CN116894383A - 全年天气场景的随机模拟方法及装置 - Google Patents
全年天气场景的随机模拟方法及装置 Download PDFInfo
- Publication number
- CN116894383A CN116894383A CN202310843039.9A CN202310843039A CN116894383A CN 116894383 A CN116894383 A CN 116894383A CN 202310843039 A CN202310843039 A CN 202310843039A CN 116894383 A CN116894383 A CN 116894383A
- Authority
- CN
- China
- Prior art keywords
- annual
- data
- weather
- scene
- weather scene
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 92
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000012216 screening Methods 0.000 claims description 18
- 230000005855 radiation Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010248 power generation Methods 0.000 abstract description 17
- 238000005457 optimization Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000003491 array Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000002948 stochastic simulation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电力系统技术领域，特别涉及一种全年天气场景的随机模拟方法及装置，其中，方法包括：获取目标地的当地气候数据，并基于当地气候数据得到输入变量集合；构建全年天气场景仿真模型，结合条件贝叶斯生成对抗网络和输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型；基于训练后的全年天气场景仿真模型，获取目标地的至少一个气象因素条件下的全年随机天气场景数据。本申请实施例可以基于所在地区的当地气候数据训练全年天气场景仿真模型，以模拟生成符合特定气象类型标签的全年天气场景，从而有效提高仿真生成的全年光伏发电场景数据精度，进而实现发电单位和工业园区规划决策的协同优化，准确性与实用性更强。
Description
技术领域
本申请涉及电力系统技术领域，特别涉及一种全年天气场景的随机模拟方法及装置。
背景技术
分布式光伏电站在工业园区的应用范围逐渐广泛，分布式光伏电站在发电过程中，常受大气因素的不确定影响，包括如温度、风速、云量和太阳光辐射度等。
相关技术中，在分布式光伏电站的工业园区运行时由于天气的波动性和间歇性，导致光伏电站的出力具有不确定性和多变性，同时光伏电站的天气监测数据存在质量不稳定、利用率低和数据冗余的现象，难以为分布式光伏电站出力的模型构建提供所需场景数据基础，降低了光伏电站发电场景数据的精确性，亟待解决。
发明内容
本申请提供一种全年天气场景的随机模拟方法及装置，以解决相关技术中，在分布式光伏电站的工业园区运行时由于天气的波动性和间歇性，导致光伏电站的出力具有不确定性和多变性，同时光伏电站的天气监测数据存在质量不稳定、利用率低和数据冗余的现象，难以为分布式光伏电站出力的模型构建提供所需场景数据基础，降低了光伏电站发电场景数据的精确性等问题。
本申请第一方面实施例提供一种全年天气场景的随机模拟方法，包括以下步骤：获取目标地的当地气候数据，并基于所述当地气候数据得到输入变量集合；构建全年天气场景仿真模型，结合条件贝叶斯生成对抗网络和所述输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型；基于所述训练后的全年天气场景仿真模型，获取所述目标地的至少一个气象因素条件下的全年随机天气场景数据。
可选地，在本申请的一个实施例中，所述获取目标地的当地气候数据，并基于所述当地气候数据得到输入变量集合，包括：基于所述当地气候数据，根据至少一个目标用途生成待选输入变量集合，其中，所述待选输入变量集合包括历史温度、历史直接辐射和历史散射辐射数据集合与对应每日的气象特征集合；基于所述待选输入变量集合，利用预设随机洗牌算法筛选出满足预设筛选条件的输入变量，确定所述输入变量集合。
可选地，在本申请的一个实施例中，所述结合条件贝叶斯生成对抗网络和所述输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型，包括：获取所述输入变量集合生成的场景分布数据，基于所述场景分布数据训练所述条件贝叶斯生成对抗网络的判别网络和生成网络，以得到所述训练后的全年天气场景仿真模型。
可选地，在本申请的一个实施例中，所述结合条件贝叶斯生成对抗网络和所述输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型，包括：获取判别网络对历史真实天气场景数据和所述生成天气场景数据的判别损失；将所述判别损失反馈至所述生成网络和所述判别网络中进行迭代，直至满足预设迭代停止条件，得到迭代更新后的权重参数，并基于所述迭代更新后的权重参数得到所述训练后的全年天气场景仿真模型。
本申请第二方面实施例提供一种全年天气场景的随机模拟装置，包括：获取模块，用于获取目标地的当地气候数据，并基于所述当地气候数据得到输入变量集合；训练模块，用于构建全年天气场景仿真模型，结合条件贝叶斯生成对抗网络和所述输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型；模拟模块，用于基于所述训练后的全年天气场景仿真模型，获取所述目标地的至少一个气象因素条件下的全年随机天气场景数据。
可选地，在本申请的一个实施例中，所述获取模块包括：生成单元，用于基于所述当地气候数据，根据至少一个目标用途生成待选输入变量集合，其中，所述待选输入变量集合包括历史温度、历史直接辐射和历史散射辐射数据集合与对应每日的气象特征集合；筛选单元，用于基于所述待选输入变量集合，利用预设随机洗牌算法筛选出满足预设筛选条件的输入变量，确定所述输入变量集合。
可选地，在本申请的一个实施例中，所述训练模块包括：训练单元，用于获取所述输入变量集合生成的场景分布数据，基于所述场景分布数据训练所述条件贝叶斯生成对抗网络的判别网络和生成网络，以得到所述训练后的全年天气场景仿真模型。
可选地，在本申请的一个实施例中，所述训练模块包括：获取单元，用于获取判别网络对历史真实天气场景数据和所述生成天气场景数据的判别损失；迭代单元，用于将所述判别损失反馈至所述生成网络和所述判别网络中进行迭代，直至满足预设迭代停止条件，得到迭代更新后的权重参数，并基于所述迭代更新后的权重参数得到所述训练后的全年天气场景仿真模型。
本申请第三方面实施例提供一种电子设备，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，所述处理器执行所述程序，以实现如上述实施例所述的全年天气场景的随机模拟方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的全年天气场景的随机模拟方法。
本申请实施例可以生成海量高精度的天气场景数据。由此，从而有效提高仿真生成的全年光伏发电场景数据精度，进而解决了发电单位和工业园区规划决策的协同优化等问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种全年天气场景的随机模拟方法的流程图；
图2为本申请一个实施例的基于条件贝叶斯生成对抗网络的全年天气场景随机模拟方法的流程示意图；
图3为本申请一个实施例的基于条件贝叶斯生成对抗网络的全年天气场景随机模拟系统的结构示意图；
图4为根据本申请实施例的全年天气场景的随机模拟装置的结构示意图；
图5为根据本申请实施例的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的全年天气场景的随机模拟方法及装置。针对上述背景技术中提到的相关技术中，在分布式光伏电站的工业园区运行时由于天气的波动性和间歇性，导致光伏电站的出力具有不确定性和多变性，同时光伏电站的天气监测数据存在质量不稳定、利用率低和数据冗余的现象，难以为分布式光伏电站出力的模型构建提供所需场景数据基础，降低了光伏电站发电场景数据的精确性的问题，本申请提供了一种全年天气场景的随机模拟方法，可以基于所在地区的当地气候数据训练全年天气场景仿真模型，以模拟生成符合特定气象类型标签的全年天气场景，从而有效提高仿真生成的全年光伏发电场景数据精度，进而实现发电单位和工业园区规划决策的协同优化，准确性与实用性更强。由此，解决了相关技术中，在分布式光伏电站的工业园区运行时由于天气的波动性和间歇性，导致光伏电站的出力具有不确定性和多变性，同时光伏电站的天气监测数据存在质量不稳定、利用率低和数据冗余的现象，难以为分布式光伏电站出力的模型构建提供所需场景数据基础，降低了光伏电站发电场景数据的精确性等问题。
具体而言，图1为本申请实施例所提供的一种全年天气场景的随机模拟方法的流程示意图。
如图1所示，该全年天气场景的随机模拟方法包括以下步骤：
在步骤S101中，获取目标地的当地气候数据，并基于当地气候数据得到输入变量集合。
可以理解的是，在本申请的实施例中，可以获取全年天气场景的随机模拟对象，即目标地的当地气候数据，当地气候数据可为目标地历史气候数据中的全年气候数据，通过对当地气候数据进行数据处理，获取输入变量集合。
可选地，在本申请的一个实施例中，获取目标地的当地气候数据，并基于当地气候数据得到输入变量集合，包括：基于当地气候数据，根据至少一个目标用途生成待选输入变量集合，其中，待选输入变量集合包括历史温度、历史直接辐射和历史散射辐射数据集合与对应每日的气象特征集合；基于待选输入变量集合，利用预设随机洗牌算法筛选出满足预设筛选条件的输入变量，确定输入变量集合。
在实际执行过程中，可以根据所得当地气象数据，获取每一个待选输入变量，包括小时精度的全年历史温度、全年历史直接辐射和全年历史散射辐射数据集与对应每日的气象特征集合。每日的气象特征集合可通过获取当地历史全年每日的单位天气类型，对单位天气类型进行替换，每种天气类型分别对应一种变量，得到单位天气类型变量，构成对应每日的气象特征集合。进而确定当地气象数据与对应每日的气象特征集合为待选输入变量，通过随机洗牌算法对待选输入变量的时间序列随机排序选取，以得到洗牌后的待选输入变量，根据预设筛选条件筛选符合目标用途的输入变量，最终确定输入变量集合。
需要说明的是，预设随机洗牌算法和预设筛选条件可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
在步骤S102中，构建全年天气场景仿真模型，结合条件贝叶斯生成对抗网络和输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型。
可以理解的是，在本申请的实施例中，基于上述步骤所得输入变量集合，输入至构建好的全年天气场景仿真模型中进行训练，全年天气场景仿真模型包括条件贝叶斯生成对抗网络，获取训练后的全年天气场景仿真模型。
可选地，在本申请的一个实施例中，结合条件贝叶斯生成对抗网络和输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型，包括：获取输入变量集合生成的场景分布数据，基于场景分布数据训练条件贝叶斯生成对抗网络的判别网络和生成网络，以得到训练后的全年天气场景仿真模型。
在实际执行过程中，可以对输入变量集合进行标准化处理，得到场景分布数据，以消除数据的量纲影响，并将生成的场景分布数据输入至条件贝叶斯生成对抗网络中，由判别网络和生成网络执行训练过程，并最终获取训练后的全年天气场景仿真模型。
可选地，在本申请的一个实施例中，结合条件贝叶斯生成对抗网络和输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型，包括：获取判别网络对历史真实天气场景数据和生成天气场景数据的判别损失；将判别损失反馈至生成网络和判别网络中进行迭代，直至满足预设迭代停止条件，得到迭代更新后的权重参数，并基于迭代更新后的权重参数得到训练后的全年天气场景仿真模型。
具体而言，可以基于场景分布数据所对应的历史真实天气场景数据，即当地气候数据中的每日气象特征集合，由判别网络对历史真实天气场景数据和生成天气场景数据进行处理，获取二者的判别损失，以将判别损失输入到学习模块中计算模型更新变量，进而反馈到基于卷积神经网络实现的生成网络和判别网络中，并在判别网络和生成网络的权重参数中引入贝叶斯公式，对权重参数进行迭代采样，直至满足预设迭代停止条件，基于此时的权重参数最终得到更新后的全年天气场景仿真模型。
需要说明的是，预设迭代停止条件可由本领域技术人员根据实际情况进行设置，在此不作具体限定。
在步骤S103中，基于训练后的全年天气场景仿真模型，获取目标地的至少一个气象因素条件下的全年随机天气场景数据。
可以理解的是，在本申请的实施例中，可以利用上述步骤中所得训练好的全年天气仿真模型，将随机高斯噪声与目标地中所指定的气象因素输入到训练好的全年天气仿真模型中，最终得到对应气象因素的全年天气场景。
具体而言，可以使用对分布式屋顶光伏发电有作用的气象因素信息输入模型中，生成符合特定气象类型标签的天气场景，通过采用当地每日气象类型与当地小时精度气象数据作为全年随机天气场景仿真模型的输入变量，得到高精度的全年天气场景数据，有助于实现发电单位和工业园区规划决策的协同优化。
如图2-3所示，下面以一个具体实施例对本申请实施例的工作内容进行详细阐述，未基于条件贝叶斯生成对抗网络的全年天气场景随机模拟方法的流程示意图及其对应的系统结构示意图，其中系统包括采集件301、获取件302、选择件303、训练件304和仿真件305。
步骤S201：收集当地气候数据，包括当地历史全年每日天气类型、全年小时精度温度、全年小时精度直接辐射和全年小时精度散射辐射。
具体地，获取天气变量历史场景样本数据，天气变量包括室外环境温度和太阳光总辐射度，对于每一组天气场景数据集设置有m个变量，且服从xi～pdata{xi}分布。
步骤S202：根据目标用途得到模型的输入变量集合。
具体地，根据目标用途得到模型的输入变量集合。
步骤S203：根据待选输入变量集合随机洗牌原则得到全年天气场景仿真模型的输入变量集合。
具体地，根据待选输入变量集合随机洗牌原则得到全年天气场景仿真模型的输入变量集合。
步骤S204：通过贝叶斯生成对抗网络对输入变量集合和输出变量的数据进行训练，以获取全年天气场景仿真模型。
具体地，对输入变量集合进行标准化处理，得到场景样本数据X，初始化学习率和生成器、判别器的权重参数θG和θD，把噪声znoise作为生成器的输入进行训练，先固定生成器，生成新的数据场景分布后，和X一同训练判别器并更新权重参数θD，判别器进行判断和优化，继而固定判别器，继续训练生成器并更新权重参数θG，输出判定任意xi来自真实数据分布的类别。
步骤S205：通过全年天气场景仿真模型获取指定气象因素条件下的全年随机天气场景数据。
具体地，通过全年天气场景仿真模型获取指定气象因素条件下的全年随机天气场景数据，最后输出高精度天气场景。
根据本申请实施例提出的全年天气场景的随机模拟方法，可以基于所在地区的当地气候数据训练全年天气场景仿真模型，以模拟生成符合特定气象类型标签的全年天气场景，从而有效提高仿真生成的全年光伏发电场景数据精度，进而实现发电单位和工业园区规划决策的协同优化，准确性与实用性更强。由此，解决了相关技术中，在分布式光伏电站的工业园区运行时由于天气的波动性和间歇性，导致光伏电站的出力具有不确定性和多变性，同时光伏电站的天气监测数据存在质量不稳定、利用率低和数据冗余的现象，难以为分布式光伏电站出力的模型构建提供所需场景数据基础，降低了光伏电站发电场景数据的精确性等问题。
其次参照附图描述根据本申请实施例提出的全年天气场景的随机模拟装置。
图4是本申请实施例的全年天气场景的随机模拟装置的结构示意图。
如图4所示，该全年天气场景的随机模拟装置10包括：获取模块100、训练模块200和模拟模块300。
其中，获取模块100，用于获取目标地的当地气候数据，并基于当地气候数据得到输入变量集合。
训练模块200，用于构建全年天气场景仿真模型，结合条件贝叶斯生成对抗网络和输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型。
模拟模块300，用于基于训练后的全年天气场景仿真模型，获取目标地的至少一个气象因素条件下的全年随机天气场景数据。
可选地，在本申请的一个实施例中，获取模块100包括：生成单元和筛选单元。
其中，生成单元，用于基于当地气候数据，根据至少一个目标用途生成待选输入变量集合，其中，待选输入变量集合包括历史温度、历史直接辐射和历史散射辐射数据集合与对应每日的气象特征集合。
筛选单元，用于基于待选输入变量集合，利用预设随机洗牌算法筛选出满足预设筛选条件的输入变量，确定输入变量集合。
可选地，在本申请的一个实施例中，训练模块200包括：训练单元。
其中，训练单元，用于获取输入变量集合生成的场景分布数据，基于场景分布数据训练条件贝叶斯生成对抗网络的判别网络和生成网络，以得到训练后的全年天气场景仿真模型。
可选地，在本申请的一个实施例中，训练模块200包括：获取单元和迭代单元。
其中，获取单元，用于获取判别网络对历史真实天气场景数据和生成天气场景数据的判别损失。
迭代单元，用于将判别损失反馈至生成网络和判别网络中进行迭代，直至满足预设迭代停止条件，得到迭代更新后的权重参数，并基于迭代更新后的权重参数得到训练后的全年天气场景仿真模型。
需要说明的是，前述对全年天气场景的随机模拟方法实施例的解释说明也适用于该实施例的全年天气场景的随机模拟装置，此处不再赘述。
根据本申请实施例提出的全年天气场景的随机模拟装置，可以基于所在地区的当地气候数据训练全年天气场景仿真模型，以模拟生成符合特定气象类型标签的全年天气场景，从而有效提高仿真生成的全年光伏发电场景数据精度，进而实现发电单位和工业园区规划决策的协同优化，准确性与实用性更强。由此，解决了相关技术中，在分布式光伏电站的工业园区运行时由于天气的波动性和间歇性，导致光伏电站的出力具有不确定性和多变性，同时光伏电站的天气监测数据存在质量不稳定、利用率低和数据冗余的现象，难以为分布式光伏电站出力的模型构建提供所需场景数据基础，降低了光伏电站发电场景数据的精确性等问题。
图5为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器501、处理器502及存储在存储器501上并可在处理器502上运行的计算机程序。
处理器502执行程序时实现上述实施例中提供的全年天气场景的随机模拟方法。
进一步地，电子设备还包括：
通信接口503，用于存储器501和处理器502之间的通信。
存储器501，用于存放可在处理器502上运行的计算机程序。
存储器501可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器501、处理器502和通信接口503独立实现，则通信接口503、存储器501和处理器502可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图5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。
可选地，在具体实现上，如果存储器501、处理器502及通信接口503，集成在一块芯片上实现，则存储器501、处理器502及通信接口503可以通过内部接口完成相互间的通信。
处理器502可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的全年天气场景的随机模拟方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种全年天气场景的随机模拟方法，其特征在于，包括以下步骤：
获取目标地的当地气候数据，并基于所述当地气候数据得到输入变量集合；
构建全年天气场景仿真模型，结合条件贝叶斯生成对抗网络和所述输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型；以及
基于所述训练后的全年天气场景仿真模型，获取所述目标地的至少一个气象因素条件下的全年随机天气场景数据。
2.根据权利要求1所述的方法，其特征在于，所述获取目标地的当地气候数据，并基于所述当地气候数据得到输入变量集合，包括：
基于所述当地气候数据，根据至少一个目标用途生成待选输入变量集合，其中，所述待选输入变量集合包括历史温度、历史直接辐射和历史散射辐射数据集合与对应每日的气象特征集合；
基于所述待选输入变量集合，利用预设随机洗牌算法筛选出满足预设筛选条件的输入变量，确定所述输入变量集合。
3.根据权利要求1所述的方法，其特征在于，所述结合条件贝叶斯生成对抗网络和所述输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型，包括：
获取所述输入变量集合生成的场景分布数据，基于所述场景分布数据训练所述条件贝叶斯生成对抗网络的判别网络和生成网络，以得到所述训练后的全年天气场景仿真模型。
4.根据权利要求3所述的方法，其特征在于，所述结合条件贝叶斯生成对抗网络和所述输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型，包括：
获取判别网络对历史真实天气场景数据和所述生成天气场景数据的判别损失；
将所述判别损失反馈至所述生成网络和所述判别网络中进行迭代，直至满足预设迭代停止条件，得到迭代更新后的权重参数，并基于所述迭代更新后的权重参数得到所述训练后的全年天气场景仿真模型。
5.一种全年天气场景的随机模拟装置，其特征在于，包括：
获取模块，用于获取目标地的当地气候数据，并基于所述当地气候数据得到输入变量集合；
训练模块，用于构建全年天气场景仿真模型，结合条件贝叶斯生成对抗网络和所述输入变量集合进行模型训练，得到训练后的全年天气场景仿真模型；以及
模拟模块，用于基于所述训练后的全年天气场景仿真模型，获取所述目标地的至少一个气象因素条件下的全年随机天气场景数据。
6.根据权利要求5所述的装置，其特征在于，所述获取模块包括：
生成单元，用于基于所述当地气候数据，根据至少一个目标用途生成待选输入变量集合，其中，所述待选输入变量集合包括历史温度、历史直接辐射和历史散射辐射数据集合与对应每日的气象特征集合；
筛选单元，用于基于所述待选输入变量集合，利用预设随机洗牌算法筛选出满足预设筛选条件的输入变量，确定所述输入变量集合。
7.根据权利要求5所述的装置，其特征在于，所述训练模块包括：
训练单元，用于获取所述输入变量集合生成的场景分布数据，基于所述场景分布数据训练所述条件贝叶斯生成对抗网络的判别网络和生成网络，以得到所述训练后的全年天气场景仿真模型。
8.根据权利要求7所述的装置，其特征在于，所述训练模块包括：
获取单元，用于获取判别网络对历史真实天气场景数据和所述生成天气场景数据的判别损失；
迭代单元，用于将所述判别损失反馈至所述生成网络和所述判别网络中进行迭代，直至满足预设迭代停止条件，得到迭代更新后的权重参数，并基于所述迭代更新后的权重参数得到所述训练后的全年天气场景仿真模型。
9.一种电子设备，其特征在于，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，所述处理器执行所述程序，以实现如权利要求1-4任一项所述的全年天气场景的随机模拟方法。
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，该程序被处理器执行，以用于实现如权利要求1-4任一项所述的全年天气场景的随机模拟方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310843039.9A CN116894383A (zh) | 2023-07-10 | 2023-07-10 | 全年天气场景的随机模拟方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310843039.9A CN116894383A (zh) | 2023-07-10 | 2023-07-10 | 全年天气场景的随机模拟方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116894383A true CN116894383A (zh) | 2023-10-17 |
Family
ID=88313019
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310843039.9A Pending CN116894383A (zh) | 2023-07-10 | 2023-07-10 | 全年天气场景的随机模拟方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116894383A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117521424A (zh) * | 2024-01-05 | 2024-02-06 | 中国电子科技集团公司第十五研究所 | 一种仿真训练场景生成方法和装置 |
-
2023
- 2023-07-10 CN CN202310843039.9A patent/CN116894383A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117521424A (zh) * | 2024-01-05 | 2024-02-06 | 中国电子科技集团公司第十五研究所 | 一种仿真训练场景生成方法和装置 |
| CN117521424B (zh) * | 2024-01-05 | 2024-04-09 | 中国电子科技集团公司第十五研究所 | 一种仿真训练场景生成方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Carneiro et al. | Review on photovoltaic power and solar resource forecasting: current status and trends | |
| Semero et al. | A PSO-ANFIS based hybrid approach for short term PV power prediction in microgrids | |
| CN112285807B (zh) | 一种气象信息预测方法及装置 | |
| 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 | |
| CN116894383A (zh) | 全年天气场景的随机模拟方法及装置 | |
| KR102296309B1 (ko) | 태양광 발전량 예측 장치 및 그 방법 | |
| CN116224473B (zh) | 一种风速预报方法、模型训练方法、装置和存储介质 | |
| CN115907436B (zh) | 基于量质耦合预报的水资源水环境调控方法和系统 | |
| Pedro et al. | A database infrastructure to implement real-time solar and wind power generation intra-hour forecasts | |
| KR20210045698A (ko) | 기상정보를 이용한 태양광발전소의 발전량 예측시스템 및 이를 이용한 발전량 예측방법 | |
| CN111931991A (zh) | 气象临近预报方法、装置、计算机设备和存储介质 | |
| CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
| CN112906757A (zh) | 模型训练方法、光功率预测方法、装置、设备及存储介质 | |
| CN116680569A (zh) | 基于rwkv神经网络的风资源预测方法和装置 | |
| US11830090B2 (en) | Methods and systems for an enhanced energy grid system | |
| CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| CN117252288A (zh) | 一种区域资源有功支撑能力预测方法及系统 | |
| Lee et al. | Bayesian deep learning-based confidence-aware solar irradiance forecasting system | |
| Pai et al. | Long range forecast on south west monsoon rainfall using artificial neural networks based on clustering approach | |
| CN115359310B (zh) | 一种基于ConvLSTM和条件随机场的SIC预测方法及系统 | |
| CN114596702B (zh) | 一种交通状态预测模型构建方法及交通状态预测方法 | |
| CN116029440A (zh) | 光伏电站超短期功率预测方法和装置 | |
| Zafarani et al. | Assessing the utility of weather data for photovoltaic power prediction | |
| CN116070728A (zh) | 光伏发电系统发电量预测方法、设备、系统及介质 | |
| CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 |
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 |