CN114066236A - 风光有功出力场景生成方法、装置、电子设备及存储介质 - Google Patents
风光有功出力场景生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114066236A CN114066236A CN202111352666.XA CN202111352666A CN114066236A CN 114066236 A CN114066236 A CN 114066236A CN 202111352666 A CN202111352666 A CN 202111352666A CN 114066236 A CN114066236 A CN 114066236A
- Authority
- CN
- China
- Prior art keywords
- data
- photovoltaic
- sample
- training
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 94
- 238000010248 power generation Methods 0.000 claims abstract description 35
- 238000012795 verification Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 11
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000006467 substitution reaction Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 2
- 239000000523 sample Substances 0.000 description 95
- 230000006870 function Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000039077 Copula Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012468 concentrated sample Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012216 screening 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
- G06Q10/06—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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及电力系统技术领域,特别涉及一种风光有功出力场景生成方法、装置、电子设备及存储介质,其中,方法包括:获取历史风电、光伏发电有功功率数据,并对历史风电、光伏发电有功功率数据进行预处理,得到真实数据样本;对真实数据样本进行重构和聚类,生成训练集样本和验证集样本;构建初始生成对抗网络,并在确定网络结构和参数后,利用训练集样本训练初始生成对抗网络,且利用验证集样本验证训练后的生成对抗网络,得到性能满足预设条件的最终生成对抗网络,进而生成风电光伏有功出力场景。由此,解决了如何对风电和光伏出力特性进行深入分析,并进行精准拟合,以降低弃风弃光率并保证电力系统安全运行等问题。
Description
技术领域
本申请涉及电力系统技术领域,特别涉及一种风光有功出力场景生成方法、装置、电子设备及存储介质。
背景技术
电力系统中,各类电源发电出力存在一定的波动性,尤其是风电和光伏等清洁能源的加入将给电力系统带来更多的不确定因素。其中,在高比例风电和光伏接入的电力系统中,如果不能精准预测机组出力分布,快速变化的瞬时功率就将给系统运行带来严重影响;同时,若想满足负荷和外送的需求,就需要增大风光机组的装机容量,达到更高比例的备用容量,这将造成建设成本的提高和较为严重的弃风弃光问题。
相关技术中,采用历史数据进行预测分析的方法,由于存在数据样本有限,可能无法覆盖所有场景的情况;且基于历史数据、采用Copula等分布函数进行拟合的预测方法存在维度灾,相关性表现弱,计算量大以及精度较低等缺点。因此如何对风电和光伏出力特性进行深入分析,并进行精准拟合,成为降低弃风弃光率并保证电力系统安全运行的关键。
发明内容
本申请提供一种风光有功出力场景生成方法、装置、电子设备及存储介质,以解决如何对风电和光伏出力特性进行深入分析,并进行精准拟合,以降低弃风弃光率并保证电力系统安全运行等问题。
本申请第一方面实施例提供一种风光有功出力场景生成方法,包括以下步骤:获取历史风电、光伏发电有功功率数据,并对所述历史风电、光伏发电有功功率数据进行预处理,得到真实数据样本;对所述真实数据样本进行重构和聚类,生成训练集样本和验证集样本;构建初始生成对抗网络,并在确定网络结构和参数后,利用所述训练集样本训练所述初始生成对抗网络,且利用所述验证集样本验证训练后的生成对抗网络,得到性能满足预设条件的最终生成对抗网络,进而生成风电光伏有功出力场景。
进一步地,所述获取历史风电、光伏发电有功功率数据,并对所述历史风电、光伏发电有功功率数据进行预处理,得到数据样本,包括:分别对多个风力机组和多个光伏机组进行采样,得到包含所述历史风电、光伏发电有功功率数据的初始样本集;对所述初始样本集进行数据清洗、数据样本集选取和数据维度调整,并对于数据中的缺失值插值进行填充,且舍弃缺失值过多的样本,得到预处理后的样本;将所述预处理后样本中的风电和光伏的真实出力值除以当月装机容量,得到单位装机容量下的风电和光伏有功出力值,并对所述风电和光伏有功出力值进行归一化处理,得到所述真实数据样本。
进一步地,所述对所述真实数据样本进行重构和聚类,包括:将同一日的风电和光伏出力数据整理至同一个数据样本中,并且将所述光伏发电有功功率数据进行重构,将每个样本的一维数据整理成二维数组;将所述真实数据样本中的真实样本聚类,以分类代入生成对抗网络进行训练。
进一步地,所述利用所述训练集样本训练所述初始生成对抗网络,包括:初始化生成判别器和生成器,对所述判别器进行训练的同时,固定所述生成器的参数,利用样本数据特点更新所述判别器的参数,并且在对应所述生成器下完成所述判别器的第一阶段训练后,固定所述判别器的参数,训练所述生成器,并通过所述判别器对生成数据的判断结果不断更新所述生成器的参数,不断循环,直至训练完成。
进一步地,所述利用所述验证集样本验证训练后的生成对抗网络,包括:在模型收敛后,从所述生成器的输出中随机采样至少一个场景;将生成的所述至少一个场景与所述验证集样本中有功出力数据进行比较,其中,若比较结果满足吻合条件,且相关性系数评估的空间相关性满足接近条件,则完成所述生成对抗网络的训练,得到所述风电和光伏有功场景生成的样本。
本申请第二方面实施例提供一种风光有功出力场景生成装置,包括:预处理模块,用于获取历史风电、光伏发电有功功率数据,并对所述历史风电、光伏发电有功功率数据进行预处理,得到真实数据样本;生成模块,用于对所述真实数据样本进行重构和聚类,生成训练集样本和验证集样本;构建模块,用于构建初始生成对抗网络;训练模块,用于并在确定网络结构和参数后,利用所述训练集样本训练所述初始生成对抗网络;验证模块,用于利用所述验证集样本验证训练后的生成对抗网络,得到性能满足预设条件的最终生成对抗网络,进而生成风电光伏有功出力场景。
进一步地,所述预处理模块进一步用于分别对多个风力机组和多个光伏机组进行采样,得到包含所述历史风电、光伏发电有功功率数据的初始样本集;对所述初始样本集进行数据清洗、数据样本集选取和数据维度调整,并对于数据中的缺失值插值进行填充,且舍弃缺失值过多的样本,得到预处理后的样本;将所述预处理后样本中的风电和光伏的真实出力值除以当月装机容量,得到单位装机容量下的风电和光伏有功出力值,并对所述风电和光伏有功出力值进行归一化处理,得到所述真实数据样本。
进一步地,所述生成模块进一步用于将同一日的风电和光伏出力数据整理至同一个数据样本中,并且将所述光伏发电有功功率数据进行重构,将每个样本的一维数据整理成二维数组;将所述真实数据样本中的真实样本聚类,以分类代入生成对抗网络进行训练。
进一步地,所述训练模块进一步用于初始化生成判别器和生成器,对所述判别器进行训练的同时,固定所述生成器的参数,利用样本数据特点更新所述判别器的参数,并且在对应所述生成器下完成所述判别器的第一阶段训练后,固定所述判别器的参数,训练所述生成器,并通过所述判别器对生成数据的判断结果不断更新所述生成器的参数,不断循环,直至训练完成。
进一步地,所述验证模块进一步用于在模型收敛后,从所述生成器的输出中随机采样至少一个场景;将生成的所述至少一个场景与所述验证集样本中有功出力数据进行比较,其中,若比较结果满足吻合条件,且相关性系数评估的空间相关性满足接近条件,则完成所述生成对抗网络的训练,得到所述风电和光伏有功场景生成的样本。
本申请第三方面实施例提供一种电子设备,包括:存储器、处理器及存储在所述存储器上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程序,以实现如上述实施例所述的风光有功出力场景生成方法。
本申请第四方面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计算机指令,所述计算机指令用于使所述计算机执行如上述实施例所述的风光有功出力场景生成方法。
由此,本申请至少具有如下有益效果:
充分利用深度神经网络强大的计算能力进行无监督学习,在对抗训练过程中高效学习风电和光伏的有功出力特性,并通过生成多样化的场景准确刻画风电和光伏的多时空不确定性,有效提高可再生能源预测的准确性。由此,解决了如何对风电和光伏出力特性进行深入分析,并进行精准拟合,以降低弃风弃光率并保证电力系统安全运行等问题。
本申请附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本申请实施例提供的风光有功出力场景生成方法的流程示意图的流程图;
图2为根据本申请一个实施例提供的风光有功出力场景生成方法的流程示意图的流程图;
图3为根据本申请实施例提供的生成对抗网络结构示意图
图4为根据本申请实施例提供的风光有功出力场景生成装置的方框示意图;
图5为根据本申请实施例提供的电子设备的示例图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
本申请是基于对以下事实和问题的认识和理解做出的:
目前,风能和太阳能已成为国家大力支持开发和利用的可再生能源。风能和光能具有能源分布范围广、蕴量多以及基建周期短等优点,但是风电和光伏的出力极易受到天气条件的影响,具有较强的不确定性,高比例风电和光伏的接入也给电网的稳定运行带来了巨大的挑战,这些隐患极大限制了可再生能源独立供电的能力。随着人工智能的发展,基于黑盒的神经网络生成模型为解决风光波动性问题提出了可行的解决方案。利用机器学习的方式,可以根据历史数据自主学习其出力分布特点,并通过已掌握的特点拟合出大量可能出现的出力情况,能覆盖多种场景,同时展示出风光出力的多种特性,可为优化调度模型提供基础,对于确保电网的安全经济运行意义重大。
下面参考附图描述本申请实施例的风光有功出力场景生成方法、装置、电子设备及存储介质。针对上述背景技术中心提到的如何对风电和光伏出力特性进行深入分析,并进行精准拟合,以降低弃风弃光率并保证电力系统安全运行的问题,本申请提供了一种风光有功出力场景生成方法,在该方法中,充分利用深度神经网络强大的计算能力进行无监督学习,在对抗训练过程中高效学习风电和光伏的有功出力特性,并通过生成多样化的场景准确刻画风电和光伏的多时空不确定性,有效提高可再生能源预测的准确性。由此,解决了如何对风电和光伏出力特性进行深入分析,并进行精准拟合,以降低弃风弃光率并保证电力系统安全运行等问题。
具体而言,图1为本申请实施例所提供的一种风光有功出力场景生成方法的流程示意图。
如图1所示,该风光有功出力场景生成方法包括以下步骤:
在步骤S101中,获取历史风电、光伏发电有功功率数据,并对历史风电、光伏发电有功功率数据进行预处理,得到真实数据样本。
其中,预处理可以包括数据清洗、数据样本集选取和数据维度调整等处理方式。
可以理解的是,如图2所示,本申请实施例可以获取历史风电、光伏发电有功功率数据,对数据进行数据清洗、数据样本集选取和数据维度调整等预处理,得到真实样本x。
在本实施例中,获取历史风电、光伏发电有功功率数据,并对历史风电、光伏发电有功功率数据进行预处理,得到数据样本,包括:分别对多个风力机组和多个光伏机组进行采样,得到包含历史风电、光伏发电有功功率数据的初始样本集;对初始样本集进行数据清洗、数据样本集选取和数据维度调整,并对于数据中的缺失值插值进行填充,且舍弃缺失值过多的样本,得到预处理后的样本;将预处理后样本中的风电和光伏的真实出力值除以当月装机容量,得到单位装机容量下的风电和光伏有功出力值,并对风电和光伏有功出力值进行归一化处理,得到真实数据样本。
具体地,获取历史风电、光伏发电有功功率数据,对数据进行预处理,得到真实样本x,包括:
(1)分别对多个风力机组和光伏机组进行采样,得到初始样本集;
(2)对初始样本集进行预处理,包括数据清洗、数据样本集选取和数据维度调整,对于数据中的缺失值采用插值的方法填充,舍弃缺失值过多的样本;由于部分风电和光伏出力数据是限电下的结果,因此要进行筛选以组成合适的实际数据样本集;
(3)将预处理后样本中的风电和光伏的真实出力值除以当月装机容量,得到单位装机容量下的风电光伏有功出力值x',同时为了更好的适应神经网络的激活函数,需要将得到的对处理后的样本按照下式对风电光伏有功出力值x'进行归一化处理,得到真实样本x:
其中,x'max表示x'中的最大值,x'min表示x'中的最小值。
在步骤S102中,对真实数据样本进行重构和聚类,生成训练集样本和验证集样本。
其中,本申请实施例可以采用多种方法进行聚类,对此不作具体限定;比如,聚类方法可以采用k-medoids聚类,从而可以避免风光原始数据中个别异常点的影响。
可以理解的是,如图2所示,本申请实施例可以对预处理得到的真实样本进行聚类。由于生成对抗网络对二维数组的处理性能会更好,因此考虑生成器中使用卷积神经网络,将风电和光伏有功数据重构为二维数据的形式作为输入,并将数据分为训练集和验证集两部分。
在本实施例中,对真实数据样本进行重构和聚类,包括:将同一日的风电和光伏出力数据整理至同一个数据样本中,并且将光伏发电有功功率数据进行重构,将每个样本的一维数据整理成二维数组;将真实数据样本中的真实样本聚类,以分类代入生成对抗网络进行训练。
可以理解的是,由于风光出力存在一定的相关性,所以需要将同一日的风电和光伏出力数据,整理到同一个数据样本中,同时为了适配GAN网络的二维数据处理模式和深度卷积网络的数据结构,因此需要将风光数据进行重构,通过分组的方式将每个样本的一维数据整理成二维数组;由于GAN存在模式崩溃的问题,为了避免只输出单一模式的场景,因此采用将真实样本先聚类,再分类带入GAN进行训练的方法。
在步骤S103中,构建初始生成对抗网络,并在确定网络结构和参数后,利用训练集样本训练初始生成对抗网络,且利用验证集样本验证训练后的生成对抗网络,得到性能满足预设条件的最终生成对抗网络,进而生成风电光伏有功出力场景。
其中,生成对抗网络可以包含生成器和判别器;预设条件可以根据实际情况具体设置,对此不作具体限定。
可以理解的是,如图2所示,本申请实施例可以构建一个包含生成器和判别器的生成对抗网络,确定网络结构和参数,利用真实样本x中的训练集样本,对生成对抗网络进行训练,并利用真实样本x中的验证集样本,对生成对抗网络进行性能检验。
在本实施例中,生成对抗网络模型包括的生成器G和判别器D,均可以利用python的tensorflow1.14和keras2.2进行搭建,如图3所示:
生成器G其实是一个可微函数G(z;θg),其中θg为参数,z为输入的隐变量,x为对应的数据样本,首先对G输入随机变量pz(z),该变量通常为高斯正态分布或者均匀分布,然后用G(z;θg)表示将其映射到数据空间x,得到生成数据样本G(z)。判别器D也对应一个函数D(u;θd),u代表判别器的输入,可能是真实的样本x,也可能是生成样本G(z),判别器的输出D(u)是一个在0到1区间的单一变量,可以表示输入数据来自真实样本的概率。而G得到D给出的D(G(z))的值作为反馈后,将不断改进自己数据生成的方式,试图迷惑D;D也会不断更新参数,通过新的分布特征来区分真实样本和生成样本,二者相互博弈,共同进化,不断提高,最后能够使得生成器的生成样本的分布能够越来越逼近真实样本的样本,而判别器此时给出的D(G(z))应该在0.5左右,二者达到相对稳定的纳什均衡,此时就认为生成器的生成已经足够接近真实样本,可以作为新的场景纳入使用了。
由于卷积层的加入可以使G和D更加快速准确地捕捉到数据集的特点,因此考虑在GAN中加入卷积层;同时考虑模型的结构和参数需要与输入输出的数据集相适配,由此得到的模型结构的示例可以如表1所示。
表1
其中,生成器的输入为一个含100个随机数的一位数组z,判别器的输入为生成器输出G(z)或者真实数据样本x,均整理为24*24*1的维度。dense表示全连接神经网络,数字代表该层的神经元个数,也是输出的样本的维度;Conv2d代表卷积神经网络,conv2d_transpose代表反卷积神经网络数字代表对应反卷积层输入张量的维度;Flatten为荡平层,将多维数组重塑成一位数组。
在本实施例中,利用训练集样本训练初始生成对抗网络,包括:初始化生成判别器和生成器,对判别器进行训练的同时,固定生成器的参数,利用样本数据特点更新判别器的参数,并且在对应生成器下完成判别器的第一阶段训练后,固定判别器的参数,训练生成器,并通过判别器对生成数据的判断结果不断更新生成器的参数,不断循环,直至训练完成。
具体而言,GAN网络采取式2所示的目标函数:
该目标函数使G和D的具有不同的目标,在学习初期提供了更强的梯度。此外还可以将二者目标损失函数拆分开,如式3,使D和G分开进行训练。
在实际训练时,Goodfellow提出一种交替训练的算法,具体流程如生成对抗网络的第k轮训练的算法所示:首先初始化生成D和G,然后对D进行训练,此时固定G的参数,利用样本数据特点来更新D的参数,在对应G下完成D的第一阶段训练后,再固定D的参数,训练G,并通过D对生成数据的判断结果不断更新G的参数,不断循环,交替训练。
G最终得到了一个概率分布q(z)作为隐变量到数据集的映射,在训练充分后,q(z)在理论上能够收敛为一个较好的p(x)估计量。在生成对抗网络的第k轮训练的算法的每一步,D都能在给定G时达到其最优,同理G也能在给定D时达到其最优,并对pg进行更新,最后收敛到pdata,故当且仅当q(z)=p(x)时,D和G的目标函数都能达到最优,此时D输出的值为0.5,理论上可以实现原数据集的复刻。
其中,生成对抗网络的第k轮训练的算法如下:
在k轮训练迭中:
1、从生成变量分布pg(z)中选取m个样本{z(1),K,z(m)};
2、从真实数据样本分布pdata(x)中选取m个样本{x(1),K,x(m)};
3、按升序更新D的随机梯度,如式4:
4、从生成变量分布pg(z)中选取m个样本{z(1),K,z(m)};
5、按降序更新G的随机梯度,如式5:
需要说明的是,训练时,生成器要尽量让D(G(z))接近1,即训练G使log(D(G(z)))最大化、log(1-D(G(z)))最小化。而判别器需要尽量让D(x)接近1,让D(G(z))接近0,即最大化logD(x),最小化log(D(G(z)))。
在本实施例中,利用验证集样本验证训练后的生成对抗网络,包括:在模型收敛后,从生成器的输出中随机采样至少一个场景;将生成的至少一个场景与验证集样本中有功出力数据进行比较,其中,若比较结果满足吻合条件,且相关性系数评估的空间相关性满足接近条件,则完成生成对抗网络的训练,得到风电和光伏有功场景生成的样本。
具体而言,模型收敛后,从生成器的输出中随机采样m个场景,将生成的场景与真实样本x的验证集中有功出力数据进行比较,若生成的场景与真实样本x的验证集日内出力特性、功率分布特性曲线高度吻合,并且相关性系数评估的空间相关性也接近,则完成生成对抗网络的训练,得到风电光伏有功场景生成的样本。
结果显示生成样本与验证集中样本的出力特性曲线高度吻合、生成样本和真实样本的功率分布特性曲线均具有相同趋势,同时能保留风电和光伏时序出力序列间的空间相关性。也证明了本申请实施例的方法的生成对抗网络以无监督学习的方法实现了对于风电和光伏日内出力的概率建模,高效学习风电和光伏的有功出力特性,并通过生成多样化的场景准确刻画风电和光伏的多时空不确定性,可用于后续的多能互补协调运行研究。
综上,对于可再生能源预测不确定性的问题,基于生成对抗网络算法,本申请实施例提出了一种风电光伏有功出力场景生成方法,包括:首先需要收集历史风电和光伏有功出力数据,并进行数据清洗、数据样本集选取和数据维度调整等预处理;其次,对得到的样本数据进行聚类,得到优化后的数据样本;接着构建起包含生成器和判别器的生成对抗网络;通过将历史数据输入神经网络,并采用一定的训练顺序进行参数更新;最后得到能刻画风电和光伏有功出力特性的生成样本,经过性能检验后的风电和光伏有功出力特性的生成样本可用于多能互补协调运行研究。
根据本申请实施例提出的风光有功出力场景生成方法,充分利用深度神经网络强大的计算能力进行无监督学习,在对抗训练过程中高效学习风电和光伏的有功出力特性,并通过生成多样化的场景准确刻画风电和光伏的多时空不确定性,有效提高可再生能源预测的准确性。
其次参照附图描述根据本申请实施例提出的风光有功出力场景生成装置。
图4是本申请实施例的风光有功出力场景生成装置的方框示意图。
如图4所示,该风光有功出力场景生成装置10包括:预处理模块100、生成模块200、构建模块300、训练模块400和验证模块500。
其中,预处理模块100用于获取历史风电、光伏发电有功功率数据,并对历史风电、光伏发电有功功率数据进行预处理,得到真实数据样本;生成模块200用于对真实数据样本进行重构和聚类,生成训练集样本和验证集样本;构建模块300用于构建初始生成对抗网络;训练模块400用于并在确定网络结构和参数后,利用训练集样本训练初始生成对抗网络;验证模块500用于利用验证集样本验证训练后的生成对抗网络,得到性能满足预设条件的最终生成对抗网络,进而生成风电光伏有功出力场景。
进一步地,预处理模块100进一步用于分别对多个风力机组和多个光伏机组进行采样,得到包含历史风电、光伏发电有功功率数据的初始样本集;对初始样本集进行数据清洗、数据样本集选取和数据维度调整,并对于数据中的缺失值插值进行填充,且舍弃缺失值过多的样本,得到预处理后的样本;将预处理后样本中的风电和光伏的真实出力值除以当月装机容量,得到单位装机容量下的风电和光伏有功出力值,并对风电和光伏有功出力值进行归一化处理,得到真实数据样本。
进一步地,生成模块200进一步用于将同一日的风电和光伏出力数据整理至同一个数据样本中,并且将光伏发电有功功率数据进行重构,将每个样本的一维数据整理成二维数组;将真实数据样本中的真实样本聚类,以分类代入生成对抗网络进行训练。
进一步地,训练模块400进一步用于初始化生成判别器和生成器,对判别器进行训练的同时,固定生成器的参数,利用样本数据特点更新判别器的参数,并且在对应生成器下完成判别器的第一阶段训练后,固定判别器的参数,训练生成器,并通过判别器对生成数据的判断结果不断更新生成器的参数,不断循环,直至训练完成。
进一步地,验证模块500进一步用于在模型收敛后,从生成器的输出中随机采样至少一个场景;将生成的至少一个场景与验证集样本中有功出力数据进行比较,其中,若比较结果满足吻合条件,且相关性系数评估的空间相关性满足接近条件,则完成生成对抗网络的训练,得到风电和光伏有功场景生成的样本。
需要说明的是,前述对风光有功出力场景生成方法实施例的解释说明也适用于该实施例的风光有功出力场景生成装置,此处不再赘述。
根据本申请实施例提出的风光有功出力场景生成装置,充分利用深度神经网络强大的计算能力进行无监督学习,在对抗训练过程中高效学习风电和光伏的有功出力特性,并通过生成多样化的场景准确刻画风电和光伏的多时空不确定性,有效提高可再生能源预测的准确性。
图5为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括:
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的风光有功出力场景生成方法。
进一步地,电子设备还包括:
通信接口503,用于存储器501和处理器502之间的通信。
存储器501,用于存放可在处理器502上运行的计算机程序。
存储器501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。
如果存储器501、处理器502和通信接口503独立实现,则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture,简称为ISA)总线、外部设备互连(PeripheralComponent,简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture,简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图5中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
可选地,在具体实现上,如果存储器501、处理器502及通信接口503,集成在一块芯片上实现,则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502可能是一个中央处理器(Central Processing Unit,简称为CPU),或者是特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供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上的风光有功出力场景生成方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM,Random AccessMemory),只读存储器(ROM,ReadOnly Memory),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,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模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种风光有功出力场景生成方法,其特征在于,包括以下步骤:
获取历史风电、光伏发电有功功率数据,并对所述历史风电、光伏发电有功功率数据进行预处理,得到真实数据样本;
对所述真实数据样本进行重构和聚类,生成训练集样本和验证集样本;
构建初始生成对抗网络,并在确定网络结构和参数后,利用所述训练集样本训练所述初始生成对抗网络,且利用所述验证集样本验证训练后的生成对抗网络,得到性能满足预设条件的最终生成对抗网络,进而生成风电光伏有功出力场景。
2.根据权利要求1所述的方法,其特征在于,所述获取历史风电、光伏发电有功功率数据,并对所述历史风电、光伏发电有功功率数据进行预处理,得到数据样本,包括:
分别对多个风力机组和多个光伏机组进行采样,得到包含所述历史风电、光伏发电有功功率数据的初始样本集;
对所述初始样本集进行数据清洗、数据样本集选取和数据维度调整,并对于数据中的缺失值插值进行填充,且舍弃缺失值过多的样本,得到预处理后的样本;
将所述预处理后样本中的风电和光伏的真实出力值除以当月装机容量,得到单位装机容量下的风电和光伏有功出力值,并对所述风电和光伏有功出力值进行归一化处理,得到所述真实数据样本。
3.根据权利要求1所述的方法,其特征在于,所述对所述真实数据样本进行重构和聚类,包括:
将同一日的风电和光伏出力数据整理至同一个数据样本中,并且将所述光伏发电有功功率数据进行重构,将每个样本的一维数据整理成二维数组;
将所述真实数据样本中的真实样本聚类,以分类代入生成对抗网络进行训练。
4.根据权利要求1所述的方法,其特征在于,所述利用所述训练集样本训练所述初始生成对抗网络,包括:
初始化生成判别器和生成器,对所述判别器进行训练的同时,固定所述生成器的参数,利用样本数据特点更新所述判别器的参数,并且在对应所述生成器下完成所述判别器的第一阶段训练后,固定所述判别器的参数,训练所述生成器,并通过所述判别器对生成数据的判断结果不断更新所述生成器的参数,不断循环,直至训练完成。
5.根据权利要求4所述的方法,其特征在于,所述利用所述验证集样本验证训练后的生成对抗网络,包括:
在模型收敛后,从所述生成器的输出中随机采样至少一个场景;
将生成的所述至少一个场景与所述验证集样本中有功出力数据进行比较,其中,若比较结果满足吻合条件,且相关性系数评估的空间相关性满足接近条件,则完成所述生成对抗网络的训练,得到所述风电和光伏有功场景生成的样本。
6.一种风光有功出力场景生成装置,其特征在于,包括:
预处理模块,用于获取历史风电、光伏发电有功功率数据,并对所述历史风电、光伏发电有功功率数据进行预处理,得到真实数据样本;
生成模块,用于对所述真实数据样本进行重构和聚类,生成训练集样本和验证集样本;
构建模块,用于构建初始生成对抗网络;
训练模块,用于并在确定网络结构和参数后,利用所述训练集样本训练所述初始生成对抗网络;
验证模块,用于利用所述验证集样本验证训练后的生成对抗网络,得到性能满足预设条件的最终生成对抗网络,进而生成风电光伏有功出力场景。
7.根据权利要求6所述的装置,其特征在于,
所述预处理模块进一步用于分别对多个风力机组和多个光伏机组进行采样,得到包含所述历史风电、光伏发电有功功率数据的初始样本集;对所述初始样本集进行数据清洗、数据样本集选取和数据维度调整,并对于数据中的缺失值插值进行填充,且舍弃缺失值过多的样本,得到预处理后的样本;将所述预处理后样本中的风电和光伏的真实出力值除以当月装机容量,得到单位装机容量下的风电和光伏有功出力值,并对所述风电和光伏有功出力值进行归一化处理,得到所述真实数据样本;
所述生成模块进一步用于将同一日的风电和光伏出力数据整理至同一个数据样本中,并且将所述光伏发电有功功率数据进行重构,将每个样本的一维数据整理成二维数组;将所述真实数据样本中的真实样本聚类,以分类代入生成对抗网络进行训练。
8.根据权利要求7所述的装置,其特征在于,
所述训练模块进一步用于初始化生成判别器和生成器,对所述判别器进行训练的同时,固定所述生成器的参数,利用样本数据特点更新所述判别器的参数,并且在对应所述生成器下完成所述判别器的第一阶段训练后,固定所述判别器的参数,训练所述生成器,并通过所述判别器对生成数据的判断结果不断更新所述生成器的参数,不断循环,直至训练完成;
所述验证模块进一步用于在模型收敛后,从所述生成器的输出中随机采样至少一个场景;将生成的所述至少一个场景与所述验证集样本中有功出力数据进行比较,其中,若比较结果满足吻合条件,且相关性系数评估的空间相关性满足接近条件,则完成所述生成对抗网络的训练,得到所述风电和光伏有功场景生成的样本。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上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程序,以实现如权利要求1-5任一项所述的风光有功出力场景生成方法。
10.一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,以用于实现如权利要求1-5任一项所述的风光有功出力场景生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352666.XA CN114066236A (zh) | 2021-11-16 | 2021-11-16 | 风光有功出力场景生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111352666.XA CN114066236A (zh) | 2021-11-16 | 2021-11-16 | 风光有功出力场景生成方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066236A true CN114066236A (zh) | 2022-02-18 |
Family
ID=80273441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111352666.XA Pending CN114066236A (zh) | 2021-11-16 | 2021-11-16 | 风光有功出力场景生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066236A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034812A (zh) * | 2022-05-31 | 2022-09-09 | 湖南华菱电子商务有限公司 | 基于大数据的钢铁行业销售量预测方法及装置 |
CN115618710A (zh) * | 2022-09-08 | 2023-01-17 | 济南大学 | 一种基于gan的风电功率概率性预测方法及系统 |
CN116842409A (zh) * | 2023-08-28 | 2023-10-03 | 南方电网数字电网研究院有限公司 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021063461A1 (en) * | 2019-10-03 | 2021-04-08 | Vestas Wind Systems A/S | Method for planning a layout of a renewable energy site |
CN112994115A (zh) * | 2019-12-18 | 2021-06-18 | 华北电力大学(保定) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 |
CN113191918A (zh) * | 2021-03-31 | 2021-07-30 | 重庆大学 | 基于时序生成对抗网络的月度风光发电功率场景分析方法 |
-
2021
- 2021-11-16 CN CN202111352666.XA patent/CN114066236A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021063461A1 (en) * | 2019-10-03 | 2021-04-08 | Vestas Wind Systems A/S | Method for planning a layout of a renewable energy site |
CN112994115A (zh) * | 2019-12-18 | 2021-06-18 | 华北电力大学(保定) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 |
CN113191918A (zh) * | 2021-03-31 | 2021-07-30 | 重庆大学 | 基于时序生成对抗网络的月度风光发电功率场景分析方法 |
Non-Patent Citations (2)
Title |
---|
RUI YU 等: "Research on Scene Generation Method of Wind and Solar Active Power Output Based on k-Medoids Clustering and Generative Adversarial Networks", 《2021 11TH INTERNATIONAL CONFERENCE ON POWER AND ENERGY SYSTEMS》, 26 January 2022 (2022-01-26), pages 690 - 695 * |
陈刚等: "生成对抗网络在风电功率预测中的应用", 《辽宁工程技术大学学报(自然科学版)》, vol. 40, no. 03, 15 June 2021 (2021-06-15), pages 258 - 264 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034812A (zh) * | 2022-05-31 | 2022-09-09 | 湖南华菱电子商务有限公司 | 基于大数据的钢铁行业销售量预测方法及装置 |
CN115034812B (zh) * | 2022-05-31 | 2023-04-21 | 湖南华菱电子商务有限公司 | 基于大数据的钢铁行业销售量预测方法及装置 |
CN115618710A (zh) * | 2022-09-08 | 2023-01-17 | 济南大学 | 一种基于gan的风电功率概率性预测方法及系统 |
CN116842409A (zh) * | 2023-08-28 | 2023-10-03 | 南方电网数字电网研究院有限公司 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
CN116842409B (zh) * | 2023-08-28 | 2024-02-20 | 南方电网数字电网研究院有限公司 | 新能源发电场景生成方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114066236A (zh) | 风光有功出力场景生成方法、装置、电子设备及存储介质 | |
CN109842373B (zh) | 基于时空分布特性的光伏阵列故障诊断方法及装置 | |
CN108416695B (zh) | 基于深度学习的电力负荷概率密度预测方法和系统、介质 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN107944604B (zh) | 一种用于光伏功率预测的天气类型识别方法和装置 | |
CN110728360A (zh) | 一种基于bp神经网络的微能源器件能量识别方法 | |
CN110544177A (zh) | 基于电力指纹的负荷识别方法及计算机可读存储介质 | |
CN110363354B (zh) | 风场风功率预测方法、电子装置及存储介质 | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN116028838B (zh) | 一种基于聚类算法的能源数据处理方法、装置及终端设备 | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN110096730B (zh) | 一种电网电压快速评估方法及系统 | |
CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
CN115861671A (zh) | 一种考虑负荷特性与可调节潜力的双层自适应聚类方法 | |
CN117218425A (zh) | 一种用于光伏电站的发电损失分析方法及系统 | |
CN108537581B (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
CN114240687A (zh) | 一种适用于综合能源系统的能源托管效率分析方法 | |
CN113240217A (zh) | 一种基于集成预测模型的光伏发电预测方法及装置 | |
CN113076892A (zh) | 一种基于深度学习sdae-bp的暂降类型识别方法、装置和系统 | |
CN109638892B (zh) | 一种基于改进模糊聚类算法的光伏电站等值建模方法 | |
CN116819423A (zh) | 关口电能计量装置运行状态异常检测方法及系统 | |
CN116777039A (zh) | 基于训练集分段和误差修正的双层神经网络风速预测方法 | |
CN114021437B (zh) | 一种风电光伏有功场景生成方法、装置、电子设备和存储介质 | |
CN116596129A (zh) | 一种电动汽车充电场站短期负荷预测模型构建方法 |
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 |