CN113240153A - 光伏发电数据预测方法、装置、计算设备及存储介质 - Google Patents
光伏发电数据预测方法、装置、计算设备及存储介质 Download PDFInfo
- Publication number
- CN113240153A CN113240153A CN202110381749.5A CN202110381749A CN113240153A CN 113240153 A CN113240153 A CN 113240153A CN 202110381749 A CN202110381749 A CN 202110381749A CN 113240153 A CN113240153 A CN 113240153A
- Authority
- CN
- China
- Prior art keywords
- data
- power generation
- meteorological
- training
- predicted
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 176
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 136
- 238000004590 computer program Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 abstract description 4
- 239000010410 layer Substances 0.000 description 28
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 5
- 238000002790 cross-validation Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请适用于数据处理技术领域,提供一种光伏发电数据预测方法、装置、计算设备及存储介质,包括:将待预测日期对应的气象数据,输入训练好的气象分类模型,得到所述待预测日期对应的气象类型;将所述气象数据输入所述气象类型对应的发电数据预测模型,得到预测的发电数据。本申请的实施例能对发电数据进行较为准确的预测,能提高预测台风季的光伏发电功率的精确度。
Description
技术领域
本申请属于数据处理技术领域,尤其涉及一种光伏发电数据预测方法、装置、计算设备及存储介质。
背景技术
随着全球能源的紧缺,光伏装机容量每年快速增加。由于光伏发电数据比如光伏发电功率(也可称为光伏出力)的不稳定性和间歇性对电网造成的影响,精准的光伏出力预测在近几年的研究中非常重要。而对于台风多发的地区,一年有好几个月是台风季,气象的不稳定,对光伏发电功率的精确预测有非常大的影响,导致目前的方法预测台风季的光伏发电功率的精确度较差。
发明内容
本申请的实施例提供一种光伏发电数据预测方法、装置、计算设备及存储介质,能提高预测台风季的光伏发电功率的精确度。
第一方面,本申请的实施例提供一种光伏发电数据预测方法,包括:
将待预测日期对应的气象数据,输入训练好的气象分类模型,得到所述待预测日期对应的气象类型;
将所述气象数据输入所述气象类型对应的发电数据预测模型,得到预测的发电数据。
在第一方面的一种可能的实现方式中,还包括:
根据第一历史气象数据,以及所述第一历史气象数据对应的第一历史发电数据,构建第一训练数据集;
以发电数据作为所述气象类型的分类标准,设置所述第一训练数据集的第一标签;
使用所述第一训练数据集训练气象分类模型,得到所述训练好的气象分类模型。
在第一方面的一种可能的实现方式中,所述根据第一历史气象数据,以及所述第一历史气象数据对应的第一历史发电数据,构建第一训练数据集,包括:
根据所述待预测日期的指定时间点,将历史时期中对应时间段的数据作为所述待预测日期对应的历史数据集;所述历史数据集包含至少一个时间段的数据,各所述时间段的数据包含多组数据,各组数据的数据采集间隔均为t;
对所有待预测日期对应的所述历史数据集进行标准化,得到所述第一训练数据集。
在第一方面的一种可能的实现方式中,所述将所述气象数据输入所述气象类型对应的发电数据预测模型,得到预测的发电数据,包括:
获取与所述待预测日期对应的气象类型对应的目标预测子模型;所述目标预测子模型是预先训练好的;
将所述待预测日期对应的气象数据,输入至所述目标预测子模型,得到预测的发电数据。
在第一方面的一种可能的实现方式中,还包括:
根据不同气象类型在所述第一训练数据集中对应的子训练数据集,训练所述发电数据预测模型,得到与不同气象类型对应的目标预测子模型。
在第一方面的一种可能的实现方式中,所述根据不同气象类型在所述第一训练数据集中对应的子训练数据集,训练所述发电数据预测模型,得到与不同气象类型对应的目标预测子模型,包括:
将每个所述子训练数据集随机均匀分成k份训练数据,轮流选择所述k份训练数据中的k-1份训练数据作为第一子训练集,剩下的一份作为第一子验证集;k为大于1的整数;
利用所述第一子训练集对发电数据预测模型进行训练,以及利用所述第一子验证集对训练的发电数据预测模型进行验证,并计算发电数据预测模型的误差平方和;
迭代进行k次后,并在k次的误差平方和的平均值满足预设要求时,将满足预设要求的发电数据预测模型作为所述目标预测子模型。
在第一方面的一种可能的实现方式中,所述预测子模型为多层感知机回归模型;
所述多层感知机回归模型包括:输入层、输出层、以及位于所述输入层和所述输出层之间的隐藏层。
第二方面,本申请的实施例提供一种光伏发电数据预测装置,包括:
训练好的气象分类模型,用于:根据待预测日期对应的气象数据,得到所述待预测日期对应的气象类型;
与气象类型对应的发电数据预测模型,用于:根据所述气象数据得到预测的发电数据。
第三方面,本申请的实施例提供一种计算设备,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第一方面中任一项所述的方法。
第四方面,本申请的实施例提供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第一方面中任一项所述的方法。
第五方面,本申请的实施例提供一种计算机程序产品,当计算机程序产品在终端设备上运行时,使得终端设备执行上述第一方面中任一项所述的方法。
本申请的实施例与现有技术相比存在的有益效果是:
本申请实施例中,将待预测日期对应的气象数据,输入训练好的气象分类模型,得到待预测日期对应的气象类型;再将待预测日期对应的气象数据,输入前述气象类型对应的发电数据预测模型,得到预测的发电数据;由于对气象进行分类,能得到待预测日期对应的气象类型,根据得到的气象类型选择对应的发电数据预测模型,即使气象变化很快,也能基于气象数据和对应的发电数据预测模型对发电数据进行预测,能得到较为准确的发电数据,能提高预测台风季的光伏发电功率的精确度。
本申请的实施例的一些可能的实现方式具有如下有益效果:
通过分时间段进行特征提取,建立相似气象情况分类,该气象分类方法灵活,与传统的根据阴晴雨进行分类的方法相比,该气象分类方法可根据实际气象变化情况进行安排,能进一步提高预测台风季的光伏发电数据的精确度;
将不同气象类型在第一训练数据集中对应的子训练数据集随机均匀分成k份训练数据,轮流选择k份训练数据中的k-1份训练数据作为第一子训练集,剩下的一份作为第一子验证集;利用第一子训练集对发电数据预测模型进行训练,以及利用第一子验证集对训练的发电数据预测模型进行验证并计算发电数据预测模型的误差平方和;在进行k次交叉验证之后,使用k次的平均成绩作为整个发电数据预测模型的得分,将得分满足预设要求的发电数据预测模型作为目标预测子模型;子训练数据集的每个数据在第一子验证集中出现一次,并且在第一子训练集中出现k-1次;如此,能显著减少欠拟合,因为使用了数据集中的大多数的数据进行训练;同时也能降低过拟合的可能,因为也使用了大多数的数据进行模型的验证。
附图说明
为了更清楚地说明本申请的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是本申请一实施例提供的光伏发电数据预测方法的流程示意图;
图2是本申请一实施例提供的光伏发电数据预测方法的总体流程示意图;
图3是本申请一实施例提供的光伏发电数据预测方法的一种变型方式的流程示意图;
图4是本申请一实施例提供的光伏发电数据预测方法的另一种变型方式的流程示意图;
图5是本申请一实施例提供的多层感知机回归模型的结构示意图;
图6是本申请一实施例提供的光伏发电数据预测装置的结构示意图;
图7是本申请一实施例提供的光伏发电数据预测装置的一种变型方式的结构示意图;
图8是本申请一实施例提供的发电数据预测模型的结构示意图;
图9是本申请一实施例提供的训练数据集构建单元的结构示意图;
图10是本申请一实施例提供的光伏发电数据预测装置的另一种变型方式的结构示意图;
图11是本申请一实施例提供的预测子模型训练单元的结构示意图;
图12是本申请一实施例提供的计算设备的结构示意图。
具体实施方式
为了使本申请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1至12及实施例,对本申请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申请,并不用于限定本申请。
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请的实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
本申请实施例提供一种光伏发电数据预测方法,其中,光伏发电数据可以是光伏发电功率(也可称为光伏出力),也可以是光伏发电量,本申请不以此为限。如此,本实施例具体是提供一种台风多发季光伏发电功率预测方法,能应用在光伏领域,对提高光伏电站的运维能力,增加发电量有非常重要的经济意义。同时,对于电力部门进行电力调度,维护电网电压稳定也有非常重要的作用。
本申请实施例提供的光伏发电数据预测方法可以应用于各种计算设备,比如终端计算机或者服务器,本申请实施例对计算设备的具体类型不作任何限制。
图1示出本实施例提供的光伏发电数据预测方法的示意性流程图,作为示例而非限定,该方法可以应用于上述计算设备中。图2示出本实施例提供的光伏发电数据预测方法的总体流程示意图,本申请实施例提供的光伏发电数据预测方法包括数据分析、相似天气类型分类、机器学习模型训练和光伏发电数据(比如发电量)短期预测四个阶段;其中,光伏发电数据短期预测包括步骤S1至步骤S2。
步骤S1、将待预测日期对应的气象数据,输入训练好的气象分类模型,得到待预测日期对应的气象类型。
待预测日期是指需要进行光伏发电数据预测的日期,比如要对某一天的光伏发电数据进行预测,则该某一天就是待预测日期。
为了获得待预测日期对应的气象类型,需要获得待预测日期对应的气象数据。待预测日期可以是一个,也可以是多个。由于待预测日期是尚未到来的日期(或者说未来的日期),因此待预测日期对应的气象数据是预测得到的,比如天气预报中的气象数据。气象数据包括但不限于辐射强度、辐射量、温度、湿度和风速。
获得待预测日期对应的气象数据之后,将该数据输入训练好的气象分类模型;该气象分类模型是机器学习模型,是预先训练好的,能根据输入的气象数据输出气象类型。
下面对本实施例提供的方法中的数据分析、相似天气类型分类、以及机器学习模型训练进行说明。图3是本申请一实施例提供的光伏发电数据预测方法的流程示意图,该光伏发电数据预测方法还包括步骤A1至步骤A3。
数据分析是采用皮尔逊(Pearson)相关系数法对参数特征相关性进行分析,结果发现相关系数随天气变化而变化,每个时间段都有差异。在此基础上,基于高斯过程回归(Gaussian Process Regressor,GPR)模型,提出一种新的相似天气类型分类方法,具体如下文中的步骤A1和步骤A2。
步骤A1、根据第一历史气象数据,以及第一历史气象数据对应的第一历史发电数据,构建第一训练数据集。
要训练气象分类模型,就要先构建训练数据集。如前所述,由于是根据待预测日期对应的气象数据得到对应的气象类型,因此,第一训练数据集包含气象数据。为了实现气象类型的分类,将发电数据引入第一训练数据集。如此,根据历史气象数据和历史发电数据构建第一训练数据集。
在一些实施例中,步骤A1(构建第一训练数据集)包括步骤A101至步骤A102。
步骤A101、根据待预测日期的指定时间点,将历史时期中对应时间段的数据作为第一历史数据集;第一历史数据集包含至少一个时间段的数据,一个时间段的数据包含多组数据,各组数据的数据采集间隔均为t。
预测光伏发电数据,可以是预测待预测日期的某个时间点(指定时间点)的光伏发电数据,比如上午10:00的光伏发电数据。
可以设置采集系统,比如在光伏电站所在地设置采集系统,每t时间(比如每15分钟)采集气象数据和发电数据(比如发电量数据),跟踪温度、湿度、风速、辐射量等气象数据以及发电数据(比如发电量数据)的实时变化情况,将这些数据作为原始数据。原始数据为历史时期数据。
根据待预测日期的指定时间点,从原始数据中选取历史时期台风天气相似数据,作为第一历史数据集;历史时期台风天气相似数据所对应的地区(比如城市),与待预测日期对应的气象数据所对应的地区(比如城市)相同,都是同一个地方。第一历史数据集用于构建训练数据集,包含多个t时间采集的气象数据以及发电数据。假设待预测的是2020年3月6日上午10:00的气象类型,那么第一历史数据集为2017、2018、2019年3月6日及前后几天(可根据需要自行设计,如前后五天)的9:00到10:45相同时间段的历史数据,以及为2020年3月6日之前几天(可根据需要自行设计,如前五天)的9:00到10:45相同时间段的历史数据。
如此,第一历史数据集包含多个时间段的数据,每个时间段均包含前述指定时间点。在一些实施例中,如前所述,历史时期中对应时间段是指年份不同,但月和日与待预测日期相同的日期所对应的时间段。在其他一些实施例中,历史时期中对应时间段是指气象情况与待预测日期类似的日期所对应的时间段,比如前两个月的台风天的某个时间段或者近期台风天的某个时间段。
步骤A102、对第一历史数据集进行标准化,形成第一训练数据集。
得到第一历史数据集之后,将其中的气象数据和发电数据进行标准化,比如对所有待预测日期对应的第一历史数据集进行标准化。在一些实施例中是采用min-max标准化(Min-max normalization)(也叫离差标准化),对原始数据进行线性变换,使结果落到[0,1]区间,转换函数如下式(1)。
式(1)是对序列x1、x2、……、xn进行变换;新序列y1、y2、……、yn∈[0,1]且没有量纲。其中,max为样本数据的最大值,min为样本数据的最小值。当有新数据加入时,可能导致max和min的变化,需要重新定义max和min。
步骤A2、以发电数据作为气象类型的分类标准,设置第一训练数据集的第一标签。
光伏发电与气象因素(比如辐射强度、气温、相对湿度以及风速等)有较强相关关系,而台风多发季,气象情况变化速度快,本实施例在此对气象情况进行分类。通过前面的步骤得到第一训练数据集后,以发电数据比如发电量作为分类标准,为第一训练数据集的每个时间段(比如每两小时)的数据添加天气等级标签。假设某时段内的气象情况分为两种类型,以该时段内的发电量均值(发电量均值属于发电数据)为分界线,将发电量在发电量均值以上的气象数据的标签设置为第一类型标签A,将发电量在发电量均值以下的气象数据的标签设置为第二类型标签B。
如果将每天的时段分为6组,比如将台风季比如6月至10月的每天的时段分为6组,大致每2小时为一组,如7:30~9:00、9:00~11:00……至17:00~18:00,假设某时间段内的气象情况分为两种类型,根据前面的气象类型分类方案,对于台风这种多变的气象情况,每天可分为12种天气类型。
分类标签可根据气象和发电数据的情况进行更灵活的设置,比如分为四类标签或者六类标签等,计算方法亦可自行灵活定义,在第一训练数据集中加入相应标签即可。
表1所示为本实施例将气象类型的标签分为两类的分类依据表。用T代表某时段的数据集,比如5月15日的9:00A.M.至11:00A.M.的数据集,假设该数据集的数量是n,yi是每15分钟采集的光伏发电功率(或称为光伏出力值),AVGy是这两个小时时段内光伏发电功率。如公式(2)所示,那么,第一类型标签A和第二类型标签B所对应的光伏发电功率的范围如表1所示。如此,在气象多变的情况下,建立气象输入信息与光伏出力的关系。
表1气象类型分类依据表
气象类型 | 光伏发电功率(y<sub>i</sub>)的范围 |
第一类型标签A | y<sub>i</sub>>AVG<sub>y</sub> |
第二类型标签B | 0<y<sub>i</sub>≤AVG<sub>y</sub> |
步骤A3、使用第一训练数据集训练气象分类模型,得到训练好的气象分类模型。
步骤A3是前述的机器学习模型训练。得到带有标签的第一训练数据集之后,使用该数据集对气象分类模型进行训练。
在一些实施例中,添加标签之后的第一训练数据集采用高斯分类模型对气象数据进行训练。高斯过程回归(Gaussian Process Regression,GPR)与贝叶斯岭回归类似,区别在于高斯过程回归中用核函数代替贝叶斯岭回归中的基函数。高斯过程回归从函数空间角度出发,定义一个高斯过程来描述函数分布,直接在函数空间进行贝叶斯推理。如此,通过分时段进行特征提取,然后利用高斯回归建立相似气象情况分类,得到训练好的气象分类模型。高斯过程回归模型相比其他模型,在保证运算速度的前提下能保证很好的精度,更适用于工程。
在一些实施例中,在某气象类型下,将其在第一训练数据集中对应的数据集随机分为两组,一组作为第一训练集,一组作为第一验证集,利用第一训练集训练气象分类模型,然后利用第一验证集验证模型,记录最后的分类准确率为此气象分类模型的性能指标,有利于得到最优的气象分类模型。
步骤S2、将气象数据输入气象类型对应的发电数据预测模型,得到预测的发电数据。
得到练好的气象分类模型之后,如前所述,由于预测的是2020年3月6日上午10:00的发电数据,所以将该待预测日期对应的气象数据输入练好的气象分类模型,得到2020年3月6日上午10:00的气象类型;然后,再将该待预测日期对应的气象数据输入前述气象类型对应的发电数据预测模型,得到预测的发电数据,也就是2020年3月6日上午10:00的发电数据,比如发电功率。在一些实施例中,也是采用前述的训练数据集对发电数据预测模型进行训练,得到训练好的发电数据预测模型。
根据上述可知,将待预测日期对应的气象数据,输入训练好的气象分类模型,得到待预测日期对应的气象类型;再将待预测日期对应的气象数据,输入前述气象类型对应的发电数据预测模型,得到预测的发电数据;由于对气象进行分类,能得到待预测日期对应的气象类型,根据得到的气象类型选择对应的发电数据预测模型,即使气象变化很快,也能基于气象数据和对应的发电数据预测模型对发电数据进行预测,能得到较为准确的发电数据,能提高预测台风季的光伏出力的精确度。
在一些实施例中,将实时产生的结果(比如发电数据,以及待预测日期对应的真实气象数据)作为历史数据放入数据库(可以从该数据库中获取数据构建新的第一训练数据集),进行滚动校验,能提高分类的准确度。
在一些实施例中,前述发电数据预测模型为多层感知机回归模型(MultilayerPerceptron Regressor,MLPR);图5是本实施例提供的多层感知机回归模型的结构示意图,该多层感知机回归模型包括:输入层、输出层、以及位于输入层和输出层之间的隐藏层。如此,便能建立基于多层感知机的光伏出力预测模型。
多层感知机在单层神经网络的基础上引入一到多个隐藏层(hidden layer),隐藏层位于输入层和输出层之间。
在图5所示的多层感知机中,输入单元(图中的x1、x2、x3和x4)和输出单元(图中的o1、o2、和o3)的个数分别为4和3,中间的隐藏层中包含5个隐藏单元(hidden unit)(图中的h1、h2、h3、h4和h5)。由于输入层不涉及计算,因此图5的多层感知机的层数为2。由图5可知,隐藏层中的神经元和输入层中各个输入完全连接,输出层中的神经元和隐藏层中的各个神经元也完全连接。因此,多层感知机中的隐藏层和输出层都是全连接层。
基于上述的多层感知机回归模型(发电数据预测模型),步骤S2(将待预测日期的气象数据,输入气象类型对应的发电数据预测模型,得到预测的发电数据)包括步骤S201至步骤S202。
步骤S201、获取与待预测日期对应的气象类型对应的目标预测子模型。
目标预测子模型是预先训练好的,根据待预测日期对应的气象类型获取即可。
步骤S202、将待预测日期对应的气象数据,输入至目标预测子模型,得到预测的发电数据。
通过前面的气象类型预测,得到待预测日期的气象数据对应的气象类型,然后将待预测日期对应的气象数据(也可称为实时的气象数据)输入对应的气象类型下的目标预测子模型,由对应的目标预测子模型输出发电数据,从而完成预测发电数据。如此,使用多层感知机模型预测发电数据,能得出提前一天的每15分钟光伏发电量。
图4是本申请一实施例提供的光伏发电数据预测方法的流程示意图。在一些实施例中,为获得目标预测子模型,光伏发电数据预测方法还包括步骤B1。
步骤B1、根据不同气象类型在第一训练数据集中对应的子训练数据集,训练发电数据预测模型,得到与不同气象类型对应的目标预测子模型。
步骤B1是发电数据预测模型的训练过程。如前所述,第一训练数据集是根据发电量均值进行气象类型分类的,那么,每一个气象类型就会对应一个子训练数据集。该子训练数据集包括历史气象数据和历史发电数据。用不同气象类型对应的子训练数据集训练完前述多层感知机模型之后,就会分出对应不同气象类型的目标预测子模型,这些目标预测子模型具有不同的模型参数,比如:有利于发电的气象类型所对应的目标预测子模型,以及不利于发电的气象类型所对应的目标预测子模型。
对数据集进行分类后,如果带有标签的数据集没有足够的数据用于训练模型时,那么,划分数据的一部分进行验证会导致得到的模型欠拟合,会减少训练集,会使模型丧失部分数据集中重要的特征或趋势,这会增加偏差导致的误差。因此,需要一种方法来提供样本集用于训练模型并且留一部分数据集用于验证模型,k折交叉验证(K-Fold)因此被提出。如此,前述步骤B1(根据不同气象类型在第一训练数据集中对应的子训练数据集,训练发电数据预测模型,得到与不同气象类型对应的目标预测子模型)包括步骤B11至步骤B13。
步骤B11、将每个子训练数据集随机均匀分成k份训练数据,轮流选择k份训练数据中的k-1份训练数据作为第一子训练集,剩下的一份作为第一子验证集。
具体的,先将子训练数据集打乱,然后再将打乱后的数据集均匀分成k份,轮流选择其中的k-1份作为第一子训练集,剩下的1份作为第一子验证集。其中,k为大于1的整数。
步骤B12、利用第一子训练集对发电数据预测模型进行训练,以及利用第一子验证集对训练的发电数据预测模型进行验证,并计算发电数据预测模型的误差平方和。
如前所述,得到具有k-1份数据的第一子训练集和具有剩余1份数据的第一子验证集后,用第一子训练集训练发电数据预测模型,再用对应的第一子验证集对训练完的发电数据预测模型进行验证,并计算模型的误差平方和。
步骤B13、迭代进行k次后,并在k次的误差平方和的平均值满足预设要求时,将满足预设要求的发电数据预测模型作为目标预测子模型。
步骤B11和步骤B12迭代k次后,对k次的误差平方和求平均值,将该平均值作为选择最优模型的依据,具体是将满足预设要求的平均值对应的发电数据预测模型作为目标预测子模型,实现选择最优模型。在进行k次交叉验证之后,使用k次的平均成绩作为整个模型的得分,以得到目标预测子模型。子训练数据集的每个数据在第一子验证集中出现一次,并且在第一子训练集中出现k-1次;如此,能显著减少欠拟合,因为使用了数据集中的大多数的数据进行训练;同时也能降低过拟合的可能,因为也使用了大多数的数据进行模型的验证。
基于上述内容,当需要对一些小的数据集进行统计分析时,k折交叉验证(K-Fold)是一个好的选择,因为在进行k次交叉验证时能获得足够多的模型的质量差异和不同的最佳参数。一般而言,经过长期的经验积累,选择k=5或k=10,以产生不受过高偏差影响的测试误差估计。
台风季的气象情况复杂多变,相似气象情况下的数据量较少,通过本实施例上述的方法可以产生大量数据对机器学习模型进行训练,以达到理想效果,能得到较准确的发电数据预测值。
选择国内某台风多发地2019年8月某天的预测结果,用MRE(平均相对误差,MeanRelative Error)和RMSE(Root Mean Squared Error,均方根误差)评估预测结果发现,使用本申请实施例的方法,比传统使用单一数据挖掘模型的方法有较大的提高。
对应于上文实施例所述方法,图6示出本申请的实施例提供的光伏发电数据预测装置的结构框图,为了便于说明,仅示出与本申请实施例相关的部分。
参考图6,该装置包括:训练好的气象分类模型1、以及与气象类型对应的发电数据预测模型2。
训练好的气象分类模型1,用于:根据待预测日期对应的气象数据,得到待预测日期对应的气象类型。
与气象类型对应的发电数据预测模型2,用于:根据气象数据得到预测的发电数据。
图7是本申请一实施例提供的光伏发电数据预测装置的结构示意图。在一些实施例中,光伏发电数据预测装置还包括训练数据集构建单元1A、标签设置单元2A、以及模型训练单元3A。
训练数据集构建单元1A用于:根据第一历史气象数据,以及第一历史气象数据对应的第一历史发电数据,构建第一训练数据集。
标签设置单元2A用于:以发电数据作为气象类型的分类标准,设置第一训练数据集的第一标签。
模型训练单元3A用于:使用第一训练数据集训练气象分类模型,得到训练好的气象分类模型。
图8是本申请一实施例提供的发电数据预测模型的结构示意图,该实施例提供的发电数据预测模型2包括子模型获取单元201、以及预测单元202。
子模型获取单元201用于:获取与待预测日期对应的气象类型对应的目标预测子模型。其中,目标预测子模型是预先训练好的。
预测单元202用于:将待预测日期对应的气象数据,输入至目标预测子模型,得到预测的发电数据。
图9是本申请一实施例提供的训练数据集构建单元的结构示意图,训练数据集构建单元1A包括历史数据集获取单元101A、以及数据标准化单元102A。
历史数据集获取单元101A用于:根据待预测日期的指定时间点,将历史时期中对应时间段的数据作为待预测日期对应的第一历史数据集;第一历史数据集包含至少一个时间段的数据,各时间段的数据包含多组数据,各组数据的数据采集间隔均为t。
数据标准化单元102A用于:对所有待预测日期对应的第一历史数据集进行标准化,得到第一训练数据集。
图10是本申请一实施例提供的光伏发电数据预测装置的结构示意图,该实施例提供的光伏发电数据预测装置还包括预测子模型训练单元1B。
预测子模型训练单元1B用于:根据不同气象类型在第一训练数据集中对应的子训练数据集,训练发电数据预测模型,得到与不同气象类型对应的目标预测子模型。
图11是本申请一实施例提供的预测子模型训练单元的结构示意图,该实施例提供的预测子模型训练单元1B包括数据划分单元11B、训练及验证单元12B、以及优化单元13B。
数据划分单元11B用于:将每个子训练数据集随机均匀分成k份训练数据,轮流选择k份训练数据中的k-1份训练数据作为第一子训练集,剩下的一份作为第一子验证集。
训练及验证单元12B用于:利用第一子训练集对发电数据预测模型进行训练,以及利用第一子验证集对训练的发电数据预测模型进行验证,并计算发电数据预测模型的误差平方和。
优化单元13B用于:迭代进行k次后,并在k次的误差平方和的平均值满足预设要求时,将满足预设要求的发电数据预测模型作为目标预测子模型。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
图12为本申请一实施例提供的计算设备的结构示意图。如图12所示,该实施例的计算设备12包括:至少一个处理器120(图12中仅示出一个)处理器、存储器121以及存储在存储器121中并可在至少一个处理器120上运行的计算机程序122;处理器120执行计算机程序122时实现上述任意各方法实施例中的步骤。
计算设备12可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该计算设备可包括,但不仅限于,处理器120和存储器121。本领域技术人员可以理解,图12仅仅是计算设备的举例,并不构成对计算设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备、总线等。
处理器120可以是中央处理单元(Central Processing Unit,CPU),该处理器120还可以是其他通用处理器、数字信号处理器(Digital Signal 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。
存储器121在一些实施例中可以是计算设备12的内部存储单元,例如计算设备的硬盘或内存。存储器121在另一些实施例中也可以是计算设备的外部存储设备,例如计算设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)等。进一步地,存储器121还可以既包括计算设备的内部存储单元也包括外部存储设备。存储器121用于存储操作系统、应用程序、引导装载程序(Boot Loader)、数据以及其他程序等,例如计算机程序的程序代码等。存储器121还可以用于暂时地存储已经输出或者将要输出的数据。
示例性的,计算机程序122可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器121中,并由处理器120执行,以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序122在计算设备12中的执行过程。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
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,仅以上述各功能单元、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单元、模块完成,即将装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
前述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于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。计算机可读介质包括:能够将计算机程序代码携带到装置/终端设备的任何实体或装置、记录介质、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。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
本申请的实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请的实施例提供一种计算机程序产品,当计算机程序产品在终端设备比如移动终端上运行时,使得移动终端可实现上述各个方法实施例中的步骤。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
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、或者计算机软件和电子硬件的结合来实现。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申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
前述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实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种光伏发电数据预测方法,其特征在于,所述方法包括:
将待预测日期对应的气象数据,输入训练好的气象分类模型,得到所述待预测日期对应的气象类型;
将所述气象数据输入所述气象类型对应的发电数据预测模型,得到预测的发电数据。
2.如权利要求1所述的方法,其特征在于,还包括:
根据第一历史气象数据,以及所述第一历史气象数据对应的第一历史发电数据,构建第一训练数据集;
以发电数据作为所述气象类型的分类标准,设置所述第一训练数据集的第一标签;
使用所述第一训练数据集训练气象分类模型,得到所述训练好的气象分类模型。
3.如权利要求2所述的方法,其特征在于,所述根据第一历史气象数据,以及所述第一历史气象数据对应的第一历史发电数据,构建第一训练数据集,包括:
根据所述待预测日期的指定时间点,将历史时期中对应时间段的数据作为所述待预测日期对应的第一历史数据集;所述第一历史数据集包含至少一个时间段的数据,各所述时间段的数据包含多组数据,各组数据的数据采集间隔均为t;
对所有待预测日期对应的所述第一历史数据集进行标准化,得到所述第一训练数据集。
4.如权利要求3所述的方法,其特征在于,所述将所述气象数据输入所述气象类型对应的发电数据预测模型,得到预测的发电数据,包括:
获取与所述待预测日期对应的气象类型对应的目标预测子模型;所述目标预测子模型是预先训练好的;
将所述待预测日期对应的气象数据,输入至所述目标预测子模型,得到预测的发电数据。
5.如权利要求4所述的方法,其特征在于,还包括:
根据不同气象类型在所述第一训练数据集中对应的子训练数据集,训练所述发电数据预测模型,得到与不同气象类型对应的目标预测子模型。
6.如权利要求5所述的方法,其特征在于,所述根据不同气象类型在所述第一训练数据集中对应的子训练数据集,训练所述发电数据预测模型,得到与不同气象类型对应的目标预测子模型,包括:
将每个所述子训练数据集随机均匀分成k份训练数据,轮流选择所述k份训练数据中的k-1份训练数据作为第一子训练集,剩下的一份作为第一子验证集;k为大于1的整数;
利用所述第一子训练集对发电数据预测模型进行训练,以及利用所述第一子验证集对训练的发电数据预测模型进行验证,并计算发电数据预测模型的误差平方和;
迭代进行k次后,并在k次的误差平方和的平均值满足预设要求时,将满足预设要求的发电数据预测模型作为所述目标预测子模型。
7.如权利要求6所述的方法,其特征在于,所述预测子模型为多层感知机回归模型;
所述多层感知机回归模型包括:输入层、输出层、以及位于所述输入层和所述输出层之间的隐藏层。
8.一种光伏发电数据预测装置,其特征在于,包括:
训练好的气象分类模型,用于:根据待预测日期对应的气象数据,得到所述待预测日期对应的气象类型;
与气象类型对应的发电数据预测模型,用于:根据所述气象数据得到预测的发电数据。
9.一种计算设备,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7任一项所述的方法。
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7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110381749.5A CN113240153A (zh) | 2021-04-09 | 2021-04-09 | 光伏发电数据预测方法、装置、计算设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110381749.5A CN113240153A (zh) | 2021-04-09 | 2021-04-09 | 光伏发电数据预测方法、装置、计算设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240153A true CN113240153A (zh) | 2021-08-10 |
Family
ID=77127877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110381749.5A Pending CN113240153A (zh) | 2021-04-09 | 2021-04-09 | 光伏发电数据预测方法、装置、计算设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240153A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688987A (zh) * | 2021-08-30 | 2021-11-23 | 远景智能国际私人投资有限公司 | 光伏监测模型的训练方法、光伏设备的监测方法及设备 |
CN114048896A (zh) * | 2021-10-27 | 2022-02-15 | 国核自仪系统工程有限公司 | 光伏发电数据的预测方法、系统、设备及介质 |
CN116721356A (zh) * | 2023-08-10 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 一种光伏系统的输出功率预测方法及相关设备 |
CN117408489A (zh) * | 2023-11-08 | 2024-01-16 | 无锡混沌能源技术有限公司 | 一种并网型光伏制氢耦合系统能源优化调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766990A (zh) * | 2017-11-10 | 2018-03-06 | 河海大学 | 一种光伏电站发电功率的预测方法 |
CN107944604A (zh) * | 2017-11-10 | 2018-04-20 | 中国电力科学研究院有限公司 | 一种用于光伏功率预测的天气类型识别方法和装置 |
CN110766212A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 用于历史数据缺失电场的超短期光伏功率预测方法 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
CN111815039A (zh) * | 2020-06-28 | 2020-10-23 | 山东大学 | 基于天气分类的周尺度风电功率概率预测方法及系统 |
-
2021
- 2021-04-09 CN CN202110381749.5A patent/CN113240153A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107766990A (zh) * | 2017-11-10 | 2018-03-06 | 河海大学 | 一种光伏电站发电功率的预测方法 |
CN107944604A (zh) * | 2017-11-10 | 2018-04-20 | 中国电力科学研究院有限公司 | 一种用于光伏功率预测的天气类型识别方法和装置 |
CN110766212A (zh) * | 2019-10-15 | 2020-02-07 | 哈尔滨工程大学 | 用于历史数据缺失电场的超短期光伏功率预测方法 |
CN111091139A (zh) * | 2019-11-18 | 2020-05-01 | 特变电工西安电气科技有限公司 | 相似日聚类的光伏预测方法、装置、设备及可读存储介质 |
CN111815039A (zh) * | 2020-06-28 | 2020-10-23 | 山东大学 | 基于天气分类的周尺度风电功率概率预测方法及系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688987A (zh) * | 2021-08-30 | 2021-11-23 | 远景智能国际私人投资有限公司 | 光伏监测模型的训练方法、光伏设备的监测方法及设备 |
CN113688987B (zh) * | 2021-08-30 | 2023-08-01 | 远景智能国际私人投资有限公司 | 光伏监测模型的训练方法、光伏设备的监测方法及设备 |
CN114048896A (zh) * | 2021-10-27 | 2022-02-15 | 国核自仪系统工程有限公司 | 光伏发电数据的预测方法、系统、设备及介质 |
CN116721356A (zh) * | 2023-08-10 | 2023-09-08 | 深圳航天科创泛在电气有限公司 | 一种光伏系统的输出功率预测方法及相关设备 |
CN116721356B (zh) * | 2023-08-10 | 2023-11-24 | 深圳航天科创泛在电气有限公司 | 一种光伏系统的输出功率预测方法及相关设备 |
CN117408489A (zh) * | 2023-11-08 | 2024-01-16 | 无锡混沌能源技术有限公司 | 一种并网型光伏制氢耦合系统能源优化调度方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
Wen et al. | Stock market trend prediction using high-order information of time series | |
Mashlakov et al. | Assessing the performance of deep learning models for multivariate probabilistic energy forecasting | |
Wu et al. | Data‐driven wind speed forecasting using deep feature extraction and LSTM | |
Zhang et al. | Multi-source and temporal attention network for probabilistic wind power prediction | |
CN113240153A (zh) | 光伏发电数据预测方法、装置、计算设备及存储介质 | |
Shang et al. | Short-term load forecasting based on PSO-KFCM daily load curve clustering and CNN-LSTM model | |
Tahmasebifar et al. | Point and interval forecasting of real‐time and day‐ahead electricity prices by a novel hybrid approach | |
He et al. | A combined model for short-term wind power forecasting based on the analysis of numerical weather prediction data | |
CN111915092B (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
CN112465256A (zh) | 一种基于Stacking模型融合的楼宇用电量预测方法和系统 | |
Yu et al. | Improved convolutional neural network‐based quantile regression for regional photovoltaic generation probabilistic forecast | |
Teferra et al. | Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization | |
Massaoudi et al. | Short-term electric load forecasting based on data-driven deep learning techniques | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
CN113361785A (zh) | 配电网短期负荷预测方法、装置、终端及存储介质 | |
Kim et al. | Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction | |
Bai et al. | Improved Markov‐chain‐based ultra‐short‐term PV forecasting method for enhancing power system resilience | |
Wang et al. | An approach for day-ahead interval forecasting of photovoltaic power: A novel DCGAN and LSTM based quantile regression modeling method | |
Wibawa et al. | Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal | |
Xu et al. | Federated learning for interpretable short-term residential load forecasting in edge computing network | |
Flesca et al. | On forecasting non-renewable energy production with uncertainty quantification: A case study of the Italian energy market | |
Yang et al. | Short‐Term Demand Forecasting Method in Power Markets Based on the KSVM–TCN–GBRT | |
CN117134315A (zh) | 一种基于bert算法的配电变压器负荷预测方法及装置 | |
Hu et al. | Machine learning weather analogs for near-surface variables |
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: 20210810 |
|
RJ01 | Rejection of invention patent application after publication |