CN115204522A - 区域发电功率预测方法、装置、设备及存储介质 - Google Patents

区域发电功率预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115204522A
CN115204522A CN202211110691.1A CN202211110691A CN115204522A CN 115204522 A CN115204522 A CN 115204522A CN 202211110691 A CN202211110691 A CN 202211110691A CN 115204522 A CN115204522 A CN 115204522A
Authority
CN
China
Prior art keywords
wind
light
data
power
light power
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202211110691.1A
Other languages
English (en)
Other versions
CN115204522B (zh
Inventor
阎洁
张�浩
刘永前
韩爽
李莉
张永蕊
孟航
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN202211110691.1A priority Critical patent/CN115204522B/zh
Publication of CN115204522A publication Critical patent/CN115204522A/zh
Application granted granted Critical
Publication of CN115204522B publication Critical patent/CN115204522B/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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • 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
    • 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
    • H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioethics (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及一种区域发电功率预测方法、装置、设备及存储介质。首先基于每个风光电站对应的客户端对原始风光数据进行特征提取，得到风光特征数据，然后利用第三方服务器对客户端提取到的风光特征数据进行融合，得到时空相关特征，进一步通过每个风光电站对应的客户端基于风光特征数据和时空相关数据进行发电预测，并由所有风光电站对应的风光电站预测功率，用于形成待预测区域的区域发电功率。由此，当进行区域发电功率预测时，第三方服务器只能处理原始风光数据对应的风光特征数据，各风光电站的原始风光数据只在本地进行处理，避免了原始风光数据在第三方服务器被泄露，保证了数据安全性。

Description

区域发电功率预测方法、装置、设备及存储介质
技术领域
本公开涉及发电技术领域，尤其涉及一种区域发电功率预测方法、装置、设备及存储介质。
背景技术
风电、光伏等可再生能源的不确定性对电力系统安全稳定经济运行带来了巨大影响。如何应对风电、光伏等可再生能源的不确定性，成为系统规划、运行、安全稳定分析、电力市场交易等环节的核心问题。
为了应对风电、光伏等可再生能源的不确定性，相关技术一般采用区域集中预测方式实现区域发电功率预测。然而，区域集中预测方式需要将一个区域内各个风光电站的原始风光数据委托给第三方服务器，并由第三方服务器处理各个风光电站的原始风光数据，实现区域发电功率预测。但是。第三方服务器不能保证数据安全性，如果原始风光数据被泄露，会出现数据滥用的问题。
发明内容
为了解决上述技术问题，本公开提供了一种区域发电功率预测方法、装置、设备及存储介质。
第一方面，本公开提供了一种区域发电功率预测方法，该方法应用于待预测区域内多个风光电站中目标风光电站对应的客户端，该方法包括：
获取所述待预测区域内目标风光电站对应的原始风光数据；
对所述原始风光数据进行特征提取，得到所述原始风光数据对应的风光特征数据，并将所述原始风光数据对应的风光特征数据发送至第三方服务器；
获取所述第三方服务器返回的所述目标风光电站对应的时空相关特征，其中，所述目标风光电站对应的时空相关数据由所述第三方服务器基于多个所述风光电站中所述目标风光电站对应的风光特征数据和除了所述目标风光电站的其他风光电站对应的风光特征数据融合生成；
基于所述风光特征数据和所述时空相关数据进行发电功率预测，得到所述目标风光电站对应的风光电站预测功率，其中，所述目标风光电站对应的风光电站预测功率和除了所述目标风光电站的其他风光电站对应的风光电站预测功率，用于形成所述待预测区域的区域发电功率。
第二方面，本公开提供了一种区域发电功率预测方法，该方法应用于待预测区域对应的第三方服务器，并且所述待预测区域包括多个风光电站各自对应的客户端，该方法包括：
获取多个所述风光电站各自对应的风光特征数据，其中，所述风光特征数据基于多个所述风光电站各自对应的客户端对采集到的原始风光数据进行特征提取得到；
对多个所述风光电站中的至少两个风光电站各自对应的风光特征数据进行融合，得到多个所述风光电站中至少两个风光电站的时空相关数据；
将所述时空相关数据发送至所述至少两个风光电站各自对应的客户端，其中，每个所述客户端用于根据其对应的时空相关数据以及其对应风光电站的风光特征数据进行风光电站功率预测，获取每个风光电站各自对应的风光电站预测功率，并且，所述待预测区域中多个所述风光电站各自对应的风光电站预测功率，用于形成所述待预测区域的区域发电功率。
第三方面，本公开提供了一种区域发电功率预测装置，该装置配置于待预测区域内多个风光电站中目标风光电站对应的客户端，该装置包括：
原始风光数据获取模块，用于获取所述待预测区域内目标风光电站对应的原始风光数据；
特征提取模块，用于对所述原始风光数据进行特征提取，得到所述原始风光数据对应的风光特征数据；
风光特征数据发送模块，用于将所述原始风光数据对应的风光特征数据发送至第三方服务器；
时空相关特征获取模块，用于获取所述第三方服务器返回的所述目标风光电站对应的时空相关特征，其中，所述目标风光电站对应的时空相关数据由所述第三方服务器基于多个所述风光电站中所述目标风光电站对应的风光特征数据和除了所述目标风光电站的其他风光电站对应的风光特征数据融合生成；
风光电站预测功率模块，用于基于所述风光特征数据和所述时空相关数据进行发电功率预测，得到所述目标风光电站对应的风光电站预测功率，其中，所述目标风光电站对应的风光电站预测功率和除了所述目标风光电站的其他风光电站对应的风光电站预测功率，用于形成所述待预测区域的区域发电功率。
第四方面，本公开实施例还提供了一种区域发电功率预测装置，该装置配置于待预测区域对应的第三方服务器，并且所述待预测区域包括多个风光电站各自对应的客户端，该装置包括：
风光特征数据获取模块，用于获取多个所述风光电站各自对应的风光特征数据，其中，所述风光特征数据基于多个所述风光电站各自对应的客户端对采集到的原始风光数据进行特征提取得到；
融合模块，用于对多个所述风光电站中的至少两个风光电站各自对应的风光特征数据进行融合，得到多个所述风光电站中至少两个风光电站的时空相关数据；
时空相关数据发送模块，用于将所述时空相关数据发送至所述至少两个风光电站各自对应的客户端，其中，每个所述客户端用于根据其对应的时空相关数据以及其对应风光电站的风光特征数据进行风光电站功率预测，获取每个风光电站各自对应的风光电站预测功率，并且，所述待预测区域中多个所述风光电站各自对应的风光电站预测功率，用于形成所述待预测区域的区域发电功率。
第五方面，本公开实施例还提供了一种电子设备，该设备包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现第一方面所提供的方法或者实现第二方面所提供的方法。
第六方面，本公开实施例还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第一方面所提供的方法或者实现第二方面所提供的方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：
本公开实施例的一种区域发电功率预测方法、装置、设备及存储介质，该方法应用于待预测区域内多个风光电站中目标风光电站对应的客户端，所述方法包括：获取待预测区域内目标风光电站对应的原始风光数据；对原始风光数据进行特征提取，得到原始风光数据对应的风光特征数据，并将原始风光数据对应的风光特征数据发送至第三方服务器；获取第三方服务器返回的目标风光电站对应的时空相关特征，其中，目标风光电站对应的时空相关数据由第三方服务器基于多个风光电站中目标风光电站对应的风光特征数据和除了目标风光电站的其他风光电站对应的风光特征数据融合生成；基于风光特征数据和时空相关数据进行发电功率预测，得到目标风光电站对应的风光电站预测功率，其中，目标风光电站对应的风光电站预测功率和除了目标风光电站的其他风光电站对应的风光电站预测功率，用于形成待预测区域的区域发电功率。由此，当进行区域发电功率预测时，各风光电站的原始风光数据只在本地进行处理，第三方服务器只能处理原始风光数据对应的风光特征数据，避免了原始风光数据在第三方服务器被泄露，保证了数据安全性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的一种区域发电功率预测系统的系统架构图；
图2为本公开实施例提供的一种区域发电功率预测方法的流程示意图；
图3为本公开实施例提供的另一种区域发电功率预测方法的流程示意图；
图4为本公开实施例提供的一种区域发电功率预测装置的结构示意图；
图5为本公开实施例提供的另一种区域发电功率预测装置的结构示意图；
图6为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
为了应对风电、光伏等可再生能源的不确定性，现有技术中还采用单场站预测方式进行发电功率预测，但是单场站预测方式只能基于单个风光电站的原始风光数据进行预测，无法考虑区域内其他风光电站的原始风光电站，因此会出现数据孤岛的问题。
为了避免出现数据孤岛的问题，相关技术又提出了区域集中预测方式，但是区域集中预测方式会出现原始风光数据在第三方服务器发生数据泄露的问题，导致原始风光数据的安全性无法得到保证。
为了解决上述问题，本公开实施例提供了一种能够提高原始风光数据安全性的区域发电功率预测系统。
图1示出了本公开实施例提供的一种区域发电功率预测系统的系统架构图。
如图1所示，区域发电功率预测系统包括待预测区域10和第三方服务器20，其中，待预测区域10包括多个风光电站和多个客户端，多个风光电站包括风光电站11，风光电站12…风光电站1n，多个客户端包括客户端21，客户端22…客户端2n。
以待预测区域10内多个风光电站中的目标风光电站是风光电站11进行解释。具体的，首先，客户端21采集风光电站11对应的原始风光数据；然后，客户端21对风光电站11对应的原始风光数据进行特征提取，得到风光特征数据，并将风光特征数据发送至第三方服务器20；接着，第三方服务器20对风光电站11对应的风光特征数据和风光电站12…风光电站1n中至少一个风光电站对应的风光特征数据进行融合，得到风光电站11对应的时空相关特征；最后，客户端21基于风光电站11对应的时空相关特征以及风光电站11对应的风光特征数据进行发电功率预测，得到风光电站11对应的风光电站预测功率，其中，风光电站11对应的风光电站预测功率与风光电站12…风光电站1n的所有风光电站对应的风光电站预测功率，形成待预测区域10的区域发电功率。
基于图1所示的区域发电功率预测系统的系统架构图，本公开实施例提供了一种区域发电功率预测方法、装置、设备及存储介质。
下面结合图2对本公开实施例提供的区域发电功率预测方法进行说明。在本公开实施例中，该区域发电功率预测方法可以由待预测区域内多个风光电站中目标风光电站对应的客户端执行。其中，客户端可以理解为其对应风光电站的预测服务器。
图2示出了本公开实施例提供的一种区域发电功率预测方法的流程示意图。
如图2所示，该区域发电功率预测方法可以包括如下步骤。
S210、获取待预测区域内目标风光电站对应的原始风光数据。
实际应用时，当需要对某个区域进行区域发电功率预测时，将该区域作为待预测区域，并且待预测区域预先部署了的多个风光场站，每个风光场站存在各自对应客户端，并且通过风光场站各自对应的客户端来获取该风光场站的原始风光数据。
其中，待预测区域可以是任意一个行政区域或者部署有多个风光电站的区域。可选的，待预测区域可以是一个省、一个地级市、一个县，也可以是海上的局部区域。
例如，若需要对A地级市进行区域发电功率预测，A地级市的多个县部署有风光电站，每个风光电站对应一个客户端，A地级市的每个县部署的风光电站的原始风光数据通过其对应的客户端采集。
其中，目标风光电站是指待预测区域内的任意一个或多个风光电站。具体的，风光电站用于采集风电数据和光电数据，形成该风光电站的原始风光数据。
可选的，原始风光数据包括以下一种或多种组合：
数值天气预报数据和历史运行数据；
其中，数值天气预报数据包括：预报风速数据、预报风向数据、预报辐照度数据以及预报温度数据；历史运行数据包括：历史风速数据、历史辐照度数据以及历史功率数据。
可选的，数据天气预报数据和历史运行数据还都可以包括湿度、气压等数据。
S220、对原始风光数据进行特征提取，得到原始风光数据对应的风光特征数据，并将原始风光数据对应的风光特征数据发送至第三方服务器。
实际应用时，目标风光电站对应的客户端可以利用特征提取算法进行特征提取，使得将目标风光电站对应的原始风光数据处理成风光特征数据。
其中，风光特征数据可以理解为中间信息或者理解为特征矩阵。需要说明的是，风光特征数据是由一系列特征值表示，稳定性好也不容易直接被窃取使用。
具体的，客户端可以利用预先生成的特征提取模型进行特征提取，确定原始风光数据对应的风光特征数据。可选的，特征提取模型具体可以是编码器也可以是其他形式的模型。
进一步的，客户端将目标风光电站对应的风光特征数据发送至第三方服务器，使得第三方服务器对风光特征数据进行处理。
S230、获取第三方服务器返回的目标风光电站对应的时空相关特征，其中，目标风光电站对应的时空相关数据由第三方服务器基于多个风光电站中目标风光电站对应的风光特征数据和除了目标风光电站的其他风光电站对应的风光特征数据融合生成。
实际应用时，第三方服务器获取目标风光电站对应的时空相关特征之后，能够对多个风光电站中目标风光电站对应的风光特征数据和除了目标风光电站的其他风光电站对应的风光特征数据融合，得到多个风光电站的融合风光特征数据，避免多个风光电站的风光特征数据相互孤立形成数据孤岛。进一步的，目标风光电站对应的客户端获取第三方服务器返回的目标风光电站对应的时空相关特征，进一步基于目标风光电站对应的时空相关特征并结合其他信息进行发电功率预测。
其中，时空相关特征可以理解为中间信息或者理解为特征矩阵。可选的，时空相关特征可以包括每个维度特征对应的时间特征和空间特征。
需要说明的是，风光特征数据是由一系列特征值表示，稳定性好也不容易直接被窃取使用。具体的，第三方服务器可以将维度特征对应的时间特征和空间特征对应融合，得到时空相关特征。
由此，第三方服务器从客户端只接收风光特征数据并向客户端发送时空相关数据，因此，第三方服务器和客户端只传输中间信息或者特征矩阵，不涉及原始风光发电数据的传输，使得原始风光数据只在风光电站的本地客户端进行处理。
S240、基于风光特征数据和时空相关数据进行发电功率预测，得到目标风光电站对应的风光电站预测功率，其中，目标风光电站对应的风光电站预测功率和除了目标风光电站的其他风光电站对应的风光电站预测功率，用于形成待预测区域的区域发电功率。
实际应用时，目标风光电站对应的客户端从第三方服务器获取目标风光电站对应的时空相关特征，利用目标风光电站对应的时空相关特征以及其生成的风光特征数据进行发电功率预测，得到目标风光电站对应的风光电站预测功率。进一步的，将目标风光电站对应的风光电站预测功率和除了目标风光电站的其他风光电站对应的风光电站预测功率，形成待预测区域的区域发电功率。
其中，待预测区域的区域发电功率可以是该区域内所有风光电站对应的风光电站预测功率的总和。
具体的，客户端可以利用预先生成的风电功率预测模型进行处理，确定目标风光电站对应的风光电站预测功率。可选的，风电功率预测模型可以是编码器或者其他形式的模型。
由此，能够基于目标风光电站对应的风光特征数据和时空相关数据，在目标风光电站的本地进行风电功率预测，并基于待预测区域内所有风光电站对应的风光电站预测功率，形成待预测区域的区域发电功率。
本公开实施例的一种区域发电功率预测方法，该方法应用于待预测区域内多个风光电站中目标风光电站对应的客户端，所述方法包括：获取待预测区域内目标风光电站对应的原始风光数据；对原始风光数据进行特征提取，得到原始风光数据对应的风光特征数据，并将原始风光数据对应的风光特征数据发送至第三方服务器；获取第三方服务器返回的目标风光电站对应的时空相关特征，其中，目标风光电站对应的时空相关数据由第三方服务器基于多个风光电站中目标风光电站对应的风光特征数据和除了目标风光电站的其他风光电站对应的风光特征数据融合生成；基于风光特征数据和时空相关数据进行发电功率预测，得到目标风光电站对应的风光电站预测功率，其中，目标风光电站对应的风光电站预测功率和除了目标风光电站的其他风光电站对应的风光电站预测功率，用于形成待预测区域的区域发电功率。由此，当进行区域发电功率预测时，各风光电站的原始风光数据只在本地进行处理，第三方服务器只能处理原始风光数据对应的风光特征数据，避免了原始风光数据在第三方服务器被泄露，保证了数据安全性。
在本公开另一种实施方式中，目标风光电站对应的客户端，能够基于预先生成的编码器进行特征提取处理，以及利用预先生成的解码器进行发电功率预测。
在本公开实施例中，可选的，S120具体可以包括如下步骤：
S1201、基于预先生成的编码器对所述原始风光数据进行特征提取，得到所述原始风光数据对应的风光特征数据。
可选的，编码器可以包括特征提取网络、门控网络、加和网络以及归一化网络中的一种或者多种。可选的，编码器中所包含的每个网络的数量可以是一个或者多个。
其中，S1201具体可以包括：基于预先生成的编码器中的特征提取网络，对所述原始风光数据进行特征提取，得到所述原始风光数据对应的特征向量；基于所述预先生成的编码器中的门控网络，对所述特征向量进行非线性处理，生成非线性形式的特征向量；基于所述预先生成的编码器中的加和网络，对所述非线性形式的特征向量与所述原始风光数据进行加和处理，得到加和特征向量；基于所述预先生成的编码器中的归一化网络，对所述加和特征向量进行归一化处理，并将归一化处理后的加和特征向量作为所述风光特征数据。
其中，特征提取网络可以包括自适应图卷积网络和注意力网络。具体的自适应图卷积网络用于从原始风光数据中提取各个特征维度对应的时间特征，注意力网络用于基于注意力机制，从原始风光数据中提取各个特征维度对应的空间特征，并由各个特征维度对应时间特征和空间特征形成原始风光数据对应的特征向量。
为了提高原始风光数据的处理精度，还可以对原始风光数据依次进行数据清洗处理、数据规范化处理以及数据重排处理，并基于预先生成的编码器中的特征提取网络，对经过上述处理之后的风光数据机械能特征提取。
需要说明的是，客户端可以基于其所提供的资源调整编码器的结构，使得编码器的结构能够适应于客户端的资源大小。
由此，可以通过编码器对原始风光数据进行特征提取，使得原始风光数据不出本地数据库，保证了原始风光数据的安全性。
在本公开实施例中，可选的，S140具体可以包括如下步骤：
S1401、基于预先生成的解码器对风光特征数据和所述时空相关数据进行发电功率预测，得到目标风光电站对应的风光电站预测功率。
可选的，解码器可以包括自注意力网络和全连接层中的一种或者多种。可选的，解码器中所包含的每个网络的数量可以是一个或者多个。
其中，S1401具体可以包括：基于预先生成的解码器中的自注意力网络，对所述风光特征数据和所述时空相关数据进行处理，得到处理后的风光特征数据和处理后的时空相关数据；基于所述预先生成的解码器中的全连接层，对所述处理后的风光特征数据和所述处理后的时空相关数据继续进行处理，输出所述目标风光电站对应的风光电站预测功率。
需要说明的是，客户端可以基于其所提供的资源调整解码器的结构，使得解码器的结构能够适应于客户端的资源大小。
由此，可以通过解码器进行风光电站预测功率，确定目标风光电站对应的风光电站预测功率。
在本公开又一种实施方式中，提供了一种区域发电功率预测方法。在本公开实施例中，该区域发电功率预测方法可以由待预测区域对应的第三方服务器，并且待预测区域包括多个风光电站各自对应的客户端。
图3示出了本公开实施例提供的另一种区域发电功率预测方法的流程示意图。
如图3所示，该区域发电功率预测方法可以包括如下步骤。
S310、获取多个风光电站各自对应的风光特征数据，其中，风光特征数据基于多个风光电站各自对应的客户端对采集到的原始风光数据进行特征提取得到。
其中，风光特征数据具体可以由多个风光电站各自对应的客户端基于预先生成的编码器进行特征提取得到。
S320、对多个风光电站中的至少两个风光电站各自对应的风光特征数据进行融合，得到多个风光电站中至少两个风光电站的时空相关数据。
其中，S320具体可以包括：通过预先生成的融合模型，对风光特征数据中各特征维度的时间特征和空间特征进行融合处理，生成多个所述风光电站中的至少两个风光电站的时空相关数据。
具体的，第三方服务器可以利用预先生成的融合模型，对风光特征数据中各特征维度的时间特征和空间特征进行融合处理，生成多个所述风光电站中的至少两个风光电站的时空相关数据。
S330、将时空相关数据发送至至少两个风光电站各自对应的客户端，其中，每个客户端用于根据其对应的时空相关数据以及其对应风光电站的风光特征数据进行风光电站功率预测，获取每个风光电站各自对应的风光电站预测功率，并且，待预测区域中多个风光电站各自对应的风光电站预测功率，用于形成待预测区域的区域发电功率。
其中，每个客户端具体可以基于预先生成的解码器根据其对应的时空相关数据以及其对应风光电站的风光特征数据进行风光电站功率预测。进一步的，待预测区域中多个风光电站各自对应的风光电站预测功率的和，可以作为待预测区域的区域发电功率。
由此，当进行区域发电功率预测时，各风光电站的原始风光数据只在本地处理生成风光特征数据，第三方服务器只能将各风光电站对应的原始风光数据融合生成风光特征数据，并将时空相关数据发送至各风光电站对应的客户端，进一步在各风光电站的本地进行发电功率预测。这种方式避免了原始风光数据在第三方服务器被泄露，保证了数据安全性。
本公开实施例还提供了一种用于实现上述的区域发电功率预测方法的区域发电功率预测装置，下面结合图4进行说明。在本公开实施例中，该区域发电功率预测装置可以配置于待预测区域内多个风光电站中目标风光电站对应的客户端。
图4示出了本公开实施例提供的一种区域发电功率预测装置的结构示意图。
如图4所示，区域发电功率预测装置400可以包括：
原始风光数据获取模块410，用于获取所述待预测区域内目标风光电站对应的原始风光数据；
特征提取模块420，用于对所述原始风光数据进行特征提取，得到所述原始风光数据对应的风光特征数据；
风光特征数据发送模块430，用于将所述原始风光数据对应的风光特征数据发送至第三方服务器；
时空相关特征获取模块440，用于获取所述第三方服务器返回的所述目标风光电站对应的时空相关特征，其中，所述目标风光电站对应的时空相关数据由所述第三方服务器基于多个所述风光电站中所述目标风光电站对应的风光特征数据和除了所述目标风光电站的其他风光电站对应的风光特征数据融合生成；
风光电站预测功率模块450，用于基于所述风光特征数据和所述时空相关数据进行发电功率预测，得到所述目标风光电站对应的风光电站预测功率，其中，所述目标风光电站对应的风光电站预测功率和除了所述目标风光电站的其他风光电站对应的风光电站预测功率，用于形成所述待预测区域的区域发电功率。
本公开实施例的一种区域发电功率预测装置，该方法应用于待预测区域内多个风光电站中目标风光电站对应的客户端，所述方法包括：获取待预测区域内目标风光电站对应的原始风光数据；对原始风光数据进行特征提取，得到原始风光数据对应的风光特征数据，并将原始风光数据对应的风光特征数据发送至第三方服务器；获取第三方服务器返回的目标风光电站对应的时空相关特征，其中，目标风光电站对应的时空相关数据由第三方服务器基于多个风光电站中目标风光电站对应的风光特征数据和除了目标风光电站的其他风光电站对应的风光特征数据融合生成；基于风光特征数据和时空相关数据进行发电功率预测，得到目标风光电站对应的风光电站预测功率，其中，目标风光电站对应的风光电站预测功率和除了目标风光电站的其他风光电站对应的风光电站预测功率，用于形成待预测区域的区域发电功率。由此，当进行区域发电功率预测时，各风光电站的原始风光数据只在本地进行处理，第三方服务器只能处理原始风光数据对应的风光特征数据，避免了原始风光数据在第三方服务器被泄露，保证了数据安全性。
在本公开一些实施例中，特征提取模块420具体用于，基于预先生成的编码器对所述原始风光数据进行特征提取，得到所述原始风光数据对应的风光特征数据。
在本公开一些实施例中，特征提取模块420具体用于，基于所述预先生成的编码器中的特征提取网络，对所述原始风光数据进行特征提取，得到所述原始风光数据对应的特征向量；
基于所述预先生成的编码器中的门控网络，对所述特征向量进行非线性处理，生成非线性形式的特征向量；
基于所述预先生成的编码器中的加和网络，对所述非线性形式的特征向量与所述原始风光数据进行加和处理，得到加和特征向量；
基于所述预先生成的编码器中的归一化网络，对所述加和特征向量进行归一化处理，并将归一化处理后的加和特征向量作为所述风光特征数据。
在本公开一些实施例中，风光电站预测功率模块450具体用于，基于预先生成的解码器对所述风光特征数据和所述时空相关数据进行发电功率预测，得到所述目标风光电站对应的风光电站预测功率。
在本公开一些实施例中，风光电站预测功率模块450具体用于，基于所述预先生成的解码器中的自注意力网络，对所述风光特征数据和所述时空相关数据进行处理，得到处理后的风光特征数据和处理后的时空相关数据；
基于所述预先生成的解码器中的全连接层，对所述处理后的风光特征数据和所述处理后的时空相关数据继续进行处理，输出所述目标风光电站对应的风光电站预测功率。
在本公开一些实施例中，所述原始风光数据包括以下一种或多种组合：
数值天气预报数据和历史运行数据；
其中，所述数值天气预报数据包括：预报风速数据、预报风向数据、预报辐照度数据以及预报温度数据；所述历史运行数据包括：历史风速数据、历史辐照度数据以及历史功率数据。
需要说明的是，图4所示的区域发电功率预测装置400可以执行图2所示的方法实施例中的各个步骤，并且实现图2所示的方法实施例中的各个过程和效果，在此不做赘述。
本公开实施例还提供了一种用于实现上述的区域发电功率预测方法的区域发电功率预测装置，下面结合图5进行说明。在本公开实施例中，该区域发电功率预测装置可以配置于待预测区域对应的第三方服务器，并且所述待预测区域包括多个风光电站各自对应的客户端。
图5示出了本公开实施例提供的另一种区域发电功率预测装置的结构示意图。
如图5所示，区域发电功率预测装置500可以包括：
风光特征数据获取模块510，用于获取多个所述风光电站各自对应的风光特征数据，其中，所述风光特征数据基于多个所述风光电站各自对应的客户端对采集到的原始风光数据进行特征提取得到；
融合模块520，用于对多个所述风光电站中的至少两个风光电站各自对应的风光特征数据进行融合，得到多个所述风光电站中至少两个风光电站的时空相关数据；
时空相关数据发送模块530，用于将所述时空相关数据发送至所述至少两个风光电站各自对应的客户端，其中，每个所述客户端用于根据其对应的时空相关数据以及其对应风光电站的风光特征数据进行风光电站功率预测，获取每个风光电站各自对应的风光电站预测功率，并且，所述待预测区域中多个所述风光电站各自对应的风光电站预测功率，用于形成所述待预测区域的区域发电功率。
由此，当进行区域发电功率预测时，各风光电站的原始风光数据只在本地处理生成风光特征数据，第三方服务器只能将各风光电站对应的原始风光数据融合生成风光特征数据，并将时空相关数据发送至各风光电站对应的客户端，进一步在各风光电站的本地进行发电功率预测。这种方式避免了原始风光数据在第三方服务器被泄露，保证了数据安全性。
在本公开一些实施例中，融合模块520具体用于，通过预先生成的融合模型，对所述风光特征数据中各特征维度的时间特征和空间特征进行融合处理，生成多个所述风光电站中的至少两个风光电站的时空相关数据。
需要说明的是，图5所示的区域发电功率预测装置500可以执行图3所示的方法实施例中的各个步骤，并且实现图3所示的方法实施例中的各个过程和效果，在此不做赘述。
图6示出了本公开实施例提供的一种电子设备的结构示意图。
如图6所示，该电子设备可以包括处理器601以及存储有计算机程序指令的存储器602。
具体地，上述处理器601可以包括中央处理器（CPU），或者特定集成电路（Application Specific Integrated Circuit，ASIC），或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器602可以包括用于信息或指令的大容量存储器。举例来说而非限制，存储器602可以包括硬盘驱动器（Hard Disk Drive，HDD）、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线（Universal Serial Bus，USB）驱动器或者两个及其以上这些的组合。在合适的情况下，存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器602可在综合网关设备的内部或外部。在特定实施例中，存储器602是非易失性固态存储器。在特定实施例中，存储器602包括只读存储器（Read-Only Memory，ROM）。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM（Programmable ROM，PROM）、可擦除PROM（Electrical Programmable ROM，EPROM）、电可擦除PROM（Electrically ErasableProgrammable ROM，EEPROM）、电可改写ROM（Electrically Alterable ROM，EAROM）或闪存，或者两个或及其以上这些的组合。
处理器601通过读取并执行存储器602中存储的计算机程序指令，以执行本公开实施例所提供的区域发电功率预测方法的步骤。
在一个示例中，该电子设备还可包括收发器603和总线604。其中，如图6所示，处理器601、存储器602和收发器603通过总线604连接并完成相互间的通信。
总线604包括硬件、软件或两者。举例来说而非限制，总线可包括加速图形端口（Accelerated Graphics Port，AGP）或其他图形总线、增强工业标准架构（ExtendedIndustry Standard Architecture，EISA）总线、前端总线（Front Side BUS，FSB）、超传输（Hyper Transport，HT）互连、工业标准架构（Industrial Standard Architecture，ISA）总线、无限带宽互连、低引脚数（Low Pin Count，LPC）总线、存储器总线、微信道架构（MicroChannel Architecture，MCA）总线、外围控件互连（Peripheral Component Interconnect，PCI）总线、PCI-Express（PCI-X）总线、串行高级技术附件（Serial Advanced TechnologyAttachment，SATA）总线、视频电子标准协会局部（Video Electronics StandardsAssociation Local Bus，VLB）总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线604可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。
以下是本公开实施例提供的计算机可读存储介质的实施例，该计算机可读存储介质与上述各实施例的区域发电功率预测方法属于同一个发明构思，在计算机可读存储介质的实施例中未详尽描述的细节内容，可以参考上述区域发电功率预测方法的实施例。
本实施例提供一种包含计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行一种区域发电功率预测方法。
当然，本公开实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上的方法操作，还可以执行本公开任意实施例所提供的区域发电功率预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本公开可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器（Read-Only Memory, ROM）、随机存取存储器（RandomAccess Memory, RAM）、闪存（FLASH）、硬盘或光盘等，包括若干指令用以使得一台计算机云平台（可以是个人计算机，服务器，或者网络云平台等）执行本公开各个实施例所提供的区域发电功率预测方法。
注意，上述仅为本公开的较佳实施例及所运用技术原理。本领域技术人员会理解，本公开不限于这里的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本公开的保护范围。因此，虽然通过以上实施例对本公开进行了较为详细的说明，但是本公开不仅仅限于以上实施例，在不脱离本公开构思的情况下，还可以包括更多其他等效实施例，而本公开的范围由所附的权利要求范围决定。

Claims (12)

1.一种区域发电功率预测方法，其特征在于，应用于待预测区域内多个风光电站中目标风光电站对应的客户端，所述方法包括：
获取所述待预测区域内目标风光电站对应的原始风光数据；
对所述原始风光数据进行特征提取，得到所述原始风光数据对应的风光特征数据，并将所述原始风光数据对应的风光特征数据发送至第三方服务器；
获取所述第三方服务器返回的所述目标风光电站对应的时空相关特征，其中，所述目标风光电站对应的时空相关数据由所述第三方服务器基于多个所述风光电站中所述目标风光电站对应的风光特征数据和除了所述目标风光电站的其他风光电站对应的风光特征数据融合生成；
基于所述风光特征数据和所述时空相关数据进行发电功率预测，得到所述目标风光电站对应的风光电站预测功率，其中，所述目标风光电站对应的风光电站预测功率和除了所述目标风光电站的其他风光电站对应的风光电站预测功率，用于形成所述待预测区域的区域发电功率。
2.根据权利要求1所述的方法，其特征在于，所述对所述原始风光数据进行特征提取，得到所述原始风光数据对应的风光特征数据，包括：
基于预先生成的编码器对所述原始风光数据进行特征提取，得到所述原始风光数据对应的风光特征数据。
3.根据权利要求2所述的方法，其特征在于，所述基于预先生成的编码器对所述原始风光数据进行特征提取，得到所述原始风光数据对应的风光特征数据，包括：
基于所述预先生成的编码器中的特征提取网络，对所述原始风光数据进行特征提取，得到所述原始风光数据对应的特征向量；
基于所述预先生成的编码器中的门控网络，对所述特征向量进行非线性处理，生成非线性形式的特征向量；
基于所述预先生成的编码器中的加和网络，对所述非线性形式的特征向量与所述原始风光数据进行加和处理，得到加和特征向量；
基于所述预先生成的编码器中的归一化网络，对所述加和特征向量进行归一化处理，并将归一化处理后的加和特征向量作为所述风光特征数据。
4.根据权利要求1所述的方法，其特征在于，所述基于所述风光特征数据和所述时空相关数据进行发电功率预测，得到所述目标风光电站对应的风光电站预测功率，包括：
基于预先生成的解码器对所述风光特征数据和所述时空相关数据进行发电功率预测，得到所述目标风光电站对应的风光电站预测功率。
5.根据权利要求4所述的方法，其特征在于，所述基于预先生成的解码器对所述风光特征数据和所述时空相关数据进行发电功率预测，得到所述目标风光电站对应的风光电站预测功率，包括：
基于所述预先生成的解码器中的自注意力网络，对所述风光特征数据和所述时空相关数据进行处理，得到处理后的风光特征数据和处理后的时空相关数据；
基于所述预先生成的解码器中的全连接层，对所述处理后的风光特征数据和所述处理后的时空相关数据继续进行处理，输出所述目标风光电站对应的风光电站预测功率。
6.根据权利要求1~5任一项所述的方法，其特征在于，所述原始风光数据包括以下一种或多种组合：
数值天气预报数据和历史运行数据；
其中，所述数值天气预报数据包括：预报风速数据、预报风向数据、预报辐照度数据以及预报温度数据；所述历史运行数据包括：历史风速数据、历史辐照度数据以及历史功率数据。
7.一种区域发电功率预测方法，其特征在于，应用于待预测区域对应的第三方服务器，并且所述待预测区域包括多个风光电站各自对应的客户端，所述方法包括：
获取多个所述风光电站各自对应的风光特征数据，其中，所述风光特征数据基于多个所述风光电站各自对应的客户端对采集到的原始风光数据进行特征提取得到；
对多个所述风光电站中的至少两个风光电站各自对应的风光特征数据进行融合，得到多个所述风光电站中至少两个风光电站的时空相关数据；
将所述时空相关数据发送至所述至少两个风光电站各自对应的客户端，其中，每个所述客户端用于根据其对应的时空相关数据以及其对应风光电站的风光特征数据进行风光电站功率预测，获取每个风光电站各自对应的风光电站预测功率，并且，所述待预测区域中多个所述风光电站各自对应的风光电站预测功率，用于形成所述待预测区域的区域发电功率。
8.根据权利要求7所述的方法，其特征在于，所述对多个所述风光电站中的至少两个风光电站各自对应的风光特征数据进行融合，得到所述多个风光电站中至少两个风光电站的时空相关数据，包括：
通过预先生成的融合模型，对所述风光特征数据中各特征维度的时间特征和空间特征进行融合处理，生成多个所述风光电站中的至少两个风光电站的时空相关数据。
9.一种区域发电功率预测装置，其特征在于，配置于待预测区域内多个风光电站中目标风光电站对应的客户端，所述装置包括：
原始风光数据获取模块，用于获取所述待预测区域内目标风光电站对应的原始风光数据；
特征提取模块，用于对所述原始风光数据进行特征提取，得到所述原始风光数据对应的风光特征数据；
风光特征数据发送模块，用于将所述原始风光数据对应的风光特征数据发送至第三方服务器；
时空相关特征获取模块，用于获取所述第三方服务器返回的所述目标风光电站对应的时空相关特征，其中，所述目标风光电站对应的时空相关数据由所述第三方服务器基于多个所述风光电站中所述目标风光电站对应的风光特征数据和除了所述目标风光电站的其他风光电站对应的风光特征数据融合生成；
风光电站预测功率模块，用于基于所述风光特征数据和所述时空相关数据进行发电功率预测，得到所述目标风光电站对应的风光电站预测功率，其中，所述目标风光电站对应的风光电站预测功率和除了所述目标风光电站的其他风光电站对应的风光电站预测功率，用于形成所述待预测区域的区域发电功率。
10.一种区域发电功率预测装置，其特征在于，配置于待预测区域对应的第三方服务器，并且所述待预测区域包括多个风光电站各自对应的客户端，所述装置包括：
风光特征数据获取模块，用于获取多个所述风光电站各自对应的风光特征数据，其中，所述风光特征数据基于多个所述风光电站各自对应的客户端对采集到的原始风光数据进行特征提取得到；
融合模块，用于对多个所述风光电站中的至少两个风光电站各自对应的风光特征数据进行融合，得到多个所述风光电站中至少两个风光电站的时空相关数据；
时空相关数据发送模块，用于将所述时空相关数据发送至所述至少两个风光电站各自对应的客户端，其中，每个所述客户端用于根据其对应的时空相关数据以及其对应风光电站的风光特征数据进行风光电站功率预测，获取每个风光电站各自对应的风光电站预测功率，并且，所述待预测区域中多个所述风光电站各自对应的风光电站预测功率，用于形成所述待预测区域的区域发电功率。
11.一种电子设备，其特征在于，包括：
处理器；
存储器，用于存储可执行指令；
其中，所述处理器用于从所述存储器中读取所述可执行指令，并执行所述可执行指令以实现上述权利要求1-6中任一项所述的方法或者实现上述权利要求7-8任一项所述的方法。
12.一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，所述存储介质存储有计算机程序，当所述计算机程序被处理器执行时，使得处理器实现上述权利要求1-6中任一项所述的方法或者实现上述权利要求7-8任一项所述的方法。
CN202211110691.1A 2022-09-13 2022-09-13 区域发电功率预测方法、装置、设备及存储介质 Active CN115204522B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211110691.1A CN115204522B (zh) 2022-09-13 2022-09-13 区域发电功率预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211110691.1A CN115204522B (zh) 2022-09-13 2022-09-13 区域发电功率预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN115204522A true CN115204522A (zh) 2022-10-18
CN115204522B CN115204522B (zh) 2023-01-24

Family

ID=83573627

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211110691.1A Active CN115204522B (zh) 2022-09-13 2022-09-13 区域发电功率预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115204522B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200209430A1 (en) * 2018-12-28 2020-07-02 Utopus Insights, Inc. Systems and methods distributed-solar power forecasting using parameter regularization
CN114048930A (zh) * 2022-01-13 2022-02-15 广东电网有限责任公司揭阳供电局 一种超短期风电功率预测方法和装置
CN114330097A (zh) * 2021-11-26 2022-04-12 中国华能集团清洁能源技术研究院有限公司 一种异构数据与深度学习的风电集群功率预测方法及设备
CN114792158A (zh) * 2022-04-01 2022-07-26 三峡大学 基于时空融合图神经网络的多风电场短期功率预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200209430A1 (en) * 2018-12-28 2020-07-02 Utopus Insights, Inc. Systems and methods distributed-solar power forecasting using parameter regularization
CN114330097A (zh) * 2021-11-26 2022-04-12 中国华能集团清洁能源技术研究院有限公司 一种异构数据与深度学习的风电集群功率预测方法及设备
CN114048930A (zh) * 2022-01-13 2022-02-15 广东电网有限责任公司揭阳供电局 一种超短期风电功率预测方法和装置
CN114792158A (zh) * 2022-04-01 2022-07-26 三峡大学 基于时空融合图神经网络的多风电场短期功率预测方法

Also Published As

Publication number Publication date
CN115204522B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN114362367B (zh) 面向云边协同的输电线路监测系统和方法、识别系统和方法
Chen et al. The use of LS-SVM for short-term passenger flow prediction
CN111935140B (zh) 异常报文识别方法及装置
CN111461410A (zh) 一种基于迁移学习的空气质量的预测方法及装置
CN111970400B (zh) 骚扰电话识别方法及装置
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
CN115471805B (zh) 点云处理和深度学习模型训练方法、装置及自动驾驶车辆
CN115204522B (zh) 区域发电功率预测方法、装置、设备及存储介质
CN113541986B (zh) 5g切片的故障预测方法、装置及计算设备
Fang et al. Sparse point‐voxel aggregation network for efficient point cloud semantic segmentation
CN115984633B (zh) 门级电路组件识别方法、系统、存储介质及设备
CN117197571A (zh) 一种光伏组件故障检测方法、装置、电子设备及存储介质
CN116070149A (zh) 基于人工智能的数据分析方法、系统及云平台
CN116388148A (zh) 风电功率预测方法、装置、设备及存储介质
CN116310179A (zh) 点云补全方法、装置、设备和介质
CN113569704B (zh) 分割点判断方法、系统、存储介质及电子设备
CN114266430A (zh) 基于变分同化的架空输电线路风险评估方法及装置
CN113487087A (zh) 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质
CN109996274B (zh) Lte小区参数的调整方法、装置、设备及介质
Ung et al. Leverage samples with single positive labels to train cnn-based models for multi-label plant species prediction
CN114821327B (zh) 电力线和杆塔进行特征提取处理方法、系统及存储介质
CN117811843B (zh) 基于大数据分析和自主学习的网络入侵检测方法及系统
CN117040141B (zh) 电力智能网关的安全监测系统及方法
CN117271819B (zh) 图像数据的处理方法和装置、存储介质及电子装置
CN115051934A (zh) 网络性能预测方法、装置、电子设备、存储介质及产品

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20221228

Address after: 102206 No. 2 Nong Road, Zhu Xin Zhuang, Beijing, Changping District

Applicant after: NORTH CHINA ELECTRIC POWER University

Address before: 102206 North China Electric Power University, No. 2 Beinong Road, Changping District, Beijing

Applicant before: NORTH CHINA ELECTRIC POWER University

Applicant before: Zhang Hao

GR01 Patent grant
GR01 Patent grant