CN113988363A - 一种预测新能源中长期电量的方法及其设备 - Google Patents
一种预测新能源中长期电量的方法及其设备 Download PDFInfo
- Publication number
- CN113988363A CN113988363A CN202111085456.9A CN202111085456A CN113988363A CN 113988363 A CN113988363 A CN 113988363A CN 202111085456 A CN202111085456 A CN 202111085456A CN 113988363 A CN113988363 A CN 113988363A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- long
- data
- target
- memory network
- 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 30
- 230000015654 memory Effects 0.000 claims abstract description 73
- 238000010248 power generation Methods 0.000 claims abstract description 55
- 230000006870 function Effects 0.000 claims abstract description 23
- 241000039077 Copula Species 0.000 claims abstract description 20
- 230000007774 longterm Effects 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 230000007787 long-term memory Effects 0.000 claims description 8
- 230000006403 short-term memory Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims 2
- 238000004364 calculation method Methods 0.000 description 6
- 238000005286 illumination Methods 0.000 description 4
- 239000011159 matrix material Substances 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
- 238000004891 communication Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect 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
- 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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种预测新能源中长期电量的方法及其设备,其中方法包括:获取新能源发电的历史电量数据和气象数据;通过对所述历史电量数据和所述气象数据进行数据预处理获取目标历史电量数据和目标气象数据;利用Copula函数对所述目标气象数据进行数据分析来确定所述新能源发电的关键影响因素;通过将所述目标历史电量数据与所述关键影响因素输入预设长短期记忆网络模型来获取所述新能源发电的中长期电量预测值。通过结合使用Copula函数和长短期记忆网络模型对新能源发电的中长期预测值,可以较大幅度上提高中长期预测值的精确度。
Description
技术领域
本申请涉及电网电力预测领域,特别涉及一种预测新能源中长期电量的方法及其设备。
背景技术
随着新能源的大规模并网,新能源中长期点亮的准确预测使得电网完善规则、优化调度、保障点亮平衡和提升清洁能源消纳空间具有重要意义。
在现有技术中,新能源电力或电量预测方法主要集中在短期和超短期,但是由于中长期预测时间尺度大、天气预报准确度不高、前期记录的发电数据样本有限以及发电量预测与短期功率预测存在显著差异,也不能使用短期功率预测技术进行中长期功率预测,则无法实现新能源中长期发电量的预测。
发明内容
本申请提供了一种预测新能源中长期电量的方法及其装置,通过结合使用Copula函数和长短期记忆网络模型对新能源发电的中长期预测值,可以较大幅度上提高中长期预测值的精确度。
本申请第一方面提供了一种预测新能源中长期电量的方法,包括:
获取新能源发电的历史电量数据和气象数据;
通过对所述历史电量数据和所述气象数据进行数据预处理获取目标历史电量数据和目标气象数据;
利用Copula函数对所述目标气象数据进行数据分析来确定所述新能源发电的关键影响因素;
通过将所述目标历史电量数据与所述关键影响因素输入预设长短期记忆网络模型来获取所述新能源发电的中长期电量预测值。
可选的,所述通过将所述目标历史电量数据与所述关键影响因素输入预设长短期记忆网络模型来获取所述新能源发电的中长期电量预测值之前,所述方法还包括:
根据所述目标历史电量数据和所述目标气象数据对初始长短期记忆网络模型进行调节优化模型参数来确定预设长短期记忆网络模型。
可选的,所述根据所述目标历史电量数据和所述目标气象数据对初始长短期记忆网络模型进行调节优化模型参数来确定预设长短期记忆网络模型,包括:
将所述目标历史电量数据和所述目标气象数据输入初始长短期记忆网络模型获取中长期电量样本预测值;
判断所述中长期电量样本预测值是否在预设预测值精度范围内;
若是,则确定模型参数,并根据所述模型参数确定预设长短期记忆网络模型。
可选的,所述判断所述中长期电量样本预测值是否在预设预测值精度范围内之后,所述方法还包括:
若否,则根据所述中长期电量样本预测值更新模型参数,并根据所述模型参数更新初始长短期记忆网络模型;重新将所述目标历史电量数据和所述目标气象数据输入更新后的初始长短期记忆网络模型中。
本申请第二方面提供了一种预测新能源中长期电量的装置,包括:
第一获取单元,用于获取新能源发电的历史电量数据和气象数据;
数据预处理单元,用于通过对所述历史电量数据和所述气象数据进行数据预处理获取目标历史电量数据和目标气象数据;
因素确定单元,用于利用Copula函数对所述目标气象数据进行数据分析来确定所述新能源发电的关键影响因素;
第二获取单元,用于通过将所述目标历史电量数据与所述关键影响因素输入预设长短期记忆网络模型来获取所述新能源发电的中长期电量预测值。
可选的,所述装置还包括:
模型确定单元,用于根据所述目标历史电量数据和所述目标气象数据对初始长短期记忆网络模型进行调节优化模型参数来确定预设长短期记忆网络模型。
可选的,所述模型确定单元包括:
获取模块,用于将所述目标历史电量数据和所述目标气象数据输入初始长短期记忆网络模型获取中长期电量样本预测值;
判断模块,用于判断所述中长期电量样本预测值是否在预设预测值精度范围内;
确定模块,用于当所述判断模块确定所述中长期电量样本预测值在预设预测值精度范围内时,则确定模型参数,并根据所述模型参数确定预设长短期记忆网络模型。
更新模块,用于当所述判断模块确定所述中长期电量样本预测值不在预设预测值精度范围内时,则根据所述中长期电量样本预测值更新模型参数,并根据所述模型参数更新初始长短期记忆网络模型。
本申请第三方面提供了一种预测新能源中长期电量的装置,包括:
处理器、存储器、输入输出设备以及总线;所述处理器与所述存储器、输入输出设备以及总线相连。
所述处理器执行如下操作:
获取新能源发电的历史电量数据和气象数据;
通过对所述历史电量数据和所述气象数据进行数据预处理获取目标历史电量数据和目标气象数据;
利用Copula函数对所述目标气象数据进行数据分析来确定所述新能源发电的关键影响因素;
通过将所述目标历史电量数据与所述关键影响因素输入预设长短期记忆网络模型来获取所述新能源发电的中长期电量预测值。
可选的,所述处理器还用于执行第一方面中的任一可选方案的操作。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质上保存有程序,所述程序在计算机上执行是执行前述方法。
从以上技术中:获取新能源发电的历史电量数据和气象数据;通过对所述历史电量数据和所述气象数据进行数据预处理获取目标历史电量数据和目标气象数据;由于Copula函数能充分表征气象因素与新能源发电之间的非线性相关性,能有效提取影响新能源发电的关键气象因素,所以利用Copula函数对所述目标气象数据进行数据分析来确定所述新能源发电的关键影响因素;且长短期记忆网络模型的新能源发电中长期预测精度较传统的神经网络模型有较大提高,则通过将所述目标历史电量数据与所述关键影响因素输入预设长短期记忆网络模型来获取所述新能源发电的中长期电量预测值。通过结合使用Copula函数和长短期记忆网络模型对新能源发电的中长期预测值,可以较大幅度上提高中长期预测值的精确度。
附图说明
图1为本申请中预测新能源中长期电量的方法一个实施例流程示意图;
图2为本申请中预测新能源中长期电量的装置一个实施例流程示意图;
图3为本申请中预测新能源中长期电量的装置另一实施例结构示意图。
具体实施方式
本申请实施例提供了一种预测新能源中长期电量的方法及其装置,通过结合使用Copula函数和长短期记忆网络模型对新能源发电的中长期预测值,可以较大幅度上提高中长期预测值的精确度。
请参阅图1,本申请实施例中预测新能源中长期电量的方法一个实施例包括:
101、获取新能源发电的历史电量数据和气象数据;
由于需要确定新能源发电与气象因素之间的非线性和趋势相关性,所以本实施例中,预测新能源中长期电量的装置需要获取新能源发电的历史电量数据和气象数据,其中气象数据包括温度、湿度、气压、风速和光照等。
102、通过对历史电量数据和气象数据进行数据预处理获取目标历史电量数据和目标气象数据;
在获取到新能源发电的历史电量数据和气象数据之后,为了更好的使用历史电量数据和气象数据,则对其运用统计学霍规律,建立新能源发电和各气象数据(温度、湿度、气压、风速、光照等)的概率密度分布函数,具体的:
新能源发电的历史电量数据和气象数据(温度、湿度、气压、风速、光照等),并对历史电量数据和气象数据采用归一化的方法进行标准化处理,标准化处理公式如下:
其中,xi表示历史时间序列对应的各时段的原始数据值,xnorm表示此时间序列经标准化处理后的值,xmin表示此时间序列中的最小值,xmax表示此时间序列中的最大值。
将历史电量数据和气象数据分别带入标准化处理公式中计算获取目标历史电量数据和目标气象数据。最后该目标历史电量数据和目标气象数据运用核密度估计来明确新能源发电的电量数据和气象数据的概率密度分布。
103、将目标历史电量数据和目标气象数据输入初始长短期记忆网络模型获取中长期电量样本预测值;
在长短期记忆网络模型中,一般是在循环神经网络模型的基础上增加四个门层,即遗忘门层、输入门层、更新门层和输出门层,具体的:
其中的遗忘门层为:
遗忘门层,主要用于计算需要遗忘的信息。通过读取前一层的输出集ht-1和当前时间点的输入集xt,然后使用sigmoidal函数处理后输出0到1之间的值ft,决定要去除哪些信息,其计算公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
其中ft为遗忘门状态运算结果,Wf是遗忘门的权重矩阵,σ是sigmoidal函数,bf是遗忘门的偏置项。
其中的输入门层为:
输入门包括两个部分,首先,利用前一层长短期记忆网络的输出集ht-1和当前时间点的输入集xt,通过sigmoidal函数决定需要更新的信息,再通过tanh函数得到候选元胞信息,然后将2个值结合起来得到新的元胞信息。其计算过程如下:
it=σ(Wi·[ht-1,xt]+bi)
其中的输出门层为:
输出门首先通过sigmoidal函数得到相应的计算值ot,然后将由输入门得到的当前时刻的元胞状态Ct经过tanh函数处理,再经过二者相乘得到最终的输出值。计算过程如下:
ot=σ(Wo·[ht-1,xt]+b0) (6)
ht=ot*tanh(Ct) (7)
其中,ot为输出门的状态运算结果,Wo是输出门的权重矩阵,bo为输出门的偏置项,ht为当前时刻长短期记忆网络的输出集。
获取中长期电量样本预测值的具体过程为:
在计算获取到目标历史电量数据和气象数据之后,将目标历史数量和气象数据作为模型训练样本,将模型训练样本输入初始长短期记忆网络模型中,初始长短期记忆网络模型经过遗忘门层、输入门层、更新门层和输出门层的运算后输出中长期电量样本预测值。
104、判断中长期电量样本预测值是否在预设预测值精度范围内;若是,执行步骤106,若否,执行步骤105;
为了确定长短期记忆网络模型是否达到预设标准,则需要先判断中长期电量样本预测值是否在预设预测值精度范围内,若中长期电量样本预测值达到预设预测值精度范围内,则确定该长短期记忆网络模型已经达到预设标准,此时,执行步骤106;若中长期电量样本预测值没有达到预设预测值精度范围,则确定该长短期记忆网络模型未到达预设标准,此时,执行步骤105.
105、根据中长期电量样本预测值更新模型参数,并根据模型参数更新初始长短期记忆网络模型;执行步骤103;
当确定该长短期记忆网络模型未达到预设标准之后,继而根据该中长期电量样本预测值更新当前得长短期记忆网络模型得模型参数,并根据该模型参数更新初始长短期记忆网络模型。当初始长短期记忆网络模型更新后,为了进一步确定该长短期记忆网络模型是否达到预设标准,则继续将模型训练样本输入更新后的初始长短期以及网络模型重新计算中长期电量样本预测值。
106、确定模型参数,并根据模型参数确定预设长短期记忆网络模型;
当确定该长短期记忆网络模型已经达到预设标准之后,将当前的模型参数作为预设长短期记忆网络模型的预设模型参数,继而根据该模型参数确定预设长短期记忆网络模型。
107、利用Copula函数对目标气象数据进行数据分析来确定新能源发电的关键影响因素;
根据目标气象数据,如温度、湿度、气压以及风速或光照等随机变量的概率密度分布,选取正态Copula函数,构建新能源发电量与各目标气象数据随机变量的Copula联合概率分布模型,运用最大似然估计方法,对模型参数求解,确定新能源发电与各目标气象数据随机变量的联合概率密度分布。
基于上述Copula联合概率分布函数,运用数理统计学知识,求解各目标气象数据与新能源发电之间的Spearman秩相关系数,根据相关系数大小,分析各目标气象数据对新能源发电的影响程度,确定关键影响因素。
108、通过将目标历史电量数据与关键影响因素输入预设长短期记忆网络模型来获取新能源发电的中长期电量预测值。
当预设长短期记忆网络模型被确定后,将目标历史电量数据与关键影响因素输入预设长短期记忆网络模型中,预设长短期记忆网络模型经过其自身的遗忘门层、输入门层、更新门层和输出门层的运算后输出新能源发电的中长期电量预测值。
通过结合使用Copula函数和长短期记忆网络模型对新能源发电的中长期预测值,可以较大幅度上提高中长期预测值的精确度。
请参阅图2,本申请实施例中预测新能源中长期电量的装置一个实施例包括:
第一获取单元201,用于获取新能源发电的历史电量数据和气象数据;
数据预处理单元202,用于通过对历史电量数据和气象数据进行数据预处理获取目标历史电量数据和目标气象数据;
因素确定单元203,用于利用Copula函数对目标气象数据进行数据分析来确定新能源发电的关键影响因素;
第二获取单元204,用于通过将目标历史电量数据与关键影响因素输入预设长短期记忆网络模型来获取新能源发电的中长期电量预测值。
本实施例中,该装置还可以包括:
模型确定单元205,用于根据目标历史电量数据和目标气象数据对初始长短期记忆网络模型进行调节优化模型参数来确定预设长短期记忆网络模型。
本实施例中,模型确定单元205可以包括获取模块2051、判断模块2052、确定模块2053和更新模块2054。
获取模块2051,用于将目标历史电量数据和目标气象数据输入初始长短期记忆网络模型获取中长期电量样本预测值;
判断模块2052,用于判断中长期电量样本预测值是否在预设预测值精度范围内;
确定模块2053,用于当判断模块2052确定中长期电量样本预测值在预设预测值精度范围内时,则确定模型参数,并根据模型参数确定预设长短期记忆网络模型。
更新模块2054,用于当判断模块2052确定中长期电量样本预测值不在预设预测值精度范围内时,则根据中长期电量样本预测值更新模型参数,并根据模型参数更新初始长短期记忆网络模型。
在本实施例中,第一获取单元201获取新能源发电的历史电量数据和气象数据后,将该历史电量数据和气象数据发送至数据预处理单元202,数据预处理单元202通过对历史电量数据和气象数据进行数据预处理获取目标历史电量数据和目标气象数据,且将该目标历史电量数据和目标气象数据发送至获取模块2051和因素确定单元203;进而由获取模块2051将目标历史电量数据和目标气象数据输入初始长短期记忆网络模型获取中长期电量样本预测值,并将该中长期电量样本预测值发送至判断模块2052,判断模块2052判断中长期电量样本预测值是否在预设预测值精度范围内;当判断模块2052确定中长期电量样本预测值不在预设预测值精度范围内时,更新模块2054根据中长期电量样本预测值更新模型参数,并根据模型参数更新初始长短期记忆网络模型;当判断模块2052确定中长期电量样本预测值在预设预测值精度范围内时,确定模块2053确定模型参数,并根据模型参数确定预设长短期记忆网络模型。在确定好预设长短期记忆网络模型之后,因素确定单元203利用Copula函数对目标气象数据进行数据分析来确定新能源发电的关键影响因素;最后预测新能源中长期电量的装置将关键影响因素和目标历史电量数据输入第二获取单元204,第二获取单元204通过将目标历史电量数据与关键影响因素输入预设长短期记忆网络模型来获取新能源发电的中长期电量预测值。
下面对本申请实施例中的预测新能源中长期电量的装置进行详细描述,请参阅图3,本申请实施例中预测新能源中长期电量的装置另一实施例包括:
处理器301、存储器302、输入输出单元303、总线304;
处理器301与存储器302、输入输出单元303以及总线304相连;
处理器301执行如下操作:
获取新能源发电的历史电量数据和气象数据;
通过对所述历史电量数据和所述气象数据进行数据预处理获取目标历史电量数据和目标气象数据;
利用Copula函数对所述目标气象数据进行数据分析来确定所述新能源发电的关键影响因素;
通过将所述目标历史电量数据与所述关键影响因素输入预设长短期记忆网络模型来获取所述新能源发电的中长期电量预测值。
本实施例中,处理器301的功能与前述图1所示实施例中的步骤,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,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信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所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。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以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。
所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,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,read-onlymemory)、随机存取存储器(RAM,random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
Claims (7)
1.一种预测新能源中长期电量的方法,其特征在于,包括:
获取新能源发电的历史电量数据和气象数据;
通过对所述历史电量数据和所述气象数据进行数据预处理获取目标历史电量数据和目标气象数据;
利用Copula函数对所述目标气象数据进行数据分析来确定所述新能源发电的关键影响因素;
通过将所述目标历史电量数据与所述关键影响因素输入预设长短期记忆网络模型来获取所述新能源发电的中长期电量预测值。
2.根据权利要求1所述的方法,其特征在于,所述通过将所述目标历史电量数据与所述关键影响因素输入预设长短期记忆网络模型来获取所述新能源发电的中长期电量预测值之前,所述方法还包括:
根据所述目标历史电量数据和所述目标气象数据对初始长短期记忆网络模型进行调节优化模型参数来确定预设长短期记忆网络模型。
3.根据权利要求2所述的方法,其特征在于,所述根据所述目标历史电量数据和所述目标气象数据对初始长短期记忆网络模型进行调节优化模型参数来确定预设长短期记忆网络模型,包括:
将所述目标历史电量数据和所述目标气象数据输入初始长短期记忆网络模型获取中长期电量样本预测值;
判断所述中长期电量样本预测值是否在预设预测值精度范围内;
若是,则确定模型参数,并根据所述模型参数确定预设长短期记忆网络模型。
4.根据权利要求3所述的方法,其特征在于,所述判断所述中长期电量样本预测值是否在预设预测值精度范围内之后,所述方法还包括:
若否,则根据所述中长期电量样本预测值更新模型参数,并根据所述模型参数更新初始长短期记忆网络模型;重新将所述目标历史电量数据和所述目标气象数据输入更新后的初始长短期记忆网络模型中。
5.一种预测新能源中长期电量的装置,其特征在于,包括:
第一获取单元,用于获取新能源发电的历史电量数据和气象数据;
数据预处理单元,用于通过对所述历史电量数据和所述气象数据进行数据预处理获取目标历史电量数据和目标气象数据;
因素确定单元,用于利用Copula函数对所述目标气象数据进行数据分析来确定所述新能源发电的关键影响因素;
第二获取单元,用于通过将所述目标历史电量数据与所述关键影响因素输入预设长短期记忆网络模型来获取所述新能源发电的中长期电量预测值。
6.根据权利要求5所述的装置,其特征在于,所述装置还包括:
模型确定单元,用于根据所述目标历史电量数据和所述目标气象数据对初始长短期记忆网络模型进行调节优化模型参数来确定预设长短期记忆网络模型。
7.根据权利要求6所述的装置,其特征在于,所述模型确定单元包括:
获取模块,用于将所述目标历史电量数据和所述目标气象数据输入初始长短期记忆网络模型获取中长期电量样本预测值;
判断模块,用于判断所述中长期电量样本预测值是否在预设预测值精度范围内;
确定模块,用于当所述判断模块确定所述中长期电量样本预测值在预设预测值精度范围内时,则确定模型参数,并根据所述模型参数确定预设长短期记忆网络模型。
更新模块,用于当所述判断模块确定所述中长期电量样本预测值不在预设预测值精度范围内时,则根据所述中长期电量样本预测值更新模型参数,并根据所述模型参数更新初始长短期记忆网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085456.9A CN113988363A (zh) | 2021-09-16 | 2021-09-16 | 一种预测新能源中长期电量的方法及其设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111085456.9A CN113988363A (zh) | 2021-09-16 | 2021-09-16 | 一种预测新能源中长期电量的方法及其设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988363A true CN113988363A (zh) | 2022-01-28 |
Family
ID=79735893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111085456.9A Pending CN113988363A (zh) | 2021-09-16 | 2021-09-16 | 一种预测新能源中长期电量的方法及其设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988363A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705743A (zh) * | 2019-08-23 | 2020-01-17 | 国网浙江省电力有限公司 | 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 |
CN111829693A (zh) * | 2020-07-30 | 2020-10-27 | 成都运达科技股份有限公司 | 基于时间与空间维度的lstm模型的轴承温度检测方法及系统 |
CN112836884A (zh) * | 2021-02-07 | 2021-05-25 | 国网福建省电力有限公司经济技术研究院 | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 |
CN113268929A (zh) * | 2021-06-08 | 2021-08-17 | 广西电网有限责任公司南宁供电局 | 短期负荷区间预测方法及装置 |
-
2021
- 2021-09-16 CN CN202111085456.9A patent/CN113988363A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705743A (zh) * | 2019-08-23 | 2020-01-17 | 国网浙江省电力有限公司 | 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 |
CN111829693A (zh) * | 2020-07-30 | 2020-10-27 | 成都运达科技股份有限公司 | 基于时间与空间维度的lstm模型的轴承温度检测方法及系统 |
CN112836884A (zh) * | 2021-02-07 | 2021-05-25 | 国网福建省电力有限公司经济技术研究院 | 基于Copula-DBiLSTM的综合能源系统多元负荷精确预测方法 |
CN113268929A (zh) * | 2021-06-08 | 2021-08-17 | 广西电网有限责任公司南宁供电局 | 短期负荷区间预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
徐诗鸿 等: "基于改进评价指标的波动性负荷短期区间预测", 《电力系统自动化》, vol. 44, no. 2, 25 January 2020 (2020-01-25), pages 156 - 163 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112949945B (zh) | 一种改进双向长短期记忆网络的风电功率超短期预测方法 | |
CN111754042A (zh) | 基于高斯回归的大气污染物浓度的预测方法及装置 | |
CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN108090629B (zh) | 基于非线性自回归神经网络的负荷预测方法与系统 | |
CN113554466B (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN113705929B (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN108595892A (zh) | 基于时间差分模型的软测量建模方法 | |
CN115587666A (zh) | 基于季节趋势分解和混合神经网络的负荷预测方法及系统 | |
CN111753461A (zh) | 潮汐水位修正方法、目标余水位获取方法、装置和设备 | |
CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
CN112990585A (zh) | 一种基于LSTM-Kalman模型的蛋鸡产蛋率预测方法 | |
CN117077327A (zh) | 基于数字孪生的轴承寿命预测方法及系统 | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
CN112686470A (zh) | 电网饱和负荷预测方法、装置及终端设备 | |
CN113988363A (zh) | 一种预测新能源中长期电量的方法及其设备 | |
CN115577856A (zh) | 一种变电工程造价预测与结余控制方法及系统 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 | |
CN114741952A (zh) | 一种基于长短期记忆网络的短期负荷预测方法 | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 |
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 |