CN116342077B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN116342077B
CN116342077B CN202310621583.9A CN202310621583A CN116342077B CN 116342077 B CN116342077 B CN 116342077B CN 202310621583 A CN202310621583 A CN 202310621583A CN 116342077 B CN116342077 B CN 116342077B
Authority
CN
China
Prior art keywords
station
data
newly
power
prediction result
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.)
Active
Application number
CN202310621583.9A
Other languages
English (en)
Other versions
CN116342077A (zh
Inventor
李卓环
李鹏
马溪原
程凯
周长城
包涛
陈炎森
胡旭东
潘世贤
张子昊
姚森敬
习伟
陈元峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202310621583.9A priority Critical patent/CN116342077B/zh
Publication of CN116342077A publication Critical patent/CN116342077A/zh
Application granted granted Critical
Publication of CN116342077B publication Critical patent/CN116342077B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及电力技术领域，特别是涉及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。该方法包括：在确定新建场站的历史运行数据存在缺失的情况下，从其他场站的预测模型中，选择新建场站对应的迁移学习模型；获取新建场站对应的更新数据；其中，更新数据包括补齐后的历史运行数据，以及新建场站在历史时间段之后的预设时间段内采集到的当前运行数据；根据更新数据，构建新建场站对应的增量学习模型；基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果。本申请能够对新建场站进行准确的功率预测。

Description

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
技术领域
本申请涉及电力技术领域，特别是涉及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。
背景技术
新能源一般是指在新技术基础上加以开发利用的可再生能源，包括太阳能、生物质能、风能、地热能、波浪能、洋流能和潮汐能、氢能等，新能源发电是利用现有的技术，通过上述的新型能源，实现发电的过程。新能源发电功率预测是应对大规模随机波动新能源并网电网所带来问题的有效应对手段之一。
传统技术中，新能源发电功率预测方式为：基于该新能源场站在运行过程中收集到历史发电功率以及数据天气预报数据等信息来构建该新能源场站的功率预测模型，使得每个新能源场站对应有各自的功率预测模型，而后基于构建得到的功率预测模型进行预测。
但是，在新型电力系统建设的背景下，大量新建场站（包括扩容新能源场）站出现，面临着场站运行数据不足的情况，导致新建场站和扩容新能源场站构建无法相应的功率预测模型，故，亟需改进。
发明内容
基于此，有必要针对上述技术问题，提供一种能够对新建场站进行准确功率预测的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。
第一方面，本申请提供了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，该方法包括：
在确定新建场站的历史运行数据存在缺失的情况下，从其他场站的预测模型中，选择新建场站对应的迁移学习模型；
获取新建场站对应的更新数据；其中，更新数据包括补齐后的历史运行数据，以及新建场站在历史时间段之后的预设时间段内采集到的当前运行数据；
根据更新数据，构建新建场站对应的增量学习模型；
基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果。
在其中一个实施例中，确定新建场站的历史运行数据存在缺失，包括：
若新建场站的历史运行数据存在预设程度的缺失，或新建场站的历史运行数据的数据量不满足预设数量，则确定新建场站的历史运行数据存在缺失。
在其中一个实施例中，从其他场站的预测模型中，选择新建场站对应的迁移学习模型，包括：
从其他场站中，确定与新建场站相似度达到相似度阈值的相似场站；
将相似场站的预测模型，确定为新建场站对应的迁移学习模型。
在其中一个实施例中，根据更新数据，构建新建场站对应的增量学习模型，包括：
对更新数据的数据质量进行检测，得到质量检测结果；
对更新数据的样本量进行检测，得到样本量检测结果；
基于质量检测结果和样本量检测结果，确定新建场站对应的更新数据是否满足增量学习条件；
若是，则根据更新数据，构建新建场站对应的增量学习模型。
在其中一个实施例中，该方法还包括：
获取新建场站在未来时间段内对应的第一实际功率数据，以及新建场站对应的相似场站在未来时间段内的第二实际功率数据；
基于校正模型，根据第一实际功率数据和第二实际功率数据中的至少一项，对功率预测结果进行校正，得到校正后的功率预测结果。
在其中一个实施例中，基于校正模型，根据第一实际功率数据和第二实际功率数据中的至少一项，对功率预测结果进行校正，得到校正后的功率预测结果，包括：
若校正模型为机器学习模型，则将第一实际功率数据、第二实际功率数据和功率预测结果，输入至校正模型，得到校正后的功率预测结果；
若校正模型为时间序列模型，则将第一实际功率数据和功率预测结果，输入至校正模型，得到校正后的功率预测结果；
若校正模型为物理模型，则获取场站样板机对应的理论发电功率，将理论发电功率、新建场站在历史时间段的历史功率数据，以及功率预测结果，输入至校正模型，得到校正后的功率预测结果。
在其中一个实施例中，若校正模型为物理模型，则将场站样板机的理论发电功率、新建场站在历史时间段的历史功率数据，以及功率预测结果，输入至校正模型，得到校正后的功率预测结果，包括：
将场站样板机的理论发电功率、新建场站在历史时间段的历史功率数据，以及功率预测结果，采用最小二乘法，动态调整最小二乘法中的关键参数；
基于关键参数，对初始的物理模型进行调整，将场站样板机的理论发电功率和功率预测结果，输入至调整后的物理模型中，得到校正后的功率预测结果。
第二方面，本申请还提供了一种适用于数据缺失场站的新能源功率迁移学习预测装置，该装置包括：
迁移模块，用于在确定新建场站的历史运行数据存在缺失的情况下，从其他场站的预测模型中，选择新建场站对应的迁移学习模型；
获取模块，用于获取新建场站对应的更新数据；其中，更新数据包括补齐后的历史运行数据，以及新建场站在历史时间段之后的预设时间段内采集到的当前运行数据；
构建模块，用于根据更新数据，构建新建场站对应的增量学习模型；
集成预测模块，用于基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果。
第三方面，本申请还提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：
在确定新建场站的历史运行数据存在缺失的情况下，从其他场站的预测模型中，选择新建场站对应的迁移学习模型；
获取新建场站对应的更新数据；其中，更新数据包括补齐后的历史运行数据，以及新建场站在历史时间段之后的预设时间段内采集到的当前运行数据；
根据更新数据，构建新建场站对应的增量学习模型；
基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果。
第四方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
在确定新建场站的历史运行数据存在缺失的情况下，从其他场站的预测模型中，选择新建场站对应的迁移学习模型；
获取新建场站对应的更新数据；其中，更新数据包括补齐后的历史运行数据，以及新建场站在历史时间段之后的预设时间段内采集到的当前运行数据；
根据更新数据，构建新建场站对应的增量学习模型；
基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果。
上述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，在新建场站对应的历史运行数据无法构建该场站对应功率预测模型的情况下，从其他场站的预测模型中，选择新建场站对应的迁移学习模型，通过迁移学习模型对处于运行状态中的新建场站进行功率预测；进一步的，新建场站对应的更新数据满足模型构建条件时，再集成新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果；实现了对新建场站进行准确功率预测的功能。
附图说明
图1为一个实施例中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的流程示意图；
图2为一个实施例中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的流程示意图；
图3为一个实施例中构建功率预测知识库的示意图；
图4为一个实施例中基于校正模型对功率预测结果进行校正的流程示意图；
图5为一个实施例中基于物理模型对功率预测结果进行校正的流程示意图；
图6为一个实施例中云平台支撑下的功率预测模型训练框架；
图7为一个实施例中适用于数据缺失场站的新能源功率迁移学习预测装置的结构框图；
图8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。
在一个实施例中，如图1所示，提供了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，以该方法应用于计算机设备为例，包括以下步骤：
S101，在确定新建场站的历史运行数据存在缺失的情况下，从其他场站的预测模型中，选择新建场站对应的迁移学习模型。
其中，新建场站是指该场站的功率预测模型处于未构建状态；其他场站是指场站集中除新建场站外的其他场站。可以理解的是，在确定新建场站的历史运行数据存在缺失的情况下，该新建场站由于运行数据不足或运行数据存在缺失而导致无法构建功率预测模型。
具体的，可以依据新建场站与其他场站之间的相似度，或者是其他场站对应预测模型的预测精度，从其他场站的预测模型中，选择新建场站对应的迁移学习模型。
S102，获取新建场站对应的更新数据。
其中，更新数据包括补齐后的历史运行数据，以及新建场站在历史时间段之后的预设时间段内采集到的当前运行数据。
具体的，在构建新建场站对应的功率预测模型时，可以对存在缺失的历史运行数据进行补齐，以使得该数据符合模型的构建标准；和/或，在预设时间段内采集各个时刻对应的当前运行数据。
S103，根据更新数据，构建新建场站对应的增量学习模型。
具体的，该增量学习模型即为实现功率预测功能的模型，该模型可以为神经网络模型。
S104，基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果。
具体的，对新建场站对应的迁移学习模型和增量学习模型进行集成学习，形成“增量-迁移模型库”，可以理解的是，本实施例中的集成学习是指通过各迁移学习模型和增量学习模型共同决策，来预测得到功率预测结果。可选的，可以对增量学习模型和各迁移学习模型的初始预测结果进行加权，以得到功率预测结果。
上述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中，在新建场站对应的历史运行数据无法构建该场站对应功率预测模型的情况下，从其他场站的预测模型中，选择新建场站对应的迁移学习模型，通过迁移学习模型对处于运行状态中的新建场站进行功率预测；进一步的，新建场站对应的更新数据满足模型构建条件时，再集成新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果；实现了对新建场站进行准确功率预测的功能。
本实施例提供了一种确定新建场站的历史运行数据存在缺失的可选方式，即提供了一种对S101进行细化的方式。具体实现过程可以包括：若新建场站的历史运行数据存在预设程度的缺失，或新建场站的历史运行数据的数据量不满足预设数量，则确定新建场站的历史运行数据存在缺失。
其中，预设程度的缺失可以包括：缺失关键时刻的数据、缺失关键维度的数据、数据缺失时长达到预设时长。可选的，预设数量可以依据经验值确定。
进一步的，本实施例提供了一种从其他场站的预测模型中，选择新建场站对应的迁移学习模型的可选方式，即提供了一种对S102进行细化的方式。具体实现过程可以包括：从其他场站中，确定与新建场站相似度达到相似度阈值的相似场站；将相似场站的预测模型，确定为新建场站对应的迁移学习模型。
具体的，从其他场站中，确定与新建场站相似度达到相似度阈值的相似场站时，可以包括以下过程：
Step1，获取新建场站的基础信息，以及各其他场站的基础信息。
其中，基础信息包括经纬度数据、容量数据、地形数据、地貌数据和海拔数据中至少一个维度数据。
Step 2，根据新建场站的基础信息和各其他场站的基础信息，确定新建场站与各其他场站在每一维度数据上的相似度值。
可选的，在确定新建场站与任一其他场站在每一维度数据上的相似度值时，具体包括以下过程：
Sa、计算相似距离：采用下式（1）-（3），将上述基础信息中的数值特征进行标准化：
（1）
（2）
（3）
其中，fi是第i个场站的数值特征（第i个场站可以新建场站或其他各新能源场站）；fimax是所有fi中的最大值；fimin是所有fi中的最小值。
Sb，采用下式（4），计算新建场站与任一其他场站在每一维度数据上的相似度值：
（4）
其中，权重系数，p为范数标识，/>分别为待进行迁移学习场站（新建场站）和其他场站的基本信息矩阵，xn表示新建场站的第n个特征，yjn表示场站集中第j个其他场站的第n个特征；dist（/>）为新建场站与任一其他场站各维度数据上的相似度值。
Step 3，根据新建场站与各其他场站在每一维度数据上的相似度值，从各其他场站中选择与新建场站之间相似度达到相似度阈值的相似场站。
具体的，计算新建场站与各其他性能源场站的相似度值 dist（），将dist（）大于相似度阈值的场站作为相似场站，相似场站的个数为至少一个；示例性的，本实施例中选取3个相似场站，将3个相似场站对应的功率预测模型作为新建场站的迁移学习模型，基于各迁移学习模型形成迁移模型库，将迁移模型库“迁移”至新建场站。
本实施例中，由于新能源场站对应的未来数值天气预报数据和历史输出功率等数据类型和格式是统一的，因此迁移模型库对各场站均具有高度的兼容性和适配性，通过相似场站的迁移学习模型，可以为新建场站提供准确的功率预测功能。
可以理解的是，增量学习是指算法在保留已有知识的同时不断从新样本中学习新的知识。本实例中迁移学习方法适用于新建场站的历史运行数据存在缺失的情况下，若新建场站投运一段时间后出现足量的训练样本数据，则可开始进行针对自身运行数据的预测模型训练。如图2所示，本实施例提供了一种根据更新数据，构建新建场站对应的增量学习模型的可选方式，即提供了一种对S103进行细化的方式。具体实现过程可以包括：
S201，对更新数据的数据质量进行检测，得到质量检测结果。
其中，数据质量检测主要检测数据缺失情况和异常数据识别；可选的，质量检测结果为：将异常数据剔除的更新数据。
S202，对更新数据的样本量进行检测，得到样本量检测结果。
其中，样本量检测是指通过对预处理后的数据样本大小进行分析，判别数据样本量能否支撑模型训练和知识提取；样本量检测结果可以包括样本量充足或样本量不足。
S203，基于质量检测结果和样本量检测结果，确定新建场站对应的更新数据是否满足增量学习条件。
S204，若是，则根据更新数据，构建新建场站对应的增量学习模型。
可以理解的是，在构建了新建场站对应的增量学习模型后，若简单以新训练的增量学习模型替代迁移学习的模型库，则一方面仍可能因为数据量不充分和前期运行规律不显著等问题导致模型预测精度训练效果差；另一方面会对前期迁移学习的知识造成知识资源浪费；因此，如图3所示，本实施例采用于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果；具体的，图3中的已有知识为其他场站的历史运行数据对应的知识库，新知识即为新建场站的更新数据对应的知识库，根据增量学习模型和迁移学习模型，即可构建该新建场站的功率预测知识库。
进一步的，在本实施例中，如图4所示，在基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果之后，该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还包括：
S401，获取新建场站在未来时间段内对应的第一实际功率数据、新建场站在历史时间段内对应的历史功率数据、新建场站对应的相似场站在未来时间段内的第二实际功率数据，以及新建场站对应的场站样板机的理论发电功率。
S402，基于校正模型，根据新建场站在历史时间段的历史功率数据、第一实际功率数据和第二实际功率数据，以及新建场站对应的场站样板机的理论发电功率中的至少一项，对功率预测结果进行校正，得到校正后的功率预测结果。
具体的，基于不同类型的校正模型，对功率预测结果进行校正，可以包括以下情况：
（1）若校正模型为机器学习模型，则将第一实际功率数据、第二实际功率数据和功率预测结果，输入至校正模型，得到校正后的功率预测结果。
其中，机器学习模型可以为神经网络模型、支持向量机模型和随机森林模型等。
具体的，将第一实际功率数据、第二实际功率数据和功率预测结果这三项数据输入至机器学习模型，通过机器学习模型对未来时间段内第一实际功率数据、第二实际功率数据的变化规律进行学习，根据该变化规律，能够实现对功率预测结果的准确校正。
（2）若校正模型为时间序列模型，则将第一实际功率数据和功率预测结果，输入至校正模型，得到校正后的功率预测结果。
其中，时间序列模型是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测，构成时间序列的要素包括长期趋势、季节变动、循坏变动和不规律变动。
具体的，基于时间序列模型学习未来时间段内第一实际功率数据的变化规律，能够对功率预测结果进行较为准确地校正。
（3）若校正模型为物理模型，则将场站样板机的理论发电功率、新建场站在历史时间段的历史功率数据，以及功率预测结果，输入至校正模型，得到校正后的功率预测结果。
其中，物理模型是指采用多物理场多微分方程组表征的场站功率数值计算模型；可以用最小二乘法来拟合上述多物理场多微分方程组的方程系数。
可选的，如图5所示，若校正模型为物理模型，则将场站样板机的理论发电功率、新建场站在历史时间段的历史功率数据，以及功率预测结果，输入至校正模型，得到校正后的功率预测结果，可以包括以下过程：
S501，将场站样板机的理论发电功率、新建场站在历史时间段的历史功率数据，以及功率预测结果，采用最小二乘法，动态调整最小二乘法中的关键参数。
S502，基于关键参数，对初始的物理模型进行调整，将场站样板机的理论发电功率和功率预测结果，输入至调整后的物理模型中，得到校正后的功率预测结果。
进一步的，还可以将上述机器学习模型、时间序列模型和物理模型进行组合，得到对功率预测结果的校正精度。
本实施例中，通过不同类型的校正模型对功率预测结果进行校正，能够提供更为准确的校正结果。
进一步的，在基于云平台形成云端功率预测知识库的过程中，如图6所示，包括云平台支撑下的功率预测模型训练框架，该功率预测模型训练框架包括：数据源输入层、基础数据加工层、核心业务层、结果输出层和下游系统；
在数据源输入层，该技术对数据中心、调度运行部门和场站数据进行采集；
在基础数据加工层，对采集的数据进行拆分、清洗、集成和特征统计；
在核心业务层，采用云平台的算力，多任务并行训练平台支撑的场站功率预测模型，并同步展开集成学习 和模型自适应适配，为场站功率预测提供专用预测模型；在结果输出层，采用同步到数据库和提供接口服务的方式，将预测的模型进行存储和输出；在下游接口，与场站功率预测系统对接，定期传输可用、准确率高、高适配的功率预测模型。云平台框架下，海量新能源场站会定期训练，集成学习，产生海量的新能源功率预测模型。集成学习产生的预测模型会定时发送给场站支撑预测业务，同时这些模型会存储在云端，形成云端功率预测知识库。
应该理解的是，虽然如上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的一种适用于数据缺失场站的新能源功率迁移学习预测装置。该装置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一种适用于数据缺失场站的新能源功率迁移学习预测装置实施例中的具体限定可以参见上文中对于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的限定，在此不再赘述。
在一个实施例中，如图7所示，提供了一种适用于数据缺失场站的新能源功率迁移学习预测装置1，包括：迁移模块11、获取模块12、构建模块13和集成预测模块14，其中：
迁移模块11，用于在确定新建场站的历史运行数据存在缺失的情况下，从其他场站的预测模型中，选择新建场站对应的迁移学习模型；
获取模块12，用于获取新建场站对应的更新数据；其中，更新数据包括补齐后的历史运行数据，以及新建场站在历史时间段之后的预设时间段内采集到的当前运行数据；
构建模块13，用于根据更新数据，构建新建场站对应的增量学习模型；
集成预测模块14，用于基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果。
在一个实施例中，迁移模块11，还用于：若新建场站的历史运行数据存在预设程度的缺失，或新建场站的历史运行数据的数据量不满足预设数量，则确定新建场站的历史运行数据存在缺失。
在一个实施例中，迁移模块11，还用于：从其他场站中，确定与新建场站相似度达到相似度阈值的相似场站；
将相似场站的预测模型，确定为新建场站对应的迁移学习模型。
在一个实施例中，构建模块13，还用于：对更新数据的数据质量进行检测，得到质量检测结果；
对更新数据的样本量进行检测，得到样本量检测结果；
基于质量检测结果和样本量检测结果，确定新建场站对应的更新数据是否满足增量学习条件；
若是，则根据更新数据，构建新建场站对应的增量学习模型。
在一个实施例中，该一种适用于数据缺失场站的新能源功率迁移学习预测装置还包括校正模块，该校正模块，包括：
第一获取子模块，用于获取新建场站在未来时间段内对应的第一实际功率数据，以及新建场站对应的相似场站在未来时间段内的第二实际功率数据；
校正子模块，有感于基于校正模型，根据第一实际功率数据和第二实际功率数据中的至少一项，对功率预测结果进行校正，得到校正后的功率预测结果。
在一个实施例中，校正子模块，包括：
机器学习从模块，用于若校正模型为机器学习模型，则将第一实际功率数据、第二实际功率数据和功率预测结果，输入至校正模型，得到校正后的功率预测结果；
时间序列从模块，用于若校正模型为时间序列模型，则将第一实际功率数据和功率预测结果，输入至校正模型，得到校正后的功率预测结果；
物理模型从模块，用于若校正模型为物理模型，则获取场站样板机对应的理论发电功率，将理论发电功率、新建场站在历史时间段的历史运行数据，以及功率预测结果，输入至校正模型，得到校正后的功率预测结果。
在一个实施例中，物理模型从模块，还用于：将场站样板机的理论发电功率、新建场站在历史时间段的历史运行数据，以及功率预测结果，采用最小二乘法，动态调整最小二乘法中的关键参数；
基于关键参数，对初始的物理模型进行调整，将场站样板机的理论发电功率和功率预测结果，输入至调整后的物理模型中，得到校正后的功率预测结果。
上述一种适用于数据缺失场站的新能源功率迁移学习预测装置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服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。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、计算机程序和数据库。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。该计算机设备的数据库用于存储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的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现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。
本领域技术人员可以理解，图8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，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以下步骤：
在确定新建场站的历史运行数据存在缺失的情况下，从其他场站的预测模型中，选择新建场站对应的迁移学习模型；
获取新建场站对应的更新数据；其中，更新数据包括补齐后的历史运行数据，以及新建场站在历史时间段之后的预设时间段内采集到的当前运行数据；
根据更新数据，构建新建场站对应的增量学习模型；
基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果。
在一个实施例中，处理器执行计算机程序确定新建场站的历史运行数据存在缺失的逻辑时，具体实现以下步骤：若新建场站的历史运行数据存在预设程度的缺失，或新建场站的历史运行数据的数据量不满足预设数量，则确定新建场站的历史运行数据存在缺失。
在一个实施例中，处理器执行计算机程序从其他场站的预测模型中，选择新建场站对应的迁移学习模型的逻辑时，具体实现以下步骤：从其他场站中，确定与新建场站相似度达到相似度阈值的相似场站；将相似场站的预测模型，确定为新建场站对应的迁移学习模型。
在一个实施例中，处理器执行计算机程序根据更新数据，构建新建场站对应的增量学习模型的逻辑时，具体实现以下步骤：对更新数据的数据质量进行检测，得到质量检测结果；对更新数据的样本量进行检测，得到样本量检测结果；基于质量检测结果和样本量检测结果，确定新建场站对应的更新数据是否满足增量学习条件；若是，则根据更新数据，构建新建场站对应的增量学习模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：获取新建场站在未来时间段内对应的第一实际功率数据，以及新建场站对应的相似场站在未来时间段内的第二实际功率数据； 基于校正模型，根据第一实际功率数据和第二实际功率数据中的至少一项，对功率预测结果进行校正，得到校正后的功率预测结果。
在一个实施例中，处理器执行计算机程序基于校正模型，根据第一实际功率数据和第二实际功率数据中的至少一项，对功率预测结果进行校正，得到校正后的功率预测结果的逻辑时，具体实现以下步骤：若校正模型为机器学习模型，则将第一实际功率数据、第二实际功率数据和功率预测结果，输入至校正模型，得到校正后的功率预测结果；若校正模型为时间序列模型，则将第一实际功率数据和功率预测结果，输入至校正模型，得到校正后的功率预测结果；若校正模型为物理模型，则获取场站样板机对应的理论发电功率，将理论发电功率、新建场站在历史时间段的历史运行数据，以及功率预测结果，输入至校正模型，得到校正后的功率预测结果。
在一个实施例中，处理器执行计算机程序若校正模型为物理模型，则将场站样板机的理论发电功率、新建场站在历史时间段的历史功率数据，以及功率预测结果，输入至校正模型，得到校正后的功率预测结果的逻辑时，具体实现以下步骤：将场站样板机的理论发电功率、新建场站在历史时间段的历史功率数据，以及功率预测结果，采用最小二乘法，动态调整最小二乘法中的关键参数；基于关键参数，对初始的物理模型进行调整，将场站样板机的理论发电功率和功率预测结果，输入至调整后的物理模型中，得到校正后的功率预测结果。
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，计算机程序被处理器执行时实现以下步骤：
在确定新建场站的历史运行数据存在缺失的情况下，从其他场站的预测模型中，选择新建场站对应的迁移学习模型；
获取新建场站对应的更新数据；其中，更新数据包括补齐后的历史运行数据，以及新建场站在历史时间段之后的预设时间段内采集到的当前运行数据；
根据更新数据，构建新建场站对应的增量学习模型；
基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果。
在一个实施例中，计算机程序确定新建场站的历史运行数据存在缺失的逻辑被处理器执行时，具体实现以下步骤：若新建场站的历史运行数据存在预设程度的缺失，或新建场站的历史运行数据的数据量不满足预设数量，则确定新建场站的历史运行数据存在缺失。
在一个实施例中，计算机程序从其他场站的预测模型中，选择新建场站对应的迁移学习模型的逻辑被处理器执行时，具体实现以下步骤：从其他场站中，确定与新建场站相似度达到相似度阈值的相似场站；将相似场站的预测模型，确定为新建场站对应的迁移学习模型。
在一个实施例中，计算机程序根据更新数据，构建新建场站对应的增量学习模型的逻辑被处理器执行时，具体实现以下步骤：对更新数据的数据质量进行检测，得到质量检测结果；对更新数据的样本量进行检测，得到样本量检测结果；基于质量检测结果和样本量检测结果，确定新建场站对应的更新数据是否满足增量学习条件；若是，则根据更新数据，构建新建场站对应的增量学习模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：获取新建场站在未来时间段内对应的第一实际功率数据，以及新建场站对应的相似场站在未来时间段内的第二实际功率数据；
基于校正模型，根据第一实际功率数据和第二实际功率数据中的至少一项，对功率预测结果进行校正，得到校正后的功率预测结果。
在一个实施例中，计算机程序基于校正模型，根据第一实际功率数据和第二实际功率数据中的至少一项，对功率预测结果进行校正，得到校正后的功率预测结果的逻辑被处理器执行时，具体实现以下步骤：若校正模型为机器学习模型，则将第一实际功率数据、第二实际功率数据和功率预测结果，输入至校正模型，得到校正后的功率预测结果；若校正模型为时间序列模型，则将第一实际功率数据和功率预测结果，输入至校正模型，得到校正后的功率预测结果；若校正模型为物理模型，则获取场站样板机对应的理论发电功率，将理论发电功率、新建场站在历史时间段的历史运行数据，以及功率预测结果，输入至校正模型，得到校正后的功率预测结果。
在一个实施例中，计算机程序若校正模型为物理模型，则将场站样板机的理论发电功率、新建场站在历史时间段的历史功率数据，以及功率预测结果，输入至校正模型，得到校正后的功率预测结果的逻辑被处理器执行时，具体实现以下步骤：将场站样板机的理论发电功率、新建场站在历史时间段的历史功率数据，以及功率预测结果，采用最小二乘法，动态调整最小二乘法中的关键参数；基于关键参数，对初始的物理模型进行调整，将场站样板机的理论发电功率和功率预测结果，输入至调整后的物理模型中，得到校正后的功率预测结果。
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 Access Memory，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)

1.一种适用于数据缺失场站的新能源功率迁移学习预测方法，其特征在于，所述方法包括：
在确定新建场站的历史运行数据存在缺失的情况下，从其他场站的预测模型中，选择所述新建场站对应的迁移学习模型；
获取所述新建场站对应的更新数据；其中，所述更新数据包括补齐后的历史运行数据，以及所述新建场站在历史时间段之后的预设时间段内采集到的当前运行数据；
根据所述更新数据，构建新建场站对应的增量学习模型；
基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果；
获取所述新建场站在未来时间段内对应的第一实际功率数据，以及所述新建场站对应的相似场站在所述未来时间段内的第二实际功率数据；
基于校正模型，根据所述第一实际功率数据和第二实际功率数据中的至少一项，对所述功率预测结果进行校正，得到校正后的功率预测结果；
若校正模型为机器学习模型，则将所述第一实际功率数据、所述第二实际功率数据和所述功率预测结果，输入至所述校正模型，得到校正后的功率预测结果；
若所述校正模型为时间序列模型，则将所述第一实际功率数据和所述功率预测结果，输入至所述校正模型，得到校正后的功率预测结果；
若所述校正模型为物理模型，则获取场站样板机对应的理论发电功率，将所述场站样板机的理论发电功率、所述新建场站在历史时间段的历史功率数据，以及所述功率预测结果，采用最小二乘法，动态调整最小二乘法中的关键参数；
基于所述关键参数，对初始的物理模型进行调整，将所述场站样板机的理论发电功率和所述功率预测结果，输入至调整后的物理模型中，得到校正后的功率预测结果。
2.根据权利要求1所述的方法，其特征在于，所述确定新建场站的历史运行数据存在缺失，包括：
若新建场站的历史运行数据存在预设程度的缺失，或所述新建场站的历史运行数据的数据量不满足预设数量，则确定新建场站的历史运行数据存在缺失。
3.根据权利要求1所述的方法，其特征在于，所述从其他场站的预测模型中，选择所述新建场站对应的迁移学习模型，包括：
从其他场站中，确定与所述新建场站相似度达到相似度阈值的相似场站；
将所述相似场站的预测模型，确定为所述新建场站对应的迁移学习模型。
4.根据权利要求1所述的方法，其特征在于，所述根据所述更新数据，构建新建场站对应的增量学习模型，包括：
对所述更新数据的数据质量进行检测，得到质量检测结果；
对所述更新数据的样本量进行检测，得到样本量检测结果；
基于所述质量检测结果和所述样本量检测结果，确定所述新建场站对应的更新数据是否满足增量学习条件；
若是，则根据所述更新数据，构建新建场站对应的增量学习模型。
5.根据权利要求1所述的方法，其特征在于，所述从其他场站中，确定与所述新建场站相似度达到相似度阈值的相似场站包括：
获取所述新建场站的基础信息，以及各其他场站的基础信息；
根据所述新建场站的基础信息和各其他场站的基础信息，确定所述新建场站与各其他场站在每一维度数据上的相似度值；
根据所述新建场站与各其他场站在每一维度数据上的相似度值，从各其他场站中选择与新建场站之间相似度达到相似度阈值的相似场站。
6.根据权利要求5所述的方法，其特征在于，所述基础信息包括：包括经纬度数据、容量数据、地形数据、地貌数据和海拔数据中至少一个维度数据。
7.根据权利要求3所述的方法，其特征在于，所述相似场站的数量为3个。
8.一种适用于数据缺失场站的新能源功率迁移学习预测装置，其特征在于，所述装置包括：
迁移模块，用于在确定新建场站的历史运行数据存在缺失的情况下，从其他场站的预测模型中，选择所述新建场站对应的迁移学习模型；
获取模块，用于获取所述新建场站对应的更新数据；其中，所述更新数据包括补齐后的历史运行数据，以及所述新建场站在历史时间段之后的预设时间段内采集到的当前运行数据；
构建模块，用于根据所述更新数据，构建新建场站对应的增量学习模型；
集成预测模块，用于基于新建场站对应的迁移学习模型和增量学习模型，对新建场站在未来时段内的输出功率进行预测，得到功率预测结果；
获取所述新建场站在未来时间段内对应的第一实际功率数据，以及所述新建场站对应的相似场站在所述未来时间段内的第二实际功率数据； 基于校正模型，根据所述第一实际功率数据和第二实际功率数据中的至少一项，对所述功率预测结果进行校正，得到校正后的功率预测结果；若校正模型为机器学习模型，则将所述第一实际功率数据、所述第二实际功率数据和所述功率预测结果，输入至所述校正模型，得到校正后的功率预测结果；若所述校正模型为时间序列模型，则将所述第一实际功率数据和所述功率预测结果，输入至所述校正模型，得到校正后的功率预测结果；若所述校正模型为物理模型，则获取场站样板机对应的理论发电功率，将所述场站样板机的理论发电功率、所述新建场站在历史时间段的历史功率数据，以及所述功率预测结果，采用最小二乘法，动态调整最小二乘法中的关键参数；基于所述关键参数，对初始的物理模型进行调整，将所述场站样板机的理论发电功率和所述功率预测结果，输入至调整后的物理模型中，得到校正后的功率预测结果。
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。
CN202310621583.9A 2023-05-30 2023-05-30 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 Active CN116342077B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310621583.9A CN116342077B (zh) 2023-05-30 2023-05-30 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310621583.9A CN116342077B (zh) 2023-05-30 2023-05-30 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

Publications (2)

Publication Number Publication Date
CN116342077A CN116342077A (zh) 2023-06-27
CN116342077B true CN116342077B (zh) 2023-09-15

Family

ID=86886225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310621583.9A Active CN116342077B (zh) 2023-05-30 2023-05-30 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

Country Status (1)

Country Link
CN (1) CN116342077B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132179A (zh) * 2020-08-20 2020-12-25 中国人民解放军战略支援部队信息工程大学 基于少量标注样本的增量学习方法及系统
CN113792919A (zh) * 2021-09-02 2021-12-14 华中科技大学 一种基于迁移学习深度学习相结合的风电功率预测方法
CN113919232A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 一种基于循环神经网络的光伏电站功率预测方法及系统
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230137184A1 (en) * 2021-11-04 2023-05-04 International Business Machines Corporation Incremental machine learning for a parametric machine learning model

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132179A (zh) * 2020-08-20 2020-12-25 中国人民解放军战略支援部队信息工程大学 基于少量标注样本的增量学习方法及系统
CN113792919A (zh) * 2021-09-02 2021-12-14 华中科技大学 一种基于迁移学习深度学习相结合的风电功率预测方法
CN113919232A (zh) * 2021-10-25 2022-01-11 北京航天创智科技有限公司 一种基于循环神经网络的光伏电站功率预测方法及系统
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

Also Published As

Publication number Publication date
CN116342077A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN114493050B (zh) 多维度融合的新能源功率并联预测方法和装置
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
CN114330935B (zh) 基于多种结合策略集成学习的新能源功率预测方法和系统
CN112381673B (zh) 一种基于数字孪生的园区用电信息分析方法及装置
CN114792156A (zh) 基于曲线特征指标聚类的光伏输出功率预测方法和系统
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
TW201635224A (zh) 智慧型短期電力發電量預測方法
CN114330934A (zh) 一种模型参数自适应的gru新能源短期发电功率预测方法
CN114971090A (zh) 一种电供暖负荷预测方法、系统、设备和介质
CN117318033B (zh) 一种结合数据孪生的电网数据管理方法及系统
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
CN114611757A (zh) 基于遗传算法与改进深度残差网络的电力系统短期负荷预测方法
CN113988436A (zh) 基于lstm神经网络和层级关系修正的用电量预测方法
CN116720791B (zh) 一种分布式光伏发电质量管理方法及系统
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
CN116611702A (zh) 一种面向楼宇综合能源管理的集成学习光伏发电预测方法
Liu et al. Ultra-short-term wind power forecasting based on stacking model
Bâra et al. Intelligent systems for predicting and analyzing data in power grid companies
CN113887843B (zh) 一种风电场输出功率的群体预测方法和系统
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
CN117353359B (zh) 电池联合储能供电方法及系统
CN117113267B (zh) 基于大数据的预测模型训练方法、光伏发电性能检测方法
RongQi et al. Research of flexible load analysis of distribution network based on big data
CN116644856A (zh) 基于增量深度时间卷积网络的多地貌风电场出力预测方法
CN117394308A (zh) 一种多时间尺度风力发电功率预测方法、系统及电子设备

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