CN114418243A - 分布式新能源云端网格预测方法与系统 - Google Patents
分布式新能源云端网格预测方法与系统 Download PDFInfo
- Publication number
- CN114418243A CN114418243A CN202210314475.2A CN202210314475A CN114418243A CN 114418243 A CN114418243 A CN 114418243A CN 202210314475 A CN202210314475 A CN 202210314475A CN 114418243 A CN114418243 A CN 114418243A
- Authority
- CN
- China
- Prior art keywords
- power generation
- target
- data
- capacity prediction
- prediction model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000010248 power generation Methods 0.000 claims abstract description 639
- 238000013507 mapping Methods 0.000 claims abstract description 42
- 238000012360 testing method Methods 0.000 claims description 140
- 238000012549 training Methods 0.000 claims description 26
- 230000015654 memory Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 description 22
- 238000000605 extraction Methods 0.000 description 22
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000013473 artificial intelligence Methods 0.000 description 17
- 239000013598 vector Substances 0.000 description 15
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000001556 precipitation Methods 0.000 description 8
- 230000005855 radiation Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual 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
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Medical Informatics (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Mathematical Optimization (AREA)
- Automation & Control Theory (AREA)
- Water Supply & Treatment (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Remote Sensing (AREA)
- Fuzzy Systems (AREA)
Abstract
本申请涉及一种分布式新能源云端网格预测方法。所述方法包括:获取目标发电节点对应的至少一个种类的发电节点特征数据;在天气预报网格数据中获取与所述目标发电节点所处位置对应的天气预报数据,并建立所述目标发电节点对应的天气预报数据与所述目标发电节点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据;从发电能力预测模型集合中选取目标发电能力预测模型;将至少一个所述目标网格数据输入所述目标发电能力预测模型进行预测,得到所述目标发电节点对应的发电能力预测结果。采用本方法能够提高发电能力预测的效率和准确率。
Description
技术领域
本申请涉及人工智能技术领域,特别是涉及分布式新能源云端网格预测方法与系统。
背景技术
随着发电领域技术的发展,出现了发电能力预测技术,发电能力预测技术的应用,能够提前一段时间了解发电设备的工作情况以及外部环境都发电的影响程度,预先做好应对紧急情况的准备,为供电的稳定提供保障。
分布式发电分布广泛,受地理环境影响较大,现有的分布式发电能力预测模型为考虑影响分布式发电的全部要素,导致预测精度低,而且分布式发电产生的数据量大,现有的技术难以对基于海量输入数据的分布式新能源能力预测进行分析与建模。
发明内容
基于此,有必要针对上述技术问题,提供一种分布式新能源云端网格预测方法与系统。
第一方面,本申请提供了一种发电功率预测方法。所述方法包括:获取目标发电节点对应的至少一个种类的发电节点特征数据;在天气预报网格数据中获取与所述目标发电节点所处位置对应的天气预报数据,并建立所述目标发电节点对应的天气预报数据与所述目标发电节点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据;从发电能力预测模型集合中选取目标发电能力预测模型;所述目标发电能力预测模型对应的待选取发电能力预测模型的测试结果满足预设条件;所述待选取发电能力预测模型的测试结果为采用与所述目标发电节点对应的历史目标网格测试数据对所述目标发电能力预测模型进行测试得到的;将至少一个所述目标网格数据输入所述目标发电能力预测模型进行预测,得到所述目标发电节点对应的发电能力预测结果。
在其中一个实施例中,所述在天气预报网格数据中获取与所述目标发电节点所处位置对应的天气预报数据,并建立所述目标发电节点对应的天气预报数据与所述目标能源点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据,包括:将所述目标发电节点所处位置与对应的天气预报数据进行结合,得到结合后天气预报数据;建立所述目标发电节点对应的所述发电节点特征数据中的台账数据与所述结合后天气预报数据间的映射关系,得到至少一个所述目标网格数据。
在其中一个实施例中,所述获取与所述目标发电节点所处位置对应的天气预报数据并进行结合,得到结合后天气预报数据,包括:获取所述目标发电节点所处位置的经纬度;根据所述目标发电节点的经纬度查询对应的天气预报数据,所述天气预报数据由多个子天气预报数据点构成;结合所述目标发电节点的经纬度以及多个所述子天气预报数据点,得到所述结合后天气预报数据。
在其中一个实施例中,所述从发电能力预测模型集合中选取目标发电能力预测模型,包括:调取包含多个所述待选取发电能力预测模型的发电能力预测模型集合;根据至少一个所述目标网格数据遍历所待选取发电能力预测模型中的所述历史目标网格测试数据,在所述发电能力预测模型集合中选取所述目标网格数据与所述历史目标网格测试数据匹配度最高的发电能力预测模型,作为所述目标发电能力预测模型。
在其中一个实施例中,所述根据至少一个所述目标网格数据遍历所述目标发电能力预测模型中的历史目标网格测试数据,选取所述目标网格数据与所述历史目标网格测试数据匹配度最高的所述目标发电能力预测模型,包括:获取所述目标网格数据中对应的所述目标发电节点的发电类型;基于所述目标发电节点的发电类型,选取所述历史目标网格测试数据;所述历史目标网格测试数据对应的发电类型与所述目标发电节点的发电类型相同;根据所述目标网格数据遍历相同所述发电类型中的所述待选取发电能力预测模型中的历史目标网格测试数据,选取所述目标网格数据与所述历史目标网格测试数据匹配度最高的所述目标发电能力预测模型。
在其中一个实施例中,所述方法还包括:获取多个所述目标发电节点对应的所述历史目标网格测试数据,所述历史目标网格测试数据所包含的数据类型与所述目标网格数据一致;基于各个所述目标发电节点对应的至少一个所述历史目标网格测试数据对多个所述待训练目标发电能力预测模型进行训练,得到所述发电能力预测模型集合,所述发电能力预测模型集合里面包括至少两个所述已训练目标发电能力预测模型。
在其中一个实施例中,所述基于各个所述目标发电节点对应的至少一个所述历史目标网格测试数据对多个待训练目标发电能力预测模型进行训练,得到发电能力预测模型集合,包括:将至少一个所述历史目标网格测试数据输入所述待训练目标发电能力预测模型进行计算,得到所述待训练目标发电能力预测模型的损失值;基于所述损失值对所述待训练目标发电能力预测模型的参数进行调整,使得所述损失值达到预设条件,得到所述已训练目标发电能力预测模型;对各个所述待训练目标发电能力预测模型采取同样的训练步骤,得到所述发电能力预测模型集合。
第二方面,本申请还提供了一种发电功率预测装置。所述装置包括:数据获取模块,用于获取目标发电节点对应的至少一个种类的发电节点特征数据;目标网格数据得到模块,用于在天气预报网格数据中获取与所述目标发电节点所处位置对应的天气预报数据,并建立所述目标发电节点对应的天气预报数据与所述目标能源点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据;目标发电能力预测模型选取模块,用于从发电能力预测模型集合中选取目标发电能力预测模型;所述目标发电能力预测模型对应的待选取发电能力预测模型的测试结果满足预设条件;所述待选取发电能力预测模型的测试结果为采用与所述目标发电节点对应的历史目标网格测试数据对所述目标发电能力预测模型进行测试得到的;发电能力预测结果得到模块,用于将至少一个所述目标网格数据输入所述目标发电能力预测模型进行预测,得到所述目标发电节点对应的发电能力预测结果。
在其中一个实施例中,目标网格数据得到模块,用于将所述目标发电节点所处位置与对应的天气预报数据进行结合,得到结合后天气预报数据;建立所述目标发电节点对应的所述发电节点特征数据中的台账数据与所述结合后天气预报数据间的映射关系,得到至少一个所述目标网格数据。
在其中一个实施例中,目标网格数据得到模块,用于获取所述目标发电节点所处位置的经纬度;根据所述目标发电节点的经纬度查询对应的天气预报数据,所述天气预报数据由多个子天气预报数据点构成;结合所述目标发电节点的经纬度以及多个所述子天气预报数据点,得到所述结合后天气预报数据。
在其中一个实施例中,目标发电能力预测模型选取模块,用于调取包含多个所述待选取发电能力预测模型的发电能力预测模型集合;根据至少一个所述目标网格数据遍历所待选取发电能力预测模型中的所述历史目标网格测试数据,在所述发电能力预测模型集合中选取所述目标网格数据与所述历史目标网格测试数据匹配度最高的发电能力预测模型,作为所述目标发电能力预测模型。
在其中一个实施例中,目标发电能力预测模型选取模块,用于获取所述目标网格数据中对应的所述目标发电节点的发电类型;基于所述目标发电节点的发电类型,选取所述历史目标网格测试数据;所述历史目标网格测试数据对应的发电类型与所述目标发电节点的发电类型相同;根据所述目标网格数据遍历相同所述发电类型中的所述待选取发电能力预测模型中的历史目标网格测试数据,选取所述目标网格数据与所述历史目标网格测试数据匹配度最高的所述目标发电能力预测模型。
在其中一个实施例中,发电能力预测模型集合得到模块,用于获取多个所述目标发电节点对应的所述历史目标网格测试数据,所述历史目标网格测试数据所包含的数据类型与所述目标网格数据一致;基于各个所述目标发电节点对应的至少一个所述历史目标网格测试数据对多个所述待训练目标发电能力预测模型进行训练,得到所述发电能力预测模型集合,所述发电能力预测模型集合里面包括至少两个所述已训练目标发电能力预测模型。
在其中一个实施例中,发电能力预测模型集合得到模块,用于将至少一个所述历史目标网格测试数据输入所述待训练目标发电能力预测模型进行计算,得到所述待训练目标发电能力预测模型的损失值;基于所述损失值对所述待训练目标发电能力预测模型的参数进行调整,使得所述损失值达到预设条件,得到所述已训练目标发电能力预测模型;对各个所述待训练目标发电能力预测模型采取同样的训练步骤,得到所述发电能力预测模型集合。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:获取目标发电节点对应的至少一个种类的发电节点特征数据;在天气预报网格数据中获取与所述目标发电节点所处位置对应的天气预报数据,并建立所述目标发电节点对应的天气预报数据与所述目标发电节点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据;从发电能力预测模型集合中选取目标发电能力预测模型;所述目标发电能力预测模型对应的待选取发电能力预测模型的测试结果满足预设条件;所述待选取发电能力预测模型的测试结果为采用与所述目标发电节点对应的历史目标网格测试数据对所述目标发电能力预测模型进行测试得到的;将至少一个所述目标网格数据输入所述目标发电能力预测模型进行预测,得到所述目标发电节点对应的发电能力预测结果。
第四方面,本申请还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,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:获取目标发电节点对应的至少一个种类的发电节点特征数据;在天气预报网格数据中获取与所述目标发电节点所处位置对应的天气预报数据,并建立所述目标发电节点对应的天气预报数据与所述目标发电节点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据;从发电能力预测模型集合中选取目标发电能力预测模型;所述目标发电能力预测模型对应的待选取发电能力预测模型的测试结果满足预设条件;所述待选取发电能力预测模型的测试结果为采用与所述目标发电节点对应的历史目标网格测试数据对所述目标发电能力预测模型进行测试得到的;将至少一个所述目标网格数据输入所述目标发电能力预测模型进行预测,得到所述目标发电节点对应的发电能力预测结果。
上述发电功率预测方法、装置、计算机设备和存储介质,通过获取目标发电节点对应的至少一个种类的发电节点特征数据;在天气预报网格数据中获取与目标发电节点所处位置对应的天气预报数据,并建立目标发电节点对应的天气预报数据与目标发电节点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据;从发电能力预测模型集合中选取目标发电能力预测模型;目标发电能力预测模型对应的待选取发电能力预测模型的测试结果满足预设条件;待选取发电能力预测模型的测试结果为采用与目标发电节点对应的历史目标网格测试数据对目标发电能力预测模型进行测试得到的;将至少一个目标网格数据输入目标发电能力预测模型进行预测,得到目标发电节点对应的发电能力预测结果。
通过获取目标发电节点对应的至少一个种类的发电节点特征数据,能够根据发电节点特征数据对目标发电节点的地理信息等进行挖掘,有利于建立天气预报网格数据;通过根据目标发电节点对应的天气预报数据建立与目标发电节点对应的发电节点特征数据间的映射关系,能够结合天气预报数据和发电节点特征数据,有利于输入至人工智能模型中考虑到更多的影响因素;通过从发电能力预测模型集合中选取目标发电能力预测模型,能够从多个已训练好的人工智能模型中选取能够满足业务需求的模型进行预测,有利于使用更为合理的模型进行性能更好的预测;通过将至少一个目标网格数据输入目标发电能力预测模型进行预测,能够使用人工智能模型对发电能力的预测,有利于提高预测的准确率以及效率。
通过提出使用天气预报数据以及发电节点特征数据两者之间的映射关系而得到的目标网格数据进行预测方法,根据目标网格数据对发电能力预测模型进行选择,可以得到目标网格数据与目标发电能力预测模型的更好的匹配,提升目标发电节点的预测精度以及预测效率。
附图说明
图1为一个实施例中发电功率预测方法的应用环境图;
图2为一个实施例中发电功率预测方法的流程示意图;
图3为一个实施例中发电功率预测步骤的流程示意图;
图4为另一个实施例中发电功率预测步骤的流程示意图;
图5为再一个实施例中发电功率预测步骤的流程示意图;
图6为又一个实施例中发电功率预测步骤的流程示意图;
图7为一个实施例中发电能力预测模型集合得到的流程示意图;
图8为另一个实施例中发电能力预测模型集合得到的流程示意图;
图9为一个实施例中分布式光伏所在经纬度示意图;
图10为一个实施例中配电网架拓扑示意图;
图11为一个实施例中网格划分与匹配示意图;
图12为一个实施例中发电功率预测装置的结构框图;
图13为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处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。
本申请实施例提供的发电功率预测方法,可以应用于如图1所示的应用环境中。其中,终端102获取数据,服务器104响应终端102的指令接收终端102的数据,并且对获取得到的数据进行计算,服务器104将数据的计算结果传输回终端102,并且由终端102进行显示。终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。服务器104从终端102处获取目标发电节点对应的至少一个种类的发电节点特征数据;在天气预报网格数据中获取与目标发电节点所处位置对应的天气预报数据,并建立目标发电节点对应的天气预报数据与目标能源点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据;从发电能力预测模型集合中选取目标发电能力预测模型;目标发电能力预测模型对应的待选取发电能力预测模型的测试结果满足预设条件;待选取发电能力预测模型的测试结果为采用与目标发电节点对应的历史目标网格测试数据对目标发电能力预测模型进行测试得到的;将至少一个目标网格数据输入目标发电能力预测模型进行预测,得到目标发电节点对应的发电能力预测结果。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种发电功率预测方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取目标发电节点对应的至少一个种类的发电节点特征数据。
其中,目标发电节点可以是将自然界蕴藏的各种一次能源转换为电能(二次能源)的地方,一个目标发电节点中具有至少一个发电厂,具有多个发电厂的目标发电节点可以是包含各种不同类型的发电厂,例如靠火力发电的火电厂,靠水力发电的水电厂,还有些靠太阳能(光伏)和风力与潮汐发电的电厂等。
其中,发电节点特征数据可以是表示目标发电节点的情况的数据,该数据具有多个种类,每个种类能表示不同情况的信息,例如台账数据(风机/光伏类型、装机容量、风机/光伏台数、所在位置的坐标和地形地貌)、配网拓扑(接入线路电压等级、并网点位置和拓扑信息)、等多源融合数据。
具体地,服务器响应终端的指令,从终端处获取目标发电节点对应的至少一个种类的发电节点特征数据,例如台账数据、配网拓扑,并且对获取到的数据进行挖掘,得到分经纬度信息,所在地区地形地貌特性和气象特性,并根据地理位置信息、气候特性、考虑网络拓扑,对目标发电节点进行相似场景划分。服务器获取到数据后将数据存储在服务器的存储单元中,需要使用数据的时候服务器将从存储单元中调用对应的数据到服务器的中央处理器中进行计算。
举例来说,服务器响应终端的指令,从终端处获取目标发电节点A对应的发电节点特征数据,该特征数据包含台账数据、配网拓扑,根据台账数据挖局出目标发电节点A的地理信息位置,例如目标发电节点A的经纬度信息,同时也根据网络拓扑挖掘出接入线路电压等级等信息,将从终端处获取到的信息以及挖掘到的信息存储到服务器的存储单元中,以供需要时调用。
步骤204,在天气预报网格数据中获取与目标发电节点所处位置对应的天气预报数据,并建立目标发电节点对应的天气预报数据与目标发电节点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据。
其中,天气预报数据可以是目标电站所处区域中与自然环境有关系的一些指标的参数,这些参数包括温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水以及湿度等中的至少一个,同时,天气预报数据也可以反映目标电站所处区域外的自然环境对目标电站所处区域的一些额外的影响,例如蝴蝶效应等。
其中,天气预报网格数据可以是由天气预报数据按照网状结构而组成的一个网格数据,该网格数据中每个网格点是都有数据,需要根据目标发电节点所在位置找到对应的天气预报数据点。
其中,映射关系可以是目标发电节点对应的天气预报数据与目标发电节点对应的发电节点特征数据之间数据相互“对应”的关系,例如设A、B是两个非空的集合,如果按某一个确定的对应关系f,使对于集合A中的任意一个元素a,在集合B中都有唯一的元素b与之对应,那么就称对应f:A→B为从集合A到集合B的一个映射关系。
其中,目标网格数据可以是天气预报网格数据中的天气预报数据经过发电节点特征数据建立对应关系后所得到的映射关系的数据,这些数据中包括温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水以及湿度等中的至少一个。
具体地,从天气预报网格数据中获取与目标发电节点所处位置对应的天气预报数据,该天气数据包含了多种天气信息,例如温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水以及湿度等,同时调用目标发电节点对应的发电节点特征数据,并且建立天气预报数据和发电节点特征数据两者之间的映射关系,关系建立后得到的数据为目标网格数据。
举例来说,从天气预报网格数据中获取与目标发电节点A所处位置对应的天气预报数据,该天气数据反映出目标发电节点A的温度,云量,湿度等信息,同时调用目标发电节点A对应的发电节点特征数据,该数据包含了风机/光伏类型、装机容量、风机/光伏台数,对目标发电节点A的这两个方面的数据建立起映射关系,得到具有映射关系的数据为目标发电节点A对应的目标网格数据。
步骤206,从发电能力预测模型集合中选取目标发电能力预测模型。
其中,发电能力预测模型可以是已经根据历史目标网格测试数据进行训练的人工智能模型,该发电能力预测模型有多个,能够适应不同天气环境,不同地理环境,不同类型的发电站等数据的输入,发电能力预测模型总体的结构分为特征提取层以及分类层,数据输入特征提取层后进行特征提取,得到能反映数据的具体信息的特征向量,然后将特征向量输入至分类层,输出预测结果。
其中,发电能力预测模型集合可以是由多个已经训练好的目标发电能力预测模型形成的集合,该集合包括了多个种类的目标发电能力预测模型,使用的时候只需要从集合中选取能够满足业务要求的目标发电能力预测模型。
具体地,根据目标网格数据的具体表现方式,从发电能力预测模型集合中选取历史目标网格测试数据的具体表现方式相匹配的作为目标发电能力预测模型,目标发电能力预测模型对应的待选取发电能力预测模型的测试结果满足预设条件,待选取发电能力预测模型可以是已经训练好并且存储在发电能力预测模型集合中的发电能力预测模型,但还没经过相似度匹配,因此还没被挑选出来作为目标发电能力预测模型,待选取发电能力预测模型的测试结果为采用与目标发电节点对应的历史目标网格测试数据对目标发电能力预测模型进行测试得到的。待选取发电能力预测模型可以是卷积神经网络(ConvolutionalNeural Networks,CNN),循环神经网络(Recurrent Neural Network,RNN),长短期记忆网络(Long Short-Term Memory,LSTM),递归人工神经网络(Artificial Neural Network,ANN)和体素卷积神经网络模型(Point-Voxel Convolutional Neural Networks,PVCNN)等。
举例来说,目标网格数据的具体表现方式为H,从发电能力预测模型集合中选取历史目标网格测试数据的具体表现方式同样为H的发电能力预测模型作为目标发电能力预测模型P,该目标发电能力预测模型P为循环神经网络模型,具有特征提取层和分类层,能准确地预测出发电能力的情况。目标发电能力预测模型P对应的待选取发电能力预测模型的测试结果D满足预设条件,模型测试结果D为采用与目标发电节点A对应的历史目标网格测试数据X对目标发电能力预测模型P进行测试得到的。
步骤208,将至少一个目标网格数据输入目标发电能力预测模型进行预测,得到目标发电节点对应的发电能力预测结果。
其中,进行预测可以是根据事物过去发展变化的客观过程和某些规律性,利用事物运动和变化的状态,运用人工智能模型进行各种定性和定量分析方法,对事物未来可能出现的趋势和可能达到的水平所进行的科学推测,例如根据目标网格数据,使用循环神经网络对未来某段时间的发电能力进行科学推测。
其中,发电能力预测结果可以是通过使用已经选定的人工智能模型进行发电能力预测而得到的结果,该结果可以使用列表的形式进行展示,也可以使用图表的形式进行展示,或者采用方便业务需求的方式进行展示。
具体地,将可以为一个,也可以为多个的目标网格数据输入至已经通过筛选的目标发电能力预测模型中进行预测,预测的时候通过人工智能模型的特征提取层进行特征提取,得到对应的特征向量,然后将特征向量输入至分类层进行预测,得到目标发电节点对应的发电能力预测结果,并根据业务需求,采用能够表达准确的方式进行展示。
举例来说,将多个目标网格数据Y输入至已经选定并训练好的目标发电能力预测模型P中进行预测,例如是循环神经网络,通过目标发电能力预测模型P的预测后,输出目标发电节点A对应的发电能力预测结果,并且根据业务需求,采用视觉展示的方式进行展示。
上述发电功率预测方法中,通过获取目标发电节点对应的至少一个种类的发电节点特征数据;在天气预报网格数据中获取与目标发电节点所处位置对应的天气预报数据,并建立目标发电节点对应的天气预报数据与目标发电节点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据;从发电能力预测模型集合中选取目标发电能力预测模型;目标发电能力预测模型对应的待选取发电能力预测模型的测试结果满足预设条件;待选取发电能力预测模型的测试结果为采用与目标发电节点对应的历史目标网格测试数据对目标发电能力预测模型进行测试得到的;将至少一个目标网格数据输入目标发电能力预测模型进行预测,得到目标发电节点对应的发电能力预测结果。
通过获取目标发电节点对应的至少一个种类的发电节点特征数据,能够根据发电节点特征数据对目标发电节点的地理信息等进行挖掘,有利于建立天气预报网格数据;通过根据目标发电节点对应的天气预报数据建立与目标发电节点对应的发电节点特征数据间的映射关系,能够结合天气预报数据和发电节点特征数据,有利于输入至人工智能模型中考虑到更多的影响因素;通过从发电能力预测模型集合中选取目标发电能力预测模型,能够从多个已训练好的人工智能模型中选取能够满足业务需求的模型进行预测,有利于使用更为合理的模型进行性能更好的预测;通过将至少一个目标网格数据输入目标发电能力预测模型进行预测,能够使用人工智能模型对发电能力的预测,有利于提高预测的准确率以及效率。
通过提出使用天气预报数据以及发电节点特征数据两者之间的映射关系而得到的目标网格数据进行预测方法,根据目标网格数据对发电能力预测模型进行选择,可以得到目标网格数据与目标发电能力预测模型的更好的匹配,提升目标发电节点的预测精度以及预测效率。
在一个实施例中,如图3所示,在天气预报网格数据中获取与目标发电节点所处位置对应的天气预报数据,并建立目标发电节点对应的天气预报数据与目标能源点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据,包括:
步骤302,将目标发电节点所处位置与对应的天气预报数据进行结合,得到结合后天气预报数据。
其中,进行结合可以是目标发电节点所处的位置和其对应的天气预报数据彼此发生密切联系,例如目标发电节点的经纬度与其对应的天气预报数据通过匹配的方法联系起来。
其中,结合后天气预报数据可以是目标发电节点所处的位置和其对应的天气预报数据通过匹配的方法(例如对应关系)联系起来后得到的结合数据,该数据能够反映具体的地理位置情况和具体的天气预报情况。
具体地,挖掘目标发电节点所处的位置的地理信息或者空间信息,然后利用上述的地理信息或者空间信息与对应位置的天气预报数据进行结合,结合的方式可以有多种,例如对应关系,映射关系等,结合后得到的数据为结合后天气预报数据,该数据准确地表示出地理信息或者空间信息对天气预报数据之间的相互影响。
举例来说,使用地理信息系统(Geographic Information System或 Geo-Information system,GIS,或者称“地学信息系统”)挖掘目标发电节点所处位置的经纬度信息,基于该经纬度信息和当地的天气预报数据(例如温度,云量,短波辐射,长波辐射,地表气压,大尺度降水,对流降水以及湿度等)使用对应关系结合起来,得到由经纬度信息以及天气预报数据结合而来的结合后天气预报数据。
步骤304,建立目标发电节点对应的发电节点特征数据中的台账数据与结合后天气预报数据间的映射关系,得到至少一个目标网格数据。
其中,台账数据可以是对目标发电节点中各种信息进行记录的数据,该数据能够反映目标发电节点中运行情况,设备数量以及故障种类等,例如风机/光伏类型、装机容量、风机/光伏台数、所在位置的坐标和地形地貌等信息。
具体地,基于目标发电节点对应的发电节点特征数据中提取出来台账数据,并建立该台账数据与结合后天气预报数据两者之间的映射关系,该映射关系可以根据实际情况由计算机自动选取,或者出现特殊情况下由人工进行选取,同时该映射关系可以为一对一的映射关系,也可以是一对多或者是多对一的映射关系至少一种,通过建立映射关系后,台账数据与结合后天气预报数据形成了至少一个目标网格数据。
举例来说,计算机从存储单元中调取出目标发电节点A所对应的发电节点特征数据中的台账数据,基于由经纬度信息以及天气预报数据结合而来的结合后天气预报数据,建立台账数据与结合后天气预报数据的映射关系,该映射关系为一对一的关系,得到目标发电节点A所对应的台账数据以及该节点对应的结合后天气预报数据经过映射而成的目标网格数据,该目标网格数据有多个,分别为目标网格数据1到目标网格数据20。
本实施例中,通过目标发电节点所处位置与天气预报数据进行结合,然后与台账数据建立映射关系,能够形成目标发电节点对应的包含多种信息的目标网格数据,增加对于目标发电节点的发电能力的预测维度,使得对目标发电节点的发电能力预测精度和效率都有明显的提高。
在一个实施例中,如图4所示,获取与目标发电节点所处位置对应的天气预报数据并进行结合,得到结合后天气预报数据,包括:
步骤402,获取目标发电节点所处位置的经纬度。
其中,经纬度可以是经度与纬度的合称组成一个坐标系统,称为地理坐标系统,它是一种利用三度空间的球面来定义地球上的空间的球面坐标系统,能够标示地球上的任何一个位置。例如东经50度,北纬30度所表示的地方。
具体地,计算机从存储单元中调取出目标发电节点对应的至少一个种类的发电节点特征数据,根据该特征数据进行地理信息挖掘,得到该目标发电节点对应的且唯一的经纬度信息,也就是地理坐标信息。
举例来说,计算机从存储单元中调取出目标发电节点A的发电节点特征数据,通过大数据挖掘,得到目标发电节点A的经纬度信息为东经80度,北纬10度,并且把挖掘到的经纬度信息存储到存储单元中。
步骤404,根据目标发电节点的经纬度查询对应的天气预报数据。
其中,查询对应的天气预报数据可以是通过一定的对应关系,从特定的查询入口可以顺利地查询到固定的经纬度附近的区域的天气预报数据,该天气预报数据是由多个子天气预报数据点构成,每个子天气预报数据点可以表示该点邻近区域的未来的天气状况。
具体地,根据目标发电节点对应的经纬度,从固定的对应关系中查询到该目标发电节点邻近区域未来的天气状况,该区域中的天气预报数据是由多个子天气预报数据点构成,每个数据点表示该点附近的天气预报数据,对所有的子天气预报数据点的数据进行统计,则得到目标发电节点对应的天气预报数据。
举例来说,目标发电节点A的经纬度为东经35度,南纬60度,通过该经纬度查询到该位置附近的天气预报数据,得到未来的天气变化情况,同时该位置附近的天气预报数据由多个子天气预报数据点构成,分别为子天气预报数据点1到子天气预报数据点100。
步骤406,结合目标发电节点的经纬度以及多个子天气预报数据点,得到结合后天气预报数据。
具体地,将目标发电节点所处的位置的经纬度挖掘出来,结合该经纬度所对应的邻近区域的多个子天气预报数据点进行结合,该结合为一对多或者多对多的对应关系,例如目标发电节点中的一个发电站所处的位置的经纬度对应多个子天气预报数据点,或者目标发电节点中的多个发电站所处的位置的经纬度对应多个子天气预报数据点,结合后得到的数据为结合后天气预报数据。
举例来说,通过大数据挖掘的方式将目标发电节点A的经纬度计算出来,为东经35度,南纬60度,而且目标发电节点A有10个发电站,同时该处的子天气预报数据点有100个,分别为子天气预报数据点1到子天气预报数据点100,通过多对多的对应关系将发电站所处的位置的经纬度与子天气预报数据点进行对应,得到一个发电站所处的位置的经纬度对应10个子天气预报数据点,把所有对应点汇合起来,得到结合后天气预报数据。
本实施例中,通过获取目标发电节点的经纬度,并通过经纬度结合该出位置的天气预报数据,能够使得天气预报数据与目标发电节点所处的位置的经纬度一一对应,同时也能够使得目标发电节点的数据更为详细,将为后需进行发电能力的预测提供更为精确的输入数据。
在一个实施例中,如图5所示,从发电能力预测模型集合中选取目标发电能力预测模型,包括:
步骤502,调取包含多个待选取发电能力预测模型的发电能力预测模型集合。
具体地,从计算机的存储单元中调取含有多个待选取发电能力预测模型的发电能力预测模型集合,其中发电能力预测模型集合的待选取发电能力预测模型是预先训练好的人工智能模型,可以是CNN模型,RNN模型,ANN模型等,这些模型中的每一个都是针对各自的特定状况,使用之前需要进行选取,选取过程可以由计算机自行选择,也可以通过人工干预的方式进行选择。
举例来说,计算机从存储单元中调取出具有300个待选取发电能力预测模型的发电能力预测模型集合K,这300个待选取发电能力预测模型中包含了多种不同的人工智能模型,需要经过选择才能确定从发电能力预测模型集合K中选取哪一个待选取发电能力预测模型。
步骤504,根据至少一个目标网格数据遍历所待选取发电能力预测模型中的历史目标网格测试数据,在发电能力预测模型集合中选取目标网格数据与历史目标网格测试数据匹配度最高的发电能力预测模型,作为目标发电能力预测模型。
其中,遍历可以是对发电能力预测模型集合中所有待选取发电能力预测模型中的历史目标网格测试数据的信息的访问,即依次对发电能力预测模型集合中每个待选取发电能力预测模型中的历史目标网格测试数据访问一次且仅访问一次。
其中,匹配度可以是进行对比的两个目标之间相同或者相似的程度,该程度选取范围是从0%到100%,百分比越大,匹配程度越好。匹配度最好也就是从多个匹配结果中显示百分比最高的那两个模型的匹配程度。
具体地,根据至少一个目标网格数据对发电能力预测模型集合中的所有待选取发电能力预测模型所带有的历史目标网格测试数据进行一一匹配,并且每一次匹配都输出匹配度,当所有目标网格数据与历史目标网格测试数据都进行过匹配之后计算机自动选取匹配度最高的待选取发电能力预测模型作为目标发电能力预测模型,如果同时有多个匹配度为最高而相同的,则同时输出至终端,并发出通知对多个匹配度最高的待选取发电能力预测模型进行人工二次选取。
举例来说,目标发电节点A中包括了100个目标网格数据,而发电能力预测模型集合中有300个待选取发电能力预测模型,那么目标发电节点A中的目标网格数据则遍历这300个待选取发电能力预测模型中的历史目标网格测试数据,并且从中得到了编号为173个待选取发电能力预测模型为匹配度最高的待选取发电能力预测模型,然后把该模型作为目标发电能力预测模型。
本实施例中,通过使用目标网格数据遍历发电能力预测模型组合中的所有待选取发电能力预测模型中的历史目标网格测试数据,能够选取到最为匹配的待选取发电能力预测模型作为目标发电能力预测模型,用来预测目标发电节点的发电能力,保证预测结果的精确度以及可信性。
在一个实施例中,如图6所示,根据至少一个目标网格数据遍历目标发电能力预测模型中的历史目标网格测试数据,选取目标网格数据与历史目标网格测试数据匹配度最高的目标发电能力预测模型,包括:
步骤602,获取目标网格数据中对应的目标发电节点的发电类型。
其中,发电类型可以是目标节点中的发电站是属于哪一种类型的发电站,例如火力发电站,风力发电站,光伏发电站,核能发电站或者水力发电站等,每一个类型对应的目标网格数据是有所区别,而且对自然环境的敏感程度也是各不相同。
具体地,服务器通过计算后得到了目标网格数据,通过该目标网格数据对应的目标发电节点,提取出对应在该目标网格数据中的发电站的类型,如果该目标网格数据中包含有多个发电站类型,则通过分割,把同一类型的发电站划分到一起,并建立对应的目标网格数据。
举例来说,服务器通过目标网格数据对应的目标发电节点A,发现该节点A中所包含了10个发电站,而且这10个发电站都为光伏发电站,分别命名为光伏发电站1到光伏发电站10,得到这10个发电站所对应的发电类型为光伏发电站。
步骤604,基于目标发电节点的发电类型,选取历史目标网格测试数据。
具体地,根据目标发电节点的发电类型,服务器自动筛选与目标发电节点中的发电类型相同类型的待选取发电能力预测模型,并提取出那些模型中对应的历史目标网格测试数据,因此目标发电节点中所带有的目标网格数据跟历史目标网格测试数据为同一类型的发电站。
举例来说,目标发电节点A中的10个发电站为风力发电站,计算机自动从存储单元中选取与目标发电节点A中的风力发电站相同类型的待选取发电能力预测模型,并且提取这些模型的历史目标网格测试数据,因此目标发电节点A中的目标网格数据与提取出来的历史目标网格测试数据都为风力发电站的网格数据。
步骤606,根据目标网格数据遍历相同发电类型中的待选取发电能力预测模型中的历史目标网格测试数据,选取目标网格数据与历史目标网格测试数据匹配度最高的目标发电能力预测模型。
具体地,根据目标网格数据的发电类型,遍历所有同类型的待选取发电能力预测模型中的历史目标网格测试数据,遍历的过程遵循任意一种遍历规则,遍历后得到目标网格数据与各个历史目标网格测试数据的匹配度,选取匹配度最高的那个历史目标网格测试数据对应的待选取发电能力预测模型,作为目标发电能力预测模型,若同时有多个匹配度为最高而相同的,则同时输出至终端,并发出通知对多个匹配度最高的待选取发电能力预测模型进行人工二次选取。
举例来说,目标网格数据的发电类型为光伏发电站,根据遍历中的任意一种遍历规则,对同为预测光伏发电站的发电功率的待选取发电能力预测模型中的历史目标网格测试数据进行遍历,遍历后得到第n个待选取发电能力预测模型的历史目标网格测试数据与目标网格数据的匹配度为最高,因此选取第n个待选取发电能力预测模型作为目标发电能力预测模型。
本实施例中,通过获取目标网格数据与历史目标网格测试数据所对应的发电类型,并在该集合中进行遍历,能够迅速地遍历到匹配的发电能力预测模型,同时也能够减少遍历的数量,提高遍历的速度以及遍历的准确度。
在一个实施例中,如图7所示,方法还包括:
步骤702,获取多个目标发电节点对应的历史目标网格测试数据。
其中,数据类型可以是目标网格数据以及历史目标网格测试数据中所包含的数据具有的类型是一样的,例如目标网格数据包含经纬度、温度、湿度以及光照强度这四种类型,历史目标网格测试数据也必须包含经纬度、温度、湿度以及光照强度,两种网格数据必须一一对应且相同。
具体地,服务器从终端处获取多个目标发电节点所对应的历史目标网格测试数据作为训练对应人工智能模型的训练集,所获取的历史网格测试数据所包含的数据类型与目标网格数据一致,例如历史网格测试数据以及目标网格数据同时且只包含温度、风速、雨量以及云量等。
举例来说,服务器从终端处获取目标发电节点A对应的历史目标网格测试数据,该数据包含了经纬度、温度、湿度以及光照时间,该历史目标网格测试数据包含的数据类型必须与目标网格数据一致,否则无法使用该人工智能模型为目标发电节点A进行发电能力预测。
步骤704,基于各个目标发电节点对应的至少一个历史目标网格测试数据对多个待训练目标发电能力预测模型进行训练,得到发电能力预测模型集合。
其中,待训练目标发电能力预测模型可以是已经建立好的预测模型,但是还没使用训练集进行训练的发电能力预测模型,这些模型可以是卷积神经网络,循环神经网络,长短期记忆网络,递归人工神经网络和体素卷积神经网络模型等。
具体地,基于各个目标发电节点中的历史目标网格测试数据对多个待训练的发电能力预测模型进行训练,训练后这些模型具备对发电能力预测的能力,并且存有多个训练好的模型,能够寻找到与目标网格数据匹配度最高的模型进行预测,对所有已经训练好的发电能力预测模型进行汇总,得到发电能力预测模型集合。
举例来说,目标发电节点具有7个,分别为目标发电节点A到目标发电节点G,每个目标发电节点都有多个历史目标网格测试数据,使用这些数据对500个待训练目标发电能力预测模型进行训练,得到这些待训练模型对应的已训练目标发电能力预测模型,把所有已训练目标发电能力预测模型进行汇总,得到发电能力预测模型集合。
本实施例中,通过使用多个不同的历史目标网格测试数据对多个待训练目标发电能力预测模型进行训练,能够训练出适合不同的场景的发电能力预测模型,进行使用的时候,能够更容易的匹配出匹配度高的模型,因此提高模型预测的准确率以及效率。
在一个实施例中,如图8所示,基于各个目标发电节点对应的至少一个历史目标网格测试数据对多个待训练目标发电能力预测模型进行训练,得到发电能力预测模型集合,包括:
步骤802,将至少一个历史目标网格测试数据输入待训练目标发电能力预测模型进行计算,得到待训练目标发电能力预测模型的损失值。
其中,进行计算可以是模型对获取到的数据输入模型的特征提取层进行特征提取,得到特征向量,然后模型的分类层根据特征向量进行分类,得到最后的损失值。
其中,模型的损失值可以是通过模型中的损失函数计算出来的值,该值的大小表示该模型的性能,一般情况下损失值越大,模型的性能越差,反之,损失值越小,模型的性能越好,损失值小于某个预设条件的时候,该模型就能够满足该业务需求。
具体地,将至少一个历史目标网格测试数据输入至待训练目标发电能力预测模型,模型获得数据后将使用特征提取层对数据进行特征提取,得到历史目标网格测试数据对应的特征向量,接着将特征向量输入至模型的分类层进行分类,分类后输出对应的结果,并根据损失函数给出待训练目标发电能力预测模型对应的损失值。
具体地,将10个历史目标网格测试数据输入至第n个待训练目标发电能力预测模型,模型获取数据后将使用特征提取层对这10个数据进行特征提取,得到这10个数据一一对应的特征向量,然后将这些特征向量输入至分类层,分类后的到这10个数据的分类结果,并根据损失函数给出待训练目标发电能力预测模型对应的损失值。
步骤804,基于损失值对待训练目标发电能力预测模型的参数进行调整,使得损失值达到预设条件,得到已训练目标发电能力预测模型。
其中,参数进行调整可以是对待训练目标发电能力预测模型中的特征提取层以及分类层的参数进行调整,使得模型损失值有所变化,方向是使模型损失值逐渐变小。
其中,预设条件可以是根据业务需求对损失值预先设定的一个条件,只要达到预设条件,则待训练模型就满足业务需求,可以正常使用。
其中,已训练目标发电能力预测模型可以是已经建立好的预测模型,而且已经通过训练集进行训练的发电能力预测模型,这些模型可以是卷积神经网络,循环神经网络,长短期记忆网络,递归人工神经网络和体素卷积神经网络模型等。
具体地,根据损失值的大小对待训练目标发电能力预测模型特征提取层以及分类层的参数进行调整,使得模型的损失值发生变化,直到模型的损失值满足预设的条件,预设的条件可以根据具体情况人工设定或者计算机自己选取一个标准,当模型的损失值满足预设的条件后,得到已训练目标发电能力预测模型。
举例来说,预先设定模型的损失值小于3为满足业务需求,根据损失值的变化对待训练目标发电能力预测模型中的特征提取层以及分类层的参数进行调整,使得模型的损失值从6逐渐变小,当模型的损失值小于3的时候,表示待训练目标发电能力预测模型的性能满足业务需求,因此得到已训练目标发电能力预测模型。
步骤806,对各个待训练目标发电能力预测模型采取同样的训练步骤,得到发电能力预测模型集合。
其中,采取同样的步骤可以是对于任意一个待训练目标发电能力预测模型都采取相同的步骤进行训练,对于采取同样步骤训练后模型的损失值不收敛,将对目标网格数据以及待训练目标发电能力预测模型进行调整。
具体地,对于每一个待训练目标发电能力预测模型都使用同样的训练方式进行训练,也就是说使用历史目标网格测试数据作为训练集,然后输入至模型中,模型采用特征提取层进行特征提取,然后得到特征向量,接着将特征向量输入至模型的分类层中进行分类,并且使用损失函数对损失值进行计算,最后调整模型中的特征提取层以及分类层使得损失值满足预设条件,则得到已经训练好的模型,对所有已经训练好的模型进行汇总,得到发电能力预测模型集合。
举例来说,对于500个待训练目标发电能力预测模型进行训练采用相同的办法进行训练,也就是说对于任意一个待训练目标发电能力预测模型n都是使用历史目标网格测试数据作为训练集,然后输入至模型中,模型采用特征提取层进行特征提取,然后得到特征向量,接着将特征向量输入至模型的分类层中进行分类,并且使用损失函数对损失值进行计算,最后调整模型中的特征提取层以及分类层使得损失值满足预设条件,则得到已经训练好的模型n,对这500个模型进行汇总,得到由这500个模型组成的发电能力预测模型集合。
本实施例中,通过调整待训练目标发电能力预测模型的损失值,使得损失值满足预设条件,得到已训练目标发电能力预测模型,能够达到保证任意一个已训练目标发电能力预测模型都经过参数的调整,达到业务需求的性能以及精度。
在一个实施例中,以分布式光伏以及分散式风电为例,本申请技术方案的实现流程如下:
1、目标发电节点特征提取和相似场景划分
分析分布式光伏与分散式风电台账数据(风机/光伏类型、装机容量、风机/光伏台数、所在位置的坐标和地形地貌)、配网拓扑(接入线路电压等级、并网点位置和拓扑信息)、等多源融合数据,挖掘分目标发电节点的经纬度信息,所在地区地形地貌特性和气象特性,并根据地理位置信息、气候特性、考虑网络拓扑,对目标发电节点进行相似场景划分,如图9和图10所示。
2、根据位置信息匹配对应的天气预报网格数据
根据目标发电节点的经纬度信息,结合网格化的天气预报数据,建立目标发电节点台账与天气预报数据的映射关系,匹配目标发电节点对应的天气预报网格数据,如图11所示。
3、建立多种人工智能算法模型库
针对分散式风电,采用支持向量机、神经网络、模糊逻辑等多种人工智能算法进行统计适配模型的适配参数估计,利用多时间尺度数据训练物理模型+统计适配组合模型的最优组合参数,构建分散式风电高精度多时空尺度组合功率预测模型,实现动态优化预测模型参数和预测算法,提高预测精度。并形成面向统计适配模型,涵盖多种人工智能算法的算法库。
针对分布式光伏,考虑分布式光伏不同地形及其敏感气象因素最小集合,构建支持向量机、最小二乘向量机、小波变换、神经网络等人工智能算法在物理模型、统计适配模型及组合模型的适配性,建立算法自动化训练和参数适配性评估模型,分类梳理适用于不同预测模型的预测算法;考虑电网数据安全要求的通信网络拓扑,建立适用于云架构的分布式光伏多时空尺度精确预测的预测模块化框架和实现流程,支撑地区的分布式光伏接入与多时间尺度优化调度。形成神经网络算法、分类回归算法、时间序列算法、小波分析算法、随机森林算法等多种人工智能算法模型库。
4、建立模型的自动适配机制
基于数值天气预报数据和目标发电节点系统的设备台账、历史数据、地理坐标等多类型异构历史数据,考虑分布式能源系统所在地理位置信息、地形地貌信息、微气象环境和历史数据,建立基于数据驱动的目标发电节点系统中长期、短期、超短期高精度组合预测模型,考虑基于数据驱动的预测算法自适应选择策略,可在神经网络算法、分类回归算法、时间序列算法、小波分析算法、随机森林算法等多种人工智能算法中选择适配的最优算法,建立支撑海量分布式能源系统的并行预测的分布式并行计算框架,实现目标发电节点系统高精度预测。建设面向目标发电节点在不同空间位置下的中长期、短期、超短期高精度预测的模型库。
5、建立基于云端的并行计算策略
基于网格化、高时效性、高分辨率数值天气预报,考虑目标发电节点系统海量异构数据分布式存储与云端在线技术处理融合架构,建立目标发电节点高精度预测的云端模块,为省区各类型目标发电节点系统提供低成本轻量化高精度的云端功率预测服务。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的发电功率预测方法的发电功率预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个发电功率预测装置实施例中的具体限定可以参见上文中对于发电功率预测方法的限定,在此不再赘述。
在一个实施例中,如图12所示,提供了一种发电功率预测装置,包括:数据获取模块、目标网格数据得到模块、目标发电能力预测模型选取模块和发电能力预测结果得到模块,其中:
数据获取模块1202,用于获取目标发电节点对应的至少一个种类的发电节点特征数据;
目标网格数据得到模块1204,用于在天气预报网格数据中获取与目标发电节点所处位置对应的天气预报数据,并建立目标发电节点对应的天气预报数据与目标能源点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据;
目标发电能力预测模型选取模块1206,用于从发电能力预测模型集合中选取目标发电能力预测模型;目标发电能力预测模型对应的待选取发电能力预测模型的测试结果满足预设条件;待选取发电能力预测模型的测试结果为采用与目标发电节点对应的历史目标网格测试数据对目标发电能力预测模型进行测试得到的;
发电能力预测结果得到模块1208,用于将至少一个目标网格数据输入目标发电能力预测模型进行预测,得到目标发电节点对应的发电能力预测结果。
在其中一个实施例中,目标网格数据得到模块,用于将目标发电节点所处位置与对应的天气预报数据进行结合,得到结合后天气预报数据;建立目标发电节点对应的发电节点特征数据中的台账数据与结合后天气预报数据间的映射关系,得到至少一个目标网格数据。
在其中一个实施例中,目标网格数据得到模块,用于获取目标发电节点所处位置的经纬度;根据目标发电节点的经纬度查询对应的天气预报数据,天气预报数据由多个子天气预报数据点构成;结合目标发电节点的经纬度以及多个子天气预报数据点,得到结合后天气预报数据。
在其中一个实施例中,目标发电能力预测模型选取模块,用于调取包含多个待选取发电能力预测模型的发电能力预测模型集合;根据至少一个目标网格数据遍历所待选取发电能力预测模型中的历史目标网格测试数据,在发电能力预测模型集合中选取目标网格数据与历史目标网格测试数据匹配度最高的发电能力预测模型,作为目标发电能力预测模型。
在其中一个实施例中,目标发电能力预测模型选取模块,用于获取目标网格数据中对应的目标发电节点的发电类型;基于目标发电节点的发电类型,选取历史目标网格测试数据;历史目标网格测试数据对应的发电类型与目标发电节点的发电类型相同;根据目标网格数据遍历相同发电类型中的待选取发电能力预测模型中的历史目标网格测试数据,选取目标网格数据与历史目标网格测试数据匹配度最高的目标发电能力预测模型。
在其中一个实施例中,发电能力预测模型集合得到模块,用于获取多个目标发电节点对应的历史目标网格测试数据,历史目标网格测试数据所包含的数据类型与目标网格数据一致;基于各个目标发电节点对应的至少一个历史目标网格测试数据对多个待训练目标发电能力预测模型进行训练,得到发电能力预测模型集合,发电能力预测模型集合里面包括至少两个已训练目标发电能力预测模型。
在其中一个实施例中,发电能力预测模型集合得到模块,用于将至少一个历史目标网格测试数据输入待训练目标发电能力预测模型进行计算,得到待训练目标发电能力预测模型的损失值;基于损失值对待训练目标发电能力预测模型的参数进行调整,使得损失值达到预设条件,得到目标已训练发电能力预测模型;对各个待训练目标发电能力预测模型采取同样的训练步骤,得到发电能力预测模型集合。
上述发电功率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图13所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储服务器数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种发电功率预测方法。
本领域技术人员可以理解,图13中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种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上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种分布式新能源云端网格预测方法,其特征在于,所述方法包括:
获取目标发电节点对应的至少一个种类的发电节点特征数据;
在天气预报网格数据中获取与所述目标发电节点所处位置对应的天气预报数据,并建立所述目标发电节点对应的天气预报数据与所述目标发电节点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据;
从发电能力预测模型集合中选取目标发电能力预测模型;所述目标发电能力预测模型对应的待选取发电能力预测模型的测试结果满足预设条件;所述待选取发电能力预测模型的测试结果为采用与所述目标发电节点对应的历史目标网格测试数据对所述目标发电能力预测模型进行测试得到的;
将至少一个所述目标网格数据输入所述目标发电能力预测模型进行预测,得到所述目标发电节点对应的发电能力预测结果。
2.根据权利要求1所述的方法,其特征在于,所述在天气预报网格数据中获取与所述目标发电节点所处位置对应的天气预报数据,并建立所述目标发电节点对应的天气预报数据与所述目标发电节点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据,包括:
将所述目标发电节点所处位置与对应的天气预报数据进行结合,得到结合后天气预报数据;
建立所述目标发电节点对应的所述发电节点特征数据中的台账数据与所述结合后天气预报数据间的映射关系,得到至少一个所述目标网格数据。
3.根据权利要求2所述的方法,其特征在于,所述获取与所述目标发电节点所处位置对应的天气预报数据并进行结合,得到结合后天气预报数据,包括:
获取所述目标发电节点所处位置的经纬度;
根据所述目标发电节点的经纬度查询对应的天气预报数据,所述天气预报数据由多个子天气预报数据点构成;
结合所述目标发电节点的经纬度以及多个所述子天气预报数据点,得到所述结合后天气预报数据。
4.根据权利要求1所述的方法,其特征在于,所述从发电能力预测模型集合中选取目标发电能力预测模型,包括:
调取包含多个所述待选取发电能力预测模型的发电能力预测模型集合;
根据至少一个所述目标网格数据遍历所待选取发电能力预测模型中的所述历史目标网格测试数据,在所述发电能力预测模型集合中选取所述目标网格数据与所述历史目标网格测试数据匹配度最高的发电能力预测模型,作为所述目标发电能力预测模型。
5.根据权利要求4所述的方法,其特征在于,所述根据至少一个所述目标网格数据遍历所述目标发电能力预测模型中的历史目标网格测试数据,选取所述目标网格数据与所述历史目标网格测试数据匹配度最高的所述目标发电能力预测模型,包括:
获取所述目标网格数据中对应的所述目标发电节点的发电类型;
基于所述目标发电节点的发电类型,选取所述历史目标网格测试数据;所述历史目标网格测试数据对应的发电类型与所述目标发电节点的发电类型相同;
根据所述目标网格数据遍历相同所述发电类型中的所述待选取发电能力预测模型中的历史目标网格测试数据,选取所述目标网格数据与所述历史目标网格测试数据匹配度最高的所述目标发电能力预测模型。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取多个所述目标发电节点对应的所述历史目标网格测试数据,所述历史目标网格测试数据所包含的数据类型与所述目标网格数据的数据类型一致;
基于各个所述目标发电节点对应的至少一个所述历史目标网格测试数据对多个待训练目标发电能力预测模型进行训练,得到所述发电能力预测模型集合,所述发电能力预测模型集合里面包括至少两个已训练目标发电能力预测模型。
7.根据权利要求6所述的方法,其特征在于,所述基于各个所述目标发电节点对应的至少一个所述历史目标网格测试数据对多个待训练目标发电能力预测模型进行训练,得到发电能力预测模型集合,包括:
将至少一个所述历史目标网格测试数据输入所述待训练目标发电能力预测模型进行计算,得到所述待训练目标发电能力预测模型的损失值;
基于所述损失值对所述待训练目标发电能力预测模型的参数进行调整,使得所述损失值达到预设条件,得到所述已训练目标发电能力预测模型;
对各个所述待训练目标发电能力预测模型采取同样的训练步骤,得到所述发电能力预测模型集合。
8.一种分布式新能源云端网格预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标发电节点对应的至少一个种类的发电节点特征数据;
目标网格数据得到模块,用于在天气预报网格数据中获取与所述目标发电节点所处位置对应的天气预报数据,并建立所述目标发电节点对应的天气预报数据与所述目标发电节点对应的发电节点特征数据间的映射关系,得到至少一个目标网格数据;
目标发电能力预测模型选取模块,用于从发电能力预测模型集合中选取目标发电能力预测模型;所述目标发电能力预测模型对应的待选取发电能力预测模型的测试结果满足预设条件;所述待选取发电能力预测模型的测试结果为采用与所述目标发电节点对应的历史目标网格测试数据对所述目标发电能力预测模型进行测试得到的;
发电能力预测结果得到模块,用于将至少一个所述目标网格数据输入所述目标发电能力预测模型进行预测,得到所述目标发电节点对应的发电能力预测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
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,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210314475.2A CN114418243B (zh) | 2022-03-28 | 2022-03-28 | 分布式新能源云端网格预测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210314475.2A CN114418243B (zh) | 2022-03-28 | 2022-03-28 | 分布式新能源云端网格预测方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114418243A true CN114418243A (zh) | 2022-04-29 |
CN114418243B CN114418243B (zh) | 2022-07-29 |
Family
ID=81262930
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210314475.2A Active CN114418243B (zh) | 2022-03-28 | 2022-03-28 | 分布式新能源云端网格预测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114418243B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970362A (zh) * | 2022-06-08 | 2022-08-30 | 中交机电工程局有限公司 | 一种多能源结构下的电网负荷调度预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112900A1 (en) * | 2013-10-23 | 2015-04-23 | Honda Motor Co., Ltd. | Time-series data prediction device, time-series data prediction method, and program |
CN110619360A (zh) * | 2019-09-09 | 2019-12-27 | 国家电网有限公司 | 一种考虑历史样本相似性的超短期风功率预测方法 |
US20200057175A1 (en) * | 2018-08-17 | 2020-02-20 | Nec Laboratories America, Inc. | Weather dependent energy output forecasting |
CN112348292A (zh) * | 2021-01-07 | 2021-02-09 | 中国电力科学研究院有限公司 | 一种基于深度学习网络的短期风电功率预测方法和系统 |
CN112862630A (zh) * | 2021-03-08 | 2021-05-28 | 海南省电力学校(海南省电力技工学校) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 |
-
2022
- 2022-03-28 CN CN202210314475.2A patent/CN114418243B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150112900A1 (en) * | 2013-10-23 | 2015-04-23 | Honda Motor Co., Ltd. | Time-series data prediction device, time-series data prediction method, and program |
US20200057175A1 (en) * | 2018-08-17 | 2020-02-20 | Nec Laboratories America, Inc. | Weather dependent energy output forecasting |
CN110619360A (zh) * | 2019-09-09 | 2019-12-27 | 国家电网有限公司 | 一种考虑历史样本相似性的超短期风功率预测方法 |
CN112348292A (zh) * | 2021-01-07 | 2021-02-09 | 中国电力科学研究院有限公司 | 一种基于深度学习网络的短期风电功率预测方法和系统 |
CN112862630A (zh) * | 2021-03-08 | 2021-05-28 | 海南省电力学校(海南省电力技工学校) | 基于天气类型指数区间的光伏功率预测方法、终端及介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114970362A (zh) * | 2022-06-08 | 2022-08-30 | 中交机电工程局有限公司 | 一种多能源结构下的电网负荷调度预测方法及系统 |
CN114970362B (zh) * | 2022-06-08 | 2023-12-19 | 中交机电工程局有限公司 | 一种多能源结构下的电网负荷调度预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114418243B (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Machine learning for solar irradiance forecasting of photovoltaic system | |
Gaur et al. | Spatio-temporal analysis of land use and land cover change: a systematic model inter-comparison driven by integrated modelling techniques | |
Khafaga et al. | Forecasting energy consumption using a novel hybrid dipper throated optimization and stochastic fractal search algorithm | |
CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
Cheng et al. | Multi-meteorological-factor-based graph modeling for photovoltaic power forecasting | |
CN109902885A (zh) | 基于深度学习混合cnn-lstm模型的台风预测方法 | |
CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
JP6980866B2 (ja) | 情報処理装置、情報処理方法およびコンピュータプログラム | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
CN114091764A (zh) | 气象预报要素订正方法、装置、计算机设备和存储介质 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN112585505A (zh) | 确定用于农学决策支持的位置特定的天气信息 | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
Boutahir et al. | Machine learning and deep learning applications for solar radiation predictions review: morocco as a case of study | |
CN115358060A (zh) | 一种支持新能源发电功率高精度预测的高效算法框架 | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
Miralles et al. | Downscaling of historical wind fields over Switzerland using generative adversarial networks | |
Franco et al. | Virtual weather stations for meteorological data estimations | |
Essa et al. | A LSTM recurrent neural network for lightning flash prediction within southern africa using historical time-series data | |
Zhao et al. | An objective prediction model for typhoon rainstorm using particle swarm optimization: neural network ensemble | |
TWI717796B (zh) | 以人工智慧估測地理位置日照量之系統、方法及儲存媒體 | |
Zhao et al. | Examining land-use change trends in yucheng district, Ya’an city, China, using ANN-CA modeling | |
CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 | |
CN115587664B (zh) | 基于图卷积长短期记忆网络的太阳辐射预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |