CN112749839B - 一种模型确定方法、装置、设备和存储介质 - Google Patents

一种模型确定方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN112749839B
CN112749839B CN202011582993.XA CN202011582993A CN112749839B CN 112749839 B CN112749839 B CN 112749839B CN 202011582993 A CN202011582993 A CN 202011582993A CN 112749839 B CN112749839 B CN 112749839B
Authority
CN
China
Prior art keywords
wind power
evaluation
power prediction
index
prediction model
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.)
Active
Application number
CN202011582993.XA
Other languages
English (en)
Other versions
CN112749839A (zh
Inventor
黄煜
詹并
翁佳
洪少凌
唐力则
郭林茂
张小和
杨添铨
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.)
Guangdong Power Grid Co Ltd
Chaozhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Chaozhou Power Supply Bureau of Guangdong Power Grid Co Ltd
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 Guangdong Power Grid Co Ltd, Chaozhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202011582993.XA priority Critical patent/CN112749839B/zh
Publication of CN112749839A publication Critical patent/CN112749839A/zh
Application granted granted Critical
Publication of CN112749839B publication Critical patent/CN112749839B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种模型确定方法、装置、设备和存储介质。该方法包括：建立至少两个风电功率预测模型的评价指标体系；基于离差最大化思想确定评价指标体系中每个评价指标的权重系数；根据评价指标体系中每个评价指标预先确定的指标评价值和对应的权重系数确定每个风电功率预测模型的综合评价值；根据综合评价值确定最优风电功率预测模型。本发明实施例通过多个评价指标对风电功率预测模型的预测效果进行评估，从而实现了更全面地对风电功率预测模型的准确性进行评价的效果，进而可以得到最优的风电功率预测模型。

Description

一种模型确定方法、装置、设备和存储介质
技术领域
本发明实施例涉及模型技术，尤其涉及一种模型确定方法、装置、设备和存储介质。
背景技术
风电功率预测是指根据风电功率预测模型根据气象条件，对风电场所能输出的功率大小进行预测。其中，风电功率预测模型是指利用风电场历史数据、执行某种算法从而得到关于历史数据的某种潜在规律。
风电功率预测模型种类很多，每个预测模型的特点不同，预测精度也参差不齐。并且，现有的风电功率预测模型只根据其中一种评价指标对预测结果进行评价，导致对预测结果的评价不够全面，并且未考虑对真实值和预测值之间变化趋势的一致性与误差波动。
发明内容
有鉴于此，本发明提供一种模型确定方法、装置、设备和存储介质，实现了能够得到保真性和稳定性比较好的评估结果，从而得到性能较好的风电功率预测模型。
第一方面，本发明实施例提供了一种模型确定方法，包括：
建立至少两个风电功率预测模型的评价指标体系；
基于离差最大化思想确定所述评价指标体系中每个评价指标的权重系数；
根据所述评价指标体系中每个评价指标预先确定的指标评价值和对应的所述权重系数确定每个所述风电功率预测模型的综合评价值；
根据所述综合评价值确定最优风电功率预测模型。
第二方面，本发明实施例还提供了一种模型确定装置，包括：
建立模块，用于建立至少两个风电功率预测模型的评价指标体系；
第一确定模块，用于基于离差最大化思想确定所述评价指标体系中每个评价指标的权重系数；
第二确定模块，用于根据所述评价指标体系中每个评价指标预先确定的指标评价值和对应的所述权重系数确定每个所述风电功率预测模型的综合评价值；
第三确定模块，用于根据所述综合评价值确定最优风电功率预测模型。
第三方面，本发明实施例还提供了一种模型确定设备，包括：存储器，以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本发明实施例中任一所述的模型确定方法。
第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例中任一所述的模型确定方法。
本发明实施例通过建立至少两个风电功率预测模型的评价指标体系；基于离差最大化思想确定所述评价指标体系中每个评价指标的权重系数；根据所述评价指标体系中每个评价指标预先确定的指标评价值和对应的所述权重系数确定每个所述风电功率预测模型的综合评价值；根据所述综合评价值确定最优风电功率预测模型。本发明实施例通过多个评价指标对风电功率预测模型的预测效果进行评估，从而实现了更全面地对风电功率预测模型的准确性进行评价的效果，进而可以得到最优的风电功率预测模型。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1是本发明实施例提供的一种模型确定方法的流程图；
图2是本发明实施例提供的另一种模型确定方法的流程图；
图3是本发明实施例提供的一种模型确定装置的结构示意图；
图4是本发明实施例提供的一种模型确定设备的结构示意图。
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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在一实施例中，图1是本发明实施例提供的一种模型确定方法的流程图，本实施例可适用于对风电功率预测模型的预测效果进行评估的情况，该方法可以由本发明实施例中的模型确定装置来执行，该装置可采用软件和/或硬件的方式实现。其中，模型确定装置可以集成在模型确定设备中。比如，模型确定设备可以为个人计算机、iPad、笔记本电脑、智能手机等终端设备。如图1所示，该方法具体包括如下步骤：
S110、建立至少两个风电功率预测模型的评价指标体系。
其中，风电功率预测模型指的是待测的风电功率预测模型。在实施例中，为了便于能够区分出不同的风电功率预测模型在评价指标体系下每个评价指标的评估结果，至少建立两个风电功率预测模型的评价指标体系。其中，评价指标体系指的是包括所有评价指标的一个集合。在一实施例中，评价指标体系至少包括两个评价指标，以更全面地评估风电功率预测模型进行预测的准确性。
在一实施例中，评价指标包括下述之一：绝对百分比误差的最大值(MAX)、平均相对误差(Mean Relative Error，MRE)、平均绝对误差(Mean Square Error，MAE)、平均绝对百分比误差(Mean Absolute Percentage Error，MAPE)、均方根误差(Root Mean SquareError，RMSE)、误差标准差(Standard Deviation Error，SDE)和相关系数(CorrelationCoefficient，CC)。需要说明的是，评价指标MAX、MRE、MAE、MAPE、RMSE和SDE用于表征预测值与实际值之间的误差情况，即在预测值与实际值之间的误差越小，表明该风电功率预测模型的准确性就越高，即评价指标值越小越好；CC用于表征预测值与实际值之间的相关程度，即在预测值与实际值之间的相关程度越高，表明该风电功率预测模型的准确性就越高，即评价指标值越大越好。
S120、基于离差最大化思想确定评价指标体系中每个评价指标的权重系数。
需要说明的是，在某个评价指标对风电功率预测模型的预测结果的影响比较大时，该评价指标的权重系数配置的稍微大一些，即评价指标的权重系数的大小，与其对风电功率预测模型的预测结果的影响程度成正比。可以理解为，基于离差最大化思想确定评价指标体系中每个评价指标的权重系数，是为了实现评价指标的权重系数大小与其对风电功率预测模型的预测结果的影响程度成正比的目的。
S130、根据评价指标体系中每个评价指标预先确定的指标评价值和对应的权重系数确定每个风电功率预测模型的综合评价值。
在实施例中，利用风电功率预测模型在该评价指标下的最大评价值和最小评价值确定风电功率预测模型在该评价指标下的指标评价值；然后根据该指标评价值和该评价指标的权重系数确定风电功率预测模型的综合评价值。其中，综合评价值指的是利用在评价指标体系中所有评价指标，对风电功率预测模型的预测效果进行评估的数值。
S140、根据综合评价值确定最优风电功率预测模型。
需要说明的是，综合评价值越大，表明该风电功率预测模型的预测效果就越好。在实施例中，在确定所有风电功率预测模型的综合评价值之后，将综合评价值最高的风电功率预测模型作为最优风电功率预测模型。
本实施例的技术方案，通过多个评价指标对风电功率预测模型的预测效果进行评估，从而实现了更全面地对风电功率预测模型的准确性进行评价的效果，进而可以得到最优的风电功率预测模型。
在一实施例中，图2是本发明实施例提供的另一种模型确定方法的流程图。本实施例是在上述实施例的基础上，对模型确定方法作进一步的限定。如图2所示，本实施例包括如下步骤：
S210、建立至少两个风电功率预测模型的评价指标体系。
在实施例中，以N个风电功率预测模型，M个评价指标为例，对模型确定的过程进行说明。示例性地，假设风电功率预测模型集为C＝{C1，...，Ci，...，CN}，其中，i为风电功率预测模型的编号，N为风电功率预测模型的总个数。评价指标体系为V＝{V1,...,Vj,...,VM}，其中，j为评价指标的编号，M为评价指标的总个数。在实施例中，风电功率预测模型Ci在评价指标Vj下(即第i个风电功率预测模型的第j个评价指标)的指标评价值记为yij，矩阵Y＝(yij)N×M记为风电功率预测模型集C在评价指标体系V下的指标评价值矩阵。
S220、根据风电功率预测模型在每个评价指标下的最大评价值和最小评价值确定风电功率预测模型在对应评价指标下的指标评价值。
在实施例中，风电功率预测模型在评价指标V下的指标评价值为
Figure BDA0002865595400000061
其中，/>
Figure BDA0002865595400000062
分别为风电功率预测模型集C在评价指标V下的最大评价值和最小评价值，i＝1,2，……，N，j＝1,2，……，M。
S230、根据指标评价值、最大评价值和最小评价值确定风电功率预测模型在对应评价指标下的归一化指标评价值。
在实施例中，由于不同的评价指标通常具有不同的量纲及单位，需对指标评价值矩阵Y进行归一化处理，得到归一化评价值矩阵Y'＝(y'ij)N×M。其中，归一化指标评价值为
Figure BDA0002865595400000063
其中，y'ij指的是在风电功率预测模型Ci在评价指标Vj下的归一化指标评价值，yij指的是在风电功率预测模型Ci在评价指标Vj下的指标评价值，/>
Figure BDA0002865595400000071
分别为风电功率预测模型集C在评价指标V下的最大评价值和最小评价值，i＝1,2，……，N，j＝1,2，……，M。
S240、根据归一化指标评价值确定风电功率预测模型在对应评价指标下的权重系数。
在实施例中，S240可以包括S2401-S2402。
S2401、配置风电功率预测模型在评价指标体系中所有评价指标下的权重系数为第一预值。
S2402、根据第一预值和归一化指标评价值确定风电功率预测模型在对应评价指标下的权重系数。
在实施例中，假设评价指标体系中的每个评价指标的权重系数为w＝(w1,...,wj,...,wM)T，则第i个风电功率预测模型Ci与其它风电功率预测模型之间的离差Gij(w)为
Figure BDA0002865595400000072
其中，i＝1,2,...,N,k＝1,2,...,N；j＝1,2,...,M，wj表示第j个评价指标的权重系数。
其中，所有风电功率预测模型与其它风电功率预测模型之间的总离差Gj(w)为
Figure BDA0002865595400000073
其中，i＝1,2,...,N,k＝1,2,...,N；j＝1,2,...,M，wj表示第j个评价指标的权重系数。根据离差最大化思想，对于整个评价指标体系，权重系数w应使所有风电功率预测模型之间的总离差Gj(w)最大。
在实施例中，从多参数综合评价方法中投影角度出发，为了使理想方案的标准投影为1，在构造权重系数时，使其满足单位化约束条件。因此，建立最优化模型为
Figure BDA0002865595400000074
进行联合求解，得到权重系数为：
Figure BDA0002865595400000081
其中，j＝1,2,...,M。
S250、对风电功率预测模型在每个评价指标下的权重系数进行归一化，得到对应的归一化权重系数。
需要说明的是，由于传统的加权向量一般都满足归一化约束条件而不是单位化约束条件，因此，在得到单位化权重系数wj后，对其进行归一化处理。
其中，归一化权重系数为
Figure BDA0002865595400000082
其中，j＝1,2,...,M。
S260、对风电功率预测模型在每个评价指标下的指标评价值进行归一化，得到归一化指标评价值。
S270、根据归一化权重系数和归一化指标评价值确定风电功率预测模型在评价指标体系中所有评价指标下的综合评价值。
在实施例中，对多个风电功率预测模型预测准确性进行综合评价,建立N个待评价预测模型(即风电功率预测模型)和M个评价指标,通过对指标评价值和权重系数进行加权融合，最终根据多参数综合评价值(即上述实施例中的综合评价值)Qi，并根据Qi对风电功率预测模型的预测准确性进行评价。
其中，多参数综合评价值Qi为
Figure BDA0002865595400000083
其中，i＝1,2,...,N，/>
Figure BDA0002865595400000084
指的是风电功率预测模型在第j个评价指标下的归一化权重系数，yi'j指的是在风电功率预测模型Ci在评价指标Vj下的归一化指标评价值。
可以理解为，多参数综合评价值Qi的计算过程包括如下步骤：
(1)选定待评价的风电功率预测模型集C,并根据风电功率预测模型特性建立评价指标体系V。
(2)计算风电功率预测模型集C在评价指标V下的评价矩阵Y，根据公式
Figure BDA0002865595400000091
得归一化处理后的评价值矩阵Y'。
(3)基于离差最大化思想，根据公式
Figure BDA0002865595400000092
计算得到每个评价指标对应的归一化权重系数/>
Figure BDA0002865595400000093
(4)根据公式
Figure BDA0002865595400000094
计算每个风电功率预测模型的多参数综合评价值Qi，并按照Qi对各个风电功率预测模型的预测准确性进行优劣评价。
S280、对每个风电功率预测模型在评价指标体系中所有评价指标下的综合评价值进行比较，确定综合评价值最大的风电功率预测模型。
S290、将综合评价值最大的风电功率预测模型作为最优风电功率预测模型。
本实施例的技术方案，通过多个评价指标对风电功率预测模型的准确性进行评价，并基于多参数综合评价风电功率预测模型的预测效果，更全面地对风电功率预测模型的预测准确性进行评价，从而得出最优模型。
在一实施例中，图3是本发明实施例提供的一种模型确定装置的结构示意图。如图3所示，该模型确定装置具体包括：建立模块310、第一确定模块320、第二确定模块330和第三确定模块340。
其中，建立模块310，用于建立至少两个风电功率预测模型的评价指标体系；
第一确定模块320，用于基于离差最大化思想确定评价指标体系中每个评价指标的权重系数；
第二确定模块330，用于根据评价指标体系中每个评价指标预先确定的指标评价值和对应的权重系数确定每个风电功率预测模型的综合评价值；
第三确定模块340，用于根据综合评价值确定最优风电功率预测模型。
本发明实施例，通过多个评价指标对风电功率预测模型的预测效果进行评估，从而实现了更全面地对风电功率预测模型的准确性进行评价的效果，进而可以得到最优的风电功率预测模型。
在上述实施例的基础上，第一确定模块320，包括：
第一确定单元，用于根据风电功率预测模型在每个评价指标下的最大评价值和最小评价值确定风电功率预测模型在对应评价指标下的指标评价值；
第二确定单元，用于根据指标评价值、最大评价值和最小评价值确定风电功率预测模型在对应评价指标下的归一化指标评价值；
第三确定单元，用于根据归一化指标评价值确定风电功率预测模型在对应评价指标下的权重系数。
在上述实施例的基础上，第二确定模块330，包括：
第一归一化单元，用于对风电功率预测模型在每个评价指标下的权重系数进行归一化，得到对应的归一化权重系数；
第二归一化单元，用于对风电功率预测模型在每个评价指标下的指标评价值进行归一化，得到归一化指标评价值；
第四确定单元，用于根据归一化权重系数和归一化指标评价值确定风电功率预测模型在评价指标体系中所有评价指标下的综合评价值。
在上述实施例的基础上，第三确定模块340，包括：
第五确定单元，用于对每个风电功率预测模型在评价指标体系中所有评价指标下的综合评价值进行比较，确定综合评价值最大的风电功率预测模型；
第六确定单元，用于将综合评价值最大的风电功率预测模型作为最优风电功率预测模型。
在上述实施例的基础上，第三确定单元，包括：
配置子单元，用于配置风电功率预测模型在评价指标体系中所有评价指标下的权重系数为第一预值；
第一确定子单元，用于根据第一预值和归一化指标评价值确定风电功率预测模型在对应评价指标下的权重系数。
在上述实施例的基础上，评价指标包括下述之一：平均相对误差MRE、平均绝对误差MAE、平均绝对百分比误差MAPE、均方根误差RMSE、误差标准差SDE和相关系数CC。
在上述实施例的基础上，MRE、MAE、MAPE、RMSE和SDE用于表征预测值与实际值之间的误差情况；
CC用于表征预测值与实际值之间的相关程度。
本实施例所提供的模型确定装置可执行本发明任意实施例所提供的模型确定方法，具备执行模型确定方法相应的功能模块和有益效果。
在一实施例中，图4是本发明实施例提供的一种模型确定设备的结构示意图。如图4所示，该设备包括处理器410、存储器420、输入装置430和输出装置440；设备中处理器410的数量可以是一个或多个，图4中以一个处理器410为例；设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。其中，模型确定设备可以为个人计算机、iPad、笔记本电脑、智能手机等终端设备。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的模型确定方法对应的程序模块(例如，模型确定装置中的建立模块310、第一确定模块320、第二确定模块330和第三确定模块340)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的模型确定方法。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420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420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备。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。
输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
本发明实施例还提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种模型确定方法，该方法包括：建立至少两个风电功率预测模型的评价指标体系；基于离差最大化思想确定评价指标体系中每个评价指标的权重系数；根据评价指标体系中每个评价指标预先确定的指标评价值和对应的权重系数确定每个风电功率预测模型的综合评价值；根据综合评价值确定最优风电功率预测模型。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的模型确定方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例的模型确定方法。
值得注意的是，上述模型树结构的生成装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (9)

1.一种模型确定方法，其特征在于，包括：
建立至少两个风电功率预测模型的评价指标体系；
基于离差最大化思想确定所述评价指标体系中每个评价指标的权重系数；
根据所述评价指标体系中每个评价指标预先确定的指标评价值和对应的所述权重系数确定每个所述风电功率预测模型的综合评价值；
根据风电功率预测模型在每个评价指标下的最大评价值和最小评价值确定风电功率预测模型在对应评价指标下的指标评价值；
根据所述指标评价值、最大评价值和最小评价值确定所述风电功率预测模型在对应评价指标下的归一化指标评价值；
根据所述归一化指标评价值确定所述风电功率预测模型在对应评价指标下的权重系数；
所述评价指标的权重系数的大小，与其对风电功率预测模型的预测结果的影响程度成正比；根据所述综合评价值确定最优风电功率预测模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述评价指标体系中每个评价指标预先确定的指标评价值和对应的所述权重系数确定每个风电功率预测模型的综合评价值，包括：
对风电功率预测模型在每个评价指标下的权重系数进行归一化，得到对应的归一化权重系数；
对风电功率预测模型在每个评价指标下的指标评价值进行归一化，得到归一化指标评价值；
根据所述归一化权重系数和所述归一化指标评价值确定所述风电功率预测模型在所述评价指标体系中所有评价指标下的综合评价值。
3.根据权利要求1所述的方法，其特征在于，根据所述综合评价值确定最优风电功率预测模型，包括：
对每个风电功率预测模型在所述评价指标体系中所有评价指标下的综合评价值进行比较，确定综合评价值最大的风电功率预测模型；
将所述综合评价值最大的风电功率预测模型作为最优风电功率预测模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述归一化指标评价值确定所述风电功率预测模型在对应评价指标下的权重系数，包括：
配置所述风电功率预测模型在所述评价指标体系中所有评价指标下的权重系数为第一预值；
根据所述第一预值和所述归一化指标评价值确定所述风电功率预测模型在对应评价指标下的权重系数。
5.根据权利要求1-4任一所述的方法，其特征在于，所述评价指标包括下述之一：绝对百分比误差的最大值MAX、平均相对误差MRE、平均绝对误差MAE、平均绝对百分比误差MAPE、均方根误差RMSE、误差标准差SDE和相关系数CC。
6.根据权利要求5所述的方法，其特征在于，所述MAX、MRE、MAE、MAPE、RMSE和SDE用于表征预测值与实际值之间的误差情况；
所述CC用于表征预测值与实际值之间的相关程度。
7.一种模型确定装置，其特征在于，包括：
建立模块，用于建立至少两个风电功率预测模型的评价指标体系；
第一确定模块，用于基于离差最大化思想确定所述评价指标体系中每个评价指标的权重系数；
第一确定模块，还包括：
第一确定单元，用于根据风电功率预测模型在每个评价指标下的最大评价值和最小评价值确定风电功率预测模型在对应评价指标下的指标评价值；
第二确定单元，用于根据指标评价值、最大评价值和最小评价值确定风电功率预测模型在对应评价指标下的归一化指标评价值；
第三确定单元，用于根据归一化指标评价值确定风电功率预测模型在对应评价指标下的权重系数；
第二确定模块，用于根据所述评价指标体系中每个评价指标预先确定的指标评价值和对应的所述权重系数确定每个所述风电功率预测模型的综合评价值；
第三确定模块，用于根据所述综合评价值确定最优风电功率预测模型。
8.一种模型确定设备，其特征在于，包括：存储器，以及一个或多个处理器；
所述存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的模型确定方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一所述的模型确定方法。
CN202011582993.XA 2020-12-28 2020-12-28 一种模型确定方法、装置、设备和存储介质 Active CN112749839B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011582993.XA CN112749839B (zh) 2020-12-28 2020-12-28 一种模型确定方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011582993.XA CN112749839B (zh) 2020-12-28 2020-12-28 一种模型确定方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN112749839A CN112749839A (zh) 2021-05-04
CN112749839B true CN112749839B (zh) 2023-06-27

Family

ID=75646451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011582993.XA Active CN112749839B (zh) 2020-12-28 2020-12-28 一种模型确定方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN112749839B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117371702A (zh) * 2023-10-09 2024-01-09 国网北京市电力公司 电制热补热系统多评价指标评价方法、装置、设备及介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657856A (zh) * 2018-12-14 2019-04-19 中国科学院广州能源研究所 一种用于电功率预测模型评价的精度指标构建方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106447115A (zh) * 2016-10-08 2017-02-22 华北电力科学研究院有限责任公司 区域电网的风电功率预测的评价方法
CN106446571B (zh) * 2016-10-08 2019-03-01 华北电力科学研究院有限责任公司 风电场功率预测的误差评价方法
CN106709819B (zh) * 2017-01-04 2021-05-04 云南电网有限责任公司大理供电局 一种风电场功率预测综合评价方法
CN107832881B (zh) * 2017-11-02 2021-07-02 南方电网科学研究院有限责任公司 考虑负荷水平和风速分段的风电功率预测误差评价方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109657856A (zh) * 2018-12-14 2019-04-19 中国科学院广州能源研究所 一种用于电功率预测模型评价的精度指标构建方法

Also Published As

Publication number Publication date
CN112749839A (zh) 2021-05-04

Similar Documents

Publication Publication Date Title
CN107657015B (zh) 一种兴趣点推荐方法、装置、电子设备及存储介质
CN112566196B (zh) 一种基于智能电网的异构网络接入选择方法及相关设备
CN114265979B (zh) 确定融合参数的方法、信息推荐方法和模型训练方法
CN112231592B (zh) 基于图的网络社团发现方法、装置、设备以及存储介质
CN116596095B (zh) 基于机器学习的碳排放量预测模型的训练方法及装置
CN111898247B (zh) 滑坡位移预测方法、设备及存储介质
WO2019214455A1 (zh) 一种数据序列预测方法及计算设备
CN112785005B (zh) 多目标任务的辅助决策方法、装置、计算机设备及介质
CN110009486A (zh) 一种欺诈检测的方法、系统、设备及计算机可读存储介质
CN117175664B (zh) 基于使用场景的储能充电设备输出功率自适应调节系统
CN113360711A (zh) 视频理解任务的模型训练和执行方法、装置、设备及介质
CN112766402A (zh) 算法选择方法、装置和电子设备
CN112749839B (zh) 一种模型确定方法、装置、设备和存储介质
CN114511042A (zh) 一种模型的训练方法、装置、存储介质及电子装置
CN116489038A (zh) 网络流量的预测方法、装置、设备和介质
CN117290090A (zh) 节点协同资源分配方法、装置、设备及存储介质
CN117172591A (zh) 多维度绩效评价方法、装置、计算机设备和存储介质
CN114492742A (zh) 神经网络结构搜索、模型发布方法、电子设备和存储介质
CN113421174A (zh) 一种基于大数据的知识产权价值评估参考方法及系统
CN109728958B (zh) 一种网络节点信任预测方法、装置、设备及介质
CN117370524A (zh) 答复生成模型的训练方法、答复语句生成方法和装置
CN114338416A (zh) 一种时空多指标预测方法、装置和存储介质
CN116581883A (zh) 一种基于神经网络的配电网线损评估方法及装置
CN116523001A (zh) 电网薄弱线路识别模型构建方法、装置和计算机设备
CN112836936B (zh) 面向电力传感网络感知层规划的风险因素筛选方法及系统

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
GR01 Patent grant
GR01 Patent grant