CN114240003A - 一种新能源出力预测方法、系统、存储介质及设备 - Google Patents
一种新能源出力预测方法、系统、存储介质及设备 Download PDFInfo
- Publication number
- CN114240003A CN114240003A CN202210164414.2A CN202210164414A CN114240003A CN 114240003 A CN114240003 A CN 114240003A CN 202210164414 A CN202210164414 A CN 202210164414A CN 114240003 A CN114240003 A CN 114240003A
- Authority
- CN
- China
- Prior art keywords
- model
- preselected
- data
- target
- output
- 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 61
- 238000012549 training Methods 0.000 claims abstract description 160
- 238000012795 verification Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 241000845077 Iare Species 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 22
- 230000000694 effects Effects 0.000 description 13
- 230000005855 radiation Effects 0.000 description 12
- 238000010248 power generation Methods 0.000 description 9
- 230000002159 abnormal effect Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种新能源出力预测方法、系统、存储介质及设备，方法包括：获取历史出力数据；根据历史出力数据分别对第一预选模型和第二预选模型进行模型训练，确定第一模型参数及第二模型参数，分别获得第一目标模型和第二目标模型；获取待预测数据，将待预测数据输入至第一目标模型和第二目标模型，得到第一预测值及第二预测值，根据第一预测值及第二预测值取数学平均值获得目标出力预测值。上述新能源出力预测方法、系统、存储介质及设备，将待预测数据输入至第一目标模型和第二目标模型得第一预测值及第二预测值，再进行加权得目标出力预测值，解决了现有技术中的新能源出力预测方法不能满足对预测精度的要求，影响安全性和经济性的技术问题。
Description
技术领域
本发明涉及新能源出力预测技术领域，特别涉及一种新能源出力预测方法、系统、存储介质及设备。
背景技术
随着电力十三五规划中对加大可再生能源发电占比的要求，未来新能源（例如光伏出力、风电出力）出力需要进一步得到长足发展。
光伏发电是利用半导体界面的光生伏特效应而将光能直接转变为电能的一种技术，是目前可再生能源发电技术中较为成熟，并具有大规模开发条件和商业前景的发电方式之一。光伏发电出力受气象等因素影响较大，具有较强的间歇性和波动性，这些特性使得高比例光伏接入后给电力系统造成巨大的冲击与挑战。一方面对电网的安全稳定运行带来挑战，另一方面，由此带来的旋转备用容量的增加提高了光伏发电的运营整体成本。因而，对光伏出力进行准确预测就尤为重要。若能准确进行光伏发电出力预测，不仅可以提高光伏电站运营效率，而且可以帮助调度部门调整运行方式，确保高比例光伏接入后电力系统的安全与经济运行。同理，风电出力受风速的影响较大，风速的不稳定性造成了风电出力的间歇性和不确定性，因此增加了电网计划和调度的难度。准确合理的风电出力预测可以为风电场的运营计划及电网的调度安排提供必要的支持，对于降低电网运营风险、降低风电场发电及电网调度成本具有较大的作用和意义。
现有技术中，一般通过采用趋势外推、线性回归及智能预测方法（如神经网络）等传统预测方法，一方面由于没有建立全面的影响因素，另一方面由于样本量较少而使得预测方法的预测性能不能完全体现，导致预测精度不高，因此，目前新能源出力预测方法不能满足对预测精度的要求，这将显著影响到电网调度的安全性和经济性。
发明内容
基于此，本发明的目的是提供一种新能源出力预测方法、系统、存储介质及设备，用于解决现有技术中的新能源出力预测方法不能满足对预测精度的要求，影响电网调度的安全性和经济性的技术问题。
本发明一方面提供一种新能源出力预测方法，所述方法包括：
获取多组历史出力数据，所述历史出力数据包括历史出力功率及历史气象指标数据；
根据所述历史出力功率及所述历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练，获得与所述第一预选模型及所述第二预选模型分别对应的第一模型训练结果及第二模型训练结果，根据所述第一模型训练结果及所述第二模型训练结果确定第一最佳模型结果以及第二最佳模型结果；
根据所述第一最佳模型结果确定与所述第一预选模型对应的第一模型参数、根据所述第二最佳模型结果确定与所述第二预选模型对应的第二模型参数，并根据所述第一模型参数及所述第二模型参数分别获得第一目标模型和第二目标模型；
获取待预测数据，所述待预测数据包括目标预测时间以及与所述目标预测时间对应的目标气象指标数据，根据所述目标预测时间获取目标时间出力数据，将所述目标气象指标数据以及所述目标时间出力数据分别输入至所述第一目标模型和所述第二目标模型，根据所述第一目标模型及所述第二目标模型的模型规则，分别得到第一预测值及第二预测值，根据所述第一预测值及所述第二预测值取数学平均值获得目标出力预测值。
上述新能源出力预测方法，通过获取多组历史出力数据对第一预选模型和第二预选模型进行模型训练，得到第一最佳模型结果以及第二最佳模型结果，从而构建第一目标模型及第二目标模型，使得在模型构建时结合历史出力数据考虑了更全面的影响因素，通过多组样本量对模型进行训练，使得得到的预测模型的预测精度更高，具体的，将获得到的待预测数据分别输入至第一目标模型和第二目标模型分别得到第一预测值及第二预测值，根据第一预测值及第二预测值进行数学加权获得目标出力预测值，通过从两个模型中分别得到预测值，再将得到的两预测值进行数学加权得到目标出力预测值，提高了目标出力预测值的预测准确性及预测精度，解决了现有技术中的新能源出力预测方法不能满足对预测精度的要求，影响电网调度的安全性和经济性的技术问题。
另外，根据本发明上述的新能源出力预测方法，还可以具有如下附加的技术特征：
进一步地，所述根据所述历史出力功率及所述历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练的步骤之前包括：
获取与所述第一预选模型及所述第二预选模型的模型参数对应的参数列表，所述参数列表包括初始值、最小值、最大值以及参数调整步长；
根据所述最小值和所述最大值结合所述历史出力数据获得参数空间，通过所述初始值结合所述参数调整步长在所述参数空间获取多个训练值，将多个所述训练值对所述第一预选模型及所述第二预选模型进行模型训练，得到预选参数训练集，所述预选参数训练集包括多个预选参数。
进一步地，所述根据所述历史出力功率及所述历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练，获得与所述第一预选模型及所述第二预选模型分别对应的第一模型训练结果及第二模型训练结果的步骤包括：
将所述历史出力数据根据预设等份进行数据拆分，得到多组拆分后数据，根据所述拆分后数据的组数确定模型训练的次数；
将所述拆分后数据进行数据属性归类，归类后的数据包括多组训练数据以及至少一组验证数据；
在每一次模型训练时，通过所述训练数据分别对所述第一预选模型和所述第二预选模型进行模型训练，并通过所述验证数据对训练后的模型进行模型验证，获得与所述第一预选模型及所述第二预选模型分别对应的第一模型训练结果及第二模型训练结果。
进一步地，所述根据所述历史出力功率及所述历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练的步骤包括：
获取历史气象指标数据，根据所述历史气象指标数据获取与所述历史气象指标数据相关联的关联历史出力功率；
将所述历史气象指标数据作为输入变量，将所述关联历史出力功率作为输出变量分别对第一预选模型和第二预选模型进行模型训练。
进一步地，所述根据所述第一模型训练结果及所述第二模型训练结果确定第一最佳模型结果以及第二最佳模型结果的步骤包括：
根据所述第一模型训练结果及所述第二模型训练结果结合模型准确率分别获取所述第一预选模型和所述第二预选模型的模型评分；
根据所述模型评分确定所述第一最佳模型结果以及所述第二最佳模型结果。
进一步地，所述第一预选模型的表达公式为：
其中，
是新能源出力预测值，
是新能源出力真实值，
是算法模型系数，i是求和公式系数，
是模型正则化，
是正则化函数，t是求和公式系数，k是求和公式系数，
为模型的训练误差，
为模型的正则化项，用以控制模型复杂度，Φ是损失函数标识。
进一步地，所述第二预选模型的表达公式为：
其中，y是新能源出力真实值，X是模型特征，w是特征系数，λ是正则化系数，L是误差函数标识，n是模型样本数量，
为模型训练误差，
为L1正则化，L1正则化为机器学习方法，
为模型误差。
本发明另一方面提供一种新能源出力预测系统，所述系统包括：
获取模块，用于获取多组历史出力数据，所述历史出力数据包括历史出力功率及历史气象指标数据；
模型训练模块，用于根据所述历史出力功率及所述历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练，获得与所述第一预选模型及所述第二预选模型分别对应的第一模型训练结果及第二模型训练结果，根据所述第一模型训练结果及所述第二模型训练结果确定第一最佳模型结果以及第二最佳模型结果；
模型建立模块，用于根据所述第一最佳模型结果确定与所述第一预选模型对应的第一模型参数、根据所述第二最佳模型结果确定与所述第二预选模型对应的第二模型参数，并根据所述第一模型参数及所述第二模型参数分别获得第一目标模型和第二目标模型；
预测模块，用于获取待预测数据，所述待预测数据包括目标预测时间以及与所述目标预测时间对应的目标气象指标数据，根据所述目标预测时间获取目标时间出力数据，将所述目标气象指标数据以及所述目标时间出力数据分别输入至所述第一目标模型和所述第二目标模型，根据所述第一目标模型及所述第二目标模型的模型规则，分别得到第一预测值及第二预测值，根据所述第一预测值及所述第二预测值取数学平均值获得目标出力预测值。
本发明另一方面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述的新能源出力预测方法。
本发明另一方面还提供一种数据处理设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述的新能源出力预测方法。
附图说明
图1为本发明第一实施例中新能源出力预测方法的流程图；
图2为本发明第二实施例中新能源出力预测方法的流程图；
图3为本发明第二实施例中步骤S2021至步骤S2023的具体步骤图；
图4为本发明第三实施例中新能源出力预测系统的系统框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，所示为本发明第一实施例中的新能源出力预测方法，方法包括步骤S101至步骤S104：
S101、获取多组历史出力数据，历史出力数据包括历史出力功率及历史气象指标数据。
本申请中的新能源出力预测包括光伏出力预测及风电出力预测，由于两者的预测方法接近，本说明书的内容以光伏出力预测进行预测方法说明。
光伏出力预测属于预测光伏出力功率，光伏出力功率为某光伏场发电功率，单位为千瓦。在光伏出力预测的方法中，收集多组历史出力数据，对收集的数据进行数据分析，去除空值、异常值等数据，分析光电场弃光数据，将分析出的气象特征与光伏出力特征进行关联。由于历史光伏出力数据的来源主要由光伏场实测数据得来，其不可避免的会产生传输和存储等问题，以及限光、弃光等人为因素的影响，光伏场的历史数据常存在缺失和错误的情况。而利用问题数据进行光伏功率预测可能造成预测结果精度低，甚至预测无法收敛。故在获取历史出力数据时，需要剔除历史光伏出力数据中的异常值和缺失值，且需要通过数据分析画图考虑弃光数据，具体的，通过构建光伏出力与辐射的散点图，观察其中存在异常点的分布情况，将辐射较大但光伏功率较小的数据视为异常点，将光辐射量较大但功率恒定为较低的数据视为弃光数据，将这两类数据丢弃。
风电出力预测属于预测风电出力功率，风电出力功率为某风电场或单一风机的发电功率，单位为千瓦。在风电出力预测的方法中，收集风电出力功率和气象指标数据(测风塔风速和风向、压强、温度)，对收集的数据进行数据分析，去除空值、异常值等数据，分析风电场弃风数据，将分析出的气象特征与风电出力特征进行关联。由于风电历史数据的来源主要由风电场实测数据,其不可避免的产生传输和存储等问题，以及限风、弃风等人为因素的影响，风电场的历史数据常存在缺失和错误的情况。而利用问题数据进行风电功率预测可能造成预测结果精度低，甚至预测无法收敛。需要剔除风电出力历史数据中的异常值和缺失值，且需要通过数据分析画图考虑弃风数据。通过构建风电出力与风速的散点图，观察其中存在异常点的分布情况，将风速较大但风电功率较小的数据视为异常点，将风速较大但功率恒定为较低的数据视为弃风数据，将这两类数据丢弃。
具体的，在光伏出力预测过程中，气象指标数据包括直接辐射、散射辐射、全辐射、环境温度、湿度、气压、风速、风向及光伏出力等历史基础数据。其中直接辐射为太阳以平行光线的形式直接投射到地面上的辐射；散射辐射是经过大气分子、水蒸气、灰尘等质点的反射，改变了方向的太阳辐射，单位为兆焦/平方米；全辐射为被光辐射照射的表面上单位面积内接收的辐射通量，单位为瓦/平方米。
在风电出力预测过程中，气象指标数据包括风力浆角、10米测风塔风速数据、30米测风塔风速数据、50米测风塔风速数据、70米测风塔风速数据、轮毂高度风速、10米风向、30米风向、50米风向、70米风向、温度、压强、湿度的历史基础数据。风力浆角为风电叶片与水平线的夹角，单位为°，分别为测风塔10米处、30米处、70米处的平均风速和风向，风速单位为m/s,风向单位为°；温度、压强、湿度分别为周围的气象指标数据，温度单位为摄氏度，压强单位为千帕，湿度单位为百帕。
S102、根据历史出力功率及历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练，获得与第一预选模型及第二预选模型分别对应的第一模型训练结果及第二模型训练结果，根据第一模型训练结果及第二模型训练结果确定第一最佳模型结果以及第二最佳模型结果。
第一预选模型及第二预选模型均含有多个模型参数，将历史出力数据对预选模型进行训练，得到多组训练后的模型，根据训练后的模型从而确定每个预选模型的模型参数，根据确定的模型参数构建目标模型，从而便于出力预测。
具体的，在上述步骤中，通过收集到的历史出力数据进行数据匹配，将匹配好的历史出力功率及历史气象指标数据输入至第一预选模型和第二预选模型进行模型训练，从而得到多组第一模型训练结果及多组第二模型训练结果，分别对多组第一模型训练结果及多组第二模型训练结果进行筛选，得到多组预选参数，对多组预选参数进行数据拆分，而后再进行交叉验证，获得第一模型参数及第二模型参数，从而得到第一目标模型和第二目标模型。
S103、根据第一最佳模型结果确定与第一预选模型对应的第一模型参数、根据第二最佳模型结果确定与第二预选模型对应的第二模型参数，并根据第一模型参数及第二模型参数分别获得第一目标模型和第二目标模型。
S104、获取待预测数据，待预测数据包括目标预测时间以及与目标预测时间对应的目标气象指标数据，根据目标预测时间获取目标时间出力数据，将目标气象指标数据以及目标时间出力数据分别输入至第一目标模型和第二目标模型，根据第一目标模型及第二目标模型的模型规则，分别得到第一预测值及第二预测值，根据第一预测值及第二预测值取数学平均值获得目标出力预测值。
结合多组历史出力数据进行模型训练，使得在模型训练时，就已考虑了较多影响因素，使得训练后的预测模型的预测准确性及预测精度大幅度提高。当需要进行出力预测时，只需在训练好的预测模型中输入预测当日的气象指标数据以及前一日的出力功率，即可获得预测时间的出力预测值，进一步的，为了提高预测数据的准确性，在本申请中，通过训练两不同的预测模型，再将待预测数据输入至训练好的两不同的预测模型中，得到两组预测数据，再将两组预测数据进行数据加权，取预测数据的平均值，进一步保证了预测数据的准确性，提高了电网调度的安全性及经济性。
综上，本发明上述实施例当中的新能源出力预测方法，通过获取多组历史出力数据对第一预选模型和第二预选模型进行模型训练，得到第一最佳模型结果以及第二最佳模型结果，从而构建第一目标模型及第二目标模型，使得在模型构建时结合历史出力数据考虑了更全面的影响因素，通过多组样本量对模型进行训练，使得得到的预测模型的预测精度更高，具体的，将获得到的待预测数据分别输入至第一目标模型和第二目标模型分别得到第一预测值及第二预测值，根据第一预测值及第二预测值进行数学加权获得目标出力预测值，通过从两个模型中分别得到预测值，再将得到的两预测值进行数学加权得到目标出力预测值，提高了目标出力预测值的预测准确性及预测精度，解决了现有技术中的新能源出力预测方法不能满足对预测精度的要求，影响电网调度的安全性和经济性的技术问题。
实施例二
请查阅图2，所示为本发明第二实施例中的新能源出力预测方法，方法包括步骤S201至步骤S204：
S201、获取多组历史出力数据，历史出力数据包括历史出力功率及历史气象指标数据。
作为一个具体示例，以获取明天的出力功率为例对本申请方案进行详细阐述，将今天的出力功率结合明天的气象指标数据（例如：明天的天气预报），预测明天的出力功率，在预测之前，需要先进行模型训练，通过训练好的目标模型结合今天的出力功率以及明天的天气预报，从而获得明天的出力功率。
具体的，获取历史出力数据，出力数据包括场站信息、时间信息、以及特定场站在特定时间下的出力功率，将历史出力数据进行数据汇总。进一步的，时间信息可以具体为记录出力功率的时间间隔，例如，每15分钟记录一次A场站的出力功率，将记录到的场站信息、时间信息以及相对应的出力功率进行数据汇总，以便于根据汇总后的数据对模型进行模型训练，具体的，汇总后的数据可以以出力功率统计表的形式展现。
进一步的，在进行数据汇总之前，需要对获取到的出力数据进行数据关联，以便将场站信息、时间信息以及出力功率进行数据关联，使之形成有效的模型训练数据，关联汇总后的出力功率统计表中可以有以下项目：场站、记录时间、气象数据、出力功率。
S202、根据历史出力功率及历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练，获得与第一预选模型及第二预选模型分别对应的第一模型训练结果及第二模型训练结果，根据第一模型训练结果及第二模型训练结果确定第一最佳模型结果以及第二最佳模型结果。
作为一个具体示例，选Xgboost模型为第一预选模型、选Lasso模型为第二预选模型进行模型训练，Xgboost模型及Lasso模型分别具有两不同的模型参数，在对第一预选模型及第二预选模型进行模型训练前，需先根据历史出力数据确定Xgboost模型及Lasso模型的两不同的模型参数，当模型参数确定后，采用网格搜索法对Xgboost模型及Lasso模型进行模型训练。
具体的，Xgboost模型的表达公式为：
其中，
是新能源出力预测值，
是新能源出力真实值，
是算法模型系数，i是求和公式系数，
是模型正则化，
是正则化函数，t是求和公式系数，k是求和公式系数，
为模型的训练误差，
为模型的正则化项，用以控制模型复杂度，Φ是损失函数标识。
Lasso模型的表达公式为：
其中，y是新能源出力真实值，X是模型特征，w是特征系数，λ是正则化系数，L是误差函数标识，n是模型样本数量，
为模型训练误差，
为L1正则化，L1正则化为机器学习方法，
为模型误差。
需要进一步说明的是，在上述公式中，L是误差函数标识，L1正则化为机器学习方法，两者释义不同。
具体的，将Xgboost模型预测值与Lasso模型预测值以
进行融合，其中Xgboost_pre为Xgboost模型的预测值，lasso_pre为lasso模型的预测值，其中0<α<1，通过比对pre预测值与真实值之间的误差来确定α值。最终的pre为光伏功率出力的预测值。
结合出力功率统计表中的数据确定模型参数，具体的，获取与第一预选模型及第二预选模型的模型参数对应的参数列表，每一模型参数均包括一参数列表，参数列表包括初始值、最小值、最大值以及参数调整步长；根据最小值和最大值结合历史出力数据获得参数空间，通过初始值结合参数调整步长在参数空间获取多个训练值，将多个训练值对第一预选模型及第二预选模型进行模型训练，得到预选参数训练集，预选参数训练集包括多个预选参数。
在具体实施时，取一组参数列表以Xgboost模型举例对上述过程进行具体阐述，取最小值1和最大值10，则参数空间为1至10，取初始值为5，步长为1，对模型进行找参，具体的，将初始值5对模型进行模型训练观察模型效果，若5的效果不佳，可以根据步长，下一个数据可选6或者4，最终遍历1至10的范围内的参数，找到一个最优参数，将该最优参数定为该模型的预选参数之一，假设6为最优参数，则6为该组参数列表中，该模型的模型参数之一。当从出力功率统计表中采用多组参数列表对Xgboost模型进行模型训练时，则会获得多个预选参数。
Xgboost模型中的另一模型参数以及Lasso模型中的两模型参数，均采用上述方式获得多个预选参数，为了提高本说明书描述时的精简性，在此不做过多描述。需要进一步说明的是，在本方案中，可以理解为对Xgboost模型以及Lasso模型做了两次模型训练，第一次模型训练属于对Xgboost模型以及Lasso模型进行模型找参的过程，获得模型的多个预选参数，通过获得多个预选参数使得本申请中，在构建目标模型时，考虑了更全面的影响因素，得到的目标模型更具有说服力，提高目标模型的预测准确性；第二次训练为采用网格搜索法对Xgboost模型及Lasso模型进行模型训练，从而获得第一模型训练结果及第二模型训练结果，根据第一模型训练结果及第二模型训练结果确定第一模型参数及第二模型参数，而后根据第一模型参数及第二模型参数分别获得第一目标模型和第二目标模型，即第二次模型训练获得Xgboost模型以及Lasso模型的模型参数，从而根据获取到的模型参数，建立目标模型。从多个预选参数对模型进行模型训练，从而从多个模型训练结果中获得最佳模型参数，将该最佳模型参数确定的模型定为最佳模型结果。
当对模型进行模型训练时，获取历史气象指标数据，根据历史气象指标数据获取与历史气象指标数据相关联的关联历史出力功率；将历史气象指标数据作为输入变量，将关联历史出力功率作为输出变量分别对第一预选模型和第二预选模型进行模型训练。
在对第一预选模型和第二预选模型进行模型训练确定最佳模型结果时，如图3所示，模型训练具体包括步骤S2021至步骤S2023：
S2021、将历史出力数据根据预设等份进行数据拆分，得到多组拆分后数据，根据拆分后数据的组数确定模型训练的次数。
具体的，将出力功率统计表根据预设等份进行数据拆分，得到多组拆分后数据。
S2022、将拆分后数据进行数据属性归类，归类后的数据包括多组训练数据以及至少一组验证数据。
作为一个具体示例，假设将数据按5等份进行数据拆分，在进行每轮模型训练时，将其中4份定义为训练数据，将另1组定义为验证数据，如此，即可训练五轮、验证五轮，从而实现交叉验证。每一次模型训练时，都是对预选参数的验证，根据这五次交叉验证后的平均效果评价模型对应的预选参数的效果。具体的，假设在Xgboost模型中的两参数均有10组预选参数，则在进行模型训练确定目标模型的过程中，即有100个组合，从而在进行模型训练时，则有100个效果，将该100个效果进行对比，获得效果最佳的一效果，根据该效果确定最佳模型参数，将该最佳模型参数确定的模型定为最佳模型结果，从而确定目标模型中的模型参数，此即成功建立目标预测模型。
S2023、在每一次模型训练时，通过训练数据分别对第一预选模型和第二预选模型进行模型训练，并通过验证数据对训练后的模型进行模型验证，获得与第一预选模型及第二预选模型分别对应的第一模型训练结果及第二模型训练结果。
具体的，可以根据模型预测准确率或者模型的最终得到来判断模型效果，从而确定最佳模型参数。
S203、根据第一最佳模型结果确定与第一预选模型对应的第一模型参数、根据第二最佳模型结果确定与第二预选模型对应的第二模型参数，并根据第一模型参数及第二模型参数分别获得第一目标模型和第二目标模型。
Xgboost是一种集成提升算法，与传统的Gbdt算法有很多的不同，在函数优化方面Xgboost运用到了二阶泰勒展开式，优化过程中同时用到了一阶和二阶导数，并且将正则项加入了损失函数中，以此来降低模型的复杂度，用以防止过拟合现象。
S204、获取待预测数据，待预测数据包括目标预测时间以及与目标预测时间对应的目标气象指标数据，根据目标预测时间获取目标时间出力数据，将目标气象指标数据以及目标时间出力数据分别输入至第一目标模型和第二目标模型，根据第一目标模型及第二目标模型的模型规则，分别得到第一预测值及第二预测值，根据第一预测值及第二预测值取数学平均值获得目标出力预测值。
在上述步骤中，将待预测数据输入至第一目标模型和第二目标模型中，即将预测前一天的出力功率及预测当天的气象数据分别输入至训练好的Xgboost模型以及训练好的Lasso模型中，因为训练好的模型已经确定好了模型参数，故训练好的模型根据训练好的模型参数即确定了模型规则，故通过训练好的Xgboost模型以及训练好的Lasso模型可以分别得到Xgboost模型预测结果以及Lasso模型预测结果。为了提高预测的准确性，将Xgboost模型预测结果以及Lasso模型预测结果进行数据处理，例如进行数据加权获得Xgboost模型预测结果以及Lasso模型预测结果的平均值，将该平均值作为最终的出力功率预测结果。
本申请中的预测方法，系统自动运算，无需人工进行干预，节约了大量人力工作量的同时，也提高了系统运算的准确性，同时还提高了运行效率。
需要指出的是，本发明第二实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例中相应内容。
综上，本发明上述实施例当中的新能源出力预测方法，通过获取多组历史出力数据对第一预选模型和第二预选模型进行模型训练，得到第一最佳模型结果以及第二最佳模型结果，从而构建第一目标模型及第二目标模型，使得在模型构建时结合历史出力数据考虑了更全面的影响因素，通过多组样本量对模型进行训练，使得得到的预测模型的预测精度更高，具体的，将获得到的待预测数据分别输入至第一目标模型和第二目标模型分别得到第一预测值及第二预测值，根据第一预测值及第二预测值进行数学加权获得目标出力预测值，通过从两个模型中分别得到预测值，再将得到的两预测值进行数学加权得到目标出力预测值，提高了目标出力预测值的预测准确性及预测精度，解决了现有技术中的新能源出力预测方法不能满足对预测精度的要求，影响电网调度的安全性和经济性的技术问题。
实施例三
请参阅图4，所示为本发明第三实施例中的新能源出力预测系统，所述系统包括：
获取模块，用于获取多组历史出力数据，所述历史出力数据包括历史出力功率及历史气象指标数据；
模型训练模块，用于根据所述历史出力功率及所述历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练，获得与所述第一预选模型及所述第二预选模型分别对应的第一模型训练结果及第二模型训练结果，根据所述第一模型训练结果及所述第二模型训练结果确定第一最佳模型结果以及第二最佳模型结果；
模型建立模块，用于根据所述第一最佳模型结果确定与所述第一预选模型对应的第一模型参数、根据所述第二最佳模型结果确定与所述第二预选模型对应的第二模型参数，并根据所述第一模型参数及所述第二模型参数分别获得第一目标模型和第二目标模型；
预测模块，用于获取待预测数据，所述待预测数据包括目标预测时间以及与所述目标预测时间对应的目标气象指标数据，根据所述目标预测时间获取目标时间出力数据，将所述目标气象指标数据以及所述目标时间出力数据分别输入至所述第一目标模型和所述第二目标模型，根据所述第一目标模型及所述第二目标模型的模型规则，分别得到第一预测值及第二预测值，根据所述第一预测值及所述第二预测值取数学平均值获得目标出力预测值。
在一些可选实施例中，模型训练模块之前可以包括：
参数列表模块，用于获取与所述第一预选模型及所述第二预选模型的模型参数对应的参数列表，所述参数列表包括初始值、最小值、最大值以及参数调整步长；
预选参数训练集模块，用于根据所述最小值和所述最大值结合所述历史出力数据获得参数空间，通过所述初始值结合所述参数调整步长在所述参数空间获取多个训练值，将多个所述训练值对所述第一预选模型及所述第二预选模型进行模型训练，得到预选参数训练集，所述预选参数训练集包括多个预选参数。
在一些可选实施例中，模型训练模块包括：
数据拆分单元，用于将所述历史出力数据根据预设等份进行数据拆分，得到多组拆分后数据，根据所述拆分后数据的组数确定模型训练的次数；
属性归类单元，用于将所述拆分后数据进行数据属性归类，归类后的数据包括多组训练数据以及至少一组验证数据；
模型训练结果模块，用于在每一次模型训练时，通过所述训练数据分别对所述第一预选模型和所述第二预选模型进行模型训练，并通过所述验证数据对训练后的模型进行模型验证，获得与所述第一预选模型及所述第二预选模型分别对应的第一模型训练结果及第二模型训练结果。
在一些可选实施例中，模型训练模块包括：
关联单元，用于获取历史气象指标数据，根据所述历史气象指标数据获取与所述历史气象指标数据相关联的关联历史出力功率；
模型训练单元，用于将所述历史气象指标数据作为输入变量，将所述关联历史出力功率作为输出变量分别对第一预选模型和第二预选模型进行模型训练。
在一些可选实施例中，模型训练模块包括：
模型评分获取单元，用于根据所述第一模型训练结果及所述第二模型训练结果结合模型准确率分别获取所述第一预选模型和所述第二预选模型的模型评分；
最佳模型结果单元，用于根据所述模型评分确定所述第一最佳模型结果以及所述第二最佳模型结果。
综上，本发明上述实施例当中的新能源出力预测系统，通过获取多组历史出力数据对第一预选模型和第二预选模型进行模型训练，得到第一最佳模型结果以及第二最佳模型结果，从而构建第一目标模型及第二目标模型，使得在模型构建时结合历史出力数据考虑了更全面的影响因素，通过多组样本量对模型进行训练，使得得到的预测模型的预测精度更高，具体的，将获得到的待预测数据分别输入至第一目标模型和第二目标模型分别得到第一预测值及第二预测值，根据第一预测值及第二预测值进行数学加权获得目标出力预测值，通过从两个模型中分别得到预测值，再将得到的两预测值进行数学加权得到目标出力预测值，提高了目标出力预测值的预测准确性及预测精度，解决了现有技术中的新能源出力预测方法不能满足对预测精度的要求，影响电网调度的安全性和经济性的技术问题。
此外，本发明的实施例还提出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上述实施例中方法的步骤。
此外，本发明的实施例还提出一种数据处理设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述实施例中方法的步骤。
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：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），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程序，然后将其存储在计算机存储器中。
应当理解，本发明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，多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。例如，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。
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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种新能源出力预测方法，其特征在于，所述方法包括：
获取多组历史出力数据，所述历史出力数据包括历史出力功率及历史气象指标数据；
根据所述历史出力功率及所述历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练，获得与所述第一预选模型及所述第二预选模型分别对应的第一模型训练结果及第二模型训练结果，根据所述第一模型训练结果及所述第二模型训练结果确定第一最佳模型结果以及第二最佳模型结果；
根据所述第一最佳模型结果确定与所述第一预选模型对应的第一模型参数、根据所述第二最佳模型结果确定与所述第二预选模型对应的第二模型参数，并根据所述第一模型参数及所述第二模型参数分别获得第一目标模型和第二目标模型；
获取待预测数据，所述待预测数据包括目标预测时间以及与所述目标预测时间对应的目标气象指标数据，根据所述目标预测时间获取目标时间出力数据，将所述目标气象指标数据以及所述目标时间出力数据分别输入至所述第一目标模型和所述第二目标模型，根据所述第一目标模型及所述第二目标模型的模型规则，分别得到第一预测值及第二预测值，根据所述第一预测值及所述第二预测值取数学平均值获得目标出力预测值。
2.根据权利要求1所述的新能源出力预测方法，其特征在于，所述根据所述历史出力功率及所述历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练的步骤之前包括：
获取与所述第一预选模型及所述第二预选模型的模型参数对应的参数列表，所述参数列表包括初始值、最小值、最大值以及参数调整步长；
根据所述最小值和所述最大值结合所述历史出力数据获得参数空间，通过所述初始值结合所述参数调整步长在所述参数空间获取多个训练值，将多个所述训练值对所述第一预选模型及所述第二预选模型进行模型训练，得到预选参数训练集，所述预选参数训练集包括多个预选参数。
3.根据权利要求1所述的新能源出力预测方法，其特征在于，所述根据所述历史出力功率及所述历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练，获得与所述第一预选模型及所述第二预选模型分别对应的第一模型训练结果及第二模型训练结果的步骤包括：
将所述历史出力数据根据预设等份进行数据拆分，得到多组拆分后数据，根据所述拆分后数据的组数确定模型训练的次数；
将所述拆分后数据进行数据属性归类，归类后的数据包括多组训练数据以及至少一组验证数据；
在每一次模型训练时，通过所述训练数据分别对所述第一预选模型和所述第二预选模型进行模型训练，并通过所述验证数据对训练后的模型进行模型验证，获得与所述第一预选模型及所述第二预选模型分别对应的第一模型训练结果及第二模型训练结果。
4.根据权利要求1所述的新能源出力预测方法，其特征在于，所述根据所述历史出力功率及所述历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练的步骤包括：
获取历史气象指标数据，根据所述历史气象指标数据获取与所述历史气象指标数据相关联的关联历史出力功率；
将所述历史气象指标数据作为输入变量，将所述关联历史出力功率作为输出变量分别对第一预选模型和第二预选模型进行模型训练。
5.根据权利要求1所述的新能源出力预测方法，其特征在于，所述根据所述第一模型训练结果及所述第二模型训练结果确定第一最佳模型结果以及第二最佳模型结果的步骤包括：
根据所述第一模型训练结果及所述第二模型训练结果结合模型准确率分别获取所述第一预选模型和所述第二预选模型的模型评分；
根据所述模型评分确定所述第一最佳模型结果以及所述第二最佳模型结果。
6.根据权利要求1所述的新能源出力预测方法，其特征在于，所述第一预选模型的表达公式为：
其中，
是新能源出力预测值，
是新能源出力真实值，
是算法模型系数，i是求和公式系数，
是模型正则化，
是正则化函数，t是求和公式系数，k是求和公式系数，
为模型的训练误差，
为模型的正则化项，用以控制模型复杂度，Φ是损失函数标识。
7.根据权利要求1所述的新能源出力预测方法，其特征在于，所述第二预选模型的表达公式为：
其中，y是新能源出力真实值，X是模型特征，w是特征系数，λ是正则化系数，L是误差函数标识，n是模型样本数量，
为模型训练误差，
为L1正则化，L1正则化为机器学习方法，
为模型误差。
8.一种新能源出力预测系统，其特征在于，所述系统包括：
获取模块，用于获取多组历史出力数据，所述历史出力数据包括历史出力功率及历史气象指标数据；
模型训练模块，用于根据所述历史出力功率及所述历史气象指标数据分别对第一预选模型和第二预选模型进行模型训练，获得与所述第一预选模型及所述第二预选模型分别对应的第一模型训练结果及第二模型训练结果，根据所述第一模型训练结果及所述第二模型训练结果确定第一最佳模型结果以及第二最佳模型结果；
模型建立模块，用于根据所述第一最佳模型结果确定与所述第一预选模型对应的第一模型参数、根据所述第二最佳模型结果确定与所述第二预选模型对应的第二模型参数，并根据所述第一模型参数及所述第二模型参数分别获得第一目标模型和第二目标模型；
预测模块，用于获取待预测数据，所述待预测数据包括目标预测时间以及与所述目标预测时间对应的目标气象指标数据，根据所述目标预测时间获取目标时间出力数据，将所述目标气象指标数据以及所述目标时间出力数据分别输入至所述第一目标模型和所述第二目标模型，根据所述第一目标模型及所述第二目标模型的模型规则，分别得到第一预测值及第二预测值，根据所述第一预测值及所述第二预测值取数学平均值获得目标出力预测值。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－7任一所述的新能源出力预测方法。
10.一种数据处理设备，包括存储器、处理器以及存储在存储器上并可在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程序时实现如权利要求1－7任一所述的新能源出力预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210164414.2A CN114240003A (zh) | 2022-02-23 | 2022-02-23 | 一种新能源出力预测方法、系统、存储介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210164414.2A CN114240003A (zh) | 2022-02-23 | 2022-02-23 | 一种新能源出力预测方法、系统、存储介质及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114240003A true CN114240003A (zh) | 2022-03-25 |
Family
ID=80747757
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210164414.2A Pending CN114240003A (zh) | 2022-02-23 | 2022-02-23 | 一种新能源出力预测方法、系统、存储介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114240003A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114966413A (zh) * | 2022-05-27 | 2022-08-30 | 深圳先进技术研究院 | 一种储能电池包的荷电状态预测方法 |
| CN117332236A (zh) * | 2023-10-30 | 2024-01-02 | 国网浙江省电力有限公司乐清市供电公司 | 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测系统及方法 |
| CN111062516A (zh) * | 2019-11-20 | 2020-04-24 | 广西电网有限责任公司 | 一种基于gmdh多变量处理的风机出力预测的方法 |
| CN111275238A (zh) * | 2019-12-15 | 2020-06-12 | 东北电力大学 | 基于每时晴空指数的大规模电站光伏出力序列生成方法 |
| CN111695601A (zh) * | 2020-05-15 | 2020-09-22 | 特变电工西安电气科技有限公司 | 光伏功率预测方法、装置、设备及可读存储介质 |
| CN113505938A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 一种超短期风电功率组合预测方法及系统 |
-
2022
- 2022-02-23 CN CN202210164414.2A patent/CN114240003A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110543988A (zh) * | 2019-08-28 | 2019-12-06 | 上海电力大学 | 一种基于XGBoost算法的光伏短期出力预测系统及方法 |
| CN111062516A (zh) * | 2019-11-20 | 2020-04-24 | 广西电网有限责任公司 | 一种基于gmdh多变量处理的风机出力预测的方法 |
| CN111275238A (zh) * | 2019-12-15 | 2020-06-12 | 东北电力大学 | 基于每时晴空指数的大规模电站光伏出力序列生成方法 |
| CN111695601A (zh) * | 2020-05-15 | 2020-09-22 | 特变电工西安电气科技有限公司 | 光伏功率预测方法、装置、设备及可读存储介质 |
| CN113505938A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 一种超短期风电功率组合预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 何龙: "《深入理解XGBoost 高效机器学习算法与进阶》", 31 May 2020, 机械工业出版社 * |
| 宋万清 等: "《数据挖掘》", 31 December 2018, 中国铁道出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114966413A (zh) * | 2022-05-27 | 2022-08-30 | 深圳先进技术研究院 | 一种储能电池包的荷电状态预测方法 |
| WO2023226358A1 (zh) * | 2022-05-27 | 2023-11-30 | 深圳先进技术研究院 | 一种储能电池包的荷电状态预测方法 |
| CN117332236A (zh) * | 2023-10-30 | 2024-01-02 | 国网浙江省电力有限公司乐清市供电公司 | 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 |
| CN117332236B (zh) * | 2023-10-30 | 2024-05-07 | 国网浙江省电力有限公司乐清市供电公司 | 一种虚拟电厂的数据跟踪检测方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107425520B (zh) | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 | |
| CN111369070B (zh) | 一种基于包络线聚类的多模融合光伏功率预测方法 | |
| CN114240003A (zh) | 一种新能源出力预测方法、系统、存储介质及设备 | |
| CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
| CN110428168A (zh) | 一种计及储能的多能源配电系统协调调度综合评价方法 | |
| CN106022528A (zh) | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 | |
| CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
| CN105787594B (zh) | 基于多元时间序列及回归分析的辐照预测方法 | |
| CN110460038A (zh) | 一种涉及新能源并网的多场景输电网扩展规划方法 | |
| Ye et al. | State-of-the-art solar energy forecasting approaches: Critical potentials and challenges | |
| CN110866366A (zh) | 一种基于XGBoost算法的含PHEV光伏微网孤岛检测法 | |
| CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
| CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
| Zhang et al. | Ensemble learning-based approach for residential building heating energy prediction and optimization | |
| CN117578425A (zh) | 一种极端天气情况下的区域功率预测修正方法 | |
| CN109378834A (zh) | 基于信息最大相关的大规模电网电压稳定裕度评估系统 | |
| Zhang et al. | Hybrid Model for Renewable Energy and Load Forecasting Based on Data Mining and EWT | |
| CN116937562A (zh) | 分布式光伏接入的电能质量预测方法、装置以及电力系统 | |
| CN116050592A (zh) | 一种多维度光伏功率预测方法及系统 | |
| CN114862023A (zh) | 基于四维逐点气象预报的分布式光伏功率预测方法及系统 | |
| CN111027816B (zh) | 一种基于数据包络分析的光伏发电效率计算方法 | |
| CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 | |
| Alhaddad et al. | An Overview of Wind-Solar System Output Power | |
| He et al. | Fault Causes Identification of Transmission Lines Based on Weighted Naive Bayes Classification Algorithm Combined with Complex Algorithm | |
| Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220325 |