CN114676923A - 发电功率的预测方法、装置、计算机设备和存储介质 - Google Patents

发电功率的预测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN114676923A
CN114676923A CN202210338291.XA CN202210338291A CN114676923A CN 114676923 A CN114676923 A CN 114676923A CN 202210338291 A CN202210338291 A CN 202210338291A CN 114676923 A CN114676923 A CN 114676923A
Authority
CN
China
Prior art keywords
power
prediction
prediction model
hyper
power prediction
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
Application number
CN202210338291.XA
Other languages
English (en)
Inventor
陈元峰
马溪原
姚森敬
李鹏
张子昊
程凯
周悦
陈炎森
周长城
李卓环
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 CN202210338291.XA priority Critical patent/CN114676923A/zh
Publication of CN114676923A publication Critical patent/CN114676923A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • H02J2203/10—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Power Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开涉及一种发电功率的预测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括：获取与发电功率相关度大于预设边界值的气象特征数据；将所述气象特征数据输入至发电功率预测模型，经所述发电功率预测模型输出预测的发电功率，其中，所述发电功率预测模型被设置为根据样本气象特征数据与发电功率的对应关系训练获得。采用本方法能够提高发电功率预测模型的精度，有利于后续电力系统的调度计划的制定和调整。

Description

发电功率的预测方法、装置、计算机设备和存储介质
技术领域
本公开涉及新能源发电技术领域，特别是涉及一种发电功率的预测方法、装置、计算机设备和存储介质。
背景技术
新能源是一种可再生能源，包括太阳能、生物质能、风能、地热能、波浪能、洋流能和潮汐能等，新能源发电也就是利用上述的新能源，实现发电的过程。
由于新能源发电所依赖的新能源不是稳定持续不变的，所以新能源发电的过程具有随机性和波动性，因此在采用新能源发电技术进行供电时，需要对发电功率进行预测，从而有助于电力系统制定调度计划以及对计划进行及时的调整，保证电力供应的稳定性。
然而，现有技术中通过历史特征数据直接输入功率预测模型得到预测结果，预测精度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提升预测精度的发电功率的预测方法、装置、计算机设备和存储介质。
第一方面，本公开实施例提供了一种发电功率的预测方法。所述方法包括：
获取与发电功率相关度大于预设边界值的气象特征数据；
将所述气象特征数据输入至发电功率预测模型，经所述发电功率预测模型输出预测的发电功率，其中，所述发电功率预测模型被设置为根据样本气象特征数据与发电功率的对应关系训练获得。
在其中一个实施例中，所述预设边界值的确定方式包括：
获取相关度取值区间；
从所述取值区间中分别间隔预设步长取值，得到多个候选边界值；
分别利用与发电功率相关度大于候选边界值的气象特征数据训练发电功率预测模型，得到多个候选发电功率预测模型；
从所述多个候选发电功率预测模型选择精度评分最高的模型对应的边界值作为所述预设边界值。
在其中一个实施例中，所述发电功率预测模型超参数的确定方式，包括：
获取样本气象特征数据的集合、第一超参数的第一取值范围以及第二超参数的第二取值范围，所述集合中包括多个标注有功率标签的样本气象特征数据；
构建多个功率预测模型，所述多个功率预测模型中第一超参数和/或第二超参数不同；
按照交叉验证的方式对所述多个功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个功率预测模型中确定预测精度评分最高的功率预测模型的第一超参数和第二超参数作为所述发电功率预测模型的超参数。
在其中一个实施例中，所述第一取值范围的确定方式，包括：
构建多个第一功率预测模型，所述多个第一功率预测模型对应的第一超参数为第三取值范围内的多个参数值、第二超参数为预设第二超参数；
按照交叉验证的方式对所述多个第一功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个第一功率预测模型中确定预测精度评分最高的第一功率预测模型的第一超参数的预设范围作为第一取值范围。
在其中一个实施例中，所述第二取值范围的确定方式，包括：
构建多个第二功率预测模型，所述多个第二功率预测模型对应的第一超参数为预测精度最高的第一功率预测模型的第一超参数、第二超参数为第四取值范围内的多个参数值；
按照交叉验证的方式对所述多个第二功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个第二功率预测模型中确定预测精度评分最高的第二功率预测模型的第二超参数的预设范围作为第二取值范围。
在其中一个实施例中，所述交叉验证的方式，包括：
将所述集合划分为多个子集合；
依次确定所述多个子集合中的一个子集合作为测试集、剩余的子集合作为训练集，得到多个集合组；
将集合组中的训练集输入至功率预测模型中进行训练，得到中间过程模型；
将所述集合组中的测试集输入至所述中间过程模型中，得到所述集合组中的测试集所对应的预测功率，并计算得到所述集合组对应的对应的预测精度；
将所述多个集合组对应的多个预测精度的平均值确定为所述功率预测模型的预测精度评分。
在其中一个实施例中，所述发电功率预测模型的核函数的确定方式，包括：
获取多个候选功率预测模型，其中，所述多个候选功率预测模型中的核函数的种类不同；
按照交叉验证的方式对所述多个候选功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个候选功率预测模型中确定预测精度评分最高的候选功率预测模型的核函数作为所述发电功率预测模型的核函数。
在其中一个实施例中，所述所述发电功率预测模型被设置为根据样本气象特征数据与发电功率的对应关系训练获得，包括：
获取样本气象特征数据的集合，所述集合中包括多个标注有功率标签的样本气象特征数据；
构建初始功率预测模型，所述初始功率预测模型中设置有训练参数；
将所述样本气象特征数据输入至所述初始功率预测模型，得到输出结果；
基于所述输出结果与标注的功率标签之间的差异，对所述初始功率预测模型进行迭代调整，直至所述差异满足预设要求，得到发电功率预测模型。
在其中一个实施例中，在所述获取与发电功率相关度大于预设边界值的气象特征数据，之后还包括：
通过无监督聚类的方式将气象特征数据划分为多个类别组，所述气象特征数据与发电功率的相关度大于预设边界值；
将所述气象特征数据按照所述多个类别组进行划分。
第二方面，本公开实施例还提供了一种发电功率的预测装置。所述装置包括：
获取模块，用于获取与发电功率相关度大于预设边界值的气象特征数据；
预测模块，用于将所述气象特征数据输入至发电功率预测模型，经所述发电功率预测模型输出预测的发电功率，其中，所述发电功率预测模型被设置为根据样本气象特征数据与发电功率的对应关系训练获得。
第三方面，本公开实施例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本公开实施例中任一项所述的方法的步骤。
第四方面，本公开实施例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本公开实施例中任一项所述的方法的步骤。
第五方面，本公开实施例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本公开实施例中任一项所述的方法的步骤。
本公开实施例，获取与发电功率相关度大于预设边界值的气象特征数据，然后将获取到的气象特征数据输入至发电功率预测模型，经过所述发电功率预测模型输出预测发电功率，且发电功率预测模型为通过样本气象特征数据和发电功率之间的对应关系训练获得；通过设置与发电功率相关度的边界值，能够对气象数据进行筛选，利用筛选后的气象特征数据对预测模型进行训练，从而提高发电功率预测模型的预测精度，有助于电力系统根据预测结果制定调度计划以及对计划进行调整，提高了电力供应的稳定性。
附图说明
图1为一个实施例中发电功率的预测方法的流程示意图；
图2为一个实施例中预设边界值的确定方式的流程示意图；
图3为一个实施例中的交叉验证的预测精度曲线图；
图4为一个实施例中的交叉验证的预测精度曲线图；
图5为一个实施例中的交叉验证的预测精度曲线图；
图6为一个实施例中发电功率的预测方法的流程示意图；
图7为一个实施例中预测模型的预测结果示意图；
图8为一个实施例中预测模型的预测结果示意图；
图9为一个实施例中预测模型的预测结果示意图；
图10为一个实施例中预测模型的预测结果示意图；
图11为一个实施例中的交叉验证的预测精度曲线图；
图12为一个实施例中的交叉验证的预测精度曲线图；
图13为一个实施例中的交叉验证的预测精度曲线图；
图14为一个实施例中预测模型的预测结果示意图；
图15为一个实施例中预测模型的预测结果示意图；
图16为一个实施例中预测模型的预测结果示意图；
图17为一个实施例中预测模型的预测结果示意图；
图18为一个实施例中发电功率的预测装置的结构框图；
图19为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本公开实施例的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开实施例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公开实施例，并不用于限定本公开实施例。
在一个实施例中，如图1所示，提供了一种发电功率的预测方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S110，获取与发电功率相关度大于预设边界值的气象特征数据；
其中，在新能源发电的过程中，由于新能源本身的特性，发电功率会受到多种因素的影响，在一些场景下，如风电和光伏发电时，发电功率受气象影响较大，因此，通常通过发电功率和气象数据之间的关系来对发电功率进行预测。
本公开实施例中，首先获取历史不同时刻的气象特征数据以及历史发电功率，其中，所述不同时刻的气象特征可以包括但不限于总辐照度、散射辐照度、环境温度、风量等。在一个示例中，可以获取历史发电功率数据以及对应的历史数值天气预报数据，其中，数值天气预报是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机做数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象的方法。在获取到不同时刻的气象特征数据和发电功率之后，通过公式(1)计算得到气象特征与发电功率之间的相关度的绝对值，其中，R表示统计时段内，某个气象特征量与发电功率之间的相关度绝对值；Tk表示某个气象特征量在k时刻的气象数值，
Figure BDA0003577482780000051
表示在统计时段内，气象特征量的平均值；Pk表示在k时刻的新能源发电功率值，
Figure BDA0003577482780000052
表示在统计时段内发电功率平均值，n为发电期间时刻数。
Figure BDA0003577482780000061
在计算得到气象特征和发电功率之间的相关度的绝对值后，设置一个边界值，确定相关度的绝对值大于预设边界值的气象特征作为预测发电功率所需要的气象特征，舍去相关度的绝对值小于预设边界值的气象特征。当需要进行发电功率的预测时，获取与需要预测的发电功率时段相关联的相关度的绝对值大于预设边界值的气象特征数据。在一个示例中，所述预设边界值的计算可以为根据边界值和预测精度评分之间的关系计算得到，从而使得根据预设边界值对应的气象特征数据训练得到的预测模型的精度最大。其中，气象特征可以包括但不限于温度、湿度、气压、辐照值、风速等。
步骤S120，将所述气象特征数据输入至发电功率预测模型，经所述发电功率预测模型输出预测的发电功率，其中，所述发电功率预测模型被设置为根据样本气象特征数据与发电功率的对应关系训练获得。
本公开实施例中，在获取到所需要的气象特征数据之后，将气象特征数据输入到发电功率预测模型中，经过所述发电功率预测模型输出预测的发电功率。所述发电功率预测模型为实现通过样本气象特征数据与发电功率的对应关系训练获得，其中，所述样本气象特征数据为计算得到相关度的绝对值大于预设边界值的气象特征对应的气象特征数据。在一个示例中，不同的预测时段长度对应有不同的预测模型和气象特征数据，如短期预测和超短期预测对应有不同的预测模型和所需的气象特征数据。在另一个示例中，所述发电功率预测模型可以为SVM模型。
本公开实施例，获取与发电功率相关度大于预设边界值的气象特征数据，然后将获取到的气象特征数据输入至发电功率预测模型，经过所述发电功率预测模型输出预测发电功率，且发电功率预测模型为通过样本气象特征数据和发电功率之间的对应关系训练获得；通过设置与发电功率相关度的边界值，能够对气象数据进行筛选，利用筛选后的气象特征数据对预测模型进行训练，从而提高发电功率预测模型的预测精度，有助于电力系统根据预测结果制定调度计划以及对计划进行调整，提高了电力供应的稳定性。
在一个实施例中，如图2所示，所述预设边界值的确定方式包括：
步骤S210，获取相关度取值区间；
步骤S220，从所述取值区间中分别间隔预设步长取值，得到多个候选边界值；
步骤S230，分别利用与发电功率相关度大于候选边界值的气象特征数据训练发电功率预测模型，得到多个候选发电功率预测模型；
步骤S240，从所述多个候选发电功率预测模型选择精度评分最高的模型对应的边界值作为所述预设边界值。
本公开实施例中，在确定相关度的预设边界值时，首先确定相关度的取值区间，由于本公开实施例中，相关度是以绝对值的方式表示的，所以相关度的取值范围为0到1。在这个取值范围区间中按照预设的步长进行取值得到多个候选的边界值，其中，预设步长可以为根据实际场景选择的一个较为合适的步长值。分别将这多个候选的边界值作为边界值确定多组气象特征数据，根据所述多组气象特征数据与发电功率之间的关系训练功率预测模型，得到多个训练好的候选功率发电预测模型，对所述多个训练好的候选功率发电预测模型进行精度验证，确定精度评分最高的模型对应的边界值作为预设边界值，通常情况下，精度评分越高的模型，精度也就越高。在一个示例中，精度验证的方法可以为通过验证集进行验证，也可以为通过交叉验证的方式得到预测模型的模型精度评分，进行模型的精度测试。在一个示例中，所述预设的步长可以设置为0.01。
本公开实施例，通过在相关度的取值范围中按照预设的步长确定多个候选的边界值，根据所述多个候选的边界值选择对应的气象特征数据进行模型的训练，将精度评分最高的训练模型对应的边界值作为预设的边界值，从而能够寻找到最优的边界值，筛选出最佳的气象特征，提高了功率预测模型的准确性，有利于后续发电功率的预测以及电力系统的调度计划的制定和调整。
在一个实施例中，所述发电功率预测模型超参数的确定方式，包括：
获取样本气象特征数据的集合、第一超参数的第一取值范围以及第二超参数的第二取值范围，所述集合中包括多个标注有功率标签的样本气象特征数据；
构建多个功率预测模型，所述多个功率预测模型中第一超参数和/或第二超参数不同；
按照交叉验证的方式对所述多个功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个功率预测模型中确定预测精度评分最高的功率预测模型的第一超参数和第二超参数作为所述发电功率预测模型的超参数。
本公开实施例中，在构建发电功率预测模型时，首先需要确定发电功率模型的超参数，其中，发电功率模型的超参数可以为一个，也可以为多个。获取样本气象特征数据的集合，其中，所述集合中包括有多个标注有功率标签的样本气象特征数据；获取第一超参数对应的第一取值范围和第二超参数的第二取值范围，其中，所述第一取值范围和所述第二取值范围的设置方式可以包括但不限于根据实际场景按照经验进行设置或通过超参数的不同取值下的预测模型的精度进行设置。根据所述第一取值范围和第二取值范围确定多个功率预测模型，其中，多个功率预测模型的第一超参数和/或第二超参数不同，第一超参数为从第一取值范围中获取的参数值，第二超参数为从第二取值范围中获取的参数值。在一个示例中，在第一取值范围中按照预设的步长确定多个候选第一超参数，在第二取值范围中按照预设的步长确定多个候选第二超参数，对所述多个候选第一超参数和多个候选第二超参数进行不重复的排列组合构建多个功率预测模型，所述多个功率预测模型的第一超参数和/或第二超参数不同。得到多个功率预测模型之后，根据事先获取的样本气象特征数据的集合按照交叉验证的方式得到多个功率预测模型对应的多个预测精度评分，将预测精度评分最高的功率预测模型对应的第一超参数和第二超参数确定为发电功率预测模型的超参数，其中，预测精度通常为根据预测结果和实际结果得到的预测准确度。在一个示例中，模型精度评分越高，模型的预测精度越高。在一个示例中，所述功率预测模型可以为SVM预测模型，用高斯核函数作为罚函数，第一超参数可以为惩罚因子，第二超参数可以为核函数的核系数，通过本公开实施例可以确定高斯核函数下的精度最高的预测模型对应的惩罚因子和核函数的取值。
本公开实施例，通过确定不同取值下的第一超参数和第二超参数的模型的预测精度，得到不同超参数下的预测模型的预测性能，确定预测精度评分最高的预测模型的第一超参数和第二超参数作为预测模型的参数，提高了最终的预测模型的预测结果的准确性，保证了预测结果的精度。
图3是根据一示例性实施例示出的一种超参数优化的交叉验证的预测精度曲线的示意图，参考图3所示，横坐标表示核函数的核系数，纵坐标表示模型的模型精度评分，每一条曲线代表了不同惩罚因子C下的模型精度评分与核系数之间的关系。由于事先获取的惩罚因子的局部最优取值为3，核系数的局部最优取值为0.0013，因此，设置惩罚因子的参数优化范围为[2，5]，步长为0.1；核系数的参数优化范围为[0.0001，0.002]，步长为0.0001，最终最大的精度为86.45％，对应的惩罚因子取值为4.9，核系数取值为0.0003，即最佳惩罚因子和核系数的取值。其中，本示例中的惩罚因子和核系数的优化范围为通过交叉验证的方式得到。
在一个实施例中，所述第一取值范围的确定方式，包括：
构建多个第一功率预测模型，所述多个第一功率预测模型对应的第一超参数为第三取值范围内的多个参数值、第二超参数为预设第二超参数；
按照交叉验证的方式对所述多个第一功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个第一功率预测模型中确定预测精度评分最高的第一功率预测模型的第一超参数的预设范围作为第一取值范围。
本公开实施例中，在确定第一超参数的第一取值范围时，首先构建多个第一功率预测模型，其中所述多个第一功率预测模型的对应的第一超参数为第三取值范围内的多个参数值、对应的第二超参数为预先设置的一个固定参数值，其中，所述第二超参数可以为根据实际场景选择的一个参数值。在一个示例中，所述第三取值范围可以为根据实际场景和需求选择的一个合适的取值范围，多个参数值可以为在第三取值范围中按照预设的步长间隔取值得到的多个第一超参数值。得到多个第一功率预测模型之后，根据事先获取的样本气象特征数据的集合按照交叉验证的方式得到多个第一功率预测模型对应的多个预测精度评分，将预测精度评分最高的第一功率预测模型对应的第一超参数的预设范围确定为第一取值范围，其中，预设范围的最小值可以为对应的第一超参数减去一个预设值，最大值可以为对应的第一超参数加上一个预设值，预测精度通常为根据预测结果和实际结果得到的预测准确度。在一个示例中，模型精度评分越高，模型的预测精度越高。
本公开实施例，首先固定第二超参数的值，按照多个在第三取值范围内的第一超参数的值确定多个第一功率预测模型，并按照交叉验证的方式确定多个第一功率预测模型对应的精度评分，确定精度评分最高的模型对应的第一超参数的预设范围为第一取值范围，能够实现确定第一超参数的最优值，从而能够根据第一超参数的最优值优化其余的超参数，有助于后续联合寻求全局最优值，提高预测模型的精度。
图4是根据一示例性实施例示出的一种超参数优化的预测精度曲线的示意图，参考图4所示，横坐标表示惩罚因子的取值，纵坐标表示模型的模型精度评分。根据实际场景需求设置惩罚因子的参数优化范围为[0.1，4]，步长为0.1；核系数固定为0.001，核函数为高斯核函数，最终最大的精度对应的惩罚因子取值为3，即惩罚因子局部最佳取值为3。
在一个实施例中，所述第二取值范围的确定方式，包括：
构建多个第二功率预测模型，所述多个第二功率预测模型对应的第一超参数为预测精度最高的第一功率预测模型的第一超参数、第二超参数为第四取值范围内的多个参数值；
按照交叉验证的方式对所述多个第二功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个第二功率预测模型中确定预测精度评分最高的第二功率预测模型的第二超参数的预设范围作为第二取值范围。
本公开实施例中，在确定第二超参数的第二取值范围时，首先构建多个第二功率预测模型，其中所述多个第二功率预测模型的对应的第一超参数为预测精度最高的第一功率预测模型的第一超参数、对应的第二超参数为第四取值范围内的多个参数值。在一个示例中，所述第四取值范围可以为根据实际场景和需求选择的一个合适的取值范围，多个参数值可以为在第四取值范围中按照预设的步长间隔取值得到的多个第二超参数值。得到多个第二功率预测模型之后，根据事先获取的样本气象特征数据的集合按照交叉验证的方式得到多个第二功率预测模型对应的多个预测精度评分，将预测精度评分最高的第二功率预测模型对应的第二超参数的预设范围确定为第二取值范围，其中，预设范围的最小值可以为对应的第二超参数减去一个预设值，最大值可以为对应的第二超参数加上一个预设值，预测精度通常为根据预测结果和实际结果得到的预测准确度。在一个示例中，模型精度评分越高，模型的预测精度越高。
本公开实施例，固定第一超参数为通过多个第一功率预测模型得到的最优的第一超参数，按照多个在第四取值范围内的第二超参数的值确定多个第二功率预测模型，并按照交叉验证的方式得到多个第二功率预测模型对应的精度评分，确定精度评分最高的模型对应的第二超参数的预设范围为第二取值范围，能够在第一超参数最优的基础上实现对第二超参数的优化，有助于后续联合寻求全局最优值，提高预测模型的精度。
图5是根据一示例性实施例示出的一种超参数优化的预测精度曲线的示意图，参考图5所示，横坐标表示核系数的取值，纵坐标表示模型的模型精度评分。设置惩罚因子取值为局部最优值3；根据实际场景需求核系数取值设置为(0.0005,0.0025)，步长为0.0001，核函数为高斯核函数，最终最大的精度对应的核系数取值为0.0013，即核系数局部最佳取值为0.0013。
在一个实施例中，所述交叉验证的方式，包括：
将所述集合划分为多个子集合；
依次确定所述多个子集合中的一个子集合作为测试集、剩余的子集合作为训练集，得到多个集合组；
将集合组中的训练集输入至功率预测模型中进行训练，得到中间过程模型；
将所述集合组中的测试集输入至所述中间过程模型中，得到所述集合组中的测试集所对应的预测功率，并计算得到所述集合组对应的对应的预测精度；
将所述多个集合组对应的多个预测精度的平均值确定为所述功率预测模型的预测精度评分。
本公开实施例中，在对预测模型进行交叉验证时，首先将获取到的样本气象特征数据集合划分为多个子集合，依次将所述多个子集合中的一个子集合作为测试集，用于测试预测模型的预测精度，剩余的子集合作为训练集，用于对预测模型进行训练，能够划分得到与子集合数量相同的多个集合组。将所述多个集合组中的训练集依次输入至构建的功率预测模型中，根据输出的结果对功率预测模型进行迭代调整，直到输出的结果和集合中的功率标签的差异满足需求，得到多个集合组对应的多个中间过程模型。分别将多个集合组中的测试集输入至对应的中间过程模型，得到多个集合组中的测试集对应的预测精度，取所述多个预测精度的平均值作为该功率预测模型的预测精度评分。在一个示例中，本公开实施例采取的k折交叉验证方法的基本思路为：第一步，不重复地将原训练集随机分为k份；第二步，挑选其中1份作为验证集，剩余k-1份作为训练集用于模型训练，在训练集上训练后得到一个模型，用这个模型在验证集上测试，保存模型的评估指标；第三步，重复第二步k次(确保每个子集都有一次机会作为验证集)；第四步，计算k组测试指标的平均值作为模型精度的估计，并作为当前k折交叉验证下模型的性能指标。通常情况下，k一般取10；当原训练集较小时，k可以大一点，这样训练集占整体比例就不至于太小，但训练的模型个数也随之增多；原训练集较大时，k可以小一点。
本公开实施例，通过交叉验证的方式根据样本集合能够确定预测模型的预测精度评分，从而能够有效地确定预测模型的性能，有助于预测模型的各个参数的确定，筛选得到最为精确的预测模型，提高后续预测模型预测发电功率的精度。
在一个实施例中，所述发电功率预测模型的核函数的确定方式，包括：
获取多个候选功率预测模型，其中，所述多个候选功率预测模型中的核函数的种类不同；
按照交叉验证的方式对所述多个候选功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个候选功率预测模型中确定预测精度评分最高的候选功率预测模型的核函数作为所述发电功率预测模型的核函数。
本公开实施例中，发电功率预测模型可以为包括核函数的预测模型，此时，不同的核函数构建的预测模型的性能也并不相同，即不同的核函数对应的预测模型的预测精度也不同，因此，需要确定最佳的核函数。将不同的核函数作为预测模型的核函数，得到多个候选功率预测模型，根据事先获取的样本气象特征数据的集合按照交叉验证的方式得到多个候选功率预测模型对应的多个预测精度评分，将预测精度评分最高的候选功率预测模型对应的核函数确定为发电功率预测模型的核函数。在一个示例中，每个核函数还可以对应有多个不同边界值不同超参数的预测模型，从而能够确定每个核函数下最佳超参数和最佳边界值对应的预测精度评分，确定最高的精度评分对应的核函数为最终预测模型的核函数。其中，所述核函数可以包括但不限于线性核函数、高斯径向基核函数、多项式核函数、神经元的非线性作用核函数。
本公开实施例，通过设置不同的核函数得到多个不同的预测模型，并按照交叉验证的方式得到多个候选功率预测模型对应的精度评分，确定精度评分最高的模型对应的核函数为发电功率预测模型的核函数，能够确定最优的核函数，提高预测模型的精度。
在一个实施例中，所述所述发电功率预测模型被设置为根据样本气象特征数据与发电功率的对应关系训练获得，包括：
获取样本气象特征数据的集合，所述集合中包括多个标注有功率标签的样本气象特征数据；
构建初始功率预测模型，所述初始功率预测模型中设置有训练参数；
将所述样本气象特征数据输入至所述初始功率预测模型，得到输出结果；
基于所述输出结果与标注的功率标签之间的差异，对所述初始功率预测模型进行迭代调整，直至所述差异满足预设要求，得到发电功率预测模型。
本公开实施例，在确定发电功率预测模型时，首先获取样本气象特征数据的集合，样本气象特征数据的集合通常为事先准备的包含样本气象特征的集合，样本气象特征数据均标注有对应的功率标签，该功率标签通常为实际运行过程中的发电功率。构建发电功率预测的初始模型，所述初始模型中设置有初始训练参数。将样本气象特征数据输入至初始模型之后，会输出初始结果，将初始结果和样本气象特征数据对应的发电功率标签进行对比，根据初始结果和发电功率标签之间的差异对初始模型之间的初始训练参数进行调整。按照上述的步骤进行多次迭代调整，直到调整后的预测模型输出的发电功率与发电功率标签之间的差异满足预设的要求，确定此时的预测模型为发电功率预测模型，其中，预设的要求可以为根据实际场景设定的在发电功率标签的一个较小的范围，当预测结果在发电功率标签的一个较小的范围内时，可以认为此时的预测结果是较为准确的。
本公开实施例，构建初始的发电功率预测模型，通过样本气象特征数据和发电功率标签对所述初始的发电功率预测模型进行训练，从而能够得到发电功率预测模型，有助于电力系统根据预测结果进行调度计划的制定和调整。
在一个实施例中，在所述获取与发电功率相关度大于预设边界值的气象特征数据，之后还包括：
通过无监督聚类的方式将气象特征数据划分为多个类别组，所述气象特征数据与发电功率的相关度大于预设边界值；
将所述气象特征数据按照所述多个类别组进行划分。
本公开实施例中，通过无监督聚类的方式对气象特征进行划分，划分的到多组气象特征，每个组可以被看做是一个气象特征的类别。将获取到的气象特征数据按照划分的类别组划分到多个类别组。在一个示例中，首先选择簇的数量(与K-Means类似)并随机初始化每个簇的高斯分布参数(均值和方差)，也可以先观察数据给出一个相对精确的均值和方差；给定每个簇的高斯分布，计算每个数据点属于每个簇的概率，一个点越靠近高斯分布的中心就越可能属于该簇；基于这些概率计算高斯分布参数使得数据点的概率最大化，可以使用数据点概率的加权来计算这些新的参数，权重就是数据点属于该簇的概率；重复迭代直到在迭代中的变化不大。本实施例中，气象特征量作为无监督聚类的特征量，比如：S＝(TEM_meter、WD)，S为无监督聚类后的一个簇，TEM_meter表示10米、100米温度，WD表示风向。
本公开实施例，通过无监督聚类的方式将气象特征划分为多个类别组，对气象特征聚类以后，可将气象特征分为多类，每一类的属性基本一致，在进行预测模型的训练时，通过对同类气象特征进行训练，能够提高模型的预测精度；同时，在预测的过程中，基于同类的气象特征进行预测，也能够提高预测模型的预测精度。
图6是根据一示例性实施例示出的一种发电功率的预测方法的流程示意图，参考图6所示，在获取目标区域新能源历史运行功率数据和历史数值天气预报NWP数据以后，利用公式(1)计算不同时刻数值天气预报气象特征与功率之间的相关系数，研究气象特征与新能源发电功率的时间相关度。依次设定的气象特征与功率相关度系数边界值r，选取公式(1)中计算的特征值大于r的特征量作为预测的输入气象特征量。通过无监督聚类的方式对气象特征量进行分类之后，进行SVM训练模型的核函数选定，其中，核函数可以包括但不限于线性核函数LINEAR、高斯径向基核函数RBF、多项式核函数POLY、神经元的非线性作用核函数Sigmoid；依次选定上述核函数，基于历史数值天气预报数据和功率数据的聚类后的结果，利用K-CV(K折交叉验证)方法对SVM模型参数进行优化，包括惩罚因子C、核函数的核系数gamma。将历史的数值天气预报NWP数据和新能源发电功率数据作为算例，计算发电功率预测结果和预测精度评分，得到相关度系数边界值下不同核函数和不同模型参数对应的预测模型的预测精度评分。遍历所设定的气象特征与功率相关度边界所有的值，并重复核函数的选定和超参数的确定；将预测精度评分最高的SVM预测模型和相关度系数边界值对应的数值天气预报特征量作为该新能源场站的预测模型和数值天气预报特征量。对最终得到的预测模型的预测结果和预测精度进行计算，得到该新能源场站的发电功率预测模型的预测精度。
在一个示例中，某风电发电厂的发电功率的短期预测中，参数优化前，惩罚系数C为0.5，罚函数为'rbf'，罚函数带宽gamma＝0.001。训练集数据为：分别求NWP特征量和功率之间的相关度，在相关度的预设范围内依次选取多个边界值计算对应的模型的预测精度评分，得到模型的预测精度评分最高时对应的相关度系数边界值为0.2，所以设相关度系数边界值为0.2，相关度大于0.2的选为特征量：TEM_meter、WD，共2个。地点：A市某风电场；时间：2020/7/1 8:00:00——2021/8/7 7:45:00，共计400天数据；每一测试时间步长：15min；数据量：115200个时刻数据训练。测试集数据与训练集气象特征量一致，地点：A市某风电场；时间：2021/8/5 8:00:00——2021/12/15 7:45:00，共计130天数据；每一测试时间步长：15min；数据量：37440个时刻数据训练。预测结果如图7所示，浅色曲线表示真实发电功率，深色曲线表示预测结果，纵坐标为功率，单位为kW，计算可得预测精度为83.37％。
参数优化后，惩罚系数C为4.9，罚函数为'rbf'，罚函数带宽gamma＝0.0003。训练集和测试集保持不变，预测结果如图8所示，浅色曲线表示真实发电功率，深色曲线表示预测结果，纵坐标为功率，单位为kW，预测精度为83.63％。
在一个示例中，某风电发电厂的发电功率的超短期预测中，参数优化前，惩罚系数C为0.5，罚函数为'rbf'，罚函数带宽gamma＝0.001。训练集数据为：分别求NWP特征量和功率之间的相关度，在相关度的预设范围内依次选取多个边界值计算对应的模型的预测精度评分，得到模型的预测精度评分最高时对应的相关度系数边界值为0.2，设相关度系数边界值0.2。相关度大于0.2的选为特征量：TEM_meter、WD，共2个。地点：A市某风电场；时间：2020/7/1 8:00:00——2021/8/7 7:45:00，共计400天数据；每一测试时间步长：15min；数据量：115200个时刻数据训练。测试集数据所选取的气象特征量与训练集一致，相关度大于0.2的选为特征量：TEM_meter、WD，共2个。地点：A市某风电场；时间：2021/8/5 8:00:00——2021/12/15 7:45:00；130天数据；每一测试时间步长：15min；数据量：37440个时刻数据训练。预测结果如图9所示，浅色曲线表示真实发电功率，深色曲线表示预测结果，纵坐标为功率，单位为kW，预测精度为91.64％。参数优化后的预测结果如图10所示，浅色曲线表示真实发电功率，深色曲线表示预测结果，纵坐标为功率，单位为kW，预测精度为91.75％。
在一个示例中，某光伏发电厂的预测模型的参数优化过程中，如图11所示，对惩罚因子进行优化，得到局部最优惩罚因子为13.3，在惩罚因子的基础上对核系数进行优化，如图12所示，得到核系数的局部最优为0.00002，最后联合寻优，如图13所示，得到模型精度评分最大值对应的核系数为0.00003，惩罚因子为13.6，即最优超参数。
某光伏发电厂的短期预测中，参数优化前，惩罚系数C为0.5，罚函数为'rbf'，罚函数带宽gamma＝0.001。训练集数据为：在相关度的预设范围内依次选取多个边界值计算对应的模型的预测精度评分，得到模型的预测精度评分最高时对应的相关度系数边界值为0.3，边界设为0.3。得到NWP数据特征量：RHU_hpa_200(200Pa相对湿度)、RHU_meter(100米相对湿度)、SR(总辐射)、SWDDIF(散射辐射)，共计4个特征量；地点：A市某光伏电站；时间：2020/7/1 8:00:00-2021/8/7 7:45:00；，共计400天数据。每天8点起报，每次3天数据；只取第一天的预报数据作为训练；每一测试时间步长：15min；数据量：115200条数据。测试集数据为：气象特征量选取与训练集一致；地点：A市某光伏电站；时间：2021/8/5 8:00:00-2021/12/15 7:45:00，共计130天数据。每天8点起报，每次3天数据；每一测试时间步长：15min；数据量：12480条数据。测试结果如图14所示，浅色曲线表示真实发电功率，深色曲线表示预测结果，纵坐标为功率，单位为kW，预测精度为87.77％；参数优化后的预测结果如图15所示，浅色曲线表示真实发电功率，深色曲线表示预测结果，纵坐标为功率，单位为kW，预测精度为87.85％。
某光伏发电厂的超短期预测中，参数优化前，惩罚系数C为0.5，罚函数为'rbf'，罚函数带宽gamma＝0.001。训练集数据为：在相关度的预设范围内依次选取多个边界值计算对应的模型的预测精度评分，得到模型的预测精度评分最高时对应的相关度系数边界值为0.3，相关度系数边界值设为0.3。得到NWP数据特征量：RHU_hpa_200(200Pa相对湿度)、RHU_meter(100米相对湿度)、SR(总辐射)、SWDDIF(散射辐射)，共计4个特征量；地点：A市某光伏电站；时间：2020/7/1 8:00:00-2021/8/7 7:45:00；共计400天数据。每天8点起报，每次3天数据；只取第一天的预报数据作为训练；每一测试时间步长：15min；数据量：115200条数据。测试集数据为：气象特征量选取与训练集一致；地点：A市某光伏电站；时间：2021/8/5 8:00:00-2021/12/15 7:45:00；共计130天数据。每天8点起报，每次3天数据；每一测试时间步长：15min；数据量：12480条数据。测试结果如图16所示，浅色曲线表示真实发电功率，深色曲线表示预测结果，纵坐标为功率，单位为kW，预测精度为91.56％；参数优化后的预测结果如图17所示，浅色曲线表示真实发电功率，深色曲线表示预测结果，纵坐标为功率，单位为kW，预测精度为91.73％。
本公开实施例，当预测模型为SVM模型时，在对模型的惩罚因子和核系数进行交叉验证联合寻优后，优化后的模型预测精度均大于优化前的预测模型，通过对模型的参数进行交叉验证的优化，提高了预测模型的预测精度，有助于电力系统的调度计划的制定和调整。
应该理解的是，虽然附图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，附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，本公开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的预测装置。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的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的预测方法的限定，在此不再赘述。
在一个实施例中，如图18所示，提供了一种发电功率的预测装置，包括：
获取模块，用于获取与发电功率相关度大于预设边界值的气象特征数据；
预测模块，用于将所述气象特征数据输入至发电功率预测模型，经所述发电功率预测模型输出预测的发电功率，其中，所述发电功率预测模型被设置为根据样本气象特征数据与发电功率的对应关系训练获得。
在一个实施例中，所述预设边界值的确定模块包括：
获取模块，用于获取相关度取值区间；
取值模块，用于从所述取值区间中分别间隔预设步长取值，得到多个候选边界值；
训练模块，用于分别利用与发电功率相关度大于候选边界值的气象特征数据训练发电功率预测模型，得到多个候选发电功率预测模型；
选择模块，用于从所述多个候选发电功率预测模型选择精度评分最高的模型对应的边界值作为所述预设边界值。
在一个实施例中，所述发电功率预测模型超参数的确定模块，包括：
获取模块，用于获取样本气象特征数据的集合、第一超参数的第一取值范围以及第二超参数的第二取值范围，所述集合中包括多个标注有功率标签的样本气象特征数据；
构建模块，用于构建多个功率预测模型，所述多个功率预测模型中第一超参数和/或第二超参数不同；
测试模块，用于按照交叉验证的方式对所述多个功率预测模型的精度进行测试，得到多个预测精度评分；
确定模块，用于从所述多个功率预测模型中确定预测精度评分最高的功率预测模型的第一超参数和第二超参数作为所述发电功率预测模型的超参数。
在一个实施例中，所述第一取值范围的确定模块，包括：
构建模块，用于构建多个第一功率预测模型，所述多个第一功率预测模型对应的第一超参数为第三取值范围内的多个参数值、第二超参数为预设第二超参数；
测试模块，用于按照交叉验证的方式对所述多个第一功率预测模型的精度进行测试，得到多个预测精度评分；
确定模块，用于从所述多个第一功率预测模型中确定预测精度评分最高的第一功率预测模型的第一超参数的预设范围作为第一取值范围。
在一个实施例中，所述第二取值范围的确定模块，包括：
构建模块，用于构建多个第二功率预测模型，所述多个第二功率预测模型对应的第一超参数为预测精度最高的第一功率预测模型的第一超参数、第二超参数为第四取值范围内的多个参数值；
测试模块，用于按照交叉验证的方式对所述多个第二功率预测模型的精度进行测试，得到多个预测精度评分；
确定模块，用于从所述多个第二功率预测模型中确定预测精度评分最高的第二功率预测模型的第二超参数的预设范围作为第二取值范围。
在一个实施例中，所述交叉验证的模块，包括：
划分模块，用于将所述集合划分为多个子集合；
第一确定模块，用于依次确定所述多个子集合中的一个子集合作为测试集、剩余的子集合作为训练集，得到多个集合组；
第一输入模块，用于将集合组中的训练集输入至功率预测模型中进行训练，得到中间过程模型；
第二输入模块，用于将所述集合组中的测试集输入至所述中间过程模型中，得到所述集合组中的测试集所对应的预测功率，并计算得到所述集合组对应的预测精度评分；
第二确定模块，用于将所述多个集合组对应的多个预测精度的平均值确定为所述功率预测模型的预测精度评分。
在一个实施例中，所述发电功率预测模型的核函数的确定模块，包括：
获取模块，用于获取多个候选功率预测模型，其中，所述多个候选功率预测模型中的核函数的种类不同；
测试模块，用于按照交叉验证的方式对所述多个候选功率预测模型的精度进行测试，得到多个预测精度评分；
确定模块，用于从所述多个候选功率预测模型中确定预测精度评分最高的候选功率预测模型的核函数作为所述发电功率预测模型的核函数。
在一个实施例中，所述预测模块，包括：
获取模块，用于获取样本气象特征数据的集合，所述集合中包括多个标注有功率标签的样本气象特征数据；
构建模块，用于构建初始功率预测模型，所述初始功率预测模型中设置有训练参数；
输入模块，用于将所述样本气象特征数据输入至所述初始功率预测模型，得到输出结果；
调整模块，用于基于所述输出结果与标注的功率标签之间的差异，对所述初始功率预测模型进行迭代调整，直至所述差异满足预设要求，得到发电功率预测模型。
在一个实施例中，在所述获取模块，之后还包括：
聚类模块，用于通过无监督聚类的方式将气象特征数据划分为多个类别组，所述气象特征数据与发电功率的相关度大于预设边界值；
划分模块，用于将所述气象特征数据按照所述多个类别组进行划分。
上述发电功率的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19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、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气象特征数据和发电功率等数据。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的预测方法。
本领域技术人员可以理解，图19中示出的结构，仅仅是与本公开实施例方案相关的部分结构的框图，并不构成对本公开实施例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，其上存储有计算机程序，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。
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上述各方法实施例中的步骤。
需要说明的是，本公开实施例所涉及的用户信息(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，本公开实施例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-Only Memory，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。本公开实施例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。本公开实施例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公开实施例的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本公开实施例专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本公开实施例构思的前提下，还可以做出若干变形和改进，这些都属于本公开实施例的保护范围。因此，本公开实施例的保护范围应以所附权利要求为准。

Claims (10)

1.一种发电功率的预测方法，其特征在于，所述方法包括：
获取与发电功率相关度大于预设边界值的气象特征数据；
将所述气象特征数据输入至发电功率预测模型，经所述发电功率预测模型输出预测的发电功率，其中，所述发电功率预测模型被设置为根据样本气象特征数据与发电功率的对应关系训练获得。
2.根据权利要求1所述的方法，其特征在于，所述预设边界值的确定方式包括：
获取相关度取值区间；
从所述取值区间中分别间隔预设步长取值，得到多个候选边界值；
分别利用与发电功率相关度大于候选边界值的气象特征数据训练发电功率预测模型，得到多个候选发电功率预测模型；
从所述多个候选发电功率预测模型选择精度评分最高的模型对应的边界值作为所述预设边界值。
3.根据权利要求1所述的方法，其特征在于，所述发电功率预测模型超参数的确定方式，包括：
获取样本气象特征数据的集合、第一超参数的第一取值范围以及第二超参数的第二取值范围，所述集合中包括多个标注有功率标签的样本气象特征数据；
构建多个功率预测模型，所述多个功率预测模型中第一超参数和/或第二超参数不同；
按照交叉验证的方式对所述多个功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个功率预测模型中确定预测精度评分最高的功率预测模型的第一超参数和第二超参数作为所述发电功率预测模型的超参数。
4.根据权利要求3所述的方法，其特征在于，所述第一取值范围的确定方式，包括：
构建多个第一功率预测模型，所述多个第一功率预测模型对应的第一超参数为第三取值范围内的多个参数值、第二超参数为预设第二超参数；
按照交叉验证的方式对所述多个第一功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个第一功率预测模型中确定预测精度评分最高的第一功率预测模型的第一超参数的预设范围作为第一取值范围。
5.根据权利要求4所述的方法，其特征在于，所述第二取值范围的确定方式，包括：
构建多个第二功率预测模型，所述多个第二功率预测模型对应的第一超参数为预测精度最高的第一功率预测模型的第一超参数、第二超参数为第四取值范围内的多个参数值；
按照交叉验证的方式对所述多个第二功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个第二功率预测模型中确定预测精度评分最高的第二功率预测模型的第二超参数的预设范围作为第二取值范围。
6.根据权利要求3至5中任一项所述的方法，其特征在于，所述交叉验证的方式，包括：
将所述集合划分为多个子集合；
依次确定所述多个子集合中的一个子集合作为测试集、剩余的子集合作为训练集，得到多个集合组；
将集合组中的训练集输入至功率预测模型中进行训练，得到中间过程模型；
将所述集合组中的测试集输入至所述中间过程模型中，得到所述集合组中的测试集所对应的预测功率，并计算得到所述集合组对应的对应的预测精度；
将所述多个集合组对应的多个预测精度的平均值确定为所述功率预测模型的预测精度评分。
7.根据权利要求1所述的方法，其特征在于，所述发电功率预测模型的核函数的确定方式，包括：
获取多个候选功率预测模型，其中，所述多个候选功率预测模型中的核函数的种类不同；
按照交叉验证的方式对所述多个候选功率预测模型的精度进行测试，得到多个预测精度评分；
从所述多个候选功率预测模型中确定预测精度评分最高的候选功率预测模型的核函数作为所述发电功率预测模型的核函数。
8.根据权利要求1所述的方法，其特征在于，所述所述发电功率预测模型被设置为根据样本气象特征数据与发电功率的对应关系训练获得，包括：
获取样本气象特征数据的集合，所述集合中包括多个标注有功率标签的样本气象特征数据；
构建初始功率预测模型，所述初始功率预测模型中设置有训练参数；
将所述样本气象特征数据输入至所述初始功率预测模型，得到输出结果；
基于所述输出结果与标注的功率标签之间的差异，对所述初始功率预测模型进行迭代调整，直至所述差异满足预设要求，得到发电功率预测模型。
9.一种发电功率的预测装置，其特征在于，所述装置包括：
获取模块，用于获取与发电功率相关度大于预设边界值的气象特征数据；
预测模块，用于将所述气象特征数据输入至发电功率预测模型，经所述发电功率预测模型输出预测的发电功率，其中，所述发电功率预测模型被设置为根据样本气象特征数据与发电功率的对应关系训练获得。
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中任一项所述的发电功率的预测方法的步骤。
CN202210338291.XA 2022-04-01 2022-04-01 发电功率的预测方法、装置、计算机设备和存储介质 Pending CN114676923A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210338291.XA CN114676923A (zh) 2022-04-01 2022-04-01 发电功率的预测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210338291.XA CN114676923A (zh) 2022-04-01 2022-04-01 发电功率的预测方法、装置、计算机设备和存储介质

Publications (1)

Publication Number Publication Date
CN114676923A true CN114676923A (zh) 2022-06-28

Family

ID=82076282

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210338291.XA Pending CN114676923A (zh) 2022-04-01 2022-04-01 发电功率的预测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN114676923A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113267A (zh) * 2023-10-25 2023-11-24 杭州海兴泽科信息技术有限公司 基于大数据的预测模型训练方法、光伏发电性能检测方法
CN117113230A (zh) * 2022-08-19 2023-11-24 南方电网数字电网研究院有限公司 面向新能源高精度预测的机器学习特征选择方法
CN117318052A (zh) * 2023-11-28 2023-12-29 南方电网调峰调频发电有限公司检修试验分公司 发电机组进相试验无功功率预测方法、装置和计算机设备

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117113230A (zh) * 2022-08-19 2023-11-24 南方电网数字电网研究院有限公司 面向新能源高精度预测的机器学习特征选择方法
CN117113267A (zh) * 2023-10-25 2023-11-24 杭州海兴泽科信息技术有限公司 基于大数据的预测模型训练方法、光伏发电性能检测方法
CN117113267B (zh) * 2023-10-25 2024-02-09 杭州海兴泽科信息技术有限公司 基于大数据的预测模型训练方法、光伏发电性能检测方法
CN117318052A (zh) * 2023-11-28 2023-12-29 南方电网调峰调频发电有限公司检修试验分公司 发电机组进相试验无功功率预测方法、装置和计算机设备
CN117318052B (zh) * 2023-11-28 2024-03-19 南方电网调峰调频发电有限公司检修试验分公司 发电机组进相试验无功功率预测方法、装置和计算机设备

Similar Documents

Publication Publication Date Title
Demolli et al. Wind power forecasting based on daily wind speed data using machine learning algorithms
Sun et al. Short-term wind power forecasts by a synthetical similar time series data mining method
Huang et al. Short‐term wind power forecasting and uncertainty analysis using a hybrid intelligent method
Lipu et al. Artificial intelligence based hybrid forecasting approaches for wind power generation: Progress, challenges and prospects
JP5888640B2 (ja) 太陽光発電予測装置、太陽光発電予測方法及び太陽光発電予測プログラム
CN114676923A (zh) 发电功率的预测方法、装置、计算机设备和存储介质
CN112116144B (zh) 一种区域配电网短期负荷预测方法
CN111091233A (zh) 一种基于小波分析和多模型AdaBoost深度网络的风电场短期风电预测建模方法
Tahmasebifar et al. A new hybrid model for point and probabilistic forecasting of wind power
CN116596044B (zh) 基于多源数据的发电负荷预测模型训练方法及装置
CN109412161B (zh) 一种电力系统概率潮流计算方法及系统
Tajjour et al. Power generation forecasting of a solar photovoltaic power plant by a novel transfer learning technique with small solar radiation and power generation training data sets
CN112418504B (zh) 一种基于混合变量选择优化深度信念网络风速预测方法
Tuyen et al. A combination of novel hybrid deep learning model and quantile regression for short‐term deterministic and probabilistic PV maximum power forecasting
CN111612648B (zh) 光伏发电预测模型的训练方法、装置和计算机设备
Elattar Short term wind power prediction using evolutionary optimized local support vector regression
CN116845875A (zh) 一种基于woa-bp的短期光伏出力预测方法及装置
CN116933037A (zh) 一种基于多模型融合的光伏出力预测方法及相关装置
Wang et al. An optimized deep nonlinear integrated framework for wind speed forecasting and uncertainty analysis
ȚIBOACĂ et al. Design of short-term wind production forecasting model using machine learning algorithms
Obiora et al. Effective Implementation of Convolutional Long Short-Term Memory (ConvLSTM) Network in Forecasting Solar Irradiance
CN113191526B (zh) 基于随机敏感度的短期风速区间的优化预测方法及系统
Yu et al. Knn, an underestimated model for regional rainfall forecasting
CN115481788A (zh) 相变储能系统负荷预测方法及系统
CN114897204A (zh) 一种海上风电场短期风速预测方法和装置

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