CN116191404A - 分布式电源发电预测方法、装置、电子设备及存储介质 - Google Patents
分布式电源发电预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN116191404A CN116191404A CN202211688635.6A CN202211688635A CN116191404A CN 116191404 A CN116191404 A CN 116191404A CN 202211688635 A CN202211688635 A CN 202211688635A CN 116191404 A CN116191404 A CN 116191404A
- Authority
- CN
- China
- Prior art keywords
- power generation
- generation amount
- power supply
- distributed power
- distributed
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 248
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012549 training Methods 0.000 claims description 37
- 238000012545 processing Methods 0.000 claims description 31
- 230000009467 reduction Effects 0.000 claims description 26
- 238000003062 neural network model Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 239000000758 substrate Substances 0.000 claims 2
- 238000004590 computer program Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 238000012795 verification Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 229910052739 hydrogen Inorganic materials 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开的实施例提供了一种分布式电源发电预测方法、装置、设备以及存储介质,其方法包括:获取分布式电源在第一时间段内的第一发电量数据;将所述第一时间段内的第一发电量数据输入到发电预测模型中,获得所述分布式电源在第二时间段内的第二发电量趋势;所述发电预测模型用于获取所述分布式电源中各个电源的空间关联特征和所述各个电源发电的时间序列特征,并基于所述空间关联特征和时间序列特征对所述分布式电源在第二时间段内的发电量进行预测,得到所述第二发电量趋势。这样通过综合考虑分布式电源的空间联系和时间联系,能够在很大程度上降低分布式电源的预测难度,提高预测的准确度。
Description
技术领域
本公开涉及发电技术领域,尤其涉及分布式电源发电预测的技术领域。
背景技术
分布式电源主要分布在用户端,通过接入35kV及以下电压等级电网,以就地消纳为主。分布式电源具体可以包括太阳能、天然气、生物质能、风能、水能、氢能、地热能、海洋能、资源综合利用发电(含煤矿瓦斯发电)和储能等类型的可再生电源。
随着可再生能源得到越来越多的重视及相关政策的不断落地,以风能、光伏能等为代表的可再生生源能源得到蓬勃发展,使得上述分布式电源在电网中得到广泛的应用。
但是,由于分布式电源的发电预测面临着诸多因素的影响,分布式电源发电预测的准确性较低。
发明内容
本公开提供了一种分布式电源发电预测方法、装置、设备以及存储介质。
根据本公开的第一方面,提供了一种分布式电源发电预测方法。该方法包括:
获取分布式电源在第一时间段内的第一发电量数据,所述第一发电量数据为所述分布式电源中多个电源的发电量数据;
将所述第一时间段内的第一发电量数据输入到发电预测模型中,获得所述分布式电源在第二时间段内的第二发电量趋势,所述第一发电量数据为所述分布式电源中多个电源的总发电量数据;所述发电预测模型用于获取所述分布式电源中各个电源的空间关联特征和所述各个电源发电的时间序列特征,并基于所述空间关联特征和时间序列特征对所述分布式电源在第二时间段内的发电量进行预测,得到所述第二发电量趋势。
可选地,所述发电预测模型包括图卷积神经网络模型和门控循环单元;所述图卷积神经网络模型用于获取所述分布式电源中各个电源的空间关联特征,并基于所述空间关联特征对所述第一发电量数据进行降维处理;所述门控循环单元用于基于降维处理后的结果获取所述分布式电源中各个电源的时间序列特征,并基于所述时间序列特征预测所述分布式电源在所述第二时间段内的发电量趋势。
可选地,所述图卷积神经网络模型包括输入层、隐藏层和输出层,所述基于所述空间关联特征对所述第一发电量数据进行降维处理,包括:
通过所述隐藏层获取所述输入层接收到的第一发电量数据,所述隐藏层内部包含多个节点,所述多个节点用于分别表征所述分布式电源中的各个电源,所述多个节点之间的关系用于表征所述分布式电源中的各个电源之间的相关性;
根据所述各个电源之间的相关性对所述分布式电源进行卷积运算,以将得到的卷积运算结果通过所述输出层输出。
可选地,所述方法还包括:
获取对所述第一发电量数据降维处理后的数据长度;
根据所述数据长度设置所述门控循环单元的网络深度。
可选地,所述方法还包括:
获取训练样本,所述训练样本包括所述分布式电源的历史发电量数据;所述历史发电量数据包括多个时间段内所述分布式电源的发电量数据,每个时间段内的发电量携带有与上个时间段相比的发电量趋势标签;
通过所述训练样本对预设模型进行训练;
在迭代次数大于第一预设阈值时,基于混淆矩阵计算发电量预测的准确度,所述混淆矩阵用于表征所述分布式电源中发电量的预测值和真实值之间的对应关系;
当所述准确度大于第二预设阈值时,停止训练,获得训练后的预设模型,并将所述训练后的模型作为所述发电预测模型。
根据本公开的第二方面,提供了一种分布式电源发电预测装置。该装置包括:
数据获取模块,用于获取分布式电源在第一时间段内的第一发电量数据,所述第一发电量数据为所述分布式电源中多个电源的发电量数据;
数据预测模块,用于将所述第一时间段内的第一发电量数据输入到发电预测模型中,获得所述分布式电源在第二时间段内的第二发电量趋势;所述第二发电量趋势为所述分布式电源中多个电源的总发电量趋势;所述发电预测模型用于获取所述分布式电源中各个电源的空间关联特征和所述各个电源发电的时间序列特征,并基于所述空间关联特征和时间序列特征对所述分布式电源在第二时间段内的发电量进行预测,得到所述第二发电量趋势。
可选地,所述发电预测模型包括图卷积神经网络模型和门控循环单元;所述图卷积神经网络模型用于获取所述分布式电源中各个电源的空间关联特征,并基于所述空间关联特征对所述第一发电量数据进行降维处理;所述门控循环单元用于基于降维处理后的结果获取所述分布式电源中各个电源的时间序列特征,并基于所述时间序列特征预测所述分布式电源在所述第二时间段内的发电量趋势。
可选地,所述图卷积神经网络模型包括输入层、隐藏层和输出层,所述装置还包括:
降维处理模块,用于通过所述隐藏层获取所述输入层接收到的第一发电量数据,所述隐藏层内部包含多个节点,所述多个节点用于分别表征所述分布式电源中的各个电源,所述多个节点之间的关系用于表征所述分布式电源中的各个电源之间的相关性;
根据所述各个电源之间的相关性对所述分布式电源进行卷积运算,以将得到的卷积运算结果通过所述输出层输出。
所述装置还包括:
数据长度获取模块,用于获取对所述第一发电量数据降维处理后的数据长度;
网络深度获取模块,用于根据所述数据长度设置所述门控循环单元的网络深度。
可选地,所述装置还包括:
样本获取模块,用于获取训练样本,所述训练样本包括所述分布式电源的历史发电量数据;所述历史发电量数据包括多个时间段内所述分布式电源的总发电量数据,每个时间段内的发电量携带有与上个时间段相比的发电量趋势标签;
训练模块,用于通过所述训练样本对预设模型进行训练;
准确度获取模块,用于在迭代次数大于第一预设阈值时,基于混淆矩阵计算发电量预测的准确度,所述混淆矩阵用于表征所述分布式电源中发电量的预测值和真实值之间的对应关系;
处理模块,用于在所述准确度大于第二预设阈值时,停止训练,获得训练后的预设模型,并将所述训练后的模型作为所述发电预测模型。
根据本公开的第三方面,提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的方法。
根据本公开的第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序被处理器执行时实现如根据本公开的第一方面的方法。
本公开实施例提供的分布式电源发电预测方法、装置、设备以及存储介质,通过获取分布式电源在第一时间段内的第一发电量数据,并将第一时间段内的第一发电量数据输入到发电预测模型中,来获得分布式电源在第二时间段内的第二发电量趋势。其中,该发电预测模型用于获取分布式电源中各个电源的空间关联特征和各个电源发电的时间序列特征,并基于空间关联特征和时间序列特征对分布式电源在第二时间段内的发电量进行预测,来得到第二发电量趋势。由于该发电预测模型能够获取分布式电源中各个电源的空间关联特征和各个电源发电的时间序列特征,通过综合考虑分布式电源的空间联系和时间联系,能够在很大程度上降低分布式电源的预测难度,提高预测的准确度。
附图说明
结合附图并参考以下详细说明,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案,不构成对本公开的限定在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出本公开实施例提供的分布式电源发电预测方法的流程示意图;
图2示出了本公开实施例中发电预测模型的结构示意图;
图3示出了本公开实施例中图卷积神经网络模型的结构示意图;
图4示出了本公开实施例提供的分布式电源发电预测方法的又一流程示意图;
图5示出了本公开实施例中提供的分布式电源发电预测装置示意图;
图6示出了能够实施本公开实施例的示例性电子设备的方框图。
具体实施方式
为使本公开实施例的目的、技术方案和优点更加清楚,下面将结合本公开实施例中的附图,对本公开实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本公开一部分实施例,而不是全部的实施例。基于本公开中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的全部其他实施例,都属于本公开保护的范围。
另外,本文中术语“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,A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。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
由于分布式电源可以有多种具体的发电形式,包括太阳能、天然气等多种类型的电源,使得分布式电源的发电预测面临着诸多因素的影响。为了提高分布式电源发电预测的准确性,本公开实施例提供的分布式电源发电预测方法、装置、电子设备及存储介质,通过综合考虑分布式电源的空间联系和时间联系,能够在很大程度上降低分布式电源的预测难度,提高预测的准确度。
因此,本公开实施例首先提供一种分布式电源发电预测方法,如图1所示,该方法具体可以包括以下步骤:
在步骤S110中,获取分布式电源在第一时间段内的第一发电量数据。
在本公开实施例中,第一时间段内的发电量数据可以是当前一段时间内分布式电源中各个电源的发电量数据,比如年度内每日或每月的总发电量数据等等,这里不做限定。其中,分布式电源可以为位于某地区且包含多个电源。
在步骤S120中,将第一时间段内的第一发电量数据输入到发电预测模型中,获得分布式电源在第二时间段内的第二发电量趋势。
其中,第二发电量趋势为分布式电源中多个电源的总发电量趋势,即分时电源中各个电源的发电量之和即为总发电量;发电预测模型用于获取分布式电源中各个电源的空间关联特征和各个电源发电的时间序列特征,并基于空间关联特征和时间序列特征对分布式电源在第二时间段内的发电量进行预测,得到第二发电量趋势。第二发电量趋势可以为发电量增加或者减少,如果是持平的情况,可以视为增加,便于通过标签来进行标注。实施例中,如果第二时间段中分布式电源中各个电源的总发电量如果比第一时间段内的总发电量增加或持平,其第二发电量趋势即为发电量增加,否则为发电量减少。
本公开实施例中的发电预测模型,可以是通过预先训练得到的训练后的模型,通过训练样本对预设模型训练,来得到训练后的模型,并将该训练后的模型作为该发电预测模型。该发电预测模型主要由两部分构成,包括空间学习部分和时间预测部分,空间学习部分可以学习到分布式电源中各个电源的空间关联特征,时间预测部分对时间序列数据具有较强的敏感性,能够获得分布式电源中各个电源发电的时间序列特征,进而可以完成对分布式电源的预测。
基于上述实施例,在本公开提供的又一实施例中,该发电预测模型可以包括图卷积神经网络模型和门控循环单元。其中,图卷积神经网络模型用于获取分布式电源中各个电源的空间关联特征,并基于空间关联特征对第一发电量数据进行降维处理。门控循环单元用于基于降维处理后的结果获取分布式电源中各个电源的时间序列特征,并基于时间序列特征预测分布式电源在第二时间段内的发电量趋势。
具体的,图2示出了本公开实施例中发电预测模型的具体结构,包括图卷积神经网络模型和门控循环单元。为充分利用分布式电源潜在的时空间关联性,实施例中提出了分部复合神经网络,将时空间关联拆分为空间关联学习和时间关联学习,并分别通过图卷积神经网络模型和门控循环单元学习。其中,D1、D2…Dn为分布式电源在第一时间段内各个电源发电量数据,即第一发电量数据,输出的结果为第二发电量趋势。
实施例中,可以先将第一发电量数据输入到图卷积神经网络模型中,以完成空间关联性的学习,将具有较多相关性的分布式电源数据进行降维,避免数据的冗余,得到具有空间关联性的时序数据,以便再将该数据输入到门控循环单元中,由门控循环单元完成时序特征的学习,并输出预测结果。其中,第一发电量数据为具有时序特征的多分布式电源年度内每日发电量数据。
其中,图卷积神经网络模型具体可以包括输入层、隐藏层和输出层,为了详述如何对上述第一发电量数据进行降维处理,在本公开提供的又一实施例中,该方法还可以包括如下步骤:
S101,通过隐藏层获取输入层接收到的第一发电量数据。
其中,图卷积神经网络模型中的隐藏层内部包含多个节点,该多个节点用于分别表征分布式电源中的各个电源,多个节点之间的关系用于表征分布式电源中的各个电源之间的相关性。
S102,根据各个电源之间的相关性对分布式电源进行卷积运算,以将得到的卷积运算结果通过输出层输出。
具体的,图3示出了本公开实施中图卷积神经网络模型的结构示意图。其中,图卷积神经网络模型依托于图论建立,该网络能将分布式电源抽象为图论中具体点,将每个电源间的联系抽象为两点之间连线,其连线对应着图论中的边概念,用来建立图卷积神经网络内部的邻接矩阵,从而对分布式电源中存在的空间关联性进行构建和学习。图3中的输入端中X1、X2、X3、X4为节点,分别代表分布式电源总的各个电源,输出端中的各个节点为降维后的数据。
图卷积神经网络模型可以分为三层,其中,第一层作为输入端,将采集的年度内每日发电量数据输入到输入端中;第二层为依托于图论建立的隐藏层,隐藏层内部节点应等于分布式电源的个数,隐藏层的深度根据分布式电源的个数进行微调,其深度选择2的次方数,其区间为8到128之间;第三层为输出层,其将经过学习后包含了分布式电源空间联系的时间序列数组进行输出。图卷积神经网络模型可以将存在较大相关性的分布式电源进行卷积运算,将对应特征数据矩阵卷积成一个特征数据矩阵,从而降低数据的维度且实现了特征不丢失,来实现降维的目的,能够降低数据量,还可以避免数据冗余,以降低后续通过门控循环单元进行时间预测的难度。
在本公开提供的又一实施例中,门控循环单元作为循环神经网络的变种,具有较好时间记忆能力,能够将分布式电源发电时间序列中存在的时间关联性进行构建与学习,从而完成预测。门控循环单元的基本细胞结构包含重置门和更新门,重置门控制了上一个细胞结构的隐藏状态流入本细胞结构的候选隐藏层状态的方式;更新门控制了包含当前时间步信息的候选隐藏状态更新当前隐藏状态的方式。
实施例中,门控循环单元以图卷积神经网络模型的输出作为输入x,其网络深度可以设置为8,表示本模型中为八层门控循环单元串联作为时间序列预测模型,细胞结构个数与输入数据的长度相同,其输出既为预测结果h。由于一个门控循环单元细胞结构只能同时读取上一时刻的遗留数据和此时刻的数据,为完整读取所有数据,必须保证细胞结构个数与输入的长度保证一致。因此,实施例中在对第二时间段内的发电量进行预测的过程中,可以通过获取对第一发电量数据降维处理后的数据长度,并根据数据长度设置门控循环单元的网络深度。
在网络迭代过程中,可以适时输入验证集进行网络迭代验证,当网络迭代到阈值时,停止迭代,避免产生网络模型的欠拟合和过拟合的发生。当迭代结束时,为保证网络模型具有较好的鲁棒性,依然需要输入测试集,测试其的鲁棒性,当测试结果未达到阈值时,需要重复网络迭代过程。
因此,在本公开提供的有一实施例中,基于上述实施例,如图4所示,该方法还可以包括以下步骤:
在步骤S130中,获取训练样本。
其中,训练样本包括分布式电源的历史发电量数据,历史发电量数据可以包括多个时间段内的发电量数据,每个时间段内的发电量携带有与上个时间段相比的发电量趋势标签。例如,可以收集近五年的分布式电源发电量数据,可以以每个季度为一个时间段,将一个季度内的发电量数据与上个季度的发电量数据进行对比,如果这个季度的发电量数据比上个季度的发电量数据增加,那么对这个季度的发电量数据用标签1进行标注,否则,如果这个季度的发电量数据比上个季度的发电量数据减少,可以用标签0进行标注,这样这五年的分布式电源发电量数据中每个季度的发电量数据都会携带有0或1的标签,用于表示与上个季度相比发电量减少或者增加。实施例中,一个时间段内的发电量数据,为分布式电源的总的发电量数据。
在本公开提供中,所有训练样本都可以携带有发电量趋势标签,还可以部分标签携带发电量趋势标签,这里不做限定。
实施例中,训练样本具体可以是三维矩阵,矩阵长宽高三个维度分别代表分布式电源的电源类型、电源数量和电源对应的发电量数据。
在步骤S140中,通过训练样本对预设模型进行训练。
实施例中的该预设模型可以是上述通过图卷积神经网络模型和门控循环单元构成的模型。
在步骤S150中,在迭代次数大于第一预设阈值时,基于混淆矩阵计算发电量预测的准确度,混淆矩阵用于表征分布式电源中发电量的预测值和真实值之间的对应关系。
在步骤S160中,当准确度大于第二预设阈值时,停止训练,获得训练后的预设模型,并将训练后的模型作为发电预测模型。
实施例中,通过初始化训练模型的参数,并划分模型的训练集、验证集和测试集,可以将每年的前九个月作为训练集,第十个月作为验证集,一年中的后两个月作为测试集。并将训练集输入到图卷积神经网络模型和门控循环单元构成的分布式电源发电预测模型中,来训练该模型。在每10次迭代后,将验证集输入迭代学习后的网络模型中,如果验证集误差达到许可,迭代结束。并将测试集输入到网络模型中,根据输出预测结果,如果达到要求,就可以通过训练后的模型进行预测并输出预测结果。
实施例中,由于五年的分布式电源发电数据包含的分布式电源在发电过程中其发电可能会受到的各种影响因子,这些影响因子会对结果带来影响。本公开实施例中的发电预测模型能够充分利用分布式电源的时空间影响因子,通过电力发电预测模型中的图卷积神经网络中每一个节点对应着电源的相互关系,对于有着共同影响因子的分布式电源加强其之间的关联,对于影响因子完全不同的分布式电源,则会降低其之间的关联性,这样可以降低发电预测模型预测难度,并且可以提高预测的精确度。
实施例中对模型的训练数据划分充分利用数据随机性,通过加强了模型的鲁棒性,可以增强模型在复杂数据下的可靠性。
迭代过程中采用的混淆矩阵如表1所示,其中每一个数值的第一个数值表示真实的增加和减少情况,“1”表示发电量增加,“0”表示发电量下降,第二个数值表示预测值,其含义同上。
表1
模型迭代选择的迭代函数是发电量预测的准确度acc,其计算公式如下:
其中,每一行表示真实值的样本数量,每一列表示预测值的样本数量,“11”和“00”表示真实值和预测值数值相同的样本数量,“10”和“01”表示真实值和预测值数值不相同的样本数量;具体的,“11”表示真实值和预测值都为发电量增加的样本数量,“00”表示真实值和预测值都为发电量减少的样本数量,“10”表示真实值预测发电量增加而预测值为发电量下降的样本数量,“01”表示真实值预测发电量减少而预测值为发电量增加的样本数量。
实施例中,在模型迭代过程中,每迭代十次就将验证集输入到模型中,验证模型的迭代情况,同时当迭代次数大于200后,在每十次迭代输入验证集的基础上,随机多次输入验证集进入模型进行验证迭代情况,当模型的正确率大于一定的阈值B时,停止迭代。示例性的,阈值B可以选择为0.99,这里不做限定。
将测试集输入到模型中,验证模型的可靠性和鲁棒性,当测试集输入到模型中,输出正确率大于阈值时,模型可行,并作为分布式电源的发电预测模型进行输出,若正确率小于阈值时,重复步骤上述过程。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
作为上述方法的具体实现,在本公开提供的又一实施例中,如图5所示,还提供了一种分布式电源发电预测装置。该装置500包括:
数据获取模块510,用于获取分布式电源在第一时间段内的第一发电量数据,所述第一发电量数据为所述分布式电源中多个电源的发电量数据;
数据预测模块520,用于将所述第一时间段内的第一发电量数据输入到发电预测模型中,获得所述分布式电源在第二时间段内的第二发电量趋势;所述第二发电量趋势为所述分布式电源中多个电源的总发电量趋势;所述发电预测模型用于获取所述分布式电源中各个电源的空间关联特征和所述各个电源发电的时间序列特征,并基于所述空间关联特征和时间序列特征对所述分布式电源在第二时间段内的发电量进行预测,得到所述第二发电量趋势。
可选地,所述发电预测模型包括图卷积神经网络模型和门控循环单元;所述图卷积神经网络模型用于获取所述分布式电源中各个电源的空间关联特征,并基于所述空间关联特征对所述第一发电量数据进行降维处理;所述门控循环单元用于基于降维处理后的结果获取所述分布式电源中各个电源的时间序列特征,并基于所述时间序列特征预测所述分布式电源在所述第二时间段内的发电量趋势。
可选地,所述图卷积神经网络模型包括输入层、隐藏层和输出层,所述装置还包括:
降维处理模块,用于通过所述隐藏层获取所述输入层接收到的第一发电量数据,所述隐藏层内部包含多个节点,所述多个节点用于分别表征所述分布式电源中的各个电源,所述多个节点之间的关系用于表征所述分布式电源中的各个电源之间的相关性;
根据所述各个电源之间的相关性对所述分布式电源进行卷积运算,以将得到的卷积运算结果通过所述输出层输出。
所述装置还包括:
数据长度获取模块,用于获取对所述第一发电量数据降维处理后的数据长度;
网络深度获取模块,用于根据所述数据长度设置所述门控循环单元的网络深度。
可选地,所述装置还包括:
样本获取模块,用于获取训练样本,所述训练样本包括所述分布式电源的历史发电量数据,所述历史发电量数据包括多个时间段内所述分布式电源的发电量数据,每个时间段内的发电量携带有与上个时间段相比的发电量趋势标签;
训练模块,用于通过所述训练样本对预设模型进行训练;
准确度获取模块,用于在迭代次数大于第一预设阈值时,基于混淆矩阵计算发电量预测的准确度,所述混淆矩阵用于表征所述分布式电源中发电量的预测值和真实值之间的对应关系;
处理模块,用于在所述准确度大于第二预设阈值时,停止训练,获得训练后的预设模型,并将所述训练后的模型作为所述发电预测模型。
在本公开提供的又一实施例中,还提供了一种电子设备。该电子设备包括:存储器和处理器,所述存储器上存储有计算机程序,所述处理器执行所述程序时实现如以上所述的分布式电源发电预测方法。
在本公开提供的又一实施例中,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,所述程序被处理器执行时实现上述的分布式电源发电预测方法。
在本公开提供的又一实施例中,还提供了一种计算机程序产品,该计算机程序产品在运行时被执行上述任一所述的分布式电源发电预测方法。
图6示出了可以用来实施本公开的实施例的电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
设备600中的多个部件连接至I/O接口605,包括:输入单元606,例如键盘、鼠标等;输出单元607,例如各种类型的显示器、扬声器等;存储单元606,例如磁盘、光盘等;以及通信单元609,例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理,例如分布式电源发电预测方法。例如,在一些实施例中,分布式电源发电预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的分布式电源发电预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行分布式电源发电预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码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器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种分布式电源发电预测方法,其特征在于,包括:
获取分布式电源在第一时间段内的第一发电量数据,所述第一发电量数据为所述分布式电源中多个电源的发电量数据;
将所述第一时间段内的第一发电量数据输入到发电预测模型中,获得所述分布式电源在第二时间段内的第二发电量趋势;所述第二发电量趋势为所述分布式电源中多个电源的总发电量趋势;所述发电预测模型用于获取所述分布式电源中各个电源的空间关联特征和所述各个电源发电的时间序列特征,并基于所述空间关联特征和时间序列特征对所述分布式电源在第二时间段内的发电量进行预测,得到所述第二发电量趋势。
2.根据权利要求1所述的方法,其特征在于,
所述发电预测模型包括图卷积神经网络模型和门控循环单元;
所述图卷积神经网络模型用于获取所述分布式电源中各个电源的空间关联特征,并基于所述空间关联特征对所述第一发电量数据进行降维处理;
所述门控循环单元用于基于降维处理后的结果获取所述分布式电源中各个电源的时间序列特征,并基于所述时间序列特征预测所述分布式电源在所述第二时间段内的发电量趋势。
3.根据权利要求2所述的方法,其特征在于,
所述图卷积神经网络模型包括输入层、隐藏层和输出层;
所述基于所述空间关联特征对所述第一发电量数据进行降维处理,包括:
通过所述隐藏层获取所述输入层接收到的第一发电量数据,所述隐藏层内部包含多个节点,所述多个节点用于分别表征所述分布式电源中的各个电源,所述多个节点之间的关系用于表征所述分布式电源中的各个电源之间的相关性;
根据所述各个电源之间的相关性对所述分布式电源进行卷积运算,以将得到的卷积运算结果通过所述输出层输出。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
获取对所述第一发电量数据降维处理后的数据长度;
根据所述数据长度设置所述门控循环单元的网络深度。
5.根据权利要求1~4任一所述的方法,其特征在于,所述方法还包括:
获取训练样本,所述训练样本包括所述分布式电源的历史发电量数据,所述历史发电量数据包括多个时间段内所述分布式电源的总发电量数据,每个时间段内的发电量携带有与上个时间段相比的发电量趋势标签;
通过所述训练样本对预设模型进行训练;
在迭代次数大于第一预设阈值时,基于混淆矩阵计算发电量预测的准确度,所述混淆矩阵用于表征所述分布式电源中发电量的预测值和真实值之间的对应关系;
在所述准确度大于第二预设阈值时,停止训练,获得训练后的预设模型,并将所述训练后的模型作为所述发电预测模型。
6.一种分布式电源发电预测装置,其特征在于,包括:
数据获取模块,用于获取分布式电源在第一时间段内的第一发电量数据,所述第一发电量数据为所述分布式电源中多个电源的发电量数据;
数据预测模块,用于将所述第一时间段内的第一发电量数据输入到发电预测模型中,获得所述分布式电源在第二时间段内的第二发电量趋势;所述第二发电量趋势为所述分布式电源中多个电源的总发电量趋势;所述发电预测模型用于获取所述分布式电源中各个电源的空间关联特征和所述各个电源发电的时间序列特征,并基于所述空间关联特征和时间序列特征对所述分布式电源在第二时间段内的发电量进行预测,得到所述第二发电量趋势。
7.根据权利要求6所述的装置,其特征在于,所述发电预测模型包括图卷积神经网络模型和门控循环单元;所述图卷积神经网络模型用于获取所述分布式电源中各个电源的空间关联特征,并基于所述空间关联特征对所述第一发电量数据进行降维处理;所述门控循环单元用于基于降维处理后的结果获取所述分布式电源中各个电源的时间序列特征,并基于所述时间序列特征预测所述分布式电源在所述第二时间段内的发电量趋势。
8.根据权利要求7所述的装置,其特征在于,所述图卷积神经网络模型包括输入层、隐藏层和输出层,所述装置还包括:
降维处理模块,用于通过所述隐藏层获取所述输入层接收到的第一发电量数据,所述隐藏层内部包含多个节点,所述多个节点用于分别表征所述分布式电源中的各个电源,所述多个节点之间的关系用于表征所述分布式电源中的各个电源之间的相关性;
根据所述各个电源之间的相关性对所述分布式电源进行卷积运算,以将得到的卷积运算结果通过所述输出层输出。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211688635.6A CN116191404A (zh) | 2022-12-27 | 2022-12-27 | 分布式电源发电预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211688635.6A CN116191404A (zh) | 2022-12-27 | 2022-12-27 | 分布式电源发电预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116191404A true CN116191404A (zh) | 2023-05-30 |
Family
ID=86433584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211688635.6A Pending CN116191404A (zh) | 2022-12-27 | 2022-12-27 | 分布式电源发电预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116191404A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332239A (zh) * | 2023-11-27 | 2024-01-02 | 深圳润世华软件和信息技术服务有限公司 | 一种发电量计算方法、装置、设备及存储介质 |
-
2022
- 2022-12-27 CN CN202211688635.6A patent/CN116191404A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332239A (zh) * | 2023-11-27 | 2024-01-02 | 深圳润世华软件和信息技术服务有限公司 | 一种发电量计算方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Photovoltaic cell parameter estimation based on improved equilibrium optimizer algorithm | |
CN108734331B (zh) | 基于lstm的短期光伏发电功率预测方法及系统 | |
CN110619389A (zh) | 一种基于lstm-rnn的冷热电联供系统负荷预测方法及系统 | |
Zhang et al. | Probabilistic power flow calculation using the Johnson system and Sobol's quasi‐random numbers | |
CN111682530B (zh) | 一种配电网电压越限概率的确定方法、装置、设备及介质 | |
Weng et al. | An evolutionary Nelder–Mead slime mould algorithm with random learning for efficient design of photovoltaic models | |
CN116191404A (zh) | 分布式电源发电预测方法、装置、电子设备及存储介质 | |
CN113191105A (zh) | 一种基于分布式并行运算方法的电气仿真方法 | |
CN102663190B (zh) | Pptl符号模型检测方法 | |
CN117791618A (zh) | 电力调度方法、装置、计算机设备和存储介质 | |
CN117394438A (zh) | 考虑通信基站可调节潜力的分布式光伏准入容量评估方法 | |
CN109408870A (zh) | 一种基于边界约束的拓扑网格生成方法及电子设备 | |
CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
CN116540832A (zh) | 基于变种群量子鲸鱼优化的光伏最大功率跟踪方法及系统 | |
CN117056776A (zh) | 碳排放量监测方法、装置、设备、介质和计算机程序产品 | |
Lu et al. | PUConv: Upsampling convolutional network for point cloud semantic segmentation | |
CN116050250A (zh) | 基于混合驱动模型的电网数字孪生模型建模方法及装置 | |
Xu et al. | NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method | |
CN114398711A (zh) | 一种混凝土重力坝cae集成分析方法、装置和电子设备 | |
Ismail et al. | An efficient, fast, and robust algorithm for single diode model parameters estimation of photovoltaic solar cells | |
CN113094899B (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN116454890B (zh) | 基于scuc模型的机组组合控制方法、装置和设备 | |
Rawa et al. | An Efficient Scheme for Determining the Power Loss in Wind-PV Based on Deep Learning | |
Chen et al. | IMATSA–an improved and adaptive intelligent optimization algorithm based on tunicate swarm algorithm | |
CN113888051A (zh) | 一种电力规划方法、装置、电子设备及存储介质 |
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 |