CN116722548B - 一种基于时间序列模型的光伏发电预测方法及相关设备 - Google Patents
一种基于时间序列模型的光伏发电预测方法及相关设备 Download PDFInfo
- Publication number
- CN116722548B CN116722548B CN202310997118.5A CN202310997118A CN116722548B CN 116722548 B CN116722548 B CN 116722548B CN 202310997118 A CN202310997118 A CN 202310997118A CN 116722548 B CN116722548 B CN 116722548B
- Authority
- CN
- China
- Prior art keywords
- parameter
- power generation
- model
- time sequence
- generation data
- 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
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 181
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000012549 training Methods 0.000 claims abstract description 102
- 230000006870 function Effects 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000010008 shearing Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000000306 component Substances 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Power Engineering (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于时间序列模型的光伏发电预测方法及相关设备,涉及光伏发电技术领域,该方法包括:获取标准发电数据和由若干个第N参数群组成的参数集合;根据每一个所述第N参数群,创建对应初始时间序列网络;根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络;根据所述候选时间序列网络,确定训练参数;根据所述训练参数,计算所述第N参数群对应的第N+1参数群;当所述第N+1参数群对应的初始时间序列网络符合预设的收敛规则时,确定光伏预测模型;当检测到预测时间时,进行预测,得到光伏发电值。本发明能够明显提升光伏预测模型的适应性、稳定性和精确度,更好地指导光伏发电的调度。
Description
技术领域
本发明涉及光伏发电技术领域,尤其涉及一种基于时间序列模型的光伏发电预测方法及相关设备。
背景技术
光伏功率预测是一项重要的技术,它可以帮助光伏发电系统提高运行效率和经济性,同时也有利于电网的安全和稳定。目前,已经有一些现有技术和常用手段用于光伏功率预测,例如基于ARIMA、基于神经网络、基于支持向量回归等方法。这些方法各有优缺点,但都不能完全满足光伏功率预测的需求。
基于ARIMA的方法是一种常用的时间序列模型,它利用历史数据来建立自回归和移动平均模型,从而预测未来的光伏功率。它假设时间序列是平稳的,即具有恒定的均值和方差,而实际上光伏功率是非平稳的,会随着季节、日照、气候等变化而变化。此外,这种方法也不能很好地捕捉时间序列中的非线性关系和突变点,导致预测精度较低。
基于神经网络的方法是一种基于人工智能的预测方法,它利用多层神经元之间的连接权重来模拟人脑的学习能力,从而对光伏功率或发电量进行预测。它需要大量的训练数据和计算资源,而且训练过程可能存在过拟合或欠拟合等问题,影响模型的泛化能力,精度有限且训练复杂度较高,尤其是容易发生模型参数陷入局部最优解的情形,导致模型性能无法得到充分的提升,稳健性、精确度和泛化性较差。
发明内容
本发明提供一种基于时间序列模型的光伏发电预测方法及相关设备,用以解决现有技术中光伏预测模型在稳定性和精确度上较差,泛化性不足,实现提供一种具有高稳定和高精度且泛化能力佳的网络模型。
本发明提供一种基于时间序列模型的光伏发电预测方法,包括:
获取标准发电数据和参数集合,其中,每个参数集合包括若干个第N参数群,N为正整数;
根据每一个所述第N参数群,创建对应初始时间序列网络;
根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络;
根据所述候选时间序列网络,确定训练参数;
根据所述训练参数,计算所述第N参数群对应的第N+1参数群;
当所述第N+1参数群对应的初始时间序列网络符合预设的收敛规则时,确定符合所述收敛规则的初始时间序列网络为光伏预测模型;
当检测到预测时间时,将所述预测时间输入至所述光伏预测模型,并控制所述光伏预测模型对所述预测时间进行预测,得到光伏发电值。
根据本发明提供的一种基于时间序列模型的光伏发电预测方法,所述根据所述训练参数,计算所述第N参数群对应的第N+1参数群包括:
根据所述训练参数,确定所述第N参数群中的每一个模型参数对应的更新公式;
根据所述更新公式,计算所述第N参数群对应的中间参数;
当所述中间参数超出预设的参数范围时,对所述中间参数进行剪切或包围,得到对应的更新参数;以及,当所述中间参数未超出所述参数范围,将所述中间参数作为更新参数,得到由更新参数组成的第N+1参数群。
根据本发明提供的一种基于时间序列模型的光伏发电预测方法,所述根据所述更新公式,计算所述第N参数群对应的中间参数包括:
针对每一个参数群中的模型参数,生成随机数,其中,所述随机数的取值范围为0至1;
若随机数小于0.5,则基于正弦函数,计算所述模型参数对应的中间参数,计算公式为:;
其中为模型参数,/>为训练参数,/>为幅度参数,取值范围为0到/>,/>为理想值,所述理想值为损失值最小的初始化训练模型对应的参数值,/> 是一个常数;
若随机数大于或等于0.5,则基于余弦函数,计算所述模型参数对应的中间参数,计算公式为。
根据本发明提供的一种基于时间序列模型的光伏发电预测方法,所述根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络包括:
将所述标准发电数据输入至所述初始时间序列网络,并控制所述初始时间序列网络对所述标准发电数据进行预测,得到预测发电数据;
根据所述标准发电数据和所述预测发电数据,计算每一个所述初始时间序列网络对应的损失值;
根据所述损失值,确定所述初始时间序列网络中的候选时间序列网络。
根据本发明提供的一种基于时间序列模型的光伏发电预测方法,所述将所述标准发电数据输入至所述初始时间序列网络,并控制所述初始时间序列网络对所述标准发电数据进行预测,得到预测发电数据之前,还包括:
将所述标准发电数据进行分组,得到训练发电数据和验证发电数据;
对每一个所述训练发电数据进行切断,得到若干个训练片段数据。
根据本发明提供的一种基于时间序列模型的光伏发电预测方法,所述根据所述候选时间序列网络,确定训练参数包括:
基于所述候选时间序列网络,计算对应的损失值并作为参考值;
根据所述参考值,计算对应的梯度;
根据所述梯度,计算对应的训练参数。
根据本发明提供的一种基于时间序列模型的光伏发电预测方法,在所述获取标准发电数据和参数集合之前,还包括:
获取初始发电数据;
对所述初始发电数据进行异常值识别,确定所述初始发电数据中的异常值;
根据所述异常值,对所述初始发电数据进行修改,得到历史发电数据;
对所述历史发电数据进行归一化处理,得到标准发电数据。
本发明还提供一种基于时间序列模型的光伏发电预测装置,包括:获取模块,用于获取标准发电数据和参数集合,其中,每个参数集合包括若干个第N参数群,N为正整数;
创建模块,用于根据每一个所述第N参数群,创建对应初始时间序列网络;
候选确定模块,用于根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络;
参数模块,用于根据所述候选时间序列网络,确定训练参数;
计算模块,用于根据所述训练参数,计算所述第N参数群对应的第N+1参数群;
模型确定模块,用于当所述第N+1参数群对应的初始时间序列网络符合预设的收敛规则时,确定符合所述收敛规则的初始时间序列网络为光伏预测模型;
预测模块,用于当检测到预测时间时,将所述预测时间输入至所述光伏预测模型,并控制所述光伏预测模型对所述预测时间进行预测,得到光伏发电值。
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计算机程序时实现如上述任一种基于时间序列模型的光伏发电预测方法。
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基于时间序列模型的光伏发电预测方法。
本发明提供一种基于时间序列网络的光伏预测方法及相关设备,首先获取标准发电数据和参数集合,然后根据每一个参数群,创建对应初始时间序列网络。根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络。根据所述候选时间序列网络,确定训练参数。候选时间序列网络可以指导参数群向最优解靠近,提高训练效率和精度。根据所述训练参数,对参数群进行更新调整,并基于更新调整后的参数群构建其对应的初始时间序列网络。同时,参数群的多样性可以避免局部最优和过拟合,提高模型的泛化能力和稳定性,提高后续模型的适用性,同时也能够更好地选择精确度更佳的模型。当某一个初始时间序列网络符合预设的收敛规则时,确定其为光伏预测模型。最后,应用述光伏预测模型进行预测,得到光伏发电值。相较于传统方式训练得到的光伏预测模型,本发明能够更好地优化参数,具有更快的收敛速度和更好的全局最优解搜索能力,提高模型的性能,克服现有技术的不足,并更好地应用于实际生产和管理中,提高经济效益。
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是本发明提供的基于时间序列模型的光伏发电预测方法的流程示意图;
图2是本发明提供的基于时间序列模型的光伏发电预测装置的结构示意图;
图3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。
下面结合图1描述本发明的光伏发电预测方法的具体实时过程,该基于时间序列模型的光伏发电预测方法能够基于应用程序、插件等方式运行。具体包括:
S100、获取标准发电数据和参数集合,其中,每个参数集合包括若干个第N参数群,N为正整数;
S200、根据每一个所述第N参数群,创建对应初始时间序列网络;
S300、根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络;
S400、根据所述候选时间序列网络,确定训练参数;
S500、根据所述训练参数,计算所述第N参数群对应的第N+1参数群;
S600、当所述第N+1参数群对应的初始时间序列网络符合预设的收敛规则时,确定符合所述收敛规则的初始时间序列网络为光伏预测模型;
S700、当检测到预测时间时,将所述预测时间输入至所述光伏预测模型,并控制所述光伏预测模型对所述预测时间进行预测,得到光伏发电值。
具体的,首先准备训练光伏预测模型所需的数据和参数。标准发电数据是指已知的光伏发数据和对应的时间点,可以从历史记录或实时监测中获取。光伏发数据可包括发电量、发电功率等。参数集合是指后续用于构建时间序列网络所采用的参数的集合。参数集合中包括若干个第N参数群,每一个第N参数群包含构建一个时间序列网络所需要的所有参数。在第一次训练时,N这一正整数为1,即第一参数群,可随机生成,也可基于收集的之前训练完成的时间训练网络的参数。
然后建立光伏预测模型的基本框架。时间序列网络是指一种能够处理时间序列数据的神经网络,如循环神经网络、长短期记忆网络等。根据每一个所述第N参数群,创建对应初始时间序列网络,意味着根据每个参数群,搭建一个具有相同结构的网络,并将其初始化为初始状态。
为了筛选出有可能达到预测目标的时间序列网络,先确定初始时间序列网络中的候选序列网络。基于已知的标准发电数据对应的记录时刻,从所有创建的初始时间序列网络中选择出那些能够较好地拟合或逼近标准发电数据的网络,并将其作为候选时间序列网络。本实施例中选择候选时间序列网络的方式是基于损失值选择,存在多个初始时间序列网络时,损失值越小,拟合效果越好,故选择损失值最小的初始时间序列网络作为候选时间序列网络。
候选时间序列网络相较于其他初始时间序列网络具有更好的拟合效果,因此,若按照传统的训练方式,对其进一步训练,梯度下降参数,应能取得更好的效果。但是也会带来容易陷入局部最优解,导致模型性能不能得到充分提升的困境。因此,本实施例采用根据候选时间序列网络,确定对参数群进行调整的方向,即训练参数。训练参数可根据对损失值求导等方式得到。
所有的参数群都会根据训练参数进行调整更新,即参数群会朝着候选训练网络行进方向前进,基于参数群本身的多样性,根据更新后的第N+1参数群(对第一参数群而言即为第二参数群)构建的初始时间训练网络会具有多样性,从而避免了局部最优的发生,使训练后的模型减少过拟合的可能。
在对参数群进行更新的过程中,需要及时判断常见的初始时间序列网络是否达到预测目标,并选择出最优的光伏预测模型。每次对参数群进行更新后,对根据更新后的参数群构建的初始时间序列网络,检查其是否满足一定的条件,如损失函数值小于某个阈值、预测误差小于某个范围、训练时间小于某个限制等。如果满足,则认为该网络已经收敛,并将其作为光伏预测模型。如果有多个网络满足条件,则根据某种评价指标,如准确率、稳定性、可解释性等,选择出最优的光伏预测模型。
最后,应用光伏预测模型进行实际的光伏发电量预测。当需要进行光伏发电量预测时,将要预测的时间点作为预测时间,传入已经训练好的光伏预测模型,并运行该模型,得到相应的输出数据,即光伏发电值。
在另一种实现方式中,在所述获取标准发电数据和参数集合之前,还包括:
获取初始发电数据;
对所述初始发电数据进行异常值识别,确定所述初始发电数据中的异常值;
根据所述异常值,对所述初始发电数据进行修改,得到历史发电数据;
对所述历史发电数据进行归一化处理,得到标准发电数据。
具体的,从发电站的监测系统中收集发电量、温度、湿度、风速等相关参数的数据,作为后续分析的基础。这些数据可以通过网络传输或者存储介质导出,格式可以是CSV、Excel、JSON等常见的数据格式。
然后对所述初始发电数据进行异常值识别,检测并排除初始发电数据中可能存在的错误或者异常的数据点,例如超出正常范围的数值、缺失值、重复值等。这些异常值可能会影响后续分析的准确性和效率。异常值识别可以采用统计方法或者机器学习方法,例如箱线图、Z分数、孤立森林等。
根据异常值识别的结果,对初始发电数据进行相应的处理,例如删除异常值、插补缺失值、去除重复值等,从而得到更干净和完整的历史发电数据。这些处理可以根据具体情况和需求选择合适的方法,如均值插补、最近邻插补、线性插补。
最后将历史发电数据转换到相同量纲,提高后续模型的鲁棒性和效果。归一化处理可以采用标准化或者最大最小归一化等方法。在本实施例中,先计算所述历史发电数据的平均值和标准差。然后针对每一个所述历史发电数据,根据所述平均值和标准差,计算对应的标准发电数据。用公式可表示为(x-mean)/std,其中,x为历史发电数据,mean为数据的平均值,std为数据的标准差。
上述方案可以利用初始发电数据进行异常值识别和修改,从而得到更干净和完整的历史发电数据,提高数据的质量和可靠性。同时采用归一化处理将历史发电数据转换到相同量纲,提高后续模型的鲁棒性和效果。
在另一种实现方式中,所述根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络包括:
将所述标准发电数据输入至所述初始时间序列网络,并控制所述初始时间序列网络对所述标准发电数据进行预测,得到预测发电数据;
根据所述标准发电数据和所述预测发电数据,计算每一个所述初始时间序列网络对应的损失值;
根据所述损失值,确定所述初始时间序列网络中的候选时间序列网络。
具体的,由于发电数据本质上是以时间为因变量,发电量、发电功率等为自变量的数据。时间序列模型需要提取发电数据之间在时间上的联系,因此,得到标准发电数据后将其输入初始序列网络中,并控制所述初始时间序列网络对所述标准发电数据进行预测,得到预测发电数据。
LSTM(Long Short-Term Memory,长短期记忆网络)是一种时间序列网络,能够提取输入数据之间在时间上的关联。本实施例中,以LSTM网络作为初始时间序列网络的组成部分进行说明。为提高预测效果,初始时间序列网络包括第一LSTM层和第二LSTM层。根据所述标准发电数据对应的记录时刻,将所述标准发电数据顺向输入所述第一LSTM层,以及将所述标准发电数据逆向输入顺向所述第二LSTM层。控制所述第一LSTM层和所述第二LSTM层捕捉所述标准发电数据之间的时间依赖关系,并输出至所述初始时间序列网络中的全连接层。两个 LSTM 子层以相反的方向处理标准发电数据,更好的提取标准发电数据在时间上的关联性。
全连接层对特征进行融合后,将融合特征输入到激活函数中。全连接层有一个权重矩阵和一个偏置向量,使用加权和偏置向量将双向 LSTM 层的前向和后向输出向量组合起来,以获得输出值。输出值代表来自两个方向的时间依赖关系的融合。激活函数的输出值输入至Softmax函数等分类器,由分类器分类后输出对应的预测发电数据。
然后计算损失值,损失值是指标准发电数据与预测发电数据之间的误差,用于衡量预测模型的优劣。损失值越小,说明预测模型越接近实际情况。基于预先设置一损失函数,根据标准发电数据和预测发电数据,可计算其损失值,损失函数可选用交叉熵函数等。在另一种方式中,损失函数,其中,为一般损失函数,/>为正则化权重,/>是要正则化的参数。通过损失函数的正则化,可降低过拟合发生的可能性,提高模型训练的效果。
最后根据所述损失值,确定所述初始时间序列网络中的候选时间序列网络。确定方式前文已有描述,故不再赘述。
上述方案采用了双向LSTM层作为初始时间序列网络的核心组件,可以有效地处理顺向和逆向的时间信息,提高预测的准确性和鲁棒性。同时,还使用了正则化方法来降低过拟合的风险,提高模型训练的效果,可以增加模型的泛化能力和稳定性。
在另一种实现方式中,所述将所述标准发电数据输入至所述初始时间序列网络,并控制所述初始时间序列网络对所述标准发电数据进行预测,得到预测发电数据之前,还包括:
将所述标准发电数据进行分组,得到训练发电数据和验证发电数据;
对每一个所述训练发电数据进行切断,得到若干个训练片段数据。
具体地,首先将所述标准发电数据划分为两部分,一部分用于训练所述初始时间序列网络,另一部分用于验证所述初始时间序列网络的预测效果。分组的方法可以有多种,例如按照时间顺序、随机抽样、或者根据发电数据的特征等。分组的比例也可以根据实际情况进行调整,例如80%的训练发电数据和20%的验证发电数据,或者70%的训练发电数据和30%的验证发电数据等。
然后将每一个所述训练发电数据分割为多个较短的子序列,在后续训练时,采用训练片段数据进行训练,以便于所述初始时间序列网络能够更好地捕捉发电数据的动态变化和周期性规律。切断可采用按照固定长度、滑动窗口、或者根据发电数据的变化点等。切断的长度也可以根据实际情况进行调整,不同长度的数据对给模型训练带来噪声,但是也能够提高模型的泛化性,因此长度的选取可根据模型的适用进行调整。
进一步地,为了减少过拟合的发生,当所述第一LSTM层或所述第二LSTM层处理至m个训练发电数据时,后向传播k个训练发电数据,其中,m和k为正整数。因此每一个隐层状态都需要多次时间步迭代计算产生,包含了更丰富的过去时间的信息,从而减少截断后无法获取截断时间步之外信息的问题。
上述方案利用标准发电数据进行分组和切断,从而提高训练数据的质量和数量,增加模型的泛化能力和准确性。同时结合时间序列网络的特性,捕捉发电数据的动态变化和周期性规律,从而提高预测数据的可靠性和稳定性。
在另一种实现方式中,训练参数也就是候选时间序列网络所应对应的训练方向,所述根据所述候选时间序列网络,确定训练参数包括:
基于所述候选时间序列网络,计算对应的损失值并作为参考值;
根据所述参考值,计算对应的梯度;
根据所述梯度,计算对应的训练参数。
具体的,损失值是一个数值,它表示了模型的预测结果与真实数据之间的差异或误差。损失值越小,说明模型越准确。梯度是一个向量,它表示了损失值在模型参数空间中的变化方向和速度。梯度越大,说明损失值越敏感于训练参数的微小变化。
对于候选时间序列网络中的每一个参数,通过损失值计算其对应的梯度,可采用反向传播计算。梯度方向即候选时间训练网络本应当训练调整的方向。故可根据梯度,计算对应的训练参数。在一种实现方式中,直接将梯度的数值作为训练参数,但是在另一种实现方式中,可结合前方介绍的损失函数中的正则化权重和梯度的数值,计算训练参数,如求和、求平均、加权求和。
上述方案提供了具体的训练参数的计算方式,结合候选时间序列网络的本身性质以及可结合正则化权重计算,从而进一步减少过拟合的可能性,增强后续模型的预测稳定性。
在另一种实现方式中,所述根据所述训练参数,计算所述第N参数群对应的第N+1参数群包括:
根据所述训练参数,确定所述第N参数群中的每一个模型参数对应的更新公式;
根据所述更新公式,计算所述第N参数群对应的中间参数;
当所述中间参数超出预设的参数范围时,对所述中间参数进行剪切或包围,得到对应的更新参数;以及,当所述中间参数未超出所述参数范围,将所述中间参数作为更新参数,得到由更新参数组成的第N+1参数群。
具体的,所述训练参数用于控制模型参数的更新方向。在得到训练参数后,可计算每一个模型参数对应的更新公式,以对其进行更新。更新公式可如下:
,其中,/>为模型参数,/>为中间参数,/>为训练参数,/>是根据历史梯度计算的偏置校正后的一阶矩,/>是根据历史梯度计算的偏置校正后的二阶矩,/>是非常小的常数。
得到公式后,即可计算所述第N参数群对应的中间参数。所述中间参数是指根据更新公式得到的未经剪切或包围处理的模型参数的值。
当所述中间参数未超出所述参数范围时,将所述中间参数作为更新参数,没有对中间参数进行任何修改,直接使用它们作为新的模型参数值。当所述中间参数超出预设的参数范围时,对中间参数剪切或包围处理后的模型参数值,用于替换原来的第N参数群中的相应值。所述剪切或包围处理是指将超出范围的中间参数值调整到范围内,以防止模型参数出现过大或过小的情况,导致数值不稳定或梯度消失等问题。例如,如果使用梯度裁剪方法,根据梯度值对中间参数进行消减,直至其在参数范围内。包围处理是指用与该中间数值最接近且在参数范围内的数值替换,以保证中间数值在参数范围内。
通过上述方案,将参数的更新局限于一定范围内,避免过大幅度的变化,提高训练的稳定性。
在另一种实现方式中,所述根据所述更新公式,计算所述第N参数群对应的中间参数包括:
针对每一个参数群中的模型参数,生成随机数p ,其中,所述随机数的取值范围为0至1;
若 p<0.5,则基于正弦函数,计算所述模型参数对应的中间参数,计算公式为:,其中/>为模型参数,/>为训练参数,/>为幅度参数,取值范围为0到/>,/>为理想值,所述理想值为损失值最小的初始化训练模型对应的参数值,/> 是一个常数;
若 p ≥0.5,则基于余弦函数,计算所述模型参数对应的中间参数,计算公式:。
具体的,本实施例中,利用正弦函数和余弦函数计算中间参数。对于每一个模型参数,先生成随机数p,p是指概率,概率小于0.5,采用正弦函数,概率大于或等于0.5,采用余弦函数,通过正弦或余弦的选择,通过随机数随机选择计算的公式,增加参数更新的活跃性和广泛性。
对于正弦函数,计算中间参数的公式为,其中 />为模型参数,/>为训练参数,/>为幅度参数,取值范围为0到/>,/>为理想值,所述理想值为损失值最小的初始化训练模型对应的参数值,/> 是一个常数。对于更新后地中间参数,其计算考虑了训练参数、最佳初始时间序列网络的参数,即理想值,还通过幅度参数调整变更的幅度,使得更新后的参数具有交强的泛化能力。
对于余弦函数,计算中间参数的公式为,各个字母的含义与前文相同。值得注意的是,损失值最小的初始化训练模型对应的参数值是相较于所有的初始化训练网络而言,无论是第一参数群还是第二参数群,亦或其他参数群,它是本次训练中最为接近光伏预测模型的初始化训练网络。
在另一种实现方式中,所述根据所述训练参数,计算所述第N参数群对应的第N+1参数群之后,还包括:
每次参数更新后,对所述幅度参数、所述理想值和/或所述常数进行衰减。
具体的,每一次更新都是网络向稳定更近一步的过程,因此后一次更新的幅度不能过大。故本实施例中,在每一次更新之后,都会对幅度参数、所述理想值和/或所述常数进行衰减。可预先设定幅度参数、所述理想值和/或所述常数对应的衰减系数,基于该衰减系数,每一次参数更新后,基于该衰减系数,计算他们衰减之后的数值,并适用衰减之后的数字应用于下一次更新。除衰减系数外,衰减公式、基于训练次数的衰减变量等都可选用。
结合图2,下面对本发明提供的基于时间序列模型的光伏发电预测装置进行描述,下文描述的基于时间序列模型的光伏发电预测装置与上文描述的基于时间序列模型的光伏发电预测方法可相互对应参照。该装置包括获取模块210、创建模块220、候选确定模块230、参数模块240、计算模块250、模型确定模块260和预测模块270。
获取模块210用于获取标准发电数据和参数集合,其中,每个参数集合包括若干个第N参数群,N为正整数;
创建模块220用于根据每一个所述第N参数群,创建对应初始时间序列网络;
候选确定模块230用于根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络;
参数模块240用于根据所述候选时间序列网络,确定训练参数;
计算模块250用于根据所述训练参数,计算所述第N参数群对应的第N+1参数群;
模型确定模块260用于当所述第N+1参数群对应的初始时间序列网络符合预设的收敛规则时,确定符合所述收敛规则的初始时间序列网络光伏预测模型;
预测模块270用于当检测到预测时间时,将所述预测时间输入至所述光伏预测模型,并控制所述光伏预测模型对所述预测时间进行预测,得到光伏发电值。
图3示例了一种电子设备的实体结构示意图,如图3所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行基于时间序列模型的光伏发电预测方法,该方法包括:
获取标准发电数据和参数集合,其中,每个参数集合包括若干个第N参数群,N为正整数;
根据每一个所述第N参数群,创建对应初始时间序列网络;
根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络;
根据所述候选时间序列网络,确定训练参数;
根据所述训练参数,计算所述第N参数群对应的第N+1参数群;
当所述第N+1参数群对应的初始时间序列网络符合预设的收敛规则时,确定与所述第N+1参数群对应的初始时间序列网络为光伏预测模型;
当检测到预测时间时,将所述预测时间输入至所述光伏预测模型,并控制所述光伏预测模型对所述预测时间进行预测,得到光伏发电值。
此外,上述的存储器330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基于时间序列模型的光伏发电预测方法,该方法包括:
获取标准发电数据和参数集合,其中,每个参数集合包括若干个第N参数群,N为正整数;
根据每一个所述第N参数群,创建对应初始时间序列网络;
根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络;
根据所述候选时间序列网络,确定训练参数;
根据所述训练参数,计算所述第N参数群对应的第N+1参数群;
当所述第N+1参数群对应的初始时间序列网络符合预设的收敛规则时,确定与所述第N+1参数群对应的初始时间序列网络为光伏预测模型;
当检测到预测时间时,将所述预测时间输入至所述光伏预测模型,并控制所述光伏预测模型对所述预测时间进行预测,得到光伏发电值。
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基于时间序列模型的光伏发电预测方法,该方法包括:
获取标准发电数据和参数集合,其中,每个参数集合包括若干个第N参数群,N为正整数;
根据每一个所述第N参数群,创建对应初始时间序列网络;
根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络;
根据所述候选时间序列网络,确定训练参数;
根据所述训练参数,计算所述第N参数群对应的第N+1参数群;
当所述第N+1参数群对应的初始时间序列网络符合预设的收敛规则时,确定与所述第N+1参数群对应的初始时间序列网络为光伏预测模型;
当检测到预测时间时,将所述预测时间输入至所述光伏预测模型,并控制所述光伏预测模型对所述预测时间进行预测,得到光伏发电值。
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 (8)
1.一种基于时间序列模型的光伏发电预测方法,其特征在于,包括:
获取标准发电数据和参数集合,其中,每个参数集合包括若干个第N参数群,N为正整数;
根据每一个所述第N参数群,创建对应初始时间序列网络;
根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络;
根据所述候选时间序列网络,确定训练参数;
根据所述训练参数,计算所述第N参数群对应的第N+1参数群;
当所述第N+1参数群对应的初始时间序列网络符合预设的收敛规则时,确定符合所述收敛规则的初始时间序列网络为光伏预测模型;
当检测到预测时间时,将所述预测时间输入至所述光伏预测模型,并控制所述光伏预测模型对所述预测时间进行预测,得到光伏发电值;
所述根据所述训练参数,计算所述第N参数群对应的第N+1参数群包括:
根据所述训练参数,确定所述第N参数群中的每一个模型参数对应的更新公式;
根据所述更新公式,计算所述第N参数群对应的中间参数;
当所述中间参数超出预设的参数范围时,对所述中间参数进行剪切或包围,得到对应的更新参数;以及,当所述中间参数未超出所述参数范围,将所述中间参数作为更新参数,得到由更新参数组成的第N+1参数群;
所述根据所述更新公式,计算所述第N参数群对应的中间参数包括:
针对每一个参数群中的模型参数,生成随机数,其中,所述随机数的取值范围为0至1;
若随机数小于0.5,则基于正弦函数,计算所述模型参数对应的中间参数,计算公式为;
其中为模型参数,/>为训练参数,/>为幅度参数,取值范围为0到/>,/>为理想值,所述理想值为损失值最小的初始化训练模型对应的参数值,/> 是一个常数;
若随机数大于或等于0.5,则基于余弦函数,计算所述模型参数对应的中间参数,计算公式为。
2.根据权利要求1所述的基于时间序列模型的光伏发电预测方法,其特征在于,所述根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络包括:
将所述标准发电数据输入至所述初始时间序列网络,并控制所述初始时间序列网络对所述标准发电数据进行预测,得到预测发电数据;
根据所述标准发电数据和所述预测发电数据,计算每一个所述初始时间序列网络对应的损失值;
根据所述损失值,确定所述初始时间序列网络中的候选时间序列网络。
3.根据权利要求2所述的基于时间序列模型的光伏发电预测方法,其特征在于,在所述将所述标准发电数据输入至所述初始时间序列网络,并控制所述初始时间序列网络对所述标准发电数据进行预测,得到预测发电数据之前,还包括:
将所述标准发电数据进行分组,得到训练发电数据和验证发电数据;
对每一个所述训练发电数据进行切断,得到若干个训练片段数据。
4.根据权利要求1所述的基于时间序列模型的光伏发电预测方法,其特征在于,所述根据所述候选时间序列网络,确定训练参数包括:
基于所述候选时间序列网络,计算对应的损失值并作为参考值;
根据所述参考值,计算对应的梯度;
根据所述梯度,计算对应的训练参数。
5.根据权利要求1所述的基于时间序列模型的光伏发电预测方法,其特征在于,在所述获取标准发电数据和参数集合之前,还包括:
获取初始发电数据;
对所述初始发电数据进行异常值识别,确定所述初始发电数据中的异常值;
根据所述异常值,对所述初始发电数据进行修改,得到历史发电数据;
对所述历史发电数据进行归一化处理,得到标准发电数据。
6.一种基于时间序列模型的光伏发电预测装置,其特征在于,包括:
获取模块,用于获取标准发电数据和参数集合,其中,每个参数集合包括若干个第N参数群,N为正整数;
创建模块,用于根据每一个所述第N参数群,创建对应初始时间序列网络;
候选确定模块,用于根据所述标准发电数据对应的记录时刻,确定所述初始时间序列网络中的候选时间序列网络;
参数模块,用于根据所述候选时间序列网络,确定训练参数;
计算模块,用于根据所述训练参数,计算所述第N参数群对应的第N+1参数群;
模型确定模块,用于当所述第N+1参数群对应的初始时间序列网络符合预设的收敛规则时,确定符合所述收敛规则的初始时间序列网络为光伏预测模型;
预测模块,用于当检测到预测时间时,将所述预测时间输入至所述光伏预测模型,并控制所述光伏预测模型对所述预测时间进行预测,得到光伏发电值;
所述根据所述训练参数,计算所述第N参数群对应的第N+1参数群包括:
根据所述训练参数,确定所述第N参数群中的每一个模型参数对应的更新公式;
根据所述更新公式,计算所述第N参数群对应的中间参数;
当所述中间参数超出预设的参数范围时,对所述中间参数进行剪切或包围,得到对应的更新参数;以及,当所述中间参数未超出所述参数范围,将所述中间参数作为更新参数,得到由更新参数组成的第N+1参数群;
所述根据所述更新公式,计算所述第N参数群对应的中间参数包括:
针对每一个参数群中的模型参数,生成随机数,其中,所述随机数的取值范围为0至1;
若随机数小于0.5,则基于正弦函数,计算所述模型参数对应的中间参数,计算公式为;
其中为模型参数,/>为训练参数,/>为幅度参数,取值范围为0到/>,/>为理想值,所述理想值为损失值最小的初始化训练模型对应的参数值,/> 是一个常数;
若随机数大于或等于0.5,则基于余弦函数,计算所述模型参数对应的中间参数,计算公式为。
7.一种电子设备,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计算机程序时实现如权利要求1至5任一项所述基于时间序列模型的光伏发电预测方法。
8.一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任一项所述基于时间序列模型的光伏发电预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310997118.5A CN116722548B (zh) | 2023-08-09 | 2023-08-09 | 一种基于时间序列模型的光伏发电预测方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310997118.5A CN116722548B (zh) | 2023-08-09 | 2023-08-09 | 一种基于时间序列模型的光伏发电预测方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116722548A CN116722548A (zh) | 2023-09-08 |
CN116722548B true CN116722548B (zh) | 2023-12-29 |
Family
ID=87873801
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310997118.5A Active CN116722548B (zh) | 2023-08-09 | 2023-08-09 | 一种基于时间序列模型的光伏发电预测方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116722548B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473322A (zh) * | 2013-09-13 | 2013-12-25 | 国家电网公司 | 基于时间序列模型的光伏发电功率超短期预测方法 |
CN105184404A (zh) * | 2015-08-31 | 2015-12-23 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
CN115049171A (zh) * | 2022-08-17 | 2022-09-13 | 国能日新科技股份有限公司 | 一种基于特征迁移的光伏功率预测方法及系统 |
CN116470486A (zh) * | 2023-04-06 | 2023-07-21 | 国网浙江新兴科技有限公司 | 一种超短期光伏发电功率的预测方法、装置和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111626506B (zh) * | 2020-05-27 | 2022-08-26 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
-
2023
- 2023-08-09 CN CN202310997118.5A patent/CN116722548B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473322A (zh) * | 2013-09-13 | 2013-12-25 | 国家电网公司 | 基于时间序列模型的光伏发电功率超短期预测方法 |
CN105184404A (zh) * | 2015-08-31 | 2015-12-23 | 中国科学院广州能源研究所 | 适用于光伏系统全生命周期的输出功率分类预测系统 |
US11070056B1 (en) * | 2020-03-13 | 2021-07-20 | Dalian University Of Technology | Short-term interval prediction method for photovoltaic power output |
CN115049171A (zh) * | 2022-08-17 | 2022-09-13 | 国能日新科技股份有限公司 | 一种基于特征迁移的光伏功率预测方法及系统 |
CN116470486A (zh) * | 2023-04-06 | 2023-07-21 | 国网浙江新兴科技有限公司 | 一种超短期光伏发电功率的预测方法、装置和存储介质 |
Non-Patent Citations (1)
Title |
---|
基于EMD和ABC-SVM的光伏并网系统输出功率预测研究;高相铭 等;电力系统保护与控制;43(21);第86-92页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116722548A (zh) | 2023-09-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108900346B (zh) | 基于lstm网络的无线网络流量预测方法 | |
CN111461463B (zh) | 一种基于tcn-bp的短期负荷预测方法、系统及设备 | |
CN116757534A (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
Ibrahim et al. | Short‐Time Wind Speed Forecast Using Artificial Learning‐Based Algorithms | |
CN112468326A (zh) | 基于时间卷积神经网络的访问流量预测方法 | |
CN114363195B (zh) | 面向时间和频谱残差卷积网络的网络流量预测预警方法 | |
CN110874665B (zh) | 用于风力发电机组的控制装置和方法 | |
CN116010900A (zh) | 基于自注意力机制的多尺度特征融合齿轮箱故障诊断方法 | |
CN112365033B (zh) | 一种风电功率区间预测方法、系统及存储介质 | |
CN113962433A (zh) | 一种融合因果卷积与可分离时间卷积的风电预测方法及系统 | |
CN114298134A (zh) | 风电功率预测方法及装置、电子设备 | |
CN115544890A (zh) | 一种短期电力负荷预测方法及系统 | |
CN116993537A (zh) | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 | |
CN115879369A (zh) | 一种基于优化LightGBM算法的磨煤机故障预警方法 | |
CN111080001A (zh) | 一种应用于风电场风速的深度神经网络预测方法 | |
CN108665001B (zh) | 一种基于深度置信网络的跨被试空闲态检测方法 | |
CN114118401A (zh) | 基于神经网络的配电网络流量预测方法、系统、装置及存储介质 | |
CN117349622A (zh) | 基于混合深度学习机制的风电场风速预测方法 | |
CN117458955A (zh) | 电机的运行控制方法及系统 | |
CN116722548B (zh) | 一种基于时间序列模型的光伏发电预测方法及相关设备 | |
CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
CN116957849A (zh) | 一种基于双注意力机制的风电功率预测方法 | |
CN116797204A (zh) | 一种基于小波分解与重构和TCN-GRU-Self-Attention的磨煤机一次风量故障预警方法 | |
Qu et al. | Data imputation of wind turbine using generative adversarial nets with deep learning models | |
CN115936236A (zh) | 一种卷烟厂能耗预测方法、系统、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |