CN111401624A - 一种风功率预测的方法、装置及计算机可读存储介质 - Google Patents
一种风功率预测的方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111401624A CN111401624A CN202010171004.1A CN202010171004A CN111401624A CN 111401624 A CN111401624 A CN 111401624A CN 202010171004 A CN202010171004 A CN 202010171004A CN 111401624 A CN111401624 A CN 111401624A
- Authority
- CN
- China
- Prior art keywords
- index
- predicted power
- result
- training sample
- power result
- 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 51
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012417 linear regression Methods 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine 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
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Environmental Sciences (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Ecology (AREA)
- Primary Health Care (AREA)
- Biodiversity & Conservation Biology (AREA)
- Atmospheric Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风功率预测的方法、装置及计算机可读存储介质。该方法包括：获取训练样本，训练样本包括测风塔数据和至少两种气象数据；根据训练样本和多元线性回归模型，计算拟合系数；将拟合系数和训练样本输入到多元线性回归模型中，生成集合气象；将集合气象输入到功率预测模型中，得到预测功率结果。本发明提供的方案能够提高短期风功率的预测精度。
Description
技术领域
本发明实施例涉及可再生能源应用领域，尤其涉及一种风功率预测的方法、装置及计算机可读存储介质。
背景技术
风能作为一种清洁的储量丰富的可再生能源，受到了各领域的广泛应用。但由于大气不稳定性导致的风速变化呈现间歇性、波动性等特点，给电网调度、电力系统安全运行造成不利影响。因此，短期风功率预测被认为是增加电网调峰容量、提高电网接纳风电能力、改善电力系统运行安全性与经济性的最有效、最经济的手段之一。
现有的风功率预测方法是以数值天气预报和实际功率为基础，利用神经网络等功率预测算法建立功率预测模型来得到预测功率结果的。然而，随着对于风力和风功率预测精度提出了更高的标准，现有的风功率预测方法已经不能满足用户的需求。
发明内容
本发明实施例提供了一种风功率预测的方法、装置及计算机可读存储介质，能够提高短期风功率的预测精度。
第一方面，本发明实施例提供了一种风功率预测的方法，包括：
获取训练样本，训练样本包括测风塔数据和至少两种气象数据；
根据训练样本和多元线性回归模型，计算拟合系数；
将拟合系数和训练样本输入到多元线性回归模型中，生成集合气象；
将集合气象输入到功率预测模型中，得到预测功率结果。
可选的，多元线性回归模型为
其中，Y为因变量，A为拟合系数，X为自变量。
可选的，还包括：
将至少两种气象数据分别输入到功率预测模型中，得到至少两个比对结果；
根据预测功率结果和至少两个比对结果，评价预测功率结果的优劣。
可选的，根据预测功率结果和至少两个比对结果，评价预测功率结果的优劣，包括：
根据预测功率结果，计算第一指标；
根据至少两个比对结果，计算每个比对结果对应的第二指标，第一指标和第二指标的指标类型相同；
对比第一指标和至少两个第二指标，评价预测功率结果的优劣。
可选的，指标类型为拟合优度和残差平方和中的至少一项。
可选的，若指标类型为拟合优度，对比第一指标和至少两个第二指标，评价预测功率结果的优劣，包括：
当第一指标的取值均大于所有第二指标的取值，则表示预测功率结果最准确；
若指标类型为残差平方和，对比第一指标和至少两个第二指标，评价预测功率结果的优劣，包括：
当第一指标的取值均小于所有第二指标的取值，则表示预测功率结果最准确。
第二方面，本发明实施例还提供了一种风功率预测的装置，包括获取模块和处理模块；
获取模块，用于获取训练样本，训练样本包括测风塔数据和至少两种气象数据；
处理模块，用于根据训练样本和多元线性回归模型，计算拟合系数；将拟合系数和训练样本输入到多元线性回归模型中，生成集合气象；以及将集合气象输入到功率预测模型中，得到预测功率结果。
可选的，还包括：评价模块；
处理模块，还用于将至少两种气象数据分别输入到功率预测模型中，得到至少两个比对结果；
评价模块，用于根据预测功率结果和至少两个比对结果，评价预测功率结果的优劣。
可选的，评价模块，具体用于根据预测功率结果，计算第一指标；根据至少两个比对结果，计算每个比对结果对应的第二指标，第一指标和第二指标的指标类型相同；以及对比第一指标和至少两个第二指标，评价预测功率结果的优劣。
第三方面，本发明实施例还提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例的方法。
本发明提供一种风功率预测的方法、装置及计算机可读存储介质，该方法包括：获取训练样本，训练样本包括测风塔数据和至少两种气象数据；根据训练样本和多元线性回归模型，计算拟合系数；将拟合系数和训练样本输入到多元线性回归模型中，生成集合气象；将集合气象输入到功率预测模型中，得到预测功率结果。通过将测风塔测量到的实际数据和至少两种气象源历史预报数据进行线性拟合，得到拟合系数，并将拟合系数用于风速预报中，从而得到更高精度的风速预报，提高短期风功率的预测精度。
附图说明
图1是一实施例提供的一种风功率预测的方法的流程示意图；
图2是一实施例提供的另一种风功率预测的方法的流程示意图；
图3是一实施例提供的一种风功率预测的装置的结构示意图；
图4是一实施例提供的另一种风功率预测的装置的结构示意图；
图5是一实施例提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
风能作为一种清洁的储量丰富的可再生能源，受到我国政府的高度重视，将风能资源的开发利用作为改善能源结构、推动环境保护、保持经济和社会可持续发展的重大举措，并将风力发电作为风能资源开发和利用的重要方式之一。然而，与传统火力发电项目不同的是，风力发电更受天气风速的制约：由于大气不稳定性导致的风速变化呈现间歇性、波动性等特点，给电网调度、电力系统安全运行造成不利影响。因此，短期风功率预测被认为是增加电网调峰容量、提高电网接纳风电能力、改善电力系统运行安全性与经济性的最有效、最经济的手段之一。
现有的风功率预测方法是以数值天气预报和实际功率为基础，利用神经网络等功率预测算法建立功率预测模型来得到预测功率结果的。然而随着各地区对风力和风功率预测精度提出了更高的标准，现有的风功率预测方法已经越来越难以满足“苛刻”的精度考核要求。
例如，若要提升预测精度，现有的风功率预测方法主要可以从数值天气预报和预测算法两方面入手：
1.数值天气预报可以通过提高水平分辨率、观测资料同化和参数化方案优化等方式来提高风和辐射预报水平。然而，数值天气预报通过中尺度数值模式(如WRF(TheWeather Research and Forecasting Model))生产，由于中尺度模式内部物理过程尚没有完全研究清楚，加之天气过程自身存在非线性混沌效应，因此在给定初始值和边界条件下确定唯一解的条件下，风速和辐射预报具有不可控的不确定性。
2.预测算法可以通过算法内部结构调优、试用新参数和更换算法等方法来更准确地逼近实际功率。然而，神经网络、支持向量机和粒子群等功率预测算法是根据过去的气象和实际功率进行建模，由于风速和功率之间的非线性关系，每种学习方法都无法全面准确的建立数值天气预报和实际功率之间的映射转换关系，因此功率预测算法也带有不可控的不确定性。
为解决上述问题，本发明提供一种风功率预测的方法、装置及计算机可读存储介质，通过将测风塔测量到的实际数据和至少两种气象源历史预报数据进行线性拟合，得到拟合系数，并将拟合系数用于风速预报中，从而得到更高精度的风速预报，提高短期风功率的预测精度。
需要说明的是，本发明下述各个实施例可以单独执行，各个实施例之间也可以相互结合执行，本发明实施例对此不作具体限制。本发明实施例中用“第一”、“第二”等来描述各种组件，但是这些组件不应该受这些术语限制。这些术语仅用来将一个组件与另一组件区分开。
下面，对风功率预测的方法、装置及其技术效果进行描述。
图1为一实施例提供的一种风功率预测的方法的流程示意图，如图1所示，本实施例提供的方法适用于电子设备(如计算机等)，该方法包括如下步骤。
S101、获取训练样本，训练样本包括测风塔数据和至少两种气象数据。
具体的，训练样本包括两类数据，一类数据为测风塔数据，即测风塔获取的实测数据；另一类数据为气象数据，即至少两种气象源历史预报数据(可由不同的预报机构自行生成)，本发明实施例中选取至少两种气象源历史预报数据是为了提高短期风功率的预测精度。
优选的，气象数据的数量为三种，即气象数据A，气象数据B和气象数据C，如此，满足短期风功率的预测精度的同时，降低计算复杂度。
由于训练样本包括两类数据，因此，获取训练样本的方法可以包括以下两种情况：情况1、同时获取测风塔数据和至少两种气象数据；情况2、分别获取测风塔数据和至少两种气象数据。
可以理解的是，获取到的测风塔数据和至少两种气象数据需为同一时刻的数据(即某一时刻的测风塔获取的实测数据，以及至少两种对该时刻的气象源历史预报数据)。另外，情况2中分别获取测风塔数据和至少两种气象数据时没有执行先后的规定。
S102、根据训练样本和多元线性回归模型，计算拟合系数。
拟合系数反映了集合气象与多种气象间的内在关系。拟合系数的计算过程可以为：将训练样本输入到多元线性回归模型中，得到多元回归的系数矩阵，该多元回归的系数矩阵即为拟合系数。
在回归分析中，用于描述一个因变量Y与另外多个解释变量xi之间关系的函数，称之为回归函数。回归函数中还包括一组未知的参数ai。如果一个回归函数的参数为线性关系，则称之为线性回归模型。否则，该模型被称为非线性回归模型。含一个以上解释变量的线性回归模型称为多元线性回归模型。
在一实施例中，本发明实施例提供的多元线性回归模型为：
其中，Y为因变量，A为拟合系数，X为自变量。A＝(a0,a1,a2,...an)；X＝(1,x1,x2,...,xn)'。
拟合系数A计算方法可以采用最小二乘法，最小二乘法的原理如下。
首先构造目标函数，目标函数为：
最小化Q的条件：
由于
因此可以得出
即
最终可以得出
如果(X'X)-1存在，那么可解得：A＝(X'X)-1X'Y。
S103、将拟合系数和训练样本输入到多元线性回归模型中，生成集合气象。
S104、将集合气象输入到功率预测模型中，得到预测功率结果。
在得到拟合系数A后，将拟合系数A和训练样本(包括测风塔数据和至少两种气象数据)作为模型的输入，输入到上述多元线性回归模型中，模型的输出即为集合气象。将集合气象输入到功率预测模型中，即可得到预测功率结果。
上述方法通过将测风塔测量到的实际数据和至少两种气象源历史预报数据进行线性拟合，得到拟合系数，并将拟合系数用于风速预报中，从而得到更高精度的风速预报，提高短期风功率的预测精度。
可选的，本发明实施例还可以对上述预测功率结果进行评价。具体的，结合图1，图2为一实施例提供的另一种风功率预测的方法的流程示意图，如图2所示，该方法还包括如下步骤。
S105、将至少两种气象数据分别输入到功率预测模型中，得到至少两个比对结果。
S106、根据预测功率结果和至少两个比对结果，评价预测功率结果的优劣。
具体的，根据预测功率结果和至少两个比对结果，评价预测功率结果的优劣可以包括如下三个步骤：
步骤1、根据预测功率结果，计算第一指标。
步骤2、根据至少两个比对结果，计算每个比对结果对应的第二指标，第一指标和第二指标的指标类型相同。
步骤3、对比第一指标和至少两个第二指标，评价预测功率结果的优劣。
在一实施例中，指标类型为拟合优度R2和残差平方和SSE中的至少一项。在评价预测功率结果的优劣时，若指标类型为拟合优度R2，则拟合优度R2越大，说明结果越好；若指标类型为残差平方和SSE，则残差平方和SSE R2越小，说明结果越好。
示例性的，假设将步骤S104中得到的预测功率结果记为P0，以气象数据的数量为三种，即气象数据A，气象数据B和气象数据C，将至少两种气象数据分别输入到同一功率预测模型中，得到三个比对结果，分别记为Pa，Pb和Pc。分别求出P0，Pa，Pb和Pc的拟合优度R2和残差平方和SSE中的至少一项，当P0的拟合优度R2均大于Pa，Pb和Pc的拟合优度R2，则表示预测功率结果最准确；当P0的残差平方和SSE均小于Pa，Pb和Pc的残差平方和SSE，则表示预测功率结果最准确。
本发明提供一种风功率预测的方法，包括：获取训练样本，训练样本包括测风塔数据和至少两种气象数据；根据训练样本和多元线性回归模型，计算拟合系数；将拟合系数和训练样本输入到多元线性回归模型中，生成集合气象；将集合气象输入到功率预测模型中，得到预测功率结果。通过将测风塔测量到的实际数据和至少两种气象源历史预报数据进行线性拟合，得到拟合系数，并将拟合系数用于风速预报中，从而得到更高精度的风速预报，提高短期风功率的预测精度。
图3为一实施例提供的一种风功率预测的装置的结构示意图，该装置可以设置于电子设备中，如图3所示，包括获取模块10和处理模块11；
获取模块10，用于获取训练样本，训练样本包括测风塔数据和至少两种气象数据；
处理模块11，用于根据训练样本和多元线性回归模型，计算拟合系数；将拟合系数和训练样本输入到多元线性回归模型中，生成集合气象；以及将集合气象输入到功率预测模型中，得到预测功率结果。
本实施例提供的风功率预测的装置为实现上述实施例的风功率预测的方法，本实施例提供的风功率预测的装置实现原理和技术效果与上述实施例类似，此处不再赘述。
可选的，多元线性回归模型为
其中，Y为因变量，A为拟合系数，X为自变量。
可选的，结合图3，图4为一实施例提供的另一种风功率预测的装置的结构示意图，如图4所示，还包括：评价模块12；
处理模块11，还用于将至少两种气象数据分别输入到功率预测模型中，得到至少两个比对结果；
评价模块12，用于根据预测功率结果和至少两个比对结果，评价预测功率结果的优劣。
可选的，评价模块12，具体用于根据预测功率结果，计算第一指标；根据至少两个比对结果，计算每个比对结果对应的第二指标，第一指标和第二指标的指标类型相同；以及对比第一指标和至少两个第二指标，评价预测功率结果的优劣。
可选的，指标类型为拟合优度和残差平方和中的至少一项。
可选的，若指标类型为拟合优度，当第一指标的取值均大于所有第二指标的取值，则表示预测功率结果最准确；
若指标类型为残差平方和，当第一指标的取值均小于所有第二指标的取值，则表示预测功率结果最准确。
本发明实施例提供一种电子设备，包括：处理器，处理器用于在执行计算机程序时实现上述任一实施例的方法。图5为一实施例提供的一种电子设备的结构示意图，如图5所示，该电子设备包括处理器30、存储器31和通信接口32；电子设备中处理器30的数量可以是一个或多个，图5中以一个处理器30为例；电子设备中的处理器30、存储器31、通信接口32可以通过总线或其他方式连接，图5中以通过总线连接为例。总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。
存储器31作为一种计算机可读存储介质，可设置为存储软件程序、计算机可执行程序以及模块，如本发明实施例中的方法对应的程序指令/模块。处理器30通过运行存储在存储器31中的软件程序、指令以及模块，从而执行电子设备的至少一种功能应用以及数据处理，即实现上述的方法。
存储器31可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系统、至少一个功能所需的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器31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、或其他非易失性固态存储器件。在一些实例中，存储器31可包括相对于处理器30远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
通信接口32可设置为数据的接收与发送。
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如本发明任意实施例所提供的方法。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质包括(非穷举的列表)：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(electrically erasable,programmable Read-Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，数据信号中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、射频(Radio Frequency，RF)等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或多种程序设计语言组合来编写用于执行本公开操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Ruby、Go，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(Local Area Network，LAN)或广域网(Wide Area Network，WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
本领域内的技术人员应明白，术语用户终端涵盖任何适合类型的无线用户设备，例如移动电话、便携数据处理装置、便携网络浏览器或车载移动台。
一般来说，本发明的多种实施例可以在硬件或专用电路、软件、逻辑或其任何组合中实现。例如，一些方面可以被实现在硬件中，而其它方面可以被实现在可以被控制器、微处理器或其它计算装置执行的固件或软件中，尽管本发明不限于此。
本发明的实施例可以通过移动装置的数据处理器执行计算机程序指令来实现，例如在处理器实体中，或者通过硬件，或者通过软件和硬件的组合。计算机程序指令可以是汇编指令、指令集架构(Instruction Set Architecture，ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码。
本发明附图中的任何逻辑流程的框图可以表示程序步骤，或者可以表示相互连接的逻辑电路、模块和功能，或者可以表示程序步骤与逻辑电路、模块和功能的组合。计算机程序可以存储在存储器上。存储器可以具有任何适合于本地技术环境的类型并且可以使用任何适合的数据存储技术实现，例如但不限于只读存储器(ROM)、随机访问存储器(RAM)、光存储器装置和系统(数码多功能光碟DVD或CD光盘)等。计算机可读介质可以包括非瞬时性存储介质。数据处理器可以是任何适合于本地技术环境的类型，例如但不限于通用计算机、专用计算机、微处理器、数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑器件(Field－Programmable Gate Array，FGPA)以及基于多核处理器架构的处理器。
Claims (10)
1.一种风功率预测的方法，其特征在于，包括：
获取训练样本，所述训练样本包括测风塔数据和至少两种气象数据；
根据所述训练样本和多元线性回归模型，计算拟合系数；
将所述拟合系数和所述训练样本输入到所述多元线性回归模型中，生成集合气象；
将所述集合气象输入到功率预测模型中，得到预测功率结果。
2.根据权利要求1所述的方法，其特征在于，所述多元线性回归模型为
其中，Y为因变量，A为所述拟合系数，X为自变量。
3.根据权利要求1所述的方法，其特征在于，还包括：
将所述至少两种气象数据分别输入到所述功率预测模型中，得到至少两个比对结果；
根据所述预测功率结果和所述至少两个比对结果，评价所述预测功率结果的优劣。
4.根据权利要求3所述的方法，其特征在于，所述根据所述预测功率结果和所述至少两个比对结果，评价所述预测功率结果的优劣，包括：
根据所述预测功率结果，计算第一指标；
根据所述至少两个比对结果，计算每个比对结果对应的第二指标，所述第一指标和所述第二指标的指标类型相同；
对比所述第一指标和至少两个第二指标，评价所述预测功率结果的优劣。
5.根据权利要求4所述的方法，其特征在于，所述指标类型为拟合优度和残差平方和中的至少一项。
6.根据权利要求5所述的方法，其特征在于，
若所述指标类型为拟合优度，对比所述第一指标和至少两个第二指标，评价所述预测功率结果的优劣，包括：
当所述第一指标的取值均大于所有所述第二指标的取值，则表示所述预测功率结果最准确；
若所述指标类型为残差平方和，对比所述第一指标和至少两个第二指标，评价所述预测功率结果的优劣，包括：
当所述第一指标的取值均小于所有所述第二指标的取值，则表示所述预测功率结果最准确。
7.一种风功率预测的装置，其特征在于，包括获取模块和处理模块；
所述获取模块，用于获取训练样本，所述训练样本包括测风塔数据和至少两种气象数据；
所述处理模块，用于根据所述训练样本和多元线性回归模型，计算拟合系数；将所述拟合系数和所述训练样本输入到所述多元线性回归模型中，生成集合气象；以及将所述集合气象输入到功率预测模型中，得到预测功率结果。
8.根据权利要求7所述的装置，其特征在于，还包括：评价模块；
所述处理模块，还用于将所述至少两种气象数据分别输入到所述功率预测模型中，得到至少两个比对结果；
所述评价模块，用于根据所述预测功率结果和所述至少两个比对结果，评价所述预测功率结果的优劣。
9.根据权利要求8所述的装置，其特征在于，
所述评价模块，具体用于根据所述预测功率结果，计算第一指标；根据所述至少两个比对结果，计算每个比对结果对应的第二指标，所述第一指标和所述第二指标的指标类型相同；以及对比所述第一指标和至少两个第二指标，评价所述预测功率结果的优劣。
10.一种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1-6中任一所述的风功率预测的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171004.1A CN111401624A (zh) | 2020-03-12 | 2020-03-12 | 一种风功率预测的方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010171004.1A CN111401624A (zh) | 2020-03-12 | 2020-03-12 | 一种风功率预测的方法、装置及计算机可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111401624A true CN111401624A (zh) | 2020-07-10 |
Family
ID=71428794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010171004.1A Pending CN111401624A (zh) | 2020-03-12 | 2020-03-12 | 一种风功率预测的方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401624A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116224473A (zh) * | 2023-05-09 | 2023-06-06 | 北京东润环能科技股份有限公司 | 一种风速预报方法、模型训练方法、装置和存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016073154A (ja) * | 2014-10-01 | 2016-05-09 | 中国電力株式会社 | 電力予測装置、電力予測方法、及びプログラム |
| CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
| CN109325607A (zh) * | 2017-08-01 | 2019-02-12 | 中国电力科学研究院 | 一种短期风电功率预测方法及系统 |
| CN109543295A (zh) * | 2018-11-21 | 2019-03-29 | 国网青海省电力公司 | 数值天气预报的气象要素数据处理方法及装置 |
| CN109787227A (zh) * | 2019-02-02 | 2019-05-21 | 国网江苏省电力有限公司南京供电分公司 | 一种多能互补系统多时间尺度优化调度方法 |
-
2020
- 2020-03-12 CN CN202010171004.1A patent/CN111401624A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2016073154A (ja) * | 2014-10-01 | 2016-05-09 | 中国電力株式会社 | 電力予測装置、電力予測方法、及びプログラム |
| CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
| CN109325607A (zh) * | 2017-08-01 | 2019-02-12 | 中国电力科学研究院 | 一种短期风电功率预测方法及系统 |
| CN109543295A (zh) * | 2018-11-21 | 2019-03-29 | 国网青海省电力公司 | 数值天气预报的气象要素数据处理方法及装置 |
| CN109787227A (zh) * | 2019-02-02 | 2019-05-21 | 国网江苏省电力有限公司南京供电分公司 | 一种多能互补系统多时间尺度优化调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭炜 等: "集合预报在宁夏地区短期风功率预测中的适用性研究", 《风能》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116224473A (zh) * | 2023-05-09 | 2023-06-06 | 北京东润环能科技股份有限公司 | 一种风速预报方法、模型训练方法、装置和存储介质 |
| CN116224473B (zh) * | 2023-05-09 | 2023-06-27 | 北京东润环能科技股份有限公司 | 一种风速预报方法、模型训练方法、装置和存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063939B (zh) | 一种基于邻域门长短期记忆网络的风速预测方法及系统 | |
| CN109685246B (zh) | 环境数据预估方法、装置及存储介质、服务器 | |
| CN108198408B (zh) | 一种基于用电信息采集系统的自适应反窃电监控方法及系统 | |
| CN107358318A (zh) | 基于GM（1,1）模型和灰色Verhulst模型的城市用电量预测方法 | |
| CN103927695A (zh) | 基于自学习复合数据源的风电功率超短期预测方法 | |
| CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
| CN113158589B (zh) | 一种电池管理系统的仿真模型校准方法以及装置 | |
| CN114594532B (zh) | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 | |
| CN115293424A (zh) | 一种新能源最大发电能力计算方法、终端及存储介质 | |
| CN112949944A (zh) | 一种基于时空特征的地下水位智能预测方法及系统 | |
| CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
| CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
| CN103927597A (zh) | 基于自回归滑动平均模型的风电功率超短期预测方法 | |
| CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
| Lian | Runoff forecasting model based on CEEMD and combination model: a case study in the Manasi River, China | |
| CN111401624A (zh) | 一种风功率预测的方法、装置及计算机可读存储介质 | |
| CN111476411B (zh) | 一种光伏电站发电量计算方法及服务器 | |
| CN116960982A (zh) | 基于lstm网络的光伏超短期功率预测方法和系统 | |
| CN110991774A (zh) | 一种电量负荷预测方法及装置 | |
| CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及系统 | |
| CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
| CN110705769B (zh) | 新能源发电功率预测优化方法和装置 | |
| CN103927594A (zh) | 基于自学习复合数据源自回归模型的风电功率预测方法 | |
| CN114693022A (zh) | 一种基于深度学习的分布式光伏出力估算方法及系统 | |
| CN113052380A (zh) | 光伏电站运维清洗效果的检测方法、装置、设备及介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200710 |