CN116109007A - 发电功率确定方法、服务器及存储介质 - Google Patents
发电功率确定方法、服务器及存储介质 Download PDFInfo
- Publication number
- CN116109007A CN116109007A CN202310287913.5A CN202310287913A CN116109007A CN 116109007 A CN116109007 A CN 116109007A CN 202310287913 A CN202310287913 A CN 202310287913A CN 116109007 A CN116109007 A CN 116109007A
- Authority
- CN
- China
- Prior art keywords
- weather
- power
- time period
- target unit
- unit time
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种发电功率确定方法、服务器及存储介质。本申请的方法,针对不同的多种天气类型分别训练各天气类型对应的预测模型,预测模型结合气象特征和时间特征,精准地预测对应天气类型的单位时段的发电功率。根据待预测的目标单位时段的天气预报数据,确定目标单位时段对应于各天气类型的概率信息,将目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测;根据目标单位时段对应于各天气类型的概率信息,将各预测模型输出的预测发电功率融合,得到目标单位时段的发电功率,提升了发电功率预测的精准度,尤其提升了具有高辐照度、高温等较为极端的天气类型下的预测精准度。
Description
技术领域
本申请涉及计算机领域中发电功率预测技术,尤其涉及一种发电功率确定方法、服务器及存储介质。
背景技术
新能源发电具有不确定性和随机性特点,新能源发电的大规模装机和并网给电网安全和经济调度带来巨大挑战。为了减少新能源发电大规模并网带来的影响,需要对发电功率做精准的预测,支撑电力调度和电网安全,促进新能源消纳,保障社会生产生活的正常进行。
传统基于人工经验手动描点发电功率预测的方式,已经不能满足新形势下对精准度和效率的要求。为此需要引入天气预报数据,利用机器学习算法构建高精度发电功率预测模型。通过训练统一的发电功率预测模型,基于不同时刻的天气预报数据预测对应时刻的发电功率。较为复杂的机器学习方法或深度学习方法训练的预测模型,在预测精度上有所提高,但由于天气预报的误差随季节、天气状况等变化,单一的预测模型难以精确捕捉气象要素与发电功率间的关系,预测精准度低。
发明内容
本申请提供一种发电功率确定方法、服务器及存储介质,用以解决现有的发电功率预测方法的预测精准度低的问题。
一方面,本申请提供一种发电功率确定方法,包括:响应于对目标单位时段内发电功率的预测指令,获取所述目标单位时段的天气预报数据;根据所述目标单位时段的天气预报数据,确定所述目标单位时段对应的天气类型信息,并将所述目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各所述预测模型输出的预测发电功率;根据所述目标单位时段对应的天气类型信息,将各所述预测模型输出的预测发电功率融合,得到所述目标单位时段的发电功率。
另一方面,本申请提供一种发电功率确定方法,包括:响应于对待预测日的发电功率的预测指令,获取所述待预测日的天气预报数据;根据所述待预测日的天气预报数据,确定所述待预测日对应的天气类型信息,并将所述待预测日的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各所述预测模型输出的预测发电功率;根据所述待预测日对应的天气类型信息,将各所述预测模型输出的预测发电功率融合,得到所述待预测日的发电功率。
另一方面,本申请提供一种服务器,包括:处理器,以及与所述处理器通信连接的存储器;所述存储器存储计算机执行指令;所述处理器执行所述存储器存储的计算机执行指令,以实现上述任一方面所述的方法。
另一方面,本申请提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现上述任一方面所述的方法。
本申请提供的发电功率确定方法、服务器及存储介质,针对不同的多种天气类型分别训练各种天气类型对应的预测模型,该预测模型能够基于单位时段内的气象要素信息及时间特征,结合气象特征和时间特征,对属于对应天气类型的单位时段的发电功率进行精准地预测。对于待预测发电功率的目标单位时段,根据目标单位时段的天气预报数据,确定目标单位时段对应于各天气类型的概率信息,并将目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的预测发电功率;根据目标单位时段对应于各天气类型的概率信息,将各预测模型输出的预测发电功率融合,得到目标单位时段的发电功率,通过将天气分类与基于时间特征的预测模型结合,提升发电功率的预测精准度,并且能够有效应对具有高辐照度、高温等出力极大值较为极端的天气类型下的发电功率预测,提高较为极端的天气类型下的发电功率预测的精准度。
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,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
图1为本申请所适用的一种示例性的发电功率预测的系统架构图;
图2为本申请一示例性实施例提供的发电功率确定方法流程图;
图3为本申请一示例性实施例提供的日发电功率预测的方法流程图;
图4为本申请一示例性实施例提供的天气分类模型的训练的方法流程图;
图5为本申请一示例性实施例提供的不同方法预测的某日的功率曲线的对比示意图;
图6为本申请一示例性实施例提供的发电功率预测的框架图;
图7为本申请一示例性实施例提供的一目标单位时段与第二相似时段的直接日辐射的变化曲线的示意图;
图8为本申请一示例性实施例提供的发电功率确定装置的结构示意图;
图9为本申请实施例提供的一种服务器的结构示意图。
通过上述附图,已示出本申请明确的实施例,后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围,而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
首先对本申请所涉及的名词进行解释:
数值天气预报:Numerical Weather Prediction,简称NWP,根据大气当前的实际情况,在一定的初值和边界条件下,通过大规模计算求解一系列偏微分方程,预测未来一定时间段的大气运动状态和天气现象。
天气分类模型:基于重要的天气数据特征预测样本的天气标签(如晴天、有云、阴雨天等)以及属于各个天气标签的概率。天气标签指示天气类型,不同的天气标签指示不同的天气类型。
LightBGM(Light Gradient Boosting Machine):一种基于决策树的梯度提升框架, 支持高效率的并行训练。
夏普利值(Shapley Value):表示特征对输出的贡献值。
时间卷积网络:Temporal Convolutional Network,简称TCN,是一种常用于时间序列预测的神经网络结构。
绝对差值:差值的绝对值。
天气类型标签:是指天气类型的类别标签,不同天气类型具有不同的类别标签。本实施例中历史单位时段的天气类型标签指历史单位时段实际对应的天气类型的类别标签。例如,天气类型可以分为晴天、有云、阴雨天等,天气类别标签可以用不同类别编码表示,天气类型晴天、有云、阴雨天对应的天气类型标签分别可以为“1”、“2”、“3”。天气类别标签也可以用类别名称表示,天气类型晴天、有云、阴雨天对应的天气类型标签分别可以为“晴天”、“有云”、“阴雨”。
在发电功率(例如光伏发电功率)预测领域,传统基于人工经验手动描点发电功率预测的方式,已经不能满足新形势下对精准度和效率的要求。为此需要引入天气预报数据,利用机器学习算法构建高精度发电功率预测模型。一方面,发电功率预测天然具备高风险特点,本身就要求算法的高精度与高响应速度,而新能源发电的不确定性对机器学习的算法精度带来了更大挑战;另一方面,电力传统行业依然强依赖于人工经验,人为的修正和干预是算法进入电网工作实践后的必要步骤,算法的可解释功能不可或缺。
目前,大多通过训练统一的发电功率预测模型,基于不同时刻的天气预报数据预测对应时刻的发电功率。较为复杂的机器学习方法或深度学习方法训练的预测模型,在预测精度上有所提高,但由于天气预报的误差随季节、天气状况等变化,单一的预测模型难以精确捕捉气象要素与发电功率间的关系,预测精准度低,从而影响电力调度,造成地区用电供求不平衡。例如,单一的光伏预测模型难以有效应对高辐照度、高温等出力极大值较为极端的天气,其预测值往往偏低,与真实值间有较大误差。
针对现有方案中发电功率预测精准度低的问题,本申请提供一种发电功率确定方法,针对不同的多种天气类型分别训练深度学习模型,得到各种天气类型对应的预测模型,该预测模型能够基于单位时段内的气象要素信息及时间特征,结合气象特征和时间特征,对属于对应天气类型的单位时段的发电功率进行精准地预测。对于待预测发电功率的目标单位时段,根据目标单位时段的天气预报数据,确定目标单位时段对应的天气类型信息,并将目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的预测发电功率;根据目标单位时段对应的天气类型信息,将各预测模型输出的预测发电功率融合,得到目标单位时段的发电功率,通过将天气分类与基于时间特征的预测模型结合,提升发电功率的预测精准度,并且能够有效应对具有高辐照度、高温等出力极大值较为极端的天气类型下的光伏发电功率预测,提高较为极端的天气类型下的发电功率预测的精准度。
在实际应用中,往往以天为单位时段,预测未来的某一天或某一时间范围内每天的发电功率。在某些应用场景下,也有将多天、不足一天的时长作为预测发电功率的单位时段的情况。本申请中的单位时段可以是天、半天、几个小时,或者可以将多天作为一个单位时段。单位时段的起止时刻、时长可以根据实际应该用场景的需要进行相应地调整和配置。例如,单位时段可以配置为一天,将早6点至第二天早6点(包含或不包含均可)作为一个单位时段,或者将一天的0点至24点作为一个单位时段。例如,单位时段可以配置为半天,将每天6:00至18:00作为一个单位时段,一天内的其他时间无需进行发电功率预测。例如,单位时段可以配置为若干小时,对于不同地区进行发电功率预测时,可以设置不同的单位时段,并支持用户根据实际应用场景的需要调整单位时段的起止时刻、时长。本申请的方法用于预测目标单位时段的发电功率,基于预设的分辨率,预测目标单位时段内一个或者多个待预测时刻(时间点)的发电功率。例如,以目标单位时段为一天的0点至24点,预设分辨率为15分钟预测一次,那么目标单位时段的发电功率预测结果包含96个待预测时刻的发电功率。
本申请提供的发电功率确定方法,可以应用于光伏发电、风力发电等发电功率受天气影响的新能源发电功率预测。具体地,基于天气分类结果,融合了多个预测模型的预测结果,因此可以将该方法称为多模型融合的分组预测方法。本申请提供的方法可以应用于具有发电功率预测功能的系统,例如各地区的电网系统、电力调度系统等。
图1为本申请所适用的一种示例性的发电功率预测的系统架构图,如图1所示,该系统架构具体可包括服务器、端侧设备以及数据生产设备。
其中,服务器具体可为设置在本地的服务器、或者设置在云端的服务器集群。服务器与各个端侧设备间具有可通信的通信链路,能够实现服务器与各个端侧设备间的通信连接。服务器存储有预先训练好的天气分类模型和各天气类型对应的预测模型(如图中所示的预测模型1,…,预测模型m,m为不同天气类型的种类数)。
端侧设备具体可以为各个用户所使用的具有网络通信功能、运算功能以及信息显示功能的硬件设备,其包括但不限于智能手机、平板电脑、台式电脑、物联网设备等。
数据服务设备可以是能够向服务器提供天气预报数据的设备,数据服务设备对外提供获取天气预报数据的应用程序接口(Application Programming Interface,简称API),服务器通过调用接口获取所需的天气预报数据。例如,数据服务设备可以是气象中心、其他提供天气预报API的服务平台的服务器。
以光伏发电功率预测为例,在一种可能的应用场景中,本方案可以用于预测任一单位时段内的光伏发电功率。用户通过所使用的端侧设备与服务器进行交互,实现光伏发电功率预测的功能。具体地,用户可通过所使用的端侧设备向服务器提交对目标单位时段内光伏发电功率的预测指令。服务器接收端侧设备发送的预测指令,并获取目标单位时段的天气预报数据。服务器根据目标单位时段的天气预报数据,确定目标单位时段对应于各天气类型的概率信息,并将目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的预测发电功率;根据目标单位时段对应于各天气类型的概率信息,将各预测模型输出的预测发电功率融合,得到目标单位时段的发电功率。另外,服务器可以将目标单位时段的发电功率输出至端侧设备。端侧设备将服务器返回的目标单位时段的发电功率进行显示,以向用户输出目标单位时段的发电功率预测结果。
以光伏发电功率预测为例,在另一种可能的应用场景中,本方案可以用于预测任一目标时刻的光伏发电功率。通过端侧设备与服务器进行交互,调用服务器提供的应用程序接口(API),或向服务器发送请求的方式,向服务器发送对目标单位时段内光伏发电功率的预测指令。服务器接收端侧设备发送的预测指令,并获取目标单位时段的天气预报数据。服务器根据目标单位时段的天气预报数据,确定目标单位时段对应于各天气类型的概率信息,并将目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的预测发电功率;根据目标单位时段对应于各天气类型的概率信息,将各预测模型输出的预测发电功率融合,得到目标单位时段的发电功率。另外,服务器可以将目标单位时段的发电功率输出至端侧设备。端侧设备将服务器返回的目标单位时段的发电功率进行显示,以向用户输出目标单位时段的发电功率预测结果。
需要说明的是,本申请中待预测的目标单位时段可以包括一个或者多个单位时段,例如,单位时段可以是天,目标单位时段可以包括未来7天的7个单位时段。利用天气预报数据预测未来1-7天的发电功率。
另外,服务器还可以基于大量历史单位时段的天气预报数据和实测发电功率,训练用于天气分类的天气分类模型,以及各天气类型对应的预测模型,得到训练好的天气分类模型和各天气类型对应的预测模型。当然,天气分类模型和各天气类型对应的预测模型的训练也可以由独立于服务器的其他设备实现。
下面以具体地实施例对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。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中不再赘述。下面将结合附图,对本申请的实施例进行描述。
图2为本申请一示例性实施例提供的发电功率确定方法流程图。本实施例的执行主体为上述发电功率预测的系统架构中的服务器,本实施例提供的方法用于预测任一目标单位时段内的发电功率。如图2所示,该方法具体步骤如下:
步骤S201、响应于对目标单位时段内发电功率的预测指令,获取目标单位时段的天气预报数据。
本实施例中,对目标单位时段内发电功率的预测指令可以是向服务器发送的预测目标单位时段内发电功率的请求,或者是对服务器提供的预测单位时段内发电功率的服务的调用指令,也可以是其他可以触发服务器进行发电功率预测的命令或请求。
对目标单位时段内发电功率的预测指令,指示了待预测发电功率的目标单位时段。服务器根据预测指令可确定目标单位时段,并获取目标单位时段的天气预报数据。
示例性地,服务器可以通过调用数据服务设备对外提供API来获取天气预报数据。本实施例中的天气预报数据可以为数值天气预报(NWP),便于进行计算。
步骤S202、根据目标单位时段的天气预报数据,确定目标单位时段对应的天气类型信息。
在获取到目标单位时段的天气预报数据之后,利用训练好的天气分类模型,根据目标单位时段的天气预报数据,对目标单位时段的天气状况进行分类,预测得到目标单位时段对应的天气类型信息,也即得到目标单位时段的天气类型概率分布,包含目标单位时段对应于各天气类型的概率信息。其中,目标单位时段对应于任一天气类型的概率,指示该目标单位时段具有该天气类型的可能性。
本实施例中,天气分类模型用于预测任一单位时段具有预设的各种天气类型的概率信息。预设的天气类型可以按照已知各类天气状况对发电功率的影响进行分类得到,通常在其他因素一致的前提下不同天气类型下的发电功率不同。例如,预设的天气类型可以包括但不限于晴天、有云、阴雨天。
示例性地,目标单位时段可以为未来的一天,根据这一天的天气预报数据,利用训练好的天气分类模型对这一天的天气状况进行分类,得到这一天对应于各天气类型的概率。
步骤S203、将目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的预测发电功率。
本实施例中,预先训练各种不同天气类型对应的用于发电功率预测的预测模型,对应于某一天气类型的预测模型能够较精准预测该种天气类型下的发电功率,可以使用过去一段时间的历史单位时段内,具有该种天气类型的历史单位时段的天气预报数据和实测发电功率训练深度学习模型得到,能够精准捕捉该天气类型下气象要素与发电功率间的关系,可以精准预测该天气类型下的发电功率。
不同天气类型对应的预测模型是通过对同一深度学习模型使用不同的训练数据训练得到的,不同天气类型对应的预测模型具有相同的模型结构,但模型的权重参数和/或设置的超参数不同。
在进行发电功率预测时,利用各个天气类型对应的预测模型分别对目标单位时段的发电功率进行预测,得到各预测模型输出的预测发电功率。
本实施例中,目标单位时段的天气预报数据包含目标单位时段内多个时刻的天气预报,任一时刻的天气预报均包含多个气象要素信息,该时段即为气象要素信息对应的时间信息。将气象要素信息对应的时间信息按照预设规则进行表征,即可得到时间特征。
通常,气象要素是指表明大气物理状态、物理现象的各项要素。天气预报中包含多种气象要素信息。天气预报中的气象要素信息包括但不限于以下几类:温度、气压、风速、辐照度、降水、云量。其中任一类包含至少一个气象要素。本申请中进行发电功率预测使用到的气象要素信息至少包含辐照度类的气象要素信息,还可以包含其他至少一类气象要素信息,例如还可以包含温度类的气象要素信息。
该步骤中,将目标单位时段的天气预报数据中的气象要素信息及时间特征,分别输入各个天气类型对应的预测模型,利用各个预测模型分别进行发电功率预测,并输出预测发电功率。
本实施例中,上述步骤S202进行天气分类确定天气类型的概率分布的过程,与步骤S203利用各个天气类型对应的预测模型分别进行发电功率预测的过程,两者相对独立,也可以按照先后顺序执行,也可以并行地进行,以提高发电功率预测的效率。
步骤S204、根据目标单位时段对应的天气类型信息,将各预测模型输出的预测发电功率融合,得到目标单位时段的发电功率。
本实施例中,根据目标单位时段对应的天气类型信息,将各种天气类型对应的预测模型输出的预测发电功率进行融合,将融合结果作为目标单位时段的发电功率。通过融合各种天气类型对应预测模型的预测结果,无论目标单位时段具有什么样的天气状况,均可以实现发电功率的精准预测,即使是高辐照度、高温等出力极大值较为极端的天气,也可以精准地预测发电功率,提升任意天气类型下的发电功率预测的精准度。
可选地,在融合各预测模型输出的预测发电功率时,可以将目标单位时段对应于任一天气类型的概率信息,作为同一天气类型对应预测模型输出的预测发电功率的权重,通常目标单位时段对应于各个天气类型的概率信息之和等于1。根据权重对各预测模型输出的预测发电功率加权求和,得到的结果作为目标单位时段的发电功率。
可选地,在融合各预测模型输出的预测发电功率时,可以根据目标单位时段对应于各天气类型的概率信息,按比例设置作为各天气类型对应预测模型输出的预测发电功率的权重系数,这种情况下,目标单位时段对应于任一天气类型的概率信息不一定等于同一天气类型对应预测模型输出的预测发电功率的权重系数,各天气类型对应预测模型输出的预测发电功率的权重系数之和不一定等于1。根据权重系数,对各预测模型输出的预测发电功率加权求平均,得到的结果作为目标单位时段的发电功率。
本实施例中,预先训练各个天气类型对应的预测模型,在预测目标单位时段的发电功率时,根据目标单位时段的天气预报数据,对目标单位时段进行天气分类,确定目标单位时段对应于各天气类型的概率信息,并将目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的预测发电功率;根据目标单位时段对应于各天气类型的概率信息,将各预测模型输出的预测发电功率融合,得到目标单位时段的发电功率,通过融合各种天气类型对应预测模型的预测结果,无论目标单位时段具有什么样的天气状况,均可以实现发电功率的精准预测,即使是高辐照度、高温等出力极大值较为极端的天气,也可以精准地预测发电功率,提升各种天气类型下发电功率预测的精准度。
在一典型应用场景中,单位时段可以为日,待预测的目标单位时段可以是待预测日,本申请提供的方法可以应用于预测未来一日或多日的发电功率。图3为本申请一示例性实施例提供的日发电功率预测的方法流程图,如图3所示,该方法具体步骤如下:
步骤S301、响应于对待预测日的发电功率的预测指令,获取待预测日的天气预报数据。
步骤S302、根据待预测日的天气预报数据,确定待预测日对应的天气类型信息。
步骤S303、将待预测日的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的预测发电功率。
步骤S304、根据待预测日对应的天气类型信息,将各预测模型输出的预测发电功率融合,得到待预测日的发电功率。
本实施例中步骤S301-S304,与上述步骤S201-S204的实现方式类似,将待预测日作为目标单位时段即可,此处不再赘述。
当需要预测未来多个待预测日的发电功率时,获取待预测日的天气预报数据,分别针对各个待预测日执行步骤S302-S304的处理流程即可。
在一可选实施例中,在得到目标单位时段的发电功率(包含目标单位时段内各待预测时刻的发电功率)之后,服务器可以根据目标单位时段内各个待预测时刻的发电功率,绘制并输出目标单位时段内的待预测时刻的发电功率变化曲线,以将目标单位时段内各待预测时刻的发电功率进行可视化展示,并展示出在目标单位时段内不同时刻的发电功率变化曲线,以便基于目标单位时段的发电功率进行电力系统的分析和调度。
在一可选实施例中,在得到目标单位时段的发电功率之后,服务器可以向端侧设备发送目标单位时段的发电功率,从而向端侧设备反馈发电功率的预测结果,使得端侧设备基于目标单位时段的发电功率进行电力系统的分析和调度。
在一可选实施例中,上述步骤S202中,根据目标单位时段的天气预报数据,确定目标单位时段对应的天气类型信息,具体可以采用如下方式实现:
根据目标单位时段的天气预报数据的气象要素信息,确定目标单位时段的气象特征;将目标单位时段的气象特征输入天气分类模型进行天气分类,得到目标单位时段对应的天气类型信息,天气类型信息包含目标单位时段对应于各天气类型的概率信息。通过天气分类模型较准确地预测目标单位时段的天气类型的概率分布,能够为融合各个天气类型对应的预测模型的预测结果提供较精准的权重信息,从而可以提升发电功率预测的精准度。
其中,气象特征包含一项或多项关键气象要素信息,是从天气预报数据包含的气象要素信息中筛选出的、对发电功率贡献较大的气象要素信息,是比较关键和重要的气象要素信息。
具体地,服务器可以根据预先确定的气象特征所包含的气象要素信息,从目标单位时段的天气预报数据中提取出作为气象特征的关键气象要素信息,得到目标单位时段的气象特征。进一步地,将目标单位时段的气象特征输入预先训练好的天气分类模型进行天气分类,得到目标单位时段对应于各天气类型的概率信息。
前述实施例中的天气分类模型,具体可以通过如下方式训练得到:以单位时段为单位进行天气类型打标,构建带有天气类型标签的第一训练集,该第一训练集包含多条训练数据,一条训练数据对应一个历史单位时段,包括历史单位时段的气象特征及天气类型标签。其中,天气类型标签是指历史单位时段实际对应的天气类型。利用构建的第一训练集训练用于天气分类的神经网络模型,得到天气分类模型。
如图4所示,天气分类模型的训练的具体步骤如下:
步骤S401、获取多个历史单位时段的天气预报数据和实测发电功率。
本实施例中,历史单位时段包含多个时间点,历史单位时段的实测发电功率是指历史单位时段的实际发电功率,包括历史单位时段内的多个时间点的发电功率,多个时间点的发电功率按时间先后顺序排列形成一个n维向量,其中n为单位时段内时间点的数量。在实际应用中,历史单位时段的实测发电功率往往表示成发电功率随时间的变化曲线,称为功率曲线。
该步骤中,可以获取过去一点时间内的各个历史单位时段的天气预报数据和实测发电功率。例如,单位时段为一天,可以获取过去一年中多天的天气预报数据和实测发电功率。
步骤S402、根据历史单位时段的实测发电功率,选择确定具有指定天气类型的单位时段的功率参考值。
通过对大量历史单位时段(天)的实测发电功率进行观测和分析,可以发现类似天气状况的历史单位时段的功率曲线较为相似,不同天气状况的历史单位时段的功率曲线差异较大。例如,以历史单位时段为一天为例,晴天的功率曲线较为光滑,呈现明显的钟形;有云的天气的功率整体较晴天偏低,且在部分时间段功率有显著的降低;阴雨天则功率接近于0,低功率时间覆盖较长的时间段。
该步骤中,选择一个指定天气类型的历史单位时段的实测发电功率作为发电功率参考值,基于其他历史单位时段的实测发电功率与该发电功率参考值的差异,来打标其他历史单位时段的天气类型。
其中,指定天气类型可以为晴天,从多个历史单位时段中选择一个显著为晴天的单位时段,将该单位时段的实测发电功率作为晴天的单位时段的发电功率参考值。另外,指定天气类型还可以选择其他天气类型,如有云的天气,此处不做具体限定。
步骤S403、根据历史单位时段的实测发电功率与发电功率参考值间的距离,以及各天气类型对应的距离阈值范围,确定历史单位时段的天气类型标签。
本实施例中,通过对大量历史单位时段的天气预报数据和实测发电功率的分析,预先设置不同天气类型对应的距离阈值范围,天气类型对应的距离阈值范围指示该天气类型的发电功率与指定天气类型的发电功率参考值间的差异范围。不同天气类型对应的距离阈值范围不同且没有重叠。
通过计算任一历史单位时段的实测发电功率与发电功率参考值间的距离,可以确定该距离所在的距离阈值范围对应的天气类型,作为该历史单位时段对应的天气类型标签。通过这种方式,可以实现多个历史单位时段的天气类型标签的自动打标,无需人工标注,可以提高构建第一训练集的效率,从而提高获取训练好的天气分类模型的效率。
其中,历史单位时段的实测发电功率为历史单位时段内多个时间点的发电功率的n维向量,可以表示成功率曲线。不同历史单位时段的实测发电功率的距离,可以是向量间的欧式距离,或者可以采用其他可衡量两个曲线(向量)间相似度的距离计算方法实现,本实施例此处不做具体限定。
示例性地,以单位时段为一天,以天为单位进行天气类型打标。可以从每个月中挑选出一个显著的晴天作为标准天,确定标准天的发电功率参考值。各个天气类型对应的距离阈值范围包括:晴天,[0,L1];有云,(L1,L2];阴雨天,(L2,∞)。其中0<L1<L2。对于任一月中的多个历史单位时段,通过计算各个历史单位时段的实测发电功率与该月中标准天的发电功率参考值间的距离L,如果L∈[0,L1],则将该历史单位时段打标为晴天;如果L∈(L1,L2],则将该历史单位时段打标为有云;如果L>L2,则将该历史单位时段打标为阴雨天。其中,各个天气类型对应的距离阈值范围,可以根据实际应用场景的需要进行设置和调整,此处不做具体限定。例如,L1可以取值为0.1,L2可以设置为0.3。
步骤S404、根据历史单位时段的天气预报数据,确定历史单位时段的气象特征。
其中,气象特征包含一项或多项关键气象要素信息,是从天气预报数据包含的气象要素信息中筛选出的、对发电功率贡献较大的气象要素信息,是比较关键和重要的气象要素信息。
该步骤中,根据预先确定的用于天气分类的气象特征所包含的气象要素信息,从历史单位时段的天气预报数据中提取出作为气象特征的关键气象要素信息,得到历史单位时段的气象特征。
任一历史单位时段的气象特征和天气类型标签构成一条训练数据,各个历史单位时段的气象特征和天气类型标签构成第一训练集。
步骤S405、根据历史单位时段的气象特征和天气类型标签,训练分类模型,得到天气分类模型。
基于构建的第一训练集,将历史单位时段的气象特征输入待训练的分类模型,通过分类模型对历史单位时段进行天气分类,得到天气分类预测结果。根据历史单位时段的天气分类预测结果和天气类型标签,计算损失,并根据损失优化分类模型的权重参数,得到训练好的天气分类模型。
在一可选实施例中,用于天气分类的气象特征具体可以通过如下方式筛选确定:
根据多个历史单位时段的天气预报数据和实测发电功率,计算天气预报数据中各气象要素与发电功率的相关度;根据各气象要素与发电功率的相关度,筛选出至少一个气象要素作为用于天气分类的气象特征。
具体地,获取过去一段时间内的历史单位时段的天气预报数据和实测发电功率。在实际应用中,天气预报中的气象要素信息包括但不限于以下几类:温度、气压、风速、辐照度、降水、云量。其中任一类包含至少一项气象要素。本申请中进行发电功率预测使用到的气象要素信息至少包含辐照度类的气象要素信息,还可以包含其他至少一类气象要素信息,例如还可以包含温度类的气象要素信息。针对天气预报数据中包含的各项气象要素信息,根据历史单位时段内各个时间点的该项气象要素信息和实测发电功率,计算该项气象要素信息与发电功率的相关度,筛选出与发电功率相关度较高的至少一个气象要素作为用于天气分类的气象特征。
可选地,计算气象要素信息与发电功率的相关度时,可以根据多个时间点处的气象要素信息与发电功率,计算气象要素信息与发电功率的皮尔逊相关系数(PearsonCorrelation Coefficient),作为气象要素信息与发电功率的相关度,可以较准确地衡量个气象要素信息与发电功率的相关性。另外,还可以使用用于计算两个变量间的相关性的其他方法,来计算气象要素信息与发电功率的相关度,此处不做具体限定。
可选地,筛选出的作为气象特征的气象要素的数量,可以根据实际应用场景的需要和经验值进行设置,例如,可以筛选出10个气象要素作为气象特征,此处不做具体限定。
示例性地,可以获取过去一年中每天(单位时段)的天气预报数据和实测发电功率,计算各个气象要素与发电功率的相关度,并筛选出与发电功率相关度较高的10个气象要素信息,作为用于天气分类的气象特征。
本实施例中,根据多个历史单位时段的天气预报数据和实测发电功率,计算天气预报数据中各个气象要素信息与发电功率的相关性,并筛选出与发电功率的相关性较高的关键气象要素信息作为进行天气分类的气象特征,训练基于气象特征进行天气分类的模型,能够精准捕获关键气象要素与发电功率的相关性,从而精准地进行天气分类预测,提高天气分类预测的精准度。
上述任一实施例中,目标单位时段包含至少一个待预测时刻,预测目标单位时段的发电功率是通过预测目标单位时段内各个待预测时刻的发电功率实现的,目标单位时段的发电功率的预测结果包括:目标单位时段内各个待预测时刻的发电功率。
在一可选实施例中,上述步骤S203-S204中,可以针对目标单位时段中各个待预测时刻,分别将目标单位时段中待预测时刻的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的预测发电功率;根据目标单位时段对应于各天气类型的概率信息,将各预测模型输出的待预测时刻的预测发电功率融合,得到目标单位时段内待预测时刻的发电功率。
另一可选实施例中,为了提高待预测时段的发电功率的预测精准度,上述步骤S203中,可以根据目标单位时段的天气预报数据,确定待预测时刻所在时间范围内多个时刻的气象要素信息;将待预测时刻所在时间范围内的多个时刻的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的待预测时刻的预测发电功率。进一步地,上述步骤S204中,可以根据目标单位时段对应于各天气类型的概率信息,将各预测模型输出的待预测时刻的预测发电功率融合,得到目标单位时段内待预测时刻的发电功率,从而得到目标单位时段的发电功率。
具体地,上述步骤S203可以通过如下步骤S2031-S2033实现:
步骤S2031、根据目标单位时段的天气预报数据,确定目标单位时段内的待预测时刻所在时间范围内多个时刻的气象要素信息。
其中,任一待预测时刻所在的时间范围为:自该待预测时刻之前第一预设时长的第一时刻起,至该待预测时刻之后的第二预设时长的第二时刻。任一待预测时刻所在的时间范围包含多个时刻,也即包含该待预测时刻,以及在待预测时刻之前或之后的至少一个其他时刻。第一预设时长和第二预设时长的长度可以相同也可以不同,第一预设时长和第二预设时长可以根据实际应用场景的需要和经验值进行设置和调整,此处不做具体限定。
本实施例中,考虑到天气预报数据可能存在时间上的偏移,在对任一待预测时刻进行发电功率预测时,不仅获取该待预测时刻的气象要素信息,同时还获取该待预测时刻所在一个时间范围内多个时刻的气象要素信息,用于对该待预测时刻的发电功率进行预测。例如,可以获取待预测时刻前后若干小时的气象要素信息,基于待预测时刻前后若干小时内的气象要素信息来预测该待预测时刻的发电功率,可以降低天气预报数据的时间偏差造成的误差,提高待预测时刻发电功率预测的精准度。待预测时刻所在时间范围内包含多少个时刻的气象要素信息,可以根据时间范围、天气预报数据的分辨率及时间信息确定。
步骤S2032、将气象要素信息对应时刻进行表征,得到气象要素信息对应的时间特征。
该步骤中,对气象要素信息对应的时刻(时间信息)表征为时间特征,可以采用现有的任意一种对时间表征为字符串的方法实现,时间特征能够体现对应时间信息的先后顺序。
步骤S2033、将待预测时刻所在时间范围内的多个时刻的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的待预测时刻的预测发电功率。
本实施例中,将气象要素信息对应的时刻表征为时间特征,将待预测时刻所在时间范围内多个时刻的气象要素信息及时间特征一起输入预测模型,预测模型结合待预测时刻及其前后的多个不同时刻的气象要素信息以及气象要素信息的时间特征,来预测待预测时刻的发电功率,可以提高发电功率预测的精准度。
示例性地,预测模型的骨干网络可以采用时间卷积网络(TemporalConvolutional Network,简称TCN)实现,TCN中包含空洞卷积(Dilated Convolution),通过空洞卷积提取时间与各个气象特征的信息,具有较强的特征提取能力。其中,空洞卷积也叫扩张卷积或者膨胀卷积,简单来说就是在卷积核元素之间加入一些空格(零)来扩大卷积核。进一步地,预测模型还包括线性投影层和多层感知机(Multi-Layer Perceptron,简称MLP),通过线性投影层对骨干网络提取的特征进行变化及降维处理,并通过MLP输出预测结果。
另外,预测模型还可以采用现有的用于进行发电功率预测的神经网络模型的结构实现,但发电功率预测的精准度可能不及基于TCN的预测模型。
本实施例中,针对不同的多种天气类型,预先使用不同天气类型下的历史数据,分别训练深度学习模型,得到各种天气类型对应的预测模型。
具体地,获取多个历史单位时段的天气预报数据和实测发电功率,对各历史单位时段进行天气类型打标。根据各历史单位时段对应的天气类型标签,将对应同一天气类型标签的数据进行分组,得到各个天气类型下的多个历史单位时段的天气预报数据和实测发电功率。分别针对各天气类型,构建用于训练预测模型的第二训练集。其中,对历史单位时段进行天气类型打标的实现方式,与上述步骤S302-S303的实现方式类型,具体参见前述相关内容,此处不再赘述。
对于任意一种天气类型,对该天气类型下的多个历史单位时段的天气预报数据和实测发电功率进行数据预处理,识别并删除异常数据,并引入天气预报数据的时间特征,构成各天气类型对应的第二训练集。第二训练集中的训练数据包括:历史单位时段内各时间点的样本数据及标注信息,样本数据包括时间点所在时间范围内的气象要素信息及时间特征,标注信息包括实测发电功率。
其中,数据预处理过程中,根据实际应用场景的需要识别并删除的异常数据,包括但不限于删除如下异常数据:缺失较多时间点的实测发电功率的历史单位时段的数据;功率曲线不合常理,如早6点前和完7点后的功率很高(大于预设功率阈值)的历史单位时段的数据;连续一段时长(如一个小时)或多个时间点的实测发电功率的标准差很小,也即发电功率波动较小的历史单位时段的数据。
另外,样本数据中的时间特征的获取方式,与上述步骤S2032的实现方式类似,具体参见前述相关内容,此处不再赘述。
进一步地,基于任一天气类型对应的第二训练集,将第二训练集中各时间点的样本数据输入预测模型,通过预测模型确定各时间点的预测发电功率,根据各时间点的预测发电功率和实测发电功率,计算损失,并更新预测模型的权重参数,训练完成后得到该天气类型对应的预测模型。基于同样的方式可以训练得到各种天气类型对应的预测模型。不同天气类型对应的预测模型同构但权重参数和/或设置的超参数不同。
在一可选实施例中,上述步骤S204中,根据目标单位时段对应于各天气类型的概率信息,将各预测模型输出的预测发电功率融合,得到目标单位时段的发电功率,具体可以采如下方式实现:
将目标单位时段对应于各天气类型的概率信息作为同一天气类型对应的预测模型的权重,将各预测模型输出的同一待预测时刻的预测发电功率加权平均,得到待预测时刻的发电功率,目标单位时段的发电功率包含至少一个待预测时刻的发电功率。
示例性地,天气类型包括晴天、有云、阴雨天,目标单位时段对应于各天气类型的概率信息分别为:p1、p2、p3。对于目标单位时段内的任一待预测时刻,各天气类型对应的预测模型输出的待预测时刻的发电功率分别为:W1、W2、W3。那么,W1、W2、W3的权重分别为p1、p2、p3,将各预测模型输出的预测发电功率加权求平均:(p1×W1+ p2×W2+ p3×W3)/(p1 +p2 + p3),得到该待预测时刻的发电功率。
可选地,在融合各预测模型输出待预测时刻的预测发电功率时,可以将目标单位时段对应于任一天气类型的概率信息,作为同一天气类型对应预测模型输出的待预测时刻的预测发电功率的权重,通常目标单位时段对应于各个天气类型的概率信息经过归一化处理后,目标单位时段对应于各个天气类型的概率信息之和等于1。根据权重对各预测模型输出的预测发电功率加权求和,得到的结果作为目标单位时段的发电功率。
示例性地,天气类型包括晴天、有云、阴雨天,目标单位时段对应于各天气类型的概率信息分别为:p1、p2、p3,p1+p2+p3=1。对于目标单位时段内的任一待预测时刻,各天气类型对应的预测模型输出的待预测时刻的发电功率分别为:W1、W2、W3。那么,W1、W2、W3的权重分别为p1、p2、p3,将各预测模型输出的预测发电功率加权求和:p1×W1+ p2×W2+ p3×W3,得到该待预测时刻的发电功率。
在一可选实施例中,考虑到天气预报数据在不同季节的误差分布不同,在预测得到目标单位时段的发电功率之后,还可以在预设的第一历史时间范围内,查找一个或者多个与目标单位时段的发电功率相似的历史单位时段,根据相似历史时段的发电功率的预测误差,对目标单位时段的发电功率进行修正,修正后目标单位时段的发电功率更加精准。
具体地,在预设的第一历史时间范围内的第一单位时段中,根据目标单位时段的发电功率和第一单位时段的实测发电功率的绝对差值,筛选出至少一个第一单位时段,作为目标单位时段的第一相似时段。
其中,第一历史时间范围可以为一个较近的时间范围,可以找一个更具参考价值的历史单位时段。例如第一历史时间范围可以是最近一个月、最近2个月、同一季度内、去年的同一季度内等,具体可以根据实际应用场景的需要进行设置,此处不做具体限定。
目标单位时段的发电功率和第一单位时段的实测发电功率均包含多个时间点的发电功率。目标单位时段的发电功率和第一单位时段的实测发电功率的绝对差值,通过将目标单位时段与第一单位时段的时间点按照时间先后顺序排列并一一对应,计算目标单位时段与第一单位时段的对应时间点发电功率的绝对差值,得到的一组绝对差值。根据该组绝对差值的平均值,筛选出至少一个第一单位时段,作为目标单位时段的第一相似时段。
可选地,可以筛选出绝对差值的平均值小于第一预设误差阈值的第一单位时段,作为目标单位时段的第一相似时段。如果不存在绝对差值的平均值小于第一误差阈值的第一单位时段,则将绝对差值的平均值最小的第一单位时段作为目标单位时段的第一相似时段。其中,第一误差阈值可以根据实际应用场景和经验值进行设置和调整,此处不做具体限定。
可选地,根据绝对差值的平均值,按照绝对差值由大到小的顺序对第一单位时段排序,选择绝对差值的平均值较小的前第一预设数量的第一单位时段,作为目标单位时段的第一相似时段。其中,第一预设数量可以根据实际应用场景和经验值进行设置和调整,此处不做具体限定。
进一步地,在确定目标单位时段的第一相似时段之后,根据第一相似时段的预测发电功率与实测发电功率的误差,对目标单位时段的发电功率进行修正。
可选地,根据第一相似时段的预测发电功率与实测发电功率的误差,对目标单位时段的发电功率进行修正时,可以对任意天气类型的目标单位时段内的各个待预测时刻的发电功率进行修正。
示例性地,根据第一相似时段的预测发电功率与实测发电功率的误差占预测发电功率的比例,计算误差占预测发电功率的平均比例,按照误差占预测发电功率的平均比例对目标单位时段的发电功率进行修正,得到目标单位时段修正后的发电功率。修正后的发电功率=修之前的发电功率×(1+s),其中s表示误差占预测发电功率的平均比例。
可选地,根据第一相似时段的预测发电功率与实测发电功率的误差,对目标单位时段的发电功率进行修正时,可以根据目标单位时段对应的天气类型,在目标单位时段对应的天气类型为晴天时,对预设中午时段内各个待预测时刻的发电功率进行修正。对于天气类型不是晴天的目标单位时段的发电功率、对晴天的非预设中午时段的待预测时段的不进行修正。或者,可以对任意天气类型的目标单位时段的预设中午时段内各个待预测时刻的发电功率进行修正,对于非预设中午时段的待预测时段的不进行修正。其中,预设中午时段可以根据实际应用场景、地区和经验值进行设置和调整,此处不做具体限定。
一种可选实施方式中,根据目标单位时段的第一相似时段内各个时间点的预测发电功率与实测发电功率的误差占预测发电功率的比例,计算各个时间点的误差占预测发电功率的比例的平均值,作为修正单位时段内各个时间点的预测发电功率所使用的参考误差比例。按照该参考误差比例,对目标单位时段内各个时间点(待预测时刻)的发电功率进行修正,得到目标单位时段内各个时间点(待预测时刻)的修正后的发电功率。任一时间点的修正后的发电功率=修之前的发电功率×(1+s),其中s表示该参考误差比例。
另一种可选实施方式中,根据目标单位时段的第一相似时段内各个时间点的预测发电功率平均值与实测发电功率平均值的比值,作为修正单位时段内各个时间点的预测发电功率所使用的修正系数。按照该修正系数,对目标单位时段内各个时间点(待预测时刻)的发电功率进行修正,得到目标单位时段内各个时间点(待预测时刻)的修正后的发电功率。任一时间点的修正后的发电功率=修之前的发电功率/x,其中x表示该修正系数。
本实施例中,通过基于第一相似时段的发电功率预测误差,对目标单位时段的发电功率进行修正,能够提升目标单位时段发电功率预测的精准度,尤其是对于晴天中午时段等出力高峰时段,能显著提升发电功率预测的精准度,解决晴天中午时段等出力高峰时段的发电功率预测值偏低的问题。
示例性地,以过去一段时间内已经获得了实测发电功率的一天作为待预测日(也即目标单位时段),基于本申请提供的方法,通过融合利用各天气类型对应的预测模型输出的预测发电功率,得到待预测日的发电功率,记为组合模型预测结果。通过选择待预测日的相似日(第一相似时段),基于相似日的发电功率预测误差对组合模型预测结果进行修正,将待预测日修正后的发电功率记为组合模型后处理结果。将利用现有方法的单一预测模型预测得到的待预测日的发电功率,记为单一模型预测结果。图5中左侧展示出了相似日的实测发电功率的功率曲线,右侧展示出了通过不同方式获取的待预测日的预测结果(包括组合模型预测结果、组合模型后处理结果、单一模型预测结果)的功率曲线,以及待预测日的实测发电功率的功率曲线。如图5中所示,相似日的功率曲线与待预测日的实测发电功率的功率曲线非常相似,组合模型预测结果比单一模型预测结果更加接近实测发电功率,组合模型后处理结果比组合模型预测结果更加接近实测发电功率,由此可见,通过融合利用各天气类型对应的预测模型输出的预测发电功率得到的待预测日的发电功率的精准度有所提升,通过基于相似日的发电功率预测误差对组合模型预测结果进行修正可以进一步提升待预测日的发电功率预测的精准度。
示例性地,图6为本申请一示例性实施例提供的发电功率预测的框架图,如图6所示,首先根据待预测的目标单位时段的天气预报数据进行天气分类,确定目标单位时段对应于各天气类型的概率信息。图6中以预设的天气类型包括晴天、有云、阴雨三种天气类型为例,三种的天气类型分别对应预测模型1、预测模型2和预测模型3,三个预测模型同构但权重参数和/或设置的超参数不同。分别使用三种天气类型对应的预测模型对目标单位时段的发电功率进行预测,得到三个预测模型输出的预测发电功率。根据目标单位时段对应于各天气类型的概率信息,对三个预测模型输出的预测发电功率进行融合,得到目标单位时段的发电功率,这是目标单位时段的发电功率的预测结果。根据预测得到的目标单位时段的发电功率,寻找与目标单位时段具有相似功率曲线的第一相似时段,并基于第一相似时段的发电功率的预测误差,对目标单位时段的发电功率进行修正(也即后处理),得到目标单位时段修正后的发电功率,作为目标单位时段的发电功率的最终预测结果。
在上述任一实施例的基础上,对目标单位时段的发电功率的预测结果,在一定程度上依赖于天气分类模型的分类判断能力,为了使得本申请的多模型融合的分组预测方法能够充分地被理解和可信任,还可以进行基于天气类型分类的可解释性分析,对天气分类的结果进行解释,从而使得发电功率预测的方法可信任、可理解、可修正,在复杂多变的天气场景下展现出优异的预测性能。
具体地,在第二历史时间范围内的第二单位时段中,根据目标单位时段的发电功率和第二单位时段的实测发电功率的绝对差值,筛选出至少一个第二单位时段,作为目标单位时段的第二相似时段;绘制第二相似时段内关键气象特征的第一变化曲线,和目标单位时段内关键气象特征的第二变化曲线,并标记出第二相似时段与目标单位时段内关键气象特征的相似时刻。其中,第二相似时段与目标单位时段内的相似时刻的关键气象特征的绝对差值,小于或等于关键气象特征对应的差异阈值。其中,差异阈值可以根据实际应该用场景进行设置和调整,此处不做具体限定。
其中,目标单位时段的发电功率和第二单位时段的实测发电功率均包含多个时间点的发电功率。目标单位时段的发电功率和第二单位时段的实测发电功率的绝对差值,通过将目标单位时段与第二单位时段的时间点按照时间先后顺序排列并一一对应,计算目标单位时段与第二单位时段的对应时间点发电功率的绝对差值,得到的一组绝对差值。根据该组绝对差值的平均值,筛选出至少一个第二单位时段,作为目标单位时段的第二相似时段。
可选地,可以筛选出绝对差值的平均值小于第二预设误差阈值的第二单位时段,作为目标单位时段的第二相似时段。如果不存在绝对差值的平均值小于第二误差阈值的第二单位时段,则将绝对差值的平均值最小的第二单位时段作为目标单位时段的第二相似时段。其中,第二误差阈值可以根据实际应用场景和经验值进行设置和调整,此处不做具体限定。
可选地,根据绝对差值的平均值,按照绝对差值由大到小的顺序对第二单位时段排序,选择绝对差值的平均值较小的前第二预设数量的第二单位时段,作为目标单位时段的第二相似时段。其中,第二预设数量可以根据实际应用场景和经验值进行设置和调整,此处不做具体限定。
进一步地,可以将第二相似时段内关键气象特征的第一变化曲线,和目标单位时段内关键气象特征的第二变化曲线,绘制到同一坐标系中,并标记出第二相似时段与目标单位时段内关键气象特征的相似时刻,以便于直观地展示目标单位时段与第二相似时段在关键气象特征上是相似的,能够解释目标单位时段的发电功率与第二相似时段的实测发电功率相似的原因。其中,第二相似时段是实测发电功率与目标单位时段的预测发电功率相似的历史单位时段,通过比较两者的关键气象特征的变化曲线,可以发现正是由于这两个单位时段的关键气象特征的变化曲线较为相似,使得这两个单位时段的发电功率相似,从而使得用户容易理解目标单位时段的发电功率与第二相似时段的实测发电功率相似的原因。
本实施例中,关键气象特征可以通过如下方式筛选确定:
根据多个历史单位时段的气象特征和天气类型标签,以及天气分类模型,计算各气象特征的贡献度,并根据贡献度筛选出至少一个气象特征作为关键气象特征。
示例性地,将多个历史单位时段的气象特征和天气类型标签,以及天气分类模型,输入夏普利值(Shapley Value)算法,计算各个气象特征的夏普利值,气象特征的夏普利值指示出了气象特征对天气分类结果的贡献度,也即体现了气象特征对天气分类的影响的大小。另外,为了展现更简练的气象特征贡献拆解,可将不同时间点的同一气象特征(如直射辐照强度)作为整体统一计算气象特征的夏普利值 。
可选地,除夏普利值(Shapley Value)算法之外,还可以采用现有的任意一种用于衡量天气预报中的气象要素信息对天气分类的贡献度(影响程度)的方法实现,本实施例此处不做具体限定。
本实施例中,第二历史时间范围可以是一个较大的时间范围,以便于找到与目标单位时段的发电功率的相似度更高的历史单位时段,可以提供更可信、更准确的解释信息。例如第二历史时间范围可以是最近一年、几个月、或多年,具体可以根据实际应用场景的需要进行设置,此处不做具体限定。
示例性地,以目标单位时段为2022年1月2日这一天为例,找到的第二相似时段为2021年12月12日这天,以直接日辐射这一关键气象特征为例,图7中展示出了目标单位时段与第二相似时段的直接日辐射的变化曲线,通过图7的展示可以看出,目标单位时段与第二相似时段的直接日辐射的变化曲线是相似的,这是目标单位时段与第二相似时段的发电功率相似的一个重要因素。图7中以不同颜色突出显示关键气象特征的相似时刻为例,进行关键气象特征的相似时刻的标记。
另外,图7中还可以展示出不是目标单位时段的第二相似时段的一天(如图中的2022/1/22这一天)的直接日辐射的变化曲线,可以明显看出目标单位时段与非第二相似时段的直接日辐射的变化曲线也不相似。用户对目标单位时段与第二相似时段的发电功率之间何以相似,以及天气分类模型为何确定目标单位时段的天气类型与第二相似时段的天气类型相似,会有更加直观的理解,可以帮助用户理解发电功率的预测结果,使得用户可以对预测结果进行人工干预。
图8为本申请一示例性实施例提供的发电功率确定装置的结构示意图。本申请实施例提供的发电功率确定装置可以执行发电功率确定方法实施例提供的处理流程。如图8所示,该发电功率确定装置80包括:数据获取模块81、天气分类模块82、功率预测模块83和融合模块84。
具体地,数据获取模块81用于响应于对目标单位时段内发电功率的预测指令,获取目标单位时段的天气预报数据。
天气分类模块82用于根据目标单位时段的天气预报数据,确定目标单位时段对应的天气类型信息。
功率预测模块83用于将目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的预测发电功率。
融合模块84用于根据目标单位时段对应的天气类型信息,将各预测模型输出的预测发电功率融合,得到目标单位时段的发电功率。
在一可选实施例中,在实现根据目标单位时段的天气预报数据,确定目标单位时段对应的天气类型信息时,天气分类模块82还用于:
根据目标单位时段的天气预报数据中的气象要素信息,确定目标单位时段的气象特征;将目标单位时段的气象特征输入天气分类模型进行天气分类,得到目标单位时段对应的天气类型信息,天气类型信息包含目标单位时段对应于各天气类型的概率信息。
在一可选实施例中,该发电功率确定装置80还包括:
天气分类模型训练模块,用于:获取多个历史单位时段的天气预报数据和实测发电功率;根据历史单位时段的实测发电功率,选择确定具有指定天气类型的单位时段的发电功率参考值;根据历史单位时段的实测发电功率与发电功率参考值间的距离,以及各天气类型对应的距离阈值范围,确定历史单位时段的天气类型标签;根据历史单位时段的天气预报数据,确定历史单位时段的气象特征;根据历史单位时段的气象特征和天气类型标签,训练分类模型,得到天气分类模型。
在一可选实施例中,该发电功率确定装置80还包括:气象特征筛选模块,用于根据多个历史单位时段的天气预报数据和实测发电功率,计算天气预报数据中各气象要素与发电功率的相关度;根据各气象要素与发电功率的相关度,筛选出至少一个气象要素作为用于天气分类的气象特征。
在一可选实施例中,目标单位时段包含至少一个待预测时刻。在实现将目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的预测发电功率时,功率预测模块83还用于:根据目标单位时段的天气预报数据,确定待预测时刻所在时间范围内多个时刻的气象要素信息,并将气象要素信息对应时刻进行表征,得到气象要素信息对应的时间特征;将待预测时刻所在时间范围内的多个时刻的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各预测模型输出的待预测时刻的预测发电功率。
在一可选实施例中,天气类型信息包含目标单位时段对应于各天气类型的概率信息。在实现根据目标单位时段对应的天气类型信息,将各预测模型输出的预测发电功率融合,得到目标单位时段的发电功率时,融合模块84还用于:将目标单位时段对应于各天气类型的概率信息作为同一天气类型对应的预测模型的权重,将各预测模型输出的同一待预测时刻的预测发电功率加权平均,得到待预测时刻的发电功率,目标单位时段的发电功率包含至少一个待预测时刻的发电功率。
在一可选实施例中,在根据目标单位时段对应的天气类型信息,将各预测模型的预测发电功率融合,得到目标单位时段的发电功率之后,该发电功率确定装置80还包括:修正模块,用于在第一历史时间范围内的第一单位时段中,根据目标单位时段的发电功率和第一单位时段的实测发电功率的绝对差值,筛选出至少一个第一单位时段,作为目标单位时段的第一相似时段;根据第一相似时段的预测发电功率与实测发电功率的误差,对目标单位时段的发电功率进行修正。
在一可选实施例中,该发电功率确定装置80还包括: 解释模块,用于在第二历史时间范围内的第二单位时段中,根据目标单位时段的发电功率和第二单位时段的实测发电功率的绝对差值,筛选出至少一个第二单位时段,作为目标单位时段的第二相似时段;绘制第二相似时段内关键气象特征的第一变化曲线,和目标单位时段内关键气象特征的第二变化曲线,并标记出第二相似时段与目标单位时段内关键气象特征的相似时刻,其中,第二相似时段与目标单位时段内的相似时刻的关键气象特征的绝对差值,小于或等于关键气象特征对应的差异阈值。
在一可选实施例中,该发电功率确定装置80还包括:关键气象特征筛选模块,用于根据多个历史单位时段的气象特征和天气类型标签,以及天气分类模型,计算各气象特征的贡献度,并根据贡献度筛选出至少一个气象特征作为关键气象特征。
在一可选实施例中,在得到目标单位时段的发电功率之后,该发电功率确定装置80还包括:输出模块,用于:根据目标单位时段的发电功率,绘制并输出目标单位时段内的待预测时刻的发电功率变化曲线;或者,向端侧设备发送目标单位时段的发电功率。
本申请实施例提供的装置可以具体用于执行上述任一方法实施例提供的发电功率确定的方法,所实现具体功能和所能实现的技术效果此处不再赘述。
图9为本申请实施例提供的一种服务器的结构示意图。如图9所示,该服务器包括:存储器901和处理器902。存储器901,用于存储计算机执行指令,并可被配置为存储其它各种数据以支持在服务器上的操作。处理器902,与存储器901通信连接,用于执行存储器901存储的计算机执行指令,以实现上述任一方法实施例提供的技术方案,其具体功能和所能实现的技术效果类似,此处不再赘述。
可选的,如图9所示,该服务器还包括:防火墙903、负载均衡器904、通信组件905、电源组件906等其它组件。图9中仅示意性给出部分组件,并不意味着服务器只包括图9所示组件。图9中以该服务器为部署在云端的云服务器为例进行示例性地说明,本实施例中该服务器还可以为本地服务器。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有计算机执行指令,计算机执行指令被处理器执行时用于实现上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。
本申请实施例还提供了一种计算机程序产品,计算机程序产品包括:计算机程序,计算机程序存储在可读存储介质中,服务器的至少一个处理器可以从可读存储介质读取计算机程序,至少一个处理器执行计算机程序使得服务器执行上述任一方法实施例所提供的方案,具体功能和所能实现的技术效果此处不再赘述。本申请实施例提供一种芯片,包括:处理模块与通信接口,该处理模块能执行前述方法实施例中服务器的技术方案。可选的,该芯片还包括存储模块(如,存储器),存储模块用于存储指令,处理模块用于执行存储模块存储的指令,并且对存储模块中存储的指令的执行使得处理模块执行前述任一方法实施例提供的技术方案。
上述存储器可以是对象存储(Object Storage Service,OSS)。上述存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
上述通信组件被配置为便于通信组件所在设备和其他设备之间有线或无线方式的通信。通信组件所在设备可以接入基于通信标准的无线网络,如WiFi,2G、3G、4G/LTE、5G等移动通信网络,或它们的组合。在一个示例性实施例中,通信组件经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,通信组件还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
上述电源组件,为电源组件所在设备的各种组件提供电力。电源组件可以包括电源管理系统,一个或多个电源,及其他与为电源组件所在设备生成、管理和分配电力相关联的组件。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户属性信息等)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,并且相关数据的收集、使用和处理需要遵守相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
另外,在上述实施例及附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。 “多个”的含义是两个以上,除非另有明确具体的限定。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、使用和处理需要遵守相关法律法规和标准,并提供有相应的操作入口,供用户选择授权或者拒绝。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (13)
1.一种发电功率确定方法,其特征在于,包括:
响应于对目标单位时段内发电功率的预测指令,获取所述目标单位时段的天气预报数据;
根据所述目标单位时段的天气预报数据,确定所述目标单位时段对应的天气类型信息,并将所述目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各所述预测模型输出的预测发电功率;
根据所述目标单位时段对应于的天气类型信息,将各所述预测模型输出的预测发电功率融合,得到所述目标单位时段的发电功率。
2.根据权利要求1所述的方法,其特征在于,所述根据所述目标单位时段的天气预报数据,确定所述目标单位时段对应的天气类型信息,包括:
根据所述目标单位时段的天气预报数据中的气象要素信息,确定所述目标单位时段的气象特征;
将所述目标单位时段的气象特征输入天气分类模型进行天气分类,得到所述目标单位时段对应的天气类型信息,所述天气类型信息包含所述目标单位时段对应于各天气类型的概率信息。
3.根据权利要求2所述的方法,其特征在于,还包括:
获取多个历史单位时段的天气预报数据和实测发电功率;
根据所述历史单位时段的实测发电功率,选择确定具有指定天气类型的单位时段的发电功率参考值;
根据所述历史单位时段的实测发电功率与所述发电功率参考值间的距离,以及各天气类型对应的距离阈值范围,确定所述历史单位时段的天气类型标签;
根据所述历史单位时段的天气预报数据,确定所述历史单位时段的气象特征;
根据所述历史单位时段的气象特征和天气类型标签,训练分类模型,得到所述天气分类模型。
4.根据权利要求2或3所述的方法,其特征在于,还包括:
根据多个历史单位时段的天气预报数据和实测发电功率,计算天气预报数据中各气象要素与发电功率的相关度;
根据各气象要素与发电功率的相关度,筛选出至少一个气象要素作为用于天气分类的气象特征。
5.根据权利要求1-3中任一项所述的方法,其特征在于,所述目标单位时段包含至少一个待预测时刻,
所述将所述目标单位时段的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各所述预测模型输出的预测发电功率,包括:
根据所述目标单位时段的天气预报数据,确定所述待预测时刻所在时间范围内多个时刻的气象要素信息,并将所述气象要素信息对应时刻进行表征,得到所述气象要素信息对应的时间特征;
将所述待预测时刻所在时间范围内的多个时刻的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各所述预测模型输出的所述待预测时刻的预测发电功率。
6.根据权利要求5所述的方法,其特征在于,所述天气类型信息包含所述目标单位时段对应于各天气类型的概率信息,所述根据所述目标单位时段对应的天气类型信息,将各所述预测模型输出的预测发电功率融合,得到所述目标单位时段的发电功率,包括:
将所述目标单位时段对应于各天气类型的概率信息作为同一天气类型对应的预测模型的权重,将各所述预测模型输出的同一所述待预测时刻的预测发电功率加权平均,得到所述待预测时刻的发电功率,所述目标单位时段的发电功率包含所述至少一个待预测时刻的发电功率。
7.根据权利要求1-3中任一项所述的方法,其特征在于,所述根据所述目标单位时段对应的天气类型信息,将各所述预测模型的预测发电功率融合,得到所述目标单位时段的发电功率之后,还包括:
在第一历史时间范围内的第一单位时段中,根据所述目标单位时段的发电功率和第一单位时段的实测发电功率的绝对差值,筛选出至少一个第一单位时段,作为所述目标单位时段的第一相似时段;
根据所述第一相似时段的预测发电功率与实测发电功率的误差,对所述目标单位时段的发电功率进行修正。
8.根据权利要求1-3中任一项所述的方法,其特征在于,还包括:
在第二历史时间范围内的第二单位时段中,根据所述目标单位时段的发电功率和第二单位时段的实测发电功率的绝对差值,筛选出至少一个第二单位时段,作为所述目标单位时段的第二相似时段;
绘制所述第二相似时段内关键气象特征的第一变化曲线,和所述目标单位时段内所述关键气象特征的第二变化曲线,并标记出所述第二相似时段与所述目标单位时段内所述关键气象特征的相似时刻,其中,所述第二相似时段与所述目标单位时段内的所述相似时刻的所述关键气象特征的绝对差值,小于或等于所述关键气象特征对应的差异阈值。
9.根据权利要求8所述的方法,其特征在于,还包括:
根据多个历史单位时段的气象特征和天气类型标签,以及天气分类模型,计算各所述气象特征的贡献度,并根据所述贡献度筛选出至少一个气象特征作为关键气象特征。
10.根据权利要求1-3中任一项所述的方法,其特征在于,得到所述目标单位时段的发电功率之后,还包括:
根据所述目标单位时段的发电功率,绘制并输出所述目标单位时段内的待预测时刻的发电功率变化曲线;
或者,
向端侧设备发送所述目标单位时段的发电功率。
11.一种发电功率确定方法,其特征在于,包括:
响应于对待预测日的发电功率的预测指令,获取所述待预测日的天气预报数据;
根据所述待预测日的天气预报数据,确定所述待预测日对应的天气类型信息,并将所述待预测日的天气预报数据中的气象要素信息及时间特征,输入各天气类型对应的预测模型进行发电功率预测,得到各所述预测模型输出的预测发电功率;
根据所述待预测日对应的天气类型信息,将各所述预测模型输出的预测发电功率融合,得到所述待预测日的发电功率。
12.一种服务器,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-10中任一项所述的方法。
13.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310287913.5A CN116109007B (zh) | 2023-03-23 | 2023-03-23 | 发电功率确定方法、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310287913.5A CN116109007B (zh) | 2023-03-23 | 2023-03-23 | 发电功率确定方法、服务器及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109007A true CN116109007A (zh) | 2023-05-12 |
CN116109007B CN116109007B (zh) | 2023-07-11 |
Family
ID=86267441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310287913.5A Active CN116109007B (zh) | 2023-03-23 | 2023-03-23 | 发电功率确定方法、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109007B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933950A (zh) * | 2023-09-19 | 2023-10-24 | 国能日新科技股份有限公司 | 功率预测数据的传输方法、装置、设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390199A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 光伏发电量/发电功率预测装置 |
CN104933483A (zh) * | 2015-06-17 | 2015-09-23 | 中国电力科学研究院 | 一种基于天气过程划分的风电功率预测方法 |
JP2016073156A (ja) * | 2014-10-01 | 2016-05-09 | 中国電力株式会社 | 発電量予測装置、発電量予測方法、及びプログラム |
CN106803128A (zh) * | 2015-11-26 | 2017-06-06 | 华为技术有限公司 | 光伏发电的预测方法和装置 |
CN107766990A (zh) * | 2017-11-10 | 2018-03-06 | 河海大学 | 一种光伏电站发电功率的预测方法 |
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 |
CN112285807A (zh) * | 2019-11-12 | 2021-01-29 | 北京嘉韵楷达气象科技有限公司 | 一种气象信息预测方法及装置 |
CN114386654A (zh) * | 2021-11-29 | 2022-04-22 | 国家气象中心(中央气象台) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 |
CN114784795A (zh) * | 2022-04-15 | 2022-07-22 | 清华大学 | 风电功率预测方法、装置、电子设备及存储介质 |
CN115186907A (zh) * | 2022-07-14 | 2022-10-14 | 华润电力技术研究院有限公司 | 风电场中长期发电量的预测方法、系统、设备及介质 |
-
2023
- 2023-03-23 CN CN202310287913.5A patent/CN116109007B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103390199A (zh) * | 2013-07-18 | 2013-11-13 | 国家电网公司 | 光伏发电量/发电功率预测装置 |
JP2016073156A (ja) * | 2014-10-01 | 2016-05-09 | 中国電力株式会社 | 発電量予測装置、発電量予測方法、及びプログラム |
CN104933483A (zh) * | 2015-06-17 | 2015-09-23 | 中国电力科学研究院 | 一种基于天气过程划分的风电功率预测方法 |
CN106803128A (zh) * | 2015-11-26 | 2017-06-06 | 华为技术有限公司 | 光伏发电的预测方法和装置 |
CN107766990A (zh) * | 2017-11-10 | 2018-03-06 | 河海大学 | 一种光伏电站发电功率的预测方法 |
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 |
CN112285807A (zh) * | 2019-11-12 | 2021-01-29 | 北京嘉韵楷达气象科技有限公司 | 一种气象信息预测方法及装置 |
CN114386654A (zh) * | 2021-11-29 | 2022-04-22 | 国家气象中心(中央气象台) | 一种多尺度数值天气预报模式融合的天气预报方法及装置 |
CN114784795A (zh) * | 2022-04-15 | 2022-07-22 | 清华大学 | 风电功率预测方法、装置、电子设备及存储介质 |
CN115186907A (zh) * | 2022-07-14 | 2022-10-14 | 华润电力技术研究院有限公司 | 风电场中长期发电量的预测方法、系统、设备及介质 |
Non-Patent Citations (3)
Title |
---|
王琛淇等: "短期光伏发电系统功率预测", 辽宁工程技术大学学报(自然科学版), pages 99 - 105 * |
程泽;蒋春晓;杨柏松;: "基于多传感器系统的光伏并网发电功率预测", 传感器与微系统, no. 03 * |
胡克用;李云龙;江霞;李静;胡则辉;: "改进神经网络模型在光伏发电预测中的应用", 计算机系统应用, no. 12 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933950A (zh) * | 2023-09-19 | 2023-10-24 | 国能日新科技股份有限公司 | 功率预测数据的传输方法、装置、设备和存储介质 |
CN116933950B (zh) * | 2023-09-19 | 2024-01-16 | 国能日新科技股份有限公司 | 功率预测数据的传输方法、装置、设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116109007B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197218B (zh) | 基于多源卷积神经网络的雷雨大风等级预测分类方法 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN116109007B (zh) | 发电功率确定方法、服务器及存储介质 | |
CN110348472B (zh) | 数据检测规则生成方法、装置、计算机设备及存储介质 | |
CN109740965A (zh) | 一种工程验证分析方法及装置 | |
CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
CN115757745A (zh) | 基于人工智能的业务场景控制方法、系统及云平台 | |
KR102043272B1 (ko) | 확률장기예보를 활용한 유역 유출 예측과 의사결정지원 시스템 및 그 방법 | |
CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
US11379274B2 (en) | Hybrid spatial-temporal event probability prediction method | |
CN113283222B (zh) | 自动化报表生成方法、装置、计算机设备及存储介质 | |
US20240111917A1 (en) | Methods for designing, manufacturing, installing, and/or maintenance of roofing accessories and systems of use thereof | |
CN110751317A (zh) | 一种电力负荷预测系统及预测方法 | |
CN112651534A (zh) | 一种预测资源供应链需求量的方法、装置及存储介质 | |
CN116756522B (zh) | 概率预报方法、装置、存储介质及电子设备 | |
CN109978299B (zh) | 用于海上风电业务的数据分析方法、装置和存储介质 | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN111931798B (zh) | 进行冷头状态分类检测和寿命预测的方法 | |
CN111899123A (zh) | 电量预测方法、装置以及计算机可读存储介质 | |
Christian et al. | Network Traffic Prediction Of Mobile Backhaul Capacity Using Time Series Forecasting | |
CN116544931B (zh) | 基于集成片段变换和时间卷积网络的电力负荷分布预测方法 | |
CN117391257A (zh) | 一种道路拥堵情况的预测方法及装置 | |
KR20230057804A (ko) | 인공신경망 모델을 위한 입력데이터 선정 방법 및 시스템 | |
Shi et al. | Capacity Index Prediction Based on STL Fusion Attention Mechanism |
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 |