CN117113267A - 基于大数据的预测模型训练方法、光伏发电性能检测方法 - Google Patents
基于大数据的预测模型训练方法、光伏发电性能检测方法 Download PDFInfo
- Publication number
- CN117113267A CN117113267A CN202311390443.1A CN202311390443A CN117113267A CN 117113267 A CN117113267 A CN 117113267A CN 202311390443 A CN202311390443 A CN 202311390443A CN 117113267 A CN117113267 A CN 117113267A
- Authority
- CN
- China
- Prior art keywords
- power generation
- power
- training
- model
- parameters
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 286
- 238000012549 training Methods 0.000 title claims abstract description 164
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000001514 detection method Methods 0.000 title claims abstract description 14
- 238000012360 testing method Methods 0.000 claims abstract description 38
- 230000007613 environmental effect Effects 0.000 claims description 42
- 239000011159 matrix material Substances 0.000 claims description 34
- 230000006870 function Effects 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 19
- 238000005286 illumination Methods 0.000 claims description 10
- 238000009434 installation Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 2
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
- H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本说明书实施例公开了一种基于大数据的预测模型训练方法、光伏发电性能检测方法。该训练方法包括:基于第一训练集对LSTM公共模型进行模型训练,基于若干第二训练集分别对若干LSTM独立模型进行训练,利用第一损失函数判断筛选确定出最优的模型为光伏发电功率预测模型;接着,基于测试集对光伏发电功率预测模型进行超参数训练,利用第二损失函数进行预测判断,得到具有最优超参数的光伏发电功率预测模型。该检测方法基于训练方法训练得到的光伏发电功率预测模型进行预测发电功率检测,继而检测单个发电站、区域范围内所有发电站的实际发电有效率、以及发电有效率衰减率,以准确、及时检测发电站性能。
Description
技术领域
本说明书的一个或多个实施例涉及光伏功率预测技术领域,特别的涉及基于大数据的预测模型训练方法、光伏发电性能检测方法。
背景技术
光伏发电是一种充满潜力的新能源,然而光伏发电站的特点使其发电过程易受环境因素和设备自身质量的影响。这些不确定因素会导致发电站性能衰减,进而影响其发电效率。
发明专利申请CN116050575A公开了基于迁移学习的短期LSTM光伏功率预测方法及系统,并具体公开了该申请结合迁移学习构建LSTM模型的光伏出力预测模型,通过该模型预测光伏功率。在模型训练期间,在光伏预测特征集中加入气象数据,虽然考虑了气象因素对光伏出力的影响,但未考虑设备自身质量(例如,设备使用年限、光伏面板的安装角度等)对光伏出力的影响。并且模型训练过程中考虑了两个光伏电站(一个为目标光伏电站,另一个是其他光伏电站)的历史数据,当预测目标光伏电站发生变化,则需要重新进行模型训练,再进行后续目标光伏电站的光伏功率预测。该方法不具有普适性。
发明专利申请CN115222138A公开了基于EEMD-LSTM微网光伏短期功率区间预测方法,并具体公开了该申请利用EEMD模态分解方法处理光伏发电出力序列数据,并利用LSTM模型对分解后序列数据进行模型训练,最后将分解序列预测结果叠加还原为光伏发电出力预测结果。该申请在模型训练过程中考虑了气象因素、发电系统参数、光伏出力等信息。虽然考虑了环境因素和系统参数,但是系统参数是针对整个微网而言的,而系统中具有多个光伏发电设备,每个设备自身质量对于系统的发电出力结果影响是各不相同的。
发明内容
本说明书一个或多个实施例描述了基于大数据的光伏发电功率预测模型训练方法、光伏发电性能检测方法,能够考虑光伏发电过程中的环境因素和设备因素,准确预测光伏发电性能;以及通过判断预测的光伏发电性能与实际光伏发电性能的差异来确定出现发电性能异常的发电站,继而能及时告警。
第一方面,本说明书实施例提供了基于大数据的预测模型训练方法,包括:
基于第一训练集对LSTM公共模型进行模型训练,基于若干第二训练集分别对若干LSTM独立模型进行训练;利用第一损失函数对LSTM公共模型以及若干LSTM独立模型进行预测判断,将预测结果最优的模型确定为光伏发电功率预测模型;在此模型训练过程中,LSTM公共模型和若干LSTM独立模型的超参数相同且不变;
基于测试集对光伏发电功率预测模型进行超参数训练;利用第二损失函数对光伏发电功率预测模型进行预测判断,将预测结果最优时的超参数确定为最优超参数;
输出训练好的具有最优超参数的光伏发电功率预测模型;
其中,所述第一训练集为一定区域范围内所有发电站发电设备的训练集,第二训练集为一光伏发电站发电设备的训练集;所有第二训练集构成第一训练集;所述测试集为一定区域范围内所有发电站发电设备的测试集;所述第一训练集、所述第二训练集、所述测试集均包括发电设备的历史发电功率、设备参数以及发电站的环境参数;设备参数和环境参数为LSTM公共模型或LSTM独立模型的输入,LSTM公共模型或LSTM独立模型的输出为预测发电功率。
在一些实施例中,所述第一训练集、所述第二训练集、所述测试集的形成过程如下:
采集一定区域范围内所有发电站的数据,包括发电设备的历史发电功率和设备参数,以及发电站的环境参数;
对采集的数据进行预处理,将处理后的设备参数以及环境参数构成输入矩阵,将处理后的历史发电功率构成输出矩阵;
将输入矩阵和输出矩阵均划分出部分分别作为训练集和测试集;将训练集分为第一训练集和第二训练集。
在一些实施例中,所述基于第一训练集对LSTM公共模型进行模型训练,基于若干第二训练集分别对若干LSTM独立模型进行训练;利用第一损失函数对LSTM公共模型以及若干LSTM独立模型进行预测判断,将预测结果最优的模型确定为光伏发电功率预测模型,包括:
将第一训练集中的设备参数和环境参数输入LSTM公共模型进行迭代训练, LSTM公共模型输出预测发电功率;将每个第二训练集中的设备参数和环境参数输入对应的LSTM独立模型进行迭代训练, LSTM独立模型输出预测发电功率;
利用所述第一损失函数计算LSTM公共模型的预测发电功率与第一训练集中的历史发电功率的均方误差值,计算每个LSTM独立模型的预测发电功率与第二训练集中的历史发电功率的均方误差值,将均方误差值最小的模型确定为光伏发电功率预测模型。
在一些实施例中,所述基于测试集对光伏发电功率预测模型进行超参数训练;利用第二损失函数对光伏发电功率预测模型进行预测判断,将预测结果最优时的超参数确定为最优超参数,包括:
利用网格搜索算法,遍历存储有多个超参数取值的网格,得到超参数组合;
将每一个超参数组合作为光伏发电功率预测模型的超参数,将测试集的设备参数和环境参数输入光伏发电功率预测模型,光伏发电功率预测模型输出预测发电功率;
利用第二损失函数计算每一个超参数组合下的光伏发电功率预测模型的预测发电功率与测试集中的历史发电功率的平均相对误差值,将平均相对误差值最小的光伏发电功率预测模型的超参数组合确定为最优超参数。
在一些实施例中,所述设备参数包括设备类型、设备规模、设备年限、设备安装角度;所述环境参数包括:温度、湿度、光照强度。
在一些实施例中,所述超参数包括LSTM层数、记忆时长、学习率、神经单元层数。
第二方面,本说明书实施例提供了光伏发电性能检测方法,包括:
获取目标发电站的环境参数、设备参数;
将环境参数、设备参数输入根据前述第一方面的训练方法训练输出的具有最优超参数的光伏发电功率预测模型,得到该目标发电站的预测发电功率;
基于该目标发电站的预测发电功率与实际发电功率,计算该目标发电站的实际发电有效率。
在一些实施例中,方法还包括:
获取目标发电站所在区域范围内的其他发电站的环境参数、设备参数;
将其他发电站中每个发电站的环境参数、设备参数输入根据前述第一方面的训练方法训练输出的具有最优超参数的光伏发电功率预测模型,得到每个发电站的预测发电功率;
基于其他发电站中每个发电站的预测发电功率和实际发电功率,计算其他发电站中每个发电站的实际发电有效率;
基于其他发电站中每个发电站的实际发电有效率和目标发电站的实际发电有效率,计算目标发电站所在区域范围内的所有发电站的平均发电有效率。
在写一些实施中,方法还包括:
利用公式:发电有效率衰减率=(平均发电有效率-目标发电站的实际发电效率)/平均发电有效率×100%,计算发电有效率衰减率;
当发电有效率衰减率大于衰减阈值时,则确定该目标发电站的发电效率存在异常。
在一些实施例中,方法还包括:当异常连续出现次数大于次数阈值时,则进行告警。
本说明书一些实施例提供的技术方案带来的有益效果至少包括:
在本说明书一个或多个实施例中,利用区域内的所有发电站的数据对LSTM模型进行训练,同时利用每个发电站的数据对LSTM模型进行单独训练,从多个模型中训练得到一个可适用多个发电站预测用的模型;在训练过程中,引入发电站所在位置的环境参数和发电站内设备的设备参数,使得训练得到模型能准确预测发电功率;并且训练过程中进行了模型训练和超参数训练,通过两次训练可得到预测更准确的光伏发电功率预测模型。
此外,利用训练好的光伏发电功率预测模型进行发电性能检测,可获得单个发电站的预测发电功率和实际发电有效率,还可获得区域范围内所有发电站的平均发电有效率,还可基于区域范围内所有发电站的平均发电有效率和该区域范围内某一发电站的实际发电有效率,确定某一发电站的发电有效率衰减率,继而可从区域范围内所有发电站中检测出发电有效率异常的发电站,进而及时告警、维护,可确保能源安全并减少经济损失。
附图说明
为了更清楚地说明本说明书实施例中的技术方案,下面将对实施例中所需使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本说明书的一些实施例,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为本说明书实施例提供的一种基于大数据的预测模型训练方法的流程图;
图2为本说明书实施例提供的一种光伏发电性能检测方法的流程图;
图3为本说明书实施例提供的还一种光伏发电性能检测方法的流程图
具体实施方式
下面将结合本说明书实施例中的附图,对本说明书实施例中的技术方案进行清楚、完整地描述。
本说明书中的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
现有光伏发电站性能检测仅考虑环境因素对发电站的影响,而光伏发电站实际发电性能受环境因素以及发电站内设备自身质量因素影响。基于此,本说明书实施例提出了利用LSTM光伏发电功率预测模型预测发电功率,进而检测发电性能的方案。其中,模型在考虑环境因素和设备因素下训练得到,且在训练过程中考虑了单个发电站和一定区域范围内所有发电站的数据,使得模型在地域范围内具有普适性。
请参阅图1,图1示出了本说明书实施例提供的一种基于大数据的预测模型训练方法的流程图。该方法在控制端执行。
如图1所示,该预测模型训练方法具体可包括以下步骤:
步骤102,基于第一训练集对LSTM公共模型进行模型训练,基于若干第二训练集分别对若干LSTM独立模型进行训练;利用第一损失函数对LSTM公共模型以及若干LSTM独立模型进行预测判断,将预测结果最优的模型确定为光伏发电功率预测模型;在此模型训练过程中,LSTM公共模型和若干LSTM独立模型的超参数相同且不变;
步骤104,基于测试集对光伏发电功率预测模型进行超参数训练;利用第二损失函数对光伏发电功率预测模型进行预测判断,将预测结果最优时的超参数确定为最优超参数;
步骤106,输出训练好的具有最优超参数的光伏发电功率预测模型;
其中,所述第一训练集为一定区域范围内所有发电站发电设备的训练集,第二训练集为一光伏发电站发电设备的训练集;所有第二训练集构成第一训练集;所述测试集为一定区域范围内所有发电站发电设备的测试集;所述第一训练集、所述第二训练集、所述测试集均包括发电设备的历史发电功率、设备参数以及发电站的环境参数;设备参数和环境参数为LSTM公共模型或LSTM独立模型的输入,LSTM公共模型或LSTM独立模型的输出为预测发电功率。
本说明书实施例的训练方法进行两次训练,第一次从公共模型和多个单独模型中训练得到一个最优模型作为光伏发电功率预测模型,第二次对光伏发电功率模型进行超参数训练,以得到具有最优超参数的光伏发电功率预测模型。该方法在训练过程中考虑了设备参数和环境参数,能全面考虑影响光伏发电的因素,继而输出准确的预测发电功率。同时,还考虑单个发电站内所有设备的数据以及一定范围内所有发电站的设备数据,使得得到适用多个发电站的模型。
接下来,将详细描述各个步骤。
在执行步骤102~步骤106前,需要获得第一训练集、第二训练集和测试集。所述第一训练集、所述第二训练集、所述测试集的形成过程如下:
步骤1001,采集一定区域范围内所有发电站的数据,包括发电设备的历史发电功率和设备参数,以及发电站的环境参数;
所述环境参数包括温度、湿度、光照强度。例如,可利用集成在发电设备内的温度传感器、湿度传感器在设备终端进行采集,将采集获得的温度、湿度的环境参数上传给控制端。又例如,可利用第三方平台(如气象平台)采集光伏发电站所在位置的太阳辐射强度值(即光照强度),将采集获得的光照强度的环境参数上传给控制端。
所述设备参数包括设备类型(例如,光伏板类型)、设备规模、设备年限、设备安装角度(例如,光伏板的安装角度)。
温度、湿度参数在设备终端采集后上传至控制端,上传时附带有对应设备的设备号、该设备所在的发电站名、以及该设备所在发电站的地理信息。光照强度参数由第三方平台采集发送给控制端,发送时附带有该光伏发电站名和该发电站的地理信息。控制端将收到的采集信息存储关系库中,将属于同一发电站的所有设备的环境参数和设备参数利用发电站名相关联,存储在同一发电站的存储列表中;每个发电站的存储列表中存储有多个设备的存储信息,同一设备的参数利用设备号相关联,将属于同一发电设备的环境参数和设备参数存储在同一设备号下。
所述发电站的历史发电功率由终端设备将发电数据上传至控制端。上传过程中,附带有对应发电设备的设备号,并将历史发电功率存储在关系库中对应发电站内的对应发电设备处。
在实际采集过程中,例如采集日前30天的数据,按照15分钟为间隔时间采集数据,将日前30天的数据按照上述方式采集并存储在库内。
步骤1003,对采集的数据进行预处理,将处理后的设备参数以及环境参数构成输入矩阵,将处理后的历史发电功率构成输出矩阵;
所述对采集的数据进行预处理,包括:对数据(包括设备参数和环境参数)清洗,包括缺失值清洗、格式内容清洗、异常值清洗。缺失值清洗时,根据字段重要性确定清洗方法,对于明显与发电预测分析不相关的不重要的缺失字段直接删除,对于重要的缺失字段,用该字段的均值填充。格式内容清洗时,不同数据源采集的格式不一致,按照格式模板整理成统一格式。异常值清洗时,对于数值过大过小,与平均值的偏差超过3倍标准差的值,明显不符合实际情况的值,确定为异常值,之后采用均值填充或重新采集补充完整。
当清洗数据为温度、湿度、光照强度、历史发电功率时,可采用均值对缺失值和异常值进行补充。当清洗数据为设备安装角度、设备年限、设备类型、设备规模时,需要对异常值 和缺失值进行重新采集补充完善。最后,统一数据格式。其中,设备类型利用类型编号进行格式统一,如当有四种类型时,可将四种类型记录为1、2、3、4,并将具体型号和类型编号对应绑定存储。通过识别型号来标识对应的类型编号,可便于后续计算。
所述对采集的数据进行预处理,还包括:对数据(包括环境参数和除了设备类型外的其他设备参数)进行归一化处理。
采用Min-Max法进行归一化,归一化的数据值域变成[0,1]。其计算公式如下:
其中,X*代表归一化后的值,X代表原始值,Xmin代表最小值,Xmax代表最大值。
具体地,将温度、湿度、光照强度、设备安装角度、设备规模和设备年限进行归一化处理。
将处理完的数据组成输入矩阵和输出矩阵。所述输入矩阵包括设备参数和环境参数。所述输出矩阵包括历史发电功率。
例如,采集的数据为采集日前30天每15分钟时间段数据,一共提取出2880组样本。各时间段按照顺序依次编号为1,2,3……2880。按时间序列m组(2280组)样本数,7组影响因素(即温度、湿度、光照强度、设备类型、设备规模、设备年限、设备安装角度)构成X输入矩阵。
其中,中的m为时间序列,i为第几个影响因素。
输出矩阵Y由历史发电功率数据按照时间序列m组成。
步骤1005,将输入矩阵和输出矩阵均划分出部分分别作为训练集和测试集;将训练集分为第一训练集和第二训练集。
步骤1003对一定时间范围内的某一地域范围内的所有发电站数据处理后构成数据矩阵。步骤1005对形成的数据矩阵进行划分,根据8:2或者7:3或6:4的比例将输入矩阵、输出矩阵的数据进行拆分;输入矩阵拆分成训练集和测试集用的矩阵,输出矩阵拆分成训练集和测试集用的矩阵。具体比例可根据需要进行调整,拆分后的测试集的矩阵数据与训练集中的矩阵数据相对应。例如,将2880组样本的80%数据,即2304组样本作为训练集,将2880组样本的20%数据,即576组样本作为测试集。每个训练集又分为第一训练集和第二训练集。每个第二训练集为一发电站内的所有设备的训练集,以矩阵形式存储数据。所有第二训练集的数据组成第一训练集,第一训练集包含了多个发电站内所有设备的训练数据,以矩阵形式存储。测试集为一定区域范围内所有发电站发电设备的测试集,可以是一个发电站的数据,也可以包含多个发电站的数据。
在步骤102中,在模型训练初期,选择LSTM基础模型作为LSTM公共模型和LSTM独立模型使用。训练开始前将LSTM公共模型和LSTM独立模型的超参数进行统一设定,在训练过程中,超参数不参与训练。所述超参数包括LSTM层数、记忆时长、学习率、神经单元层数。
所述LSTM基础模型是一个长短时记忆网络(Long-Short Term Memory Networks,简称LSTM)模型,是一种处理序列数据的特殊循环神经网络(Recurrent Neural Network,简称RNN)。LSTM网络的基本结构包括输入门,遗忘门,输出门和记忆单元,记忆单元由一个线性单元和一个非线性单元组成。线性单元是一个简单的加法器,用于将上一时刻的记忆细胞和当前时刻的输入相加。非线性单元是一个sigmoid函数,用于控制信息的流动,三个门分别控制网络的输入,输出,以及细胞单元的状态。
LSTM模型捕捉环境参数和设备参数与发电功率之间的复杂数学关系。LSTM架构可有效解决长时间信息传递的问题,并对时间序列数据具有较高的拟合准确性。
所述基于第一训练集对LSTM公共模型进行模型训练,基于若干第二训练集分别对若干LSTM独立模型进行训练;利用第一损失函数对LSTM公共模型以及若干LSTM独立模型进行预测判断,将预测结果最优的模型确定为光伏发电功率预测模型,包括:
步骤1021,将第一训练集中的设备参数和环境参数输入LSTM公共模型进行迭代训练, LSTM公共模型输出预测发电功率;将每个第二训练集中的设备参数和环境参数输入对应的LSTM独立模型进行迭代训练, LSTM独立模型输出预测发电功率;
所述LSTM公共模型和所述LSTM独立模型各自进行迭代训练,例如每天自我迭代一定次数或者迭代训练N小时,在迭代训练过程中,各个模型在训练期间调整各自模型的权重参数,以使各自模型进行迭代收敛。
步骤1023,利用所述第一损失函数计算LSTM公共模型的预测发电功率与第一训练集中的历史发电功率的均方误差值,计算每个LSTM独立模型的预测发电功率与第二训练集中的历史发电功率的均方误差值,将均方误差值最小的模型确定为光伏发电功率预测模型。
所述第一损失函数可以是计算均方误差的MSE损失函数。
其中,为光伏功率的预测值,yi为光伏功率的实际值,N为试测样本的数目。
所述历史发电功率为光伏功率的实际值,计算每个模型输出的预测发电功率与相对应的光伏功率的实际值之间的均方误差值,将均方误差值最小的预测结果作为最优预测结果,则将最优预测结果所对应的模型确定为光伏发电功率预测模型。所述光伏发电功率预测模型可以为LSTM公共模型或多个LSTM独立模型中的一个。
在步骤104中,所述基于测试集对光伏发电功率预测模型进行超参数训练;利用第二损失函数对光伏发电功率预测模型进行预测判断,将预测结果最优时的超参数确定为最优超参数,包括:
步骤1041,利用网格搜索算法,遍历存储有多个超参数取值的网格,得到超参数组合;
当超参数有多个时,例如有LSTM层数、记忆时长,学习率,神经单元层数。每个参数对应有其取值集合。将每个参数的取值集合存储在一网格内,循环遍历每个参数并组成超参数组合。每个超参数组合均包括上述四种参数,以及各个参数的取值。
步骤1043,将每一个超参数组合作为光伏发电功率预测模型的超参数,将测试集的设备参数和环境参数输入光伏发电功率预测模型,光伏发电功率预测模型输出预测发电功率;
在使用模型进行超参数训练前,先对步骤102获得的光伏发电功率预测模型进行超参数配置,配置后,将测试集的输入矩阵数据输入光伏发电功率预测模型,以得到输出预测发电功率。所有超参数组合均需重复上述过程,得到在不同超参数设定的预测发电功率。
步骤1045,利用第二损失函数计算每一个超参数组合下的光伏发电功率预测模型的预测发电功率与测试集中的历史发电功率的平均相对误差值,将平均相对误差值最小的光伏发电功率预测模型的超参数组合确定为最优超参数。
所述第二损失函数可以为平均相对误差MRE损失函数,
其中为光伏功率的预测值,yi为光伏功率的实际值,N为试测样本的数目。
所述历史发电功率为光伏功率的实际值,计算每个模型输出的预测发电功率与相对应的光伏功率的实际值之间的平均相对误差值,将平均相对误差最小的预测结果作为最优预测结果,则将最优预测结果所对应的模型的超参数组合确定为最优超参数。
步骤106输出训练好的模型,即配置有上述最优超参数的光伏发电功率预测模型。
请参阅图2示出的本说明书实施例的一种光伏发电性能检测方法的流程图。该方法在控制端(可以远程的中控端,也可以是云端)执行,利用前述训练方法训练得到的光伏发电功率预测模型进行性能检测。
如图2所示,该预测模型训练方法具体可包括以下步骤:
步骤202,获取目标发电站的环境参数、设备参数;
步骤204,将环境参数、设备参数输入光伏发电功率预测模型,得到该目标发电站的预测发电功率;
步骤206,基于该目标发电站的预测发电功率与实际发电功率,计算该目标发电站的实际发电有效率。
其中,所述光伏发电功率预测模型基于图1示例的训练方法训练得到,其考虑了光伏发电过程中的设备参数和环境参数。
本说明书实施例的方法能基于设备参数和环境参数准确预测光伏发电站的发电功率,基于预测发电功率与实际发电功率可计算得到发电站的实际发电有效率,即可判断单个发电站的发电效率是否与预期相同或接近,或者差别甚大。基于实际发电有效率来评判光伏发电站的发电性能。
在步骤202中,在确定目标发电站后,获取该目标发电站的终端设备数据,包括温度、湿度、光照强度、设备类型、设备规模、设备年限、设备安装角度。在将上述数据进行如步骤1001~步骤1003的采集、处理后形成该目标发电站的输入矩阵和输出矩阵。
在步骤204中,将输入矩阵输入光伏发电功率预测模型,得到该目标发电站的预测发电功率。
在步骤206中,基于该目标发电站的预测发电功率与输出矩阵中的实际发电功率,计算该目标发电站的实际发电有效率的过程为:
利用公式计算实际发电有效率,其中R是实际发电有效率,y为实际发电功率(即历史发电功率),/>为预测发电功率。
请参阅图3示出的本说明书实施例的一种光伏发电性能检测方法的流程图。该方法在控制端执行,利用前述训练方法训练得到的光伏发电功率预测模型进行性能检测。
如图3所示,该预测模型训练方法具体可包括以下步骤:
步骤302,获取一定区域范围内所有光伏发电站的设备参数、环境参数、历史发电功率;
步骤304,将每一个光伏发电站的设备参数和环境参数输入光伏发电功率预测模型,得到该发电站的预测发电功率;
步骤306,基于每个发电站的预测发电功率与该发电站的实际发电功率,计算每个发电站的实际发电有效率;
步骤308,计算一定区域范围内所有光伏发电站的平均发电有效率;
步骤310,将所有光伏发电站中的任意一个光伏发电站作为目标发电站,利用公式:发电有效率衰减率=(平均发电有效率-目标发电站的实际发电效率)/平均发电有效率×100%,计算发电有效率衰减率;
当发电有效率衰减率大于衰减阈值时,则确定该目标发电站的发电效率存在异常。
本说明书实施例的方法能基于设备参数和环境参数准确预测光伏发电站的发电功率,基于预测发电功率与实际发电功率可计算得到发电站的实际发电有效率,即可判断单个发电站的发电效率是否与预期相同或接近,或者差别甚大。进一步,通过对比某个发电站的发电有效率与一定区域范围内的平均发电有效率,可判断某个发电站的发电有效率是否存在发电性能衰减的情况,可从多个发电站及时发现异常发电的发电站,以便确保能源安全,并对异常发电的发电站进行维护,减少经济损失。
在步骤302中,例如,当一定区域范围内有4个光伏发电站,每个光伏发电站包括其内所有设备的参数和环境参数。所述所有光伏发电站的数据以{光伏发电站1数据集合,光伏发电站1数据集合,光伏发电站3数据集合,光伏发电站4数据集合}存储。
上述数据按照步骤1001~步骤1003的采集、处理后存入,并形成对应的输入、输出矩阵。
在步骤304中,将每个光伏发电站的输入矩阵输入光伏发电功率预测模型,得到该对应发电站的预测发电功率。
在步骤306中,利用公式计算每个光伏发电站的实际发电有效率,其中R是实际发电有效率,y为实际发电功率(即历史发电功率),/>为预测发电功率。
在步骤308中,对所有发电站的实际发电有效率求和取平均。
在步骤310中,从所有发电站中获取一个发电站作为目标发电站,基于该目标发电站的实际发电有效率与平均发电有效率,计算该目标发电站的发电有效率衰减率。通过判断发电有效率衰减率是否满足衰减异常的条件来确定该目标发电站是否为发电异常发电站。判断结束后,再从发电站中获取下一个发电站作为目标发电站。按上述流程计算完所有发电站各自作为目标发电站时的发电有效率衰减率。这样,可从所有发电站中及时确定哪一个或哪几个发电站存在异常发电的问题。
所述衰减阈值可根据需要确定,例如可设定为20%。当发电有效率衰减率不大于衰减阈值时,则确定该目标发电站的发电效率未达到异常条件。
本说明书实施例的方法基于设备参数和环境参数准确预测光伏发电站的发电功率,基于预测发电功率与实际发电功率可计算得到发电站的实际发电有效率,进一步基于判断单个发电站与其范围内平均发电效率,可从多个发电站间识别出异常发电的发电站,继而可及时对异常发电站进行后续异常处理。
进一步,本说明书实施例的方法还包括:
步骤312,当异常连续出现次数大于次数阈值时,则进行告警。
所述次数阈值可根据需要设定,例如设定3次。当衰减阈值大于20%连续出现3次,则确定该发电站存在发电异常问题。之后,发送告警信息给工作人员端,由工作人员对存在异常的发电站进行维护。工作人员判断设备使用年限,若未超过25年,则检查光伏发电设备是否需要清洗,或者是否存在损坏。之后,工作人员根据实际情况进行维护。此外,工作人员还可对光伏发电站进行设备调试和优化,以提高该发电站的发电效率。例如,调整光伏板角度。若判断使用年限超过25年,则判定光伏发电设备使用寿命终结,需要更换新设备。或者,在清洗、调试下仍无法提高发电效率,也需要更换设备。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,该程序可存储于计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可存储程序代码的介质。在不冲突的情况下,本实施例和实施方案中的技术特征可以任意组合。
以上所述的实施例仅仅是本说明书的优选实施例方式进行描述,并非对本说明书的范围进行限定,在不脱离本说明书的设计精神的前提下,本领域普通技术人员对本说明书的技术方案作出的各种变形及改进,均应落入本说明书的权利要求书确定的保护范围内。
Claims (10)
1.基于大数据的预测模型训练方法,其特征在于,包括:
基于第一训练集对LSTM公共模型进行模型训练,基于若干第二训练集分别对若干LSTM独立模型进行训练;利用第一损失函数对LSTM公共模型以及若干LSTM独立模型进行预测判断,将预测结果最优的模型确定为光伏发电功率预测模型;在此模型训练过程中,LSTM公共模型和若干LSTM独立模型的超参数相同且不变;
基于测试集对光伏发电功率预测模型进行超参数训练;利用第二损失函数对光伏发电功率预测模型进行预测判断,将预测结果最优时的超参数确定为最优超参数;
输出训练好的具有最优超参数的光伏发电功率预测模型;
其中,所述第一训练集为一定区域范围内所有发电站发电设备的训练集,第二训练集为一光伏发电站发电设备的训练集;所有第二训练集构成第一训练集;所述测试集为一定区域范围内所有发电站发电设备的测试集;所述第一训练集、所述第二训练集、所述测试集均包括发电设备的历史发电功率、设备参数以及发电站的环境参数;设备参数和环境参数为LSTM公共模型或LSTM独立模型的输入,LSTM公共模型或LSTM独立模型的输出为预测发电功率。
2.根据权利要求1所述的方法,其特征在于,所述第一训练集、所述第二训练集、所述测试集的形成过程如下:
采集一定区域范围内所有发电站的数据,包括发电设备的历史发电功率和设备参数,以及发电站的环境参数;
对采集的数据进行预处理,将处理后的设备参数以及环境参数构成输入矩阵,将处理后的历史发电功率构成输出矩阵;
将输入矩阵和输出矩阵均划分出部分分别作为训练集和测试集;将训练集分为第一训练集和第二训练集。
3.根据权利要求1所述的方法,其特征在于,所述基于第一训练集对LSTM公共模型进行模型训练,基于若干第二训练集分别对若干LSTM独立模型进行训练;利用第一损失函数对LSTM公共模型以及若干LSTM独立模型进行预测判断,将预测结果最优的模型确定为光伏发电功率预测模型,包括:
将第一训练集中的设备参数和环境参数输入LSTM公共模型进行迭代训练, LSTM公共模型输出预测发电功率;将每个第二训练集中的设备参数和环境参数输入对应的LSTM独立模型进行迭代训练, LSTM独立模型输出预测发电功率;
利用所述第一损失函数计算LSTM公共模型的预测发电功率与第一训练集中的历史发电功率的均方误差值,计算每个LSTM独立模型的预测发电功率与第二训练集中的历史发电功率的均方误差值,将均方误差值最小的模型确定为光伏发电功率预测模型。
4.根据权利要求1所述的方法,其特征在于,所述基于测试集对光伏发电功率预测模型进行超参数训练;利用第二损失函数对光伏发电功率预测模型进行预测判断,将预测结果最优时的超参数确定为最优超参数,包括:
利用网格搜索算法,遍历存储有多个超参数取值的网格,得到超参数组合;
将每一个超参数组合作为光伏发电功率预测模型的超参数,将测试集的设备参数和环境参数输入光伏发电功率预测模型,光伏发电功率预测模型输出预测发电功率;
利用第二损失函数计算每一个超参数组合下的光伏发电功率预测模型的预测发电功率与测试集中的历史发电功率的平均相对误差值,将平均相对误差值最小的光伏发电功率预测模型的超参数组合确定为最优超参数。
5.根据权利要求1或2或3或4所述的方法,其特征在于,所述设备参数包括设备类型、设备规模、设备年限、设备安装角度;所述环境参数包括:温度、湿度、光照强度。
6.根据权利要求1或4所述的方法,其特征在于,所述超参数包括LSTM层数、记忆时长、学习率、神经单元层数。
7.光伏发电性能检测方法,其特征在于,包括:
获取目标发电站的环境参数、设备参数;
将环境参数、设备参数输入根据权利要求1-6之一所述的训练方法训练输出的具有最优超参数的光伏发电功率预测模型,得到该目标发电站的预测发电功率;
基于该目标发电站的预测发电功率与实际发电功率,计算该目标发电站的实际发电有效率。
8.根据权利要求7所述的方法,其特征在于,还包括:
获取目标发电站所在区域范围内的其他发电站的环境参数、设备参数;
将其他发电站中每个发电站的环境参数、设备参数输入根据权利要求1-6之一所述的训练方法训练输出的具有最优超参数的光伏发电功率预测模型,得到每个发电站的预测发电功率;
基于其他发电站中每个发电站的预测发电功率和实际发电功率,计算其他发电站中每个发电站的实际发电有效率;
基于其他发电站中每个发电站的实际发电有效率和目标发电站的实际发电有效率,计算目标发电站所在区域范围内的所有发电站的平均发电有效率。
9.根据权利要求8所述的方法,其特征在于,还包括:
利用公式:发电有效率衰减率=(平均发电有效率-目标发电站的实际发电效率)/平均发电有效率×100%,计算发电有效率衰减率;
当发电有效率衰减率大于衰减阈值时,则确定该目标发电站的发电效率存在异常。
10.根据权利要求9所述的方法,其特征在于,还包括:当异常连续出现次数大于次数阈值时,则进行告警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311390443.1A CN117113267B (zh) | 2023-10-25 | 2023-10-25 | 基于大数据的预测模型训练方法、光伏发电性能检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311390443.1A CN117113267B (zh) | 2023-10-25 | 2023-10-25 | 基于大数据的预测模型训练方法、光伏发电性能检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117113267A true CN117113267A (zh) | 2023-11-24 |
CN117113267B CN117113267B (zh) | 2024-02-09 |
Family
ID=88811422
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311390443.1A Active CN117113267B (zh) | 2023-10-25 | 2023-10-25 | 基于大数据的预测模型训练方法、光伏发电性能检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117113267B (zh) |
Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503386A (zh) * | 2016-11-07 | 2017-03-15 | 上海思源弘瑞自动化有限公司 | 评估光功率预测算法性能优劣的方法及装置 |
CN107622308A (zh) * | 2017-09-18 | 2018-01-23 | 华中科技大学 | 一种基于dbn网络的发电设备参数预警方法 |
CN109301859A (zh) * | 2018-09-10 | 2019-02-01 | 许继集团有限公司 | 分布式光伏发电站发电效率监测方法与系统 |
CN109670652A (zh) * | 2018-12-29 | 2019-04-23 | 石家庄科林电气股份有限公司 | 一种光伏组件的故障预测方法 |
CN111524015A (zh) * | 2020-04-10 | 2020-08-11 | 易方达基金管理有限公司 | 训练预测模型的方法、装置、计算机设备及可读存储介质 |
CN111784777A (zh) * | 2020-07-09 | 2020-10-16 | 千顺智能(珠海)有限公司 | 基于卷积神经网络的smt物料数量统计方法及统计系统 |
CN112669908A (zh) * | 2019-10-15 | 2021-04-16 | 香港中文大学 | 并入数据分组的预测模型 |
CN112748331A (zh) * | 2020-12-24 | 2021-05-04 | 国网江苏省电力有限公司电力科学研究院 | 一种基于ds证据融合的断路器机械故障识别方法及装置 |
CN112766573A (zh) * | 2021-01-20 | 2021-05-07 | 国网安徽省电力有限公司电力科学研究院 | 一种发电数据的预测方法、装置及电子设备 |
CN112862012A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 一种基于lstm模型的运维系统异常预警方法、装置及设备 |
CN113285441A (zh) * | 2021-04-27 | 2021-08-20 | 西安交通大学 | 智能电网lr攻击检测方法、系统、设备及可读存储介质 |
CN113570126A (zh) * | 2021-07-15 | 2021-10-29 | 远景智能国际私人投资有限公司 | 光伏发电站的发电功率预测方法、装置及系统 |
CN113888351A (zh) * | 2021-09-26 | 2022-01-04 | 华能酒泉风电有限责任公司 | 光伏系统的功率预测方法、装置及电子设备 |
CN114330934A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 一种模型参数自适应的gru新能源短期发电功率预测方法 |
CN114676923A (zh) * | 2022-04-01 | 2022-06-28 | 南方电网数字电网研究院有限公司 | 发电功率的预测方法、装置、计算机设备和存储介质 |
CN114781723A (zh) * | 2022-04-22 | 2022-07-22 | 国网河北省电力有限公司 | 一种基于多模型融合的短期光伏出力预测方法 |
CN114884050A (zh) * | 2021-02-05 | 2022-08-09 | 中国电力科学研究院有限公司 | 一种多预测模型融合的风电功率预测方法及装置 |
CN115049163A (zh) * | 2022-08-15 | 2022-09-13 | 国能日新科技股份有限公司 | 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置 |
CN115222138A (zh) * | 2022-07-28 | 2022-10-21 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于eemd-lstm微网光伏短期功率区间预测方法 |
CN115271253A (zh) * | 2022-09-05 | 2022-11-01 | 中国长江三峡集团有限公司 | 一种水风光发电功率预测模型构建方法、装置及存储介质 |
CN115577773A (zh) * | 2022-10-27 | 2023-01-06 | 京东方科技集团股份有限公司 | 一种参数推荐方法、装置、计算机设备及存储介质 |
CN115712834A (zh) * | 2022-11-22 | 2023-02-24 | 杭州安恒信息技术股份有限公司 | 一种告警误报检测方法、装置、设备及存储介质 |
CN115764870A (zh) * | 2022-11-14 | 2023-03-07 | 国网冀北电力有限公司计量中心 | 基于自动化机器学习的多变量光伏发电功率预测方法与装置 |
US20230080737A1 (en) * | 2020-05-27 | 2023-03-16 | North China Electric Power University | Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System |
CN116384251A (zh) * | 2023-04-18 | 2023-07-04 | 西安交通大学 | 一种考虑风险规避的新能源发电功率组合预测方法及系统 |
CN116577254A (zh) * | 2022-09-16 | 2023-08-11 | 南京大学 | 基于机器学习的吸附机理分析和吸附条件定位方法及装置 |
CN116706992A (zh) * | 2023-05-30 | 2023-09-05 | 中国南方电网有限责任公司 | 一种分布式光伏集群的自适应功率预测方法、装置和设备 |
CN116842365A (zh) * | 2023-07-04 | 2023-10-03 | 上海交通大学 | 基于自动深度学习框架的盾构掘进姿态预测方法 |
CN116933922A (zh) * | 2023-06-30 | 2023-10-24 | 复变时空(武汉)数据科技有限公司 | 基于woa-cnn-lstm光伏发电功率预测的方法 |
-
2023
- 2023-10-25 CN CN202311390443.1A patent/CN117113267B/zh active Active
Patent Citations (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503386A (zh) * | 2016-11-07 | 2017-03-15 | 上海思源弘瑞自动化有限公司 | 评估光功率预测算法性能优劣的方法及装置 |
CN107622308A (zh) * | 2017-09-18 | 2018-01-23 | 华中科技大学 | 一种基于dbn网络的发电设备参数预警方法 |
CN109301859A (zh) * | 2018-09-10 | 2019-02-01 | 许继集团有限公司 | 分布式光伏发电站发电效率监测方法与系统 |
CN109670652A (zh) * | 2018-12-29 | 2019-04-23 | 石家庄科林电气股份有限公司 | 一种光伏组件的故障预测方法 |
CN112669908A (zh) * | 2019-10-15 | 2021-04-16 | 香港中文大学 | 并入数据分组的预测模型 |
CN111524015A (zh) * | 2020-04-10 | 2020-08-11 | 易方达基金管理有限公司 | 训练预测模型的方法、装置、计算机设备及可读存储介质 |
US20230080737A1 (en) * | 2020-05-27 | 2023-03-16 | North China Electric Power University | Federated Learning-Based Regional Photovoltaic Power Probabilistic Forecasting Method and Coordinated Control System |
CN111784777A (zh) * | 2020-07-09 | 2020-10-16 | 千顺智能(珠海)有限公司 | 基于卷积神经网络的smt物料数量统计方法及统计系统 |
CN112748331A (zh) * | 2020-12-24 | 2021-05-04 | 国网江苏省电力有限公司电力科学研究院 | 一种基于ds证据融合的断路器机械故障识别方法及装置 |
CN112766573A (zh) * | 2021-01-20 | 2021-05-07 | 国网安徽省电力有限公司电力科学研究院 | 一种发电数据的预测方法、装置及电子设备 |
CN114884050A (zh) * | 2021-02-05 | 2022-08-09 | 中国电力科学研究院有限公司 | 一种多预测模型融合的风电功率预测方法及装置 |
CN112862012A (zh) * | 2021-03-31 | 2021-05-28 | 中国工商银行股份有限公司 | 一种基于lstm模型的运维系统异常预警方法、装置及设备 |
CN113285441A (zh) * | 2021-04-27 | 2021-08-20 | 西安交通大学 | 智能电网lr攻击检测方法、系统、设备及可读存储介质 |
CN113570126A (zh) * | 2021-07-15 | 2021-10-29 | 远景智能国际私人投资有限公司 | 光伏发电站的发电功率预测方法、装置及系统 |
CN113888351A (zh) * | 2021-09-26 | 2022-01-04 | 华能酒泉风电有限责任公司 | 光伏系统的功率预测方法、装置及电子设备 |
CN114330934A (zh) * | 2022-03-09 | 2022-04-12 | 南方电网数字电网研究院有限公司 | 一种模型参数自适应的gru新能源短期发电功率预测方法 |
CN114676923A (zh) * | 2022-04-01 | 2022-06-28 | 南方电网数字电网研究院有限公司 | 发电功率的预测方法、装置、计算机设备和存储介质 |
CN114781723A (zh) * | 2022-04-22 | 2022-07-22 | 国网河北省电力有限公司 | 一种基于多模型融合的短期光伏出力预测方法 |
CN115222138A (zh) * | 2022-07-28 | 2022-10-21 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于eemd-lstm微网光伏短期功率区间预测方法 |
CN115049163A (zh) * | 2022-08-15 | 2022-09-13 | 国能日新科技股份有限公司 | 基于禁忌搜索与深度稳定学习的光伏区域预测方法及装置 |
CN115271253A (zh) * | 2022-09-05 | 2022-11-01 | 中国长江三峡集团有限公司 | 一种水风光发电功率预测模型构建方法、装置及存储介质 |
CN116577254A (zh) * | 2022-09-16 | 2023-08-11 | 南京大学 | 基于机器学习的吸附机理分析和吸附条件定位方法及装置 |
CN115577773A (zh) * | 2022-10-27 | 2023-01-06 | 京东方科技集团股份有限公司 | 一种参数推荐方法、装置、计算机设备及存储介质 |
CN115764870A (zh) * | 2022-11-14 | 2023-03-07 | 国网冀北电力有限公司计量中心 | 基于自动化机器学习的多变量光伏发电功率预测方法与装置 |
CN115712834A (zh) * | 2022-11-22 | 2023-02-24 | 杭州安恒信息技术股份有限公司 | 一种告警误报检测方法、装置、设备及存储介质 |
CN116384251A (zh) * | 2023-04-18 | 2023-07-04 | 西安交通大学 | 一种考虑风险规避的新能源发电功率组合预测方法及系统 |
CN116706992A (zh) * | 2023-05-30 | 2023-09-05 | 中国南方电网有限责任公司 | 一种分布式光伏集群的自适应功率预测方法、装置和设备 |
CN116933922A (zh) * | 2023-06-30 | 2023-10-24 | 复变时空(武汉)数据科技有限公司 | 基于woa-cnn-lstm光伏发电功率预测的方法 |
CN116842365A (zh) * | 2023-07-04 | 2023-10-03 | 上海交通大学 | 基于自动深度学习框架的盾构掘进姿态预测方法 |
Non-Patent Citations (3)
Title |
---|
ROGÉRIO LUÍS DE C. COSTA ET AL: "Convolutional-LSTM networks and generalization in forecasting of household photovoltaic generation", 《ENGINEERING APPLICATIONS OF ARTIFICIAL INTELLIGENCE》, pages 51 - 11 * |
童宇: "基于深度学习和数字图像技术的结构表面位移计算", 《中国硕士学位论文全文数据库 工程科技Ⅱ辑》, vol. 2023, no. 2, pages 20 * |
黄亚峰等: "基于K-means++和LSTM网络的光伏功率预测研究", 《电气自动化》, vol. 42, no. 5, pages 25 - 27 * |
Also Published As
Publication number | Publication date |
---|---|
CN117113267B (zh) | 2024-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146093B (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN111539550B (zh) | 光伏阵列工作状态的确定方法、装置、设备及存储介质 | |
CN115329812B (zh) | 一种基于人工智能的桥梁基础设施异常监测方法 | |
CN110807550A (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
CN116383773A (zh) | 基于自适应预测区间的数据中心能效异常检测方法、系统和介质 | |
CN116307641A (zh) | 一种面向数字化电厂的资源协同调度管理方法及系统 | |
CN113011477B (zh) | 一种太阳辐照数据的清洗和补全系统及方法 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
Buonanno et al. | Comprehensive method for modeling uncertainties of solar irradiance for PV power generation in smart grids | |
CN117113267B (zh) | 基于大数据的预测模型训练方法、光伏发电性能检测方法 | |
CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN117077532A (zh) | 风电机组寿命预测的多模型融合方法 | |
CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
CN116108385A (zh) | 一种电力设备故障类型诊断方法及系统、终端、存储介质 | |
CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
CN116232222B (zh) | 一种分布式光伏系统云边协同积灰程度监测方法及系统 | |
CN116342077B (zh) | 一种适用于数据缺失场站的新能源功率迁移学习预测方法 | |
CN117595231B (zh) | 一种智能电网配网管理系统及其方法 | |
CN113469268B (zh) | 基于误差统计分析的输电线路杆塔雨量修正方法及装置 | |
Kurén et al. | Fault Detection AI For Solar Panels | |
CN117096859A (zh) | 一种架空线路中长期载流量预测方法、系统、设备及介质 | |
CN117767283A (zh) | 一种基于多策略融合的电网资源趋势预警分析方法及系统 | |
Song et al. | Short-term Prediction Method of Distributed Photovoltaic Power Generation Based on LSTM Network |
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 |