CN115882454A - 基于多元信息融合的源荷功率预测方法及系统 - Google Patents
基于多元信息融合的源荷功率预测方法及系统 Download PDFInfo
- Publication number
- CN115882454A CN115882454A CN202310085800.7A CN202310085800A CN115882454A CN 115882454 A CN115882454 A CN 115882454A CN 202310085800 A CN202310085800 A CN 202310085800A CN 115882454 A CN115882454 A CN 115882454A
- Authority
- CN
- China
- Prior art keywords
- power prediction
- prediction result
- load
- information
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于多元信息融合的源荷功率预测方法及系统,包括基于所获取的目标区域的历史风电功率序列信息,结合第一气象特征信息,通过预先构建的风电功率预测模型,确定风电功率预测结果;基于所获取的历史卫星云图序列信息,结合第二气象特征信息,通过预先构建的光伏功率预测模型,确定光伏功率预测结果;基于所获取的各类负荷设备的负荷序列信息,以及第三气象特征信息,构建为负荷功率特征集,通过预先构建的负荷功率预测模型,确定负荷功率预测结果;根据风电功率预测结果、光伏功率预测结果以及负荷功率预测结果,通过预先构建的综合功率预测模型,确定综合预测结果。本发明能够准确进行源荷功率预测。
Description
技术领域
本发明涉及电网技术领域,尤其涉及一种基于多元信息融合的源荷功率预测方法及系统。
背景技术
现有能源供给清洁化水平大幅提升的同时,新能源功率不确定性以及本地常规电源开机不足,给电网的新能源承载能力和灵活调节能力带来了巨大挑战。由于缺乏不确定性度量方法与风险量化分析手段,现有调度方法难以预测新能源波动范围与电网功率平衡风险,传统“源随荷动”的电网调节方式难以保障大规模新能源接入下电网的功率平衡。
发明于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明实施例提供一种基于多元信息融合的源荷功率预测方法及系统,能够至少解决现有技术中的部分问题,也即解决源荷功率波动特性表征困难、多元相依关系提取复杂的问题。
本发明实施例的第一方面,
提供一种基于多元信息融合的源荷功率预测方法,包括:
基于所获取的目标区域的历史风电功率序列信息,结合与所述历史风电功率序列耦合的第一气象特征信息,提取所述历史风电功率序列信息和所述气象特征信息对应的高频特征分量和低频特征分量,根据所述高频特征分量和低频特征分量通过预先构建的风电功率预测模型,确定风电功率预测结果;
基于所获取的所述目标区域的历史卫星云图序列信息,通过定位算法确定所述历史卫星云图序列信息的云遮挡区域,结合与所述云遮挡区域耦合的第二气象特征信息,通过预先构建的光伏功率预测模型,确定光伏功率预测结果;
基于所获取的所述目标区域的各类负荷设备的负荷序列信息,根据变分模态分解将所述负荷序列信息分解为多个本征模态函数,将所述多个本征模态函数以及与所述多个本征模态函数耦合的第三气象特征信息构建为负荷功率特征集,通过预先构建的负荷功率预测模型,确定负荷功率预测结果;
根据所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果,通过预先构建的综合功率预测模型,分别为所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果分配对应的预测权重值,确定综合预测结果。
在一种可选的实施方式中,
所述风电功率预测模型包括第一预测子模型和第二预测子模型,所述风电功率预测结果包括第一功率预测结果和第二功率预测结果;
所述风电功率预测模型包括第一预测子模型,所述风电功率预测结果包括第一功率预测结果时,所述确定风电功率预测结果包括:
根据所述低频特征分量与所述第一预测子模型历史预留的状态值生成低频特征更新信息;
根据所述低频特征分量对应的权重矩阵、以及所述第一预测子模型的记忆单元对应的权重矩阵进行点乘运算,生成低频特征遗忘信息;
基于所述低频特征更新信息以及所述低频特征遗忘信息,通过反向传播算法确定第一功率预测结果。
在一种可选的实施方式中,
所述风电功率预测模型包括第二预测子模型,所述风电功率预测结果包括第二功率预测结果时,所述确定风电功率预测结果还包括:
根据所述高频特征分量设置所述第二预测子模型输入层的权重、隐藏层的节点参数和输出层的节点参数;
基于所述输入层的权重、所述隐藏层的节点参数、所述输出层的节点参数以及所述第二预测子模型的传递函数,设置所述输入层与所述隐藏层的第一权重矩阵,以及所述隐藏层与所述输出层的第二权重矩阵;
基于所述第一权重矩阵,所述第二权重矩阵,所述输入层的权重以及所述高频特征分量,通过所述第二预测子模型的激活函数,确定第二功率预测结果。
在一种可选的实施方式中,
所述基于所获取的所述目标区域的历史卫星云图序列信息,通过定位算法确定所述历史卫星云图序列信息的云遮挡区域包括:
根据所述历史卫星云图序列信息中卫星图像的图像中心、云层高度,以及对应时刻太阳的高度角和方位角,确定对应时刻太阳光线与云层在三维空间的交点位置,以及所述交点位置在二维空间的映射位置;
基于所述交点位置和所述映射位置,结合高斯滤波器将所述历史卫星云图序列信息中卫星图像进行图像分解,并通过导向滤波将分解后的图像进行融合,得到云遮挡区域。
在一种可选的实施方式中,
所述结合与所述云遮挡区域耦合的第二气象特征信息,通过预先构建的光伏功率预测模型,确定光伏功率预测结果包括:
将所述云遮挡区域对应的图像特征,以及与所述云遮挡区域耦合的第二气象特征信息对应的气象特征分别输入所述光伏功率预测模型;
根据所述光伏功率预测模型的目标函数分别为所述图像特征设置第一加权系数,为所述气象特征设置第二加权系数;
根据所述图像特征、所述第一加权系数以及所述气象特征、所述第二加权系数,输出光伏功率概率密度预测结果,并将所述光伏功率概率密度预测结果的中位数作为所述光伏功率预测结果。
在一种可选的实施方式中,
所述基于所获取的所述目标区域的各类负荷设备的负荷序列信息,根据变分模态分解将所述负荷序列信息分解为多个本征模态函数,将所述多个本征模态函数以及与所述多个本征模态函数耦合的第三气象特征信息构建为负荷功率特征集,通过预先构建的负荷功率预测模型,确定负荷功率预测结果包括:
通过所述负荷功率预测模型将所述多个本征模态函数进行希伯尔特变换,并对进行希伯尔特变换后的多个本征模态函数进行频谱调制,并引入二次平衡参数与拉格朗日乘子,将所述多个本征模态函数与所述第三气象特征信息进行非线性融合;
根据所述负荷功率预测模型的光滑权重参数,非线性映射函数,以及惩罚参数、松弛变量和容许误差,结合所述多个本征模态函数与所述第三气象特征信息进行非线性融合的结果,通过所述负荷功率预测模型的核函数,确定所述负荷功率预测结果。
在一种可选的实施方式中,
所述方法还包括优化所述负荷功率预测模型:
初始化所述负荷功率预测模型的适应度参数、模型参数以及预设取值范围,以及存储所述适应度参数、所述模型参数以及所述预设取值范围的原始存储矩阵;
将所述原始存储矩阵中的元素进行随机替换,产生新存储矩阵,迭代比较所述新存储矩阵、所述原始存储矩阵与所述适应度参数的匹配值,将满足迭代停止条件的新存储矩阵中的元素更新所述负荷功率预测模型的适应度参数、模型参数以及预设取值范围。
本发明实施例的第二方面,
提供一种基于多元信息融合的源荷功率预测系统,包括:
第一单元,用于基于所获取的目标区域的历史风电功率序列信息,结合与所述历史风电功率序列耦合的第一气象特征信息,提取所述历史风电功率序列信息和所述气象特征信息对应的高频特征分量和低频特征分量,根据所述高频特征分量和低频特征分量通过预先构建的风电功率预测模型,确定风电功率预测结果;
第二单元,用于基于所获取的所述目标区域的历史卫星云图序列信息,通过定位算法确定所述历史卫星云图序列信息的云遮挡区域,结合与所述云遮挡区域耦合的第二气象特征信息,通过预先构建的光伏功率预测模型,确定光伏功率预测结果;
第三单元,用于基于所获取的所述目标区域的各类负荷设备的负荷序列信息,根据变分模态分解将所述负荷序列信息分解为多个本征模态函数,将所述多个本征模态函数以及与所述多个本征模态函数耦合的第三气象特征信息构建为负荷功率特征集,通过预先构建的负荷功率预测模型,确定负荷功率预测结果;
第四单元,用于根据所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果,通过预先构建的综合功率预测模型,分别为所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果分配对应的预测权重值,确定综合预测结果。
本发明实施例的第三方面,
提供一种设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明的方法解决了源荷功率波动特性表征困难、多元相依关系提取复杂的难题,显著提升源荷功率的预测精度;通过源荷功率的组合概率预测方法,融合多模型优势对预测误差不确定性进行量化预估,突破了传统方法难以适应环境动态变化的局限,为超短期电网新能源承载能力评估提供了可靠的数据支撑。
以数据驱动的方式重构了整个风电动态系统,突破了传统预设模型、参数化预测的局限,有效挖掘了风电功率时序变化特性与气象相依特性;将图像识别理论与数据驱动理论相结合,解决了卫星图像更新频率低、分辨率差等问题,突破了传统方法难以准确预估云团运动和消散等限制;
通过构建气象偏差与负荷偏差间的映射关系,利用数值气象信息实现基准负荷曲线的修正,提升对负荷短期波动的预测准确性,有效避免陷入局部最优。充分挖掘了负荷波动的时序相似性与气象相依性,显著提高了负荷预测精度。通过多模型优势融合,突破了单模型方法难以适应环境动态变化的局限,实现了概率预测的现实应用。
附图说明
图1为本发明实施例基于多元信息融合的源荷功率预测方法的流程示意图;
图2为本发明实施例基于多元信息融合的源荷功率预测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例基于多元信息融合的源荷功率预测方法的流程示意图,如图1所示,所述方法包括:
S101. 基于所获取的目标区域的历史风电功率序列信息,结合与所述历史风电功率序列耦合的第一气象特征信息,提取所述历史风电功率序列信息和所述气象特征信息对应的高频特征分量和低频特征分量,根据所述高频特征分量和低频特征分量通过预先构建的风电功率预测模型,确定风电功率预测结果;
示例性地,风电功率的预测是通过时间序列的历史数据来得到其未来一段时间的预测信息。受风速、风向、气压等气象信息的影响,风电功率序列含有较高的波动成分,直接对其进行预测将造成较大的误差。针对不平稳性的风电功率序列,必须对其进行分解,以获取平稳性较高的特征分量序列。
由于风电功率与风速、风向等多个气象信息相关。若只利用单个功率因素作为预测功率的输入,结果会不够准确,因此可以在风电功率预测模型的输入向量中加入气象特征信息,以提高结果的准确性。其中,本发明实施例的历史风电功率序列信息可以为目标区域中当前时刻以前预设时间段的风电功率信息,风电功率在一年中不同时间具有较强的间断性和不平稳性,春季、秋季和冬季多大风天气,风能充足,风电发电量大;夏季由于天气闷热多雨,风能相对不足。
风力发电主要依靠穿透风机叶片的空气带动叶片转动发电,随着空气密度的增加,风电功率也随之变大,所以空气密度的大小对风电功率大小起着至关重要的作用,与所述历史风电功率序列耦合的第一气象特征信息可以包括温度、湿度、大气压强、风向、空气密度以及风速中至少一种;需要说明的是本发明实施例的第二气象特征信息和第三气象特征信息可与第一气象特征信息相同,也可以包括其他气象相关的信息。
示例性地,本发明实施例的所述高频特征分量为所述历史风电功率序列信息和所述气象特征信息中每一周期内时间跨度短,包含的序列数据量小但数据复杂多变的特征值;低频特征分量为所述历史风电功率序列信息和所述气象特征信息中每一周期内时间跨度长,包含的序列数据量大,并且在后续模型预测过程中,存在梯度消失和梯度爆炸问题的特征值。
示例性地,本发明实施例的风电功率预测模型基于至少两个神经网络模型构建,分别用于对高频特征分量和低频特征分量进行处理,并且综合对高频特征分量和低频特征分量处理的结果进行风电功率预测结果。
在一种可选的实施方式中,在根据所述高频特征分量和低频特征分量通过预先构建的风电功率预测模型,确定风电功率预测结果之前,所述方法还包括:
分别确定所述高频特征分量的第一特征均值,和所述低频特征分量的第二特征均值,并分别将每个高频特征分量减去所述第一特征均值,得到第一降维特征,以及将每个低频特征分量减去所述第二特征均值,得到第二降维特征;
分别设置所述第一降维特征对应的第一协方差矩阵,和所述第二降维特征对应的第二协方差矩阵;
基于所述第一降维特征和所述第一协方差矩阵确定所述第一降维特征对应的第一贡献值;基于所述第二降维特征和所述第二协方差矩阵确定所述第二降维特征对应的第二贡献值;
将低于预设筛选阈值的所述第一贡献值和所述第二贡献值对应的降维特征筛除。
可以理解的是,本发明实施例中高频特征分量和低频特征分量还包括与预测相关性较弱的特征,通过对高频特征分量和低频特征分量进行降维处理,能够有效提高模型预测输入数据的质量,为后续预测提高准确率。
在一种可选的实施方式中,所述风电功率预测模型包括第一预测子模型和第二预测子模型,所述风电功率预测结果包括第一功率预测结果和第二功率预测结果;示例性地,本发明实施例的第一预测子模型可以包括基于长短期记忆网络改进后的预测模型,所述第二预测子模型可以包括基于极限学习机改进后的预测模型。
所述根据所述高频特征分量和低频特征分量通过预先构建的风电功率预测模型,确定风电功率预测结果包括:
所述风电功率预测模型包括第一预测子模型,所述风电功率预测结果包括第一功率预测结果时,所述确定风电功率预测结果包括:
根据所述低频特征分量与所述第一预测子模型历史预留的状态值生成低频特征更新信息;
根据所述低频特征分量对应的权重矩阵、以及所述第一预测子模型的记忆单元对应的权重矩阵进行点乘运算,生成低频特征遗忘信息;
基于所述低频特征更新信息以及所述低频特征遗忘信息,通过反向传播算法确定第一功率预测结果。
示例性地,以第一预测子模型为基于长短期记忆网络改进后的预测模型为例,需要说明的是,本发明实施例中第一预测子模型的类型只是示例性说明,本发明实施例对第一预测子模型的具体类型并不进行限定,对第二预测子模型同理,后续不再赘述。
其中,根据所述低频特征分量与所述第一预测子模型历史预留的状态值生成低频特征更新信息可以如下公式所示:
其中,i t 表示t时刻的低频特征更新信息,其值范围为0-1,表示激活函数,w xi 、w hi 、w ci 分别表示低频特征更新信息对应的连接t时刻的低频特征分量的权重矩阵、连接t-1
时刻低频特征更新信息的权重矩阵、连接记忆单元的权重矩阵,x t 表示t时刻的低频特征分
量,h t-1 表示t-1时刻的状态值,c t-1 表示t-1时刻的记忆单元,b i 表示低频特征更新信息对应
的偏置向量;
根据所述低频特征分量对应的权重矩阵、以及所述第一预测子模型的记忆单元对应的权重矩阵进行点乘运算,生成低频特征遗忘信息可以如下公式所示:
其中,g t 表示t时刻的低频特征遗忘信息,w xg 、w hg 、w cg 分别表示低频特征遗忘信息对应的连接t时刻的低频特征分量的权重矩阵、连接t-1时刻低频特征遗忘信息的权重矩阵、连接记忆单元的权重矩阵,b g 表示低频特征遗忘信息对应的偏置向量;
基于所述低频特征更新信息以及所述低频特征遗忘信息,通过反向传播算法确定第一功率预测结果可以如下公式所示:
其中,c t 表示t时刻的第一功率预测结果,w xc 、w hc 分别表示第一功率预测结果对应的连接t时刻的低频特征分量的权重矩阵、连接t-1时刻低频特征遗忘信息的权重矩阵,b c 表示第一功率预测结果对应的偏置向量。
所述风电功率预测模型包括第二预测子模型,所述风电功率预测结果包括第二功率预测结果时,所述确定风电功率预测结果包括:
根据所述高频特征分量设置所述第二预测子模型输入层的权重、隐藏层的节点参数和输出层的节点参数;
基于所述输入层的权重、所述隐藏层的节点参数、所述输出层的节点参数以及所述第二预测子模型的传递函数,设置所述输入层与所述隐藏层的第一权重矩阵,以及所述隐藏层与所述输出层的第二权重矩阵;
基于所述第一权重矩阵,所述第二权重矩阵,所述输入层的权重以及所述高频特征分量,通过所述第二预测子模型的激活函数,确定第二功率预测结果。
其中,所述第二预测子模型包括输入层、隐藏层以及输出层,确定第二功率预测结果如下公式所示:
其中,T表示第二功率预测结果,L表示隐藏层节点的个数,Bi表示连接隐藏层节点和输出层节点的权重矩阵,也即第二权重矩阵,g表示传递函数,Wi表示连接隐藏层节点和输入层节点的权重矩阵,也即第一权重矩阵,x i 表示所述高频特征分量,bi表示偏置矩阵。
将第一功率预测结果和第二功率预测结果进行加权组合,得到风电功率预测结果。
其中,加权组合可以分别为第一功率预测结果和第二功率预测结果设置相应的权重值,得出综合性的预测结果。
本实施例的方法充分考虑风电气象信息与风电功率的强耦合作用,在组合预测模型的输入特征向量中加入气象特征信息,并对相应特征进行降维处理,减少与线性无关的综合特征,在不明显影响预测精度的前提下,显著降低模型的建模复杂度和预测时间。
针对低频分量每一周期内时间跨度长,包含的序列数据量大,建模过程中存在梯度消失和梯度爆炸的特点,提出建立能够灵活适应其时序属性的第一预测子模型。针对高频特征分量每一周期内时间跨度短,包含的序列数据量小但数据复杂多变的特点,提出建立泛化性能优良,收敛速度快的第一预测子模型。
S102. 基于所获取的所述目标区域的历史卫星云图序列信息,通过定位算法确定所述历史卫星云图序列信息的云遮挡区域,结合与所述云遮挡区域耦合的第二气象特征信息,通过预先构建的光伏功率预测模型,确定光伏功率预测结果;
示例性地,规律性太阳运动与波动性大气状态相互作用将导致太阳辐照度变化复杂,使得小时级别的特征难以捕捉,同时云团的生消运动也会造成地表辐照度快速剧烈变化,因此多云天气下光伏出力多呈现出无惯性突变。
云的运动和消散是影响光伏功率波动的关键因素。准确获取云信息与光伏功率之间的映射关系,云图中含有云运动状态以及分布情况等大量信息,对于实现光伏功率预测具有重要意义。
可选地,卫星可见光云图由像素强度矩阵组成,由于太阳高度角的影响,可见光云图的像素强度值呈现出在早上和晚上整体较小,而在中午较大的情况,这种情况被称为卫星可见光云图的日内差异特征。在卫星可见光云图中,像素值的大小可以反映云层的透射情况,即云层厚薄。因此,日内差异性会影响云层厚薄信息的准确性。
因此,为了实时定位到相关特征区域,即卫星云图中遮挡入射至光伏电站的太阳光线的云区域,可通过定位算法确定所述历史卫星云图序列信息的云遮挡区域:
根据所述历史卫星云图序列信息中卫星图像的图像中心、云层高度,以及对应时刻太阳的高度角和方位角,确定对应时刻太阳光线与云层在三维空间的交点位置,以及所述交点位置在二维空间的映射位置;
基于所述交点位置和所述映射位置,结合高斯滤波器将所述历史卫星云图序列信息中卫星图像进行图像分解,并通过导向滤波将分解后的图像进行融合,得到云遮挡区域。
其中,卫星图像的图像中心可以表示为光伏电站,
交点位置在二维空间的映射位置可表示为:
其中,(x,y)表示交点位置在二维空间的映射位置,(x 0 ,y 0 )表示卫星图像的图像中心,L表示交点位置与卫星图像的图像中心的距离,a表示太阳的方位角,H表示云层高度,d表示高度角。
结合与所述云遮挡区域耦合的第二气象特征信息,通过预先构建的光伏功率预测模型,确定光伏功率预测结果包括:
将所述云遮挡区域对应的图像特征,以及与所述云遮挡区域耦合的第二气象特征信息对应的气象特征分别输入所述光伏功率预测模型;
根据所述光伏功率预测模型的目标函数分别为所述图像特征设置第一加权系数,为所述气象特征设置第二加权系数;
根据所述图像特征、所述第一加权系数以及所述气象特征、所述第二加权系数,输出光伏功率概率密度预测结果,并将所述光伏功率概率密度预测结果的中位数作为所述光伏功率预测结果。
确定光伏功率预测结果可以如下公式所示:
其中,J表示光伏功率概率密度预测结果,P(.)表示概率密度函数,R1、R2分别表示第一加权系数和第二加权系数,Z1、Z2分别表示所述图像特征和所述气象特征对应的隐层特征,N表示标准正态分布,X1、X2分别表示所述图像特征和所述气象特征。
S103. 基于所获取的所述目标区域的各类负荷设备的负荷序列信息,根据变分模态分解将所述负荷序列信息分解为多个本征模态函数,将所述多个本征模态函数以及与所述多个本征模态函数耦合的第三气象特征信息构建为负荷功率特征集,通过预先构建的负荷功率预测模型,确定负荷功率预测结果;
在一种可选的实施方式中,所述确定负荷功率预测结果包括:
通过所述负荷功率预测模型将所述多个本征模态函数进行希伯尔特变换,并对进行希伯尔特变换后的多个本征模态函数进行频谱调制,并引入二次平衡参数与拉格朗日乘子,将所述多个本征模态函数与所述第三气象特征信息进行非线性融合;
根据所述负荷功率预测模型的光滑权重参数,非线性映射函数,以及惩罚参数、松弛变量和容许误差,结合所述多个本征模态函数与所述第三气象特征信息进行非线性融合的结果,通过所述负荷功率预测模型的核函数,确定所述负荷功率预测结果。
示例性地,各类负荷设备的负荷波动较大,为了避免求解过程中的过拟合现象出现,提高预测精度,可以将负荷序列信息进行分解,提高抗噪能力。可选地,对多个本征模态函数进行希伯尔特变换可以如下公式所示:
确定所述负荷功率预测结果可以如下公式所示:
在一种可选的实施方式中,
所述方法还包括优化所述负荷功率预测模型,优化方法包括:
初始化所述负荷功率预测模型的适应度参数、模型参数以及预设取值范围,以及存储所述适应度参数、所述模型参数以及所述预设取值范围的原始存储矩阵;
将所述原始存储矩阵中的元素进行随机替换,产生新存储矩阵,迭代比较所述新存储矩阵、所述原始存储矩阵与所述适应度参数的匹配值,将满足迭代停止条件的新存储矩阵中的元素更新所述负荷功率预测模型的适应度参数、模型参数以及预设取值范围。
S104. 根据所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果,通过预先构建的综合功率预测模型,分别为所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果分配对应的预测权重值,确定综合预测结果。
分别为对应功率预测结果分配对应的预测权重值,通过加权组合的方式,对预测误差不确定性进行量化预估,融合多个预测模型的优势,提高了整体的预测准确率。
通过多模型优势融合,突破了单模型方法难以适应环境动态变化的局限,实现了概率预测的现实应用。
图2为本发明实施例基于多元信息融合的源荷功率预测系统的结构示意图,如图2所示,所述系统包括:
第一单元,用于基于所获取的目标区域的历史风电功率序列信息,结合与所述历史风电功率序列耦合的第一气象特征信息,提取所述历史风电功率序列信息和所述气象特征信息对应的高频特征分量和低频特征分量,根据所述高频特征分量和低频特征分量通过预先构建的风电功率预测模型,确定风电功率预测结果;
第二单元,用于基于所获取的所述目标区域的历史卫星云图序列信息,通过定位算法确定所述历史卫星云图序列信息的云遮挡区域,结合与所述云遮挡区域耦合的第二气象特征信息,通过预先构建的光伏功率预测模型,确定光伏功率预测结果;
第三单元,用于基于所获取的所述目标区域的各类负荷设备的负荷序列信息,根据变分模态分解将所述负荷序列信息分解为多个本征模态函数,将所述多个本征模态函数以及与所述多个本征模态函数耦合的第三气象特征信息构建为负荷功率特征集,通过预先构建的负荷功率预测模型,确定负荷功率预测结果;
第四单元,用于根据所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果,通过预先构建的综合功率预测模型,分别为所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果分配对应的预测权重值,确定综合预测结果。
本发明实施例的第三方面,
提供一种设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行前述所述的方法。
本发明实施例的第四方面,
提供一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、系统和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本发明的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本发明操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本发明的各个方面。
这里参照根据本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本发明的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理单元,从而生产出一种机器,使得这些指令在通过计算机或其他可编程数据处理装置的处理单元执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其他可编程数据处理装置、或其他设备上,使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其他可编程数据处理装置、或其他设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
注意,除非另有直接说明,否则本说明书(包含任何所附权利要求、摘要和附图)中所揭示的所有特征皆可由用于达到相同、等效或类似目的的可替代特征来替换。因此,除非另有明确说明,否则所发明的每一个特征仅是一组等效或类似特征的一个示例。在使用到的情况下,进一步地、较优地、更进一步地和更优地是在前述实施例基础上进行另一实施例阐述的简单起头,该进一步地、较优地、更进一步地或更优地后带的内容与前述实施例的结合作为另一实施例的完整构成。在同一实施例后带的若干个进一步地、较优地、更进一步地或更优地设置之间可任意组合的组成又一实施例。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (10)
1.一种基于多元信息融合的源荷功率预测方法,其特征在于,包括:
基于所获取的目标区域的历史风电功率序列信息,结合与所述历史风电功率序列耦合的第一气象特征信息,提取所述历史风电功率序列信息和所述气象特征信息对应的高频特征分量和低频特征分量,根据所述高频特征分量和低频特征分量通过预先构建的风电功率预测模型,确定风电功率预测结果;
基于所获取的所述目标区域的历史卫星云图序列信息,通过定位算法确定所述历史卫星云图序列信息的云遮挡区域,结合与所述云遮挡区域耦合的第二气象特征信息,通过预先构建的光伏功率预测模型,确定光伏功率预测结果;
基于所获取的所述目标区域的各类负荷设备的负荷序列信息,根据变分模态分解将所述负荷序列信息分解为多个本征模态函数,将所述多个本征模态函数以及与所述多个本征模态函数耦合的第三气象特征信息构建为负荷功率特征集,通过预先构建的负荷功率预测模型,确定负荷功率预测结果;
根据所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果,通过预先构建的综合功率预测模型,分别为所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果分配对应的预测权重值,确定综合预测结果。
2.根据权利要求1所述的方法,其特征在于,所述风电功率预测模型包括第一预测子模型和第二预测子模型,所述风电功率预测结果包括第一功率预测结果和第二功率预测结果;
所述风电功率预测模型包括第一预测子模型,所述风电功率预测结果包括第一功率预测结果时,所述确定风电功率预测结果包括:
根据所述低频特征分量与所述第一预测子模型历史预留的状态值生成低频特征更新信息;
根据所述低频特征分量对应的权重矩阵、以及所述第一预测子模型的记忆单元对应的权重矩阵进行点乘运算,生成低频特征遗忘信息;
基于所述低频特征更新信息以及所述低频特征遗忘信息,通过反向传播算法确定第一功率预测结果。
3.根据权利要求2所述的方法,其特征在于,所述风电功率预测模型包括第二预测子模型,所述风电功率预测结果包括第二功率预测结果时,所述确定风电功率预测结果还包括:
根据所述高频特征分量设置所述第二预测子模型输入层的权重、隐藏层的节点参数和输出层的节点参数;
基于所述输入层的权重、所述隐藏层的节点参数、所述输出层的节点参数以及所述第二预测子模型的传递函数,设置所述输入层与所述隐藏层的第一权重矩阵,以及所述隐藏层与所述输出层的第二权重矩阵;
基于所述第一权重矩阵,所述第二权重矩阵,所述输入层的权重以及所述高频特征分量,通过所述第二预测子模型的激活函数,确定第二功率预测结果。
4.根据权利要求1所述的方法,其特征在于,所述基于所获取的所述目标区域的历史卫星云图序列信息,通过定位算法确定所述历史卫星云图序列信息的云遮挡区域包括:
根据所述历史卫星云图序列信息中卫星图像的图像中心、云层高度,以及对应时刻太阳的高度角和方位角,确定对应时刻太阳光线与云层在三维空间的交点位置,以及所述交点位置在二维空间的映射位置;
基于所述交点位置和所述映射位置,结合高斯滤波器将所述历史卫星云图序列信息中卫星图像进行图像分解,并通过导向滤波将分解后的图像进行融合,得到云遮挡区域。
5.根据权利要求4所述的方法,其特征在于,所述结合与所述云遮挡区域耦合的第二气象特征信息,通过预先构建的光伏功率预测模型,确定光伏功率预测结果包括:
将所述云遮挡区域对应的图像特征,以及与所述云遮挡区域耦合的第二气象特征信息对应的气象特征分别输入所述光伏功率预测模型;
根据所述光伏功率预测模型的目标函数分别为所述图像特征设置第一加权系数,为所述气象特征设置第二加权系数;
根据所述图像特征、所述第一加权系数以及所述气象特征、所述第二加权系数,输出光伏功率概率密度预测结果,并将所述光伏功率概率密度预测结果的中位数作为所述光伏功率预测结果。
6.根据权利要求1所述的方法,其特征在于,所述基于所获取的所述目标区域的各类负荷设备的负荷序列信息,根据变分模态分解将所述负荷序列信息分解为多个本征模态函数,将所述多个本征模态函数以及与所述多个本征模态函数耦合的第三气象特征信息构建为负荷功率特征集,通过预先构建的负荷功率预测模型,确定负荷功率预测结果包括:
通过所述负荷功率预测模型将所述多个本征模态函数进行希伯尔特变换,并对进行希伯尔特变换后的多个本征模态函数进行频谱调制,并引入二次平衡参数与拉格朗日乘子,将所述多个本征模态函数与所述第三气象特征信息进行非线性融合;
根据所述负荷功率预测模型的光滑权重参数,非线性映射函数,以及惩罚参数、松弛变量和容许误差,结合所述多个本征模态函数与所述第三气象特征信息进行非线性融合的结果,通过所述负荷功率预测模型的核函数,确定所述负荷功率预测结果。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括优化所述负荷功率预测模型:
初始化所述负荷功率预测模型的适应度参数、模型参数以及预设取值范围,以及存储所述适应度参数、所述模型参数以及所述预设取值范围的原始存储矩阵;
将所述原始存储矩阵中的元素进行随机替换,产生新存储矩阵,迭代比较所述新存储矩阵、所述原始存储矩阵与所述适应度参数的匹配值,将满足迭代停止条件的新存储矩阵中的元素更新所述负荷功率预测模型的适应度参数、模型参数以及预设取值范围。
8.一种基于多元信息融合的源荷功率预测系统,其特征在于,包括:
第一单元,用于基于所获取的目标区域的历史风电功率序列信息,结合与所述历史风电功率序列耦合的第一气象特征信息,提取所述历史风电功率序列信息和所述气象特征信息对应的高频特征分量和低频特征分量,根据所述高频特征分量和低频特征分量通过预先构建的风电功率预测模型,确定风电功率预测结果;
第二单元,用于基于所获取的所述目标区域的历史卫星云图序列信息,通过定位算法确定所述历史卫星云图序列信息的云遮挡区域,结合与所述云遮挡区域耦合的第二气象特征信息,通过预先构建的光伏功率预测模型,确定光伏功率预测结果;
第三单元,用于基于所获取的所述目标区域的各类负荷设备的负荷序列信息,根据变分模态分解将所述负荷序列信息分解为多个本征模态函数,将所述多个本征模态函数以及与所述多个本征模态函数耦合的第三气象特征信息构建为负荷功率特征集,通过预先构建的负荷功率预测模型,确定负荷功率预测结果;
第四单元,用于根据所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果,通过预先构建的综合功率预测模型,分别为所述风电功率预测结果、所述光伏功率预测结果以及所述负荷功率预测结果分配对应的预测权重值,确定综合预测结果。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085800.7A CN115882454B (zh) | 2023-02-09 | 2023-02-09 | 基于多元信息融合的源荷功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310085800.7A CN115882454B (zh) | 2023-02-09 | 2023-02-09 | 基于多元信息融合的源荷功率预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115882454A true CN115882454A (zh) | 2023-03-31 |
CN115882454B CN115882454B (zh) | 2023-08-15 |
Family
ID=85760926
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310085800.7A Active CN115882454B (zh) | 2023-02-09 | 2023-02-09 | 基于多元信息融合的源荷功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115882454B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562398A (zh) * | 2023-07-11 | 2023-08-08 | 北京东润环能科技股份有限公司 | 电力负荷预测模型训练方法、预测方法、电子设备和介质 |
CN117134468A (zh) * | 2023-10-25 | 2023-11-28 | 深圳联芯微电子科技有限公司 | 一种动态调整功率的稳定pd快充系统及方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
CN108537121A (zh) * | 2018-03-07 | 2018-09-14 | 中国科学院西安光学精密机械研究所 | 气象环境参数与图像信息融合的自适应遥感场景分类方法 |
WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
US20200127598A1 (en) * | 2017-07-04 | 2020-04-23 | Taiwan Power Company | Power generation prediction system and method thereof |
CN111382906A (zh) * | 2020-03-06 | 2020-07-07 | 南京工程学院 | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 |
CN111585310A (zh) * | 2020-04-07 | 2020-08-25 | 国网冀北电力有限公司 | 一种分布式电源出力预测的方法和装置 |
CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及系统 |
CN111832825A (zh) * | 2020-07-14 | 2020-10-27 | 山东大学 | 融合长短期记忆网络和极限学习机的风电预测方法及系统 |
CN111950793A (zh) * | 2020-08-17 | 2020-11-17 | 浙江工业大学 | 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法 |
CN112507793A (zh) * | 2020-11-05 | 2021-03-16 | 上海电力大学 | 一种超短期光伏功率预测方法 |
CN113128793A (zh) * | 2021-05-19 | 2021-07-16 | 中国南方电网有限责任公司 | 一种基于多源数据融合的光伏功率组合预测方法及系统 |
CN113378459A (zh) * | 2021-06-02 | 2021-09-10 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
CN115375014A (zh) * | 2022-08-08 | 2022-11-22 | 国电南瑞科技股份有限公司 | 一种源荷组合概率预测方法、装置及存储介质 |
CN115423140A (zh) * | 2022-05-31 | 2022-12-02 | 南京工程学院 | 一种电力系统短期负荷预测方法 |
CN115423143A (zh) * | 2022-07-15 | 2022-12-02 | 国网安徽省电力有限公司经济技术研究院 | 一种基于回归分析和lssvm的源荷一体化预测方法 |
CN115471362A (zh) * | 2022-09-26 | 2022-12-13 | 东南大学 | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 |
-
2023
- 2023-02-09 CN CN202310085800.7A patent/CN115882454B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200127598A1 (en) * | 2017-07-04 | 2020-04-23 | Taiwan Power Company | Power generation prediction system and method thereof |
CN107392364A (zh) * | 2017-07-12 | 2017-11-24 | 河海大学 | 变分模态分解与深度信念网络的短期负荷预测方法 |
WO2019141040A1 (zh) * | 2018-01-22 | 2019-07-25 | 佛山科学技术学院 | 一种短期电力负荷预测方法 |
CN108537121A (zh) * | 2018-03-07 | 2018-09-14 | 中国科学院西安光学精密机械研究所 | 气象环境参数与图像信息融合的自适应遥感场景分类方法 |
CN111382906A (zh) * | 2020-03-06 | 2020-07-07 | 南京工程学院 | 一种电力负荷预测方法、系统、设备和计算机可读存储介质 |
CN111585310A (zh) * | 2020-04-07 | 2020-08-25 | 国网冀北电力有限公司 | 一种分布式电源出力预测的方法和装置 |
CN111815038A (zh) * | 2020-06-24 | 2020-10-23 | 山东大学 | 一种光伏超短期预测方法及系统 |
CN111832825A (zh) * | 2020-07-14 | 2020-10-27 | 山东大学 | 融合长短期记忆网络和极限学习机的风电预测方法及系统 |
CN111950793A (zh) * | 2020-08-17 | 2020-11-17 | 浙江工业大学 | 一种考虑多元负荷耦合特性的综合能源系统负荷预测方法 |
CN112507793A (zh) * | 2020-11-05 | 2021-03-16 | 上海电力大学 | 一种超短期光伏功率预测方法 |
CN113128793A (zh) * | 2021-05-19 | 2021-07-16 | 中国南方电网有限责任公司 | 一种基于多源数据融合的光伏功率组合预测方法及系统 |
CN113378459A (zh) * | 2021-06-02 | 2021-09-10 | 兰州交通大学 | 基于卫星和物联网信息的光伏电站超短期功率预测方法 |
CN115423140A (zh) * | 2022-05-31 | 2022-12-02 | 南京工程学院 | 一种电力系统短期负荷预测方法 |
CN115423143A (zh) * | 2022-07-15 | 2022-12-02 | 国网安徽省电力有限公司经济技术研究院 | 一种基于回归分析和lssvm的源荷一体化预测方法 |
CN115375014A (zh) * | 2022-08-08 | 2022-11-22 | 国电南瑞科技股份有限公司 | 一种源荷组合概率预测方法、装置及存储介质 |
CN115471362A (zh) * | 2022-09-26 | 2022-12-13 | 东南大学 | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562398A (zh) * | 2023-07-11 | 2023-08-08 | 北京东润环能科技股份有限公司 | 电力负荷预测模型训练方法、预测方法、电子设备和介质 |
CN116562398B (zh) * | 2023-07-11 | 2023-09-08 | 北京东润环能科技股份有限公司 | 电力负荷预测模型训练方法、预测方法、电子设备和介质 |
CN117134468A (zh) * | 2023-10-25 | 2023-11-28 | 深圳联芯微电子科技有限公司 | 一种动态调整功率的稳定pd快充系统及方法 |
CN117134468B (zh) * | 2023-10-25 | 2024-02-13 | 深圳联芯微电子科技有限公司 | 一种动态调整功率的稳定pd快充系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115882454B (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210271934A1 (en) | Method and System for Predicting Wildfire Hazard and Spread at Multiple Time Scales | |
US11714937B2 (en) | Estimating physical parameters of a physical system based on a spatial-temporal emulator | |
Bonavita et al. | Machine learning for model error inference and correction | |
Cannon | Quantile regression neural networks: Implementation in R and application to precipitation downscaling | |
Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
US10732319B2 (en) | Forecasting solar power output | |
Salvi et al. | High‐resolution multisite daily rainfall projections in India with statistical downscaling for climate change impacts assessment | |
CN115882454B (zh) | 基于多元信息融合的源荷功率预测方法及系统 | |
US10673372B2 (en) | Cognitively predicting dust deposition on solar photovoltaic modules | |
US11720727B2 (en) | Method and system for increasing the resolution of physical gridded data | |
US10956993B2 (en) | Method and device for determining energy system operating scenario | |
CN114493050A (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
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 | |
CN115347571B (zh) | 基于迁移学习的光伏发电功率短期预测方法及装置 | |
CN112668238A (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
Ye et al. | Multi-year ENSO forecasts using parallel convolutional neural networks with heterogeneous architecture | |
Mishra et al. | An integrated multi-time-scale modeling for solar irradiance forecasting using deep learning | |
Dutt et al. | Artificial intelligence and technology in weather forecasting and renewable energy systems: emerging techniques and worldwide studies | |
Shenvi et al. | Forecasting of ionospheric total electron content data using multivariate deep LSTM model for different latitudes and solar activity | |
Martins et al. | Clearness index forecasting: A comparative study between a stochastic realization method and a machine learning algorithm | |
Sahai et al. | A bias-correction and downscaling technique for operational extended range forecasts based on self organizing map | |
Dueben et al. | Deep learning to improve weather predictions | |
Li et al. | Deep learning model for short-term photovoltaic power forecasting based on variational mode decomposition and similar day clustering | |
US20230195949A1 (en) | Neural operators for fast weather and climate predictions | |
Xiao et al. | Fengwu-4dvar: Coupling the data-driven weather forecasting model with 4d variational assimilation |
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 |