CN116227249A - 功率气象数据智能迁移的新能源长期电量预测方法与系统 - Google Patents
功率气象数据智能迁移的新能源长期电量预测方法与系统 Download PDFInfo
- Publication number
- CN116227249A CN116227249A CN202310519220.4A CN202310519220A CN116227249A CN 116227249 A CN116227249 A CN 116227249A CN 202310519220 A CN202310519220 A CN 202310519220A CN 116227249 A CN116227249 A CN 116227249A
- Authority
- CN
- China
- Prior art keywords
- power
- target
- power generation
- generation amount
- station
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013508 migration Methods 0.000 title claims abstract description 52
- 230000005012 migration Effects 0.000 title claims abstract description 52
- 230000007774 longterm Effects 0.000 title claims abstract description 33
- 238000010248 power generation Methods 0.000 claims abstract description 460
- 238000004590 computer program Methods 0.000 claims description 21
- 230000005611 electricity Effects 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 14
- 230000001360 synchronised effect Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 11
- 238000007689 inspection Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000013519 translation Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本申请涉及一种功率气象数据智能迁移的新能源长期电量预测方法与系统。所述方法包括：获取目标电力场站的历史发电量数据，根据目标电力场站的历史发电量数据，确定目标电力场站在预测时间段的第一发电量预测结果；根据目标电力场站对应的目标气象特征，在电力场站集合中匹配目标电力场站的相似电力场站；获取相似电力场站的历史发电量数据，根据相似电力场站的历史发电量数据，确定目标电力场站在预测时间段的第二发电量预测结果；根据第一发电量预测结果和第二发电量预测结果，确定目标电力场站的目标发电量预测结果。采用本方法能够基于历史数据迁移和相似场站进行数据迁移，确定精确的发电量预测结果，提高新能源发电量的预测结果准确度。
Description
技术领域
本申请涉及新能源技术领域，特别是涉及一种功率气象数据智能迁移的新能源长期电量预测方法、系统、计算机设备、存储介质和计算机程序产品。
背景技术
新能源电量预测包括较短时间尺度的功率预测和较长时间尺度的电量预测，功率预测对应的预测时长较短，且功率预测的结果一般以时间序列呈现，新能源长期电量预测则是预测未来较长一段时间的发电量数据。
传统方法采用相对单一的参考数据进行新能源长期电量预测。
然而，传统方法中用于预测场站发电量的参考数据对应的数据量不足，难以支撑较长时间尺度的新能源长期电量预测，限制了预测模型对电量的预测精度，不利于提高预测新能源发电量的准确度。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高预测新能源发电量准确度的功率气象数据智能迁移的新能源长期电量预测方法、系统、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面，本申请提供了一种功率气象数据智能迁移的新能源长期电量预测方法，所述方法包括：
获取目标电力场站的历史发电量数据，根据所述目标电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第一发电量预测结果；所述目标电力场站的历史发电量数据包括所述目标电力场站在历史时间段所对应的发电量数据；所述历史时间段包括在所述预测时间段之前，且与所述预测时间段处于同一时期的时间段；
根据所述目标电力场站对应的目标气象特征，在电力场站集合中匹配所述目标电力场站对应的相似电力场站；所述相似电力场站对应的目标气象特征与所述目标电力场站对应的目标气象特征之间的相似度满足预设条件；
获取所述相似电力场站的历史发电量数据，根据相似电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第二发电量预测结果；
根据所述第一发电量预测结果和所述第二发电量预测结果，确定所述目标电力场站在所述预测时间段对应的目标发电量预测结果。
其中，所述根据所述目标电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第一发电量预测结果，包括：
根据所述目标电力场站的历史发电量数据，确定所述目标电力场站对应的同期发电平均功率；
将所述同期发电平均功率作为迁移发电平均功率；所述迁移发电平均功率用于表征所述目标电力场站在预测时间段对应的发电平均功率；
根据所述迁移发电平均功率和所述预测时间段，确定所述第一发电量预测结果。
其中，所述根据所述目标电力场站对应的目标气象特征，在电力场站集合中匹配所述目标电力场站对应的相似电力场站，包括：
获取所述目标电力场站对应的关键气象特征，将所述关键气象特征作为所述目标气象特征；
根据所述目标气象特征，确定所述目标气象特征对应的目标气象特征时间序列；
将所述目标气象特征时间序列和所述电力场站集合中的待匹配电力场站对应的待匹配气象特征时间序列输入至预训练的时间序列模型，得到各所述待匹配电力场站对应的时间序列相似度；
根据各所述待匹配电力场站对应的时间序列相似度，在各所述待匹配电力场站中确定所述相似电力场站。
其中，所述根据所述目标电力场站对应的目标气象特征，在电力场站集合中匹配所述目标电力场站对应的相似电力场站，包括：
获取所述目标电力场站对应的至少一个关键气象特征和所述关键气象特征对应的目标权重；
根据所述关键气象特征和所述目标权重，确定所述目标气象特征；
根据所述目标气象特征和所述电力场站集合中的待匹配电力场站对应的气象特征，确定各所述待匹配电力场站对应的气象特征相似度；
根据各所述待匹配电力场站对应的气象特征相似度，在各所述待匹配电力场站中确定所述相似电力场站。
其中，所述根据所述相似电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第二发电量预测结果，包括：
根据所述相似电力场站的历史发电量数据，确定所述相似电力场站对应的相似发电平均功率；所述相似发电平均功率用于表征所述目标电力场站在预测时间段对应的发电平均功率；
根据所述相似发电平均功率和所述预测时间段，确定所述第二发电量预测结果。
其中，所述根据所述第一发电量预测结果和所述第二发电量预测结果，确定所述目标电力场站在所述预测时间段对应的目标发电量预测结果，包括：
获取所述目标电力场站对应的检验发电量、第一历史预测结果和第二历史预测结果；所述检验发电量包括所述目标电力场站在检验时间段对应的历史发电量；所述检验时间段包括所述预测时间段之前的时间段；所述第一历史预测结果包括所述目标电力场站在所述历史时间段的第一发电量预测结果；所述第二历史预测结果包括所述目标电力场站在所述历史时间段的第二发电量预测结果；
确定所述检验发电量与所述第一历史预测结果之间的第一发电量差值，确定所述检验发电量与所述第二历史预测结果之间的第二发电量差值；
根据所述第一发电量差值和所述第二发电量差值，选择所述第一发电量预测结果或所述第二发电量预测结果作为所述目标电力场站在所述预测时间段对应的目标发电量预测结果。
其中，所述方法还包括：
获取所述目标电力场站对应的目标装机容量和所述相似电力场站对应的相似装机容量；
确定所述目标装机容量与所述相似装机容量之间的装机容量比值；
根据所述装机容量比值，修正所述目标发电量预测结果，得到修正后目标发电量预测结果，将所述修正后目标发电量预测结果作为新的目标发电量预测结果。
第二方面，本申请还提供了一种功率气象数据智能迁移的新能源长期电量预测系统，所述系统包括：
同期预测模块，用于获取目标电力场站的历史发电量数据，根据所述目标电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第一发电量预测结果；所述目标电力场站的历史发电量数据包括所述目标电力场站在历史时间段所对应的发电量数据；所述历史时间段包括在所述预测时间段之前，且与所述预测时间段处于同一时期的时间段；
场站匹配模块，用于根据所述目标电力场站对应的目标气象特征，在电力场站集合中匹配所述目标电力场站对应的相似电力场站；所述相似电力场站对应的目标气象特征与所述目标电力场站对应的目标气象特征之间的相似度满足预设条件；
相似预测模块，用于获取所述相似电力场站的历史发电量数据，根据相似电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第二发电量预测结果；
结果确定模块，用于根据所述第一发电量预测结果和所述第二发电量预测结果，确定所述目标电力场站在所述预测时间段对应的目标发电量预测结果。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
上述功率气象数据智能迁移的新能源长期电量预测方法、系统、计算机设备、存储介质和计算机程序产品，通过获取目标电力场站的历史发电量数据，从而获取精确的场站历史发电量数据，根据目标电力场站的历史发电量数据，确定目标电力场站在预测时间段对应的第一发电量预测结果，从而利用目标电力场站在历史时间段所对应的发电量数据进行发电量预测，得到第一发电量预测结果；根据目标电力场站对应的目标气象特征，在电力场站集合中匹配目标电力场站对应的相似电力场站，从而基于相似电力场站对应的目标气象特征与目标电力场站对应的目标气象特征之间的相似度确定相似电力场站；获取相似电力场站的历史发电量数据，根据相似电力场站的历史发电量数据，确定目标电力场站在预测时间段对应的第二发电量预测结果；根据第一发电量预测结果和第二发电量预测结果，确定目标电力场站在预测时间段对应的目标发电量预测结果，从而根据发电量预测结果的精度，确定目标发电量预测结果，能够基于目标电力场站的历史发电量数据进行数据迁移，得到第一发电量预测结果，并基于气象特征，匹配与目标电力场站相似度最大的相似电力场站，利用相似电力场站的发电量数据，确定第二发电量预测结果，进而根据第一发电量预测结果和第二发电量预测结果的精度，确定精度的目标发电量预测结果，实现根据历史发电量数据和相似电力场站的发电量数据，预测目标场站在预测时间段的发电量数据，在丰富发电量预测所需数据量的同时，基于历史数据迁移和相似场站数据迁移，确定精确的发电量预测结果，提高预测新能源发电量的准确度。
附图说明
图1为一个实施例中一种功率气象数据智能迁移的新能源长期电量预测方法的应用环境图；
图2为一个实施例中一种功率气象数据智能迁移的新能源长期电量预测方法的流程示意图；
图3为另一个实施例中一种功率气象数据智能迁移的新能源长期电量预测方法的流程示意图；
图4为一个实施例中一种发电量统计图的示意图；
图5为一个实施例中一种发电量预测结果相对误差分布图的示意图；
图6为一个实施例中一种发电量预测结果误差差值分布图的示意图；
图7为一个实施例中一种电力场站月利用小时数分布图的示意图；
图8为一个实施例中一种功率气象数据智能迁移的新能源长期电量预测系统的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请实施例提供的功率气象数据智能迁移的新能源长期电量预测方法，可以应用于如图1所示的应用环境中。其中，新能源场站102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。服务器104获取目标电力场站的历史发电量数据，根据目标电力场站的历史发电量数据，确定目标电力场站在预测时间段对应的第一发电量预测结果；目标电力场站的历史发电量数据包括目标电力场站在历史时间段所对应的发电量数据；历史时间段包括在预测时间段之前，且与预测时间段处于同一时期的时间段；服务器104根据目标电力场站对应的目标气象特征，在电力场站集合中匹配目标电力场站对应的相似电力场站；相似电力场站对应的目标气象特征与目标电力场站对应的目标气象特征之间的相似度满足预设条件；服务器104获取相似电力场站的历史发电量数据，根据电力场站的历史发电量数据，确定目标电力场站在预测时间段对应的第二发电量预测结果；服务器104根据第一发电量预测结果和第二发电量预测结果，确定目标电力场站在预测时间段对应的目标发电量预测结果。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一些实施例中，如图2所示，提供了一种功率气象数据智能迁移的新能源长期电量预测方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于服务器，还可以应用于包括终端和服务器的系统，并通过终端和服务器的交互实现。本实施例中，该方法包括以下步骤：
步骤S202，获取目标电力场站的历史发电量数据，根据目标电力场站的历史发电量数据，确定目标电力场站在预测时间段对应的第一发电量预测结果。
其中，目标电力场站可以是指需要进行发电量预测的电力场站，实际应用中，目标电力场站可以包括光伏发电场站和风力发电场站。
其中，目标电力场站的历史发电量数据可以是指目标电力场站在历史时间段所对应的发电量数据，实际应用中，目标电力场站的历史发电量数据可以包括目标电力场站的所在地区、目标电力场站的名称、目标电力场站的场站类型、目标电力场站的投产容量、目标电力场站的每年发电量、目标电力场站的每月发电量、目标电力场站的每年发电平均功率、目标电力场站的每月发电平均功率、气象特征、目标电力场站每年实际利用时长（小时数）和目标电力场站每月实际利用时长（小时数）。
其中，历史时间段可以是指在预测时间段之前，且与预测时间段处于同一时期的时间段，实际应用中，历史时间段可以包括去年同期时间段，如，预测时间段为2020年3月，则历史时间段可以包括2019年3月。
其中，第一发电量预测结果可以是指利用平移法，根据目标电力场站的历史发电量数据，对目标电力场站在预测时间段的发电量进行预测得到的结果，实际应用中，可根据目标电力场站的去年同期发电平均功率和预测时间段，确定第一发电量预测结果。
作为一种示例，服务器获取目标电力场站对应的全部历史发电量数据，服务器对目标电力场站对应的全部历史发电量数据进行数据清洗：服务器将目标电力场站对应的全部历史发电量数据中月发电平均功率超过当月投运容量的月发电平均功率作为第一错误数据，服务器将目标电力场站对应的全部历史发电量数据中月发电平均功率为0的月发电平均功率作为第二错误数据，服务器将目标电力场站对应的全部历史发电量数据中气象特征为空或非浮点数类型（如气象特征在对应数据表中的对应位置处显示为“--”）的气象特征作为第三错误数据，服务器将第一错误数据、第二错误数据和第三错误数据从月发电平均功率组成的月发电平均功率集合中去除，得到目标电力场站对应的历史发电量数据集合，实际应用中，根据影响目标电力场站风电或光伏的气象要素不同，目标电力场站对应的历史发电量数据集合可以包括历史月度发电量数据表、历史气象数据表（光伏）、历史气象数据表（风电）、历史发电量-气象数据表（光伏）和历史发电量-气象数据表（风电），其中，历史月度发电量数据表可以表示为表1所示的数据表：
表1
历史月度发电量数据表可以用于根据场站的历史月均功率数据进行发电量预测。
历史气象数据表（光伏）或历史气象数据表（风电）可以表示为如表2所示的数据表：
表2
历史气象数据表（光伏）可以包括光伏电站的月均气象数值预报（nwp）数据，实际应用中，历史气象数据表（光伏）可以用于根据光伏电站名称查找气象数值预报（nwp）数据或气象特征均值；历史气象数据表（风电）可以包括风电电站的月均气象数值预报（nwp）数据，实际应用中，历史气象数据表（风电）可以用于根据风电电站名称查找气象数值预报（nwp）数据或气象特征均值。
历史发电量-气象数据表（光伏）可以表示为如表3所示的数据表：
表3
实际应用中，历史发电量-气象数据表（光伏）可以为历史月度发电量数据表和历史气象数据表（光伏）的交集，历史发电量-气象数据表（光伏）可以用于根据气象数据匹配与目标电力场站最相似的场站。
历史发电量-气象数据表（风电）可以表示为如表4所示的数据表： 表4
实际应用中，历史发电量-气象数据表（风电）可以为历史月度发电量数据表和历史气象数据表（风电）的交集，历史发电量-气象数据表（风电）可以用于根据气象数据匹配与目标电力场站最相似的场站。
作为一种示例，服务器从目标电力场站对应的历史发电量数据集合中的历史发电量数据中，查找目标电力场站在历史时间段（如去年同期）所对应的发电量数据，服务器根据目标电力场站在历史时间段所对应的发电量数据，确定目标电力场站在预测时间段对应的第一发电量预测结果。
步骤S204，根据目标电力场站对应的目标气象特征，在电力场站集合中匹配目标电力场站对应的相似电力场站。
其中，相似电力场站对应的目标气象特征与目标电力场站对应的目标气象特征之间的相似度满足预设条件。
其中，相似电力场站可以是指与目标电力场站的气象特征相似度最高的电力场站。
其中，电力场站集合可以是指所有电力场站组成的场站集合，实际应用中，电力场站集合可以包括所有光伏电力场站和所有风电电力场站。
其中，目标气象特征可以是指匹配目标电力场站的相似电力场站时，衡量目标电力场站和相似电力场站之间相似度的气象特征，实际应用中，目标气象特征可以包括气象数据均值和关键气象特征。
作为一种示例，服务器获取目标电力场站在预测时间段的目标气象特征，服务器根据目标电力场站在预测时间段的目标气象特征和相似电力场站的目标气象特征，确定目标电力场站和电力场站集合中的各待匹配电力场站针对目标气象特征的相似度，由于气象特征和时间段一一对应，服务器将气象特征相似度最高的时间段作为相似时间段，服务器将相似时间段对应的待匹配电力场站作为相似电力场站。
步骤S206，获取相似电力场站的历史发电量数据，根据电力场站的历史发电量数据，确定目标电力场站在预测时间段对应的第二发电量预测结果。
其中，第二发电量预测结果可以是指根据目标电力场站对应的相似电力场站的历史发电量数据，对目标电力场站在预测时间段的发电量进行预测得到的结果，实际应用中，可根据相似电力场站在相似时间段的发电平均功率和预测时间段，确定第二发电量预测结果。
作为一种示例，服务器获取相似电力场站在相似时间段的发电量数据，服务器根据相似电力场站在相似时间段的发电量数据和预测时间段，确定目标电力场站在预测时间段对应的第二发电量预测结果。
步骤S208，根据第一发电量预测结果和第二发电量预测结果，确定目标电力场站在预测时间段对应的目标发电量预测结果。
其中，目标发电量预测结果可以是指表征目标电力场站在预测时间段的发电量数据，实际应用中，目标发电量预测结果可以表示目标电力场站在预测时间段的期望发电量。
作为一种示例，服务器将目标电力场站在上一时间段的实际发电量数据与目标电力场站在上一时间段对应的第一发电量预测结果和目标电力场站在上一时间段对应的第二发电量预测结果进行对比，服务器根据目标电力场站在上一时间段的第一发电量预测结果与实际发电量之间的差值和目标电力场站在上一时间段的第二发电量预测结果与实际发电量之间的差值，确定目标电力场站在上一时间段的第一发电量预测结果的预测精度和目标电力场站在上一时间段的第二发电量预测结果的预测精度，服务器根据预测精度，选择目标电力场站在预测时间段的第一发电量预测结果或目标电力场站在预测时间段的第二发电量预测结果作为目标电力场站在预测时间段对应的目标发电量预测结果；例如，预测时间段为2020年3月，服务器获取2020年2月的实际发电量、2020年2月的第一发电量预测结果和2020年2月的第二发电量预测结果，若2020年2月的实际发电量为20000MW/h，2020年2月的第一发电量预测结果为19000MW/h ，2020年2月的第二发电量预测结果20100MW/h，由于2020年2月的第二发电量预测结果与2020年2月的实际发电量之间的差值为100MW/h，小于2020年2月的第一发电量预测结果与2020年2月的实际发电量之间的差值1000MW/h，服务器判断2020年2月的第二发电量预测结果的精度更高，服务器将2020年3月的第二发电量预测结果作为2020年3月的目标发电量预测结果。
上述功率气象数据智能迁移的新能源长期电量预测方法中，通过获取目标电力场站的历史发电量数据，从而获取精确的场站历史发电量数据，根据目标电力场站的历史发电量数据，确定目标电力场站在预测时间段对应的第一发电量预测结果，从而利用目标电力场站在历史时间段所对应的发电量数据进行发电量预测，得到第一发电量预测结果；根据目标电力场站对应的目标气象特征，在电力场站集合中匹配目标电力场站对应的相似电力场站，从而基于相似电力场站对应的目标气象特征与目标电力场站对应的目标气象特征之间的相似度确定相似电力场站；获取相似电力场站的历史发电量数据，根据相似电力场站的历史发电量数据，确定目标电力场站在预测时间段对应的第二发电量预测结果；根据第一发电量预测结果和第二发电量预测结果，确定目标电力场站在预测时间段对应的目标发电量预测结果，从而根据发电量预测结果的精度，确定目标发电量预测结果，能够基于目标电力场站的历史发电量数据进行数据迁移，得到第一发电量预测结果，并基于气象特征，匹配与目标电力场站相似度最大的相似电力场站，利用相似电力场站的发电量数据，确定第二发电量预测结果，进而根据第一发电量预测结果和第二发电量预测结果的精度，确定精度的目标发电量预测结果，实现根据历史发电量数据和相似电力场站的发电量数据，预测目标场站在预测时间段的发电量数据，在丰富发电量预测所需数据量的同时，基于历史数据迁移和相似场站数据迁移，确定精确的发电量预测结果，提高预测新能源发电量的准确度。
在一些实施例中，根据目标电力场站的历史发电量数据，确定目标电力场站在预测时间段对应的第一发电量预测结果，包括：根据目标电力场站的历史发电量数据，确定目标电力场站对应的同期发电平均功率；将同期发电平均功率作为迁移发电平均功率；根据迁移发电平均功率和所述预测时间段，确定第一发电量预测结果。
其中，迁移发电平均功率可以用于表征目标电力场站在预测时间段对应的发电平均功率。
其中，同期发电平均功率可以是指目标电力场站在历史时间段中与预测时间段同一时期的发电平均功率，例如，目标电力场站在2020年3月对应的同期发电平均功率可以包括目标电力场站在2019年3月的月度发电平均功率。
作为一种示例，服务器从目标电力场站的历史发电量数据中查找目标电力场站在历史时间段的同期发电平均功率，服务器将同期发电平均功率作为目标电力场站根据自身历史发电量数据迁移得到的迁移发电平均功率，服务器获取预测时间段的场站实际工作天数，服务器根据预测时间段的场站实际工作天数和迁移发电平均功率，计算得到目标电力场站在预测时间段的第一发电量预测结果；实际应用中，预测未来较长时间（如1年）的逐月发电量，服务器需要获取目标电力场站在历史时间段（如上一年度）的全部发电平均功率数据，若历史时间段中任一时间段的发电平均功率数据缺失，则发电平均功率数据缺失的该任一时间段对应的预测时间段的发电量预测结果为空值。
本实施例中，通过根据目标电力场站的历史发电量数据，确定目标电力场站对应的同期发电平均功率；将同期发电平均功率作为迁移发电平均功率；根据迁移发电平均功率和所述预测时间段，确定第一发电量预测结果，能够基于目标电力场站自身历史数据进行数据迁移，根据目标电力场站的历史发电量数据，确定发电量预测结果，得到基于历史数据的发电量预测结果，提高发电量预测结果与电力场站的准确性。
在一些实施例中，根据目标电力场站对应的目标气象特征，在电力场站集合中匹配目标电力场站对应的相似电力场站，包括：获取目标电力场站对应的关键气象特征，将关键气象特征作为目标气象特征；根据目标气象特征，确定目标气象特征对应的目标气象特征时间序列；将目标气象特征时间序列和电力场站集合中的待匹配电力场站对应的待匹配气象特征时间序列输入至预训练的时间序列模型，得到各待匹配电力场站对应的时间序列相似度；根据各待匹配电力场站对应的时间序列相似度，在各待匹配电力场站中确定相似电力场站。
其中，关键气象特征可以是指影响目标电力场站发电量的气象特征，实际应用中，关键气象特征可以包括风速、风向和太阳辐照度；例如，关键气象特征可以为一组时间序列，时间分辨率可为15分钟。
其中，目标气象特征时间序列可以是指将目标电力场站的目标气象特征按照时间发生先后顺序排列而成的序列。
其中，待匹配电力场站可以是指电力场站集合中除目标电力场站的电力场站。
其中，待匹配气象特征时间序列可以是指将待匹配电力场站的目标气象特征按照时间发生先后顺序排列而成的序列。
其中，时间序列模型可以是指基于动态时间规整加速算法（FastDTW）构建的模型，时间序列模型的输入可以包括两组（气象特征）时间序列（如目标气象特征时间序列和待匹配气象特征时间序列），时间序列模型的输出可以包括表征两组（气象特征）时间序列相似程度的相似度数值。
其中，时间序列相似度可以是指表征目标气象特征时间序列和待匹配气象特征时间序列之间相似程度的数值。
作为一种示例，服务器获取影响目标电力场站发电量的关键气象特征，服务器将关键气象特征作为目标电力场站的目标气象特征，服务器根据目标电力场站对应的目标气象特征的时间先后顺序和目标气象特征，确定目标电力场站的目标气象特征时间序列，服务器获取电力场站集合中待匹配电力场站的待匹配气象特征时间序列，服务器将目标气象特征时间序列和待匹配气象特征时间序列输入至预训练的时间序列模型（基于FastDTW算法的模型）中，得到各待匹配电力场站对应的时间序列相似度，服务器根据各待匹配电力场站对应的时间序列相似度，在各待匹配电力场站中确定相似电力场站；例如，服务器将时间序列相似度最大的待匹配电路场站作为相似电力场站，其中，待匹配气象特征时间序列对应的待匹配气象特征与关键气象特征之间的关系包括相同。
本实施例中，通过获取目标电力场站对应的关键气象特征，将关键气象特征作为目标气象特征；根据目标气象特征，确定目标气象特征对应的目标气象特征时间序列；将目标气象特征时间序列和电力场站集合中的待匹配电力场站对应的待匹配气象特征时间序列输入至预训练的时间序列模型，得到各待匹配电力场站对应的时间序列相似度；根据各待匹配电力场站对应的时间序列相似度，在各待匹配电力场站中确定相似电力场站，能够基于FastDTW算法，确定目标气象特征时间序列和待匹配气象特征时间序列之间的时间序列相似度，并根据时间序列相似度，确定与目标电力场站最相近的电力场站，进而确定更精确的发电量预测结果。
在一些实施例中，根据目标电力场站对应的目标气象特征，在电力场站集合中匹配目标电力场站对应的相似电力场站，包括：获取目标电力场站对应的至少一个关键气象特征和关键气象特征对应的目标权重；根据关键气象特征和目标权重，确定目标气象特征；根据目标气象特征和电力场站集合中的待匹配电力场站对应的气象特征，确定各待匹配电力场站对应的气象特征相似度；根据各待匹配电力场站对应的气象特征相似度，在各待匹配电力场站中确定相似电力场站。
其中，目标权重可以是指表征关键气象特征重要程度的比重，实际应用中，关键气象特征与目标权重一一对应，如目标电力场站在2020年3月的关键气象特征包括风速和温度，风速对应的目标权重可为0.9，温度对应的目标权重可为0.1；各关键气象特征对应的目标权重的权重值之和等于1。
其中，气象特征相似度可以是指表征目标气象特征和待匹配电路场站的气象特征之间相似程度的数值。
作为一种示例，服务器获取目标电路场站的关键气象特征和关键气象特征对应的目标权重，服务器根据关键气象特征和关键气象特征对应的目标权重确定目标电力场站的目标气象特征均值，服务器将目标气象特征均值作为目标电力场站的目标气象特征，服务器获取电力场站集合中待匹配电路场站的待匹配气象特征和待匹配气象特征对应的待匹配权重，服务器根据待匹配气象特征和待匹配气象特征对应的待匹配权重，确定待匹配电路场站对应的待匹配气象特征均值，服务器根据目标气象特征均值和待匹配气象特征均值，确定待匹配电路场站对应的气象特征相似度，服务器根据待匹配电力场站对应的气象特征相似度，在待匹配电力场站中确定相似电力场站，其中，待匹配气象特征与关键气象特征之间的关系包括相同；例如，若目标电力场站的目标气象特征均值为2000，第一待匹配电力场站的待匹配气象特征均值为1800，第二待匹配电力场站的待匹配气象特征均值为1900，则第一待匹配电力场站与目标电力场站之间的气象特征相似度为（1800/2000）*100%=90%，第二待匹配电力场站与目标电力场站之间的气象特征相似度为（1900/2000）*100%=95%，则服务器选择第一待匹配电力场站作为相似电力场站。
作为一种示例，服务器获取目标电路场站的关键气象特征和关键气象特征对应的目标权重，服务器获取电力场站集合中待匹配电力场站的待匹配气象特征和待匹配气象特征对应的待匹配权重，服务器将关键气象特征对应的待匹配气象特征的待匹配权重与关键气象特征的目标权重进行对比，确定关键气象特征对应的待匹配气象特征的待匹配权重与关键气象特征的目标权重之间的权重相似度，服务器根据各权重相似度，确定待匹配电路场站对应的气象特征相似度，服务器根据待匹配电力场站对应的气象特征相似度，在待匹配电力场站中确定相似电力场站，其中，待匹配气象特征与关键气象特征之间的关系包括相同；例如，若目标电力场站的关键气象特征对应的目标权重为0.8，第一待匹配电力场站的待匹配气象特征对应的待匹配权重为0.4，第二待匹配电力场站的待匹配气象特征对应的待匹配权重为0.6，则第一待匹配电力场站与目标电力场站针对关键气象特征的权重相似度为（0.4/0.8）*100%=50%，第二待匹配电力场站与目标电力场站针对关键气象特征的权重相似度为（0.6/0.8）*100%=75%，则服务器选择第二待匹配电力场站作为相似电力场站。
本实施例中，通过获取目标电力场站对应的至少一个关键气象特征和关键气象特征对应的目标权重；根据关键气象特征和目标权重，确定目标气象特征；根据目标气象特征和电力场站集合中的待匹配电力场站对应的气象特征，确定各待匹配电力场站对应的气象特征相似度；根据各待匹配电力场站对应的气象特征相似度，在各待匹配电力场站中确定相似电力场站，能够利用目标电力场站的关键气象特征和关键气象特征对应的目标权重，确定与目标电力场站最相近的电力场站，进而确定更精确的发电量预测结果。
在一些实施例中，根据相似电力场站的历史发电量数据，确定目标电力场站在预测时间段对应的第二发电量预测结果，包括：根据相似电力场站的历史发电量数据，确定相似电力场站对应的相似发电平均功率；根据相似发电平均功率和预测时间段，确定第二发电量预测结果。
其中，相似发电平均功率可以用于表征目标电力场站在预测时间段对应的发电平均功率，实际应用中，相似发电平均功率可以包括针对目标电力场站，相似电力场站的各时间段对应的气象特征相似度或时间序列相似度最大的时间段对应的发电平均功率。
作为一种示例，服务器根据相似电力场站的历史发电量数据，确定相似电力场站对应的相似发电平均功率，由于确定相似电力场站时，服务器对目标电力场站和待匹配电力场站进行逐时间段的相似度匹配，因此，确定相似电力场站的同时，服务器还确定了相似电力场站针对预测时间段的相似时间段，相似电力场站在相似时间段的目标气象特征与目标电力场站在预测时间段的目标气象特征之间的相似度符合预设的映射关系（如相似度最大），服务器将相似电力场站在相似时间段的发电平均功率作为相似电力场站对应的相似发电平均功率，服务器获取预测时间段的场站实际工作天数，服务器根据预测时间段的场站实际工作天数和相似发电平均功率，计算得到目标电力场站在预测时间段的第二发电量预测结果。
本实施例中，通过根据相似电力场站的历史发电量数据，确定相似电力场站对应的相似发电平均功率；根据相似发电平均功率和预测时间段，确定第二发电量预测结果，能够基于目标电力场站对应的相似电力场站历史数据进行数据迁移，根据相似电力场站的历史发电量数据，确定发电量预测结果，结合目标电力场站在预测时间段的气象特征，确定与目标电力场站的气象特征最相近的相似电力场站，进而基于相似电力场站的发电量数据，确定精确的发电量预测结果。
在一些实施例中，根据第一发电量预测结果和第二发电量预测结果，确定目标电力场站在预测时间段对应的目标发电量预测结果，包括：获取目标电力场站对应的检验发电量、第一历史预测结果和第二历史预测结果；确定检验发电量与第一历史预测结果之间的第一发电量差值，确定检验发电量与第二历史预测结果之间的第二发电量差值；根据第一发电量差值和第二发电量差值，选择第一发电量预测结果或第二发电量预测结果作为目标电力场站在预测时间段对应的目标发电量预测结果。
其中，检验发电量可以包括目标电力场站在检验时间段对应的历史发电量；实际应用中，检验时间段可以包括预测时间段之前的时间段，检验时间段可为预测时间段的前一个时间段或与预测时间段时间最接近的历史时间段。
其中，第一历史预测结果可以包括目标电力场站在历史时间段内基于时间序列相似度确定的第一发电量预测结果；第二历史预测结果可以包括目标电力场站在历史时间段内基于气象特征相似度确定的第二发电量预测结果。
作为一种示例，服务器获取目标电力场站对应的检验发电量、目标电力场站在历史时间段内基于时间序列相似度确定的第一历史预测结果和目标电力场站在历史时间段内基于气象特征相似度确定的第二历史预测结果，服务器根据检验发电量和第一历史预测结果，确定检验发电量与第一历史预测结果之间的第一发电量差值，服务器根据检验发电量和第二历史预测结果，确定检验发电量与第二历史预测结果之间的第二发电量差值，在第一发电量差值大于第二发电量差值的情况下，服务器选择第二发电量预测结果作为目标电力场站在预测时间段对应的目标发电量预测结果，在第一发电量差值小于第二发电量差值的情况下，服务器选择第一发电量预测结果作为目标电力场站在预测时间段对应的目标发电量预测结果；例如，目标电力场站对应的预测时间段为2020年3月，服务器将目标电力场站在历史时间段（2020年2月）的发电量作为检验发电量，服务器获取目标电力场站在历史时间段（2020年2月）的第一历史预测结果和第二历史预测结果，若检验发电量为20000MW/h，第一历史预测结果为19000MW/h，第二历史预测结果为19500MW/h，服务器确定检验发电量与第一历史预测结果之间的第一发电量差值为20000-19000=1000 MW/h，服务器确定检验发电量与第二历史预测结果之间的第二发电量差值为20000-19500=500 MW/h，由于第一发电量差值大于第二发电量差值，服务器将目标电力场站在预测时间段（2020年3月）的第一发电量预测结果作为目标电力场站在预测时间段对应的目标发电量预测结果。
本实施例中，通过获取目标电力场站对应的检验发电量、第一历史预测结果和第二历史预测结果；确定检验发电量与第一历史预测结果之间的第一发电量差值，确定检验发电量与第二历史预测结果之间的第二发电量差值；根据第一发电量差值和第二发电量差值，选择第一发电量预测结果或第二发电量预测结果作为目标电力场站在预测时间段对应的目标发电量预测结果，能够基于历史预测结果和历史发电量，确定发电量预测结果的精度，并将精度高的发电量预测结果作为目标发电量预测结果，提高发电量预测结果的准确率。
在一些实施例中，上述方法还包括：获取目标电力场站对应的目标装机容量和相似电力场站对应的相似装机容量；确定目标装机容量与相似装机容量之间的装机容量比值；根据装机容量比值，修正目标发电量预测结果，得到修正后目标发电量预测结果，将修正后目标发电量预测结果作为新的目标发电量预测结果。
其中，目标装机容量可以是指目标电力场站的装机容量，实际应用中，目标装机容量用于表征目标电力场站的发电能力。
其中，相似装机容量可以是指相似电力场站的装机容量，实际应用中，相似装机容量用于表征相似电力场站的发电能力。
其中，装机容量比值可以是指目标装机容量与相似装机容量的比值。
作为一种示例，服务器获取目标电力场站的目标装机容量和相似电力场站对应的相似装机容量，服务器确定目标装机容量与相似装机容量之间的装机容量比值；根据装机容量比值，服务器根据装机容量比值，将目标发电量预测结果按照装机容量比值进行缩放，以修正目标发电量预测结果，得到修正后目标发电量预测结果，服务器将修正后目标发电量预测结果作为新的目标发电量预测结果。
本实施例中，通过获取目标电力场站对应的目标装机容量和相似电力场站对应的相似装机容量；确定目标装机容量与相似装机容量之间的装机容量比值；根据装机容量比值，修正目标发电量预测结果，得到修正后目标发电量预测结果，将修正后目标发电量预测结果作为新的目标发电量预测结果，能够基于目标电力场站和相似电力场站在装机容量之间的比值，对发电量预测结果进行修正，提高发电量预测结果的准确性。
在一些实施例中，如图3所示，提供了一种功率气象数据智能迁移的新能源长期电量预测方法的流程示意图，服务器构建电力场站集合对应的发电量数据池，服务器从发电量数据池获取目标电力场站对应的历史发电量数据，服务器根据目标电力场站的历史同期发电量数据，利用平移法，将历史同期发电平均功率作为迁移平均功率，服务器根据迁移平均功率和目标电力场站对应的预测时间段，计算得到第一发电量预测结果；服务器获取电力场站集合中所有场站的历史发电量数据和各历史时间段的气象特征数据，服务器利用fastDTW算法在电力场站集合中对关键气象特征进行相似度匹配，服务器将时间序列相似度最高的电力场站作为相似电力场站，服务器根据关键气象特征和关键气象特征的权重，确定月度气象特征均值，服务器根据月度气象特征均值，确定目标电力场站与待匹配电路场站之间的气象特征相似度，服务器将气象特征相似度最高的待匹配电力场站作为相似电力场站，服务器根据相似电力场站的历史发电量数据，确定目标电力场站对应的第二发电量预测结果，服务器根据历史发电量数据和历史预测结果，确定预测方法和预测结果的精度，服务器将精度高的发电量预测结果作为目标电力预测结果，实际应用中，针对目标电力场站的每次发电量预测都会执行图3中所示的三种方法，并保存三种方法对应的预测结果，当首次利用功率气象数据智能迁移的新能源长期电量预测方法对电力场站进行发电量预测时，将第一发电量预测结果作为目标电力预测结果，第二次及后续的预测，基于上一次的预测结果和对应的实际发电量，确定精度最高的方法，并将精度最高的方法对应的预测结果作为目标发电量预测结果，功率气象数据智能迁移的新能源长期电量预测方法还包括结果存储和结果对比分析，其中，存储结果的存储形式可以如表5所示：
表5
其中，存储结果中包含的字段包括：序号、地区、场站名称、场站类型、预测年份、预测月份、装机容量、用历史月发电量预测的结果、用月均NWP匹配的预测结果、第一发电量预测结果的相对误差的绝对值、第二发电量预测结果的相对误差的绝对值、误差的比较值、综合预测结果（优先级：历史月发电量＞历史月均NWP匹配＞就近平移）、第二发电量预测结果的匹配目标（相似电力场站）、是否就近填充、预测的月利用小时数、实际当月发电量、实际当月利用小时、相对误差=（预测值-实际值）/实际值*100%；服务器可以根据电力场站的实际发电量和发电量预测结果，输出如图4所示的发电量统计图、如图5所示的发电量预测结果相对误差分布图、如图6所示的发电量预测结果误差差值分布图和如图7所示的电力场站月利用小时数分布图。
本实施例中，通过构建新能源电力场站历史月平均气象数据、发电量数据池，拓展了新能源长期电量预测所需的基础数据，解决了单一新能源场站长期电量预测所需数据匮乏的难题；通过月平均气象数据、月发电量数据的灵活动态匹配，综合采用历史发电量平移、气象要素均值匹配法以及基于快速动态时间规整算法（fast Dynamic Time Warping，fastDTW），实现新能源长期发电量的精准预测，提高新能源发电量预测结果的准确度。
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的功率气象数据智能迁移的新能源长期电量预测方法的功率气象数据智能迁移的新能源长期电量预测系统。该系统所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个功率气象数据智能迁移的新能源长期电量预测系统实施例中的具体限定可以参见上文中对于功率气象数据智能迁移的新能源长期电量预测方法的限定，在此不再赘述。
在一个实施例中，如图8所示，提供了一种功率气象数据智能迁移的新能源电量长期预测系统，包括：同期预测模块802、场站匹配模块804、相似预测模块806和结果确定模块808，其中：
同期预测模块802，用于获取目标电力场站的历史发电量数据，根据所述目标电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第一发电量预测结果；所述目标电力场站的历史发电量数据包括所述目标电力场站在历史时间段所对应的发电量数据；所述历史时间段包括在所述预测时间段之前，且与所述预测时间段处于同一时期的时间段；
场站匹配模块804，用于根据所述目标电力场站对应的目标气象特征，在电力场站集合中匹配所述目标电力场站对应的相似电力场站；所述相似电力场站对应的目标气象特征与所述目标电力场站对应的目标气象特征之间的相似度满足预设条件；
相似预测模块806，用于获取所述相似电力场站的历史发电量数据，根据相似电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第二发电量预测结果；
结果确定模块808，用于根据所述第一发电量预测结果和所述第二发电量预测结果，确定所述目标电力场站在所述预测时间段对应的目标发电量预测结果。
在一个示例性实施例中，上述同期预测模块802具体还用于根据所述目标电力场站的历史发电量数据，确定所述目标电力场站对应的同期发电平均功率；将所述同期发电平均功率作为迁移发电平均功率；所述迁移发电平均功率用于表征所述目标电力场站在预测时间段对应的发电平均功率；根据所述迁移发电平均功率和所述预测时间段，确定所述第一发电量预测结果。
在一个示例性实施例中，上述场站匹配模块804具体还用于获取所述目标电力场站对应的关键气象特征，将所述关键气象特征作为所述目标气象特征；根据所述目标气象特征，确定所述目标气象特征对应的目标气象特征时间序列；将所述目标气象特征时间序列和所述电力场站集合中的待匹配电力场站对应的待匹配气象特征时间序列输入至预训练的时间序列模型，得到各所述待匹配电力场站对应的时间序列相似度；根据各所述待匹配电力场站对应的时间序列相似度，在各所述待匹配电力场站中确定所述相似电力场站。
在一个示例性实施例中，上述场站匹配模块804具体还用于获取所述目标电力场站对应的至少一个关键气象特征和所述关键气象特征对应的目标权重；根据所述关键气象特征和所述目标权重，确定所述目标气象特征；根据所述目标气象特征和所述电力场站集合中的待匹配电力场站对应的气象特征，确定各所述待匹配电力场站对应的气象特征相似度；根据各所述待匹配电力场站对应的气象特征相似度，在各所述待匹配电力场站中确定所述相似电力场站。
在一个示例性实施例中，上述相似预测模块806具体还用于根据所述相似电力场站的历史发电量数据，确定所述相似电力场站对应的相似发电平均功率；所述相似发电平均功率用于表征所述目标电力场站在预测时间段对应的发电平均功率；根据所述相似发电平均功率和所述预测时间段，确定所述第二发电量预测结果。
在一个示例性实施例中，上述结果确定模块808具体还用于获取所述目标电力场站对应的检验发电量、第一历史预测结果和第二历史预测结果；所述检验发电量包括所述目标电力场站在检验时间段对应的历史发电量；所述检验时间段包括所述预测时间段之前的时间段；所述第一历史预测结果包括所述目标电力场站在所述历史时间段的第一发电量预测结果；所述第二历史预测结果包括所述目标电力场站在所述历史时间段的第二发电量预测结果；确定所述检验发电量与所述第一历史预测结果之间的第一发电量差值，确定所述检验发电量与所述第二历史预测结果之间的第二发电量差值；根据所述第一发电量差值和所述第二发电量差值，选择所述第一发电量预测结果或所述第二发电量预测结果作为所述目标电力场站在所述预测时间段对应的目标发电量预测结果。
在一个示例性实施例中，上述系统还包括结果修正模块，该结果修正模块具体用于获取所述目标电力场站对应的目标装机容量和所述相似电力场站对应的相似装机容量；确定所述目标装机容量与所述相似装机容量之间的装机容量比值；根据所述装机容量比值，修正所述目标发电量预测结果，得到修正后目标发电量预测结果，将所述修正后目标发电量预测结果作为新的目标发电量预测结果。
上述功率气象数据智能迁移的新能源长期电量预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、移动蜂窝网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种功率气象数据智能迁移的新能源长期电量预测方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是，本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，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random AccessMemory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种功率气象数据智能迁移的新能源长期电量预测方法，其特征在于，所述方法包括：
获取目标电力场站的历史发电量数据，根据所述目标电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第一发电量预测结果；所述目标电力场站的历史发电量数据包括所述目标电力场站在历史时间段所对应的发电量数据；所述历史时间段包括在所述预测时间段之前，且与所述预测时间段处于同一时期的时间段；
根据所述目标电力场站对应的目标气象特征，在电力场站集合中匹配所述目标电力场站对应的相似电力场站；所述相似电力场站对应的目标气象特征与所述目标电力场站对应的目标气象特征之间的相似度满足预设条件；
获取所述相似电力场站的历史发电量数据，根据所述相似电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第二发电量预测结果；
根据所述第一发电量预测结果和所述第二发电量预测结果，确定所述目标电力场站在所述预测时间段对应的目标发电量预测结果。
2.根据权利要求1所述的方法，其特征在于，所述根据所述目标电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第一发电量预测结果，包括：
根据所述目标电力场站的历史发电量数据，确定所述目标电力场站对应的同期发电平均功率；
将所述同期发电平均功率作为迁移发电平均功率；所述迁移发电平均功率用于表征所述目标电力场站在预测时间段对应的发电平均功率；
根据所述迁移发电平均功率和所述预测时间段，确定所述第一发电量预测结果。
3.根据权利要求1所述的方法，其特征在于，所述根据所述目标电力场站对应的目标气象特征，在电力场站集合中匹配所述目标电力场站对应的相似电力场站，包括：
获取所述目标电力场站对应的关键气象特征，将所述关键气象特征作为所述目标气象特征；
根据所述目标气象特征，确定所述目标气象特征对应的目标气象特征时间序列；
将所述目标气象特征时间序列和所述电力场站集合中的待匹配电力场站对应的待匹配气象特征时间序列输入至预训练的时间序列模型，得到各所述待匹配电力场站对应的时间序列相似度；
根据各所述待匹配电力场站对应的时间序列相似度，在各所述待匹配电力场站中确定所述相似电力场站。
4.根据权利要求1所述的方法，其特征在于，所述根据所述目标电力场站对应的目标气象特征，在电力场站集合中匹配所述目标电力场站对应的相似电力场站，包括：
获取所述目标电力场站对应的至少一个关键气象特征和所述关键气象特征对应的目标权重；
根据所述关键气象特征和所述目标权重，确定所述目标气象特征；
根据所述目标气象特征和所述电力场站集合中的待匹配电力场站对应的气象特征，确定各所述待匹配电力场站对应的气象特征相似度；
根据各所述待匹配电力场站对应的气象特征相似度，在各所述待匹配电力场站中确定所述相似电力场站。
5.根据权利要求1所述的方法，其特征在于，所述根据所述相似电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第二发电量预测结果，包括：
根据所述相似电力场站的历史发电量数据，确定所述相似电力场站对应的相似发电平均功率；所述相似发电平均功率用于表征所述目标电力场站在预测时间段对应的发电平均功率；
根据所述相似发电平均功率和所述预测时间段，确定所述第二发电量预测结果。
6.根据权利要求1所述的方法，其特征在于，所述根据所述第一发电量预测结果和所述第二发电量预测结果，确定所述目标电力场站在所述预测时间段对应的目标发电量预测结果，包括：
获取所述目标电力场站对应的检验发电量、第一历史预测结果和第二历史预测结果；所述检验发电量包括所述目标电力场站在检验时间段对应的历史发电量；所述检验时间段包括所述预测时间段之前的时间段；所述第一历史预测结果包括所述目标电力场站在所述历史时间段的第一发电量预测结果；所述第二历史预测结果包括所述目标电力场站在所述历史时间段的第二发电量预测结果；
确定所述检验发电量与所述第一历史预测结果之间的第一发电量差值，确定所述检验发电量与所述第二历史预测结果之间的第二发电量差值；
根据所述第一发电量差值和所述第二发电量差值，选择所述第一发电量预测结果或所述第二发电量预测结果作为所述目标电力场站在所述预测时间段对应的目标发电量预测结果。
7.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述目标电力场站对应的目标装机容量和所述相似电力场站对应的相似装机容量；
确定所述目标装机容量与所述相似装机容量之间的装机容量比值；
根据所述装机容量比值，修正所述目标发电量预测结果，得到修正后目标发电量预测结果，将所述修正后目标发电量预测结果作为新的目标发电量预测结果。
8.一种功率气象数据智能迁移的新能源长期电量预测系统，其特征在于，所述系统包括：
同期预测模块，用于获取目标电力场站的历史发电量数据，根据所述目标电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第一发电量预测结果；所述目标电力场站的历史发电量数据包括所述目标电力场站在历史时间段所对应的发电量数据；所述历史时间段包括在所述预测时间段之前，且与所述预测时间段处于同一时期的时间段；
场站匹配模块，用于根据所述目标电力场站对应的目标气象特征，在电力场站集合中匹配所述目标电力场站对应的相似电力场站；所述相似电力场站对应的目标气象特征与所述目标电力场站对应的目标气象特征之间的相似度满足预设条件；
相似预测模块，用于获取所述相似电力场站的历史发电量数据，根据相似电力场站的历史发电量数据，确定所述目标电力场站在预测时间段对应的第二发电量预测结果；
结果确定模块，用于根据所述第一发电量预测结果和所述第二发电量预测结果，确定所述目标电力场站在所述预测时间段对应的目标发电量预测结果。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一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，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310519220.4A CN116227249B (zh) | 2023-05-10 | 2023-05-10 | 功率气象数据智能迁移的新能源长期电量预测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310519220.4A CN116227249B (zh) | 2023-05-10 | 2023-05-10 | 功率气象数据智能迁移的新能源长期电量预测方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116227249A true CN116227249A (zh) | 2023-06-06 |
| CN116227249B CN116227249B (zh) | 2023-09-15 |
Family
ID=86570029
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310519220.4A Active CN116227249B (zh) | 2023-05-10 | 2023-05-10 | 功率气象数据智能迁移的新能源长期电量预测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116227249B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140006331A1 (en) * | 2012-06-29 | 2014-01-02 | International Business Machines Corporation | Power prediction for newly added wind turbine |
| CN106203709A (zh) * | 2016-07-13 | 2016-12-07 | 国网江苏省电力公司电力科学研究院 | 基于多因子的光伏电站中长期发电量预测方法 |
| CN107153894A (zh) * | 2017-06-02 | 2017-09-12 | 北京金风科创风电设备有限公司 | 一种风电场的预测风速校正方法及装置 |
| CN108390642A (zh) * | 2018-02-14 | 2018-08-10 | 广东技术师范学院 | 光伏电站数据采集现场可视化监控系统 |
| CN109510586A (zh) * | 2017-09-15 | 2019-03-22 | 中华电信股份有限公司 | 一种太阳能发电效率的分析系统及分析方法 |
| CN110210675A (zh) * | 2019-06-06 | 2019-09-06 | 国网湖南省电力有限公司 | 基于局地动力相似的风电场中期功率的预测方法及系统 |
| CN112200376A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 新能源风电场中长期发电量预测系统及预测方法 |
| CN114329985A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种光伏发电预测方法、装置、设备及存储介质 |
| CN114493050A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 多维度融合的新能源功率并联预测方法和装置 |
| CN114819374A (zh) * | 2022-05-10 | 2022-07-29 | 南京南瑞水利水电科技有限公司 | 区域新能源超短期功率预测方法及系统 |
| CN115423201A (zh) * | 2022-09-19 | 2022-12-02 | 阳光新能源开发股份有限公司 | 发电量数据预测方法、装置、设备及计算机可读存储介质 |
-
2023
- 2023-05-10 CN CN202310519220.4A patent/CN116227249B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140006331A1 (en) * | 2012-06-29 | 2014-01-02 | International Business Machines Corporation | Power prediction for newly added wind turbine |
| CN106203709A (zh) * | 2016-07-13 | 2016-12-07 | 国网江苏省电力公司电力科学研究院 | 基于多因子的光伏电站中长期发电量预测方法 |
| CN107153894A (zh) * | 2017-06-02 | 2017-09-12 | 北京金风科创风电设备有限公司 | 一种风电场的预测风速校正方法及装置 |
| CN109510586A (zh) * | 2017-09-15 | 2019-03-22 | 中华电信股份有限公司 | 一种太阳能发电效率的分析系统及分析方法 |
| CN108390642A (zh) * | 2018-02-14 | 2018-08-10 | 广东技术师范学院 | 光伏电站数据采集现场可视化监控系统 |
| CN110210675A (zh) * | 2019-06-06 | 2019-09-06 | 国网湖南省电力有限公司 | 基于局地动力相似的风电场中期功率的预测方法及系统 |
| CN112200376A (zh) * | 2020-10-16 | 2021-01-08 | 国能日新科技股份有限公司 | 新能源风电场中长期发电量预测系统及预测方法 |
| CN114329985A (zh) * | 2021-12-30 | 2022-04-12 | 山东浪潮科学研究院有限公司 | 一种光伏发电预测方法、装置、设备及存储介质 |
| CN114493050A (zh) * | 2022-04-08 | 2022-05-13 | 南方电网数字电网研究院有限公司 | 多维度融合的新能源功率并联预测方法和装置 |
| CN114819374A (zh) * | 2022-05-10 | 2022-07-29 | 南京南瑞水利水电科技有限公司 | 区域新能源超短期功率预测方法及系统 |
| CN115423201A (zh) * | 2022-09-19 | 2022-12-02 | 阳光新能源开发股份有限公司 | 发电量数据预测方法、装置、设备及计算机可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116227249B (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Trotter et al. | Climate change and electricity demand in Brazil: A stochastic approach | |
| CN103020487B (zh) | 一种光伏电站辐照度预测值修正方法 | |
| CN114493050B (zh) | 多维度融合的新能源功率并联预测方法和装置 | |
| TWI745907B (zh) | 發電量預測裝置、發電量預測方法、及程式 | |
| CN107133190A (zh) | 一种机器学习系统的训练方法和训练系统 | |
| CN113155498B (zh) | 一种高分辨率建筑运行能耗碳排放测定方法、系统及设备 | |
| CN114330935A (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 | |
| CN115689018A (zh) | 物资需求预测方法、装置、设备、存储介质和程序产品 | |
| CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
| CN116468151A (zh) | 碳排放计算方法、装置、计算机设备及存储介质 | |
| CN116934366A (zh) | 充电场站的充电定价方法及装置、存储介质、计算机设备 | |
| CN114462723A (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
| CN114118532A (zh) | 孤岛微网的调度方法、装置、计算机设备、存储介质 | |
| CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| CN117791618A (zh) | 电力调度方法、装置、计算机设备和存储介质 | |
| CN116227249B (zh) | 功率气象数据智能迁移的新能源长期电量预测方法与系统 | |
| CN117421871A (zh) | 海上风电潜力评估方法、装置和计算机设备 | |
| CN116151600B (zh) | 共享车辆的维护方法、装置、计算机设备和存储介质 | |
| CN117056776A (zh) | 碳排放量监测方法、装置、设备、介质和计算机程序产品 | |
| CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| CN114441848A (zh) | 功耗确定方法、装置、电子设备和存储介质 | |
| Salmon et al. | Importance of interannual renewable energy variation in the design of green ammonia plants | |
| CN116342077B (zh) | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 | |
| CN113988491B (zh) | 光伏短期功率预测方法、装置、电子设备及存储介质 | |
| CN116090599A (zh) | 充电负荷预测方法、装置、设备、存储介质和程序产品 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |