CN116581755B - 功率预测方法、装置、设备及存储介质 - Google Patents

功率预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116581755B
CN116581755B CN202310852367.5A CN202310852367A CN116581755B CN 116581755 B CN116581755 B CN 116581755B CN 202310852367 A CN202310852367 A CN 202310852367A CN 116581755 B CN116581755 B CN 116581755B
Authority
CN
China
Prior art keywords
power
information
prediction
forecast
target
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
CN202310852367.5A
Other languages
English (en)
Other versions
CN116581755A (zh
Inventor
徐伟峰
刘攀
徐长江
贾建伟
黄康迪
王奕博
王栋
汪飞
何康洁
刘昕
邓鹏鑫
欧阳硕
陈莹
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.)
Wuhan University WHU
Bureau of Hydrology Changjiang Water Resources Commission
Original Assignee
Wuhan University WHU
Bureau of Hydrology Changjiang Water Resources Commission
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 Wuhan University WHU, Bureau of Hydrology Changjiang Water Resources Commission filed Critical Wuhan University WHU
Priority to CN202310852367.5A priority Critical patent/CN116581755B/zh
Publication of CN116581755A publication Critical patent/CN116581755A/zh
Application granted granted Critical
Publication of CN116581755B publication Critical patent/CN116581755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Quality & Reliability (AREA)
  • Power Engineering (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种功率预测方法、装置、设备及存储介质，涉及能源功率预测技术领域，包括：将第一时间输入第一气象预测模型，输出目标电站所在区域在所述第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息；其中，所述第一气象预测模型是根据所述目标电站所在区域的历史气象数据样本训练得到的，所述目标电站包括：水电电站、风电电站和光电电站；基于所述降水量预测信息，确定所述目标电站在所述第一时间的入库流量信息；基于所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息，对所述目标电站在所述第一时间的功率进行预测分析，确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率。

Description

功率预测方法、装置、设备及存储介质
技术领域
本发明涉及能源功率预测技术领域，尤其涉及一种功率预测方法、装置、设备及存储介质。
背景技术
可再生能源的开发与利用是应对全球气候变化和能源危机的重要途径，但是风电和光电等可再生能源易受环境因素影响，具有波动性、随机性和间歇性的特征，大规模的风电和光电直接并网对电力系统稳定运行带来了新挑战，导致弃风、弃光现象十分突出。水风光互补系统利用水电机组的快速调节能力和不同能源间的互补特性，通过水电调节风光出力波动，使系统总功率变幅维持在可接受范围内，是促进可再生能源消纳的重要措施。在此背景下，精确地功率预报可以使电站调度人员及时调整发电功率，保障水风光系统和电网安全稳定运行。
但是，目前功率预报方法多针对于单一能源电站或其集群，不能考虑区域内多种能源的时空相关性特征和互补特征，因此，如何准确的进行水风光功率的预测，已经成为亟待解决的问题。
发明内容
本发明提供一种功率预测方法、装置、设备及存储介质，用以解决现有技术中目前功率预报方法多针对于单一能源电站或其集群，不能考虑区域内多种能源的时空相关性特征和互补特征的缺陷。
本发明提供一种功率预测方法，包括：
将第一时间输入第一气象预测模型，输出目标电站所在区域在所述第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息；其中，所述第一气象预测模型是根据所述目标电站所在区域的历史气象数据样本训练得到的，所述目标电站包括：水电电站、风电电站和光电电站；
基于所述降水量预测信息，确定所述目标电站在所述第一时间的入库流量信息；
基于所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息，对所述目标电站在所述第一时间的功率进行预测分析，确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率。
根据本发明提供的一种功率预测方法，所述基于所述降水量预测信息确定所述目标电站在所述第一时间的入库流量信息，包括：
将所述降水量预测信息输入所述目标电站所在区域的水文模型，输出所述目标电站在所述第一时间的入库流量信息；
其中，所述水文模型是根据所述目标电站所在区域的降雨历史样本数据和所述降雨历史样本数据对应的入库流量标签训练得到的。
根据本发明提供的一种功率预测方法，所述第一时间的水电预测功率的确定方法，具体包括：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与水电功率的第一相关系数；
将第一目标相关系数对应的预报信息写入水电功率联合预报因子；所述第一目标相关系数是大于第一阈值的所述第一相关系数；
将所述水电功率联合预报因子输入功率联合预测模型，确定所述第一时间的水电预测功率。
根据本发明提供的一种功率预测方法，所述第一时间的风电预测功率的确定方法，具体包括：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与风电功率的第二相关系数；
将第二目标相关系数对应的预报信息写入风电功率联合预报因子；所述第二目标相关系数是大于第二阈值的所述第二相关系数；
将所述风电功率联合预报因子输入功率联合预测模型，确定所述第一时间的风电预测功率。
根据本发明提供的一种功率预测方法，所述第一时间的光电预测功率的确定方法，具体包括：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与光电功率的第三相关系数；
将第三目标相关系数对应的预报信息写入光电功率联合预报因子；所述第三目标相关系数是大于第三阈值的所述第三相关系数；
将所述光电功率联合预报因子输入功率联合预测模型，确定所述第一时间的光电预测功率。
根据本发明提供的一种功率预测方法，在确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率之后，还包括：
将所述水电预测功率、风电预测功率和光电预测功率求和，得到所述目标电站在所述第一时间的预测总功率。
本发明还提供一种功率预测装置，包括：输出模块，用于将第一时间输入第一气象预测模型，输出目标电站所在区域在所述第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息；其中，所述第一气象预测模型是根据所述目标电站所在区域的历史气象数据样本训练得到的，所述目标电站包括：水电电站、风电电站和光电电站；
第一确定模块，用于基于所述降水量预测信息，确定所述目标电站在所述第一时间的入库流量信息；
第二确定模块，用于基于所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息，对所述目标电站在所述第一时间的功率进行预测分析，确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率。
根据本发明提供的一种功率预测装置，所述第一确定模块，具体用于：
将所述降水量预测信息输入所述目标电站所在区域的水文模型，输出所述目标电站在所述第一时间的入库流量信息；
其中，所述水文模型是根据所述目标电站所在区域的降雨历史样本数据和所述降雨历史样本数据对应的入库流量标签训练得到的。
根据本发明提供的一种功率预测装置，所述第二确定模块，具体用于：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与水电功率的第一相关系数；
将第一目标相关系数对应的预报信息写入水电功率联合预报因子；所述第一目标相关系数是大于第一阈值的所述第一相关系数；
将所述水电功率联合预报因子输入功率联合预测模型，确定所述第一时间的水电预测功率。
根据本发明提供的一种功率预测装置，所述第二确定模块，具体用于：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与风电功率的第二相关系数；
将第二目标相关系数对应的预报信息写入风电功率联合预报因子；所述第二目标相关系数是大于第二阈值的所述第二相关系数；
将所述风电功率联合预报因子输入功率联合预测模型，确定所述第一时间的风电预测功率。
根据本发明提供的一种功率预测装置，所述第二确定模块，具体用于：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与光电功率的第三相关系数；
将第三目标相关系数对应的预报信息写入光电功率联合预报因子；所述第三目标相关系数是大于第三阈值的所述第三相关系数；
将所述光电功率联合预报因子输入功率联合预测模型，确定所述第一时间的光电预测功率。
根据本发明提供的一种功率预测装置，所述装置还用于：
将所述水电预测功率、风电预测功率和光电预测功率求和，得到所述目标电站在所述第一时间的预测总功率。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述功率预测方法。
本发明还提供一种非暂态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如上述任一种所述功率预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述功率预测方法。
本发明提供的功率预测方法、装置、设备及存储介质，通过第一气象预测模型，有效预测目标电站在第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息等气象信息，然后通过降水量预测信息，来进一步分析了目标电站在所述第一时间的入库流量信息等水文信息；然后通过风速预报信息、所述太阳辐射预报信息和所述入库流量信息确定的联合预报因子，有效实现对于所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率的准确预测，为水风光系统各电站功率预报提供了一种新的可行方案。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的功率预测方法流程示意图；
图2为本申请实施例提供的联合预测流程图；
图3为本申请实施例提供的功率预测装置结构示意图；
图4是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本申请实施例提供的功率预测方法流程示意图，如图1所示，包括：
步骤110，将第一时间输入第一气象预测模型，输出目标电站所在区域在所述第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息；其中，所述第一气象预测模型是根据所述目标电站所在区域的历史气象数据样本训练得到的，所述目标电站包括：水电电站、风电电站和光电电站；
本申请实施例中的目标电站具体可以是同时包括至少一个水电电站、至少一个风电电站和至少一个光电电站的电站集群。
本申请实施例中所描述的第一时间可以是希望进行预测功率的时间，其具体可以是一个未来的时间点，或者是一个时间段。例如，12月11日，或者12月10日晚上8点。
本申请实施例中的第一气象预测模型是根据所述目标电站所在区域的历史气象数据样本训练得到的，该气象预测模型具体可以是气象研究与预报模式（WeatherResearch and Forecasting，WRF）模型。
本申请实施例中所描述的第一气象预测模型能够有效的对目标电站所在区域的气象情况进行预测，其具体的，可以预测目标电站所在区域在第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息。
在将第一时间输入第一气象预测模型之后，可以输出目标电站所在区域在所述第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息。
步骤120，基于所述降水量预测信息，确定所述目标电站在所述第一时间的入库流量信息；
在本申请实施例中，可以将降水量预测信息输入所述目标电站所在区域的水文模型，输出所述目标电站在所述第一时间的入库流量信息。
本申请实施例中，水文模型是根据所述目标电站所在区域的降雨历史样本数据和所述降雨历史样本数据对应的入库流量标签训练得到的。该水文模型具体可以是新安江模型等，该新安江模型是最早应用于新安江流域的通用水文模型，但是其并不局限于新安江流域使用，也可以在其它流域使用。
该降雨历史样本数据可以是从目标电站所在区域的历史气象数据中获取的，该入库流量标签是指降雨历史样本数据所对应的入库流量数据。
本申请实施例中，可以通过降水量预测信息输入水文模型后，输出目标电站在第一时间的入库流量信息。
在本申请实施例中，不同地域的水文特点不同，因此，可以根据不同地域的水文历史数据，训练不同的水文模型，例如，可以针对于新安江进行水文模型训练，也可以针对于雅鲁藏布江进行水文模型训练。
步骤130，基于所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息，对所述目标电站在所述第一时间的功率进行预测分析，确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率。
在一个可选地实施例中，在确定水电、风电和光电各自对应的联合预报因子之后，将联合预报因子分别输入功率联合预测模型，输出目标电站在第一时间的水电预测功率、风电预测功率和光电预测功率。
在本申请实施例中，在得到风速预报信息、所述太阳辐射预报信息和所述入库流量信息之后，可以使用相关系数作为相关性指标评估系统功率和预报气象、水文要素的相关性，该相关系数具体可以包括皮尔逊相关系数和最大互信息系数中的至少一项，根据该相关系数从风速预报信息、所述太阳辐射预报信息和所述入库流量信息之中，确定水电、风电和光电各自对应的联合预报因子。
在一个可选地实施例中，在确定水电、风电和光电各自对应的联合预报因子之后，将联合预报因子分别输入功率联合预测模型，输出目标电站在第一时间的水电预测功率、风电预测功率和光电预测功率。
在一个可选地实施例中，第一时间的水电预测功率的确定方法，具体包括：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与水电功率的第一相关系数；该第一相关系数具体可以包括第一皮尔逊相关系数和第一最大互信息系数。
将第一目标相关系数对应的预报信息写入水电功率联合预报因子；所述第一目标相关系数是第一皮尔逊相关系数或第一最大互信息系数大于第一阈值的所述第一相关系数；
将所述水电功率联合预报因子输入功率联合预测模型，确定所述第一时间的水电预测功率。
也可以将与水电功率的最大互信息系数大于第一相关性阈值的预报信息写入水电功率联合预报因子。
在另一个可选地实施例中，第一时间的风电预测功率的确定方法，具体包括：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与风电功率的第二相关系数和最大互信息系数；该第二相关系数具体可以包括第二皮尔逊相关系数和第二最大互信息系数。
将第二目标相关系数对应的预报信息写入风电功率联合预报因子；所述第二目标相关系数是第二皮尔逊相关系数或第二最大互信息系数大于第二阈值的所述第二相关系数；
将所述风电功率联合预报因子输入功率联合预测模型，确定所述第一时间的风电预测功率。
也可以将与风电功率的最大互信息系数大于第一相关性阈值的预报信息写入风电功率联合预报因子。
在另一个可选地实施例中，第一时间的光电预测功率的确定方法，具体包括：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与光电功率的第三相关系数；该第三相关系数具体可以包括第三皮尔逊相关系数和第三最大互信息系数。
将第三目标相关系数对应的预报信息写入光电功率联合预报因子；所述第三目标相关系数是第三皮尔逊相关系数或第三最大互信息系数大于第三阈值的所述第三相关系数；
将所述光电功率联合预报因子输入功率联合预测模型，确定所述第一时间的光电预测功率。
也可以将与光电功率的最大互信息系数大于第一相关性阈值的预报信息写入光电功率联合预报因子。
在本申请实施例中，功率联合预测模型具体可以是长短期记忆网络模型，其建立系统功率和联合预报因子间映射关系：
；
其中，、/>、/>和/>分别为系统总功率、风电功率、光电功率和水电功率；n为输入变量时间维度；/>为预见期长度；/>为当前时间段；/>为拟合函数，c为气象和水文要素（指风速、太阳辐射和入库流量）；i为水风光电站序号；j为气象和水文要素序号，分别为/>、/>至/>预见期长度的气象和水文要素。
在一个可选地实施例中，为验证所提方法的有效性，构建预报误差互补率指标表征不同电站预报正、负误差的抵消程度：
；
其中：T为总时段数；和/>分别为第m个电站在t时刻的功率实际值和预报值。
在一个可选地实施例中，为了验证预测的精度，还可以使用WRF模型和新安江模型联合预报风速、太阳辐射、降水和水库入库流量，构建综合评价指标评估预报精度：
；
；
式中：为水风光电站数量；/>为预报的气象和水文要素数量；M为采样点总数；和/>分别为气象和水文要素的实际值和预报值；i为水风光电站序号；j为气象和水文要素序号；k为时段序号。
由于风速、太阳辐射、降水和入库流量等气象和水文要素存在量级上的差异，分别对各个要素进行归一化处理后进行评估。
在一个可选地实施例中，以雅砻江流域官地水风光互补系统为例，使用2015年9月~2017年8月历史数据构建考虑时空相关性特征的水风光系统功率联合预报模型，并通过预报误差指标和预报误差互补率指标验证模型的有效性。设置独立预报方案为对比方案，不同预报方法功率预报误差如表1所示，由表可知，本发明所提模型可以有效提高水风光系统各电站功率预报精度和总功率预报精度。
表1 不同预报方法功率预报平均绝对误差（单位：MW）
联合预报 独立预报
风电功率 206.03 228.76
光电功率 31.64 38.61
水电功率 204.06 226.24
系统总功率 277.18 286.59
不同预报方法功率预报误差互补率如表2所示，由表可知，本发明所提模型可以有效提高预报误差互补率，从而提高水风光系统总功率预报精度。水风光三种电站联合预报时预报误差互补率最大，水风、风光和水光两种电站联合预报时预报误差互补率依次减小。
表2 不同预报方法功率预报误差互补率
联合预报 独立预报
水风光 0.38 0.34
水风 0.33 0.30
风光 0.15 0.12
水光 0.13 0.12
本发明提供的功率预测方法、装置、设备及存储介质，通过第一气象预测模型，有效预测目标电站在第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息等气象信息，然后通过降水量预测信息，来进一步分析了目标电站在所述第一时间的入库流量信息等水文信息；然后通过风速预报信息、所述太阳辐射预报信息和所述入库流量信息确定的联合预报因子，有效实现对于所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率的准确预测，为水风光系统各电站功率预报提供了一种新的可行方案。
图2为本申请实施例提供的联合预测流程图，如图2所示，在气象-水文联合预报阶段，可以将气象数据集输入WRF模型，然后可以完成WRF模型的训练，进而实现对于风速、太阳辐射、降水的预测，以新安江模型为例，可以进一步根据降水进行入库流量的预测，从而得到综合评价。
在功率联合预报阶段，可以进一步在风速、太阳辐射、降水的预测信息中确定各自功率的预报因子选择，然后将预报因子输入联合预报模型，得到预报功率。
该联合预报模型，可以是根据携带有实际功率标签的预报因子样本训练得到的。
本发明充分考虑了水风光互补系统中各要素时空相关性，适用于包含多种能源电站的复合系统功率预报，通过预报误差指标和预报误差互补率指标验证了模型的有效性。
下面对本发明提供的功率预测装置进行描述，下文描述的功率预测装置与上文描述的功率预测方法可相互对应参照。
图3为本申请实施例提供的功率预测装置结构示意图，如图3所示，包括：
输出模块310用于将第一时间输入第一气象预测模型，输出目标电站所在区域在所述第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息；其中，所述第一气象预测模型是根据所述目标电站所在区域的历史气象数据样本训练得到的，所述目标电站包括：水电电站、风电电站和光电电站；
第一确定模块320用于基于所述降水量预测信息，确定所述目标电站在所述第一时间的入库流量信息；
第二确定模块330用于基于所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息，对所述目标电站在所述第一时间的功率进行预测分析，确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率。
可选地，所述第一确定模块，具体用于：
将所述降水量预测信息输入所述目标电站所在区域的水文模型，输出所述目标电站在所述第一时间的入库流量信息；
其中，所述水文模型是根据所述目标电站所在区域的降雨历史样本数据和所述降雨历史样本数据对应的入库流量标签训练得到的。
在本申请实施例中，通过第一气象预测模型，有效预测目标电站在第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息等气象信息，然后通过降水量预测信息，来进一步分析了目标电站在所述第一时间的入库流量信息等水文信息；然后通过风速预报信息、所述太阳辐射预报信息和所述入库流量信息确定的联合预报因子，有效实现对于所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率的准确预测，为水风光系统各电站功率预报提供了一种新的可行方案。
图4是本发明提供的电子设备的结构示意图，如图4所示，该电子设备可以包括：处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440，其中，处理器410，通信接口420，存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行功率预测方法，该方法包括：将第一时间输入第一气象预测模型，输出目标电站所在区域在所述第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息；其中，所述第一气象预测模型是根据所述目标电站所在区域的历史气象数据样本训练得到的，所述目标电站包括：水电电站、风电电站和光电电站；
基于所述降水量预测信息，确定所述目标电站在所述第一时间的入库流量信息；
基于所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息，对所述目标电站在所述第一时间的功率进行预测分析，确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率。
此外，上述的存储器430中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供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，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的功率预测方法，该方法包括：将第一时间输入第一气象预测模型，输出目标电站所在区域在所述第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息；其中，所述第一气象预测模型是根据所述目标电站所在区域的历史气象数据样本训练得到的，所述目标电站包括：水电电站、风电电站和光电电站；
基于所述降水量预测信息，确定所述目标电站在所述第一时间的入库流量信息；
基于所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息，对所述目标电站在所述第一时间的功率进行预测分析，确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率。
又一方面，本发明还提供一种非暂态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以执行上述各方法提供的功率预测方法，该方法包括：将第一时间输入第一气象预测模型，输出目标电站所在区域在所述第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息；其中，所述第一气象预测模型是根据所述目标电站所在区域的历史气象数据样本训练得到的，所述目标电站包括：水电电站、风电电站和光电电站；
基于所述降水量预测信息，确定所述目标电站在所述第一时间的入库流量信息；
基于所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息，对所述目标电站在所述第一时间的功率进行预测分析，确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (9)

1.一种功率预测方法，其特征在于，包括：
将第一时间输入第一气象预测模型，输出目标电站所在区域在所述第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息；其中，所述第一气象预测模型是根据所述目标电站所在区域的历史气象数据样本训练得到的，所述目标电站包括：水电电站、风电电站和光电电站；
基于所述降水量预测信息，确定所述目标电站在所述第一时间的入库流量信息；
基于所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息，确定水电、风电和光电各自对应的联合预报因子，将各个联合预报因子分别输入功率联合预测模型，对所述目标电站在所述第一时间的功率进行预测分析，确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率；
其中，所述第一时间的水电预测功率的确定方法，具体包括：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与水电功率的第一相关系数；
将第一目标相关系数对应的预报信息写入水电功率联合预报因子；所述第一目标相关系数是大于第一阈值的所述第一相关系数；
将所述水电功率联合预报因子输入功率联合预测模型，确定所述第一时间的水电预测功率。
2.根据权利要求1所述的功率预测方法，其特征在于，所述基于所述降水量预测信息确定所述目标电站在所述第一时间的入库流量信息，包括：
将所述降水量预测信息输入所述目标电站所在区域的水文模型，输出所述目标电站在所述第一时间的入库流量信息；
其中，所述水文模型是根据所述目标电站所在区域的降雨历史样本数据和所述降雨历史样本数据对应的入库流量标签训练得到的。
3.根据权利要求1所述的功率预测方法，其特征在于，所述第一时间的风电预测功率的确定方法，具体包括：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与风电功率的第二相关系数；
将第二目标相关系数对应的预报信息写入风电功率联合预报因子；所述第二目标相关系数是大于第二阈值的所述第二相关系数；
将所述风电功率联合预报因子输入功率联合预测模型，确定所述第一时间的风电预测功率。
4.根据权利要求1所述的功率预测方法，其特征在于，所述第一时间的光电预测功率的确定方法，具体包括：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与光电功率的第三相关系数；
将第三目标相关系数对应的预报信息写入光电功率联合预报因子；所述第三目标相关系数是大于第三阈值的所述第三相关系数；
将所述光电功率联合预报因子输入功率联合预测模型，确定所述第一时间的光电预测功率。
5.根据权利要求1所述的功率预测方法，其特征在于，在确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率之后，还包括：
将所述水电预测功率、风电预测功率和光电预测功率求和，得到所述目标电站在所述第一时间的预测总功率。
6.一种功率预测装置，其特征在于，包括：
输出模块，用于将第一时间输入第一气象预测模型，输出目标电站所在区域在所述第一时间的风速预报信息、太阳辐射预报信息和降水量预测信息；其中，所述第一气象预测模型是根据所述目标电站所在区域的历史气象数据样本训练得到的，所述目标电站包括：水电电站、风电电站和光电电站；
第一确定模块，用于基于所述降水量预测信息，确定所述目标电站在所述第一时间的入库流量信息；
第二确定模块，用于基于所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息，确定水电、风电和光电各自对应的联合预报因子，将各个联合预报因子分别输入功率联合预测模型，对所述目标电站在所述第一时间的功率进行预测分析，确定所述目标电站在所述第一时间的水电预测功率、风电预测功率和光电预测功率；
其中，所述第一时间的水电预测功率的确定方法，具体包括：
分别计算所述风速预报信息、所述太阳辐射预报信息和所述入库流量信息与水电功率的第一相关系数；
将第一目标相关系数对应的预报信息写入水电功率联合预报因子；所述第一目标相关系数是大于第一阈值的所述第一相关系数；
将所述水电功率联合预报因子输入功率联合预测模型，确定所述第一时间的水电预测功率。
7.根据权利要求6所述的功率预测装置，其特征在于，所述第一确定模块，具体用于：
将所述降水量预测信息输入所述目标电站所在区域的水文模型，输出所述目标电站在所述第一时间的入库流量信息；
其中，所述水文模型是根据所述目标电站所在区域的降雨历史样本数据和所述降雨历史样本数据对应的入库流量标签训练得到的。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至5任一项所述功率预测方法。
9.一种非暂态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如权利要求1至5任一项所述功率预测方法。
CN202310852367.5A 2023-07-12 2023-07-12 功率预测方法、装置、设备及存储介质 Active CN116581755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310852367.5A CN116581755B (zh) 2023-07-12 2023-07-12 功率预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310852367.5A CN116581755B (zh) 2023-07-12 2023-07-12 功率预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN116581755A CN116581755A (zh) 2023-08-11
CN116581755B true CN116581755B (zh) 2023-09-29

Family

ID=87536339

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310852367.5A Active CN116581755B (zh) 2023-07-12 2023-07-12 功率预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116581755B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116760028A (zh) * 2023-08-14 2023-09-15 长江三峡集团实业发展(北京)有限公司 一种风光联合功率预测方法、装置、计算机设备及介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110400056A (zh) * 2019-07-04 2019-11-01 国网四川省电力公司电力科学研究院 基于风光时空特性的梯级水电日前优化调度方法及装置
CN112561189A (zh) * 2020-12-23 2021-03-26 宁夏中科嘉业新能源研究院（有限公司） 一种适用于光伏电站发电量预测方法
JP2021182319A (ja) * 2020-05-20 2021-11-25 株式会社日立製作所 予測装置および予測方法
CN115241866A (zh) * 2022-05-07 2022-10-25 中国能源建设集团云南省电力设计院有限公司 一种基于Spearman秩相关系数的水风发电互补性分析方法
CN115425680A (zh) * 2022-08-31 2022-12-02 中国长江三峡集团有限公司 一种多能源联合发电系统的功率预测模型构建及预测方法
CN115481791A (zh) * 2022-09-05 2022-12-16 中国长江三峡集团有限公司 一种水风光发电功率联合预测方法、装置和设备
CN116050604A (zh) * 2022-12-30 2023-05-02 武汉大学 考虑时空互补性的水风光功率联合预报方法、装置及设备
CN116345450A (zh) * 2023-04-26 2023-06-27 河海大学 一种基于深度强化学习的风光水互补系统智能调度方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110400056A (zh) * 2019-07-04 2019-11-01 国网四川省电力公司电力科学研究院 基于风光时空特性的梯级水电日前优化调度方法及装置
JP2021182319A (ja) * 2020-05-20 2021-11-25 株式会社日立製作所 予測装置および予測方法
CN112561189A (zh) * 2020-12-23 2021-03-26 宁夏中科嘉业新能源研究院（有限公司） 一种适用于光伏电站发电量预测方法
CN115241866A (zh) * 2022-05-07 2022-10-25 中国能源建设集团云南省电力设计院有限公司 一种基于Spearman秩相关系数的水风发电互补性分析方法
CN115425680A (zh) * 2022-08-31 2022-12-02 中国长江三峡集团有限公司 一种多能源联合发电系统的功率预测模型构建及预测方法
CN115481791A (zh) * 2022-09-05 2022-12-16 中国长江三峡集团有限公司 一种水风光发电功率联合预测方法、装置和设备
CN116050604A (zh) * 2022-12-30 2023-05-02 武汉大学 考虑时空互补性的水风光功率联合预报方法、装置及设备
CN116345450A (zh) * 2023-04-26 2023-06-27 河海大学 一种基于深度强化学习的风光水互补系统智能调度方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A Novel Strategy for Wind-Solar-Hydro Complimentary Real-time Scheduling and Control;Hao-Tian Zhang;《2019 IEEE Innovative Smart Grid Technologies - Asia (ISGT Asia)》;全文 *
Research on Ultra-Short Term Distributed PV Power Forecasting Method Considering Weather Similarity based on Satellite Cloud Map;Ji Yu;《2023 IEEE IAS Global Conference on Emerging Technologies (GlobConET)》;全文 *
沙江下游水风光资源多时间尺度互补性分析;田露;《水力发电学报》;全文 *
程水源.《机场区域大气污染物排放特征及其对周边空气质量的影响研究[M]》.中国环境出版集团,2020,第14-15页. *
雷鸿萱,刘攀.水风光多能互补系统中长期功率联合预报.《水力发电学报》.2023,全文. *

Also Published As

Publication number Publication date
CN116581755A (zh) 2023-08-11

Similar Documents

Publication Publication Date Title
Han et al. Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network
WO2021238505A1 (zh) 基于联邦学习的区域光伏功率概率预测方法及协同调控系统
CN108734331B (zh) 基于lstm的短期光伏发电功率预测方法及系统
US11204591B2 (en) Modeling and calculating normalized aggregate power of renewable energy source stations
Yona et al. Determination method of insolation prediction with fuzzy and applying neural network for long-term ahead PV power output correction
CN103117546B (zh) 一种超短期风电功率滑动预测方法
Aggarwal et al. Solar energy prediction using linear and non-linear regularization models: A study on AMS (American Meteorological Society) 2013–14 Solar Energy Prediction Contest
CN110070226A (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
Fatemi et al. Parametric methods for probabilistic forecasting of solar irradiance
CN107194495B (zh) 一种基于历史数据挖掘的光伏功率纵向预测方法
CN102479347B (zh) 基于数据驱动的风电场短期风速预测方法和系统
Amjady et al. A new hybrid iterative method for short‐term wind speed forecasting
CN105719059B (zh) 光伏发电系统置信容量评估方法
Pourhabib et al. Short-term wind speed forecast using measurements from multiple turbines in a wind farm
CN109840633B (zh) 光伏输出功率预测方法、系统和存储介质
CN116581755B (zh) 功率预测方法、装置、设备及存储介质
Liao et al. Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique
CN111612244A (zh) 基于qra-lstm的日前光伏功率非参数概率预测方法
Zhang et al. Interval prediction of ultra-short-term photovoltaic power based on a hybrid model
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
Mayer et al. Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
CN116306006A (zh) 风光水联合发电的优化调度方法、装置和计算机设备
Ammar et al. Wind speed forecasting using deep learning and preprocessing techniques
Guo et al. A new approach for interval forecasting of photovoltaic power based on generalized weather classification

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