为一个中间预报值,则通过k个泛化器输出的为k个中间预报值。
步骤204,通过第二层泛化器根据中间预报数据,确定目标时段的输出预报值。
若第二层泛化器中包括一个泛化器,则第二层泛化器确定的目标时段的输出预报值,即为堆叠泛化器模型输出的对太阳辐照的预测值。本申请实施例通过包括两层泛化器的堆叠泛化模型,对信息源提供的目标时段的辐照预报数据进行了更一步处理,使得目标时段的输出预报值相对于信息源提供的辐照预报数据更为精确。
需要说明的一点是,本申请实施例仅以第二层泛化器包括一个泛化器进行举例说明,本领域的技术人员在了解了本申请的技术方案后,将很容易想到第二层泛化器中包括多个泛化器的技术方案,但均应属于本申请的保护范围内。例如,本领域的技术人员将很容易想到,当第二层泛化器中包括多个泛化器时,需要在堆叠泛化模型中增加第三层泛化器,该第三层泛化器中包括一个泛化器;或者当第t-1层泛化器中包括多个泛化器时,需要在堆叠泛化模型中增加第t层泛化器,该第t层泛化器中包括一个泛化器,以确保堆叠泛化模型最终的输出预报值为一个确定的数值,其中,t为大于3的正整数。
在一种可能的实施方式中,上述步骤204之后,还包括:调用功率曲线模型,根据输出预报值计算目标时段内太阳辐射的预报功率。
预报功率是用来描述太阳辐射的一个重要参量,是指太阳辐射经过大气层的作用后在某一时段到达地球表面上的辐射能量,单位为瓦特(W),则目标时段内太阳辐射的预报功率为太阳辐射经过大气层的作用后在目标时段内达到地球表面上的辐射能量,单位也为瓦特(W)。功率曲线模型是指用于根据倾角辐照的预报值计算太阳辐照预报功率的模型,可选地,功率曲线模型是非线性模型。
综上所述,本申请实施例提供的技术方案,通过调用堆叠泛化模型,根据多个信息源提供的倾角辐照的预报值,确定输出预报值,实现了一种辐照预报的处理方式,并且通过处理得到了更加精确的倾角辐照的预报值,进而有助于提升基于倾角辐照的预报值确定出的太阳辐射的预报功率的准确性。并且,本申请实施例提供的技术方案中,堆叠泛化模型包括两层泛化器,第一层泛化器输出的中间预报数据是第二层泛化器的输入,从而实现了通过第二层泛化器减小第一层泛化器输出结果的偏差,在进一步提升倾角辐照预报值的精确性的同时,降低了服务器的处理开销。
另外,本申请实施例提供的技术方案中,第一层泛化器中包含多个泛化器,实现了通过多个泛化器对信息源提供的倾角辐照的预测值进行处理,以进一步减小第一层泛化器输出结果的偏差,进一步提升堆叠泛化模型处理后的输出预报值的精确性。
另外,本申请实施例提供的技术方案中,在堆叠泛化模型处理得到输出预报值后,服务器会进一步调用功率曲线模型,根据输出预报值确定预报功率,实现了将倾角辐照的输出预报值应用于更多场景中,并使得光伏发电企业能够得到更为精确的太阳辐照的预报功率。
在一种可能的实施方式中,上述堆叠泛化模型的训练过程如下:构建n个训练样本;采用n个训练样本对堆叠泛化模型进行训练,得到完成训练的堆叠泛化模型,n为大于1的整数。
训练样本是用于训练堆叠泛化模型的样本,由于可能有多个信息源同时提供一个历史时段内的辐照预报数据,因而一个历史时段可以对应一个训练样本,也可以对应多个训练样本,其中,每个训练样本包括一个历史时段的辐照预报数据,以及该历史时段内倾角辐照的测量值。历史时段的辐照预报数据包括:至少一个信息源提供的针对历史时段内倾角辐照的至少一个预报值,历史时段内倾角辐照的测量值是指通过测量以及计算得到的该历史时段内倾角辐照的确定值。由于可能有多个信息源同时提供一个历史时段内的辐照预报数据,因而每个历史时段对应一个倾角辐照的测量值,以及至少一个倾角辐照的预报值,即在某个历史时段内,一个倾角辐照的测量值可以对应至少一个倾角辐照的预报值。
可选地,上述采用n个训练样本对堆叠泛化模型进行训练,得到完成训练的堆叠泛化模型,包括如下几个步骤:
(1)从n个训练样本中选取m个训练样本。
m个训练样本既可以是随机从n个训练样本中选取的,也可以是根据预设的选取规则从n个训练样本中选取的,本申请实施例对此不作限定,其中,m为大于1且小于n的正整数。可选地,为了便于服务器选取m个训练样本、加快服务器选取m个训练样本的速度,上述从n个训练样本中选取m个训练样本包括:将n个训练样本分为s份,从s份训练样本中选出t份,并将该t份训练样本作为m个训练样本,其中,s为大于1的正整数,t为小于s的正整数。服务器既可以是随机将n个训练样本分为s份,也可以是依据预设的分类规则将n个训练样本分为s份,例如,按照n个训练样本对应的历史时段将n个训练样本分为s份,又例如,按照信息源的来源将n个训练样本分为s份,本申请实施例对此不作限定。另外,s份训练样本中的每一份训练样本内包含的训练样本数量既可以是相同的,也可以是不同的,即服务器可以将n个训练样本等分为s份。
(2)采用m个训练样本的辐照预报数据和测量值,对第一层泛化器进行训练,得到完成训练的第一层泛化器。
(3)通过第一层泛化器根据n个训练样本中除去m个训练样本之外的n-m个训练样本的辐照预报数据,确定n-m个训练样本的中间预报数据。
服务器在将第一层泛化器训练完成后,将n个训练样本中,除去用于训练第一层泛化器的m个训练样本,之外的n-m个训练样本对应的辐照预报数据,输入训练完成的第一层泛化器,以得到该n-m个训练样本的中间预报数据。
可选地,该第一层泛化器中可以包含多个泛化器,服务器可以通过第一层泛化器中的每一个泛化器,根据n个训练样本中除去m个训练样本之外的n-m个训练样本的辐照预报数据,确定n-m个训练样本的中间预报值,其中,中间预报数据包括多个中间预报值。
可选地,若服务器是将n个训练样本分为s份,并从该s份训练样本中选出t份作为m个训练样本,则服务器在将第一层泛化器训练完成后,是将s份训练样本中除去t份之外的其他s-t份训练样本的辐照预报数据,输入完成训练的第一层泛化器,以得到该s-t份训练样本的中间预报数据。
(4)采用n-m个训练样本的中间预报数据和测量值,对第二层泛化器进行训练,得到完成训练的第二层泛化器。
服务器在得到n-m个训练样本的中间预报数据后,结合该n-m个训练样本对于太阳辐照的测量值,可以对第二层泛化器进行训练。可选地,为了使得训练出的第二层泛化器更加精确,服务器在得到n-m个训练样本后,可以执行多次循环步骤,该循环步骤从上述步骤(1)执行到上述步骤(4),服务器每次执行上述循环步骤时,从n个训练样本中选取的多个训练样本中,至少有部分训练样本是不相同的。若服务器执行循环步骤的总次数为x次,则经过x次循环后,服务器可以得到q个训练样本的中间预报数据,q为正整数,然后采用该q个训练样本的中间预报数据和对太阳辐照的测量值,训练第二层泛化器。
例如,服务器在获取n个训练样本后,将该n个训练样本分为5份,并从5份训练样本中选取其中4份,如第1份至第4份,并采用这4份训练样本的辐照预报数据和对太阳辐照的测量值,对第一层泛化器进行训练,然后将第5份训练样本的辐照预报数据输入训练完成的一层泛化器,得到第5份训练样本的中间预报数据。之后服务器既可以直接根据第5份训练样本的中间预报数据,和对太阳辐照的测量值,训练第二层泛化器,以得到训练完成的第二层泛化器,也可以对于其他4份训练样本,采用与得到第5份训练样本相同的步骤,得到其他4份训练样本的中间预报数据,然后采用这5份训练样本的中间预报数据和对太阳辐照的测量值,训练第二层泛化器,从而得到训练完成的第二层泛化器。
综上所述,本申请实施例提供的技术方案,通过构建多个训练样本,并根据训练样本训练堆叠泛化模型,实现了一种对堆叠泛化模型的训练方法。并且,本申请实施例提供的技术方案中,堆叠泛化模型包含两层泛化器,通过第二层泛化器可以对第一层泛化器输出结果进行优化,以减小堆叠泛化模型的偏差,提升了堆叠泛化模型的精确性。另外,本申请实施例提供的技术方案中,第一层泛化器中包含多个泛化器,通过多个泛化器可以减小第一层泛化器输出结果的偏差,从而进一步提升堆叠泛化模型的精确性。
请参考图3,其示出了本申请一个实施例提供的堆叠泛化模型的训练方法的流程图,该堆叠泛化模型包括第一层泛化器和第二层泛化器,该方法可以包括如下几个步骤(301~302):
步骤301,构建n个训练样本,每个训练样本包括一个历史时段的辐照预报数据,以及该历史时段内倾角辐照的测量值,历史时段的辐照预报数据包括:至少一个信息源提供的针对该历史时段内倾角辐照的至少一个预报值,n为大于1的整数。
步骤302,采用n个训练样本对堆叠泛化模型进行训练,得到完成训练的堆叠泛化模型。
在一种可能的实施方式中,上述步骤302包括:从n个训练样本中选取m个训练样本,m为大于1且小于n的正整数;采用m个训练样本的辐照预报数据和测量值,对第一层泛化器进行训练,得到完成训练的第一层泛化器;通过第一层泛化器根据n个训练样本中除去m个训练样本之外的n-m个训练样本的辐照预报数据,确定n-m个训练样本的中间预报数据;采用n-m个训练样本的中间预报数据和测量值,对第二层泛化器进行训练,得到完成训练的第二层泛化器。
基于上述图2实施例对堆叠泛化模型的训练过程的介绍说明,得到此处图3实施例对堆叠泛化模型的训练方法的介绍说明,有关堆叠泛化模型的训练过程请参照上述图2实施例的介绍说明,此处不再赘述。
综上所述,本申请实施例提供的技术方案,通过构建多个训练样本,并根据训练样本训练堆叠泛化模型,实现了一种对堆叠泛化模型的训练方法。并且,本申请实施例提供的技术方案中,堆叠泛化模型包含两层泛化器,通过第二层泛化器可以对第一层泛化器输出结果进行优化,以减小堆叠泛化模型的偏差,提升了堆叠泛化模型的精确性。另外,本申请实施例提供的技术方案中,第一层泛化器中包含多个泛化器,通过多个泛化器可以减小第一层泛化器输出结果的偏差,从而进一步提升堆叠泛化模型的精确性。
请参考图4,其示出了本申请一个实施例提供的辐照预报的处理方法的流程图,该方法可以包括如下几个步骤(步骤401~步骤404):
步骤401,获取多个训练样本;每个训练样本包括一个历史时段的辐照预报数据,以及该历史时段内倾角辐照的测量值,历史时段的辐照预报数据包括:至少一个信息源提供的针对该历史时段内倾角辐照的至少一个预报值;
步骤402,采用多个训练样本对第一层泛化器进行训练,得到完成训练的第一层泛化器;该第一层泛化器中可以包括多个泛化器;
步骤403,采用第一层泛化器的输出数据,以及多个训练样本,对第二层泛化器进行训练,得到完成训练的第二层泛化器;
步骤404,获取目标时段的辐照预报数据;目标时段的辐照预报数据包括:至少一个信息源提供的针对所述目标时段内倾角辐照的至少一个预报值;
步骤405,调用堆叠泛化模型,确定目标时段的输出预报值;堆叠泛化模型包括第一层泛化器和第二层泛化器;
步骤406,调用功率曲线模型,根据目标时段的输出预报值,确定目标时段内对太阳辐照的预报功率。
下述为本申请装置实施例,可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节,请参照本申请方法实施例。
请参考图5,其示出了本申请一个实施例提供的辐照预报的处理装置的框图。该装置500具有实现上述方法实施例的功能,该功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置500可以是上文介绍的计算机设备,如服务器。该装置500可以包括:数据获取模块510、模型调用模块520、数据确定模块530和预报值确定模块540。
数据获取模块510,用于获取目标时段的辐照预报数据,所述目标时段的辐照预报数据包括:至少一个信息源提供的针对所述目标时段内倾角辐照的至少一个预报值。
模型调用模块520,用于调用堆叠泛化模型,所述堆叠泛化模型包括第一层泛化器和第二层泛化器。
数据确定模块530,用于通过所述第一层泛化器根据所述目标时段的辐照预报数据,确定中间预报数据。
预报值确定模块540,用于通过所述第二层泛化器根据所述中间预报数据,确定所述目标时段的输出预报值。
可选地,所述第一层泛化器包括k个泛化器,k为大于1的整数;所述数据确定模块530用于:通过所述k个泛化器分别根据所述目标时段的辐照预报数据,得到k个中间预报值;其中,所述中间预报数据包括所述k个中间预报值。
可选地,所述堆叠泛化模型的训练过程如下:构建n个训练样本,每个训练样本包括一个历史时段的辐照预报数据,以及所述历史时段内倾角辐照的测量值,所述n为大于1的整数;采用所述n个训练样本对所述堆叠泛化模型进行训练,得到完成训练的所述堆叠泛化模型。
可选地,所述采用所述n个训练样本对所述堆叠泛化模型进行训练,得到完成训练的所述堆叠泛化模型,包括:从所述n个训练样本中选取m个训练样本,所述m为大于1且小于所述n的正整数;采用所述m个训练样本的辐照预报数据和测量值,对所述第一层泛化器进行训练,得到完成训练的所述第一层泛化器;通过所述第一层泛化器根据所述n个训练样本中除去所述m个训练样本之外的n-m个训练样本的辐照预报数据,确定所述n-m个训练样本的中间预报数据;采用所述n-m个训练样本的中间预报数据和测量值,对所述第二层泛化器进行训练,得到完成训练的所述第二层泛化器。
可选地,如图6所示,所述装置500还包括:功率计算模块550,用于调用功率曲线模型,根据所述输出预报值计算所述目标时段内太阳辐射的预报功率。
综上所述,本申请实施例提供的技术方案,通过调用堆叠泛化模型,根据多个信息源提供的倾角辐照的预报值,确定输出预报值,实现了一种辐照预报的处理方式,并且通过处理得到了更加精确的倾角辐照的预报值,进而有助于提升基于倾角辐照的预报值确定出的太阳辐射的预报功率的准确性。并且,本申请实施例提供的技术方案中,堆叠泛化模型包括两层泛化器,第一层泛化器输出的中间预报数据是第二层泛化器的输入,从而实现了通过第二层泛化器减小第一层泛化器输出结果的偏差,在进一步提升倾角辐照预报值的精确性的同时,降低了服务器的处理开销。
另外,本申请实施例提供的技术方案中,第一层泛化器中包含多个泛化器,实现了通过多个泛化器对信息源提供的倾角辐照的预测值进行处理,以进一步减小第一层泛化器输出结果的偏差,进一步提升堆叠泛化模型处理后的输出预报值的精确性。
另外,本申请实施例提供的技术方案中,在堆叠泛化模型处理得到输出预报值后,服务器会进一步调用功率曲线模型,根据输出预报值确定预报功率,实现了将倾角辐照的输出预报值应用于更多场景中,并使得光伏发电企业能够得到更为精确的太阳辐照的预报功率。
请参考图7,其示出了本申请一个实施例提供的堆叠泛化模型的训练装置的框图,所述堆叠泛化模型包括第一层泛化器和第二层泛化器。该装置700具有实现上述方法实施例的功能,该功能可以由硬件实现,也可以由硬件执行相应的软件实现。该装置700可以是上文介绍的计算机设备,如服务器。该装置700可以包括:样本构建模型710和模型训练模块720。
样本构建模型710,用于构建n个训练样本,每个训练样本包括一个历史时段的辐照预报数据,以及所述历史时段内倾角辐照的测量值,所述历史时段的辐照预报数据包括:至少一个信息源提供的针对所述历史时段内倾角辐照的至少一个预报值,所述n为大于1的整数;
模型训练模块720,用于采用所述n个训练样本对所述堆叠泛化模型进行训练,得到完成训练的所述堆叠泛化模型。
可选地,所述模型训练模块720用于:从所述n个训练样本中选取m个训练样本,所述m为大于1且小于所述n的正整数;采用所述m个训练样本的辐照预报数据和测量值,对所述第一层泛化器进行训练,得到完成训练的所述第一层泛化器;通过所述第一层泛化器根据所述n个训练样本中除去所述m个训练样本之外的n-m个训练样本的辐照预报数据,确定所述n-m个训练样本的中间预报数据;采用所述n-m个训练样本的中间预报数据和测量值,对所述第二层泛化器进行训练,得到完成训练的所述第二层泛化器。
综上所述,本申请实施例提供的技术方案,通过构建多个训练样本,并根据训练样本训练堆叠泛化模型,实现了一种对堆叠泛化模型的训练方法。并且,本申请实施例提供的技术方案中,堆叠泛化模型包含两层泛化器,通过第二层泛化器可以对第一层泛化器输出结果进行优化,以减小堆叠泛化模型的偏差,提升了堆叠泛化模型的精确性。另外,本申请实施例提供的技术方案中,第一层泛化器中包含多个泛化器,通过多个泛化器可以减小第一层泛化器输出结果的偏差,从而进一步提升堆叠泛化模型的精确性。
需要说明的是,本申请实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
请参考图8,其示出了本申请实施例提供的计算机设备的结构框图。该计算机设备可以用于实施上述实施例中提供的辐照预报的处理方法,或者堆叠泛化模型的训练方法。例如,该计算机设备可以是图1所示实施环境中的服务器。
具体来讲:
该计算机设备800包括处理单元(如CPU(Central Processing Unit,中央处理器)、GPU(Graphics Processing Unit,图形处理器)和FPGA(Field ProgrammableGateArray,现场可编程逻辑门阵列)等)801、包括RAM(Random-Access Memory,随机存储器)802和ROM(Read-Only Memory,只读存储器)803的系统存储器804,以及连接系统存储器804和中央处理单元801的系统总线805。该计算机设备800还包括帮助服务器内的各个器件之间传输信息的I/O系统(InputOutput System,基本输入/输出系统)806,和用于存储操作系统813、应用程序814和其他程序模块815的大容量存储设备807。
该I/O系统806包括有用于显示信息的显示器808和用于用户输入信息的诸如鼠标、键盘之类的输入设备809。其中,该显示器808和输入设备809都通过连接到系统总线805的输入输出控制器810连接到中央处理单元801。该I/O系统806还可以包括输入输出控制器810以用于接收和处理来自键盘、鼠标、或电子触控笔等多个其他设备的输入。类似地,输入输出控制器810还提供输出到显示屏、打印机或其他类型的输出设备。
该大容量存储设备807通过连接到系统总线805的大容量存储控制器(未示出)连接到中央处理单元801。该大容量存储设备807及其相关联的计算机可读介质为计算机设备800提供非易失性存储。也就是说,该大容量存储设备807可以包括诸如硬盘或者CD-ROM(Compact Disc Read-Only Memory,只读光盘)驱动器之类的计算机可读介质(未示出)。
不失一般性,该计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、EPROM(Erasable ProgrammableRead-Only Memory,可擦写可编程只读存储器)、EEPROM(Electrically ErasableProgrammable Read-Only Memory,电可擦写可编程只读存储器)、闪存或其他固态存储其技术,CD-ROM、DVD(Digital Video Disc,高密度数字视频光盘)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然,本领域技术人员可知该计算机存储介质不局限于上述几种。上述的系统存储器804和大容量存储设备807可以统称为存储器。
根据本申请实施例,该计算机设备800还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即计算机设备800可以通过连接在该系统总线805上的网络接口单元811连接到网络812,或者说,也可以使用网络接口单元811来连接到其他类型的网络或远程计算机系统(未示出)。
该存储器还包括计算机程序,该计算机程序存储于存储器中,且经配置以由一个或者一个以上处理器执行,以实现上述辐照预报的处理方法,或者实现上述堆叠泛化模型的训练方法。
本申请实施例中,还提供了一种非临时性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以实现上述辐照预报的处理方法,或者实现上述堆叠泛化模型的训练方法。
在示例性实施例中,还提供了一种计算机程序产品,当该计算机程序产品被处理器执行时,其用于实现上述辐照预报的处理方法,或者实现上述堆叠泛化模型的训练方法。
应当理解的是,在本文中提及的“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
以上所述仅为本申请的示例性实施例,并不用以限制本申请,凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种辐照预报的处理方法,其特征在于,所述方法包括:
获取目标时段的辐照预报数据,所述目标时段的辐照预报数据包括:至少一个信息源提供的针对所述目标时段内倾角辐照的至少一个预报值;
调用堆叠泛化模型,所述堆叠泛化模型包括第一层泛化器和第二层泛化器;
通过所述第一层泛化器根据所述目标时段的辐照预报数据,确定中间预报数据;
通过所述第二层泛化器根据所述中间预报数据,确定所述目标时段的输出预报值。
2.根据权利要求1所述的方法,其特征在于,所述第一层泛化器包括k个泛化器,k为大于1的整数;
所述通过所述第一层泛化器根据所述目标时段的辐照预报数据,确定中间预报数据,包括:
通过所述k个泛化器分别根据所述目标时段的辐照预报数据,得到k个中间预报值;
其中,所述中间预报数据包括所述k个中间预报值。
3.根据权利要求1所述的方法,其特征在于,所述堆叠泛化模型的训练过程如下:
构建n个训练样本,每个训练样本包括一个历史时段的辐照预报数据,以及所述历史时段内倾角辐照的测量值,所述n为大于1的整数;
采用所述n个训练样本对所述堆叠泛化模型进行训练,得到完成训练的所述堆叠泛化模型。
4.根据权利要求3所述的方法,其特征在于,所述采用所述n个训练样本对所述堆叠泛化模型进行训练,得到完成训练的所述堆叠泛化模型,包括:
从所述n个训练样本中选取m个训练样本,所述m为大于1且小于所述n的正整数;
采用所述m个训练样本的辐照预报数据和测量值,对所述第一层泛化器进行训练,得到完成训练的所述第一层泛化器;
通过所述第一层泛化器根据所述n个训练样本中除去所述m个训练样本之外的n-m个训练样本的辐照预报数据,确定所述n-m个训练样本的中间预报数据;
采用所述n-m个训练样本的中间预报数据和测量值,对所述第二层泛化器进行训练,得到完成训练的所述第二层泛化器。
5.根据权利要求1至4任一项所述的方法,其特征在于,所述通过所述第二层泛化器根据所述中间预报数据,确定所述目标时段的输出预报值之后,还包括:
调用功率曲线模型,根据所述输出预报值计算所述目标时段内太阳辐射的预报功率。
6.一种堆叠泛化模型的训练方法,其特征在于,所述堆叠泛化模型包括第一层泛化器和第二层泛化器,所述方法包括:
构建n个训练样本,每个训练样本包括一个历史时段的辐照预报数据,以及所述历史时段内倾角辐照的测量值,所述历史时段的辐照预报数据包括:至少一个信息源提供的针对所述历史时段内倾角辐照的至少一个预报值,所述n为大于1的整数;
采用所述n个训练样本对所述堆叠泛化模型进行训练,得到完成训练的所述堆叠泛化模型。
7.一种辐照预报的处理装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标时段的辐照预报数据,所述目标时段的辐照预报数据包括:至少一个信息源提供的针对所述目标时段内倾角辐照的至少一个预报值;
模型调用模块,用于调用堆叠泛化模型,所述堆叠泛化模型包括第一层泛化器和第二层泛化器;
数据确定模块,用于通过所述第一层泛化器根据所述目标时段的辐照预报数据,确定中间预报数据;
预报值确定模块,用于通过所述第二层泛化器根据所述中间预报数据,确定所述目标时段的输出预报值。
8.一种堆叠泛化模型的训练装置,其特征在于,所述堆叠泛化模型包括第一层泛化器和第二层泛化器,所述装置包括:
样本构建模型,用于构建n个训练样本,每个训练样本包括一个历史时段的辐照预报数据,以及所述历史时段内倾角辐照的测量值,所述历史时段的辐照预报数据包括:至少一个信息源提供的针对所述历史时段内倾角辐照的至少一个预报值,所述n为大于1的整数;
模型训练模块,用于采用所述n个训练样本对所述堆叠泛化模型进行训练,得到完成训练的所述堆叠泛化模型。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器和存储器,所述存储器中存储有计算机程序,所述计算机程序由所述处理器加载并执行以实现如权利要求1至5任一项所述的辐照预报的处理方法,或者实现如权利要求6所述的堆叠泛化模型的训练方法。
10.一种非临时性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如权利要求1至5任一项所述的辐照预报的处理方法,或者实现如权利要求6所述的堆叠泛化模型的训练方法。
Priority Applications (12)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112640.0A CN111091138A (zh) | 2019-11-14 | 2019-11-14 | 辐照预报的处理方法、堆叠泛化模型的训练方法及装置 |
EP20886189.8A EP4058761A4 (en) | 2019-11-14 | 2020-11-13 | IRRADIATION FORECAST PROCESSING METHOD, STACKED GENERALIZATION MODEL TRAINING METHOD, AND APPARATUS THEREOF |
PCT/SG2020/050656 WO2021096429A1 (en) | 2019-11-14 | 2020-11-13 | Method for processing irradiation forecast, method for training stacked generalization model, and apparatuses thereof |
CA3161648A CA3161648A1 (en) | 2019-11-14 | 2020-11-13 | Method for processing irradiation forecast, method for training stacked generalization model, and apparatuses thereof |
US17/777,023 US11842303B2 (en) | 2019-11-14 | 2020-11-13 | Method for processing irradiation forecast, method for training stacked generalization model, and apparatuses thereof |
MX2022005700A MX2022005700A (es) | 2019-11-14 | 2020-11-13 | Metodo para procesar pronostico de irradiacion, metodo para entrenar modelo de generalizacion apilado y aparatos de los mismos. |
AU2020382454A AU2020382454A1 (en) | 2019-11-14 | 2020-11-13 | Method for processing irradiation forecast, method for training stacked generalization model, and apparatuses thereof |
BR112022009366A BR112022009366A2 (pt) | 2019-11-14 | 2020-11-13 | Método para o processamento de previsão de irradiação, método para o treinamento de modelo de empilhamento generalizado, e aparelhos deles |
KR1020227019961A KR102500939B1 (ko) | 2019-11-14 | 2020-11-13 | 방사 예측 처리 방법, 스택 일반화 모델 훈련 방법 및 장치 |
JP2022527108A JP7369868B2 (ja) | 2019-11-14 | 2020-11-13 | 日射量予測を処理するための方法、スタック型一般化モデルをトレーニングするための方法、およびそれらの装置 |
CL2022001232A CL2022001232A1 (es) | 2019-11-14 | 2022-05-11 | Método para procesar pronóstico de irradiación, método para entrenar modelo de generalización apilado y aparatos |
ZA2022/05999A ZA202205999B (en) | 2019-11-14 | 2022-05-30 | Method for processing irradiation forecast, method for training stacked generalization model, and apparatuses thereof |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911112640.0A CN111091138A (zh) | 2019-11-14 | 2019-11-14 | 辐照预报的处理方法、堆叠泛化模型的训练方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111091138A true CN111091138A (zh) | 2020-05-01 |
Family
ID=70393283
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911112640.0A Pending CN111091138A (zh) | 2019-11-14 | 2019-11-14 | 辐照预报的处理方法、堆叠泛化模型的训练方法及装置 |
Country Status (12)
Country | Link |
---|---|
US (1) | US11842303B2 (zh) |
EP (1) | EP4058761A4 (zh) |
JP (1) | JP7369868B2 (zh) |
KR (1) | KR102500939B1 (zh) |
CN (1) | CN111091138A (zh) |
AU (1) | AU2020382454A1 (zh) |
BR (1) | BR112022009366A2 (zh) |
CA (1) | CA3161648A1 (zh) |
CL (1) | CL2022001232A1 (zh) |
MX (1) | MX2022005700A (zh) |
WO (1) | WO2021096429A1 (zh) |
ZA (1) | ZA202205999B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610287A (zh) * | 2021-07-27 | 2021-11-05 | 远景智能国际私人投资有限公司 | 光功率预报方法、装置、计算机设备及存储介质 |
CN114237309A (zh) * | 2021-12-15 | 2022-03-25 | 新奥数能科技有限公司 | 一种光伏组件的角度调节方法和装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003066195A (ja) * | 2001-08-27 | 2003-03-05 | Nikon Corp | 多層膜除去加工装置、多層膜反射鏡、その製造方法、軟x線光学系及び露光装置 |
JP2006330935A (ja) * | 2005-05-24 | 2006-12-07 | Fujitsu Ltd | 学習データ作成プログラム、学習データ作成方法および学習データ作成装置 |
WO2011158363A1 (ja) * | 2010-06-17 | 2011-12-22 | 株式会社四国総合研究所 | 日射強度予測システムと太陽光発電出力予測システム |
US20120191351A1 (en) * | 2007-02-12 | 2012-07-26 | Locus Energy, Llc | Estimating solar irradiance components from plane of array irradiance and global horizontal irradiance |
CN107038410A (zh) * | 2017-02-24 | 2017-08-11 | 中国科学院合肥物质科学研究院 | 一种基于深度堆叠网络的杂草图像识别方法 |
CN107044976A (zh) * | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法 |
CN107103331A (zh) * | 2017-04-01 | 2017-08-29 | 中北大学 | 一种基于深度学习的图像融合方法 |
CN107179291A (zh) * | 2017-05-10 | 2017-09-19 | 中国科学院合肥物质科学研究院 | 基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法 |
CN107846012A (zh) * | 2017-09-27 | 2018-03-27 | 国网湖北省电力公司 | 一种基于深度学习技术的电力系统暂态稳定评估方法 |
CN108520535A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 基于深度恢复信息的物体分类方法 |
CN108734391A (zh) * | 2018-05-08 | 2018-11-02 | 重庆大学 | 基于堆栈降噪自动编码器的电-气综合能源系统概率能流量计算方法 |
CN109002926A (zh) * | 2018-07-27 | 2018-12-14 | 中国计量大学 | 一种高准确性的光伏发电量预测模型及其构建方法和应用 |
CN109522917A (zh) * | 2018-09-10 | 2019-03-26 | 中山大学 | 一种基于多模型堆叠融合预测的方法 |
CN109961080A (zh) * | 2017-12-26 | 2019-07-02 | 腾讯科技(深圳)有限公司 | 终端识别方法及装置 |
Family Cites Families (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6003247B2 (ja) | 2012-06-05 | 2016-10-05 | 富士電機株式会社 | 情報処理装置、情報処理装置の制御方法及びプログラム |
JP2014015457A (ja) | 2012-06-14 | 2014-01-30 | Takaaki Matsumoto | 睡眠時無呼吸症候群緩和液および睡眠時無呼吸症候群緩和液の製造方法 |
JP2014157457A (ja) | 2013-02-15 | 2014-08-28 | Nec Corp | 予測装置および予測方法 |
WO2015073996A2 (en) | 2013-11-15 | 2015-05-21 | Bidgely Inc. | Solar energy disaggregation techniques for whole-house energy consumption data |
US20150253463A1 (en) * | 2014-03-04 | 2015-09-10 | Universiti Brunei Darussalam | Generating an Ensemble of Forecasting Models |
JPWO2016121202A1 (ja) * | 2015-01-30 | 2017-11-09 | 日本電気株式会社 | 予測装置、予測方法、及び、プログラム |
WO2016210102A1 (en) | 2015-06-23 | 2016-12-29 | Qatar Foundation For Education, Science And Community Development | Method of forecasting for solar-based power systems |
CA2996216C (en) * | 2015-08-31 | 2023-09-26 | Green Power Labs Inc. | Method and system for solar power forecasting |
WO2017193153A1 (en) * | 2016-05-11 | 2017-11-16 | Commonwealth Scientific And Industrial Research Organisation | Solar power forecasting |
US11545830B2 (en) * | 2017-01-18 | 2023-01-03 | Board Of Regents, The University Of Texas System | Systems and methods of hierarchical forecasting of solar photovoltaic energy production |
JP2019022251A (ja) * | 2017-07-11 | 2019-02-07 | 米沢電気工事株式会社 | 太陽電池診断方法及び太陽電池診断システム |
US10635978B2 (en) * | 2017-10-26 | 2020-04-28 | SparkCognition, Inc. | Ensembling of neural network models |
WO2019155594A1 (ja) * | 2018-02-09 | 2019-08-15 | Totalmasters株式会社 | 太陽光発電設備の設計支援装置、設計支援方法、設計支援プログラム及び設計支援用学習済みモデル作成装置 |
CN109214552A (zh) * | 2018-08-09 | 2019-01-15 | 上海安悦节能技术有限公司 | 基于集成学习光伏预测的智能运维方法 |
CN109543721B (zh) * | 2018-11-05 | 2023-07-04 | 中国科学院西北生态环境资源研究院 | 一种晴间多云天气情况下的太阳辐照度超短期预报方法 |
CN109636054A (zh) * | 2018-12-21 | 2019-04-16 | 电子科技大学 | 基于分类和误差组合预测的太阳能光伏发电量预测方法 |
CN109886492A (zh) * | 2019-02-26 | 2019-06-14 | 浙江鑫升新能源科技有限公司 | 基于Attention LSTM的光伏发电功率预测模型及其构建方法 |
-
2019
- 2019-11-14 CN CN201911112640.0A patent/CN111091138A/zh active Pending
-
2020
- 2020-11-13 EP EP20886189.8A patent/EP4058761A4/en active Pending
- 2020-11-13 WO PCT/SG2020/050656 patent/WO2021096429A1/en unknown
- 2020-11-13 JP JP2022527108A patent/JP7369868B2/ja active Active
- 2020-11-13 KR KR1020227019961A patent/KR102500939B1/ko active IP Right Grant
- 2020-11-13 MX MX2022005700A patent/MX2022005700A/es unknown
- 2020-11-13 US US17/777,023 patent/US11842303B2/en active Active
- 2020-11-13 BR BR112022009366A patent/BR112022009366A2/pt unknown
- 2020-11-13 AU AU2020382454A patent/AU2020382454A1/en not_active Abandoned
- 2020-11-13 CA CA3161648A patent/CA3161648A1/en active Pending
-
2022
- 2022-05-11 CL CL2022001232A patent/CL2022001232A1/es unknown
- 2022-05-30 ZA ZA2022/05999A patent/ZA202205999B/en unknown
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003066195A (ja) * | 2001-08-27 | 2003-03-05 | Nikon Corp | 多層膜除去加工装置、多層膜反射鏡、その製造方法、軟x線光学系及び露光装置 |
JP2006330935A (ja) * | 2005-05-24 | 2006-12-07 | Fujitsu Ltd | 学習データ作成プログラム、学習データ作成方法および学習データ作成装置 |
US20120191351A1 (en) * | 2007-02-12 | 2012-07-26 | Locus Energy, Llc | Estimating solar irradiance components from plane of array irradiance and global horizontal irradiance |
WO2011158363A1 (ja) * | 2010-06-17 | 2011-12-22 | 株式会社四国総合研究所 | 日射強度予測システムと太陽光発電出力予測システム |
CN107038410A (zh) * | 2017-02-24 | 2017-08-11 | 中国科学院合肥物质科学研究院 | 一种基于深度堆叠网络的杂草图像识别方法 |
CN107103331A (zh) * | 2017-04-01 | 2017-08-29 | 中北大学 | 一种基于深度学习的图像融合方法 |
CN107044976A (zh) * | 2017-05-10 | 2017-08-15 | 中国科学院合肥物质科学研究院 | 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法 |
CN107179291A (zh) * | 2017-05-10 | 2017-09-19 | 中国科学院合肥物质科学研究院 | 基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法 |
CN107846012A (zh) * | 2017-09-27 | 2018-03-27 | 国网湖北省电力公司 | 一种基于深度学习技术的电力系统暂态稳定评估方法 |
CN109961080A (zh) * | 2017-12-26 | 2019-07-02 | 腾讯科技(深圳)有限公司 | 终端识别方法及装置 |
CN108520535A (zh) * | 2018-03-26 | 2018-09-11 | 天津大学 | 基于深度恢复信息的物体分类方法 |
CN108734391A (zh) * | 2018-05-08 | 2018-11-02 | 重庆大学 | 基于堆栈降噪自动编码器的电-气综合能源系统概率能流量计算方法 |
CN109002926A (zh) * | 2018-07-27 | 2018-12-14 | 中国计量大学 | 一种高准确性的光伏发电量预测模型及其构建方法和应用 |
CN109522917A (zh) * | 2018-09-10 | 2019-03-26 | 中山大学 | 一种基于多模型堆叠融合预测的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113610287A (zh) * | 2021-07-27 | 2021-11-05 | 远景智能国际私人投资有限公司 | 光功率预报方法、装置、计算机设备及存储介质 |
CN114237309A (zh) * | 2021-12-15 | 2022-03-25 | 新奥数能科技有限公司 | 一种光伏组件的角度调节方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
EP4058761A4 (en) | 2023-01-25 |
EP4058761A1 (en) | 2022-09-21 |
AU2020382454A1 (en) | 2022-06-02 |
US11842303B2 (en) | 2023-12-12 |
BR112022009366A2 (pt) | 2022-08-09 |
KR20220088946A (ko) | 2022-06-28 |
ZA202205999B (en) | 2022-09-28 |
CA3161648A1 (en) | 2021-05-20 |
WO2021096429A1 (en) | 2021-05-20 |
CL2022001232A1 (es) | 2022-11-25 |
US20220397700A1 (en) | 2022-12-15 |
KR102500939B1 (ko) | 2023-02-17 |
JP2022550619A (ja) | 2022-12-02 |
MX2022005700A (es) | 2022-08-17 |
JP7369868B2 (ja) | 2023-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2015166962A (ja) | 情報処理装置、学習方法、及び、プログラム | |
WO2021133253A1 (en) | Method and apparatus for predicting energy consumption, and device and storage medium thereof | |
CN111831675A (zh) | 一种仓储模型训练方法、装置、计算机设备及存储介质 | |
Shayesteh et al. | Scenario reduction, network aggregation, and DC linearisation: which simplifications matter most in operations and planning optimisation? | |
US20200134361A1 (en) | Data processing method and apparatus | |
US11842303B2 (en) | Method for processing irradiation forecast, method for training stacked generalization model, and apparatuses thereof | |
Jamali et al. | An imperialist competitive algorithm for virtual machine placement in cloud computing | |
US11651198B2 (en) | Data processing method and apparatus for neural network | |
Yuan et al. | An enhanced genetic algorithm for unmanned aerial vehicle logistics scheduling | |
Zhang et al. | Deadline-aware dynamic task scheduling in edge–cloud collaborative computing | |
CN111044062B (zh) | 路径规划、推荐方法和装置 | |
Yu et al. | Performance evaluation of integrated strategy of vehicle route guidance and traffic signal control using traffic simulation | |
Zhang et al. | Uncertain accessibility estimation method for offshore wind farm based on multi‐step probabilistic wave forecasting | |
US20200265330A1 (en) | Sparse modeling for optimizing sensor placement | |
CN114462722A (zh) | 新能源发电功率轻量化高精度云预测系统、方法和装置 | |
CN115099865A (zh) | 一种数据处理方法和装置 | |
CN110942345B (zh) | 种子用户的选取方法、装置、设备及存储介质 | |
CN114501518A (zh) | 流量预测方法、装置、设备、介质和程序产品 | |
CN115344359A (zh) | 算力资源分配方法、装置、计算机可读存储介质及设备 | |
US20200134904A1 (en) | View-dependent stochastic volume rendering with monte carlo ray exploration | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
US20230280495A1 (en) | Weather/climate model forecast bias explainability | |
CN117575113A (zh) | 基于马尔科夫链的边端协同任务处理方法、装置和设备 | |
CN116885689A (zh) | 光伏发电功率预测方法、装置、计算机设备和存储介质 | |
CN115438807A (zh) | 横向联邦模型构建优化方法、系统、设备、介质及产品 |
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 |