CN116933078A - 太阳辐照度区间预测方法、装置、计算机设备及存储介质 - Google Patents

太阳辐照度区间预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN116933078A
CN116933078A CN202310885876.8A CN202310885876A CN116933078A CN 116933078 A CN116933078 A CN 116933078A CN 202310885876 A CN202310885876 A CN 202310885876A CN 116933078 A CN116933078 A CN 116933078A
Authority
CN
China
Prior art keywords
solar irradiance
data set
interval
prediction
parameter 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.)
Pending
Application number
CN202310885876.8A
Other languages
English (en)
Inventor
刘何稚
李杨
王兴宁
王波
单海超
曹长冲
沈玉超
李晨晞
赵丽蓉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges International Corp
Original Assignee
China Three Gorges International Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges International Corp filed Critical China Three Gorges International Corp
Priority to CN202310885876.8A priority Critical patent/CN116933078A/zh
Publication of CN116933078A publication Critical patent/CN116933078A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • 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"

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Optimization (AREA)
  • Economics (AREA)
  • Mathematical Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)

Abstract

本发明涉及区间预测技术领域，公开了一种太阳辐照度区间预测方法、装置、计算机设备及存储介质，获取历史环境参数数据集和待预测周期内的第一环境参数数据集，并确定第一环境样本数据集；建立目标太阳辐照度预测模型；将第一环境参数数据集输入目标太阳辐照度预测模型，得到待预测周期内的太阳辐照度预测结果；基于第一环境样本数据集，利用自主采样法对待预测周期内的太阳辐照度预测结果进行区间预测，得到待预测周期内的目标太阳辐照度区间预测结果。本发明既考虑了历史数据的相似性和规律性，又考虑了模型的复杂性和准确性。进一步，采用自主采样法对太阳辐照度预测结果进行区间预测，有效增加了预测结果的可靠性和置信度。

Description

太阳辐照度区间预测方法、装置、计算机设备及存储介质
技术领域
本发明涉及区间预测技术领域，具体涉及一种太阳辐照度区间预测方法、装置、计算机设备及存储介质。
背景技术
准确预测太阳辐照度是评估电站发电量和保证电力供应计划以及更有效平衡电网的基础。现阶段，用于短期太阳辐照度预测的方法主要包括物理模型方法、统计学习方法、人工神经网络方法、深度学习方法以及聚类分析方法等。其中物理模型方法计算复杂度高，但可以提供较高精度的预测结果；统计学方法不需要复杂的物理模型，计算效率高，但预测精度较低，受到数据质量和特征选择的影响比较大；人工神经网络方法可以适应复杂的非线性关系，但需要大量的数据和计算资源，且对网络结构和参数的选择比较敏感。深度学习方法需要大量的数据和计算资源，但可以提供较高精度的预测结果。
然而，现阶段的太阳辐照度短期预测方法都是基于单点预测，例如上述方法通常会给出一个确定的预测值，而不是预测值的置信区间，不能全面地反映了预测结果的不确定性，导致预测结果误差较大。
发明内容
有鉴于此，本发明提供了一种太阳辐照度区间预测方法、装置、计算机设备及存储介质，以解决现有的太阳辐照度短期预测方法都是基于单点预测，不能全面地反映了预测结果的不确定性，导致预测结果误差较大的问题。
第一方面，本发明提供了一种太阳辐照度区间预测方法，用于光伏电站；该太阳辐照度区间预测方法包括：
获取历史环境参数数据集和光伏电站在待预测周期内的第一环境参数数据集；基于历史环境参数数据集和第一环境参数数据集，确定第一环境样本数据集；基于第一环境样本数据集，建立目标太阳辐照度预测模型；将第一环境参数数据集输入目标太阳辐照度预测模型，得到待预测周期内的太阳辐照度预测结果；基于第一环境样本数据集，利用自主采样法对待预测周期内的太阳辐照度预测结果进行区间预测，得到待预测周期内的目标太阳辐照度区间预测结果。
本发明提供的太阳辐照度区间预测方法，基于历史环境参数数据集选取待预测周期内的第一环境参数数据集，并利用目标太阳辐照度预测模型进行预测，既考虑了历史数据的相似性和规律性，又考虑了模型的复杂性和准确性。进一步，采用自主采样法对太阳辐照度预测结果进行区间预测，有效增加了预测结果的可靠性和置信度。
在一种可选的实施方式中，基于历史环境参数数据集和第一环境参数数据集，确定第一环境样本数据集，包括：
基于历史环境参数数据集进行回归分析，并构建多元线性回归函数，多元线性回归函数反映环境参数与采集时间之间的关系；基于多元线性回归函数确定第二环境参数数据集；基于历史环境参数数据集和第二环境参数数据集，确定第一环境样本数据集。
本发明通过构建反映环境参数与采集时间之间的关系的多元线性回归函数确定第二环境参数数据集，考虑了历史数据的相似性和规律性，为后续降低预测误差提供了数据支持。
在一种可选的实施方式中，基于历史环境参数数据集和第二环境参数数据集，确定第一环境样本数据集，包括：
计算历史环境参数数据集中每个预设采集时间对应的历史环境参数数据与第二环境参数数据集中预设采集时间对应的第二环境参数数据的马氏距离；基于每个马氏距离确定目标周期；基于目标周期，在历史环境参数数据集中确定第一环境样本数据集。
本发明结合马氏距离确定目标周期和第一环境样本数据集，考虑了各个数据特征之间的相关性，能够有效地处理不同数据特征之间的度量尺度不同的问题。
在一种可选的实施方式中，基于第一环境样本数据集，建立目标太阳辐照度预测模型，包括：
基于第一环境样本数据集确定第一环境样本数据子集和第二环境样本数据子集；将第一环境样本数据子集输入预设神经网络进行训练，得到初始太阳辐照度预测模型；利用第二环境样本数据子集对初始太阳辐照度预测模型进行验证，得到目标太阳辐照度预测模型。
本发明利用第一环境样本数据子集建立目标太阳辐照度预测模型，并结合第二环境样本数据子集进行验证，考虑了模型的复杂性和准确性，提高了模型预测的准确度。
在一种可选的实施方式中，基于第一环境样本数据集，利用自主采样法对待预测周期内的太阳辐照度预测结果进行区间预测，得到待预测周期内的目标太阳辐照度区间预测结果，包括：
利用自主采样法在第一环境样本数据集中确定至少一个第二环境样本数据集；基于每个第二环境样本数据集，建立至少一个目标太阳辐照度预测模型；将第一环境参数数据集分别输入每个目标太阳辐照度预测模型，得到至少一个太阳辐照度预测结果；基于每个太阳辐照度预测结果和每个预设区间预测置信度值，确定至少一个置信度区间范围和待预测周期内的至少一个初始太阳辐照度区间预测结果；基于每个置信度区间范围确定每个初始太阳辐照度区间预测结果的精确度；基于每个精确度和每个初始太阳辐照度区间预测结果，确定待预测周期内的目标太阳辐照度区间预测结果。
本发明利用自主采样法对太阳辐照度预测结果进行区间预测，不需要对原始的第一环境样本数据集做任何假设，可以直接从第一环境样本数据集中估计分布和参数，并且可以通过计算置信度区间范围来量化估计量的不确定性，有效增加了预测结果的可靠性和置信度。
在一种可选的实施方式中，基于每个太阳辐照度预测结果和每个预设区间预测置信度值，确定至少一个置信度区间范围和待预测周期内的至少一个初始太阳辐照度区间预测结果，包括：
获取每个第二环境样本数据集的样本个数；基于每个太阳辐照度预测结果，确定太阳辐照度平均值和太阳辐照度标准差；基于太阳辐照度标准差、每个预设区间预测置信度值和每个样本个数确定至少一个区间值；基于每个区间值和太阳辐照度平均值确定每个预设区间预测置信度值对应的置信度区间范围；基于每个置信度区间范围确定待预测周期内的至少一个初始太阳辐照度区间预测结果。
本发明通过计算置信度区间范围来量化估计量的不确定性，有效增加了预测结果的可靠性和置信度。
在一种可选的实施方式中，基于每个置信度区间范围确定每个初始太阳辐照度区间预测结果的精确度，包括：
利用大数据方法获取每个置信度区间范围对应的每个太阳辐照度区间预测结果的精确度等级；基于每个精确度等级建立评价指标矩阵；基于每个太阳辐照度预测结果建立太阳辐照度矩阵；基于评价指标矩阵和太阳辐照度矩阵建立隶属度矩阵；基于隶属度矩阵和每个太阳辐照度预测结果确定每个初始太阳辐照度区间预测结果的精确度。
本发明通过计算置信度区间范围来量化估计量的不确定性，有效增加了预测结果的可靠性和置信度。
第二方面，本发明提供了一种太阳辐照度区间预测装置，用于光伏电站；该太阳辐照度区间预测包括：
获取模块，用于获取历史环境参数数据集和光伏电站在待预测周期内的第一环境参数数据集；确定模块，用于基于历史环境参数数据集和第一环境参数数据集，确定第一环境样本数据集；建立模块，用于基于第一环境样本数据集，建立目标太阳辐照度预测模型；输入模块，用于将第一环境参数数据集输入目标太阳辐照度预测模型，得到待预测周期内的太阳辐照度预测结果；预测模块，用于基于第一环境样本数据集，利用自主采样法对待预测周期内的太阳辐照度预测结果进行区间预测，得到待预测周期内的目标太阳辐照度区间预测结果。
第三方面，本发明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，从而执行上述第一方面或其对应的任一实施方式的太阳辐照度区间预测方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的太阳辐照度区间预测方法。
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是根据本发明实施例的太阳辐照度区间预测方法的流程示意图；
图2是根据本发明实施例的另一太阳辐照度区间预测方法的流程示意图；
图3是根据本发明实施例的又一太阳辐照度区间预测方法的流程示意图；
图4是根据本发明实施例的用于光伏电站的太阳辐照度区间预测方法的流程示意图；
图5是根据本发明实施例的太阳辐照度区间预测装置的结构框图；
图6是本发明实施例的计算机设备的硬件结构示意图。
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。
准确预测太阳辐照度是评估电站发电量和保证电力供应计划以及更有效平衡电网的基础。
因此。本发明实施例提供了一种太阳辐照度区间预测方法，用于光伏电站。通过选取目标周期检索条件，并利用目标太阳辐照度预测模型进行预测以达到增加预测结果的可靠性和置信度的效果。
根据本发明实施例，提供了一种太阳辐照度区间预测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种太阳辐照度区间预测方法，可用于光伏电站，图1是根据本发明实施例的太阳辐照度区间预测方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，获取历史环境参数数据集和光伏电站在待预测周期内的第一环境参数数据集。
其中，历史环境参数数据集表示光伏电站在历史采集周期内采集的包括太阳辐照度、气温、湿度等环境参数的集合。
第一环境参数数据集表示光伏电站在待预测周期内采集的包括太阳辐照度、气温、湿度等环境参数的集合。
具体地，历史环境参数数据集包括若干存储各类别环境参数的数据子库，且每个数据子库对应一个类别标签。
根据光伏电站采集的实时环境参数构建实时环境参数数据集，确定实时环境参数数据集中各环境参数类别，比如为气温、湿度、风速和辐照度等。
进一步，将实时环境参数数据集与各数据子库的类别标签进行匹配，将实时环境参数数据集中环境参数类别与各数据子库的类别标签匹配失败的环境参数标记为异常数据并删除实时环境参数数据集中的异常数据。
最后，将删除异常数据后的实时环境参数数据集作为待预测周期内的第一环境参数数据集。
步骤S102，基于历史环境参数数据集和第一环境参数数据集，确定第一环境样本数据集。
其中，第一环境样本数据集表示待预测周期内与历史环境参数数据集对应的历史采集周期相似的采集周期内的环境参数数据的集合。
步骤S103，基于第一环境样本数据集，建立目标太阳辐照度预测模型。
具体地，利用第一环境样本数据集进行模型训练，可以得到满足条件的目标太阳辐照度预测模型。
步骤S104，将第一环境参数数据集输入目标太阳辐照度预测模型，得到待预测周期内的太阳辐照度预测结果。
具体地，将待预测周期内光伏电站采集的第一环境参数数据集输入构建好的目标太阳辐照度预测模型，可以输出对应的待预测周期内的太阳辐照度预测结果。
步骤S105，基于第一环境样本数据集，利用自主采样法对待预测周期内的太阳辐照度预测结果进行区间预测，得到待预测周期内的目标太阳辐照度区间预测结果。
其中，自主采样法表示一种采样过程中无需人干预通过一起设备按预先制定的程序进行连续或不连续的样品采集方式。
本实施例中利用自主采样法对待预测周期内的太阳辐照度预测结果进行区间预测，可以直接从第一环境样本数据集中估计分布和参数，有效增加了预测结果的可靠性和置信度。
本实施例提供的太阳辐照度区间预测方法，基于历史环境参数数据集过选取待预测周期内的第一环境参数数据集，并利用目标太阳辐照度预测模型进行预测，既考虑了历史数据的相似性和规律性，又考虑了模型的复杂性和准确性。进一步，采用自主采样法对太阳辐照度预测结果进行区间预测，有效增加了预测结果的可靠性和置信度。
在本实施例中提供了一种太阳辐照度区间预测方法，可用于光伏电站，图2是根据本发明实施例的太阳辐照度区间预测方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取历史环境参数数据集和光伏电站在待预测周期内的第一环境参数数据集。详细请参见图1所示实施例的步骤S101，在此不再赘述。
步骤S202，基于历史环境参数数据集和第一环境参数数据集，确定第一环境样本数据集。
具体地，上述步骤S202包括：
步骤S2021，基于历史环境参数数据集进行回归分析，并构建多元线性回归函数。
其中，多元线性回归函数反映环境参数与采集时间之间的关系。
具体地，以历史环境参数数据集中的若干历史采集周期中各类别环境参数的采集时间为自变量，以历史环境参数数据集中的若干历史采集周期中不同采集时间的各类别环境参数作为因变量进行回归分析，并根据回归分析结果构建环境参数与采集时间之间相互关系的多元线性回归函数。
步骤S2022，基于多元线性回归函数确定第二环境参数数据集。
具体地，根据多元线性回归函数建立待预测周期随时间变化的各类别环境参数变化趋势曲线，各类别环境参数变化趋势曲线以采集时间为横坐标，以各类型的环境参数为纵坐标，将各类别环境参数变化趋势曲线中不同采集时间的各类型环境参数作为第二环境参数数据集。
步骤S2023，基于历史环境参数数据集和第二环境参数数据集，确定第一环境样本数据集。
具体地，将第二环境参数数据集作为确定第一环境样本数据集的条件，进一步，根据该条件可以在历史环境参数数据集中获取第一环境样本数据集。
在一些可选的实施方式中，上述步骤S2023包括：
步骤a1，计算历史环境参数数据集中每个预设采集时间对应的历史环境参数数据与第二环境参数数据集中预设采集时间对应的第二环境参数数据的马氏距离。
步骤a2，基于每个马氏距离确定目标周期。
步骤a3，基于目标周期，在历史环境参数数据集中确定第一环境样本数据集。
具体地，对于历史环境参数数据集中的各类别环境参数值，获得其与第二环境参数数据集中同一采集时间内对应环境参数值之间的马氏距离。
然后，将历史环境参数数据集中各历史采集周期中所有类别环境参数的马氏距离值累加得到马氏总距离，并选取马氏总距离最小的历史采集周期作为相似周期，即目标周期。
最后，在历史环境参数数据集中选取目标周期对应的环境参数数据作为第一环境样本数据集。
步骤S203，基于第一环境样本数据集，建立目标太阳辐照度预测模型。
具体地，上述步骤S203包括：
步骤S2031，基于第一环境样本数据集确定第一环境样本数据子集和第二环境样本数据子集。
具体地，将第一环境样本数据集划分为第一环境样本数据子集和第二环境样本数据子集。其中，第一环境样本数据子集作为模型训练集，第二环境样本数据子集作为模型测试集。
步骤S2032，将第一环境样本数据子集输入预设神经网络进行训练，得到初始太阳辐照度预测模型。
具体地，将一环境样本数据子集输入预设神经网络进行训练，直至预设模型损失函数训练平稳时，输出初始太阳辐照度预测模型，并保存该初始太阳辐照度预测模型的模型参数。
步骤S2033，利用第二环境样本数据子集对初始太阳辐照度预测模型进行验证，得到目标太阳辐照度预测模型。
具体地，利用第二环境样本数据子集对步骤S2032中迭代训练后的初始太阳辐照度预测模型的输出数据矩阵进行相似度验证，若验证通过，则输出目标太阳辐照度预测模型。
若验证不通过，则调整模型参数并利用第一环境样本数据子集重新训练直至训练得到的模型的输出数据矩阵可以通过相似度验证后，输出该目标太阳辐照度预测模型。
步骤S204，将第一环境参数数据集输入目标太阳辐照度预测模型，得到待预测周期内的太阳辐照度预测结果。详细请参见图1所示实施例的步骤S104，在此不再赘述。
步骤S205，基于第一环境样本数据集，利用自主采样法对待预测周期内的太阳辐照度预测结果进行区间预测，得到待预测周期内的目标太阳辐照度区间预测结果。详细请参见图1所示实施例的步骤S105，在此不再赘述。
本实施例提供的太阳辐照度区间预测方法，通过构建反映环境参数与采集时间之间的关系的多元线性回归函数确定第二环境参数数据集，考虑了历史数据的相似性和规律性，进一步，结合马氏距离确定目标周期和第一环境样本数据集，考虑了各个数据特征之间的相关性，能够有效地处理不同数据特征之间的度量尺度不同的问题。
在本实施例中提供了一种太阳辐照度区间预测方法，可用于光伏电站，图3是根据本发明实施例的太阳辐照度区间预测方法的流程图，如图3所示，该流程包括如下步骤：
步骤S301，获取历史环境参数数据集和光伏电站在待预测周期内的第一环境参数数据集。详细请参见图1所示实施例的步骤S101，在此不再赘述。
步骤S302，基于历史环境参数数据集和第一环境参数数据集，确定第一环境样本数据集。详细请参见图2所示实施例的步骤S202，在此不再赘述。
步骤S303，基于第一环境样本数据集，建立目标太阳辐照度预测模型。详细请参见图3所示实施例的步骤S203，在此不再赘述。
步骤S304，将第一环境参数数据集输入目标太阳辐照度预测模型，得到待预测周期内的太阳辐照度预测结果。详细请参见图1所示实施例的步骤S104，在此不再赘述。
步骤S305，基于第一环境样本数据集，利用自主采样法对待预测周期内的太阳辐照度预测结果进行区间预测，得到待预测周期内的目标太阳辐照度区间预测结果。
具体地，上述步骤S305包括：
步骤S3051，利用自主采样法在第一环境样本数据集中确定至少一个第二环境样本数据集。
具体地，以相似周期不同采集时间的各类别环境参数作为样本数据集，确定样本数据集抽取大小m以及抽取次数k，从样本数据集中随机有放回地抽取一个大小为m的样本，重复k次，将每次抽样的样本标记为一个Bootstrap样本，最终获得k个不同的Bootstrap样本；将每一个Bootstrap样本作为一个第二环境样本数据集。
步骤S3052，基于每个第二环境样本数据集，建立至少一个目标太阳辐照度预测模型。
具体地，通过训练每个第二环境样本数据集，可以建立每个第二环境样本数据集对应的一个目标太阳辐照度预测模型。其中，具体的训练过程参考上述步骤S203的具体描述，此处不再赘述。
步骤S3053，将第一环境参数数据集分别输入每个目标太阳辐照度预测模型，得到至少一个太阳辐照度预测结果。
具体地，将第一环境参数数据集分别输入构建好的每个目标太阳辐照度预测模型，可以得到每个目标太阳辐照度预测模型输出的太阳辐照度预测结果。
步骤S3054，基于每个太阳辐照度预测结果和每个预设区间预测置信度值，确定至少一个置信度区间范围和待预测周期内的至少一个初始太阳辐照度区间预测结果。
其中，区间预测表示在一定置信度下，对未来或者未知数据的预测给出一个区间估计。
具体地，将预设区间预测置信度值设置为不同的值，可以得到不同的置信度区间范围。
进一步，根据不同的置信度区间范围可以得到不同的初始太阳辐照度区间预测结果。
步骤S3055，基于每个置信度区间范围确定每个初始太阳辐照度区间预测结果的精确度。
具体地，根据步骤S3054的描述，初始太阳辐照度区间预测结果表示一定置信度下，对太阳辐照度预测结果的预测给出的区间估计结果。
因此，根据不同的置信度区间范围可以确定每个初始太阳辐照度区间预测结果的精确度。
步骤S3056，基于每个精确度和每个初始太阳辐照度区间预测结果，确定待预测周期内的目标太阳辐照度区间预测结果。
具体地，将精确度最高的初始太阳辐照度区间预测结果作为待预测周期内的目标太阳辐照度区间预测结果。
在一些可选的实施方式中，上述步骤S3054包括：
步骤b1，获取每个第二环境样本数据集的样本个数。
步骤b2，基于每个太阳辐照度预测结果，确定太阳辐照度平均值和太阳辐照度标准差。
步骤b3，基于太阳辐照度标准差、每个预设区间预测置信度值和每个样本个数确定至少一个区间值。
步骤b4，基于每个区间值和太阳辐照度平均值确定每个预设区间预测置信度值对应的置信度区间范围。
步骤b5，基于每个置信度区间范围确定待预测周期内的至少一个初始太阳辐照度区间预测结果。
首先，根据步骤S3051的描述，每个第二环境样本数据集的样本个数为k，进一步，将k个太阳辐照度预测结果按照从大到小的顺序进行排序，并计算太阳辐照度平均值v和太阳辐照度标准差s。
其次，利用如下关系式(1)计算区间值：
式中：L表示区间值；NORMSINV表示标准正太分布反函数；表示预设区间预测置信度值；/>表示置信水平。
然后，确定每个预设区间预测置信度值对应的置信度区间范围为：(v-L,v+L)。
最后，通过计算的置信度区间范围量化估计量的不确定性，即可以通过每个置信度区间范围确定待预测周期内的一个初始太阳辐照度区间预测结果。
在一些可选的实施方式中，上述步骤S3055包括：
步骤c1，利用大数据方法获取每个置信度区间范围对应的每个太阳辐照度区间预测结果的精确度等级。
步骤c2，基于每个精确度等级建立评价指标矩阵。
步骤c3，基于每个太阳辐照度预测结果建立太阳辐照度矩阵。
步骤c4，基于评价指标矩阵和太阳辐照度矩阵建立隶属度矩阵。
步骤c5，基于隶属度矩阵和每个太阳辐照度预测结果确定每个初始太阳辐照度区间预测结果的精确度。
首先，利用大数据方法获取不同置信度区间范围相对应的太阳辐照度区间预测结果的精确度等级，其中，该精确度等级可以包括95％、85％、80％、75％。
其次，根据不同置信度区间范围相对应的精确度等级建立关于预测区间精确度的评价指标矩阵，并根据太阳辐照度预测模型预测的每个太阳辐照度预测结果建立太阳辐照度矩阵。
然后，利用如下关系式(2)融合评价指标矩阵和太阳辐照度矩阵以获得表示太阳辐照度预测模型预测的太阳辐照度预测结果与预测区间精确度之间模糊关系的隶属度矩阵：
M＝αM1+βM2 (2)
式中：M表示隶属度矩阵；M1表示评价指标矩阵；M2表示太阳辐照度矩阵；α和β表示用于控制隶属度矩阵中评价指标矩阵和太阳辐照度矩阵之间的平衡的加权参数；“+”表示评价指标矩阵和太阳辐照度矩阵相对应位置处的元素相加。
最后，基于每个太阳辐照度预测结果可以确定对应的置信度区间范围，进一步，基于置信度区间范围可以在隶属度矩阵中确定每个初始太阳辐照度区间预测结果的精确度。
本实施例提供的太阳辐照度区间预测方法，利用自主采样法对太阳辐照度预测结果进行区间预测，不需要对原始的第一环境样本数据集做任何假设，可以直接从第一环境样本数据集中估计分布和参数，并且可以通过计算置信度区间范围来量化估计量的不确定性，有效增加了预测结果的可靠性和置信度。
在一实例中，提供一种用于光伏电站的太阳辐照度区间预测方法，如图4所示，包括以下步骤：
步骤S1：获取光伏电站采集的实时环境参数并标记采集时间，设置采集周期，并根据历史数据库中的环境参数信息对实时环境参数进行数据清洗；
步骤S2：根据待预测周期设置相似周期检索条件，从历史数据库中提取满足相似周期检索条件的样本数据，以选取的相似周期的各类别环境参数作为输入特征，太阳辐照度作为输出标签，构建太阳辐照度预测模型；
步骤S3：利用自主采样法对预测结果进行区间预测，根据预测结果所在区间范围确定预测结果精确度。
进一步，根据历史数据库中的环境参数信息对实时环境参数进行数据清洗的过程包括：
根据光伏电站采集的实时环境参数构建实时环境参数数据集，确定实时环境参数数据集中各环境参数类别；历史数据库包含若干存储各类别环境参数的数据子库，生成各数据子库的类别标签；将实时环境参数数据集与各数据子库的类别标签进行匹配，将实时环境参数数据集中环境参数类别与各数据子库的类别标签匹配失败的环境参数标记为异常数据并删除实时环境参数数据集中的异常数据。
进一步，根据待预测周期设置相似周期检索条件的过程包括：
以历史数据库的若干历史采集周期中各类别环境参数的采集时间为自变量，以历史数据库的若干历史采集周期中不同采集时间的各类别环境参数作为因变量进行回归分析，构建表示环境参数与采集时间之间相互关系的多元线性回归函数，根据多元线性回归函数建立待预测周期随时间变化的各类别环境参数变化趋势曲线，各类别环境参数变化趋势曲线以采集时间为横坐标，以各类型的环境参数为纵坐标，将各类别环境参数变化趋势曲线中不同采集时间的各类型环境参数作为相似周期检索条件。
进一步，从历史数据库中提取满足相似周期检索条件的样本数据的过程包括：
确定相似周期检索条件中不同采集时间的各类别环境参数值，获取历史数据库中若干历史采集周期中不同采集时间的各类别环境参数值，对于历史采集周期中的各类别环境参数值，计算其与相似周期检索条件中同一采集时间内对应环境参数值之间的马氏距离，将各历史采集周期中所有类别环境参数的马氏距离值累加得到马氏总距离，选取马氏总距离最小的历史采集周期作为相似周期。
进一步，以选取的相似周期的各类别环境参数作为输入特征，太阳辐照度作为输出标签，构建太阳辐照度预测模型的过程包括：
基于RBN神经网络构建太阳辐照度预测模型，根据相似周期中不同采集时间的各类别环境参数值构建历史数据集，并将历史数据集划分为训练集和测试集，通过训练集对太阳辐照度预测模型进行实时学习训练，直至太阳辐照度预测模型的损失函数训练平稳，并保存模型参数，之后通过测试集对迭代训练后的太阳辐照度预测模型的输出数据矩阵进行相似度验证；在建立太阳辐照度预测模型过程中，环境参数包括气温、湿度、风速和辐照度等参数，获取1000组历史采集周期的关于气温、湿度、风速和辐照度的数据信息；将其中950组数据作为训练集，50组数据作为测试集，对太阳辐照度预测模型进行训练，直至训练合格；
将待预测周期中不同采集时间的各类别环境参数输入通过测试集验证的太阳辐照度预测模型中，根据太阳辐照度预测模型的输出层获取待预测周期中不同采集时间的太阳辐照度。
进一步，利用自主采样法对预测结果进行区间预测的过程包括：
以相似周期不同采集时间的各类别环境参数作为样本数据集，确定样本数据集抽取大小m以及抽取次数k，从样本数据集中随机有放回地抽取一个大小为m的样本，重复k次，将每次抽样的样本标记为一个Bootstrap样本，最终获得k个不同的Bootstrap样本；将每一个Bootstrap样本作为训练集，按照太阳辐照度预测模型构建方法建立k个太阳辐照度预测模型，将待预测周期中不同采集时间的各类别环境参数输入k个太阳辐照度预测模型中获得k个太阳辐照度预测结果，将k个太阳辐照度预测结果按照太阳辐照度从大到小的顺序进行排序，并计算k个太阳辐照度预测结果的太阳辐照度均值v与太阳辐照度标准差s，确定区间预测置信度根据置信度/>太阳辐照度标准差s和k个样本数确定区间值L，根据区间值L与太阳辐照度均值v确定置信度/>的区间范围；将置信度设置为不同的值，可以得到不同置信度的区间范围。
其中区间值L和置信度的区间范围的具体过程参考上述步骤b5的描述。
进一步，根据预测结果所在区间范围确定预测结果精确度的过程包括：
利用大数据方法获取不同置信度的区间范围相对应的关于太阳辐照度预测结果的精确度等级，精确度等级包括95％、85％、80％、75％；
根据不同置信度的区间范围相对应的精确度等级建立关于预测区间精确度的评价指标矩阵，并根据太阳辐照度预测模型预测的太阳辐照度建立太阳辐照度矩阵，根据评价指标矩阵和太阳辐照度矩阵建立表示太阳辐照度预测模型预测的太阳辐照度与预测结果精确度之间模糊关系的隶属度矩阵，具体过程参考上述关系式(2)；根据隶属度矩阵及太阳辐照度预测模型预测的太阳辐照度获取待预测周期的预测太阳辐照度精确度。
在本实施例中还提供了一种太阳辐照度区间预测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种太阳辐照度区间预测装置，用于光伏电站；如图5所示，包括：
获取模块501，用于获取历史环境参数数据集和光伏电站在待预测周期内的第一环境参数数据集。
确定模块502，用于基于历史环境参数数据集和第一环境参数数据集，确定第一环境样本数据集。
建立模块503，用于基于第一环境样本数据集，建立目标太阳辐照度预测模型；
输入模块504，用于将第一环境参数数据集输入目标太阳辐照度预测模型，得到待预测周期内的太阳辐照度预测结果。
预测模块505，用于基于第一环境样本数据集，利用自主采样法对待预测周期内的太阳辐照度预测结果进行区间预测，得到待预测周期内的目标太阳辐照度区间预测结果。
在一些可选的实施方式中，确定模块502包括：
分析与构建单元，用于基于历史环境参数数据集进行回归分析，并构建多元线性回归函数，多元线性回归函数反映环境参数与采集时间之间的关系。
第一确定单元，用于基于多元线性回归函数确定第二环境参数数据集。
第二确定单元，用于基于历史环境参数数据集和第二环境参数数据集，确定第一环境样本数据集。
在一些可选的实施方式中，第二确定单元包括：
计算子单元，用于计算历史环境参数数据集中每个预设采集时间对应的历史环境参数数据与第二环境参数数据集中预设采集时间对应的第二环境参数数据的马氏距离。
第一确定子单元，用于基于每个马氏距离确定目标周期。
第二确定子单元，用于基于目标周期，在历史环境参数数据集中确定第一环境样本数据集。
在一些可选的实施方式中，建立模块503包括：
第三确定单元，用于基于第一环境样本数据集确定第一环境样本数据子集和第二环境样本数据子集。
第一输入单元，用于将第一环境样本数据子集输入预设神经网络进行训练，得到初始太阳辐照度预测模型。
验证单元，用于利用第二环境样本数据子集对初始太阳辐照度预测模型进行验证，得到目标太阳辐照度预测模型。
在一些可选的实施方式中，预测模块505包括：
第四确定单元，用于利用自主采样法在第一环境样本数据集中确定至少一个第二环境样本数据集。
建立单元，用于基于每个第二环境样本数据集，建立至少一个目标太阳辐照度预测模型。
第二输入单元，用于将第一环境参数数据集分别输入每个目标太阳辐照度预测模型，得到至少一个太阳辐照度预测结果。
第五确定单元，用于基于每个太阳辐照度预测结果和每个预设区间预测置信度值，确定至少一个置信度区间范围和待预测周期内的至少一个初始太阳辐照度区间预测结果。
第六确定单元，用于基于每个置信度区间范围确定每个初始太阳辐照度区间预测结果的精确度。
第七确定单元，用于基于每个精确度和每个初始太阳辐照度区间预测结果，确定待预测周期内的目标太阳辐照度区间预测结果。
在一些可选的实施方式中，第五确定单元包括：
第一获取子单元，用于获取每个第二环境样本数据集的样本个数。
第三确定子单元，用于基于每个太阳辐照度预测结果，确定太阳辐照度平均值和太阳辐照度标准差。
第四确定子单元，用于基于太阳辐照度标准差、每个预设区间预测置信度值和每个样本个数确定至少一个区间值。
第五确定子单元，用于基于每个区间值和太阳辐照度平均值确定每个预设区间预测置信度值对应的置信度区间范围。
第六确定子单元，用于基于每个置信度区间范围确定待预测周期内的至少一个初始太阳辐照度区间预测结果。
在一些可选的实施方式中，第六确定单元包括：
第二获取子单元，用于利用大数据方法获取每个置信度区间范围对应的每个太阳辐照度区间预测结果的精确度等级。
第一建立子单元，用于基于每个精确度等级建立评价指标矩阵。
第二建立子单元，用于基于每个太阳辐照度预测结果建立太阳辐照度矩阵。
第三建立子单元，用于基于评价指标矩阵和太阳辐照度矩阵建立隶属度矩阵。
第七确定子单元，用于基于隶属度矩阵和每个太阳辐照度预测结果确定每个初始太阳辐照度区间预测结果的精确度。
上述各个模块和单元的更进一步的功能描述与上述对应实施例相同，在此不再赘述。
本实施例中的太阳辐照度区间预测装置是以功能单元的形式来呈现，这里的单元是指ASIC(Application Specific Integrated Circuit，专用集成电路)电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图5所示的太阳辐照度区间预测装置。
请参阅图6，图6是本发明可选实施例提供的一种计算机设备的结构示意图，如图6所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图6中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，存储器20存储有可由至少一个处理器10执行的指令，以使至少一个处理器10执行实现上述实施例示出的方法。
存储器20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计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。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。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种太阳辐照度区间预测方法，用于光伏电站；其特征在于，所述方法包括：
获取历史环境参数数据集和所述光伏电站在待预测周期内的第一环境参数数据集；
基于所述历史环境参数数据集和所述第一环境参数数据集，确定第一环境样本数据集；
基于所述第一环境样本数据集，建立目标太阳辐照度预测模型；
将所述第一环境参数数据集输入所述目标太阳辐照度预测模型，得到所述待预测周期内的太阳辐照度预测结果；
基于所述第一环境样本数据集，利用自主采样法对所述待预测周期内的所述太阳辐照度预测结果进行区间预测，得到所述待预测周期内的目标太阳辐照度区间预测结果。
2.根据权利要求1所述的方法，其特征在于，基于所述历史环境参数数据集和所述第一环境参数数据集，确定第一环境样本数据集，包括：
基于所述历史环境参数数据集进行回归分析，并构建多元线性回归函数，所述多元线性回归函数反映环境参数与采集时间之间的关系；
基于所述多元线性回归函数确定第二环境参数数据集；
基于所述历史环境参数数据集和所述第二环境参数数据集，确定所述第一环境样本数据集。
3.根据权利要求2所述的方法，其特征在于，基于所述历史环境参数数据集和所述第二环境参数数据集，确定所述第一环境样本数据集，包括：
计算所述历史环境参数数据集中每个预设采集时间对应的历史环境参数数据与所述第二环境参数数据集中所述预设采集时间对应的第二环境参数数据的马氏距离；
基于每个所述马氏距离确定目标周期；
基于所述目标周期，在所述历史环境参数数据集中确定所述第一环境样本数据集。
4.根据权利要求1所述的方法，其特征在于，基于所述第一环境样本数据集，建立目标太阳辐照度预测模型，包括：
基于所述第一环境样本数据集确定第一环境样本数据子集和第二环境样本数据子集；
将所述第一环境样本数据子集输入预设神经网络进行训练，得到初始太阳辐照度预测模型；
利用所述第二环境样本数据子集对所述初始太阳辐照度预测模型进行验证，得到所述目标太阳辐照度预测模型。
5.根据权利要求1所述的方法，其特征在于，基于所述第一环境样本数据集，利用自主采样法对所述待预测周期内的所述太阳辐照度预测结果进行区间预测，得到所述待预测周期内的目标太阳辐照度区间预测结果，包括：
利用自主采样法在所述第一环境样本数据集中确定至少一个第二环境样本数据集；
基于每个所述第二环境样本数据集，建立至少一个所述目标太阳辐照度预测模型；
将所述第一环境参数数据集分别输入每个所述目标太阳辐照度预测模型，得到至少一个所述太阳辐照度预测结果；
基于每个所述太阳辐照度预测结果和每个预设区间预测置信度值，确定至少一个置信度区间范围和所述待预测周期内的至少一个初始太阳辐照度区间预测结果；
基于每个所述置信度区间范围确定每个所述初始太阳辐照度区间预测结果的精确度；
基于每个所述精确度和每个所述初始太阳辐照度区间预测结果，确定所述待预测周期内的所述目标太阳辐照度区间预测结果。
6.根据权利要求5所述的方法，其特征在于，基于每个所述太阳辐照度预测结果和每个预设区间预测置信度值，确定至少一个置信度区间范围和所述待预测周期内的至少一个初始太阳辐照度区间预测结果，包括：
获取每个所述第二环境样本数据集的样本个数；
基于每个所述太阳辐照度预测结果，确定太阳辐照度平均值和太阳辐照度标准差；
基于所述太阳辐照度标准差、每个所述预设区间预测置信度值和每个所述样本个数确定至少一个区间值；
基于每个所述区间值和所述太阳辐照度平均值确定每个所述预设区间预测置信度值对应的所述置信度区间范围；
基于每个所述置信度区间范围确定所述待预测周期内的至少一个所述初始太阳辐照度区间预测结果。
7.根据权利要求5所述的方法，其特征在于，基于每个所述置信度区间范围确定每个所述初始太阳辐照度区间预测结果的精确度，包括：
利用大数据方法获取每个所述置信度区间范围对应的每个所述太阳辐照度区间预测结果的精确度等级；
基于每个所述精确度等级建立评价指标矩阵；
基于每个所述太阳辐照度预测结果建立太阳辐照度矩阵；
基于所述评价指标矩阵和所述太阳辐照度矩阵建立隶属度矩阵；
基于所述隶属度矩阵和每个所述太阳辐照度预测结果确定每个所述初始太阳辐照度区间预测结果的精确度。
8.一种太阳辐照度区间预测装置，用于光伏电站；其特征在于，所述装置包括：
获取模块，用于获取历史环境参数数据集和所述光伏电站在待预测周期内的第一环境参数数据集；
确定模块，用于基于所述历史环境参数数据集和所述第一环境参数数据集，确定第一环境样本数据集；
建立模块，用于基于所述第一环境样本数据集，建立目标太阳辐照度预测模型；
输入模块，用于将所述第一环境参数数据集输入所述目标太阳辐照度预测模型，得到所述待预测周期内的太阳辐照度预测结果；
预测模块，用于基于所述第一环境样本数据集，利用自主采样法对所述待预测周期内的所述太阳辐照度预测结果进行区间预测，得到所述待预测周期内的目标太阳辐照度区间预测结果。
9.一种计算机设备，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至7中任一项所述的太阳辐照度区间预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至7中任一项所述的太阳辐照度区间预测方法。
CN202310885876.8A 2023-07-18 2023-07-18 太阳辐照度区间预测方法、装置、计算机设备及存储介质 Pending CN116933078A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310885876.8A CN116933078A (zh) 2023-07-18 2023-07-18 太阳辐照度区间预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310885876.8A CN116933078A (zh) 2023-07-18 2023-07-18 太阳辐照度区间预测方法、装置、计算机设备及存储介质

Publications (1)

Publication Number Publication Date
CN116933078A true CN116933078A (zh) 2023-10-24

Family

ID=88390474

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310885876.8A Pending CN116933078A (zh) 2023-07-18 2023-07-18 太阳辐照度区间预测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN116933078A (zh)

Similar Documents

Publication Publication Date Title
CN112686464A (zh) 短期风电功率预测方法及装置
CN113792825A (zh) 一种用电信息采集设备故障分类模型训练方法及装置
CN109816398A (zh) 一种甄别发电商串谋行为的方法、装置及介质
CN116451594B (zh) 覆冰预测模型的训练方法、预测方法、装置和电子设备
CN113554175B (zh) 一种知识图谱构建方法、装置、可读存储介质及终端设备
CN113240153A (zh) 光伏发电数据预测方法、装置、计算设备及存储介质
CN114565196B (zh) 基于政务热线的多事件趋势预判方法、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
CN114911788B (zh) 一种数据插补方法、装置及存储介质
CN112819246A (zh) 基于布谷鸟算法优化神经网络的能源需求预测方法
CN116663746A (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
CN116739172A (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
CN113110961B (zh) 设备异常检测方法、装置、计算机设备及可读存储介质
CN111325255B (zh) 特定人群圈定方法、装置、电子设备及存储介质
CN116703466A (zh) 基于改进灰狼算法的系统访问量预测方法及其相关设备
CN114757097B (zh) 一种线路故障诊断方法及装置
CN114115150B (zh) 基于数据的热泵系统在线建模方法及装置
CN116933078A (zh) 太阳辐照度区间预测方法、装置、计算机设备及存储介质
CN114004408B (zh) 一种基于数据分析的用户电力负荷预测方法
CN115392567A (zh) 一种电力负荷预测方法、电子设备、装置及可读存储介质
Tong et al. A prediction model for complex equipment remaining useful life using gated recurrent unit complex networks
CN114330705A (zh) 光伏发电量的预测方法、装置、电子设备和存储介质
CN114282657A (zh) 一种市场数据长期预测模型训练方法、装置、设备及存储介质
CN113780644A (zh) 一种基于在线学习的光伏出力预测方法
Xu et al. Short‐term load forecasting based on strategies of daily load classification and feature set reconstruction

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