CN116760028A - 一种风光联合功率预测方法、装置、计算机设备及介质 - Google Patents
一种风光联合功率预测方法、装置、计算机设备及介质 Download PDFInfo
- Publication number
- CN116760028A CN116760028A CN202311015006.1A CN202311015006A CN116760028A CN 116760028 A CN116760028 A CN 116760028A CN 202311015006 A CN202311015006 A CN 202311015006A CN 116760028 A CN116760028 A CN 116760028A
- Authority
- CN
- China
- Prior art keywords
- wind
- solar
- data
- simulated
- power
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000008878 coupling Effects 0.000 claims abstract description 58
- 238000010168 coupling process Methods 0.000 claims abstract description 58
- 238000005859 coupling reaction Methods 0.000 claims abstract description 58
- 238000012876 topography Methods 0.000 claims abstract description 8
- 238000012937 correction Methods 0.000 claims description 45
- 238000004088 simulation Methods 0.000 claims description 35
- 230000015654 memory Effects 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000010248 power generation Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000001808 coupling effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000009423 ventilation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
-
- 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
- H02J2300/28—The renewable source being wind energy
Abstract
本发明涉及新能源领域,提供了一种风光联合功率预测方法、装置、计算机设备及介质。其中,风光联合功率预测方法,包括:获取风光基地在地球系统耦合模式中的初始场、边界场以及区域地形数据;将区域地形数据、初始场和边界场,输入至地球系统耦合模式,获得风光基地的第一模拟风况数据和第一模拟太阳辐照数据;根据第一模拟风况数据和第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第一风光联合功率。通过本发明,利用地球系统耦合模式准确模拟风况数据和太阳辐照数据,根据风况数据和太阳辐照数据进一步预测风光联合功率,提高风光联合功率的预测精度。
Description
技术领域
本发明涉及新能源领域,尤其涉及一种风光联合功率预测方法、装置、计算机设备及介质。
背景技术
在相关技术中,对于风光功率预测系统往往仅从时间序列的数据统计角度对风电光伏做功率预测,忽略了地球系统物理动力变化规律对风电光伏的影响,因此无法对风电光伏功率做出准确预测。另外,以往的预测系统,忽略了在地球系统中两者的耦合作用,如光照强、气温高会引起空气在大气压力变化下的流通从而影响到风况,而风(空气的流动)可能会伴随着对流发生产生云层从而对地表接收的太阳辐射产生影响等,进而造成风光功率的预测精度欠佳。
发明内容
为提高风光功率的预测精度,本发明提出了一种风光联合功率预测方法、装置、计算机设备及介质。
第一方面,本发明提供了一种风光联合功率预测方法,该方法包括:
获取风光基地在地球系统耦合模式中的初始场、边界场以及区域地形数据;
将区域地形数据、初始场和边界场,输入至地球系统耦合模式,获得风光基地的第一模拟风况数据和第一模拟太阳辐照数据;
根据第一模拟风况数据和第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第一风光联合功率。
考虑到相关技术中,风光功率预测往往仅从时间序列的数据统计角度对风电光伏做功率预报,忽略了地球系统物理动力变化规律对风况数据、太阳辐照数据的影响,通过本发明提供的方法,利用地球系统耦合模式对风况数据、太阳辐照数据进行预测,通过地球耦合模式,揭示风电基地在物理动力模式下风况变化、太阳辐照变化,以及风况和太阳辐照之间的耦合作用,使得模拟得到的风况数据和太阳辐照数据更加贴合实际情况,进而根据风况数据和太阳辐照数据预测得到的风光联合功率更加准确,此外,相比于采用时间序列统计学角度进行的功率预测,本发明实施例提供的方法对于中长期的预测更加准确。
结合第一方面,在第一方面的第一实施例中,获取区域地形数据的步骤包括:
获取风光基地的下垫面数据;
根据下垫面数据,获得地球系统耦合模式的区域地形数据。
结合第一方面或第一方面的第一实施例,在第一方面的第二实施例中,获取地球系统耦合模式的初始场、边界场的步骤包括:
获取风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据;
根据全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据,获得初始场和边界场。
结合第一方面,在第一方面的第三实施例中,将区域地形数据、初始场和边界场,输入至地球系统耦合模式,获得风光基地的第一模拟风况数据和第一模拟太阳辐照数据,包括:
将区域地形数据、初始场和边界场,输入至地球系统耦合模式,获得风光基地的第二模拟风况数据和第二模拟太阳辐照数据;
根据预建立的风光预测订正模型,对第二模拟风况数据和第二模拟太阳辐照数据进行订正,得到第一模拟风况数据和第一模拟太阳辐照数据。
结合第一方面,在第一方面的第四实施例中,风况数据包括风速,和/或,风向。
结合第一方面或第一方面的第四实施例,在第一方面的第五实施例中,太阳辐照数据包括太阳辐照度,和/或,气温。
结合第一方面,在第一方面的第六实施例中,第一风光联合功率包括各风机的风电功率、各光伏的光伏功率以及总体风光功率中的至少一种。
结合第一方面的第三实施例,在第一方面的第七实施例中,构建风光预测订正模型的步骤包括:
获取风光基地的实际风况数据、实际太阳辐照数据;
获取风光基地在地球系统耦合模式中的第三模拟风况数据和第三模拟太阳辐照数据;
将实际风况数据和实际太阳辐照数据作为初始风光预测订正模型的输出,将第三模拟风况数据和第三模拟太阳辐照数据作为初始风光预测订正模型的输入,训练初始风光预测订正模型,得到风光预测订正模型。
结合第一方面的第七实施例,在第一方面的第八实施例中,初始风光预测订正模型通过机器学习算法获得。
结合第一方面,在第一方面的第九实施例中,根据第一模拟风况数据和第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第一风光联合功率,包括:
根据第一模拟风况数据和第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第二风光联合功率;
根据预建立的风光功率订正模型,对第二风光联合功率进行订正,得到第一风光联合功率。
结合第一方面的第九实施例,在第一方面的第十实施例中,风光功率订正模型通过卷积神经网络算法、视觉自注意力模型、门控循环单元、长短期记忆网络算法中的一种或多种获得。
结合第一方面,在第一方面的第十一实施例中,方法还包括:
对第一风光联合功率与对应的实际风光联合功率进行比较,得到比较结果;
根据比较结果,风光发电量模型进行评价。
第三方面,本发明还提供了一种风光联合功率预测装置,该装置包括:
获取模块,用于获取风光基地在地球系统耦合模式中的初始场、边界场以及区域地形数据;
模拟模块,用于将区域地形数据、初始场和边界场,输入至地球系统耦合模式,获得风光基地的第一模拟风况数据和第一模拟太阳辐照数据;
预测模块,用于根据第一模拟风况数据和第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第一风光联合功率。
考虑到相关技术中,风光功率预测往往仅从时间序列的数据统计角度对风电光伏做功率预报,忽略了地球系统物理动力变化规律对风况数据、太阳辐照数据的影响,通过本发明提供的装置,利用地球系统耦合模式对风况数据、太阳辐照数据进行预测,通过地球耦合模式,揭示风电基地在物理动力模式下风况变化、太阳辐照变化,以及风况和太阳辐照之间的耦合作用,使得模拟得到的风况数据和太阳辐照数据更加贴合实际情况,进而根据风况数据和太阳辐照数据预测得到的风光联合功率更加准确,此外,相比于采用时间序列统计学角度进行的功率预测,本发明实施例提供的装置对于中长期的预测更加准确。
第三方面,本发明还提供了一种计算机设备,包括存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行第一方面或第一方面的任一实施例的风光联合功率预测方法的步骤。
第四方面,本发明还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第一方面或第一方面的任一实施例的风光联合功率预测方法的步骤。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是根据一示例性实施例提出的一种风光联合功率预测方法的流程图;
图2是在一示例中,风光预测订正模型训练过程的示意图;
图3为根据一示例性实施例提出的一种风光联合功率预测装置的结构示意图;
图4是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明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做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。
为提高风光功率的预测精度,本发明提出了一种风光联合功率预测方法、装置、计算机设备及介质。
图1是根据一示例性实施例提出的一种风光联合功率预测方法的流程图。如图1所示,该方法包括如下步骤S101至S103。
步骤S101:获取风光基地在地球系统耦合模式中的初始场、边界场以及区域地形数据。
在一可选实施例中,地球系统耦合模式包括但不限于大气分量模式(如WeatherResearchand Forecasting Model,WRF模式)、海洋分量模式(如ROMS模式、FVCOM模式)和海浪分量模式(如SWAN模式、WAVEWATCHⅢ模式)构成的耦合模式。可以通过耦合器(ModelCoupling Toolkit,MCT)将不同分量模式进行耦合得到地球系统耦合模式。地球系统耦合模式的分量模式可以根据风光基地所在地的实际情况确定。示例性地,海上风光基地可选择大气分量模式、海洋分量模式、海浪分量模式进行耦合。长江流域风光基地可选择大气分量模式、陆地分量模式、水文分量模式进行耦合,从而最大程度适应风光基地所在地的下垫面特性并做出准确的模拟及预报。
在一可选实施例中,地球系统耦合模式中的初始场指的是预测起始时刻风光基地所在地的大气状态、海洋状态,如位势高度、风场、相对湿度、温度场等变量。
在一可选实施例中,地球系统耦合模式中的边界场指的是预测时段内大气分量模式、海洋分量模式、陆地分量模式、波浪分量模式等分量模式中运动过程的限制条件。
在一可选实施例中,地球系统耦合模式中的区域地形数据包括但不限于地形高度、地表类型(如草地、水面、森林等)。
在一可选实施例中,地球系统耦合模式的空间分辨率和时间分辨率应根据实际需要进行设置,在此不做具体限制。示例性地,空间分辨率建议1至3km,时间分辨率设置为1小时时间间隔输出。
步骤S102:将区域地形数据、初始场和边界场,输入至地球系统耦合模式,获得风光基地的第一模拟风况数据和第一模拟太阳辐照数据。
在一可选实施例中,风况数据包括风速,和/或,风向。
在一可选实施例中,太阳辐照数据包括太阳辐照度,和/或,气温。
步骤S103:根据第一模拟风况数据和第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第一风光联合功率。
在一可选实施例中,第一风光联合功率包括各风机的风电功率、各光伏的光伏功率以及总体风光功率中的至少一种。
在一可选实施例中,风光发电量模型包括风力发电量模型和光伏发电量模型。示例性地,风力发电量模型可以为风能资源评估模型Meteodyn WT、Openwind,光伏发电量模型可以为pvPlanner、PVsyst等。
考虑到相关技术中,风光功率预测往往仅从时间序列的数据统计角度对风电光伏做功率预报,忽略了地球系统物理动力变化规律对风况数据、太阳辐照数据的影响,通过本发明提供的方法,利用地球系统耦合模式对风况数据、太阳辐照数据进行预测,通过地球耦合模式,揭示风电基地在物理动力模式下风况变化、太阳辐照变化,以及风况和太阳辐照之间的耦合作用,使得模拟得到的风况数据和太阳辐照数据更加贴合实际情况,进而根据风况数据和太阳辐照数据预测得到的风光联合功率更加准确,此外,相比于采用时间序列统计学角度进行的功率预测,本发明实施例提供的方法对于中长期的预测更加准确。
在一示例中,上述步骤S101通过如下内容获取区域地形数据:
首先,获取风光基地的下垫面数据。
在一可选实施例中,下垫面数据包括但不限于陆地的地形数据、海洋的地形数据、土地覆盖数据、土地利用数据等。下垫面数据对地形数据来源及种类不设限制。示例性地,陆地的地形数据可以采用GEOG地形数据。
然后,根据下垫面数据,获得地球系统耦合模式的区域地形数据。
在一可选实施例中,对于区域地形数据的空间分辨率不做具体限制,可以根据实际需要设定。
在一示例中,上述步骤S101中的初始场、边界场通过如下内容获取:
首先,获取风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据。
在一可选实施例中,地球系统耦合模式中的大气分量模式用于模拟大气圈层发生的过程,全球大气预报数据为地球系统耦合模式中的大气分量模式中所需要的数据。
在一可选实施例中,地球系统耦合模式中的海洋分量模式用于模拟海洋圈层发生的过程。全球海洋预报数据为地球系统耦合模式中的海洋分量模式中所需要的数据。
在一可选实施例中,地球系统耦合模式中的海浪分量模式用于模拟海浪圈层发生的过程。区域海洋模式分析场数据为地球系统耦合模式中的海浪分量模式中所需要的数据。
在一可选实施例中,全球大气预报数据可以通过全球预报系统GFS获得。
在一可选实施例中,全球海洋预报数据可以通过国家海洋环境预报中心获得。
然后,根据全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据,获得初始场和边界场。
在本发明实施例中,地球系统耦合模式包括大气分量模式、海洋分量模式、海浪分量模式。考虑到地球系统运转的物理动力规律,根据风光基地所在地的特征选取地球系统相关圈层的分量模式进行耦合,考虑到了不同圈层、不同分量模式之间的相互影响,使得通过地球系统耦合模式得到的风况数据和太阳辐照数据更加贴合实际、更加准确。此外,在本发明实施例提供的风光联合功率预测方法中,基于地球系统耦合模式,可以实现对风况数据、太阳辐照数据进行中长期(数周)模拟、短期(数日)模拟或超短期(数小时)模拟,进而根据模拟得到的风况数据、太阳辐照数据,可以对风光联合功率进行中长期(数周)预测、短期(数日)预测或超短期(数小时)预测,实现对风力出力情况、光伏出力情况的准确预估。
在一示例中,在上述步骤S102中,获得风光基地的第一模拟风况数据和第一模拟太阳辐照数据的具体步骤包括:
首先,将区域地形数据、初始场和边界场,输入至地球系统耦合模式,获得风光基地的第二模拟风况数据和第二模拟太阳辐照数据。
然后,根据预建立的风光预测订正模型,对第二模拟风况数据和第二模拟太阳辐照数据进行订正,得到第一模拟风况数据和第一模拟太阳辐照数据。
在一示例中,构建风光预测订正模型的步骤如下所示:
首先,获取风光基地的实际风况数据、实际太阳辐照数据。
在一可选实施例中,实际风况数据、实际太阳辐照数据为后报数据,即历史天气下对应的数据。示例性地,实际风况数据为过去预设时段内,测风塔所观测的自由来流风场的风速、风向数据。实际太阳辐照数据为过去预设时段内,风光基地所在位置处的辐照数据库solargis中的历史太阳辐照度数据。过去预设时段可以根据实际需要设定,在此不做具体限制。示例性地,过去预设时段为风光基地建设完成前、项目前期测风塔观测自由来流风场的时间段。
然后,获取风光基地在地球系统耦合模式中的第三模拟风况数据和第三模拟太阳辐照数据。
最后,将实际风况数据和实际太阳辐照数据作为初始风光预测订正模型的输出,将第三模拟风况数据和第三模拟太阳辐照数据作为初始风光预测订正模型的输入,训练初始风光预测订正模型,得到风光预测订正模型。
在一可选实施例中,风光预测订正模型包括风速订正模型、风向订正模型、太阳辐照度订正模型和气温订正模型。
在一可选实施例中,初始风光预测订正模型通过机器学习算法获得。示例性地,机器学习算法可以为随机森林算法、支持向量机算法和神经网络算法等等。图2为风光预测订正模型训练过程的示意图。风光预测订正模型的左边输入量为地球系统耦合模式模拟的风况数据和太阳辐照数据,右边输出量为测风塔观测到的历史风况数据和solargis中的历史太阳辐照数据,中间的订正算法就是需要训练的初始风光预测订正模型。
在一示例中,在上述步骤S103中,预测第一风光联合功率的具体内容包括:
首先,根据第一模拟风况数据和第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第二风光联合功率。
然后,根据预建立的风光功率订正模型,对第二风光联合功率进行订正,得到第一风光联合功率。
通过本发明实施例,根据风光功率订正模型,对风光发电量模型预测出来的第二风光联合功率进行订正,可以更加准确的预测风光联合功率。
在一可选实施例中,风光功率订正模型通过卷积神经网络算法、视觉自注意力模型(vision transformer算法)、门控循环单元、长短期记忆网络算法中的一种或多种获得。
在一可选实施例中,卷积神经网络算法/视觉自注意力模型(vision transformer算法)考虑到了空间位置特征信息,双向门控循环单元/长短期记忆网络算法考虑到了时间依赖特征信息,可以将积神经网络算法、门控循环单元、长短期记忆网络算法相结合,对风光发电量模型预测出来的第二风光联合功率进行订正。示例性地,可以利用卷积神经网络算法和双向门控循环单元,或者也可以利用视觉自注意力模型(vision transformer算法)和长短期记忆网络算法,获得针对风光联合功率的时空特征订正算法,对风光发电量模型预测出来的第二风光联合功率进行订正。
在一示例中,本发明实施例提供的方法还包括如下内容:
首先,对第一风光联合功率与对应的实际风光联合功率进行比较,得到比较结果。
然后,根据比较结果,风光发电量模型进行评价。
在一可选实施例中,当风光联合功率与对应的实际风光联合功率的偏差在预设范围内时,认为风光发电量模型符合预测要求;反之,则认为风光发电量模型不符合预测要求,需要对风光发电量模型进行调整。
基于相同发明构思,本发明实施例还提供一种风光联合功率预测装置,如图3所示,该装置包括:
获取模块301,用于获取风光基地在地球系统耦合模式中的初始场、边界场以及区域地形数据;详细内容参见上述实施例中步骤S101的描述,在此不再赘述。
模拟模块302,用于将区域地形数据、初始场和边界场,输入至地球系统耦合模式,获得风光基地的第一模拟风况数据和第一模拟太阳辐照数据;详细内容参见上述实施例中步骤S102的描述,在此不再赘述。
预测模块303,用于根据第一模拟风况数据和第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第一风光联合功率。详细内容参见上述实施例中步骤S103的描述,在此不再赘述。
在一示例中,获取模块301包括:
第一获取子模块,用于获取风光基地的下垫面数据;详细内容参见上述实施例中的描述,在此不再赘述。
第二获取子模块,用于根据下垫面数据,获得地球系统耦合模式的区域地形数据。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,获取模块301还包括:
第三获取子模块,用于获取风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据;详细内容参见上述实施例中的描述,在此不再赘述。
第四获取子模块,用于根据全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据,获得初始场和边界场。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,模拟模块302包括:
模拟子模块,用于将区域地形数据、初始场和边界场,输入至地球系统耦合模式,获得风光基地的第二模拟风况数据和第二模拟太阳辐照数据;详细内容参见上述实施例中的描述,在此不再赘述。
第一订正子模块,用于根据预建立的风光预测订正模型,对第二模拟风况数据和第二模拟太阳辐照数据进行订正,得到第一模拟风况数据和第一模拟太阳辐照数据。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,模拟模块302中的风况数据包括风速,和/或,风向。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,模拟模块302中的太阳辐照数据包括太阳辐照度,和/或,气温。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,预测模块303中的第一风光联合功率包括各风机的风电功率、各光伏的光伏功率以及总体风光功率中的至少一种。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,第一订正子模块包括:
第一获取单元,用于获取风光基地的实际风况数据、实际太阳辐照数据;详细内容参见上述实施例中的描述,在此不再赘述。
第二获取单元,用于获取风光基地在地球系统耦合模式中的第三模拟风况数据和第三模拟太阳辐照数据;详细内容参见上述实施例中的描述,在此不再赘述。
订正单元,用于将实际风况数据和实际太阳辐照数据作为初始风光预测订正模型的输出,将第三模拟风况数据和第三模拟太阳辐照数据作为初始风光预测订正模型的输入,训练初始风光预测订正模型,得到风光预测订正模型。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,订正单元中的初始风光预测订正模型通过机器学习算法获得。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,预测模块303还包括:
预测子模块,用于根据第一模拟风况数据和第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第二风光联合功率;详细内容参见上述实施例中的描述,在此不再赘述。
第二订正子模块,用于根据预建立的风光功率订正模型,对第二风光联合功率进行订正,得到第一风光联合功率。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,第二订正子模块中的风光功率订正模型通过卷积神经网络算法、视觉自注意力模型、门控循环单元、长短期记忆网络算法中的一种或多种获得。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,该装置还包括:
比较模块,用于对第一风光联合功率与对应的实际风光联合功率进行比较,得到比较结果;详细内容参见上述实施例中的描述,在此不再赘述。
评价模块,用于根据比较结果,风光发电量模型进行评价。详细内容参见上述实施例中的描述,在此不再赘述。
上述装置的具体限定以及有益效果可以参见上文中对于风光联合功率预测方法的限定,在此不再赘述。上述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。
图4是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图4所示,该设备包括一个或多个处理器410以及存储器420,存储器420包括持久内存、易失内存和硬盘,图4中以一个处理器410为例。该设备还可以包括:输入装置430和输出装置440。
处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接,图4中以通过总线连接为例。
处理器410可以为中央处理器(Central Processing Unit,CPU)。处理器410还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器420作为一种非暂态计算机可读存储介质,包括持久内存、易失内存和硬盘,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中风光联合功率预测方法对应的程序指令/模块。处理器410通过运行存储在存储器420中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述任意一种风光联合功率预测方法。
存储器420可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据、需要使用的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器420可选包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的信号输入。输出装置440可包括显示屏等显示设备。
一个或者多个模块存储在存储器420中,当被一个或者多个处理器410执行时,执行如图1所示的方法。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,具体可参见如图1所示的实施例中的相关描述。
本发明实施例还提供了一种非暂态计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (15)
1.一种风光联合功率预测方法,其特征在于,所述方法包括:
获取风光基地在地球系统耦合模式中的初始场、边界场以及区域地形数据;
将所述区域地形数据、所述初始场和所述边界场,输入至所述地球系统耦合模式,获得所述风光基地的第一模拟风况数据和第一模拟太阳辐照数据;
根据所述第一模拟风况数据和所述第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第一风光联合功率。
2.根据权利要求1所述的方法,其特征在于,获取所述区域地形数据的步骤包括:
获取所述风光基地的下垫面数据;
根据所述下垫面数据,获得所述地球系统耦合模式的区域地形数据。
3.根据权利要求1或2所述的方法,其特征在于,获取地球系统耦合模式的初始场、边界场的步骤包括:
获取所述风光基地的全球大气预报数据、全球海洋预报数据和区域海洋模式分析场数据;
根据所述全球大气预报数据、所述全球海洋预报数据和所述区域海洋模式分析场数据,获得所述初始场和所述边界场。
4.根据权利要求1所述的方法,其特征在于,所述将所述区域地形数据、所述初始场和所述边界场,输入至所述地球系统耦合模式,获得所述风光基地的第一模拟风况数据和第一模拟太阳辐照数据,包括:
将所述区域地形数据、所述初始场和所述边界场,输入至所述地球系统耦合模式,获得所述风光基地的第二模拟风况数据和第二模拟太阳辐照数据;
根据预建立的风光预测订正模型,对所述第二模拟风况数据和所述第二模拟太阳辐照数据进行订正,得到所述第一模拟风况数据和所述第一模拟太阳辐照数据。
5.根据权利要求1所述的方法,其特征在于,风况数据包括风速,和/或,风向。
6.根据权利要求1或5所述的方法,其特征在于,太阳辐照数据包括太阳辐照度,和/或,气温。
7.根据权利要求1所述的方法,其特征在于,所述第一风光联合功率包括各风机的风电功率、各光伏的光伏功率以及总体风光功率中的至少一种。
8.根据权利要求4所述的方法,其特征在于,构建所述风光预测订正模型的步骤包括:
获取风光基地的实际风况数据、实际太阳辐照数据;
获取所述风光基地在地球系统耦合模式中的第三模拟风况数据和第三模拟太阳辐照数据;
将所述实际风况数据和所述实际太阳辐照数据作为初始风光预测订正模型的输出,将所述第三模拟风况数据和所述第三模拟太阳辐照数据作为所述初始风光预测订正模型的输入,训练所述初始风光预测订正模型,得到风光预测订正模型。
9.根据权利要求8所述的方法,其特征在于,所述初始风光预测订正模型通过机器学习算法获得。
10.根据权利要求1所述的方法,其特征在于,所述根据所述第一模拟风况数据和所述第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第一风光联合功率,包括:
根据所述第一模拟风况数据和所述第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第二风光联合功率;
根据预建立的风光功率订正模型,对所述第二风光联合功率进行订正,得到所述第一风光联合功率。
11.根据权利要求10所述的方法,其特征在于,所述风光功率订正模型通过卷积神经网络算法、视觉自注意力模型、门控循环单元、长短期记忆网络算法中的一种或多种获得。
12.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述第一风光联合功率与对应的实际风光联合功率进行比较,得到比较结果;
根据所述比较结果,所述风光发电量模型进行评价。
13.一种风光联合功率预测装置,其特征在于,所述装置包括:
获取模块,用于获取风光基地在地球系统耦合模式中的初始场、边界场以及区域地形数据;
模拟模块,用于将所述区域地形数据、所述初始场和所述边界场,输入至所述地球系统耦合模式,获得所述风光基地的第一模拟风况数据和第一模拟太阳辐照数据;
预测模块,用于根据所述第一模拟风况数据和所述第一模拟太阳辐照数据,以及预建立的风光发电量模型,预测第一风光联合功率。
14.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-12中任一项所述的风光联合功率预测方法的步骤。
15.一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如权利要求1-12中任一项所述的风光联合功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311015006.1A CN116760028A (zh) | 2023-08-14 | 2023-08-14 | 一种风光联合功率预测方法、装置、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311015006.1A CN116760028A (zh) | 2023-08-14 | 2023-08-14 | 一种风光联合功率预测方法、装置、计算机设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116760028A true CN116760028A (zh) | 2023-09-15 |
Family
ID=87959337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311015006.1A Pending CN116760028A (zh) | 2023-08-14 | 2023-08-14 | 一种风光联合功率预测方法、装置、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116760028A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726867A (zh) * | 2018-12-27 | 2019-05-07 | 北京恒泰实达科技股份有限公司 | 一种基于多模式集合的高分辨率电力气象预报方法 |
CN110416996A (zh) * | 2019-05-16 | 2019-11-05 | 国网山东省电力公司济南供电公司 | 一种基于云平台的分布式光伏集群功率预测系统 |
CA3162838A1 (en) * | 2019-12-27 | 2021-07-01 | Fiaz SHAIK | System and method for load and source forecasting for increasing electrical grid component longevity |
CN114006369A (zh) * | 2021-10-28 | 2022-02-01 | 华北电力大学 | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 |
CN115470731A (zh) * | 2022-09-29 | 2022-12-13 | 福建国电风力发电有限公司 | 一种基于微气象的风场风电功率预测方法及系统 |
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 |
CN116581755A (zh) * | 2023-07-12 | 2023-08-11 | 长江水利委员会水文局 | 功率预测方法、装置、设备及存储介质 |
-
2023
- 2023-08-14 CN CN202311015006.1A patent/CN116760028A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109726867A (zh) * | 2018-12-27 | 2019-05-07 | 北京恒泰实达科技股份有限公司 | 一种基于多模式集合的高分辨率电力气象预报方法 |
CN110416996A (zh) * | 2019-05-16 | 2019-11-05 | 国网山东省电力公司济南供电公司 | 一种基于云平台的分布式光伏集群功率预测系统 |
CA3162838A1 (en) * | 2019-12-27 | 2021-07-01 | Fiaz SHAIK | System and method for load and source forecasting for increasing electrical grid component longevity |
CN114006369A (zh) * | 2021-10-28 | 2022-02-01 | 华北电力大学 | 区域风光场站功率联合预测方法、装置、电子设备和存储介质 |
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 |
CN115470731A (zh) * | 2022-09-29 | 2022-12-13 | 福建国电风力发电有限公司 | 一种基于微气象的风场风电功率预测方法及系统 |
CN116581755A (zh) * | 2023-07-12 | 2023-08-11 | 长江水利委员会水文局 | 功率预测方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | The diurnal cycle in the tropics | |
KR101761707B1 (ko) | 능동형 정보수집 스크립트 및 수치모형을 이용한 태풍해일 자동 예측 방법 | |
Wang et al. | Error features and their possible causes in simulated low‐level winds by WRF at a wind farm | |
CN116742626B (zh) | 考虑大气混沌特征的风光联合功率集合预测方法及装置 | |
Grouillet et al. | Sensitivity analysis of runoff modeling to statistical downscaling models in the western Mediterranean | |
Laslett et al. | A method for generating synthetic hourly solar radiation data for any location in the south west of Western Australia, in a world wide web page | |
Freedman et al. | The Wind Forecast Improvement Project (WFIP): A public/private partnership for improving short term wind energy forecasts and quantifying the benefits of utility operations. The Southern Study Area, Final Report | |
Pryor et al. | Downscaling wind | |
Abraham et al. | A prototype stochastic parameterization of regime behaviour in the stably stratified atmospheric boundary layer | |
Suursaar et al. | Projected changes in wave conditions in the Baltic Sea by the end of 21st century and the corresponding shoreline changes | |
Massey et al. | Coastal storm modeling-system integration | |
Paul et al. | Storm surge simulation along the Meghna estuarine area: an alternative approach | |
CN116760028A (zh) | 一种风光联合功率预测方法、装置、计算机设备及介质 | |
JP6178121B2 (ja) | 模擬降雨データ生成装置、生成方法およびプログラム | |
Wang et al. | Streamflow forecasting method with a hybrid physical process-mathematical statistic | |
CN115860248A (zh) | 风速数值同化短临预测方法及系统 | |
CN116738769B (zh) | 一种风光数据生成模型构建方法及风光数据生成方法 | |
Nuño et al. | Generation of large-scale PV scenarios using aggregated power curves | |
Agabus et al. | ESTIMATION OF WIND POWER PRODUCTION THROUGH SHORT-TERM FORECAST. | |
KR101568819B1 (ko) | 능동형 정보수집 스크립트 및 수치모형을 이용한 연안침식 자동 예측 방법 | |
Olsen et al. | Mesoscale and microscale downscaling for the Wind Atlas of Mexico (WAM) project | |
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 | |
Stefanakos et al. | Climatic forecasting of wind and waves using fuzzy inference systems | |
Hanittinan et al. | Climate Change Impact Assessment in Sukhothai Province: Intercomparison between three global climate models” | |
Gerse et al. | Comparative Assessment of Physical and Machine Learning Models for Wind Power Estimation: A Case Study for Hungary |
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 |