CN114611799A - 发电功率预测方法、装置、设备、存储介质和程序产品 - Google Patents

发电功率预测方法、装置、设备、存储介质和程序产品 Download PDF

Info

Publication number
CN114611799A
CN114611799A CN202210251794.3A CN202210251794A CN114611799A CN 114611799 A CN114611799 A CN 114611799A CN 202210251794 A CN202210251794 A CN 202210251794A CN 114611799 A CN114611799 A CN 114611799A
Authority
CN
China
Prior art keywords
neural network
weather data
network model
target
sample
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
Application number
CN202210251794.3A
Other languages
English (en)
Other versions
CN114611799B (zh
Inventor
张子昊
李鹏
马溪原
周悦
包涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202210251794.3A priority Critical patent/CN114611799B/zh
Publication of CN114611799A publication Critical patent/CN114611799A/zh
Application granted granted Critical
Publication of CN114611799B publication Critical patent/CN114611799B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or 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
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Linguistics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Biophysics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Water Supply & Treatment (AREA)
  • Algebra (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)

Abstract

本申请涉及一种发电功率预测方法、装置、设备、存储介质和程序产品。所述方法包括：获取预设未来时段的多个预报天气数据集合；各所述预报天气数据集合包括多个时刻的预报天气数据，且各所述预报天气数据集合对应一种影响发电功率的因素；根据多个所述预报天气数据集合和目标神经网络模型进行功率预测，得到所述预设未来时段中多个时刻对应的目标发电功率。采用本方法能够提高预测精度。

Description

发电功率预测方法、装置、设备、存储介质和程序产品
技术领域
本申请涉及功率预测技术领域，特别是涉及一种发电功率预测方法、装置、设备、存储介质和计算机程序产品。
背景技术
新能源发电是指利用风能、太阳能等可再生能源进行发电。在利用风能的风力发电和利用太阳能的光伏发电领域中，对于发电功率的预测是一个重要的研究方向。
目前，风力发电和光伏发电的发电功率预测已经向机器学习的方向发展。例如，利用神经网络根据历史时段的发电功率对未来时段的发电功率进行预测。
但是，风力发电和光伏发电的发电功率是由多种因素共同决定的，仅采用历史时段的发电功率来进行预测，预测精度不佳。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高预测精度的发电功率预测方法、装置、设备、存储介质和程序产品。
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：
获取预设未来时段的多个预报天气数据集合；各预报天气数据集合包括多个时刻的预报天气数据，且各预报天气数据集合对应一种影响发电功率的因素；
根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率。
在其中一个实施例中，上述根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率，包括：
基于多个预报天气数据集合构建目标特征矩阵；
将目标特征矩阵输入到目标神经网络模型中，得到目标神经网络模型输出的预设未来时段中多个时刻对应的目标发电功率。
在其中一个实施例中，上述基于多个预报天气数据集合构建目标特征矩阵，包括：
将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；
将多个行特征按照预设顺序垂直方向排列，得到目标特征矩阵。
在其中一个实施例中，上述基于多个预报天气数据集合构建目标特征矩阵，包括：
将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；
将多个行特征按照预设顺序垂直方向排列，得到初始特征矩阵；
获取预设未来时段前一时刻的发电功率，并根据前一时刻的发电功率和初始特征矩阵构建目标特征矩阵。
在其中一个实施例中，上述目标神经网络模型的训练过程包括：
获取样本集合；样本集合包括多个训练样本和各训练样本对应的标注，训练样本为基于多个样本天气数据集合构建的特征矩阵，各样本天气数据集合包括多个时刻的样本天气数据，且各样本天气数据集合对应一种影响发电功率的因素，训练样本对应的标注包括多个时刻的样本发电功率；
从样本集合中获取第一预设数量的训练样本，并将第一预设数量的训练样本输入到初始神经网络模型中进行训练；
根据初始神经网络模型输出的第一预设数量的训练结果和各训练样本对应的标注对初始神经网络模型进行参数调整，得到目标神经网络模型。
在其中一个实施例中，上述从样本集合中获取第一预设数量的训练样本，并将第一预设数量的训练样本输入到初始神经网络模型中进行训练，包括：
多次从样本集合中获取第一预设数量的训练样本；
将多次获取到的第一预设数量的训练样本分次输入到初始神经网络模型中进行训练。
在其中一个实施例中，上述样本集合还包括测试样本和各测试样本对应的标注，测试样本为基于多个样本天气数据集合构建的特征矩阵，测试样本对应的标注包括多个时刻的样本发电功率，该方法还包括：
从样本集合中获取第二预设数量的测试样本，并将第二预设数量的测试样本输入到目标神经网络模型中进行测试，得到目标神经网络模型输出的第二预设数量的测试结果；
根据第二预设数量的测试结果和各测试样本对应的标注确定目标神经网络模型的预测精度。
在其中一个实施例中，目标神经网络模型为基于长短期记忆人工神经网络构建的5个神经网络层，其中，第一神经网络层与第二神经网络层之间的参数舍弃率为0.4，第二神经网络层与第三神经网络层之间的参数舍弃率为0.3。
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，用于获取预设未来时段的多个预报天气数据集合；各预报天气数据集合包括多个时刻的预报天气数据，且各预报天气数据集合对应一种影响发电功率的因素；
功率预测模块，用于根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率。
在其中一个实施例中，上述功率预测模块，具体用于基于多个预报天气数据集合构建目标特征矩阵；将目标特征矩阵输入到目标神经网络模型中，得到目标神经网络模型输出的预设未来时段中多个时刻对应的目标发电功率。
在其中一个实施例中，上述功率预测模块，具体用于将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；将多个行特征按照预设顺序垂直方向排列，得到目标特征矩阵。
在其中一个实施例中，上述功率预测模块，具体用于将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；将多个行特征按照预设顺序垂直方向排列，得到初始特征矩阵；获取预设未来时段前一时刻的发电功率，并根据前一时刻的发电功率和初始特征矩阵构建目标特征矩阵。
在其中一个实施例中，还包括：
样本获取模块，用于获取样本集合；样本集合包括多个训练样本和各训练样本对应的标注，训练样本为基于多个样本天气数据集合构建的特征矩阵，各样本天气数据集合包括多个时刻的样本天气数据，且各样本天气数据集合对应一种影响发电功率的因素，训练样本对应的标注包括多个时刻的样本发电功率；
训练样本选取模块，用于从样本集合中获取第一预设数量的训练样本，并将第一预设数量的训练样本输入到初始神经网络模型中进行训练；
训练模块，用于根据初始神经网络模型输出的第一预设数量的训练结果和各训练样本对应的标注对初始神经网络模型进行参数调整，得到目标神经网络模型。
在其中一个实施例中，上述训练样本选取模块，用于多次从样本集合中获取第一预设数量的训练样本；将多次获取到的第一预设数量的训练样本分次输入到初始神经网络模型中进行训练。
在其中一个实施例中，上述样本集合还包括测试样本和各测试样本对应的标注，测试样本为基于多个样本天气数据集合构建的特征矩阵，测试样本对应的标注包括多个时刻的样本发电功率，该装置还包括：
测试样本选取模块，用于从样本集合中获取第二预设数量的测试样本，并将第二预设数量的测试样本输入到目标神经网络模型中进行测试，得到目标神经网络模型输出的第二预设数量的测试结果；
测试模块，用于根据第二预设数量的测试结果和各测试样本对应的标注确定目标神经网络模型的预测精度。
在其中一个实施例中，目标神经网络模型为基于长短期记忆人工神经网络构建的5个神经网络层，其中，第一神经网络层与第二神经网络层之间的参数舍弃率为0.4，第二神经网络层与第三神经网络层之间的参数舍弃率为0.3。
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如第一方面所述的步骤。
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如第一方面所述的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如第一方面所述的步骤。
上述发电功率预测方法、装置、设备、存储介质和程序产品，获取预设未来时段的多个预报天气数据集合；根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率。由于各预报天气数据集合包括多个时刻的预报天气数据，且各预报天气数据集合对应一种影响发电功率的因素，因此本公开实施例是根据多种影响发电功率的因素预测出目标发电功率的，与现有技术中相比，可以提高预测精度。
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步骤的流程示意图；
图4为一个实施例中模型训练步骤的流程示意图；
图5为一个实施例中训练样本选取步骤的流程示意图；
图6为一个实施例中模型测试步骤的流程示意图；
图7a为一个实施例中短期预测的预测精度的示意图；
图7b为一个实施例中超短期预测的预测精度的示意图之一；
图7c为一个实施例中超短期预测的预测精度的示意图之二；
图8为一个实施例中发电功率预测装置的结构框图；
图9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。
首先，在具体介绍本公开实施例的技术方案之前，先对本公开实施例基于的技术背景或者技术演进脉络进行介绍。目前，风力发电和光伏发电的发电功率预测已经向机器学习的方向发展。例如，利用神经网络根据历史时段的发电功率对未来时段的发电功率进行预测。但是，风力发电和光伏发电的发电功率是由多种因素共同决定的，例如风力、风速等会对风力发电的发电功率产生影响，而辐照度、云量、雨量、温度、湿度等会对光伏发电的发电功率产生影响。如果仅采用历史时段的发电功率对未来时段的发电功率进行预测，预测精度不佳。
本申请提供的发电功率预测方案中，获取预设未来时段的多个预报天气数据集合；根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率。由于各预报天气数据集合包括多个时刻的预报天气数据，且各预报天气数据集合对应一种影响发电功率的因素，因此本申请是根据多种影响发电功率的因素预测出目标发电功率的，与现有技术中相比，可以提高预测精度。
另外，需要说明的是，从利用多中影响发电功率的因素以及下述实施例介绍的技术方案，申请人均付出了大量的创造性劳动。
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。该应用环境包括数据采集设备102和服务器104，其中，数据采集设备102通过网络与服务器104进行通信，数据采集设备102进行天气数据采集，将采集到的天气数据传输到服务器104；服务器104可以根据天气数据进行预报得到预报天气数据，并根据预报天气数据进行发电功率的预测。数据采集设备102还可以进行发电功率采集，并将采集到的发电功率传输到服务器104,；服务器根据预报天气数据和采集到的发电功率进行预测。上述数据采集设备102可以但不限于是各种风速传感器、湿度传感器、温度传感器、辐照度检测仪器、云量检测仪器、雨量检测仪器和发电功率采集设备等。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201，获取预设未来时段的多个预报天气数据集合。
其中，各预报天气数据集合包括多个时刻的预报天气数据，且各预报天气数据集合对应一种影响发电功率的因素。影响发电功率的因素包括风速、雨量、温度、湿度和辐照度中的至少一种，多个预报天气数据集合可以包括预报风速数据集合、预报雨量数据集合、预报温度数据集合、预报湿度数据集合和预报辐照度数据集合中的至少一个集合；预报风速数据集合中包括多个时刻的预报风速数据，预报雨量数据集合中包括多个时刻的预报雨量数据，预报温度数据集合包括多个时刻的预报温度数据，预报湿度数据集合包括多个时刻的预报湿度数据，预报辐照度数据集合包括多个时刻的预报辐照度数据。
服务器可以从数据采集设备获取预设历史时段的实测天气数据，然后根据预设历史时段的实测天气数据对预设未来时段进行预报，得到预设未来时段中多个时刻的预报天气数据。
例如，服务器可以根据过去24小时的实测天气数据对未来24小时进行预报，得到未来24小时中多个时刻的预报天气数据。本公共实施例对预设历史时段和预设未来时段不做限定。
获取到预报天气数据后，服务器根据预设未来时段中多个时刻的预报天气数据确定多个预报天气数据集合。例如，确定预报风速数据集合、预报雨量数据集合、预报温度数据集合、预报湿度数据集合和预报辐照度数据集合。
步骤202，根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率。
其中，目标神经网络模型是根据历史时段的实测天气数据和实测发电功率训练得到的。
在获取到多个预报天气数据集合之后，服务器将多个预报天气数据集合输入到目标神经网络模型中，目标神经网络模型根据多个预报天气数据集合对预设未来时段的发电功率进行预测，得到预设未来时段中多个时刻对应的目标发电功率。
例如，预设未来时段包括t1时刻至t96时刻，每相邻两个时刻间隔预设时长，预设时长可以为15分钟。本公开实施例对预设未来时段和预设时长不做限定。多个预报天气数据集合可以包括预报雨量数据集合、预报温度数据集合和预报辐照度数据集合，预报雨量数据集合包括t1时刻至t96时刻的预报雨量数据，预报温度数据集合包括t1时刻至t96时刻的预报温度数据，预报辐照度数据集合包括t1时刻至t96时刻的预报辐照度数据。服务器将多个天气预报数据集合输入到目标神经网络模型后，目标神经网络模型输出t1时刻至t96时刻的目标发电功率。
上述发电功率方法中，获取预设未来时段的多个预报天气数据集合；根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率。由于各预报天气数据集合包括多个时刻的预报天气数据，且各预报天气数据集合对应一种影响发电功率的因素，因此本公开实施例是根据多种影响发电功率的因素预测出目标发电功率的，与现有技术中相比，可以提高预测精度。
在一个实施例中，如图3所示，上述根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率的过程，可以包括如下步骤：
步骤301，基于多个预报天气数据集合构建目标特征矩阵。
在将多个预报天气数据集合输入目标神经网络模型时，需要先对多个预报天气数据集合进行预处理，构建出目标特征矩阵。在实际应用中，构建目标特征矩阵可以有多种方式，其中，进行短期的发电功率预测时可以采用如下方式一，进行超短期的发电功率预测时可以采用如下方式二。
方式一：将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；将多个行特征按照预设顺序垂直方向排列，得到目标特征矩阵。
例如，短期的发电功率预测中，预设未来时段包括t1时刻至t96时刻，每相邻两个时刻之间间隔预设时长，预设时长可以为15分钟。对于预报雨量数据集合，将t1时刻至t96时刻的预报雨量数据按照时间顺序水平方向排列得到预报雨量行特征；对于预报温度数据集合，将t1时刻至t96时刻的预报温度数据按照时间顺序水平方向排列得到预报温度行特征；以此类推得到预报辐照度行特征。之后，将预报雨量行特征、预报温度行特征和预报辐照度行特征按照雨量、温度、辐照度的顺序垂直方向排列，得到目标特征矩阵。
可以理解地，由于行特征中预报天气数据的数量固定，行特征的数量固定，因此，构建出的目标特征矩阵是具有固定尺寸的。而且，由多个预报天气数据集合构建出目标特征矩阵，更方便目标神经网络模型进行发电功率预测。
方式二：将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；将多个行特征按照预设顺序垂直方向排列，得到初始特征矩阵；获取预设未来时段前一时刻的发电功率，并根据前一时刻的发电功率和初始特征矩阵构建目标特征矩阵。
例如，超短期的发电功率预测中，预设未来时段包括t1时刻至t16时刻，每相邻两个时刻之间间隔预设时长，预设时长可以为15分钟。对于预报雨量数据集合，将t1时刻至t16时刻的预报雨量数据按照时间顺序水平方向排列得到预报雨量行特征；对于预报温度数据集合，将t1时刻至t16时刻的预报温度数据按照时间顺序水平方向排列得到预报温度行特征；依次类推得到预报辐照度行特征。之后，将预报雨量行特征、预报温度行特征和预报辐照度行特征按照雨量、温度、辐照度的顺序垂直方向排列，得到初始特征矩阵。获取预设未来时段之前t0时刻的发电功率，根据t0时刻的发电功率和初始特征矩阵构建目标特征矩阵。
可以理解地，构建目标特征矩阵可以方便目标神经网络模型进行发电功率预测。并且，将预设未来时段前一时刻的发电功率与预报天气数据相结合，可以提高超短期预测的预测精度。
步骤302，将目标特征矩阵输入到目标神经网络模型中，得到目标神经网络模型输出的预设未来时段中多个时刻对应的目标发电功率。
在构建出目标特征矩阵后，将目标特征矩阵输入到目标神经网络模型中，目标神经网络模型即可根据多种影响发电功率的因素进行功率预测，从而输出预设未来时段中多个时刻对应的目标发电功率。
例如，在短期的发电功率预测中，目标神经网络模型输出t1时刻至t96时刻的目标发电功率；在超短期的发电功率预测中，目标神经网络模型输出t1时刻至t16时刻的目标发电功率。
上述实施例中，基于多个预报天气数据集合构建目标特征矩阵；将目标特征矩阵输入到目标神经网络模型中，得到目标神经网络模型输出的预设未来时段中多个时刻对应的目标发电功率。本公开实施例基于影响发电功率的多个因素所对应的预报天气数据构建目标特征矩阵，一方面可以使目标神经网络模型根据多个因素进行功率预测，提高预测精度，另一方面，将数据转换为矩阵形式也方便目标神经网络模型的处理，从而提高预测效率。
在一个实施例中，如图4所示，上述目标神经网络模型的训练过程，可以包括如下步骤：
步骤401，获取样本集合。
其中，样本集合包括多个训练样本和各训练样本对应的标注，训练样本为基于多个样本天气数据集合构建的特征矩阵，各样本天气数据集合包括多个时刻的样本天气数据，且各样本天气数据集合对应一种影响发电功率的因素，训练样本对应的标注包括多个时刻的样本发电功率。
在训练神经网络模型前，获取多个训练样本和各训练样本对应的标注，得到样本集合的过程可以包括：服务器获取历史时段内多个时刻的实测天气数据和对应时刻的实测发电功率；之后，采用预设函数对实测天气数据和实测发电功率进行分离；接着，服务器将多个实测天气数据作为样本天气数据，并根据多个样本天气数据构建特征矩阵得到训练样本。同时，服务器将实测发电功率作为样本发电功率，并将多个时刻的样本发电功率作为训练样本对应的标注。
上述根据多个样本天气数据构建特征矩阵，可以包括：将多个样本天气数据按照时间顺序排列，然后，将各时刻的样本天气数据作为起始点，再按照预设时间步长确定结束点；根据起始点至结束点的样本天气数据构建特征矩阵。
例如，对于短期的发电功率预测，预设时间步长为96，将t1时刻、t2时刻……作为起始点，根据预设时间步长可以确定结束点依次为t96时刻、t97时刻……。之后，根据t1时刻至t96时刻的样本天气数据构建第一个特征矩阵，再根据t2时刻至t97时刻的样本天气数据构建第二个特征矩阵。以此类推，可以构建多个特征矩阵，即得到多个训练样本。
对于超短期的发电功率预测，预设时间步长为16，将t1时刻、t2时刻……作为起始点，根据预设时间步长可以确定结束点依次为t16时刻、t17时刻……。之后，根据t1时刻至t16时刻的样本天气数据以及t0时刻的发电功率构建第一个特征矩阵，根据t2时刻至t17时刻的样本天气数据和t1时刻的发电功率构建第二个特征矩阵。以此类推，可以构建多个特征矩阵，即得到多个训练样本。
可选地，在获取实测天气数据和实测发电功率后，进行异常数据检测，并对异常数据进行修正处理。例如，计算邻近时刻的数据平均值，然后用计算出的数据平均值替换异常数据。
可选地，对于人为调低发电功率的限电时段，还需要对发电功率进行标记，避免在模型训练过中因此人为调低发电功率而导致模型训练错误。
可选地，对实测天气数据和实测发电功率进行归一化处理，将实测天气数据和实测发电功率归一化至(-1，1)或(0，1)之间，以方便构建特征矩阵。其中，归一化处理可以采用MinMaxScaler()函数。本公开实施例对此不做限定。
步骤402，从样本集合中获取第一预设数量的训练样本，并将第一预设数量的训练样本输入到初始神经网络模型中进行训练。
服务器从样本集合中获取第一预设数量的训练样本，组成一个批次的训练样本，再将这一个批次的训练样本输入到初始神经网络模型中进行训练。
例如，服务器从样本集合中获取128个训练样本，然后将128个训练样本依次输入到初始神经网络模型中进行训练。本公开实施例对第一预设数量不作限定，可以根据实际情况进行设置。
步骤403，根据初始神经网络模型输出的第一预设数量的训练结果和各训练样本对应的标注对初始神经网络模型进行参数调整，得到目标神经网络模型。
服务器将第一预设数量的训练样本输入到初始神经网络模型中，初始神经网络模型会输出第一预设数量的训练结果。之后，服务器可以利用预设损失函数计算第一预设数量的训练结果与各训练样本对应的标注的损失值，如果损失值不满足预设收敛条件，则根据损失值对初始神经网络模型进行参数调整。直到损失值满足预设收敛条件时结束训练，并将结束训练时的神经网络模型确定为目标神经网络模型。
上述预设损失函数可以采用MSE算法等，本公开实施例对此不做限定。
上述实施例中，获取样本集合；从样本集合中获取第一预设数量的训练样本，并将第一预设数量的训练样本输入到初始神经网络模型中进行训练。本公开实施例采用多个训练样本进行模型训练，可以提高目标神经网络模型的预测精度。
在一个实施例中，如图5所示，上述从样本集合中获取第一预设数量的训练样本，并将第一预设数量的训练样本输入到初始神经网络模型中进行训练的过程，可以包括如下步骤：
步骤4021，多次从样本集合中获取第一预设数量的训练样本。
在训练神经网络模型过程中，可以采用多批次的训练样本进行训练。例如，分5次从样本集合中获取训练样本，每次获取128个训练样本。本公开实施例对第一预设数量和训练样本的获取次数不做限定。
步骤4022，将多次获取到的第一预设数量的训练样本分次输入到初始神经网络模型中进行训练。
服务器每次获取到第一预设数量的训练样本后，将第一预设数量的训练样本输入到初始神经网络模型进行训练。
在实际训练过程中，获取到34839个时刻实测天气数据作为样本天气数据，相邻两个时刻之间间隔15分钟。对于短期的发电功率预测，每次将128个训练样本输入到初始神经网络模型进行训练，训练耗时在938毫秒至1秒之间，训练5次，总耗时约13分40秒。对于超短期的发电功率预测，每次将128个训练样本输入到初始神经网络模型进行训练，训练耗时在127毫秒至140毫秒之间，训练5次，总耗时约3分8秒。
上述实施例中，多次从样本集合中获取第一预设数量的训练样本；将多次获取到的第一预设数量的训练样本分次输入到初始神经网络模型中进行训练。本公开实施例多次进行模型训练，可以进一步提高目标神经网络模型的预测精度。
在一个实施例中，样本集合还包括测试样本和各测试样本对应的标注，测试样本为基于多个样本天气数据集合构建的特征矩阵，测试样本对应的标注包括多个时刻的样本发电功率。如图6所示，在上述实施例的基础上，本公开实施例还可以包括如下步骤：
步骤501，从样本集合中获取第二预设数量的测试样本，并将第二预设数量的测试样本输入到目标神经网络模型中进行测试，得到目标神经网络模型输出的第二预设数量的测试结果。
服务器在获取样本集合时，可以将样本集合分为训练样本集合、验证样本集合和测试样本集合。训练样本集合中的训练样本用于训练神经网络模型，验证样本集合中的验证样本用于对训练好的神经网络模型进行验证，测试样本集合中的测试样本用于对验证好的神经网络模型进行测试。其中，训练样本、验证样本和测试样本的数量比为5:3:2。本公开实施例对此不做限定。
在对神经网络模型进行测试时，从样本集合中获取第二预设数量的测试样本，然后将第二预设数量的测试样本输入到目标神经网络中，得到目标神经网络输出的第二预设数量的测试结果。
上述第二预设数量可以与第一预设数量不同，也可与第一预设数量相同，本公开实施例对此不做限定。
步骤502，根据第二预设数量的测试结果和各测试样本对应的标注确定目标神经网络模型的预测精度。
在得到第二预设数量的测试结果之后，根据第二预设数量的测试结果和各测试样本对应的标注确定目标神经网络模型的预测精度。如果预测精度低于预设精度阈值，则需要继续训练神经网络模型，直到预测精度大于或等于预设精度阈值时结束。本公开实施例对预设精度阈值不做限定。
上述确定预测精度可以采用1-rmse这种方式，其中rmse为均方根误差。在实际应用中，还可以采用其他方式确定预测精度，本公开实施例对此不做限定。
在实际测试中，获取到14601个时刻的实测天气数据作为测试天气数据，相邻两个时刻之间间隔15分钟，之后，由测试天气数据构建出测试样本。具体构建方式可以参考上述实施例中训练样本的构建方式，本公开实施例在此不再赘述。对于短期的发电功率预测，每次将128个测试样本输入到目标神经网络模型进行测试，测试耗时90毫秒，测试5次，总耗时约1秒。对于超短期预测，每次将128个测试样本输入到目标神经网络模型进行测试，测试耗时19毫秒，测试456次，总耗时约9秒。
在短期的发电功率预测中，测试出目标神经网络模型的预测精度为88.51％，如图7a所示，图中横轴为时间、纵轴为发电功率。在超短期的发电功率预测中，测试出目标神经网络模型的预测精度为91.76％，如图7b和7c所示，图中横轴为时间、纵轴为发电功率。
在一个实施例中，目标神经网络模型为基于长短期记忆人工神经网络(LongShort-Term Memory，LSTM)构建的5个神经网络层，其中，第一神经网络层与第二神经网络层之间的参数舍弃率为0.4，第二神经网络层与第三神经网络层之间的参数舍弃率为0.3。
可以理解地，设置参数舍弃率，可以避免模型训练过程中的过拟合，从而提高模型训练效率。
在实际应用中，目标神经网络模型第一神经网络层包括256个神经元、第二神经网络层包括256个神经元、第三神经网络层包括128个神经元、第四神经网络层包括32个神经元、第五层为输出层。
可选地，目标神经网络中还包括adam优化器，该优化器可以对模型参数寻找进行优化。
上述实施例中，从样本集合中获取第二预设数量的测试样本，并将第二预设数量的测试样本输入到目标神经网络模型中进行测试，得到目标神经网络模型输出的第二预设数量的测试结果；根据第二预设数量的测试结果和各测试样本对应的标注确定目标神经网络模型的预测精度。本公开实施例对目标神经网络模型的预测精度进行测试，可以保证后续使用目标神经网络模型时，预测精度符合实际需求。
应该理解的是，虽然如上所述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，如上所述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8所示，提供了一种发电功率预测装置，包括：
数据获取模块601，用于获取预设未来时段的多个预报天气数据集合；各预报天气数据集合包括多个时刻的预报天气数据，且各预报天气数据集合对应一种影响发电功率的因素；
功率预测模块602，用于根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率。
在其中一个实施例中，上述功率预测模块，具体用于基于多个预报天气数据集合构建目标特征矩阵；将目标特征矩阵输入到目标神经网络模型中，得到目标神经网络模型输出的预设未来时段中多个时刻对应的目标发电功率。
在其中一个实施例中，上述功率预测模块602，具体用于将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；将多个行特征按照预设顺序垂直方向排列，得到目标特征矩阵。
在其中一个实施例中，上述功率预测模块602，具体用于将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；将多个行特征按照预设顺序垂直方向排列，得到初始特征矩阵；获取预设未来时段前一时刻的发电功率，并根据前一时刻的发电功率和初始特征矩阵构建目标特征矩阵。
在其中一个实施例中，还包括：
样本获取模块603，用于获取样本集合；样本集合包括多个训练样本和各训练样本对应的标注，训练样本为基于多个样本天气数据集合构建的特征矩阵，各样本天气数据集合包括多个时刻的样本天气数据，且各样本天气数据集合对应一种影响发电功率的因素，训练样本对应的标注包括多个时刻的样本发电功率；
训练样本选取模块604，用于从样本集合中获取第一预设数量的训练样本，并将第一预设数量的训练样本输入到初始神经网络模型中进行训练；
训练模块605，用于根据初始神经网络模型输出的第一预设数量的训练结果和各训练样本对应的标注对初始神经网络模型进行参数调整，得到目标神经网络模型。
在其中一个实施例中，上述训练样本选取模块604，用于多次从样本集合中获取第一预设数量的训练样本；将多次获取到的第一预设数量的训练样本分次输入到初始神经网络模型中进行训练。
在其中一个实施例中，上述样本集合还包括测试样本和各测试样本对应的标注，测试样本为基于多个样本天气数据集合构建的特征矩阵，测试样本对应的标注包括多个时刻的样本发电功率，该装置还包括：
测试样本选取模块606，用于从样本集合中获取第二预设数量的测试样本，并将第二预设数量的测试样本输入到目标神经网络模型中进行测试，得到目标神经网络模型输出的第二预设数量的测试结果；
测试模块607，用于根据第二预设数量的测试结果和各测试样本对应的标注确定目标神经网络模型的预测精度。
在其中一个实施例中，目标神经网络模型为基于长短期记忆人工神经网络构建的5个神经网络层，其中，第一神经网络层与第二神经网络层之间的参数舍弃率为0.4，第二神经网络层与第三神经网络层之间的参数舍弃率为0.3。
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9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XX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9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，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以下步骤：
获取预设未来时段的多个预报天气数据集合；各预报天气数据集合包括多个时刻的预报天气数据，且各预报天气数据集合对应一种影响发电功率的因素；
根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
基于多个预报天气数据集合构建目标特征矩阵；
将目标特征矩阵输入到目标神经网络模型中，得到目标神经网络模型输出的预设未来时段中多个时刻对应的目标发电功率。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；
将多个行特征按照预设顺序垂直方向排列，得到目标特征矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；
将多个行特征按照预设顺序垂直方向排列，得到初始特征矩阵；
获取预设未来时段前一时刻的发电功率，并根据前一时刻的发电功率和初始特征矩阵构建目标特征矩阵。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取样本集合；样本集合包括多个训练样本和各训练样本对应的标注，训练样本为基于多个样本天气数据集合构建的特征矩阵，各样本天气数据集合包括多个时刻的样本天气数据，且各样本天气数据集合对应一种影响发电功率的因素，训练样本对应的标注包括多个时刻的样本发电功率；
从样本集合中获取第一预设数量的训练样本，并将第一预设数量的训练样本输入到初始神经网络模型中进行训练；
根据初始神经网络模型输出的第一预设数量的训练结果和各训练样本对应的标注对初始神经网络模型进行参数调整，得到目标神经网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
多次从样本集合中获取第一预设数量的训练样本；
将多次获取到的第一预设数量的训练样本分次输入到初始神经网络模型中进行训练。
在一个实施例中，样本集合还包括测试样本和各测试样本对应的标注，测试样本为基于多个样本天气数据集合构建的特征矩阵，测试样本对应的标注包括多个时刻的样本发电功率，处理器执行计算机程序时还实现以下步骤：
从样本集合中获取第二预设数量的测试样本，并将第二预设数量的测试样本输入到目标神经网络模型中进行测试，得到目标神经网络模型输出的第二预设数量的测试结果；
根据第二预设数量的测试结果和各测试样本对应的标注确定目标神经网络模型的预测精度。
在一个实施例中，目标神经网络模型为基于长短期记忆人工神经网络构建的5个神经网络层，其中，第一神经网络层与第二神经网络层之间的参数舍弃率为0.4，第二神经网络层与第三神经网络层之间的参数舍弃率为0.3。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取预设未来时段的多个预报天气数据集合；各预报天气数据集合包括多个时刻的预报天气数据，且各预报天气数据集合对应一种影响发电功率的因素；
根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于多个预报天气数据集合构建目标特征矩阵；
将目标特征矩阵输入到目标神经网络模型中，得到目标神经网络模型输出的预设未来时段中多个时刻对应的目标发电功率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；
将多个行特征按照预设顺序垂直方向排列，得到目标特征矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；
将多个行特征按照预设顺序垂直方向排列，得到初始特征矩阵；
获取预设未来时段前一时刻的发电功率，并根据前一时刻的发电功率和初始特征矩阵构建目标特征矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本集合；样本集合包括多个训练样本和各训练样本对应的标注，训练样本为基于多个样本天气数据集合构建的特征矩阵，各样本天气数据集合包括多个时刻的样本天气数据，且各样本天气数据集合对应一种影响发电功率的因素，训练样本对应的标注包括多个时刻的样本发电功率；
从样本集合中获取第一预设数量的训练样本，并将第一预设数量的训练样本输入到初始神经网络模型中进行训练；
根据初始神经网络模型输出的第一预设数量的训练结果和各训练样本对应的标注对初始神经网络模型进行参数调整，得到目标神经网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
多次从样本集合中获取第一预设数量的训练样本；
将多次获取到的第一预设数量的训练样本分次输入到初始神经网络模型中进行训练。
在一个实施例中，样本集合还包括测试样本和各测试样本对应的标注，测试样本为基于多个样本天气数据集合构建的特征矩阵，测试样本对应的标注包括多个时刻的样本发电功率，计算机程序被处理器执行时还实现以下步骤：
从样本集合中获取第二预设数量的测试样本，并将第二预设数量的测试样本输入到目标神经网络模型中进行测试，得到目标神经网络模型输出的第二预设数量的测试结果；
根据第二预设数量的测试结果和各测试样本对应的标注确定目标神经网络模型的预测精度。
在一个实施例中，目标神经网络模型为基于长短期记忆人工神经网络构建的5个神经网络层，其中，第一神经网络层与第二神经网络层之间的参数舍弃率为0.4，第二神经网络层与第三神经网络层之间的参数舍弃率为0.3。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
获取预设未来时段的多个预报天气数据集合；各预报天气数据集合包括多个时刻的预报天气数据，且各预报天气数据集合对应一种影响发电功率的因素；
根据多个预报天气数据集合和目标神经网络模型进行功率预测，得到预设未来时段中多个时刻对应的目标发电功率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
基于多个预报天气数据集合构建目标特征矩阵；
将目标特征矩阵输入到目标神经网络模型中，得到目标神经网络模型输出的预设未来时段中多个时刻对应的目标发电功率。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；
将多个行特征按照预设顺序垂直方向排列，得到目标特征矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将各预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；
将多个行特征按照预设顺序垂直方向排列，得到初始特征矩阵；
获取预设未来时段前一时刻的发电功率，并根据前一时刻的发电功率和初始特征矩阵构建目标特征矩阵。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取样本集合；样本集合包括多个训练样本和各训练样本对应的标注，训练样本为基于多个样本天气数据集合构建的特征矩阵，各样本天气数据集合包括多个时刻的样本天气数据，且各样本天气数据集合对应一种影响发电功率的因素，训练样本对应的标注包括多个时刻的样本发电功率；
从样本集合中获取第一预设数量的训练样本，并将第一预设数量的训练样本输入到初始神经网络模型中进行训练；
根据初始神经网络模型输出的第一预设数量的训练结果和各训练样本对应的标注对初始神经网络模型进行参数调整，得到目标神经网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
多次从样本集合中获取第一预设数量的训练样本；
将多次获取到的第一预设数量的训练样本分次输入到初始神经网络模型中进行训练。
在一个实施例中，样本集合还包括测试样本和各测试样本对应的标注，测试样本为基于多个样本天气数据集合构建的特征矩阵，测试样本对应的标注包括多个时刻的样本发电功率，计算机程序被处理器执行时还实现以下步骤：
从样本集合中获取第二预设数量的测试样本，并将第二预设数量的测试样本输入到目标神经网络模型中进行测试，得到目标神经网络模型输出的第二预设数量的测试结果；
根据第二预设数量的测试结果和各测试样本对应的标注确定目标神经网络模型的预测精度。
在一个实施例中，目标神经网络模型为基于长短期记忆人工神经网络构建的5个神经网络层，其中，第一神经网络层与第二神经网络层之间的参数舍弃率为0.4，第二神经网络层与第三神经网络层之间的参数舍弃率为0.3。
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 (12)

1.一种发电功率预测方法，其特征在于，所述方法包括：
获取预设未来时段的多个预报天气数据集合；各所述预报天气数据集合包括多个时刻的预报天气数据，且各所述预报天气数据集合对应一种影响发电功率的因素；
根据多个所述预报天气数据集合和目标神经网络模型进行功率预测，得到所述预设未来时段中多个时刻对应的目标发电功率。
2.根据权利要求1所述的方法，其特征在于，所述根据多个所述预报天气数据集合和目标神经网络模型进行功率预测，得到所述预设未来时段中多个时刻对应的目标发电功率，包括：
基于多个所述预报天气数据集合构建目标特征矩阵；
将所述目标特征矩阵输入到所述目标神经网络模型中，得到所述目标神经网络模型输出的所述预设未来时段中多个时刻对应的目标发电功率。
3.根据权利要求2所述的方法，其特征在于，所述基于多个所述预报天气数据集合构建目标特征矩阵，包括：
将各所述预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；
将多个所述行特征按照预设顺序垂直方向排列，得到所述目标特征矩阵。
4.根据权利要求2所述的方法，其特征在于，所述基于多个所述预报天气数据集合构建目标特征矩阵，包括：
将各所述预报天气数据集合中多个时刻的预报天气数据按照时间顺序水平方向排列，得到行特征；
将多个所述行特征按照预设顺序垂直方向排列，得到初始特征矩阵；
获取所述预设未来时段前一时刻的发电功率，并根据所述前一时刻的发电功率和所述初始特征矩阵构建所述目标特征矩阵。
5.根据权利要求1所述的方法，其特征在于，所述目标神经网络模型的训练过程包括：
获取样本集合；所述样本集合包括多个训练样本和各所述训练样本对应的标注，所述训练样本为基于多个样本天气数据集合构建的特征矩阵，各所述样本天气数据集合包括多个时刻的样本天气数据，且各所述样本天气数据集合对应一种影响发电功率的因素，所述训练样本对应的标注包括多个时刻的样本发电功率；
从所述样本集合中获取第一预设数量的训练样本，并将所述第一预设数量的训练样本输入到初始神经网络模型中进行训练；
根据所述初始神经网络模型输出的所述第一预设数量的训练结果和各所述训练样本对应的标注对所述初始神经网络模型进行参数调整，得到所述目标神经网络模型。
6.根据权利要求5所述的方法，其特征在于，所述从所述样本集合中获取第一预设数量的训练样本，并将所述第一预设数量的训练样本输入到初始神经网络模型中进行训练，包括：
多次从所述样本集合中获取所述第一预设数量的训练样本；
将多次获取到的所述第一预设数量的训练样本分次输入到所述初始神经网络模型中进行训练。
7.根据权利要求5所述的方法，其特征在于，所述样本集合还包括测试样本和各所述测试样本对应的标注，所述测试样本为基于多个所述样本天气数据集合构建的特征矩阵，所述测试样本对应的标注包括多个时刻的样本发电功率，所述方法还包括：
从所述样本集合中获取第二预设数量的测试样本，并将所述第二预设数量的测试样本输入到所述目标神经网络模型中进行测试，得到所述目标神经网络模型输出的所述第二预设数量的测试结果；
根据所述第二预设数量的测试结果和各所述测试样本对应的标注确定所述目标神经网络模型的预测精度。
8.根据权利要求5-7任一项所述的方法，其特征在于，所述目标神经网络模型为基于长短期记忆人工神经网络构建的5个神经网络层，其中，所述第一神经网络层与第二神经网络层之间的参数舍弃率为0.4，所述第二神经网络层与第三神经网络层之间的参数舍弃率为0.3。
9.一种发电功率预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取预设未来时段的多个预报天气数据集合；各所述预报天气数据集合包括多个时刻的预报天气数据，且各所述预报天气数据集合对应一种影响发电功率的因素；
功率预测模块，用于根据多个所述预报天气数据集合和目标神经网络模型进行功率预测，得到所述预设未来时段中多个时刻对应的目标发电功率。
10.一种计算机设备，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8中任一项所述的方法的步骤。
11.一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8中任一项所述的方法的步骤。
12.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
CN202210251794.3A 2022-03-15 2022-03-15 基于监督学习的时序神经网络新能源出力多步预测方法 Active CN114611799B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210251794.3A CN114611799B (zh) 2022-03-15 2022-03-15 基于监督学习的时序神经网络新能源出力多步预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210251794.3A CN114611799B (zh) 2022-03-15 2022-03-15 基于监督学习的时序神经网络新能源出力多步预测方法

Publications (2)

Publication Number Publication Date
CN114611799A true CN114611799A (zh) 2022-06-10
CN114611799B CN114611799B (zh) 2023-09-19

Family

ID=81862173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210251794.3A Active CN114611799B (zh) 2022-03-15 2022-03-15 基于监督学习的时序神经网络新能源出力多步预测方法

Country Status (1)

Country Link
CN (1) CN114611799B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116316612A (zh) * 2023-05-16 2023-06-23 南方电网数字电网研究院有限公司 自动机器学习的新能源功率云边协同预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701562A (zh) * 2016-01-05 2016-06-22 上海思源弘瑞自动化有限公司 训练方法、所适用的预测发电功率的方法及各自系统
KR101808047B1 (ko) * 2016-08-05 2017-12-14 주식회사 해줌 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버
CN109615131A (zh) * 2018-12-07 2019-04-12 国能日新科技股份有限公司 光伏功率预测方法和装置
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
CN112529282A (zh) * 2020-12-03 2021-03-19 清华大学 基于时空图卷积神经网络的风电场集群短期功率预测方法
WO2021259622A1 (en) * 2020-06-26 2021-12-30 Siemens Gamesa Renewable Energy Innovation & Technology S.L. A method and an apparatus for computer-implemented prediction of power production of one or more wind turbines in a wind farm
CN113919232A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 一种基于循环神经网络的光伏电站功率预测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105701562A (zh) * 2016-01-05 2016-06-22 上海思源弘瑞自动化有限公司 训练方法、所适用的预测发电功率的方法及各自系统
KR101808047B1 (ko) * 2016-08-05 2017-12-14 주식회사 해줌 태양 에너지를 이용하는 발전소의 발전량을 예측하는 방법 및 서버
CN109615131A (zh) * 2018-12-07 2019-04-12 国能日新科技股份有限公司 光伏功率预测方法和装置
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
WO2021259622A1 (en) * 2020-06-26 2021-12-30 Siemens Gamesa Renewable Energy Innovation & Technology S.L. A method and an apparatus for computer-implemented prediction of power production of one or more wind turbines in a wind farm
CN112529282A (zh) * 2020-12-03 2021-03-19 清华大学 基于时空图卷积神经网络的风电场集群短期功率预测方法
CN113919232A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 一种基于循环神经网络的光伏电站功率预测方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KITTIPONG METHAPRAYOON等: "Multistage Artificial Neural Network Short-Term Load Forecasting Engine With Front-End Weather Forecast", 《IEEE TRANSACTIONS ON INDUSTRY APPLICATION》 *
喻志程: "基于神经网络的风力发电功率预测优化算法研究", 《中国优秀硕士论文 工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116316612A (zh) * 2023-05-16 2023-06-23 南方电网数字电网研究院有限公司 自动机器学习的新能源功率云边协同预测方法及系统
CN116316612B (zh) * 2023-05-16 2023-09-15 南方电网数字电网研究院有限公司 自动机器学习的新能源功率云边协同预测方法及系统

Also Published As

Publication number Publication date
CN114611799B (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN110929953A (zh) 基于聚类分析的光伏电站超短期出力预测方法
Omar et al. Day-ahead forecasting for photovoltaic power using artificial neural networks ensembles
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
CN114065653A (zh) 电力负荷预测模型的构建方法与电力负荷预测方法
CN115147012B (zh) 一种基于神经网络模型的碳排放量核算方法及装置
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
CN114676923A (zh) 发电功率的预测方法、装置、计算机设备和存储介质
CN114611799B (zh) 基于监督学习的时序神经网络新能源出力多步预测方法
KR102403035B1 (ko) 상관 계수 기반 계층적 이진 군집화와 군집 인덱스 기반 시계열 예측을 이용한 발전량 예측 방법 및 장치
CN117117819A (zh) 一种光伏发电短期功率预测方法、系统、设备和介质
CN111612648B (zh) 光伏发电预测模型的训练方法、装置和计算机设备
CN116316617B (zh) 多场站智能融合的新能源发电功率区域预测方法和系统
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN115936238B (zh) 一种全域风电中长期出力预测方法、系统、设备及介质
CN109447843B (zh) 一种光伏出力预测方法及装置
CN116845875A (zh) 一种基于woa-bp的短期光伏出力预测方法及装置
CN111697560A (zh) 一种基于lstm预测电力系统负荷的方法及系统
CN113723670B (zh) 变时间窗口的光伏发电功率短期预测方法
CN115907228A (zh) 一种基于pso-lssvm的短期电力负荷预测分析方法
CN112581311B (zh) 一种多风电场聚合后出力长期波动特性预测方法及系统
CN113780644A (zh) 一种基于在线学习的光伏出力预测方法
CN111784535A (zh) 一种基于反馈神经网络的风能直接区间预测方法和装置
Chorozoglou et al. An integrated ml-ops framework for automating ai-based photovoltaic forecasting
Balraj et al. A DNN based LSTM model for predicting future energy consumption
CN113256018B (zh) 一种基于条件分位数回归模型的风电功率超短期概率预测方法

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
GR01 Patent grant
GR01 Patent grant