CN113191564A - 一种光伏功率预测方法、装置及服务器 - Google Patents
一种光伏功率预测方法、装置及服务器 Download PDFInfo
- Publication number
- CN113191564A CN113191564A CN202110539408.6A CN202110539408A CN113191564A CN 113191564 A CN113191564 A CN 113191564A CN 202110539408 A CN202110539408 A CN 202110539408A CN 113191564 A CN113191564 A CN 113191564A
- Authority
- CN
- China
- Prior art keywords
- prediction
- target
- parameter set
- photovoltaic power
- value
- 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 101
- 238000012549 training Methods 0.000 claims description 63
- 230000008569 process Effects 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000015654 memory Effects 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000005855 radiation Effects 0.000 claims description 4
- 238000010248 power generation Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的光伏功率预测方法、装置及服务器，应用于光伏发电技术领域，该方法在获取光伏电站的至少一个包括初始功率预测值的目标预测参数集之后，分别将各目标预测参数集输入预设偏差预测模型，得到各目标预测参数集对应的预测偏差值，然后，在初始功率预测值的基础上，基于相应的预测偏差值对各初始功率预测值进行修正，得到最终的目标功率预测值，与现有技术相比，本发明提供的光伏功率预测方法，基于预测偏差值对相应的初始功率预测值进行修正，所得目标功率预测值准确度更高，以此目标功率预测值控制光伏电站与电网之间的电能分配，更有利于电网的稳定运行。
Description
技术领域
本发明涉及光伏发电技术领域，特别涉及一种光伏功率预测方法、装置及服务器。
背景技术
随着光伏发电技术的发展，光伏电站的装机容量得到快速提升，占电网供电总量的比重也越来越大。与此同时，光伏发电因其昼夜性、波动性、间歇性等特点，给电网的稳定安全运行也带来巨大的考验。
为了尽可能降低光伏电站的电能波动对电网稳定运行的影响，需要对光伏电站的输出功率进行准确预测。依据预测周期的长短，光伏功率预测可以分为短期功率预测，如未来24-72h每15分钟的光伏功率预测，以及超短期功率预测，如未来4h每15分钟的光伏功率预测。
然而，现有的光伏功率预测方法，光伏功率预测值与实测值之间的偏差较大，预测准确度较低，难以满足实际应用需求，甚至影响电网的稳定运行。
发明内容
本发明提供一种光伏功率预测方法、装置及服务器，在初始功率预测值基础上，基于预测偏差值对初始功率预测值进行修正，提高预测准确度，有助于电网的稳定运行。
为实现上述目的，本申请提供的技术方案如下：
第一方面，本发明提供一种光伏功率预测方法，包括：
获取光伏电站的至少一个目标预测参数集，其中，所述目标预测参数集包括初始功率预测值；
分别将各所述目标预测参数集输入预设偏差预测模型，得到各所述目标预测参数集对应的预测偏差值；
基于各所述预测偏差值修正相应目标预测参数集中的初始功率预测值，得到所述光伏电站的目标功率预测值。
可选的，所述获取光伏电站的至少一个目标预测参数集，包括：
获取光伏电站在预测日内的第一数量个预测参数集；
在各所述预测参数集中，提取所述光伏电站在目标预测时间段内的至少一组预测参数集，得到目标预测参数集。
可选的，所述获取光伏电站在预测日内的第一数量个预测参数集，包括：
获取光伏电站在预测日内的第二数量个预测参数集；
利用预设插值算法对各所述预测参数集进行插值运算，直至得到第一数量个预测参数集，其中，所述第一数量大于所述第二数量。
可选的，所述预测参数中还包括时间戳；
所述在各所述预测参数集中，提取所述光伏电站在目标预测时间段内的至少一组预测参数集，得到目标预测参数集，包括：
按照预设间隔时长，在目标预测时间段内确定至少一个目标时间戳；
在各所述预测参数集中，提取各所述目标时间戳对应的预测参数集，得到目标预测参数集。
可选的，在所述基于各所述预测偏差值修正相应目标预测参数集中的初始功率预测值，得到所述光伏电站的目标功率预测值之后，还包括：
将确定所述目标功率预测值的时刻作为目标时刻；
若所述目标时刻属于所述预测日，获取所述光伏电站的功率实测值；
根据所述功率实测值更新所述预设偏差预测模型。
可选的，所述基于各所述预测偏差值修正相应目标预测参数集中的初始功率预测值，得到所述光伏电站的目标功率预测值，包括：
分别计算各所述目标预测参数集中初始功率预测值与相应的预测偏差值的差值；
将各所述差值作为所述光伏电站的目标功率预测值。
可选的，训练所述预设偏差预测模型的过程，包括：
获取所述光伏电站的多个样本参数集和各所述样本参数集对应的样本预测偏差值；
分别确定目标神经网络对各所述样本参数集的输出结果，到相应的样本预测偏差值之间的误差，得到各所述样本参数集对应的误差；
以所述各所述样本参数集对应的误差处于预设范围或循环次达到预设阈值为训练目标，调整所述目标神经网络的参数，得到预设偏差预测模型。
可选的，所述获取所述光伏电站的多个样本参数集，包括：
将训练所述预设偏差预测模型的起始时刻作为参考时刻；
将所述预测日内自零时至所述参考时刻对应的时间段内的各预测参数集，作为所述光伏电站的样本参数集。
可选的，所述预测参数集还包括时间戳；
获取各所述样本参数集对应的样本预测偏差值的过程，包括：
按照所述样本参数集的时间戳获取所述光伏电站的功率实测值；
分别计算各所述样本参数集中的初始功率预测值与相应的功率实测值的差值，得到各所述样本参数集对应的样本预测偏差值。
可选的，所述目标神经网络包括长短期记忆LSTM神经网络。
可选的，所述预测参数集还包括气象参数，所述气象参数包括地表水平面总辐射GHI和直接辐射DNI。
可选的，所述预设插值算法包括拉格朗日插值法、牛顿插值法、分段线性插值法、三次样条插值法、B样条插值法、张力样条插值法、克里金插值法和Hiemite插值法中的至少一种。
第二方面，本发明提供一种光伏功率预测装置，包括：
第一获取单元，用于获取光伏电站的至少一个目标预测参数集，其中，所述目标预测参数集包括初始功率预测值；
第一计算单元，用于分别将各所述目标预测参数集输入预设偏差预测模型，得到各所述目标预测参数集对应的预测偏差值；
预测单元，用于基于各所述预测偏差值修正相应目标预测参数集中的初始功率预测值，得到所述光伏电站的目标功率预测值。
可选的，所述第一获取单元，用于获取光伏电站的至少一个目标预测参数集时，具体包括：
获取光伏电站在预测日内的第一数量个预测参数集；
在各所述预测参数集中，提取所述光伏电站在目标预测时间段内的至少一组预测参数集，得到目标预测参数集。
可选的，本发明第二方面提供的光伏功率预测装置，还包括：
第二获取单元，用于获取所述光伏电站的多个样本参数集和各所述样本参数集对应的样本预测偏差值；
第二计算单元，用于分别确定目标神经网络对各所述样本参数集的输出结果，到相应的样本预测偏差值之间的误差，得到各所述样本参数集对应的误差；
训练单元，用于以所述各所述样本参数集对应的误差处于预设范围或循环次达到预设阈值为训练目标，调整所述目标神经网络的参数，得到预设偏差预测模型。
第三方面，本发明提供一种服务器，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现本发明第一方面任一项所述的光伏功率预测方法。
本发明提供的光伏功率预测方法，在获取光伏电站的至少一个包括初始功率预测值的目标预测参数集之后，分别将各目标预测参数集输入预设偏差预测模型，得到各目标预测参数集对应的预测偏差值，然后，在初始功率预测值的基础上，基于相应的预测偏差值对各初始功率预测值进行修正，得到最终的目标功率预测值，与现有技术相比，本发明提供的光伏功率预测方法，基于预测偏差值对相应的初始功率预测值进行修正，所得目标功率预测值准确度更高，以此目标功率预测值控制光伏电站与电网之间的电能分配，更有利于电网的稳定运行。
附图说明
为了更清楚地说明本发明实施例或现有技术内的技术方案，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，下面描述内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是本发明实施例提供的一种光伏功率预测方法的流程图；
图2是本发明实施例提供的一种预设偏差预测模型训练方法的流程图；
图3是本发明实施例提供的LSTM神经网络的网络结构示意图；
图4是本发明实施例提供的另一种光伏功率预测方法的流程图；
图5是本发明实施例提供的一种光伏功率预测装置的结构框图；
图6是本发明实施例提供的另一种光伏功率预测装置的结构框图；
图7是本发明实施例提供的再一种光伏功率预测装置的结构框图；
图8是本发明实施例提供的一种服务器的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如前所述，在现有应用中，对于光伏电站输出功率，即光伏功率的预测主要分为两种，其一是短期功率预测，主要目标可以是进行未来24-72h内每15分钟的光伏系统的输出功率；其二是超短期功率预测，主要目标可以是进行未来4h内每15分钟的光伏功率。当然，对于上述任一种光伏功率预测模式，光伏功率的预测密度是可以根据需要调整的，此处仅为示例性说明。其中，超短期功率预测的精度要求要高于短期功率预测的精度要求，本发明提供的光伏功率预测方法，主要用于提高超短期光伏功率预测的精度，当然，在能够提供本方法要求的参数的情况下，也可以应用于短期光伏功率预测。
进一步的，本发明下述各个实施例中述及的预测日，指的是需要进行光伏功率预测的自然日，在后续内容中不再单独进行解释说明。
基于上述内容，本发明提供的光伏功率预测方法可以应用于电子设备，该电子设备可以是笔记本电脑、PC机，或者专门用于数据计算的服务器，当然，在某些情况下，也可以应用于网络侧的服务器实现。参见图1，图1是本发明实施例提供的一种光伏功率预测方法的流程图，该流程可以包括：
S100、获取光伏电站的至少一个目标预测参数集。
考虑到现有技术中已经存在大量的对光伏电站进行短期光伏功率预测的方法，本发明实施例提供一种基于短期光伏功率预测结果获取目标预测参数集的方法。
首先，获取光伏电站在预测日内的第二数量个预测参数集，如前所述，短期光伏功率预测目标是获得24-72h内不同时刻的光伏功率，因此，本步骤在具体实现时可以为基于现有技术中的短期光伏功率预测方法，获取预测日内第二数量个预测参数集，至于第二数量的具体取值，不同的预测方法以及不同的预测要求往往是不同的，本发明对于第二数量的具体取值不做限定。
然而，在实际应用中，为了减少计算量，缩短预测过程的整体耗时，得到的第二数量个预测参数集，其数据粒度是难以满足超短期光伏功率预测的要求的，而且，本实施例中的目标预测参数集是在各个预测参数集中筛选得到的，在按照一定的时间间隔选取目标预测参数集时，如果预测参数集的密度很低，有可能无法按照该时间间隔确定目标预测参数集，因此，有必要基于所得第二数量个预测参数集进行数据扩充，在尽量保证数据精度的前提，得到更多的预测参数集，提高数据密度。
基于此，本实施例在前述第二数量个预测参数集的基础上，利用预设插值算法对各预测参数集进行差值运算，直至得到第一数量个预测参数集，当然，第一数量是大于第二数量的。比如，在进行短期光伏功率预测时，得到的是未来24h内每15分钟的预测参数集，共计得到96组预测参数集，在经过预设插值算法的插值运算之后，可以得到未来24小时内，每1秒钟对应的预测参数集，共计得到86400条预测参数集。
可选的，预设插值算法可以是拉格朗日插值法、牛顿插值法、分段线性插值法、三次样条插值法、B样条插值法、张力样条插值法、克里金插值法和Hiemite插值法中的至少一种，当然，还可以是其他能够达到相同目的的插值算法，在不超出本发明核心思想范围的前提下，同样属于本发明保护的范围内。
其次，在得到光伏电站在预测日内的第一数量个预测参数集之后，即可在各预测参数集中，提取光伏电站在目标预测时间段内的至少一组预测参数集，得到目标预测参数集。
需要说明的是，对于预测日内目标预测时间段的选取，可以基于实际的预测需求确定，比如，目标预测时间段可以是自当前时刻起的未来四小时，也可以是自当前时刻起的未来两小时，甚至可以是当前时刻之后的任意时间段。
进一步的，结合现有技术中短期光伏功率预测结果可知，预测参数集中可以包括时间戳、气象参数和初始功率预测值。其中，气象参数至少包括GHI(Global HorizontalIrradiance，地表水平面总辐射)和DNI(Direct Normal Irradiance，直接辐射)。
考虑到光伏电站的输出功率具有明显的时间特性，即随着时间的变化，输出功率的变化的较为明显，因此，在获取目标预测时间段内的目标预测参数集时，可以按照预设间隔时长，在目标预测时间段内确定至少一个目标时间戳，然后，在各预测参数集中，提取各目标时间戳对应的预测参数集，得到目标预测时间段内间隔相同间隔时长的目标预测参数集，比如，可以获取未来4小时内每15分钟对应的目标预测参数集。
S110、分别将各目标预测参数集输入预设偏差预测模型，得到各目标预测参数集对应的预测偏差值。
本发明实施例预训练一种预设偏差预测模型，该预设偏差预测模型以短期光伏功率预测的预测参数集为输入，以预测参数集对应的预测偏差值为输出，训练神经网络得到。
在得到至少一个目标预测参数集之后，分别将各目标预测参数集输入该预设偏差预测模型，即可得到各目标预测参数集对应的预测偏差值。
对于预设偏差预测模型的训练过程，将在后续内容中介绍，此处暂不详述。
S120、基于各预测偏差值修正相应目标预测参数集中的初始功率预测值，得到光伏电站的目标功率预测值。
可选的，经过前述步骤，得到各目标预测参数集对应的预测偏差值，进一步的，针对每一组目标预测参数集，计算该目标预测参数集中初始功率预测值与该目标预测参数集对应的预测偏差值的差值，所得差值即光伏电站的目标功率预测值。
综上所述，与现有技术相比，本发明提供的光伏功率预测方法，基于预测偏差值对相应的初始功率预测值进行修正，所得目标功率预测值准确度更高，以此目标功率预测值控制光伏电站与电网之间的电能分配，更有利于电网的稳定运行。
进一步的，本实施例在获取目标预测参数集过程中，基于预设插值算法提高预测参数集的数据密度，从而降低对于初始预测数据的密度要求，能够有效缩短进行初步预测的耗时，有助于缩短光伏功率计算过程的整体耗时，提高预测效率。
可选的，下面对预设偏差预测模型的训练过程进行介绍，具体的，可参见图2所示的流程图，该流程可以包括：
S200、获取光伏电站的多个样本参数集和各样本参数集对应的样本预测偏差值。
首先需要说明的是，样本参数集中包括的参数与前述步骤中述及的预测参数集包括的参数是一样的，即包括时间戳、气象参数和初始功率预测值。相应的，样本预测偏差值为光伏电站的初始功率预测值与光伏功率实测值之差。
结合现有技术中基于神经网络进行模型训练的方法，模型训练大致可以分为两种，第一种是全量训练，第二种是增量训练。训练模式不同，本步骤中获取的样本参数集和样本预测偏差值的数量会有所差异。
对于全量训练，要求训练样本足够多，从而确保训练得到的模型更为准确，除了对训练样本要求之外，由于需要进行大量的训练过程，对执行训练过程的电子设备的硬件性能也有着更高的要求，否则将严重影响训练的效率，甚至无法正常的完成训练过程。相对于全量训练，增量训练的过程是不断的、渐进式进行的，在任一阶段的训练的过程中，训练样本的数量可以相对少一些，相应的，对电子设备的硬件性能要求也相对低一些。除此之外，增量训练可以看作是对所得模型的不断优化的过程，因此，随着时间的推移，采用增量训练得到的模型的输出结果将越来越准确。
基于上述内容，如果采用全量训练，需要结合光伏电站大量的历史运行数据准备样本参数集以及样本预测偏差值，预设偏差预测模型的准确度很大程度上依赖于样本数据的体量。对于采用全量训练准备样本数据的过程，具体可以参照现有技术实现，此处不再展开。
本发明实施例给出一种基于增量训练准备训练样本的过程：
首先，将训练预设偏差预测模型的起始时刻作为参考时刻，然后获取预测日内自零时至参考时刻对应的时间段内的各预测参数集，得到光伏电站的样本参数集。然后，按照各样本参数集的时间戳获取光伏电站的功率实测值，分别计算各样本参数集中的初始功率预测值与相应的功率实测值的差值，得到各样本参数集对应的样本预测偏差值。
基于上述内容可以看出，在对模型进行第一次训练时，训练样本的数量在很大程度上取决于具体的参考时刻，而且进行第一训练时的样本数据并不是很多。
需要说明的是，虽然样本预测偏差值的获取依赖于光伏功率的实测值，但是样本参数集的获取是不受光伏功率的实测值的影响的。因此，在获取样本参数集时，可以采用图1实施例中述及的方法，首先对预测日进行短期光伏功率预测，然后对于数据密度较小的预测结果进行插值运算，进而得到高密度的预测结果，并在插值运算后的预测结果中选取相应的样本参数集。在此之后，随着光伏电站运行时间的延长，光伏功率实测值增多，相应得到更多的样本预测偏差值。
S210、分别确定目标神经网络对各样本参数集的输出结果到相应的样本预测偏差值之间的误差，得到各样本参数集对应的误差。
现有技术中包括多种神经网络算法，理论上对任一类型的神经网络进行训练都可以得到本发明实施例使用的预设偏差预测模型，但是，考虑到实际预测过程中，输入模型的目标预测参数集的数量很有可能是变化的，要求模型能够适应不同输入情况下的预测，因此，本发明实施例优选LSTM(Long Short-Term Memory，长短期记忆)网络作为目标神经网络。
参见图3，图3是LSTM网络的结构示意图，LSTM网络是RNN网络的一种改进结构，通过在隐藏层中额外加入一个可以保存长期状态的单元C，使得其具有长期记忆功能，并且能否有效避免梯度消失问题，容易处理时间序列预测问题。LSTM单元的输入包括当前时刻的输入向量Xt、上一时刻单元状态Ct-1以及上一时刻隐藏层状态ht-1，输出为当前时刻单元状态Ct和当前时刻隐藏层状态ht。其内部由三个门分别为遗忘门ft、输出门it以及输出门ot来控制信息的舍弃与继承。它们的计算公式如下所示：
ft＝σ(Wf·[ht-1,xt]+bf)
it＝σ(Wi·[ht-1,xt]+bi)
ot＝σ(Wo·[ht-1,xt]+b0)
其中，Wf,Wi,Wo分别是遗忘门，输入门，输出门的权重矩阵，[ht-1,xt]表示将这两个向量连接成更长的一个向量。bf,bi,bo分别为遗忘门，输入门，输出门的偏置向量。σ为Sigmoid激活函数，将输出变换到[0,1]区间。
当前时刻记忆单元状态Ct由上一时刻单元状态Ct-1和当前输入的中间单元状态共同计算得到，tanh为双曲正切激活函数，将输出变换到[-1,1]区间，*为Hadamard积，
为临时状态，WC和bC为tanh层的权重矩阵和偏置向量，计算公式如下：
Ct＝ft*Ct-1+it*Ct
最后LSTM单元当前时刻的输出ht为：
ht＝ot*tanh(Ct)
在基于LSTM网络建立模型框架之后，分别将样本参数集输入模型框架，确定目标神经网络对各样本参数集的输出结果到相应的样本预测偏差值之间的误差，得到各样本参数集对应的误差，此误差即为预测结果与样本预测偏差值之间的偏差。
S220、判断是否满足预设结束条件，若否，执行S230，若是，执行S240。
可选的，结合训练过程，预设结束条件可以是各样本参数集对应的模型训练误差处于预设范围或循环次达到预设阈值。在完成一次训练后，判断是否满足预设结果条件，如果满足，则执行S240，如果仍不满足预设结束条件，则执行S230。
S230、调整目标神经网络的参数。
在模型输出不满足预设结束条件的情况下，调整目标神经网络的参数，并范围执行S210，再次进行训练。
对于目标神经网络参数的调整过程，可以结合目标神经网络的具体选型和现有技术实现，本发明对此不做限定。
S240、得到预设偏差预测模型。
如果经过多次训练后，模型输出的预测偏差值与样本预测偏差值之间误差处于预设范围内或循环次数达到预设阈值，即可将满足预设结束条件时的模型作为最终的预设偏差预测模型。
综上所述，本发明实施例提供的模型训练方法，可以基于插值法对训练样本进行数据填充，能够有效提高样本数据密度，避免对大量历史数据的依赖，进一步的，选用LSTM网络作为目标神经网络，可以适应不同输入数据，即不同预测需求的场景，所得预设偏差预测模型可以充分发挥LSTM网络在时间序列预测上的应用价值。
并且，如果采用增量训练，还可以有效减少模型训练的训练时长，随着时间发展，模型预测结果的准确性会越来越高。
可选的，在对预设偏差预测模型采用增量训练的基础上，本发明实施例还提供另一种光伏功率预测方法，参见图4，在图1所示实施例的基础上，本实施例提供的预测方法的执行流程，还包括：
S130、将确定目标功率预测值的时刻作为目标时刻。
在完成任一次目标功率预测值的计算后，将确定目标功率预测值的时刻作为目标时刻。
S140、判断目标时刻是否属于预测日，若是，执行S150。
由于预测过程与训练过程是滚动进行的，如果目标时刻已经不再属于预测日之内，则不必执行后续步骤，退出当前计算周期即可；相反的，如果目标时刻仍属于预测日，则执行后续步骤。
S150、获取光伏电站的功率实测值。
可以想到的是，本步骤在执行过程中大致包括两种方式，其一是获取自预测日零时至目标时刻之间的光伏电站的全部功率实测值；其二是获取自预测日内上一次确定目标功率预测值的时刻至当前目标时刻范围内的光伏电站的功率实测值，这两种方式都是可选的，可以根据实际需求选取。
进一步的，由于模型的输入数据具有时间属性，即预测参数集中包括时间戳，因此，在获取功率实测值时，应该选取与预测参数集具有相同时间戳的功率实测值，以保证所得数据的可比性。
S160、根据功率实测值更新预设偏差预测模型。
可选的，在得到与预测参数集相对应的功率实测值之后，计算预测参数集中初始功率预测值与功率实测值之差，即可得到实际的预测偏差值，进一步的，即可对预训练得到的预设偏差预测模型进行再次训练，更新预设偏差预测模型。
可以想到的是，更新预设偏差预测模型的过程，与图2所示实施例训练模型的过程是相似的，只不过是所使用的训练数据不同，因此，具体的更新过程可以参照前述训练过程实现，此处不再赘述。
本发明实施例提供的光伏功率预测方法，不仅可以实现对光伏电站的光伏功率预测，还可以在使用过程中依据实测数据不断更新预设偏差预测模型，不断提高模型的预测精度，进而有助于提高光伏功率预测结果的准确度。
下面结合具体的应用场景对本发明提供的光伏功率预测方法进行介绍。需要说明的是，下面的具体示例，主要对首次计算过程进行展开，至于后续更新预设偏差预测模型的过程，不再详述。
首先，获取预测日整日24小时每15分钟的气象参数和基于短期功率预测得到的初始功率预测值，气象参数至少包含GHI和DNI，数据总条目数为96条，即96组预测参数集。
然后，利用拉格朗日插值法进行数据填充，拉格朗日插值法的基本原理如下：
对某个多项式函数，已知有给定的n+1个取值点：(x0,y0),(x1,y1),...,(xn,yn)其中，xi对应着自变量的位置，而yi对应着函数在这个位置的取值。
利用n次拉格朗日插值多项式，对插值区间任意x的函数值y可以通过Ln(x)来求解，这里，
基于前面步骤所得的96组预测参数集，利用拉格朗日插值法填充数据，使得填充后的数据时间分辨率为1秒，填充后的数据总条目数为86400条。记初始功率预测值为变量PF，填充后的气象参数和初始功率预测值则可分别记为
数据填充前和填充后的对比，可以参见下表所示：
进一步的，获取光伏电站在预测日内当前已知的功率实测值，时间分辨率同样为1秒，填充后的初始功率预测值与功率实测值的差值，作为模型训练时的样本预测偏差值。同时，将标准的时间戳转为预测日距零点时刻的秒数，如时间戳是08:01:00，则其秒数为8*60*60+1*60+0＝28860，于是离散的时间戳数据转为连续型数值，即为dt。
基于上述内容，可以得到训练神经网络所需的样本参数集
和样本预测偏差值{Pe}，训练后即得到预设偏差预测模型。
最后，在进行数据填充后的预测参数集中，获取未来四小时内每15分钟对应的预测参数集，得到目标预测参数集。将目标预测参数集输入前述步骤得到的预设偏差预测模型，得到各目标预测参数集对应的预测偏差值，最后基于各预测偏差值修正相应目标预测参数集中的初始功率预测值，得到光伏电站的目标功率预测值。
对于采用其他插值法进行数据填充的过程，不再一一列举。
下面对本发明实施例提供的光伏功率预测装置进行介绍，下文描述的光伏功率预测装置可以认为是为实现本发明实施例提供的光伏功率预测方法，在中央设备中需设置的功能模块架构；下文描述内容可与上文相互参照。
可选的，参见图5，图5是本发明实施例提供的一种光伏功率预测装置的结构框图，本实施例提供的光伏功率预测装置包括：
第一获取单元10，用于获取光伏电站的至少一个目标预测参数集，其中，目标预测参数集包括初始功率预测值；
第一计算单元20，用于分别将各目标预测参数集输入预设偏差预测模型，得到各目标预测参数集对应的预测偏差值；
预测单元30，用于基于各预测偏差值修正相应目标预测参数集中的初始功率预测值，得到光伏电站的目标功率预测值。
可选的，第一获取单元10，用于获取光伏电站的至少一个目标预测参数集时，具体包括：
获取光伏电站在预测日内的第一数量个预测参数集；
在各预测参数集中，提取光伏电站在目标预测时间段内的至少一组预测参数集，得到目标预测参数集。
可选的，第一获取单元10，用于获取光伏电站在预测日内的第一数量个预测参数集时，具体包括：
获取光伏电站在预测日内的第二数量个预测参数集；
利用预设插值算法对各预测参数集进行插值运算，直至得到第一数量个预测参数集，其中，第一数量大于第二数量。
可选的，预测参数中还包括时间戳；
第一获取单元10，用于在各预测参数集中，提取光伏电站在目标预测时间段内的至少一组预测参数集，得到目标预测参数集时，具体包括：
按照预设间隔时长，在目标预测时间段内确定至少一个目标时间戳；
在各预测参数集中，提取各目标时间戳对应的预测参数集，得到目标预测参数集。
可选的，预测单元30，用于基于各预测偏差值修正相应目标预测参数集中的初始功率预测值，得到光伏电站的目标功率预测值时，具体包括：
分别计算各目标预测参数集中初始功率预测值与相应的预测偏差值的差值；
将各差值作为光伏电站的目标功率预测值。
可选的，参见图6，图6是本发明实施例提供的另一种光伏功率预测装置的结构框图，在图5所示实施例的基础上，本装置还包括：
第二获取单元40，用于获取光伏电站的多个样本参数集和各样本参数集对应的样本预测偏差值；
第二计算单元50，用于分别确定目标神经网络对各样本参数集的输出结果，到相应的样本预测偏差值之间的误差，得到各样本参数集对应的误差；
训练单元60，用于以各样本参数集对应的误差处于预设范围或循环次达到预设阈值为训练目标，调整目标神经网络的参数，得到预设偏差预测模型。
可选的，第二获取单元40，用于获取光伏电站的多个样本参数集时，具体包括：
将训练预设偏差预测模型的起始时刻作为参考时刻；
将预测日内自零时至参考时刻对应的时间段内的各预测参数集，作为光伏电站的样本参数集。
可选的，预测参数集还包括时间戳；
第二获取单元40，用于获取各样本参数集对应的样本预测偏差值的过程，具体包括：
按照样本参数集的时间戳获取光伏电站的功率实测值；
分别计算各样本参数集中的初始功率预测值与相应的功率实测值的差值，得到各样本参数集对应的样本预测偏差值。
可选的，参见图7，图7是本发明实施例提供的再一种光伏功率预测装置的结构框图，在图5所示装置的基础上，本装置还包括：
确定单元70，用于将确定目标功率预测值的时刻作为目标时刻；
第三获取单元80，用于若目标时刻属于预测日，获取光伏电站的功率实测值；
更新单元90，用于根据功率实测值更新预设偏差预测模型。
可选的，图8为本发明实施例提供的服务器的结构框图，参见图8所示，可以包括：至少一个处理器100，至少一个通信接口200，至少一个存储器300和至少一个通信总线400；
在本发明实施例中，处理器100、通信接口200、存储器300、通信总线400的数量为至少一个，且处理器100、通信接口200、存储器300通过通信总线400完成相互间的通信；显然，图8所示的处理器100、通信接口200、存储器300和通信总线400所示的通信连接示意仅是可选的；
可选的，通信接口200可以为通信模块的接口，如GSM模块的接口；
处理器100可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。
存储器300，存储有应用程序，可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
其中，处理器100具体用于执行存储器内的应用程序，以实现上述所述的光伏功率预测方法的任一实施例。
专业人员还可以进一步意识到，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。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的核心思想或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (16)
1.一种光伏功率预测方法，其特征在于，包括：
获取光伏电站的至少一个目标预测参数集，其中，所述目标预测参数集包括初始功率预测值；
分别将各所述目标预测参数集输入预设偏差预测模型，得到各所述目标预测参数集对应的预测偏差值；
基于各所述预测偏差值修正相应目标预测参数集中的初始功率预测值，得到所述光伏电站的目标功率预测值。
2.根据权利要求1所述的光伏功率预测方法，其特征在于，所述获取光伏电站的至少一个目标预测参数集，包括：
获取光伏电站在预测日内的第一数量个预测参数集；
在各所述预测参数集中，提取所述光伏电站在目标预测时间段内的至少一组预测参数集，得到目标预测参数集。
3.根据权利要求2所述的光伏功率预测方法，其特征在于，所述获取光伏电站在预测日内的第一数量个预测参数集，包括：
获取光伏电站在预测日内的第二数量个预测参数集；
利用预设插值算法对各所述预测参数集进行插值运算，直至得到第一数量个预测参数集，其中，所述第一数量大于所述第二数量。
4.根据权利要求2所述的光伏功率预测方法，其特征在于，所述预测参数中还包括时间戳；
所述在各所述预测参数集中，提取所述光伏电站在目标预测时间段内的至少一组预测参数集，得到目标预测参数集，包括：
按照预设间隔时长，在目标预测时间段内确定至少一个目标时间戳；
在各所述预测参数集中，提取各所述目标时间戳对应的预测参数集，得到目标预测参数集。
5.根据权利要求2所述的光伏功率预测方法，其特征在于，在所述基于各所述预测偏差值修正相应目标预测参数集中的初始功率预测值，得到所述光伏电站的目标功率预测值之后，还包括：
将确定所述目标功率预测值的时刻作为目标时刻；
若所述目标时刻属于所述预测日，获取所述光伏电站的功率实测值；
根据所述功率实测值更新所述预设偏差预测模型。
6.根据权利要求1所述的光伏功率预测方法，其特征在于，所述基于各所述预测偏差值修正相应目标预测参数集中的初始功率预测值，得到所述光伏电站的目标功率预测值，包括：
分别计算各所述目标预测参数集中初始功率预测值与相应的预测偏差值的差值；
将各所述差值作为所述光伏电站的目标功率预测值。
7.根据权利要求2所述的光伏功率预测方法，其特征在于，训练所述预设偏差预测模型的过程，包括：
获取所述光伏电站的多个样本参数集和各所述样本参数集对应的样本预测偏差值；
分别确定目标神经网络对各所述样本参数集的输出结果，到相应的样本预测偏差值之间的误差，得到各所述样本参数集对应的误差；
以所述各所述样本参数集对应的误差处于预设范围或循环次达到预设阈值为训练目标，调整所述目标神经网络的参数，得到预设偏差预测模型。
8.根据权利要求7所述的光伏功率预测方法，其特征在于，所述获取所述光伏电站的多个样本参数集，包括：
将训练所述预设偏差预测模型的起始时刻作为参考时刻；
将所述预测日内自零时至所述参考时刻对应的时间段内的各预测参数集，作为所述光伏电站的样本参数集。
9.根据权利要求8所述的光伏功率预测方法，其特征在于，所述预测参数集还包括时间戳；
获取各所述样本参数集对应的样本预测偏差值的过程，包括：
按照所述样本参数集的时间戳获取所述光伏电站的功率实测值；
分别计算各所述样本参数集中的初始功率预测值与相应的功率实测值的差值，得到各所述样本参数集对应的样本预测偏差值。
10.根据权利要求7所述的光伏功率预测方法，其特征在于，所述目标神经网络包括长短期记忆LSTM神经网络。
11.根据权利要求9所述的光伏功率预测方法，其特征在于，所述预测参数集还包括气象参数，所述气象参数包括地表水平面总辐射GHI和直接辐射DNI。
12.根据权利要求3所述的光伏功率预测方法，其特征在于，所述预设插值算法包括拉格朗日插值法、牛顿插值法、分段线性插值法、三次样条插值法、B样条插值法、张力样条插值法、克里金插值法和Hiemite插值法中的至少一种。
13.一种光伏功率预测装置，其特征在于，包括：
第一获取单元，用于获取光伏电站的至少一个目标预测参数集，其中，所述目标预测参数集包括初始功率预测值；
第一计算单元，用于分别将各所述目标预测参数集输入预设偏差预测模型，得到各所述目标预测参数集对应的预测偏差值；
预测单元，用于基于各所述预测偏差值修正相应目标预测参数集中的初始功率预测值，得到所述光伏电站的目标功率预测值。
14.根据权利要求13所述的光伏功率预测装置，其特征在于，所述第一获取单元，用于获取光伏电站的至少一个目标预测参数集时，具体包括：
获取光伏电站在预测日内的第一数量个预测参数集；
在各所述预测参数集中，提取所述光伏电站在目标预测时间段内的至少一组预测参数集，得到目标预测参数集。
15.根据权利要求14所述的光伏功率预测装置，其特征在于，还包括：
第二获取单元，用于获取所述光伏电站的多个样本参数集和各所述样本参数集对应的样本预测偏差值；
第二计算单元，用于分别确定目标神经网络对各所述样本参数集的输出结果，到相应的样本预测偏差值之间的误差，得到各所述样本参数集对应的误差；
训练单元，用于以所述各所述样本参数集对应的误差处于预设范围或循环次达到预设阈值为训练目标，调整所述目标神经网络的参数，得到预设偏差预测模型。
16.一种服务器，其特征在于，包括：存储器和处理器；所述存储器存储有适于所述处理器执行的程序，以实现权利要求1至12任一项所述的光伏功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110539408.6A CN113191564A (zh) | 2021-05-18 | 2021-05-18 | 一种光伏功率预测方法、装置及服务器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110539408.6A CN113191564A (zh) | 2021-05-18 | 2021-05-18 | 一种光伏功率预测方法、装置及服务器 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113191564A true CN113191564A (zh) | 2021-07-30 |
Family
ID=76982584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110539408.6A Pending CN113191564A (zh) | 2021-05-18 | 2021-05-18 | 一种光伏功率预测方法、装置及服务器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113191564A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113809789A (zh) * | 2021-08-04 | 2021-12-17 | 南方电网电动汽车服务有限公司 | 功率控制方法、能量路由器、功率控制系统及存储介质 |
| CN114363930A (zh) * | 2021-12-30 | 2022-04-15 | 北京红山信息科技研究院有限公司 | 一种基于agps mr数据的传播模型校正方法 |
| CN114897223A (zh) * | 2022-04-21 | 2022-08-12 | 华润电力技术研究院有限公司 | 一种风功率的预测方法、装置及计算机可读存储介质 |
| CN116205377A (zh) * | 2023-04-28 | 2023-06-02 | 江西恒能电力工程有限公司 | 分布式光伏电站出力预测方法、系统、计算机及存储介质 |
| GB2615295A (en) * | 2022-01-11 | 2023-08-09 | Preqin Ltd | Apparatus for processing an image |
| CN117332897A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104601104A (zh) * | 2014-12-22 | 2015-05-06 | 国家电网公司 | 基于lssvm带arma修正的超短期光伏预测方法 |
| WO2020103048A1 (zh) * | 2018-11-21 | 2020-05-28 | 亿可能源科技（上海）有限公司 | 储能管理及控制方法、系统、计算机设备、存储介质 |
| CN111626473A (zh) * | 2020-04-17 | 2020-09-04 | 国网上海市电力公司 | 一种考虑误差修正的两阶段光伏功率预测方法 |
| CN112036634A (zh) * | 2020-08-26 | 2020-12-04 | 阳光电源股份有限公司 | 光伏发电功率的确定方法、预测系统及可读存储介质 |
-
2021
- 2021-05-18 CN CN202110539408.6A patent/CN113191564A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104601104A (zh) * | 2014-12-22 | 2015-05-06 | 国家电网公司 | 基于lssvm带arma修正的超短期光伏预测方法 |
| WO2020103048A1 (zh) * | 2018-11-21 | 2020-05-28 | 亿可能源科技（上海）有限公司 | 储能管理及控制方法、系统、计算机设备、存储介质 |
| CN111626473A (zh) * | 2020-04-17 | 2020-09-04 | 国网上海市电力公司 | 一种考虑误差修正的两阶段光伏功率预测方法 |
| CN112036634A (zh) * | 2020-08-26 | 2020-12-04 | 阳光电源股份有限公司 | 光伏发电功率的确定方法、预测系统及可读存储介质 |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113809789A (zh) * | 2021-08-04 | 2021-12-17 | 南方电网电动汽车服务有限公司 | 功率控制方法、能量路由器、功率控制系统及存储介质 |
| CN114363930A (zh) * | 2021-12-30 | 2022-04-15 | 北京红山信息科技研究院有限公司 | 一种基于agps mr数据的传播模型校正方法 |
| GB2615295A (en) * | 2022-01-11 | 2023-08-09 | Preqin Ltd | Apparatus for processing an image |
| GB2616501A (en) * | 2022-01-11 | 2023-09-13 | Preqin Ltd | Robot |
| CN114897223A (zh) * | 2022-04-21 | 2022-08-12 | 华润电力技术研究院有限公司 | 一种风功率的预测方法、装置及计算机可读存储介质 |
| CN116205377A (zh) * | 2023-04-28 | 2023-06-02 | 江西恒能电力工程有限公司 | 分布式光伏电站出力预测方法、系统、计算机及存储介质 |
| CN116205377B (zh) * | 2023-04-28 | 2023-08-18 | 江西恒能电力工程有限公司 | 分布式光伏电站出力预测方法、系统、计算机及存储介质 |
| CN117332897A (zh) * | 2023-10-17 | 2024-01-02 | 南方电网数字电网研究院有限公司 | 人工智能驱动的新能源小时间尺度功率插值集成预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113191564A (zh) | 一种光伏功率预测方法、装置及服务器 | |
| CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
| CN112365029B (zh) | 用于空调负荷预测的缺失值处理方法及空调负荷预测系统 | |
| CN110059867B (zh) | 一种swlstm结合gpr的风速预测方法 | |
| CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
| CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
| CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及系统 | |
| CN114330935A (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
| CN116106761A (zh) | 基于典型相关分析的锂离子电池电量实时估计方法 | |
| CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
| CN115308558A (zh) | Cmos器件寿命预测方法、装置、电子设备及介质 | |
| CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
| CN107358059A (zh) | 短期光伏能量预测方法和装置 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN111476411B (zh) | 一种光伏电站发电量计算方法及服务器 | |
| CN117371622A (zh) | 一种区域中长期动态碳排放因子的预测方法、系统及设备 | |
| CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN109447843B (zh) | 一种光伏出力预测方法及装置 | |
| CN115409291A (zh) | 一种风速修正的风电功率预测方法及系统 | |
| CN115936236A (zh) | 一种卷烟厂能耗预测方法、系统、设备及介质 | |
| CN113610665B (zh) | 一种基于多延迟输出回声状态网的风力发电功率预测方法 | |
| CN113689694B (zh) | 一种车流量预测方法、装置、设备及可读存储介质 | |
| Shen et al. | A hybrid algorithm based on beluga whale optimization-forgetting factor recursive least square and improved particle filter for the state of charge estimation of lithium-ion batteries | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20221220 Address after: Room 423, Sunshine Power R&D Center Building, No. 1699, Xiyou Road, High-tech Zone, Hefei City, Anhui Province, 230088 Applicant after: Sunshine Hui Carbon Technology Co.,Ltd. Address before: 230088 No. 1699 Xiyou Road, Hefei High-tech Zone, Anhui Province Applicant before: SUNGROW POWER SUPPLY Co.,Ltd. |
|
| TA01 | Transfer of patent application right |