CN111260147A - 发电量预测方法、装置及终端设备 - Google Patents

发电量预测方法、装置及终端设备 Download PDF

Info

Publication number
CN111260147A
CN111260147A CN202010082787.6A CN202010082787A CN111260147A CN 111260147 A CN111260147 A CN 111260147A CN 202010082787 A CN202010082787 A CN 202010082787A CN 111260147 A CN111260147 A CN 111260147A
Authority
CN
China
Prior art keywords
data
prediction
power generation
generation amount
generated energy
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
CN202010082787.6A
Other languages
English (en)
Inventor
黄伟建
张一帆
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.)
Hebei University of Engineering
Original Assignee
Hebei University of Engineering
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 Hebei University of Engineering filed Critical Hebei University of Engineering
Priority to CN202010082787.6A priority Critical patent/CN111260147A/zh
Publication of CN111260147A publication Critical patent/CN111260147A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Control Of Eletrric Generators (AREA)

Abstract

本发明提供了一种发电量预测方法、装置及终端设备，该方法应用于发电量预测领域，包括：获取历史发电量数据，并基于历史发电量数据对预设训练模型进行训练，得到发电量预测模型；根据发电量预测时段提取历史发电量数据中的部分数据作为发电量预测数据；将发电量预测数据输入至发电量预测模型中进行三次指数平滑处理，得到发电量预测结果。本发明提供的发电量预测方法、装置及终端设备能够提高发电量的预测精度。

Description

发电量预测方法、装置及终端设备
技术领域
本发明属于发电量预测技术领域，更具体地说，是涉及一种发电量预测方法、装置及终端设备。
背景技术
从能源的发展分布来看，预测火电厂的发电量和其变化趋势，一直是调控电力需求的重要参考依据。
目前火力发电仍是我国的主要发电来源，对火力发电的预测仍是研究领域的热点。随着大数据的分析技术不断成熟，研究人员发现将时间序列预测应用于发电量预测的效果非常好，它不涉及数据产生的背景，且适用于所有时间序列里的数据和信息的预测。但是在实际的操作中，由于实际数据存在非线性关系且不够稳定，导致时间序列预测方法的预测精度较低。
发明内容
本发明的目的在于提供一种发电量预测方法、装置及终端设备，以提高发电量的预测精度。
本发明实施例的第一方面，提供了一种发电量预测方法，包括：
获取历史发电量数据，并基于历史发电量数据对预设训练模型进行训练，得到发电量预测模型；
根据发电量预测时段提取历史发电量数据中的部分数据作为发电量预测数据；
将发电量预测数据输入至发电量预测模型中进行三次指数平滑处理，得到发电量预测结果。
本发明实施例的第二方面，提供了一种发电量预测装置，包括
数据获取模块，用于获取历史发电量数据，并基于历史发电量数据对预设训练模型进行训练，得到发电量预测模型；
数据提取模块，用于根据发电量预测时段提取历史发电量数据中的部分数据作为发电量预测数据；
数据预测模块，用于将发电量预测数据输入至发电量预测模型中进行三次指数平滑处理，得到发电量预测结果。
本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的发电量预测方法的步骤。
本发明实施例的第四方面，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程序，所述计算机程序被处理器执行时实现上述的发电量预测方法的步骤。
本发明实施例提供的发电量预测方法、装置及终端设备的有益效果在于：与现有技术中的时间序列预测方法相比，本发明实施例基于三次指数平滑处理的思想训练得到了发电量预测模型，并基于该模型对发电量进行了预测。本发明使用三次指数平滑处理有效地降低了数据的随机性对预测结果的影响，从而提高了发电量的预测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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为本发明一实施例提供的发电量预测方法的流程示意图；
图2为本发明另一实施例提供的发电量预测方法的流程示意图；
图3为本发明再一实施例提供的发电量预测方法的流程示意图；
图4为本发明又一实施例提供的发电量预测方法的流程示意图；
图5为本发明一实施例提供的发电量预测装置的结构框图；
图6为本发明一实施例提供的终端设备的示意框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
请参考图1，图1为本发明一实施例提供的发电量预测方法的流程示意图，该方法包括：
S101：获取历史发电量数据，并基于历史发电量数据对预设训练模型进行训练，得到发电量预测模型。
S102：根据发电量预测时段提取历史发电量数据中的部分数据作为发电量预测数据。
在本实施例中，历史发电量数据可以为最近1～2个年度的发电量数据，根据发电量预测时段提取历史发电量数据中的部分数据作为发电量数据可以理解为，若发电量预测时段为Q，也即预测第Q期的发电量，则可从历史发电量数据中选取第Q-1期、第Q-2期、第Q-3期数据作为发电量预测数据。值得注意的是，发电量预测数据的选取并不限于本实施例所列举的选取方式，也可适当选取第Q-4期、第Q-5期、第Q-6期数据作为发电量预测数据，本发明实施例不对此进行限定。
S103：将发电量预测数据输入至发电量预测模型中进行三次指数平滑处理，得到发电量预测结果。
在本实施例中，发电量预测模型是一种三次指数平滑处理模型，其本质上是对输入至该模型的发电量预测数据进行三次指数平滑处理，输出基于发电量预测数据得到的预测数据，也即目标发电量数据。
在本实施例中，与现有技术中的时间序列预测方法相比，本发明实施例基于三次指数平滑处理的思想训练得到了发电量预测模型，并基于该模型对发电量进行了预测。本发明使用三次指数平滑处理有效地降低了数据的随机性对预测结果的影响，从而提高了发电量的预测精度。
请一并参考图1及图2，图2为本申请另一实施例提供的发电量预测方法的流程示意图。发电量预测方法还可以包括以下步骤：
S201：获取干预条件数据，并根据干预条件数据判断是否需对发电量预测数据进行干预。
S202：若判断结果显示需对发电量预测数据进行干预，则基于预设干预参数对发电量预测数据进行干预。
在本实施例中，考虑到发电量预测数据可能会受到电力政策、设备检修以及季节用电高峰的影响，可获取电力政策、设备检修以及季节用电高峰等干预条件数据，并根据干预条件数据判断是否需要对发电量预测数据进行干预，若判断结果显示需对发电量预测数据进行干预，则基于预设干预参数对发电量预测数据进行干预。例如，若电力政策指示在发电量预测时段降低发电量，则可将发电量预测数据下调预设数量个百分点，从而降低此类随机事件对预测精度的影响。
请一并参考图1及图3，图3为本申请又一实施例提供的发电量预测方法的流程示意图。在上述实施例的基础上，基于历史发电量数据对预设训练模型进行训练，得到发电量预测模型，可以详述为：
S301：根据历史发电量数据的数据变化趋势确定各个预测时段的平滑指数，得到平滑指数集。
在本实施例中，根据历史发电量数据的数据变化趋势确定各个预测时段的平滑指数的方法可以为：若预测时段的历史发电量数据呈水平趋势发展时，该预测时段的平滑指数的取[0.1，0.3]之间的随机数，若预测时段的历史发电量数据存在波动，该预测时段的平滑指数的取[0.3，0.5]之间的随机数，若预测时段的历史发电量数据具有明显的上升或者下降趋势时，该预测时段的平滑指数的取[0.6，0.8]之间的随机数。
S302：基于平滑指数集以及历史发电量数据对预设训练模型进行训练，得到发电量预测模型。
在本实施例中，对预设训练模型进行训练的过程即为对平滑指数集进行更新的过程。也即，平滑指数不是定值，而是可以自适应更新的。
请一并参考图1及图4，图4为本申请又一实施例提供的发电量预测方法的流程示意图。在上述实施例的基础上，步骤S302可以详述为：
S10：设定最大预测期数为M，平滑指数集中的平滑指数个数为N，当前期数为t，目标预测期数为T，t＝1，T＝1。
S20：从平滑指数集中查找第t期对应的平滑指数，并将第t期对应的平滑指数记为t-平滑指数。
S30：从历史发电量数据中选取第t+T期对应的训练数据和验证数据，得到T-训练数据和T-验证数据。基于t-平滑指数对预设训练模型进行初始化，并基于初始化后的预设训练模型对T-训练数据进行处理，得到T-预测数据。
S40：若T<M，则令T＝T+1，并返回执行步骤S30。若T≧M，则计算T-验证数据与T-预测数据的均方误差。若T-验证数据与T-预测数据的均方误差小于预设误差值且t<N，则令t＝t+1，并返回执行步骤S20。若T-验证数据与T-预测数据的均方误差不小于预设误差值，则按照预设步长对平滑指数集中的t-平滑指数进行更新，并返回执行步骤S30。
S50：若t≧T，则对更新后的平滑指数集和预设训练模型进行关联，得到发电量预测模型。
在本实施例中，使用发电量预测模型进行发电量预测的方法也可以描述为：根据预测时段从更新后的平滑指数集中选取对应的平滑指数，使用该对应的平滑指数对预设训练模型进行初始化，将发电量预测数据输入至初始化后的预设训练模型中，即可得到预测时段的发电量预测值，也即目标发电量数据
可选地，作为本发明实施例提供的发电量预测方法的一种具体实施方式，预设训练模型为：
xt+T＝AT+BTT+CTT2
其中，t为当前期数，T为目标预测期数，xt+T为在当前期数为第t期时预测得到的第t+T期的发电量。
其中，AT、BT、CT的含义如下：
Figure BDA0002380900890000061
Figure BDA0002380900890000062
Figure BDA0002380900890000063
其中，αt为第t期对应的t-平滑指数，
Figure BDA0002380900890000064
为第t期发电量的一次指数平滑值，
Figure BDA0002380900890000065
为第t期发电量的二次指数平滑值，
Figure BDA0002380900890000066
为第t期发电量的三次指数平滑值，
Figure BDA0002380900890000067
的计算方式为：
Figure BDA0002380900890000068
其中，xt为第t期的实测发电量数据。
可选地，作为本发明实施例提供的发电量预测方法的一种具体实施方式，计算T-验证数据与T-预测数据的均方误差的方法为：
Figure BDA0002380900890000069
其中，T的取值范围为[1，M]，σ为T-验证数据与T-预测数据的均方误差，xt+1为1-预测数据，x1为1-验证数据，xt+2为2-预测数据，x2为2验证数据，xt+T为T-预测数据，xT为T-验证数据，xt+M为M-预测数据，xM为M-验证数据，M为最大预测期数。
对应于上文实施例的发电量预测方法，图5为本发明一实施例提供的发电量预测装置的结构框图。为了便于说明，仅示出了与本发明实施例相关的部分。参考图5，该装置500包括：数据获取模块501、数据提取模块502、数据预测模块503。
其中，数据获取模块501，用于获取历史发电量数据，并基于历史发电量数据对预设训练模型进行训练，得到发电量预测模型。
数据提取模块502，用于根据发电量预测时段提取历史发电量数据中的部分数据作为发电量预测数据。
数据预测模块503，用于将发电量预测数据输入至发电量预测模型中进行三次指数平滑处理，得到发电量预测结果。
参考图5，在本发明的另一个实施例中，发电量预测装置还可以包括预处理模块504，该预处理模块504用于执行以下步骤：
获取干预条件数据，并根据干预条件数据判断是否需对发电量预测数据进行干预。
若判断结果显示需对发电量预测数据进行干预，则基于预设干预参数对发电量预测数据进行干预。
可选地，作为本发明实施例提供的发电量预测装置的一种具体实施方式，基于历史发电量数据对预设训练模型进行训练，得到发电量预测模型，包括：
根据历史发电量数据的数据变化趋势确定各个预测时段的平滑指数，得到平滑指数集。
基于平滑指数集以及历史发电量数据对预设训练模型进行训练，得到发电量预测模型。
可选地，作为本发明实施例提供的发电量预测装置的一种具体实施方式，基于平滑指数集以及历史发电量数据对预设训练模型进行训练，得到发电量预测模型，包括：
S10：设定最大预测期数为M，平滑指数集中的平滑指数个数为N，当前期数为t，目标预测期数为T，t＝1，T＝1。
S20：从平滑指数集中查找第t期对应的平滑指数，并将第t期对应的平滑指数记为t-平滑指数。
S30：从历史发电量数据中选取第t+T期对应的训练数据和验证数据，得到T-训练数据和T-验证数据。基于t-平滑指数对预设训练模型进行初始化，并基于初始化后的预设训练模型对T-训练数据进行处理，得到T-预测数据。
S40：若T<M，则令T＝T+1，并返回执行步骤S30。若T≧M，则计算T-验证数据与T-预测数据的均方误差。若T-验证数据与T-预测数据的均方误差小于预设误差值且t<N，则令t＝t+1，并返回执行步骤S20。若T-验证数据与T-预测数据的均方误差不小于预设误差值，则按照预设步长对平滑指数集中的t-平滑指数进行更新，并返回执行步骤S30。
S50：若t≧T，则对更新后的平滑指数集和预设训练模型进行关联，得到发电量预测模型。
可选地，作为本发明实施例提供的发电量预测装置的一种具体实施方式，预设训练模型为：
xt+T＝AT+BTT+CTT2
其中，t为当前期数，T为目标预测期数，xt+T为在当前期数为第t期时预测得到的第t+T期的发电量。
其中，AT、BT、CT的含义如下：
Figure BDA0002380900890000081
Figure BDA0002380900890000082
Figure BDA0002380900890000083
其中，αt为第t期对应的t-平滑指数，
Figure BDA0002380900890000091
为第t期发电量的一次指数平滑值，
Figure BDA0002380900890000092
为第t期发电量的二次指数平滑值，
Figure BDA0002380900890000093
为第t期发电量的三次指数平滑值，
Figure BDA0002380900890000094
的计算方式为：
Figure BDA0002380900890000095
其中，xt为第t期的实测发电量数据。
可选地，作为本发明实施例提供的发电量预测装置的一种具体实施方式，计算T-验证数据与T-预测数据的均方误差的方法为：
Figure BDA0002380900890000096
其中，T的取值范围为[1，M]，σ为T-验证数据与T-预测数据的均方误差，xt+1为1-预测数据，x1为1-验证数据，xt+2为2-预测数据，x2为2验证数据，xt+T为T-预测数据，xT为T-验证数据，xt+M为M-预测数据，xM为M-验证数据，M为最大预测期数。
参见图6，图6为本发明一实施例提供的终端设备的示意框图。如图6所示的本实施例中的终端600可以包括：一个或多个处理器601、一个或多个输入设备602、一个或多个输出设备603及一个或多个存储器604。上述处理器601、输入设备602、则输出设备603及存储器604通过通信总线605完成相互间的通信。存储器604用于存储计算机程序，计算机程序包括程序指令。处理器601用于执行存储器604存储的程序指令。其中，处理器601被配置用于调用程序指令执行以下操作上述各装置实施例中各模块/单元的功能，例如图5所示模块501至504的功能。
应当理解，在本发明实施例中，所称处理器601可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
输入设备602可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备603可以包括显示器(LCD等)、扬声器等。
该存储器604可以包括只读存储器和随机存取存储器，并向处理器601提供指令和数据。存储器604的一部分还可以包括非易失性随机存取存储器。例如，存储器604还可以存储设备类型的信息。
具体实现中，本发明实施例中所描述的处理器601、输入设备602、输出设备603可执行本发明实施例提供的发电量预测方法的第一实施例和第二实施例中所描述的实现方式，也可执行本发明实施例所描述的终端的实现方式，在此不再赘述。
在本发明的另一实施例中提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序包括程序指令，程序指令被处理器执行时实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
计算机可读存储介质可以是前述任一实施例的终端的内部存储单元，例如终端的硬盘或内存。计算机可读存储介质也可以是终端的外部存储设备，例如终端上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，计算机可读存储介质还可以既包括终端的内部存储单元也包括外部存储设备。计算机可读存储介质用于存储计算机程序及终端所需的其他程序和数据。计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的终端和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的终端和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种发电量预测方法，其特征在于，包括：
获取历史发电量数据，并基于历史发电量数据对预设训练模型进行训练，得到发电量预测模型；
根据发电量预测时段提取历史发电量数据中的部分数据作为发电量预测数据；
将发电量预测数据输入至发电量预测模型中进行三次指数平滑处理，得到发电量预测结果。
2.如权利要求1所述的发电量预测方法，其特征在于，在基于发电量预测模型对发电量预测数据进行迭代处理之前，还包括：
获取干预条件数据，并根据干预条件数据判断是否需对发电量预测数据进行干预；
若判断结果显示需对发电量预测数据进行干预，则基于预设干预参数对发电量预测数据进行干预。
3.如权利要求1所述的发电量预测方法，其特征在于，所述基于历史发电量数据对预设训练模型进行训练，得到发电量预测模型，包括：
根据历史发电量数据的数据变化趋势确定各个预测时段的平滑指数，得到平滑指数集；
基于平滑指数集以及历史发电量数据对预设训练模型进行训练，得到发电量预测模型。
4.如权利要求3所述的发电量预测方法，其特征在于，所述基于平滑指数集以及历史发电量数据对预设训练模型进行训练，得到发电量预测模型，包括：
S10：设定最大预测期数为M，平滑指数集中的平滑指数个数为N，当前期数为t，目标预测期数为T，t＝1，T＝1；
S20：从平滑指数集中查找第t期对应的平滑指数，并将第t期对应的平滑指数记为t-平滑指数；
S30：从历史发电量数据中选取第t+T期对应的训练数据和验证数据，得到T-训练数据和T-验证数据；基于t-平滑指数对预设训练模型进行初始化，并基于初始化后的预设训练模型对T-训练数据进行处理，得到T-预测数据；
S40：若T<M，则令T＝T+1，并返回执行步骤S30；若T≧M，则计算T-验证数据与T-预测数据的均方误差；若T-验证数据与T-预测数据的均方误差小于预设误差值且t<N，则令t＝t+1，并返回执行步骤S20；若T-验证数据与T-预测数据的均方误差不小于预设误差值，则按照预设步长对平滑指数集中的t-平滑指数进行更新，并返回执行步骤S30；
S50：若t≧T，则对更新后的平滑指数集和预设训练模型进行关联，得到发电量预测模型。
5.如权利要求4所述的发电量预测方法，其特征在于，所述预设训练模型为：
xt+T＝AT+BTT+CTT2
其中，t为当前期数，T为目标预测期数，xt+T为在当前期数为第t期时预测得到的第t+T期的发电量；
其中，AT、BT、CT的含义如下：
Figure FDA0002380900880000021
Figure FDA0002380900880000022
Figure FDA0002380900880000023
其中，αt为第t期对应的t-平滑指数，
Figure FDA0002380900880000024
为第t期发电量的一次指数平滑值，
Figure FDA0002380900880000025
为第t期发电量的二次指数平滑值，
Figure FDA0002380900880000026
为第t期发电量的三次指数平滑值，
Figure FDA0002380900880000027
的计算方式为：
Figure FDA0002380900880000031
其中，xt为第t期的实测发电量数据。
6.如权利要求4所述的发电量预测方法，其特征在于，计算T-验证数据与T-预测数据的均方误差的方法为：
Figure FDA0002380900880000032
其中，T的取值范围为[1，M]，σ为T-验证数据与T-预测数据的均方误差，xt+1为1-预测数据，x1为1-验证数据，xt+2为2-预测数据，x2为2验证数据，xt+T为T-预测数据，xT为T-验证数据，xt+M为M-预测数据，xM为M-验证数据，M为最大预测期数。
7.一种发电量预测装置，其特征在于，包括：
数据获取模块，用于获取历史发电量数据，并基于历史发电量数据对预设训练模型进行训练，得到发电量预测模型；
数据提取模块，用于根据发电量预测时段提取历史发电量数据中的部分数据作为发电量预测数据；
数据预测模块，用于将发电量预测数据输入至发电量预测模型中进行三次指数平滑处理，得到发电量预测结果。
8.如权利要求7所述的发电量预测装置，其特征在于，还包括预处理模块，所述预处理模块用于执行以下步骤：
获取干预条件数据，并根据干预条件数据判断是否需对发电量预测数据进行干预；
若判断结果显示需对发电量预测数据进行干预，则基于预设干预参数对发电量预测数据进行干预。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。
10.一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6任一项所述方法的步骤。
CN202010082787.6A 2020-02-07 2020-02-07 发电量预测方法、装置及终端设备 Pending CN111260147A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010082787.6A CN111260147A (zh) 2020-02-07 2020-02-07 发电量预测方法、装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010082787.6A CN111260147A (zh) 2020-02-07 2020-02-07 发电量预测方法、装置及终端设备

Publications (1)

Publication Number Publication Date
CN111260147A true CN111260147A (zh) 2020-06-09

Family

ID=70949248

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010082787.6A Pending CN111260147A (zh) 2020-02-07 2020-02-07 发电量预测方法、装置及终端设备

Country Status (1)

Country Link
CN (1) CN111260147A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785057A (zh) * 2021-01-21 2021-05-11 上海东普信息科技有限公司 基于指数平滑的件量预测方法、装置、设备及存储介质
CN113298308A (zh) * 2021-05-31 2021-08-24 石家庄科林电气股份有限公司 一种参数自适应的用电量预测方法及其系统
CN113822482A (zh) * 2021-09-24 2021-12-21 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 综合能源系统负荷预测模型建立方法及装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559563A (zh) * 2013-11-20 2014-02-05 国家电网公司 一种风电场短期风速预测方法
CN104268651A (zh) * 2014-09-28 2015-01-07 江南大学 基于小波多尺度三次指数平滑模型的季节性能耗数据预测方法
CN109034505A (zh) * 2018-09-14 2018-12-18 国网河北省电力有限公司电力科学研究院 计量用表需求量在线预测方法及终端设备
CN109214586A (zh) * 2018-09-27 2019-01-15 国网河南省电力公司濮阳供电公司 基于Holt-Winters模型的地区电网售电量预测方法
CN110009419A (zh) * 2019-02-21 2019-07-12 国家电网有限公司 基于经济景气法的改进时间序列售电量预测方法及系统
CN110046767A (zh) * 2019-04-22 2019-07-23 重庆大学 社区变电站月度售电量预测系统
JP6562491B1 (ja) * 2019-01-18 2019-08-21 株式会社ヒデ・ハウジング 期待値計算による発電量精密予測法、期待値計算による発電量精密予測システムおよび期待値計算による発電量精密予測プログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103559563A (zh) * 2013-11-20 2014-02-05 国家电网公司 一种风电场短期风速预测方法
CN104268651A (zh) * 2014-09-28 2015-01-07 江南大学 基于小波多尺度三次指数平滑模型的季节性能耗数据预测方法
CN109034505A (zh) * 2018-09-14 2018-12-18 国网河北省电力有限公司电力科学研究院 计量用表需求量在线预测方法及终端设备
CN109214586A (zh) * 2018-09-27 2019-01-15 国网河南省电力公司濮阳供电公司 基于Holt-Winters模型的地区电网售电量预测方法
JP6562491B1 (ja) * 2019-01-18 2019-08-21 株式会社ヒデ・ハウジング 期待値計算による発電量精密予測法、期待値計算による発電量精密予測システムおよび期待値計算による発電量精密予測プログラム
CN110009419A (zh) * 2019-02-21 2019-07-12 国家电网有限公司 基于经济景气法的改进时间序列售电量预测方法及系统
CN110046767A (zh) * 2019-04-22 2019-07-23 重庆大学 社区变电站月度售电量预测系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李如虎: "《三电工作实用手册》", 31 August 1997, 中国水利水电出版社 *
李辉杰、刘悦春: "基于Holt-Winters模型的电网企业售电量预测方法", 《中国电力企业管理》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112785057A (zh) * 2021-01-21 2021-05-11 上海东普信息科技有限公司 基于指数平滑的件量预测方法、装置、设备及存储介质
CN112785057B (zh) * 2021-01-21 2023-09-01 上海东普信息科技有限公司 基于指数平滑的件量预测方法、装置、设备及存储介质
CN113298308A (zh) * 2021-05-31 2021-08-24 石家庄科林电气股份有限公司 一种参数自适应的用电量预测方法及其系统
CN113298308B (zh) * 2021-05-31 2022-03-11 石家庄科林电气股份有限公司 一种参数自适应的用电量预测方法及其系统
CN113822482A (zh) * 2021-09-24 2021-12-21 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 综合能源系统负荷预测模型建立方法及装置

Similar Documents

Publication Publication Date Title
CN111260147A (zh) 发电量预测方法、装置及终端设备
CN112633573B (zh) 活跃状态的预测方法以及活跃度阈值的确定方法
CN110489826B (zh) 岩体边坡安全系数计算方法、装置及终端设备
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
CN113516275A (zh) 一种配电网超短期负荷预测方法、装置及终端设备
CN113705136A (zh) 一种集成电路自动化逻辑综合系统、方法、装置及介质
CN113689068B (zh) 一种电力电量平衡规划方法、装置及终端设备
CN114781650A (zh) 一种数据处理方法、装置、设备以及存储介质
CN110929922A (zh) 一种基于时间序列数据的指标趋势预测方法及装置
CN116707331A (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
CN108830663B (zh) 电力客户价值评价方法、系统及终端设备
CN116706884A (zh) 光伏发电量的预测方法、装置、终端及存储介质
CN101799796B (zh) 一种触摸屏计算器及其对输入数据进行多步运算的方法
CN112861363B (zh) 光伏发电状态估计方法、装置及终端设备
CN112684281B (zh) 配电网单相接地故障区段定位方法、装置及终端设备
CN115391725A (zh) 一种分数阶混沌系统参数识别方法、系统、设备及介质
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
CN113642783A (zh) 电力负荷预测模型的训练方法、装置及电子设备
CN110929957A (zh) 一种用于综合能源系统的优化方法及装置
CN110298742B (zh) 数据处理方法和装置
CN113592528A (zh) 基线负荷估计方法、装置及终端设备
CN117333219B (zh) 一种交易电量预测方法、装置、设备及存储介质
CN112580928A (zh) 用电量偏差范围的合理度评价方法、装置及终端设备
CN112861365A (zh) 低压配电网负荷状态估计方法、装置及终端设备
CN111025010B (zh) 设备有功响应时间测量方法、装置及终端设备

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200609

RJ01 Rejection of invention patent application after publication