CN116628512A - 基于先后验模型融合的光伏发电量模型训练方法和系统 - Google Patents
基于先后验模型融合的光伏发电量模型训练方法和系统 Download PDFInfo
- Publication number
- CN116628512A CN116628512A CN202310919879.9A CN202310919879A CN116628512A CN 116628512 A CN116628512 A CN 116628512A CN 202310919879 A CN202310919879 A CN 202310919879A CN 116628512 A CN116628512 A CN 116628512A
- Authority
- CN
- China
- Prior art keywords
- model
- posterior
- data
- photovoltaic
- training
- 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
- 238000012549 training Methods 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010248 power generation Methods 0.000 title claims abstract description 34
- 230000004927 fusion Effects 0.000 title claims abstract description 27
- 238000012360 testing method Methods 0.000 title claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 61
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 230000003993 interaction Effects 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000004891 communication Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 12
- 230000002452 interceptive effect Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 4
- 238000005457 optimization Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011425 standardization method Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
- 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
-
- 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
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- 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
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种基于先后验模型融合的光伏发电量模型训练方法和系统,训练方法包括以下步骤:获取地区的气象数据和光伏数据并进行预处理,得到预处理后气象数据和预处理后光伏数据;对所述预处理后气象数据和所述预处理后光伏数据进行特征提取分别得到先验特征向量和后验特征向量;构建先验模型和后验模型,并使用所述先验特征向量和所述后验特征向量分别对所述先验模型和所述后验模型进行训练,得到训练后先验模型和训练后后验模型;将所述训练后先验模型和所述训练后后验模型进行交互得到交互后模型;对所述交互后模型进行调参,得到最终模型。本发明通过机器学习模型刻画先验分布,使预测算法无需找到所有的先验信息的前提下进行精准的预测。
Description
技术领域
本发明属于光伏发电预测技术领域,尤其涉及一种基于先后验模型融合的光伏发电量模型训练方法和系统。
背景技术
使用传统机器学习进行光伏发电量预测时,大多会通过物理模型计算出太阳辐射,散射光强,散射/折射/反射照度等先验信息,从而帮助预测模型减少不必要工作量,专注刻画天气变量等无规律或通过物理模型难以刻画的信息分布。但将上述的“先验信息”一一找出并通过物理模型刻画的难度和工作量极高并且遗漏的可能性极大。
因此,有必要提供一种新的基于先后验模型融合的光伏发电量模型训练方法和系统解决上述技术问题。
发明内容
本发明的目的就在于为了解决上述问题而提供一种基于先后验模型融合的光伏发电量模型训练方法和系统。
本发明通过以下技术方案来实现上述目的:
一种基于先后验模型融合的光伏发电量模型训练方法,包括以下步骤:
获取地区的气象数据和光伏数据并进行预处理,得到预处理后气象数据和预处理后光伏数据;
对所述预处理后气象数据和所述预处理后光伏数据进行特征提取分别得到先验特征向量和后验特征向量;
构建先验模型和后验模型,并使用所述先验特征向量和所述后验特征向量分别对所述先验模型和所述后验模型进行训练,得到训练后先验模型和训练后后验模型;
将所述训练后先验模型和所述训练后后验模型进行交互得到交互后模型;
对所述交互后模型进行调参,得到最终模型。
作为本发明的进一步优化方案,所述气象数据包括日均温数据、日最高温数据、总云量数据、低云量数据和降水量数据;
所述光伏数据包括日发电量数据、安装位置经纬度数据,海拔数据和倾斜角数据。
作为本发明的进一步优化方案,获取地区的气象数据和光伏数据并进行预处理,得到预处理后气象数据和预处理后光伏数据的具体过程如下:
对气象数据和光伏数据进行缺失值去除或填补、极值修复、数据标准化和数据虚拟变量化处理,得到预处理后气象数据和预处理后光伏数据。
作为本发明的进一步优化方案,构建先验模型和后验模型之后还包括:
通过所述先验模型和所述后验模型分别刻画先验分布和后验分布,公式如下:
;
其中,表示光伏发电量预测值,/>表示先验分布,/>表示先验向量,表示后验分布,/>表示后验向量;
选定参照地点,刻画参照地点的后验分布的系数,光伏发电量预测值的变化后公式如下:/>;
其中,x表示先验特征向量和后验特征向量的合集,表示参照地点的后验向量。
作为本发明的进一步优化方案,使用所述先验特征向量和所述后验特征向量分别对所述先验模型和所述后验模型进行训练,得到训练后先验模型和训练后后验模型,公式如下:
;
;
其中,为先验特征向量,/>为后验特征向量。
作为本发明的进一步优化方案,将所述训练后先验模型和所述训练后后验模型进行交互的方式包括boosting算法、融合模型和向量连接。
作为本发明的进一步优化方案,对所述交互后模型进行调参,得到最终模型的具体过程如下:
基于所述交互后模型评估不同参数学习方法的结果,基于最小标准差选取模型参数;
将所述预处理后气象数据和所述预处理后光伏数据分为训练集和测试集,使用所述测试集验证模型预测值和真实值之间的差异,选取差异最小的作为最终模型。
一种基于先后验模型融合的光伏发电量模型训练系统,包括:
获取模块,用于获取地区的气象数据和光伏数据;
预处理模块,用于对气象数据和光伏数据并进行预处理,得到预处理后气象数据和预处理后光伏数据;
特征提取模块,用于对所述预处理后气象数据和所述预处理后光伏数据进行特征提取分别得到先验特征向量和后验特征向量;
模型构建模块,用于构建先验模型和后验模型;
模型训练模块,用于使用所述先验特征向量和所述后验特征向量分别对所述先验模型和所述后验模型进行训练,得到训练后先验模型和训练后后验模型;
模型交互模块,用于将所述训练后先验模型和所述训练后后验模型进行交互得到交互后模型;
调参模块,用于对所述交互后模型进行调参,得到最终模型。
一种电子设备,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现基于先后验模型融合的光伏发电量模型训练方法。
一种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基于先后验模型融合的光伏发电量模型训练方法。
本发明的有益效果在于:
本发明通过机器学习模型刻画先验分布,使预测算法无需找到所有的先验信息的前提下进行精准的预测。
附图说明
图1是本发明的方法流程图;
图2是本发明的实施例中的模型交互流程图;
图3是本发明的系统结构框图;
图4是本发明的电子设备结构框图。
具体实施方式
下面结合附图对本申请作进一步详细描述,有必要在此指出的是,以下具体实施方式只用于对本申请进行进一步的说明,不能理解为对本申请保护范围的限制,该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
如图1所示,一种基于先后验模型融合的光伏发电量模型训练方法,包括以下步骤:
S1:获取地区的气象数据和光伏数据并进行预处理,得到预处理后气象数据和预处理后光伏数据;
S2:对所述预处理后气象数据和所述预处理后光伏数据进行特征提取分别得到先验特征向量和后验特征向量;
S3:构建先验模型和后验模型,并使用所述先验特征向量和所述后验特征向量分别对所述先验模型和所述后验模型进行训练,得到训练后先验模型和训练后后验模型;
S4:将所述训练后先验模型和所述训练后后验模型进行交互得到交互后模型;
S5:对所述交互后模型进行调参,得到最终模型。
在本实施例中,具体包括以下步骤:
将地区的的光伏数据和气象数据进行收集,光伏数据包括但不限于日发电量、安装位置经纬度、海拔以及倾斜角等;气象数据包括但不局限于日均温、日最高温、总云量、低云量、降水量等。
对收集的光伏数据和气象数据的缺失值去除或填补、极值修复、数据标准化、数据虚拟变量化。光伏数据不具备时空渐变属性,故该类型数据缺失或出现不合理情况的极值时将数据去除;所述气象数据具备时空渐变属性,通过时空插值的方式对其进行填补、修复,若出现大面积、长时间(阈值可人工设定)的数据缺失或出现不合理情况的极值时将数据去除,数据准备中的度量变量类数据,如日发电量、倍率、合同容量、海拔、日均温、日最高温、总云量、低云量、降水量,对其进行数据标准化,将不同度量变量的数据量级转化至同一量级(方便模型进行正则化),具体标准化方法可为但不局限于min-max标准化、z-score标准化。
利用不同的机器学习方法建立预测单个设备的光伏发电量预测模型,具体方法包括但不局限于线性回归、LASSO回归、岭回归、SVM回归、随机森林回归、transformer,双向lstm等时序行神经网络,将数据预处理后的数据分为训练集和测试集,具体比例可为但不局限于7:3和8:2,将所述训练集作为模型的输入进行训练。
对预处理后气象数据和预处理后光伏数据进行特征提取分别得到先验特征向量和后验特征向量。
将上述所选模型拆分为两个模型分别刻画,先验分布和后验分布,发电量的分布预测值可描述为:
其中,p为天气等无明显规律的因素特征,b为经纬度,海拔,时间等固定值或经过证明存在理论值(无损情况)的特征。
在训练数据足够的情况下,可进一步通过模型刻画先验概率的在某个参照地点的上的系数:;
其中,x为预测目标的经纬度,海拔,预测时间等特征,为先验特征向量和后验特征向量的合集,为参照地点的后验特征向量(如赤道上某地,中国北京市海淀区等)。
使用天气数据等先验特征进行先验分布模型的训练,用光伏数据(经纬度,海拔,预测时间)等后验特征进行后验模型的训练,公式如下:
其中,为天气数据等先验特征向量,/>为光伏数据(经纬度,海拔,预测时间)等后验特征向量。
使用boosting,融合模型,向量连接等方式使两个模型进行交互,得到交互后模型,在本实施例中,采用向量连接的方式进行交互,如图2所示,分别将先验特征和后验特征进行特征拼接后输入先验模型和后验模型,得到先验向量和后验向量,再将先验向量和后验向量拼接后经过回归loss函数计算,得到交互后模型。
使用交互后模型进行光伏发电量预测。使用时根据具体情况调参,以减小或增大后验概率对预测结果的影响,具体包括基于交互后模型评估不同参数学习方法的结果,所述基于最小标准差选取最终模型参数。使用测试集验证模型预测值和真实值之间的差异,选取差异最小的作为最终模型。所述基于最小标准差选取最终模型的选取评价标准由具体需求而定,包括但不局限于最小标准差、纳什效率系数为评价标准。
如图3所示,本公开的实施例提供了一种基于先后验模型融合的光伏发电量模型训练系统,包括:
获取模块11,用于获取地区的气象数据和光伏数据;
预处理模块12,用于对气象数据和光伏数据并进行预处理,得到预处理后气象数据和预处理后光伏数据;
特征提取模块13,用于对所述预处理后气象数据和所述预处理后光伏数据进行特征提取分别得到先验特征向量和后验特征向量;
模型构建模块14,用于构建先验模型和后验模型;
模型训练模块15,用于使用所述先验特征向量和所述后验特征向量分别对所述先验模型和所述后验模型进行训练,得到训练后先验模型和训练后后验模型;
模型交互模块16,用于将所述训练后先验模型和所述训练后后验模型进行交互得到交互后模型;
调参模块17,用于对所述交互后模型进行调参,得到最终模型。
上述系统中各个模块的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于系统实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。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发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
上述实施例中,所有模块中的任意多个可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。所有模块中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,所有模块中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
如图4所示,本公开的实施例提供的电子设备,包括处理器1110、通信接口1120、存储器1130和通信总线1140,其中,处理器1110,通信接口1120,存储器1130通过通信总线1140完成相互间的通信;
存储器1130,用于存放计算机程序;
处理器1110,用于执行存储器1130上所存放的程序时,实现如下所示基于先后验模型融合的光伏发电量模型训练方法。
上述的通信总线1140可以是外设部件互连标准(Peripheral ComponentInterconnect,简称PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,简称EISA)总线等。该通信总线1140可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口1120用于上述电子设备与其他设备之间的通信。
存储器1130可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器1130还可以是至少一个位于远离前述处理器1110的存储装置。
上述的处理器1110可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
本公开的实施例还提供了一种计算机可读存储介质。上述计算机可读存储介质上存储有计算机程序,上述计算机程序被处理器执行时实现如上所述的基于先后验模型融合的光伏发电量模型训练方法。
该计算机可读存储介质可以是上述实施例中描述的设备/装置中所包含的;也可以是单独存在,而未装配入该设备/装置中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本公开实施例的基于先后验模型融合的光伏发电量模型训练方法。
根据本公开的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (10)
1.一种基于先后验模型融合的光伏发电量模型训练方法,其特征在于,包括以下步骤:
获取地区的气象数据和光伏数据并进行预处理,得到预处理后气象数据和预处理后光伏数据;
对所述预处理后气象数据和所述预处理后光伏数据进行特征提取分别得到先验特征向量和后验特征向量;
构建先验模型和后验模型,并使用所述先验特征向量和所述后验特征向量分别对所述先验模型和所述后验模型进行训练,得到训练后先验模型和训练后后验模型;
将所述训练后先验模型和所述训练后后验模型进行交互得到交互后模型;
对所述交互后模型进行调参,得到最终模型。
2.根据权利要求1所述的一种基于先后验模型融合的光伏发电量模型训练方法,其特征在于,所述气象数据包括日均温数据、日最高温数据、总云量数据、低云量数据和降水量数据;
所述光伏数据包括日发电量数据、安装位置经纬度数据,海拔数据和倾斜角数据。
3.根据权利要求1所述的一种基于先后验模型融合的光伏发电量模型训练方法,其特征在于,获取地区的气象数据和光伏数据并进行预处理,得到预处理后气象数据和预处理后光伏数据的具体过程如下:
对气象数据和光伏数据进行缺失值去除或填补、极值修复、数据标准化和数据虚拟变量化处理,得到预处理后气象数据和预处理后光伏数据。
4.根据权利要求1所述的一种基于先后验模型融合的光伏发电量模型训练方法,其特征在于,构建先验模型和后验模型之后还包括:
通过所述先验模型和所述后验模型分别刻画先验分布和后验分布,公式如下:
;
其中,表示光伏发电量预测值,/>表示先验分布,/>表示先验向量,/>表示后验分布,/>表示后验向量;
选定参照地点,刻画参照地点的后验分布的系数,光伏发电量预测值的变化后公式如下:/>;
其中,x表示先验特征向量和后验特征向量的合集,表示参照地点的后验向量。
5.根据权利要求1所述的一种基于先后验模型融合的光伏发电量模型训练方法,其特征在于,使用所述先验特征向量和所述后验特征向量分别对所述先验模型和所述后验模型进行训练,得到训练后先验模型和训练后后验模型,公式如下:
;
;
其中,为先验特征向量,/>为后验特征向量。
6.根据权利要求1所述的一种基于先后验模型融合的光伏发电量模型训练方法,其特征在于,将所述训练后先验模型和所述训练后后验模型进行交互的方式包括boosting算法、融合模型和向量连接。
7.根据权利要求1所述的一种基于先后验模型融合的光伏发电量模型训练方法,其特征在于,对所述交互后模型进行调参,得到最终模型的具体过程如下:
基于所述交互后模型评估不同参数学习方法的结果,基于最小标准差选取模型参数;
将所述预处理后气象数据和所述预处理后光伏数据分为训练集和测试集,使用所述测试集验证模型预测值和真实值之间的差异,选取差异最小的作为最终模型。
8.一种基于先后验模型融合的光伏发电量模型训练系统,其特征在于,包括:
获取模块,用于获取地区的气象数据和光伏数据;
预处理模块,用于对气象数据和光伏数据并进行预处理,得到预处理后气象数据和预处理后光伏数据;
特征提取模块,用于对所述预处理后气象数据和所述预处理后光伏数据进行特征提取分别得到先验特征向量和后验特征向量;
模型构建模块,用于构建先验模型和后验模型;
模型训练模块,用于使用所述先验特征向量和所述后验特征向量分别对所述先验模型和所述后验模型进行训练,得到训练后先验模型和训练后后验模型;
模型交互模块,用于将所述训练后先验模型和所述训练后后验模型进行交互得到交互后模型;
调参模块,用于对所述交互后模型进行调参,得到最终模型。
9.一种电子设备,其特征在于,包括处理器、通信接口、存储器和通信总线,其中,处理器、通信接口和存储器通过通信总线完成相互间的通信;
存储器,用于存放计算机程序;
处理器,用于执行存储器上所存放的程序时,实现权利要求1-7中任一项所述的基于先后验模型融合的光伏发电量模型训练方法。
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1-7中任一项所述的基于先后验模型融合的光伏发电量模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310919879.9A CN116628512B (zh) | 2023-07-26 | 2023-07-26 | 基于先后验模型融合的光伏发电量模型训练方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310919879.9A CN116628512B (zh) | 2023-07-26 | 2023-07-26 | 基于先后验模型融合的光伏发电量模型训练方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628512A true CN116628512A (zh) | 2023-08-22 |
CN116628512B CN116628512B (zh) | 2023-10-27 |
Family
ID=87613908
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310919879.9A Active CN116628512B (zh) | 2023-07-26 | 2023-07-26 | 基于先后验模型融合的光伏发电量模型训练方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628512B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038580A (zh) * | 2017-12-30 | 2018-05-15 | 国网江苏省电力公司无锡供电公司 | 基于同步挤压小波变换的光伏功率多模型综合预测方法 |
WO2022012542A1 (zh) * | 2020-07-15 | 2022-01-20 | 上海有孚网络股份有限公司 | 基于数据分析的云计算数据中心精密空调节能控制方法 |
CN114118538A (zh) * | 2021-11-10 | 2022-03-01 | 深圳大学 | 一种降水时空预测方法及电子设备 |
CN114972231A (zh) * | 2022-05-17 | 2022-08-30 | 华中科技大学 | 一种基于先验-后验概率编码器的多模态mr图像分割方法 |
CN115271757A (zh) * | 2022-07-11 | 2022-11-01 | 北京京东振世信息技术有限公司 | 需求信息生成方法、装置、电子设备和计算机可读介质 |
US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
CN115481772A (zh) * | 2021-06-15 | 2022-12-16 | 上海岩芯电子科技有限公司 | 一种光伏发电量预测方法及装置 |
CN116187430A (zh) * | 2023-01-31 | 2023-05-30 | 华为技术有限公司 | 一种联邦学习方法及相关装置 |
-
2023
- 2023-07-26 CN CN202310919879.9A patent/CN116628512B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038580A (zh) * | 2017-12-30 | 2018-05-15 | 国网江苏省电力公司无锡供电公司 | 基于同步挤压小波变换的光伏功率多模型综合预测方法 |
WO2022012542A1 (zh) * | 2020-07-15 | 2022-01-20 | 上海有孚网络股份有限公司 | 基于数据分析的云计算数据中心精密空调节能控制方法 |
US20220373984A1 (en) * | 2021-05-19 | 2022-11-24 | Shandong University | Hybrid photovoltaic power prediction method and system based on multi-source data fusion |
CN115481772A (zh) * | 2021-06-15 | 2022-12-16 | 上海岩芯电子科技有限公司 | 一种光伏发电量预测方法及装置 |
CN114118538A (zh) * | 2021-11-10 | 2022-03-01 | 深圳大学 | 一种降水时空预测方法及电子设备 |
CN114972231A (zh) * | 2022-05-17 | 2022-08-30 | 华中科技大学 | 一种基于先验-后验概率编码器的多模态mr图像分割方法 |
CN115271757A (zh) * | 2022-07-11 | 2022-11-01 | 北京京东振世信息技术有限公司 | 需求信息生成方法、装置、电子设备和计算机可读介质 |
CN116187430A (zh) * | 2023-01-31 | 2023-05-30 | 华为技术有限公司 | 一种联邦学习方法及相关装置 |
Non-Patent Citations (2)
Title |
---|
史会峰;牛东晓;卢艳霞;: "基于贝叶斯神经网络短期负荷预测模型", 中国管理科学, no. 04 * |
张玉;万成伟;: "基于模糊神经网络的光伏发电量短期预测", 电子设计工程, no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN116628512B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
CN111815038A (zh) | 一种光伏超短期预测方法及系统 | |
CN106779223A (zh) | 一种光伏系统发电功率实时预测方法及装置 | |
CN113538391A (zh) | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 | |
CN111967696B (zh) | 基于神经网络的电动汽车充电需求预测方法、系统及装置 | |
CN110556820A (zh) | 用于确定能量系统操作场景的方法和设备 | |
CN115425680B (zh) | 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 | |
Junior et al. | Forecasting regional photovoltaic power generation-a comparison of strategies to obtain one-day-ahead data | |
CN111709569A (zh) | 风电场输出功率预测修正方法及装置 | |
CN115936177A (zh) | 一种基于神经网络的光伏输出功率预测方法及系统 | |
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 | |
CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
CN116054740A (zh) | 光伏发电设备的故障检测、故障检测模型处理方法和装置 | |
CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
CN116628512B (zh) | 基于先后验模型融合的光伏发电量模型训练方法和系统 | |
CN116070728B (zh) | 光伏发电系统发电量预测方法、设备、系统及介质 | |
TW201740296A (zh) | 再生能源發電量預測方法與系統 | |
CN116821690A (zh) | 一种光伏发电量模型训练方法、系统、设备和介质 | |
CN115082385A (zh) | 基于光伏组件倾斜角的光伏电站缺陷预警方法及装置 | |
CN110659442A (zh) | 系统及其数据短期预测方法和装置、存储介质 | |
CN117220286B (zh) | 一种水风光多能互补系统风险评估方法、装置及介质 | |
CN116822658B (zh) | 一种风光资源的预警方法、装置、计算机设备及存储介质 | |
CN111030091A (zh) | 一种确定分布式可再生能源电力装机容量的方法及系统 | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 |
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 |