CN116842855A - 分布式光伏配电网出力预测方法、装置、电子设备及介质 - Google Patents
分布式光伏配电网出力预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN116842855A CN116842855A CN202311122228.3A CN202311122228A CN116842855A CN 116842855 A CN116842855 A CN 116842855A CN 202311122228 A CN202311122228 A CN 202311122228A CN 116842855 A CN116842855 A CN 116842855A
- Authority
- CN
- China
- Prior art keywords
- power distribution
- photovoltaic power
- distribution network
- distributed photovoltaic
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 45
- 239000011159 matrix material Substances 0.000 claims description 37
- 238000010276 construction Methods 0.000 claims description 18
- 238000004146 energy storage Methods 0.000 claims description 13
- 230000001364 causal effect Effects 0.000 description 19
- 239000013598 vector Substances 0.000 description 17
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000010339 dilation Effects 0.000 description 9
- 238000010248 power generation Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 8
- 210000002569 neuron Anatomy 0.000 description 7
- 238000005070 sampling Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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]
-
- 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
- G06Q10/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Geometry (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种分布式光伏配电网出力预测方法、装置、电子设备及介质，适用于光伏配电网技术领域，可以有效提高分布式光伏配电网出力预测的准确度和效率。该方法包括：基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库，特征数据库包括分布式光伏配电网的预测日的相似日的影响因素数据和出力数据；基于特征数据库和极限学习机ELM模型，训练分布式光伏配电网的出力预测模型；基于分布式光伏配电网的出力预测模型，确定分布式光伏配电网的预测日的出力预测值。
Description
技术领域
本发明属于光伏配电网技术领域，特别涉及一种分布式光伏配电网出力预测方法、装置、电子设备及介质。
背景技术
根据国内外权威机构预测，光伏发电量占总网供电量的比重呈现飞速增长态势，在未来电力系统发电模式中，光伏发电将占据越来越重要的地位。当前，分布式光伏接入类型多样、应用场景差异大等，导致缺乏对分布式光伏运行特性、光伏电站并网后对电网的影响及对策等方面的深入研究，严重阻碍了光伏发电的快速发展。
分布式光伏点多面广、分散无序，并网将对配电网的潮流、电压分布、供电可靠性、电能质量、保护控制等产生影响，非常有必要对光伏并网带来的影响进行深入研究，实现在保证电力系统安全稳定、经济运行的前提下，掌握差异化场景下分布式光伏的运行特征库。
传统情况下研究分布式光伏对配电网的影响，大多数聚焦于光伏并网对配电网的潮流、电压分布、供电可靠性、电能质量、保护控制等产生的影响，但它有两个明显的缺点：没有对光伏消纳的影响因素进行分类与归整，从而进行关联度的分析;没有建立相应的特征数据库，因此需要寻找一种高效、精准的差异化场景下分布式光伏运行数据获取方法。
发明内容
本发明提出一种分布式光伏配电网出力预测方法、装置、电子设备及介质，可以有效提高分布式光伏配电网出力预测的准确度和效率。
针对上述问题，本发明采用如下技术方案：
第一方面，提供一种分布式光伏配电网出力预测方法，包括：
基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库，特征数据库包括分布式光伏配电网的预测日的相似日的影响因素数据和出力数据；
基于特征数据库和极限学习机ELM模型，训练分布式光伏配电网的出力预测模型；
基于分布式光伏配电网的出力预测模型，确定分布式光伏配电网的预测日的出力预测值。
可选地，基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库，包括：
获取分布式光伏配电网的历史日的影响因素数据和出力数据；
基于灰色关联度算法，确定分布式光伏配电网的预测日与每个历史日的灰色关联度；
将灰色关联度大于或等于灰色关联度阈值的历史日，确定为分布式光伏配电网的预测日对应的相似日；
基于时序卷积网络TCN，以及相似日的影响因素数据和出力数据，构建分布式光伏配电网的特征数据库。
进一步地，相似日与预测日之间的日期偏差小于或等于日期偏差阈值。
示例性地，分布式光伏配电网的影响因素包括如下至少一项：天气因素、储能因素、或时间因素。
可选地，极限学习机ELM模型包括输入层、单隐层和输出层。相应地，基于特征数据库和极限学习机ELM模型，训练分布式光伏配电网的出力预测模型，包括：
随机生成极限学习机ELM模型的单隐层的输入权重和输入偏置，单隐层的输入权重和输入偏置的绝对值小于或等于1；
基于单隐层的输入权重和输入偏置，计算单隐层的输出矩阵；
计算单隐层的输出矩阵的广义逆矩阵；
基于分布式光伏配电网的特征数据库和单隐层的输出矩阵的广义逆矩阵，计算单隐层的输出权重的最小二乘特解；
基于单隐层的输出权重的最小二乘特解和极限学习机ELM模型，生成分布式光伏配电网的出力预测模型。
可选地，基于分布式光伏配电网的出力预测模型，确定分布式光伏配电网的预测日的出力预测值，包括：
获取分布式光伏配电网的预测日的影响因素数据；
将分布式光伏配电网的预测日的影响因素输入分布式光伏配电网的出力预测模型，得到分布式光伏配电网的预测日的出力预测值。
第二方面，一种分布式光伏配电网出力预测装置，包括：构建模块、训练模块和预测模块；其中，
构建模块，用于基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库，特征数据库包括分布式光伏配电网的预测日的相似日的影响因素数据和出力数据；
训练模块，用于基于特征数据库和极限学习机ELM模型，训练分布式光伏配电网的出力预测模型；
预测模块，用于基于分布式光伏配电网的出力预测模型，确定分布式光伏配电网的预测日的出力预测值。
可选地，构建模块，用于获取分布式光伏配电网的历史日的影响因素数据和出力数据；
构建模块，还用于基于灰色关联度算法，确定分布式光伏配电网的预测日与每个历史日的灰色关联度；
构建模块，还用于将灰色关联度大于或等于灰色关联度阈值的历史日，确定为分布式光伏配电网的预测日对应的相似日；
构建模块，还用于基于时序卷积网络TCN，以及相似日的影响因素数据和出力数据，构建分布式光伏配电网的特征数据库。
进一步地，相似日与预测日之间的日期偏差小于或等于日期偏差阈值。
示例性地，分布式光伏配电网的影响因素包括如下至少一项：天气因素、储能因素、或时间因素。
可选地，极限学习机ELM模型包括输入层、单隐层和输出层。相应地，训练模块，还用于随机生成极限学习机ELM模型的单隐层的输入权重和输入偏置，单隐层的输入权重和输入偏置的绝对值小于或等于1；
训练模块，还用于基于单隐层的输入权重和输入偏置，计算单隐层的输出矩阵；
训练模块，还用于计算单隐层的输出矩阵的广义逆矩阵；
训练模块，还用于基于分布式光伏配电网的特征数据库和单隐层的输出矩阵的广义逆矩阵，计算单隐层的输出权重的最小二乘特解；
训练模块，还用于基于单隐层的输出权重的最小二乘特解和极限学习机ELM模型，生成分布式光伏配电网的出力预测模型。
可选地，预测模块，还用于获取分布式光伏配电网的预测日的影响因素数据；
预测模块，还用于将分布式光伏配电网的预测日的影响因素输入分布式光伏配电网的出力预测模型，得到分布式光伏配电网的预测日的出力预测值。
第三方面，提供一种电子设备，包括：处理器，处理器与存储器耦合；
其中，处理器，用于读取并执行存储器存储的程序或指令，使得电子设备执行第一方面所述的分布式光伏配电网出力预测方法。
第四方面，提供一种计算机可读存储介质，存储有程序或指令，当计算机读取并执行程序或指令时，使得计算机执行第一方面所述的分布式光伏配电网出力预测方法。
基于本发明提供的分布式光伏配电网出力预测方法、装置、电子设备及介质，可以基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库，该特征数据库包括分布式光伏配电网的预测日的相似日的影响因素数据和出力数据，然后基于特征数据库和极限学习机ELM模型，训练分布式光伏配电网的出力预测模型，并基于该出力预测模型对预测日的出力值进行预测，预测日的影响因素数据与相似日的影响因素数据相似度较高，基于包含相似日的影响因素数据的特征数据库和极限学习机ELM模型训练得到的分布式光伏配电网的出力预测模型可以学习到与预测日类似的相似日的各种影响因素，如天气因素、储能因素、时间因素等对于分布式光伏配电网的出力的影响，因而基于分布式光伏配电网的出力预测模型得到的预测日的出力预测值也更为准确，从而有效提高分布式光伏配电网的出力预测的准确度和效率。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例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为本发明实施例提供的一种分布式光伏配电网出力预测方法的流程示意图；
图2为本发明实施例提供的一种灰色关联度计算流程的示意图；
图3为本发明实施例提供的一种时序卷积网络TCN的结构示意图；
图4为本发明实施例提供的一种因果卷积网络的结构示意图；
图5为本发明实施例提供的一种扩张卷积网络的结构示意图；
图6为本发明实施例提供的一种极限学习机ELM网络的结构示意图；
图7为本发明实施例提供的另一种极限学习机ELM网络的结构示意图；
图8为本发明实施例提供的一种训练分布式光伏配电网出力预测模型的流程示意图；
图9为本发明实施例提供的一种分布式光伏配电网出力预测装置的结构示意图；
图10为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地说明，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。
首先结合图1-图9，详细说明本发明实施例提供本发明实施例提供一种分布式光伏配电网出力预测方法。
图1为本发明实施例提供的一种分布式光伏配电网出力预测方法的流程示意图。如图1所示，该方法包括：
S101，基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库。
其中，特征数据库包括分布式光伏配电网的预测日的相似日的影响因素数据和出力数据，相似日可以为分布式光伏配电网的历史日中与预测日高度相似的日期。
进一步地，相似日与预测日之间的日期偏差小于或等于日期偏差阈值。
可选地，S101，基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库，包括如下步骤：
步骤1，获取分布式光伏配电网的历史日的影响因素数据和出力数据。
示例性地，分布式光伏配电网的影响因素包括如下至少一项：天气因素、储能因素、或时间因素、数据处理因素等。
具体地，可以针对影响光伏出力的多方面因素，提取影响因素数据和出力数据：
示例1，天气方面的特征提取：可以利用气象站等设备获取温度、风速、湿度、降水量、雪天等天气信息，也可以利用卫星数据或气象模型提取其它天气相关信息。通过对这些数据进行处理，例如时序分析、特征工程等方法提取出影响光伏出力的关键特征，如太阳辐射强度、气象功率等。
示例2，储能特征提取：储能系统有多种类型，如电池、超级电容器等。对于储能电池，则需获取电池容量、电压等信息，对于超级电容器，则需获取电容器电容、电压等信息。通过对这些数据进行处理，例如时序分析、特征工程等方法提取出影响光伏出力的关键特征，如储能系统的荷电状态（State Of Charge，SOC）等。
示例3，时间特征提取：光伏输出功率存在着显著的日变化特征以及季节变化特征。通过对时间特征的提取可以从时序数据中提取出周期性和趋势性因素如：白天、夜晚、夏季、冬季等。
示例4，数据处理特征提取：对于一些可能出现的问题，如各种异常、数据缺失等，可以对时间序列进行处理，如通过插值、拟合填补缺失数据，剔除异常数据等。
也就是说，针对天气、储能等影响光伏出力的因素进行特征提取，可以综合应用时间序列分析、机器学习等方法，获取准确且有效的特征信息。
步骤2，基于灰色关联度算法，确定分布式光伏配电网的预测日与每个历史日的灰色关联度。
步骤3，将灰色关联度大于或等于灰色关联度阈值的历史日，确定为分布式光伏配电网的预测日对应的相似日。
其中，灰色关联度分析法（Grey Relational Analysis）是衡量因素间关联程度的一种方法。该方法可以根据各个因素变化曲线形状的相似程度来判定各因素之间的相似度，曲线形状越接近则相似度越高，灰色关联系数越接近于1表示相似度越高。灰色关联度分析法操作简便，计算量较小，对数据的要求低，因此本文选择该方法筛选需要提取的特征的数据集。
将步骤S101中提取的各种特征数据作为参考向量，以历史特征向量作为比较向量，则提取的各种特征数据与历史日中第j日的第k（k≤6）个分量的灰色关联系数如下式所示：
（1）
其中，ρ表示分辨系数，取值范围为[0，1]，可以取中间值ρ=0.5，x0(k)表示参考向量x0在第k个分量上的关联系数，xi(k)表示比较序列xi在第k个指标上的关联系数，、/>表示两级最小极差和两级最大极差，计算完成各个分量的关联系数，综合所有分量的关联系数，则预测日和历史日期中的第j日的灰色关联度定义为：
(2)
然后，利用平均法计算相似度。从最近的历史日开始算起，逐一计算与预测日的相似度。
以天气因素为例，不同天气类型下光伏发电系统出力情况具有明显差异，因此可以首先把历史日按照天气类型大致分类，以缩短构建特征库的时间，提高预测模型的精度。例如，可以将天气分为A类晴天、B类多云（也包含阴天）、C类雨天（包含大雨、中雨、小雨等）、D类雪天（包含大雪、中雪、小雪等）四大类来选取相似日，具体流程如图2所示，具体步骤如下：
首先，选取天气类型、日最高太阳辐照度、温度和空气相对湿度作为影响光伏出力的因素，将提取后的预测日的气象特征向量作为参考向量，历史发电日的气象特征向量作为比较向量；
然后，遍历同一大类（晴/多云/雨天/雪天）的样本集，计算比较向量和参考向量的灰色关联度；
之后，可以将灰色关联度大于0.80的历史发电日按由大到小的顺序排列，选取前7天综合相似度最高的历史发电日作为相似日样本集；若灰色关联度大于0.80的历史发电日数不够7天，则除关联度大于0.80的样本集之外，再按灰色关联度的由大到小的顺序在剩余相似日中补足缺少的天数。
最后，将最终选取的7天相似日的数据组成相似日样本集，作为机器学习的训练样本。
类似地，其他影响因素也可按照此种方法建立相似日样本集，此处不再赘述。
步骤4，基于时序卷积网络TCN，以及相似日的影响因素数据和出力数据，构建分布式光伏配电网的特征数据库。
其中，时序卷积网络（temporal convolutional networks，TCN）是在卷积神经网络（convolutional neural network，CNN）基础上改进的网络，具有独特的扩张因果卷积结构，更适用于解决时序问题。其中，扩张卷积可对上一层的输入进行扩张采样，能提取间隔较长和非连续时序数据的特征信息，因果卷积可保证提取特征信息的因果性，t时刻的输出y，只能依赖于t时刻之前的输入x0~xt-1。对于卷积核大小为2，扩张系数d分别为1，2，4的TCN，其扩张因果卷积结构如图3所示。示例性地，一维扩张因果卷积的运算式为：
(3)
其中，x为输入序列；d为扩张系数；k为卷积核大小；f(i)为卷积核中第i个元素;s-di 表示从位置s减去di，用于确定在输入序列中的相对位置。di是一个偏移量或位移，表示相对于当前位置s偏移的位置。xs-di确保只能对过去的输入做卷积操作。
因果卷积
因果卷积（Causal Convolution）将输入向量的每个元素与该向量前面的元素和滤波器中的对应元素进行点积，从而产生一个输出向量。在因果卷积中，只有来自过去的信息可以影响当前时间的输出值，因此它被称为因果卷积。它通常在序列数据处理的任务中使用，比如在时间序列分析、信号处理、语音识别和自然语言处理经常被使用。
因果卷积与传统的卷积操作的不同之处在于：前者只使用当前时刻之前的输入信息，而后者则使用整个输入序列的信息。这种限制使得因果卷积更适用于序列数据的处理，因为它们通常需要基于过去的信息做出决策。
在深度学习中，因果卷积被广泛应用于一些任务，比如时序预测、文本生成、音频处理、语音识别等。它通常被应用在循环神经网络（RNN）和卷积神经网络（CNN）的结构中，以实现更高效和准确的序列建模。在本文中，因果卷积应用于时序卷积网络（TCN）中。
具体地，假设输入序列为x0, x1, ..., xn-1，卷积核为h0, h1, ..., hm-1，那么因果卷积的公式可以表示为：
(4)
其中，yt表示输出序列的第t（t＞0）个值。需要注意的是，因为因果卷积是对过去的输入进行卷积，所以在时间序列的开头几个位置上，输出序列会存在0值。
如图4所示，因果卷积的每一层的输出都是由前一层对应位置的输入及其前一个位置的输入共同得到，且如果输出层和输入层之前有很多的隐藏层，那么一个输出对应的输入就越多，输入和输出也会离得越远，就需要考虑更早时刻的输入变量参与运算，从而增加卷积的层数，而卷积层数的增加会带来梯度消失、训练复杂、拟合效果差等问题，而卷积核的影响只能从输入序列的过去传递到未来，不能从未来传递到过去，这可以通过限制卷积运算中滑动窗口的范围来实现。具体而言，滑动窗口的右端点必须小于等于当前时刻，也就是不能使用预测得到的数据（未来数据）。因为因果卷积只考虑当前时刻及之前的数据，因此对于预测任务，它可能会丢失一部分重要信息。为了解决这些问题，可以结合扩张卷积网络。
扩张卷积
如前文所述，单纯的因果卷积会受卷积核尺寸的限制，当想要捕获更长时间序列之间的依赖关系，考虑的输入变量就会越早，参与运算所需要的输入变量也越多，就需要线性地堆叠更多的层。随之而来就会出现梯度消失、训练复杂、拟合效果不好的问题。为了解决这些问题，提出了扩张卷积（dilated convolution），其结构如图5所示。
扩张卷积又称为膨胀卷积或空洞卷积，是对标准卷积的一种扩展。在标准卷积中，卷积核对输入的每个元素进行卷积并输出一个值。而在扩张卷积中，卷积核拥有一个额外的参数：扩张率，用于指定卷积核中相邻元素之间的间隔大小。
扩张卷积可用于增加卷积操作的感受野大小，提高神经网络的感知范围。具体来说，通过增加扩张率，卷积核中各元素之间的间隔将变大，从而使得卷积核可以感知到更多的输入信号，并在输出中生成更多的特征。这种方法在语音识别、图像分割和图像修复等领域中得到了广泛的应用。
每一层中t时刻的状态只与它前一层的t时刻以及之前时刻的状态有关。它看不到未来的序列信息，是一个完全单向的结构，只有根据前面的"因"才能得到后面相应的"果"。
扩张卷积与普通卷积的不同之处在于它允许在卷积时对输入数据进行间隔采样，受图3中的采样率d控制。如图3所示，输入层采样率d=1，代表对每个输入数据都进行采样，中间隐藏层的d=2，表示每2个点取一个数据作为输入。通常而言，层级越高会使用越大的采样率。所以，扩张卷积可以使有效窗口的大小随层数呈指数型增长。这样就可以用较少的卷积层，获得足够大的感受野，可以解决因果卷积带来的一系列问题。
以一维信号的扩张卷积为例，假设输入信号为x1, x2,...,xn，卷积核为w1,w2,...wT，则扩张卷积的计算公式为：
（5）
其中，为n时刻的输出信号，d表示扩张率，t0表示偏移量。
可以看出，扩张卷积核中的系数之间存在d-1的间隔，从而跨越了更大的距离进行卷积操作，增加了卷积核对输入信号的感受野范围，同时也可以考虑到不同距离上的信息，有助于提高模型的性能和精度。
S102，基于特征数据库和极限学习机ELM模型，训练分布式光伏配电网的出力预测模型。
其中，极限学习机（Extreme Leaning Machine，ELM）是一种单隐藏层前馈神经网络（Single Hidden Layer Feedforward Neural Network，SLFN）学习算法，用于从历史数据中学习相关的预测特征。如图6和图7所示，ELM包括输入层、隐藏层和输出层。随机初始化隐藏层神经元的输入权重和偏置值，并利用广义逆矩阵理论计算相应的输出权重。它倾向于提供优越的泛化性能和极快的学习速度。随机选择输入权重，并分析确定输出权重。只设置隐藏层神经元的数量，在这种情况下得到唯一最优解，具有计算高效、泛化性能好、人为干预少等优点。
ELM通过给定满足一定条件的激活函数，能以任意精度逼近任意非线性目标函数，其神经网络结构如图7所示。
结合图6，如图7所示，假设有N个离散的训练样本，其中/>为输入向量，/>为输出向量，则ELM神经网络的表达式如式（6）所示。
(6)
其中，L表示隐藏层神经元的个数，g（x）表示激活函数，wi为隐藏层第i个神经元与输入层之间的连接权重，bi为相应的偏置值，βi为隐藏层第i个神经元与输出层之间的权重，tj是实际输出值。
将公式（6）该为矩阵表达式，则如式（7）所示：
T=Hβ(7)
其中，H是隐藏层输出矩阵，也称随机特征映射矩阵，其表达式如式（8）所示：
（8）
相应地，隐藏层输出权重矩阵和拟合的输出矩阵分别如式（9）和式（10）所示。
(9)
(10)
在训练样本给定的基础上，任意给定ELM网络的隐藏层权重值wi，与隐藏层偏置值bi，即可确定隐藏层输出矩阵H。然后，利用选定的激活函数g（x）将样本输入向量映射到高维空间。不难发现，其实ELM网络的训练过程就是相当于求解一个线性方程组T=Hβ的最小二乘特解，如式（11）所示：
(11)
根据广义逆的理论，其最小二乘特解如式（12）所示：
=H+T(12)
其中，H+为H的摩尔-彭洛斯（Moore-Penrose）广义逆。
ELM算法的优点体现在：1）极限学习机输入层到隐藏层的权重W是可以随意指定，可以随机设置隐藏层权重与隐藏层偏置，减少人为干预，实现起来简单，且由于不需要调整，可以大大加快训练速度；2）极限学习机的隐藏层到输出层的权重B也不需要迭代调整，而是通过解方程组的方法求出权重。换言之，训练过程相当于求解一个线性方程组的最小二乘特解，与传统的基于梯度的神经网络方法相比，ELM算法泛化性能更好、计算效率更高。因此，ELM算法适用于对运算速度和预测精度要求较高的特征库数据的训练。
利用神经网络方法训练特征数据。在进行训练之前，需对历史数据进行预处理，得到训练集，其中xj是由第j个历史日样本的多重因素的特征向量，tj是第j个历史日样本的光伏出力量测数据，N表示数据集中样本的数量，n表示输入的维度，m表示输出的维度。然后，选取激活函数g（x）和隐藏层神经元数量L。如图8所示，以天气为例，ELM算法具体流程如下所述：
步骤5，随机生成极限学习机ELM模型的单隐层的输入权重wi和输入偏置bi，单隐层的输入权重wi和输入偏置bi的绝对值小于或等于1；
步骤6，基于单隐层的输入权重wi和输入偏置bi，计算单隐层的输出矩阵H；其中，i=1，…，L，L为单隐层中的神经元的个数。
步骤7，计算单隐层的输出矩阵H的广义逆矩阵H+；
步骤8，基于分布式光伏配电网的特征数据库（如训练集）和单隐层的输出矩阵的广义逆矩阵H+，计算单隐层的输出权重β的最小二乘特解/>=H+T；
步骤9，基于单隐层的输出权重的最小二乘特解和极限学习机ELM模型，生成分布式光伏配电网的出力预测模型。
S103，基于分布式光伏配电网的出力预测模型，确定分布式光伏配电网的预测日的出力预测值。
可选地，S103，基于分布式光伏配电网的出力预测模型，确定分布式光伏配电网的预测日的出力预测值，包括：
步骤10，获取分布式光伏配电网的预测日的影响因素数据。
其中，预测日的影响因素数据可以采用现有技术手段获得，本发明实施例不予限制。以天气为例，预测日的影响因素数据可以采用天气预报数据，可以采用最近几年，如去年的相同或相邻日期的历史记录来得到。
步骤11，将分布式光伏配电网的预测日的影响因素输入分布式光伏配电网的出力预测模型，即可得到分布式光伏配电网的预测日的出力预测值。
基于本发明提供的分布式光伏配电网的出力预测方法，可以基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库，该特征数据库包括分布式光伏配电网的预测日的相似日的影响因素数据和出力数据，然后基于特征数据库和极限学习机ELM模型，训练分布式光伏配电网的出力预测模型，并基于该出力预测模型对预测日的出力值进行预测，预测日的影响因素数据与相似日的影响因素数据相似度较高，基于包含相似日的影响因素数据的特征数据库和极限学习机ELM模型训练得到的分布式光伏配电网的出力预测模型可以学习到与预测日类似的相似日的各种影响因素，如天气因素、储能因素、时间因素等对于分布式光伏配电网的出力的影响，因而基于分布式光伏配电网的出力预测模型得到的预测日的出力预测值也更为准确，从而有效提高分布式光伏配电网的出力预测的准确度和效率。
上面结合图1-图8详细说明了本发明实施例提供的分布式光伏配电网出力预测方法，下面结合图9和图10分别说明本发明实施例提供的分布式光伏配电网出力预测装置和电子设备。
示例性地，图9为本发明实施例还提供一种分布式光伏配电网出力预测装置的结构示意图。该装置可以执行上述方法实施例所述的分布式光伏配电网出力预测方法。
如图9所示，该装置900包括：构建模块901、训练模块902和预测模块903；其中，
构建模块901，用于基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库，特征数据库包括分布式光伏配电网的预测日的相似日的影响因素数据和出力数据；
训练模块902，用于基于特征数据库和极限学习机ELM模型，训练分布式光伏配电网的出力预测模型；
预测模块903，用于基于分布式光伏配电网的出力预测模型，确定分布式光伏配电网的预测日的出力预测值。
可选地，构建模块901，用于获取分布式光伏配电网的历史日的影响因素数据和出力数据；
构建模块901，还用于基于灰色关联度算法，确定分布式光伏配电网的预测日与每个历史日的灰色关联度；
构建模块901，还用于将灰色关联度大于或等于灰色关联度阈值的历史日，确定为分布式光伏配电网的预测日对应的相似日；
构建模块901，还用于基于时序卷积网络TCN，以及相似日的影响因素数据和出力数据，构建分布式光伏配电网的特征数据库。
进一步地，相似日与预测日之间的日期偏差小于或等于日期偏差阈值。
示例性地，分布式光伏配电网的影响因素包括如下至少一项：天气因素、储能因素、或时间因素。
可选地，极限学习机ELM模型包括输入层、单隐层和输出层。相应地，训练模块902，还用于随机生成极限学习机ELM模型的单隐层的输入权重和输入偏置，单隐层的输入权重和输入偏置的绝对值小于或等于1；
训练模块902，还用于基于单隐层的输入权重和输入偏置，计算单隐层的输出矩阵；
训练模块902，还用于计算单隐层的输出矩阵的广义逆矩阵；
训练模块902，还用于基于分布式光伏配电网的特征数据库和单隐层的输出矩阵的广义逆矩阵，计算单隐层的输出权重的最小二乘特解；
训练模块902，还用于基于单隐层的输出权重的最小二乘特解和极限学习机ELM模型，生成分布式光伏配电网的出力预测模型。
可选地，预测模块903，还用于获取分布式光伏配电网的预测日的影响因素数据；
预测模块903，还用于将分布式光伏配电网的预测日的影响因素输入分布式光伏配电网的出力预测模型，得到分布式光伏配电网的预测日的出力预测值。
示例性地，图10为本发明实施例提供的一种电子设备的结构示意图。
如图10所示，该电子设备1000包括：处理器1001，处理器1001与存储器1002耦合；
其中，处理器1001，用于读取并执行存储器1002存储的程序或指令，使得该电子设备1000执行如图1所示的分布式光伏配电网出力预测方法。
可选地，电子设备1000还可以包括收发器1003，用于电子设备1000与其他设备通信。
需要说明的是，为了便于说明，图9和图10仅分别示出了分布式光伏配电网出力预测装置900和电子设备1000的主要部件。实际应用中，分布式光伏配电网出力预测装置900和电子设备1000还可能包括图中未示出的部件或组件。
本发明实施例还提供一种计算机可读存储介质，该介质存储有程序或指令，当计算机读取并执行程序或指令时，使得计算机执行上述方法实施例所述的分布式光伏配电网出力预测方法。
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 (14)
1.一种分布式光伏配电网出力预测方法，其特征在于，包括：
基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库，所述特征数据库包括所述分布式光伏配电网的预测日的相似日的影响因素数据和出力数据；
基于所述特征数据库和极限学习机ELM模型，训练所述分布式光伏配电网的出力预测模型；
基于所述分布式光伏配电网的出力预测模型，确定所述分布式光伏配电网的所述预测日的出力预测值。
2.根据权利要求1所述的分布式光伏配电网出力预测方法，其特征在于，所述基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库，包括：
获取所述分布式光伏配电网的历史日的影响因素数据和出力数据；
基于灰色关联度算法，确定所述分布式光伏配电网的预测日与每个历史日的灰色关联度；
将灰色关联度大于或等于灰色关联度阈值的历史日，确定为所述分布式光伏配电网的预测日对应的相似日；
基于所述时序卷积网络TCN，以及所述相似日的影响因素数据和出力数据，构建所述分布式光伏配电网的特征数据库。
3.根据权利要求2所述的分布式光伏配电网出力预测方法，其特征在于，所述相似日与预测日之间的日期偏差小于或等于日期偏差阈值。
4.根据权利要求2所述的分布式光伏配电网出力预测方法，其特征在于，所述分布式光伏配电网的影响因素包括如下至少一项：天气因素、储能因素、或时间因素。
5.根据权利要求1-4中任一项所述的分布式光伏配电网出力预测方法，其特征在于，所述极限学习机ELM模型包括输入层、单隐层和输出层；
所述基于所述特征数据库和所述极限学习机ELM模型，训练所述分布式光伏配电网的出力预测模型，包括：
随机生成所述极限学习机ELM模型的单隐层的输入权重和输入偏置，所述单隐层的输入权重和输入偏置的绝对值小于或等于1；
基于所述单隐层的输入权重和输入偏置，计算所述单隐层的输出矩阵；
计算所述单隐层的输出矩阵的广义逆矩阵；
基于所述分布式光伏配电网的特征数据库和所述单隐层的输出矩阵的广义逆矩阵，计算所述单隐层的输出权重的最小二乘特解；
基于所述单隐层的输出权重的最小二乘特解和所述极限学习机ELM模型，生成所述分布式光伏配电网的出力预测模型。
6.根据权利要求5所述的分布式光伏配电网出力预测方法，其特征在于，所述基于所述分布式光伏配电网的出力预测模型，确定所述分布式光伏配电网的所述预测日的出力预测值，包括：
获取所述分布式光伏配电网的预测日的影响因素数据；
将所述分布式光伏配电网的预测日的影响因素输入所述分布式光伏配电网的出力预测模型，得到所述分布式光伏配电网的所述预测日的出力预测值。
7.一种分布式光伏配电网出力预测装置，其特征在于，包括：构建模块、训练模块和预测模块；其中，
所述构建模块，用于基于灰色关联度算法和时序卷积网络TCN，构建分布式光伏配电网的特征数据库，所述特征数据库包括所述分布式光伏配电网的预测日的相似日的影响因素数据和出力数据；
所述训练模块，用于基于所述特征数据库和极限学习机ELM模型，训练所述分布式光伏配电网的出力预测模型；
所述预测模块，用于基于所述分布式光伏配电网的出力预测模型，确定所述分布式光伏配电网的所述预测日的出力预测值。
8.根据权利要求7所述的分布式光伏配电网出力预测装置，其特征在于，
所述构建模块，用于获取所述分布式光伏配电网的历史日的影响因素数据和出力数据；
所述构建模块，还用于基于灰色关联度算法，确定所述分布式光伏配电网的预测日与每个历史日的灰色关联度；
所述构建模块，还用于将灰色关联度大于或等于灰色关联度阈值的历史日，确定为所述分布式光伏配电网的预测日对应的相似日；
所述构建模块，还用于基于所述时序卷积网络TCN，以及所述相似日的影响因素数据和出力数据，构建所述分布式光伏配电网的特征数据库。
9.根据权利要求8所述的分布式光伏配电网出力预测装置，其特征在于，所述相似日与预测日之间的日期偏差小于或等于日期偏差阈值。
10.根据权利要求7所述的分布式光伏配电网出力预测装置，其特征在于，所述分布式光伏配电网的影响因素包括如下至少一项：天气因素、储能因素、或时间因素。
11.根据权利要求7-10中任一项所述的分布式光伏配电网出力预测装置，其特征在于，所述极限学习机ELM模型包括输入层、单隐层和输出层；
所述训练模块，还用于随机生成所述极限学习机ELM模型的单隐层的输入权重和输入偏置，所述单隐层的输入权重和输入偏置的绝对值小于或等于1；
所述训练模块，还用于基于所述单隐层的输入权重和输入偏置，计算所述单隐层的输出矩阵；
所述训练模块，还用于计算所述单隐层的输出矩阵的广义逆矩阵；
所述训练模块，还用于基于所述分布式光伏配电网的特征数据库和所述单隐层的输出矩阵的广义逆矩阵，计算所述单隐层的输出权重的最小二乘特解；
所述训练模块，还用于基于所述单隐层的输出权重的最小二乘特解和所述极限学习机ELM模型，生成所述分布式光伏配电网的出力预测模型。
12.根据权利要求11所述的分布式光伏配电网出力预测装置，其特征在于，
所述预测模块，还用于获取所述分布式光伏配电网的预测日的影响因素数据；
所述预测模块，还用于将所述分布式光伏配电网的预测日的影响因素输入所述分布式光伏配电网的出力预测模型，得到所述分布式光伏配电网的所述预测日的出力预测值。
13.一种电子设备，其特征在于，包括：处理器，所述处理器与存储器耦合；
其中，所述处理器，用于读取并执行所述存储器存储的程序或指令，使得所述电子设备执行如权利要求1-6中任一项所述的分布式光伏配电网出力预测方法。
14.一种计算机可读存储介质，其特征在于，存储有程序或指令，当计算机读取并执行所述程序或指令时，使得所述计算机执行如权利要求1-6中任一项所述的分布式光伏配电网出力预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311122228.3A CN116842855B (zh) | 2023-09-01 | 2023-09-01 | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311122228.3A CN116842855B (zh) | 2023-09-01 | 2023-09-01 | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116842855A true CN116842855A (zh) | 2023-10-03 |
| CN116842855B CN116842855B (zh) | 2024-03-29 |
Family
ID=88165606
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311122228.3A Active CN116842855B (zh) | 2023-09-01 | 2023-09-01 | 分布式光伏配电网出力预测方法、装置、电子设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116842855B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
| CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
| CN111008728A (zh) * | 2019-11-01 | 2020-04-14 | 深圳供电局有限公司 | 一种用于分布式光伏发电系统短期出力的预测方法 |
| CN112561178A (zh) * | 2020-12-21 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种考虑微气象因素的分布式光伏出力预测方法 |
| CN116629416A (zh) * | 2023-05-16 | 2023-08-22 | 国网福建省电力有限公司经济技术研究院 | 光伏电站功率预测方法及装置 |
-
2023
- 2023-09-01 CN CN202311122228.3A patent/CN116842855B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104978611A (zh) * | 2015-07-06 | 2015-10-14 | 东南大学 | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 |
| CN111008728A (zh) * | 2019-11-01 | 2020-04-14 | 深圳供电局有限公司 | 一种用于分布式光伏发电系统短期出力的预测方法 |
| CN110909926A (zh) * | 2019-11-18 | 2020-03-24 | 中国计量大学 | 基于tcn-lstm的太阳能光伏发电预测方法 |
| CN112561178A (zh) * | 2020-12-21 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种考虑微气象因素的分布式光伏出力预测方法 |
| CN116629416A (zh) * | 2023-05-16 | 2023-08-22 | 国网福建省电力有限公司经济技术研究院 | 光伏电站功率预测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| 宋玮琼等: "考虑天气类型和历史相似日的短期光伏输出功率预测", 《电网与清洁能源》, vol. 39, no. 02, pages 75 - 82 * |
| 王如竹等: "《能源革命与绿色发展丛书 普通高等教育能源动力类系列教材 新能源系统》", 机械工业出版社, pages: 89 - 92 * |
| 石晗弘: "基于 AdaBelief 优化深度学习模型的多因素短期负荷预测研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 01, pages 2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116842855B (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
| CN110059878B (zh) | 基于cnn lstm光伏发电功率预测模型及其构建方法 | |
| Wang et al. | Accurate solar PV power prediction interval method based on frequency-domain decomposition and LSTM model | |
| Chai et al. | PV power prediction based on LSTM with adaptive hyperparameter adjustment | |
| CN113128793A (zh) | 一种基于多源数据融合的光伏功率组合预测方法及系统 | |
| CN112733462B (zh) | 一种结合气象因素的超短期风电场功率预测方法 | |
| CN111079980B (zh) | 基于自适应分类策略和混合优化svr的光功率预测方法 | |
| CN103489038A (zh) | 基于lm-bp神经网络的光伏超短期功率预测方法 | |
| CN114792156B (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
| CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
| CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
| Ren et al. | A CNN-LSTM hybrid model based short-term power load forecasting | |
| CN113516271A (zh) | 一种基于时空神经网络的风电集群功率日前预测方法 | |
| CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
| CN116345555A (zh) | 一种基于cnn-isca-lstm模型的短期光伏发电功率预测方法 | |
| Chu et al. | Image-based solar irradiance forecasting using recurrent neural networks | |
| CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
| CN116384583A (zh) | 一种基于多神经网络的光伏功率预测方法 | |
| CN117132132A (zh) | 基于气象数据的光伏发电功率预测方法 | |
| CN114676622A (zh) | 基于自编码器深度学习模型的短期光伏功率预测方法 | |
| CN117293809A (zh) | 一种基于大模型的多时空尺度新能源发电功率预测方法 | |
| Tai et al. | Power prediction of photovoltaic power generation based on LSTM model with additive Attention mechanism | |
| CN116842855B (zh) | 分布式光伏配电网出力预测方法、装置、电子设备及介质 | |
| CN116090635A (zh) | 一种气象驱动的新能源发电功率预测方法 |
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 |