CN116957133A - 风力发电功率和光伏发电功率的预测方法以及装置 - Google Patents

风力发电功率和光伏发电功率的预测方法以及装置 Download PDF

Info

Publication number
CN116957133A
CN116957133A CN202310724835.0A CN202310724835A CN116957133A CN 116957133 A CN116957133 A CN 116957133A CN 202310724835 A CN202310724835 A CN 202310724835A CN 116957133 A CN116957133 A CN 116957133A
Authority
CN
China
Prior art keywords
power generation
power
prediction
generation power
sample
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
CN202310724835.0A
Other languages
English (en)
Inventor
何玉灵
焦凌钰
孙凯
解奎
吴学伟
杜晓东
曾四鸣
赵建利
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.)
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
North China Electric Power University
Original Assignee
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
North China Electric Power University
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 Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, North China Electric Power University filed Critical Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Priority to CN202310724835.0A priority Critical patent/CN116957133A/zh
Publication of CN116957133A publication Critical patent/CN116957133A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • 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
    • 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
    • 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
    • G06N3/0499—Feedforward 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
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Physiology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开的实施例提供了一种风力发电功率和光伏发电功率的预测方法以及装置，该方法包括：获取发电功率预测样本集，其中的样本以目标地区的历史气象数据为样本特征，以历史气象数据对应的风力、光伏发电功率为样本标签；将发电功率预测样本集划分为训练集和测试集；根据训练集对综合模型中多个不同的预设子模型进行训练；分别利用训练得到的多个发电功率预测模型对测试集中各样本进行发电功率预测；根据多个发电功率预测模型对应的发电功率预测结果中的风力、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力、光伏发电功率权重系数，进而基于此准确预测风力发电功率和光伏发电功率。

Description

风力发电功率和光伏发电功率的预测方法以及装置
技术领域
本公开涉及新能源发电功率预测技术领域，尤其涉及一种风力发电功率和光伏发电功率的预测方法以及装置。
背景技术
随着风力发电、光伏发电等新能源发电技术的快速发展，高比例新能源并网已经给电力系统运行控制以及电网调度计划制定等方面带来一系列深刻影响。为了保障电力系统的安全运行以及电网调度计划的合理制定，需要对风力发电、光伏发电进行预测。
由于风力发电、光伏发电受多重因素的影响，当前的方案往往无法对其进行准确预测，因此如何准确预测风力发电功率、光伏发电功率就成为了目前亟待解决的技术问题。
发明内容
本公开的实施例提供了一种风力发电功率和光伏发电功率的预测方法以及装置。
第一方面，本公开的实施例提供了一种综合模型训练方法，该方法包括：
获取发电功率预测样本集，其中，发电功率预测样本集中的样本以目标地区的历史气象数据为样本特征，以历史气象数据对应的风力发电功率、光伏发电功率为样本标签；
将发电功率预测样本集划分为训练集和测试集；
根据训练集对综合模型中多个不同的预设子模型进行训练，得到多个发电功率预测模型；
分别利用多个发电功率预测模型对测试集中各样本进行发电功率预测，得到多个发电功率预测模型对应的发电功率预测结果；
根据多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力发电功率权重系数、光伏发电功率权重系数。
在第一方面的一些可实现方式中，获取发电功率预测样本集，包括：
获取目标地区在历史时间段内的气象数据及其对应的风力发电功率、光伏发电功率；
根据获取的气象数据及其对应的风力发电功率、光伏发电功率生成样本，并以此生成样本集。
在第一方面的一些可实现方式中，将发电功率预测样本集划分为训练集和测试集，包括：
按照预设划分比例将历史时间段划分为第一历史时间段、第二历史时间段；
将发电功率预测样本集中与第一历史时间段对应的样本划分至训练集；
将发电功率预测样本集中与第二历史时间段对应的样本划分至测试集。
在第一方面的一些可实现方式中，将发电功率预测样本集划分为训练集和测试集，包括：
对发电功率预测样本集进行预处理，其中，预处理包括：异常值清除、缺失值填充、归一化处理；
将预处理后的发电功率预测样本集划分为训练集和测试集。
在第一方面的一些可实现方式中，根据多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力发电功率权重系数、光伏发电功率权重系数，包括：
根据多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力发电功率方差、光伏发电功率方差；
根据多个发电功率预测模型对应的风力发电功率方差，计算多个发电功率预测模型对应的风力发电功率权重系数；
根据多个发电功率预测模型对应的光伏发电功率方差，计算多个发电功率预测模型对应的光伏发电功率权重系数。
在第一方面的一些可实现方式中，根据多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力发电功率方差、光伏发电功率方差，包括：
针对任意一个发电功率预测模型，根据发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果以及测试集中各样本的样本标签中的风力发电功率，计算发电功率预测模型在测试集中各样本处的风力发电功率预测误差；
根据发电功率预测模型在测试集中各样本处的风力发电功率预测误差，计算平均风力发电功率预测误差；
根据发电功率预测模型在测试集中各样本处的风力发电功率预测误差以及平均风力发电功率预测误差，计算发电功率预测模型对应的风力发电功率方差；
根据发电功率预测模型对应的发电功率预测结果中的光伏发电功率预测结果以及测试集中各样本的样本标签中的光伏发电功率，计算发电功率预测模型在测试集中各样本处的光伏发电功率预测误差；
根据发电功率预测模型在测试集中各样本处的光伏发电功率预测误差，计算平均光伏发电功率预测误差；
根据发电功率预测模型在测试集中各样本处的光伏发电功率预测误差以及平均光伏发电功率预测误差，计算发电功率预测模型对应的光伏发电功率方差。
在第一方面的一些可实现方式中，综合模型中多个不同的预设子模型的数量为三个，分别为支持向量机、遗传算法优化BP神经网络、径向基神经网络。
第二方面，本公开的实施例提供了一种风力发电功率和光伏发电功率的预测方法，该方法包括：
获取目标地区的气象数据；
分别利用多个发电功率预测模型对气象数据进行发电功率预测，得到多个发电功率预测模型对应的发电功率预测结果；
根据多个发电功率预测模型对应的风力发电功率权重系数，对多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果进行加权求和，得到综合风力发电功率预测结果；
根据多个发电功率预测模型对应的光伏发电功率权重系数，对多个发电功率预测模型对应的发电功率预测结果中的光伏发电功率预测结果进行加权求和，得到综合光伏发电功率预测结果；
其中，多个发电功率预测模型及其对应的风力发电功率权重系数、光伏发电功率权重系数基于以上所述的综合模型训练方法得到。
第三方面，本公开的实施例提供了一种综合模型训练装置，该装置包括：
获取模块，用于获取发电功率预测样本集，其中，发电功率预测样本集中的样本以目标地区的历史气象数据为样本特征，以历史气象数据对应的风力发电功率、光伏发电功率为样本标签；
划分模块，用于将发电功率预测样本集划分为训练集和测试集；
训练模块，用于根据训练集对综合模型中多个不同的预设子模型进行训练，得到多个发电功率预测模型；
预测模块，用于分别利用多个发电功率预测模型对测试集中各样本进行发电功率预测，得到多个发电功率预测模型对应的发电功率预测结果；
计算模块，用于根据多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力发电功率权重系数、光伏发电功率权重系数。
第四方面，本公开的实施例提供了一种风力发电功率和光伏发电功率的预测装置，该装置包括：
获取模块，用于获取目标地区的气象数据；
预测模块，用于分别利用多个发电功率预测模型对气象数据进行发电功率预测，得到多个发电功率预测模型对应的发电功率预测结果；
求和模块，用于根据多个发电功率预测模型对应的风力发电功率权重系数，对多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果进行加权求和，得到综合风力发电功率预测结果；
求和模块，还用于根据多个发电功率预测模型对应的光伏发电功率权重系数，对多个发电功率预测模型对应的发电功率预测结果中的光伏发电功率预测结果进行加权求和，得到综合光伏发电功率预测结果；
其中，多个发电功率预测模型及其对应的风力发电功率权重系数、光伏发电功率权重系数基于以上所述的综合模型训练方法得到。
第五方面，本公开的实施例提供了一种电子设备，该电子设备包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行以上所述的方法。
第六方面，本公开的实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质，计算机指令用于使计算机执行以上所述的方法。
在本公开的实施例中，可以获取发电功率预测样本集，其中的样本以目标地区的历史气象数据为样本特征，以历史气象数据对应的风力发电功率、光伏发电功率为样本标签，将发电功率预测样本集划分为训练集和测试集，根据训练集对综合模型中多个不同的预设子模型进行训练，分别利用训练得到的多个发电功率预测模型对测试集中各样本进行发电功率预测，根据多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力发电功率权重系数、光伏发电功率权重系数，进而基于多个发电功率预测模型及其对应的风力发电功率权重系数、光伏发电功率权重系数，来准确预测风力发电功率和光伏发电功率，便于为日前发电计划的制定和发用电平衡等工作提供有效的参考依据。
应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。附图用于更好地理解本方案，不构成对本公开的限定在附图中，相同或相似的附图标记表示相同或相似的元素，其中：
图1示出了本公开的实施例提供的一种综合模型训练方法的流程图；
图2示出了本公开的实施例提供的一种径向基神经网络的结构图；
图3示出了本公开的实施例提供的一种风力发电功率和光伏发电功率的预测方法的流程图；
图4示出了本公开的实施例提供的一种综合模型训练装置的结构图；
图5示出了本公开的实施例提供的一种风力发电功率和光伏发电功率的预测装置的结构图；
图6示出了一种能够实施本公开的实施例的示例性电子设备的结构图。
具体实施方式
为使本公开的实施例的目的、技术方案和优点更加清楚，下面将结合本公开的实施例中的附图，对本公开的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公开一部分实施例，而不是全部的实施例。基于本公开中的实施例，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全部其他实施例，都属于本公开保护的范围。
另外，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
针对背景技术中出现的问题，本公开的实施例提供了一种风力发电功率和光伏发电功率的预测方法以及装置。具体地，获取发电功率预测样本集，其中的样本以目标地区的历史气象数据为样本特征，以历史气象数据对应的风力发电功率、光伏发电功率为样本标签，将发电功率预测样本集划分为训练集和测试集，根据训练集对综合模型中多个不同的预设子模型进行训练，分别利用训练得到的多个发电功率预测模型对测试集中各样本进行发电功率预测，根据多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力发电功率权重系数、光伏发电功率权重系数，进而基于多个发电功率预测模型及其对应的风力发电功率权重系数、光伏发电功率权重系数，来准确预测风力发电功率和光伏发电功率，便于为日前发电计划的制定和发用电平衡等工作提供有效的参考依据。
下面结合附图，通过具体的实施例对本公开的实施例提供的风力发电功率和光伏发电功率的预测方法以及装置进行详细地说明。
图1示出了本公开的实施例提供的一种综合模型训练方法的流程图，如图1所示，综合模型训练方法100可以包括以下步骤：
S110，获取发电功率预测样本集。
其中，发电功率预测样本集中的样本以目标地区的历史气象数据为样本特征，以历史气象数据对应的风力发电功率、光伏发电功率为样本标签。
示例性地，目标地区可以是市、区、县等；历史气象数据可以包括：气压数据、温度数据、湿度数据、辐射数据、风力数据等，在此不做限制。
在一些实施例中，可以获取目标地区在历史时间段内的气象数据及其对应的风力发电功率、光伏发电功率，然后根据获取的气象数据及其对应的风力发电功率、光伏发电功率生成样本，并以此快速生成样本集。
例如，可以对目标地区在过去一个月内的气象数据及其对应的风力发电功率、光伏发电功率进行采样，从而获取目标地区在过去一个月内的气象数据及其对应的风力发电功率、光伏发电功率，其中，采样间隔可以是15min，然后根据过去一个月内的气象数据及其对应的风力发电功率、光伏发电功率生成样本，并以此生成样本集。
S120，将发电功率预测样本集划分为训练集和测试集。
值得注意的是，为了提高训练集和测试集的划分效果，可以采用以下几种方式对发电功率预测样本集进行划分，具体如下：
对发电功率预测样本集进行预处理，其中，预处理包括：异常值清除(即清除原始数据中的异常值)、缺失值填充(即对原始数据中的缺失值进行填充)、归一化处理(即将原始数据线性变化至[-1,1]区间中)等，然后将预处理后的发电功率预测样本集划分为训练集和测试集。
或者，按照预设划分比例将历史时间段划分为第一历史时间段、第二历史时间段，然后将发电功率预测样本集中与第一历史时间段对应的样本划分至训练集，将发电功率预测样本集中与第二历史时间段对应的样本划分至测试集。
例如，参见S110中的示例，可以按照4:1将过去一个月(30天)划分为前24天，后6天，然后将发电功率预测样本集中属于前24天的样本划分至训练集，将发电功率预测样本集中属于后6天的样本划分至测试集。
又或者，对发电功率预测样本集进行预处理，然后按照预设划分比例将历史时间段划分为第一历史时间段、第二历史时间段，进而将预处理后的发电功率预测样本集中与第一历史时间段对应的样本划分至训练集，将预处理后的发电功率预测样本集中与第二历史时间段对应的样本划分至测试集。
S130，根据训练集对综合模型中多个不同的预设子模型进行训练，得到多个发电功率预测模型。
示例性地，综合模型中多个不同的预设子模型的数量为三个，分别为性能突出的支持向量机、遗传算法优化BP神经网络、径向基神经网络。
相应地，根据训练集对支持向量机进行训练的过程可以具体如下；
(1)选取支持向量机的参数及核函数；
(2)将训练集输入到支持向量机，以对其进行训练。
相应地，根据训练集对遗传算法优化BP神经网络进行训练的过程可以具体如下；
(1)初始化遗传算法优化BP神经网络的参数；
(2)得到参数种群，并计算适应度；
(3)通过遗传算法对参数进行选择、交叉和变异，得到最优参数(权重、偏置等)；
(4)将得到的最优参数代入遗传算法优化BP神经网络中，然后将训练集输入到遗传算法优化BP神经网络，以对其进行训练。
相应地，根据训练集对径向基神经网络进行训练的过程可以具体如下；
(1)将训练集输入到径向基神经网络，以对其进行训练。
作为一个示例，径向基神经网络的结构可以如图2所示，图中Φ(.)为RBF，第1层由数个感知单元组成，将网络与外界环境连接起来；第2层是隐含层，其执行的是一种用于特征提取的非线性变换，然后作用函数对输入信号在局部产生响应；网络的输出是线性的。
设网络输入x为M维向量，输出y为L维向量，网络的输入层到隐含层实现x→ui(x)的非线性映射，而RBF神经网络隐含层节点的作用函数采用高斯激活函数，则隐含层第i个节点的输出可以如公式(1)所示：
隐含层到输出层实现ui(x)→yk的线性映射可以如公式(2)所示：
其中，x＝(x1,x2,…,xM)T为输入样本；q为隐含层节点数；ui为第i个隐含层节点的输出；σi为第i个隐含层节点的标准化常数；yk为输出层第k个节点的输出；wki为隐含层到输出层的加权系数；θk为输出层节点阈值；ci为第i个隐含层节点高斯函数的中心向量，该向量是一个与输入样本x维数相同的列向量，即c＝(ci1,ci2,…,ciM)T。
S140，分别利用多个发电功率预测模型对测试集中各样本进行发电功率预测，得到多个发电功率预测模型对应的发电功率预测结果。
具体地，针对任意一个发电功率预测模型，将测试集输入到发电功率预测模型，由该发电功率预测模型对测试集中各样本进行发电功率预测，得到各样本的发电功率预测结果，其中，发电功率预测结果包括：风力发电功率预测结果、光伏发电功率预测结果，进而将此作为该发电功率预测模型对应的发电功率预测结果。
S150，根据多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力发电功率权重系数、光伏发电功率权重系数。
在一些实施例中，可以根据多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力发电功率方差、光伏发电功率方差。
具体地，针对任意一个发电功率预测模型，可以根据发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果以及测试集中各样本的样本标签中的风力发电功率，计算发电功率预测模型在测试集中各样本处的风力发电功率预测误差(即样本的风力发电功率预测结果与对应样本标签中的风力发电功率的误差)。根据发电功率预测模型在测试集中各样本处的风力发电功率预测误差，计算平均风力发电功率预测误差，根据发电功率预测模型在测试集中各样本处的风力发电功率预测误差以及平均风力发电功率预测误差，快速计算发电功率预测模型对应的风力发电功率方差。
与此同时，可以根据发电功率预测模型对应的发电功率预测结果中的光伏发电功率预测结果以及测试集中各样本的样本标签中的光伏发电功率，计算发电功率预测模型在测试集中各样本处的光伏发电功率预测误差(即样本的光伏发电功率预测结果与对应样本标签中的风力发电功率的误差)。根据发电功率预测模型在测试集中各样本处的光伏发电功率预测误差，计算平均光伏发电功率预测误差，根据发电功率预测模型在测试集中各样本处的光伏发电功率预测误差以及平均光伏发电功率预测误差，快速计算发电功率预测模型对应的光伏发电功率方差。
作为一个示例，根据发电功率预测模型在测试集中各样本处的风力/光伏发电功率预测误差以及平均风力/光伏发电功率预测误差，计算发电功率预测模型对应的风力/光伏发电功率方差所采用的计算公式可以如下所示：
其中，δi表示发电功率预测模型i对应的风力/光伏发电功率方差，表示发电功率预测模型i在测试集中第j个样本处的风力/光伏发电功率预测误差，n表示测试集中样本的数量，/>表示平均风力/光伏发电功率预测误差。
根据多个发电功率预测模型对应的风力发电功率方差，快速计算多个发电功率预测模型对应的风力发电功率权重系数，并根据多个发电功率预测模型对应的光伏发电功率方差，快速计算多个发电功率预测模型对应的光伏发电功率权重系数。
作为一个示例，根据多个发电功率预测模型对应的风力/光伏发电功率方差，计算多个发电功率预测模型对应的风力/光伏发电功率权重系数所采用的计算公式可以如下所示：
其中，ζi表示发电功率预测模型i对应的风力/光伏发电功率权重系数，δi表示发电功率预测模型i对应的风力/光伏发电功率方差，m表示发电功率预测模型的数量。
在本公开的实施例中，可以根据训练集对综合模型中多个不同的预设子模型进行训练，得到多个性能较强的发电功率预测模型，分别利用多个发电功率预测模型对测试集中各样本进行发电功率预测，根据多个发电功率预测模型对应的发电功率预测结果中的风力、光伏发电功率预测结果以及测试集中各样本的样本标签，准确计算多个发电功率预测模型对应的风力、光伏发电功率权重系数，从而有效完成综合模型训练。
基于本公开的实施例提供的综合模型训练方法100，本公开的实施例还提供了一种风力发电功率和光伏发电功率的预测方法，如图3所示，预测300可以包括以下步骤：
S310，获取目标地区的气象数据。
示例性地，可以通过天气预报等方式获取目标地区在未来一段时间内的气象数据。
S320，分别利用多个发电功率预测模型对气象数据进行发电功率预测，得到多个发电功率预测模型对应的发电功率预测结果。
具体地，针对任意一个发电功率预测模型，将气象数据输入到发电功率预测模型，由该发电功率预测模型对气象数据进行发电功率预测，得到气象数据的发电功率预测结果，其中，发电功率预测结果包括：风力发电功率预测结果、光伏发电功率预测结果，进而将此作为该发电功率预测模型对应的发电功率预测结果。
S330，根据多个发电功率预测模型对应的风力发电功率权重系数，对多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果进行加权求和，得到综合风力发电功率预测结果。
S340，根据多个发电功率预测模型对应的光伏发电功率权重系数，对多个发电功率预测模型对应的发电功率预测结果中的光伏发电功率预测结果进行加权求和，得到综合光伏发电功率预测结果。
其中，多个发电功率预测模型及其对应的风力发电功率权重系数、光伏发电功率权重系数基于以上所述的综合模型训练方法得到。
在本公开的实施例中，可以基于多个发电功率预测模型及其对应的风力发电功率权重系数、光伏发电功率权重系数，来准确预测风力发电功率和光伏发电功率，便于为日前发电计划的制定和发用电平衡等工作提供有效的参考依据。
值得注意的是，根据多个发电功率预测模型对应的风力/光伏发电功率权重系数，对多个发电功率预测模型对应的发电功率预测结果中的风力/光伏发电功率预测结果进行加权求和，得到综合风力/光伏发电功率预测结果所采用的计算公式可以如下所示：
其中，表示综合风力/光伏发电功率预测结果，ζj表示发电功率预测模型i对应的风力/光伏发电功率权重系数，/>表示发电功率预测模型i对应的发电功率预测结果中的风力/光伏发电功率预测结果，m表示发电功率预测模型的数量。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开所述方案进行进一步说明。
图4示出了本公开的实施例提供的一种综合模型训练装置的结构图，如图4所示，综合模型训练装置400可以包括：
获取模块410，用于获取发电功率预测样本集，其中，发电功率预测样本集中的样本以目标地区的历史气象数据为样本特征，以历史气象数据对应的风力发电功率、光伏发电功率为样本标签。
划分模块420，用于将发电功率预测样本集划分为训练集和测试集。
训练模块430，用于根据训练集对综合模型中多个不同的预设子模型进行训练，得到多个发电功率预测模型。
预测模块440，用于分别利用多个发电功率预测模型对测试集中各样本进行发电功率预测，得到多个发电功率预测模型对应的发电功率预测结果。
计算模块450，用于根据多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力发电功率权重系数、光伏发电功率权重系数。
在一些实施例中，获取模块410具体用于：
获取目标地区在历史时间段内的气象数据及其对应的风力发电功率、光伏发电功率；
根据获取的气象数据及其对应的风力发电功率、光伏发电功率生成样本，并以此生成样本集。
在一些实施例中，划分模块420具体用于：
按照预设划分比例将历史时间段划分为第一历史时间段、第二历史时间段；
将发电功率预测样本集中与第一历史时间段对应的样本划分至训练集；
将发电功率预测样本集中与第二历史时间段对应的样本划分至测试集。
在一些实施例中，划分模块420具体用于：
对发电功率预测样本集进行预处理，其中，预处理包括：异常值清除、缺失值填充、归一化处理；
将预处理后的发电功率预测样本集划分为训练集和测试集。
在一些实施例中，计算模块450具体用于：
根据多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及测试集中各样本的样本标签，计算多个发电功率预测模型对应的风力发电功率方差、光伏发电功率方差；
根据多个发电功率预测模型对应的风力发电功率方差，计算多个发电功率预测模型对应的风力发电功率权重系数；
根据多个发电功率预测模型对应的光伏发电功率方差，计算多个发电功率预测模型对应的光伏发电功率权重系数。
在一些实施例中，计算模块450具体用于：
针对任意一个发电功率预测模型，根据发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果以及测试集中各样本的样本标签中的风力发电功率，计算发电功率预测模型在测试集中各样本处的风力发电功率预测误差；
根据发电功率预测模型在测试集中各样本处的风力发电功率预测误差，计算平均风力发电功率预测误差；
根据发电功率预测模型在测试集中各样本处的风力发电功率预测误差以及平均风力发电功率预测误差，计算发电功率预测模型对应的风力发电功率方差；
根据发电功率预测模型对应的发电功率预测结果中的光伏发电功率预测结果以及测试集中各样本的样本标签中的光伏发电功率，计算发电功率预测模型在测试集中各样本处的光伏发电功率预测误差；
根据发电功率预测模型在测试集中各样本处的光伏发电功率预测误差，计算平均光伏发电功率预测误差；
根据发电功率预测模型在测试集中各样本处的光伏发电功率预测误差以及平均光伏发电功率预测误差，计算发电功率预测模型对应的光伏发电功率方差。
可以理解的是，图4所示的综合模型训练装置400中的各个模块/单元具有实现图1所示的综合模型训练方法100中的各个步骤的功能，并能达到其相应的技术效果，为了简洁，在此不再赘述。
图5示出了本公开的实施例提供的一种风力发电功率和光伏发电功率的预测装置的结构图，如图5所示，预测装置500可以包括：
获取模块510，用于获取目标地区的气象数据。
预测模块520，用于分别利用多个发电功率预测模型对气象数据进行发电功率预测，得到多个发电功率预测模型对应的发电功率预测结果。
求和模块530，用于根据多个发电功率预测模型对应的风力发电功率权重系数，对多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果进行加权求和，得到综合风力发电功率预测结果。
求和模块530，还用于根据多个发电功率预测模型对应的光伏发电功率权重系数，对多个发电功率预测模型对应的发电功率预测结果中的光伏发电功率预测结果进行加权求和，得到综合光伏发电功率预测结果。
其中，多个发电功率预测模型及其对应的风力发电功率权重系数、光伏发电功率权重系数基于以上所述的综合模型训练方法得到。
可以理解的是，图5所示的预测装置500中的各个模块/单元具有实现图3所示的预测方法300中的各个步骤的功能，并能达到其相应的技术效果，为了简洁，在此不再赘述。
图6示出了一种能够实施本公开的实施例的示例性电子设备的结构图。电子设备600旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备600还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图6所示，电子设备600可以包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM603中，还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如方法100或300。例如，在一些实施例中，方法100或300可被实现为计算机程序产品，包括计算机程序，其被有形地包含于计算机可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM603并由计算单元601执行时，可以执行上文描述的方法100或300的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法100或300。
本文中以上描述的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，计算机可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。计算机可读介质可以是计算机可读信号介质或计算机可读储存介质。计算机可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。计算机可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
需要注意的是，本公开还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行方法100或300，并达到本公开的实施例执行其方法达到的相应技术效果，为简洁描述，在此不再赘述。
另外，本公开还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，计算机程序在被处理器执行时实现方法100或300。
为了提供与用户的交互，可以在计算机上实施以上描述的实施例，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将以上描述的实施例实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种综合模型训练方法，其特征在于，所述方法包括：
获取发电功率预测样本集，其中，所述发电功率预测样本集中的样本以目标地区的历史气象数据为样本特征，以历史气象数据对应的风力发电功率、光伏发电功率为样本标签；
将所述发电功率预测样本集划分为训练集和测试集；
根据所述训练集对综合模型中多个不同的预设子模型进行训练，得到多个发电功率预测模型；
分别利用所述多个发电功率预测模型对所述测试集中各样本进行发电功率预测，得到所述多个发电功率预测模型对应的发电功率预测结果；
根据所述多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及所述测试集中各样本的样本标签，计算所述多个发电功率预测模型对应的风力发电功率权重系数、光伏发电功率权重系数。
2.根据权利要求1所述的方法，其特征在于，所述获取发电功率预测样本集，包括：
获取所述目标地区在历史时间段内的气象数据及其对应的风力发电功率、光伏发电功率；
根据获取的气象数据及其对应的风力发电功率、光伏发电功率生成样本，并以此生成样本集。
3.根据权利要求2所述的方法，其特征在于，所述将所述发电功率预测样本集划分为训练集和测试集，包括：
按照预设划分比例将所述历史时间段划分为第一历史时间段、第二历史时间段；
将所述发电功率预测样本集中与所述第一历史时间段对应的样本划分至训练集；
将所述发电功率预测样本集中与所述第二历史时间段对应的样本划分至测试集。
4.根据权利要求1所述的方法，其特征在于，所述将所述发电功率预测样本集划分为训练集和测试集，包括：
对所述发电功率预测样本集进行预处理，其中，所述预处理包括：异常值清除、缺失值填充、归一化处理；
将预处理后的发电功率预测样本集划分为训练集和测试集。
5.根据权利要求1所述的方法，其特征在于，所述根据所述多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及所述测试集中各样本的样本标签，计算所述多个发电功率预测模型对应的风力发电功率权重系数、光伏发电功率权重系数，包括：
根据所述多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及所述测试集中各样本的样本标签，计算所述多个发电功率预测模型对应的风力发电功率方差、光伏发电功率方差；
根据所述多个发电功率预测模型对应的风力发电功率方差，计算所述多个发电功率预测模型对应的风力发电功率权重系数；
根据所述多个发电功率预测模型对应的光伏发电功率方差，计算所述多个发电功率预测模型对应的光伏发电功率权重系数。
6.根据权利要求4所述的方法，其特征在于，所述根据所述多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及所述测试集中各样本的样本标签，计算所述多个发电功率预测模型对应的风力发电功率方差、光伏发电功率方差，包括：
针对任意一个发电功率预测模型，根据所述发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果以及所述测试集中各样本的样本标签中的风力发电功率，计算所述发电功率预测模型在所述测试集中各样本处的风力发电功率预测误差；
根据所述发电功率预测模型在所述测试集中各样本处的风力发电功率预测误差，计算平均风力发电功率预测误差；
根据所述发电功率预测模型在所述测试集中各样本处的风力发电功率预测误差以及所述平均风力发电功率预测误差，计算所述发电功率预测模型对应的风力发电功率方差；
根据所述发电功率预测模型对应的发电功率预测结果中的光伏发电功率预测结果以及所述测试集中各样本的样本标签中的光伏发电功率，计算所述发电功率预测模型在所述测试集中各样本处的光伏发电功率预测误差；
根据所述发电功率预测模型在所述测试集中各样本处的光伏发电功率预测误差，计算平均光伏发电功率预测误差；
根据所述发电功率预测模型在所述测试集中各样本处的光伏发电功率预测误差以及所述平均光伏发电功率预测误差，计算所述发电功率预测模型对应的光伏发电功率方差。
7.根据权利要求1所述的方法，其特征在于，所述综合模型中多个不同的预设子模型的数量为三个，分别为支持向量机、遗传算法优化BP神经网络、径向基神经网络。
8.一种风力发电功率和光伏发电功率的预测方法，其特征在于，所述方法包括：
获取目标地区的气象数据；
分别利用多个发电功率预测模型对所述气象数据进行发电功率预测，得到所述多个发电功率预测模型对应的发电功率预测结果；
根据所述多个发电功率预测模型对应的风力发电功率权重系数，对所述多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果进行加权求和，得到综合风力发电功率预测结果；
根据所述多个发电功率预测模型对应的光伏发电功率权重系数，对所述多个发电功率预测模型对应的发电功率预测结果中的光伏发电功率预测结果进行加权求和，得到综合光伏发电功率预测结果；
其中，所述多个发电功率预测模型及其对应的风力发电功率权重系数、光伏发电功率权重系数基于权利要求1-7中任一项所述的综合模型训练方法得到。
9.一种综合模型训练装置，其特征在于，所述装置包括：
获取模块，用于获取发电功率预测样本集，其中，所述发电功率预测样本集中的样本以目标地区的历史气象数据为样本特征，以历史气象数据对应的风力发电功率、光伏发电功率为样本标签；
划分模块，用于将所述发电功率预测样本集划分为训练集和测试集；
训练模块，用于根据所述训练集对综合模型中多个不同的预设子模型进行训练，得到多个发电功率预测模型；
预测模块，用于分别利用所述多个发电功率预测模型对所述测试集中各样本进行发电功率预测，得到所述多个发电功率预测模型对应的发电功率预测结果；
计算模块，用于根据所述多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果、光伏发电功率预测结果以及所述测试集中各样本的样本标签，计算所述多个发电功率预测模型对应的风力发电功率权重系数、光伏发电功率权重系数。
10.一种风力发电功率和光伏发电功率的预测装置，其特征在于，所述装置包括：
获取模块，用于获取目标地区的气象数据；
预测模块，用于分别利用多个发电功率预测模型对所述气象数据进行发电功率预测，得到所述多个发电功率预测模型对应的发电功率预测结果；
求和模块，用于根据所述多个发电功率预测模型对应的风力发电功率权重系数，对所述多个发电功率预测模型对应的发电功率预测结果中的风力发电功率预测结果进行加权求和，得到综合风力发电功率预测结果；
所述求和模块，还用于根据所述多个发电功率预测模型对应的光伏发电功率权重系数，对所述多个发电功率预测模型对应的发电功率预测结果中的光伏发电功率预测结果进行加权求和，得到综合光伏发电功率预测结果；
其中，所述多个发电功率预测模型及其对应的风力发电功率权重系数、光伏发电功率权重系数基于权利要求1-7中任一项所述的综合模型训练方法得到。
CN202310724835.0A 2023-06-16 2023-06-16 风力发电功率和光伏发电功率的预测方法以及装置 Pending CN116957133A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310724835.0A CN116957133A (zh) 2023-06-16 2023-06-16 风力发电功率和光伏发电功率的预测方法以及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310724835.0A CN116957133A (zh) 2023-06-16 2023-06-16 风力发电功率和光伏发电功率的预测方法以及装置

Publications (1)

Publication Number Publication Date
CN116957133A true CN116957133A (zh) 2023-10-27

Family

ID=88453842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310724835.0A Pending CN116957133A (zh) 2023-06-16 2023-06-16 风力发电功率和光伏发电功率的预测方法以及装置

Country Status (1)

Country Link
CN (1) CN116957133A (zh)

Similar Documents

Publication Publication Date Title
CN112561068B (zh) 模拟方法、计算设备、经典设备、存储设备及产品
CN112633511B (zh) 用于计算量子配分函数的方法、相关装置及程序产品
CN112561199A (zh) 天气参数预测模型训练方法、天气参数预测方法及装置
CN115660233A (zh) 光伏功率预测方法、装置、电子设备及存储介质
Yao et al. Management of cascading outage risk based on risk gradient and Markovian tree search
CN114943384A (zh) 一种变电站负荷预测方法、装置、设备及存储介质
CN113408808A (zh) 训练方法、数据生成方法、装置、电子设备以及存储介质
CN117540625A (zh) 海浪数值预报数据订正模型的训练方法、装置
CN116777038A (zh) 微电网用电负荷预测方法、装置及存储介质
CN116796639A (zh) 短期电力负荷预测方法、装置及设备
CN117313953A (zh) 一种负荷预测方法、装置、电子设备以及存储介质
Jeong et al. Short-term photovoltaic power forecasting based on hybrid quantum gated recurrent unit
CN117272076A (zh) 输电线路的覆冰预测方法、装置、设备以及存储介质
CN117421646A (zh) 风电功率异常值的预测方法、装置、存储介质及计算机设备
CN116957133A (zh) 风力发电功率和光伏发电功率的预测方法以及装置
CN115952921A (zh) 一种光伏能源功率预测方法、装置、电子设备及存储介质
CN116050250A (zh) 基于混合驱动模型的电网数字孪生模型建模方法及装置
CN116151446A (zh) 基于ceemd和cnn-lstm模型的超短期风电功率预测方法及装置
CN116191404A (zh) 分布式电源发电预测方法、装置、电子设备及存储介质
CN113240082A (zh) 一种迁移学习的方法及装置
CN113127648A (zh) 数据验证方法和装置、电子设备、计算机可读介质
CN113361621A (zh) 用于训练模型的方法和装置
Li et al. Wind power prediction based on Kalman filter and non-parametric kernel density estimation
Anwar et al. Enhanced estimation of Autoregressive wind power prediction model using Constriction Factor Particle Swarm Optimization
CN118468059B (zh) 一种电力系统电站特性确定方法、装置、电子设备及介质

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