CN117117833A - 光伏输出功率预测方法、装置、电子设备及存储介质 - Google Patents
光伏输出功率预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117117833A CN117117833A CN202310908734.9A CN202310908734A CN117117833A CN 117117833 A CN117117833 A CN 117117833A CN 202310908734 A CN202310908734 A CN 202310908734A CN 117117833 A CN117117833 A CN 117117833A
- Authority
- CN
- China
- Prior art keywords
- output power
- photovoltaic output
- photovoltaic
- meteorological
- power prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000009826 distribution Methods 0.000 claims description 36
- 238000012549 training Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000001556 precipitation Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000010355 oscillation Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012783 upstream development Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开涉及一种光伏输出功率预测方法、装置、电子设备及存储介质,通过建立分布式光伏站点和气象站点的分布网络,对分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域,确定每个子区域的气象数据与光伏输出功率之间的特征关系,基于每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型,基于训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果。相较于现有技术,本公开实施例通过建立并训练光伏输出功率预测模型,可以对光伏输出功率进行合理的预测,并提高光伏输出功率预测的准确率。
Description
技术领域
本公开涉及光伏功率预测技术领域,尤其涉及一种光伏输出功率预测方法、装置、电子设备及存储介质。
背景技术
发展分布式能源是节能减排的重要途径之一,据统计数据显示,一直以来,新增的分布式光伏的最大输出功率呈现震荡上行的发展态势。
目前预测分布式光伏输出功率主要有直接预测和间接预测两种途径。直接预测法是一种基于数据统计的预测方法,获取光伏输出功率的历史数据,并从中发现一定的规律,然后确定光伏输出功率预测的理论,最后预测光伏输出功率。间接预测方法是指通过已有气象数据和光伏输出功率数据,构建气象条件-输出功率预测模型,之后根据天气预报数据进行预测的方法。
但是,由于光伏输出功率极易受到云、雾等天气因素的影响,使得光伏输出功率会存在一定的突变性,导致采用直接预测的方法预测得到的光伏输出功率准确率较低。而采用间接预测的方法需要用到分布式光伏站点的历史气象数据,由于分布式光伏站点的历史气象数据稀少,导致难以建立输出功率预测模型,无法对光伏输出功率进行合理的预测。
发明内容
为了解决上述技术问题,本公开提供了一种光伏输出功率预测方法、装置、电子设备及存储介质,以对光伏输出功率进行合理的预测,并提高光伏输出功率预测的准确率。
第一方面,本公开实施例提供一种光伏输出功率预测方法,包括:
建立分布式光伏站点和气象站点的分布网络;
对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域;
确定每个子区域的气象数据与光伏输出功率之间的特征关系;
基于所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型;
基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果。
在一些实施例中,所述建立分布式光伏站点和气象站点的分布网络,包括:
分别获取各个分布式光伏站点的位置信息以及各个气象站点的位置信息;
根据所述各个分布式光伏站点的位置信息以及所述各个气象站点的位置信息,将所述各个分布式光伏站点和所述各个气象站点添加在地图系统中,得到分布式光伏站点和气象站点的分布网络。
在一些实施例中,所述对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域,包括:
对于所述分布式光伏站点和气象站点的分布网络中的任意两个站点,构建相似度矩阵;
根据所述相似度矩阵计算度矩阵;
基于所述相似度矩阵以及所述度矩阵构建拉普拉斯矩阵;
计算所述拉普拉斯矩阵的多个特征值,并计算每个特征值对应的特征向量;
将所述每个特征值对应的特征向量以列向量进行排列,得到目标矩阵;
对所述目标矩阵的行向量进行聚类,得到多个簇,每个簇确定为一个子区域。
在一些实施例中,所述确定每个子区域的气象数据与光伏输出功率之间的特征关系,包括:
对于每个子区域,判断所述子区域中是否存在气象站点;
若存在,则基于所述子区域中的气象站点的气象数据确定所述子区域的气象数据与光伏输出功率之间的特征关系。
在一些实施例中,所述方法还包括:
若所述子区域中不存在气象站点,则获取与所述子区域距离最小的气象站点的气象数据;
根据预设的气象数据的梯度变化公式对所述气象站点的气象数据进行调整,得到目标气象数据;
基于所述目标气象数据确定所述子区域的气象数据与光伏输出功率之间的特征关系。
在一些实施例中,所述对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型,包括:
获取多组历史气象数据以及对应的历史光伏输出功率;
对于多组历史气象数据以及对应的历史光伏输出功率中的缺失值或异常值,用多组历史气象数据以及对应的历史光伏输出功率的均值进行替换;
基于每组历史气象数据对光伏输出功率预测模型进行训练,得到每组历史气象数据的预测光伏输出功率;
基于每组历史气象数据对应的历史光伏输出功率对所述每组历史气象数据的预测光伏输出功率进行损失计算,得到所述光伏输出功率预测模型的损失计算结果;
基于所述光伏输出功率预测模型的损失计算结果,更新所述光伏输出功率预测模型的模型参数;
计算更新后的所述光伏输出功率预测模型的准确率;
若更新后的所述光伏输出功率预测模型的准确率大于预设阈值,则将更新后的所述光伏输出功率预测模型确定为训练好的光伏输出功率预测模型。
在一些实施例中,所述基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果,包括:
获取当前区域的气象预测数据;
将所述当前区域的气象预测数据输入到所述训练好的光伏输出功率预测模型中,通过所述训练好的光伏输出功率预测模型输出当前区域的光伏输出功率预测结果。
第二方面,本公开实施例提供一种光伏输出功率预测装置,包括:
建立模块,用于建立分布式光伏站点和气象站点的分布网络;
划分模块,用于对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域;
确定模块,用于确定每个子区域的气象数据与光伏输出功率之间的特征关系;
得到模块,用于基于所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型;
预测模块,用于基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果。
第三方面,本公开实施例提供一种电子设备,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如第一方面所述的方法。
第四方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行以实现如第一方面所述的方法。
第五方面,本公开实施例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或指令,该计算机程序或指令被处理器执行时实现如第一方面所述的方法。
本公开实施例提供的光伏输出功率预测方法、装置、电子设备及存储介质,通过建立分布式光伏站点和气象站点的分布网络,对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域,确定每个子区域的气象数据与光伏输出功率之间的特征关系,基于所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型,基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果。相较于现有技术,本公开实施例通过建立并训练光伏输出功率预测模型,可以对光伏输出功率进行合理的预测,并提高光伏输出功率预测的准确率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的光伏输出功率预测方法流程图;
图2为本公开另一实施例提供的光伏输出功率预测方法流程图;
图3为本公开实施例提供的光伏输出功率预测模型的训练过程示意图;
图4为本公开实施例提供的光伏输出功率预测装置的结构示意图;
图5为本公开实施例提供的电子设备的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
发展分布式能源是节能减排的重要途径之一,据统计数据显示,一直以来,新增的分布式光伏的最大输出功率呈现震荡上行的发展态势。
目前预测分布式光伏输出功率主要有直接预测和间接预测两种途径。直接预测法是一种基于数据统计的预测方法,获取光伏输出功率的历史数据,并从中发现一定的规律,然后确定光伏输出功率预测的理论,最后预测光伏输出功率。间接预测方法是指通过已有气象数据和光伏输出功率数据,构建气象条件-输出功率预测模型,之后根据天气预报数据进行预测的方法。
但是,由于光伏输出功率极易受到云、雾等天气因素的影响,使得光伏输出功率会存在一定的突变性,导致采用直接预测的方法预测得到的光伏输出功率准确率较低。而采用间接预测的方法需要用到分布式光伏站点的历史气象数据,由于分布式光伏站点的历史气象数据稀少,导致难以建立输出功率预测模型,无法对光伏输出功率进行合理的预测。针对该问题,本公开实施例提供了一种光伏输出功率预测方法,下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的光伏输出功率预测方法流程图,该方法的执行主体为电子设备。电子设备可以为智能手机、平板电脑、笔记本电脑、车载导航设备、智能运动装备等便携移动设备;也可以为个人计算机、智能家电、服务器等固定式设备,其中,服务器可以是单个服务器,可以是服务器集群,服务器集群可以是分布式集群,也可以是集中式集群。该方法可以应用于对光伏输出功率进行预测的场景,可以对光伏输出功率进行合理的预测,并提高光伏输出功率预测的准确率。可以理解的是,本公开实施例提供的光伏输出功率预测方法还可以应用在其他场景中。
下面对图1所示的的光伏输出功率预测方法进行介绍,该方法包括如下几个步骤:
S101、建立分布式光伏站点和气象站点的分布网络。
在一些可选的实施方式中,电子设备建立分布式光伏站点和气象站点的分布网络。可选的,可以采用网格化数据建模方法,根据站点的地理位置建立分布式光伏站点和气象站点的分布网络。
S102、对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域。
在建立分布式光伏站点和气象站点的分布网络之后,电子设备对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域。可选的,可以通过聚类算法对站点进行聚类,进而将分布网络进行划分为多个子区域。聚类算法例如谱聚类、k-means算法等,不做具体限定。
S103、确定每个子区域的气象数据与光伏输出功率之间的特征关系。
在得到多个子区域之后,电子设备确定每个子区域的气象数据与光伏输出功率之间的特征关系。可选的,气象数据包括太阳辐照度、温度、湿度、降水、总云量等。具体的,电子设备分别确定出每个子区域的太阳辐照度、温度、湿度、降水、总云量与光伏输出功率之间的时间序列特征关系,从而确定出每个子区域的气象数据与光伏输出功率之间的特征关系。
可选的,统计每个子区域内分布式光伏站点的最大输出功率(装机容量)和历史光伏输出功率,从气象站点获取到对应时间的气象数据,如太阳辐照度、温度、湿度、降水、总云量,并建立太阳辐照度-光伏输出功率的拟合曲线图,分析太阳辐照度和光伏输出功率之间的映射关系,并将气象数据中的其它要素和光伏输出功率进行相关性分析,确定出每个子区域的气象数据与光伏输出功率之间的特征关系。
S104、基于所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型。
本步骤中,电子设备根据所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型,通过建立并训练光伏输出功率预测模型,可以对光伏输出功率进行合理的预测,并提高光伏输出功率预测的准确率。
S105、基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果。
在得到训练好的光伏输出功率预测模型之后,电子设备通过所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果。
本公开实施例通过建立分布式光伏站点和气象站点的分布网络,对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域,确定每个子区域的气象数据与光伏输出功率之间的特征关系,基于所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型,基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果。相较于现有技术,本公开实施例通过建立并训练光伏输出功率预测模型,可以对光伏输出功率进行合理的预测,并提高光伏输出功率预测的准确率。
图2为本公开另一实施例提供的光伏输出功率预测方法流程图,如图2所示,该方法包括如下几个步骤:
S201、分别获取各个分布式光伏站点的位置信息以及各个气象站点的位置信息。
本步骤中,电子设备分别获取各个分布式光伏站点的位置信息以及各个气象站点的位置信息。位置信息可以是经纬度坐标,也可以是以某个参照物为坐标原点的坐标系下的三维坐标,不做限定。
S202、根据所述各个分布式光伏站点的位置信息以及所述各个气象站点的位置信息,将所述各个分布式光伏站点和所述各个气象站点添加在地图系统中,得到分布式光伏站点和气象站点的分布网络。
进一步,电子设备根据所述各个分布式光伏站点的位置信息以及所述各个气象站点的位置信息,将所述各个分布式光伏站点和所述各个气象站点添加在地图系统中,得到分布式光伏站点和气象站点的分布网络。
在一些实施例中,可以构建一个无向加权图G={V,E}来进行表示分布网络,其中V={v1,...,vn}表示站点的集合,并针对分布式光伏站点和气象站点进行区分编号,表示边的集合,eij表示站点vi和站点vj之间的权重,权重的大小表示两个站点之间的距离。
S203、对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域。
具体的,S203和S102的实现过程和原理一致,此处不再赘述。
在一些实施例中,S203包括但不限于S2031、S2032、S2033:
S2031、对于所述分布式光伏站点和气象站点的分布网络中的任意两个站点,构建相似度矩阵。
对于所述分布式光伏站点和气象站点的分布网络中的任意两个站点,通过高斯相似度方法计算n*n的相似度矩阵W,相似度矩阵表示数据集中任意两个站点的相似度,距离越远的站点之间相似度越低,其中参数σ控制分布网络中站点的邻域宽度,参数越大表示站点与距离较远的站点相似度越大,反之亦然。
S2032、根据所述相似度矩阵计算度矩阵。
根据相似度矩阵W来计算度矩阵D,度矩阵为di组成的n*n对角矩阵:
S2033、基于所述相似度矩阵以及所述度矩阵构建拉普拉斯矩阵。
在相似度矩阵的基础上,可以构建拉普拉斯矩阵,拉普拉斯矩阵是对相似度矩阵进行正则化处理得到的,对拉普拉斯矩阵标准化的算法为:
Lrw=D-1L=1-D-1W。
S2034、计算所述拉普拉斯矩阵的多个特征值,并计算每个特征值对应的特征向量。
计算L的特征值,并将特征值从小到大排序,取前k个特征值,计算前k个特征值对应的特征向量u1,u2,...,uk。
S2035、将所述每个特征值对应的特征向量以列向量进行排列,得到目标矩阵。
将特征向量u1,u2,...,uk以列向量进行排列,组成目标矩阵U={u1,u2,...,uk},U∈Rn*k。
S2036、对所述目标矩阵的行向量进行聚类,得到多个簇,每个簇确定为一个子区域。
令yi∈Rk是目标矩阵U的第i行向量,其中i=1,2,...,n。使用聚类算法将行向量Y={y1,y2,...,yn}聚类成簇C1,C2,...,Ck,输出簇A1,A2,...,Ak,其中Ai={j|yj∈Ci}。
S204、对于每个子区域,判断所述子区域中是否存在气象站点。
划分出子区域后,电子设备对于每个子区域,判断所述子区域中是否存在气象站点。由于气象站点的数量较少,一些子区域中可能未划分到气象站点。本步骤中,电子设备判断所述子区域中是否存在气象站点。
S205、若存在,则基于所述子区域中的气象站点的气象数据确定所述子区域的气象数据与光伏输出功率之间的特征关系。
如果子区域中存在气象站点,电子设备则基于所述子区域中的气象站点的气象数据确定所述子区域的气象数据与光伏输出功率之间的特征关系。
在一些实施例中,所述方法还包括:若所述子区域中不存在气象站点,则获取与所述子区域距离最小的气象站点的气象数据;根据预设的气象数据的梯度变化公式对所述气象站点的气象数据进行调整,得到目标气象数据;基于所述目标气象数据确定所述子区域的气象数据与光伏输出功率之间的特征关系。
如果子区域中不存在气象站点,电子设备则获取与所述子区域距离最小的气象站点的气象数据,根据预设的气象数据的梯度变化公式对所述气象站点的气象数据进行调整,得到目标气象数据,基于所述目标气象数据确定所述子区域的气象数据与光伏输出功率之间的特征关系。
对于气象数据中的辐照度、温度、湿度、降水这些要素而言,会受到经纬度、微地形、高程(海拔高度)等地带性因素的影响,在利用与所述子区域距离最小的气象站点的气象数据代替子区域的气象数据时需要考虑到这些因素。所以在利用与所述子区域距离最小的气象站点的气象数据进行空间插值代替时选用了梯度距离平方反比法,在距离权重的基础上,考虑了气象要素随经、纬向和海拔高度的梯度变化,其预设的气象数据的梯度变化公式为:
其中N表示预测计算中使用的样本数量,X、Y、Z分别表示预测站点的X、Y、Z轴坐标值,Xi、Yi、Ui为相应气象站点i的X、Y、Z轴坐标值,Cx、Cy、Cu为站点气象要素值与X、Y和海拔高程的回归系数。di为插值点到已知站点i的大圆距离,2为幂指数。
大圆距离指的是从球面的一点A出发到达球面上另一点B,所经过的最短路径的长度。一般来说,球面上任意两点A和B都可以与球心确定唯一的大圆,这个大圆被称为黎曼圆,而在大圆上连接这两点的较短的一条弧的长度就是大圆距离。
S206、基于所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型。
具体的,S206和S104的实现过程和原理一致,此处不再赘述。
S207、获取当前区域的气象预测数据。
本步骤中,电子设备获取当前区域的气象预测数据。可选的,可以从气象站点获取当前区域的气象预测数据。
S208、将所述当前区域的气象预测数据输入到所述训练好的光伏输出功率预测模型中,通过所述训练好的光伏输出功率预测模型输出当前区域的光伏输出功率预测结果。
在获取到当前区域的气象预测数据之后,电子设备将所述当前区域的气象预测数据输入到所述训练好的光伏输出功率预测模型中,通过所述训练好的光伏输出功率预测模型输出当前区域的光伏输出功率预测结果。通过将所述当前区域的气象预测数据输入到所述训练好的光伏输出功率预测模型进行预测,解决了光伏输出功率预测影响因素复杂难以预测、预测精度低等问题。
本公开实施例通过分别获取各个分布式光伏站点的位置信息以及各个气象站点的位置信息,根据所述各个分布式光伏站点的位置信息以及所述各个气象站点的位置信息,将所述各个分布式光伏站点和所述各个气象站点添加在地图系统中,得到分布式光伏站点和气象站点的分布网络,对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域。进一步,对于每个子区域,判断所述子区域中是否存在气象站点,若存在,则基于所述子区域中的气象站点的气象数据确定所述子区域的气象数据与光伏输出功率之间的特征关系。进而基于所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型,获取当前区域的气象预测数据,将所述当前区域的气象预测数据输入到所述训练好的光伏输出功率预测模型中,通过所述训练好的光伏输出功率预测模型输出当前区域的光伏输出功率预测结果。相较于现有技术,本公开可以对光伏输出功率进行合理的预测,并提高光伏输出功率预测的准确率。
图3为本公开实施例提供的光伏输出功率预测模型的训练过程示意图,如图3所示,该光伏输出功率预测模型是通过如下步骤训练得到的:
S301、获取多组历史气象数据以及对应的历史光伏输出功率。
获取多组历史气象数据以及对应的历史光伏输出功率。可选的,可以基于大数据获取多组历史气象数据以及对应的历史光伏输出功率,也可以通过其它方式获取,在此不做限定。在一些实施例中,光伏输出功率预测模型可以是一种长短期记忆模型,通过多组历史气象数据以及对应的历史光伏输出功率训练光伏输出功率预测模型,可以对光伏输出功率进行合理的预测,并提高光伏输出功率预测的准确率。
S302、对于多组历史气象数据以及对应的历史光伏输出功率中的缺失值或异常值,用多组历史气象数据以及对应的历史光伏输出功率的均值进行替换。
本步骤的实质是对数据预处理,对多组历史气象数据以及对应的历史光伏输出功率进行数据清洗,对于缺失值采用均值替换,通过分位差法来判断是否为异常值,对于缺失值也可采用均值替换。
S303、基于每组历史气象数据对光伏输出功率预测模型进行训练,得到每组历史气象数据的预测光伏输出功率。
基于每组历史气象数据对光伏输出功率预测模型进行训练,得到每组历史气象数据的预测光伏输出功率,由于模型的参数不是最优,训练过程中的预测光伏输出功率可能不太接近历史光伏输出功率。基于足够多的历史气象数据去训练模型,可以提高光伏输出功率预测模型对光伏输出功率预测的准确度。
可选的,可以构建一个光伏输出功率预测模型,在可见层中输入时间步长Δt和特征值(太阳辐照度、温度、湿度、降水、总云量),在隐藏层中构建N个存储单元,在完全连接的输出层中有一个具有线性激活功能的神经元。使用反向传播算法训练光伏输出功率预测模型,并根据优化算法和损失函数进行模型优化。输入每一个时间点的历史气象数据包括太阳辐照度、温度、湿度、降水、总云量等,每个时间点对应的历史光伏输出功率作为映射输出。通过足够多组数据进行训练后得到每个子区域的光伏输出功率预测模型。
S304、基于每组历史气象数据对应的历史光伏输出功率对所述每组历史气象数据的预测光伏输出功率进行损失计算,得到所述光伏输出功率预测模型的损失计算结果。
在得到每组历史气象数据的预测光伏输出功率之后,根据每组历史气象数据对应的历史光伏输出功率对所述每组历史气象数据的预测光伏输出功率进行损失计算,得到所述光伏输出功率预测模型的损失计算结果。损失计算结果越小,说明预测光伏输出功率越趋近于历史光伏输出功率。
S305、基于所述光伏输出功率预测模型的损失计算结果,更新所述光伏输出功率预测模型的模型参数。
根据所述光伏输出功率预测模型的损失计算结果,更新所述光伏输出功率预测模型的模型参数,进而提高光伏输出功率预测模型对光伏输出功率预测的准确度。随着训练次数的增加,不断调整模型的参数,使得预测光伏输出功率越来越趋近于历史光伏输出功率。
例如,对光伏输出功率预测模型的网络参数和超参数进行调优,网络参数主要是调节网络层数和存储单元个数,调节的超参数主要是学习率和训练轮数。在确保了数据与网络的正确性之后,使用默认的超参数设置,观察损失计算结果的变化,初步定下各个超参数的范围,再进行调参,更新所述光伏输出功率预测模型的模型参数。
S306、计算更新后的所述光伏输出功率预测模型的准确率。
将每个子区域对应的气象数据输入到更新后的所述光伏输出功率预测模型中,将光伏输出功率预测结果和实际光伏输出功率进行对比,选用均方根准确率作为评价指标,对结果进行误差分析,采用如下公式进行计算:
其中,n为样本数,PMi为真实值,Ppi为预测值,Cap为光伏站点的最大输出功率(装机容量)。
在一些实施例中,若更新后的所述光伏输出功率预测模型的准确率小于或等于预设阈值,则继续对模型参数进行更新优化。
S307、若更新后的所述光伏输出功率预测模型的准确率大于预设阈值,则所述光伏输出功率预测模型训练完成。
当光伏输出功率预测模型的准确率大于预设阈值时,光伏输出功率预测模型训练完成,即可以使用该光伏输出功率预测模型对光伏输出功率进行预测了。
本公开实施例通过获取多组历史气象数据以及对应的历史光伏输出功率,对于多组历史气象数据以及对应的历史光伏输出功率中的缺失值或异常值,用多组历史气象数据以及对应的历史光伏输出功率的均值进行替换,基于每组历史气象数据对光伏输出功率预测模型进行训练,得到每组历史气象数据的预测光伏输出功率,基于每组历史气象数据对应的历史光伏输出功率对所述每组历史气象数据的预测光伏输出功率进行损失计算,得到所述光伏输出功率预测模型的损失计算结果,基于所述光伏输出功率预测模型的损失计算结果,更新所述光伏输出功率预测模型的模型参数,计算更新后的所述光伏输出功率预测模型的准确率,若更新后的所述光伏输出功率预测模型的准确率大于预设阈值,则将更新后的所述光伏输出功率预测模型确定为训练好的光伏输出功率预测模型。由于对于多组历史气象数据以及对应的历史光伏输出功率中的缺失值或异常值,用多组历史气象数据以及对应的历史光伏输出功率的均值进行替换,可以通过训练数据的准确性,进一步对光伏输出功率预测模型进行训练,通过所述光伏输出功率预测模型的损失计算结果,不断更新模型参数,提高光伏输出功率预测模型的准确度,进而可以提高光伏输出功率预测结果的准确性。
图4为本公开实施例提供的光伏输出功率预测装置的结构示意图。该光伏输出功率预测装置可以是如上实施例的电子设备,或者光伏输出功率预测装置可以该电子设备中的部件或组件。本公开实施例提供的光伏输出功率预测装置可以执行光伏输出功率预测方法实施例提供的处理流程,如图4所示,光伏输出功率预测装置40包括:建立模块41、划分模块42、确定模块43、得到模块44、预测模块45;其中,建立模块41用于建立分布式光伏站点和气象站点的分布网络;划分模块42用于对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域;确定模块43用于确定每个子区域的气象数据与光伏输出功率之间的特征关系;得到模块44用于基于所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型;预测模块45用于基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果。
可选的,所述建立模块41建立分布式光伏站点和气象站点的分布网络时,具体用于:分别获取各个分布式光伏站点的位置信息以及各个气象站点的位置信息;根据所述各个分布式光伏站点的位置信息以及所述各个气象站点的位置信息,将所述各个分布式光伏站点和所述各个气象站点添加在地图系统中,得到分布式光伏站点和气象站点的分布网络。
可选的,所述划分模块42对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域时,具体用于:对于所述分布式光伏站点和气象站点的分布网络中的任意两个站点,构建相似度矩阵;根据所述相似度矩阵计算度矩阵;基于所述相似度矩阵以及所述度矩阵构建拉普拉斯矩阵;计算所述拉普拉斯矩阵的多个特征值,并计算每个特征值对应的特征向量;将所述每个特征值对应的特征向量以列向量进行排列,得到目标矩阵;对所述目标矩阵的行向量进行聚类,得到多个簇,每个簇确定为一个子区域。
可选的,所述确定模块43确定每个子区域的气象数据与光伏输出功率之间的特征关系时,具体用于:对于每个子区域,判断所述子区域中是否存在气象站点;若存在,则基于所述子区域中的气象站点的气象数据确定所述子区域的气象数据与光伏输出功率之间的特征关系。
可选的,所述确定模块43还用于:若所述子区域中不存在气象站点,则获取与所述子区域距离最小的气象站点的气象数据;根据预设的气象数据的梯度变化公式对所述气象站点的气象数据进行调整,得到目标气象数据;基于所述目标气象数据确定所述子区域的气象数据与光伏输出功率之间的特征关系。
可选的,所述得到模块44对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型时,具体用于:获取多组历史气象数据以及对应的历史光伏输出功率;对于多组历史气象数据以及对应的历史光伏输出功率中的缺失值或异常值,用多组历史气象数据以及对应的历史光伏输出功率的均值进行替换;基于每组历史气象数据对光伏输出功率预测模型进行训练,得到每组历史气象数据的预测光伏输出功率;基于每组历史气象数据对应的历史光伏输出功率对所述每组历史气象数据的预测光伏输出功率进行损失计算,得到所述光伏输出功率预测模型的损失计算结果;基于所述光伏输出功率预测模型的损失计算结果,更新所述光伏输出功率预测模型的模型参数;计算更新后的所述光伏输出功率预测模型的准确率;若更新后的所述光伏输出功率预测模型的准确率大于预设阈值,则将更新后的所述光伏输出功率预测模型确定为训练好的光伏输出功率预测模型。
可选的,所述预测模块45基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果时,具体用于:获取当前区域的气象预测数据;将所述当前区域的气象预测数据输入到所述训练好的光伏输出功率预测模型中,通过所述训练好的光伏输出功率预测模型输出当前区域的光伏输出功率预测结果。
图4所示实施例的光伏输出功率预测装置可用于执行上述方法实施例的技术方案,其实现原理和技术效果类似,此处不再赘述。
图5为本公开实施例提供的电子设备的结构示意图。该电子设备可以是终端,例如计算机,笔记本,手机等。本公开实施例提供的电子设备可以执行光伏输出功率预测方法实施例提供的处理流程,如图5所示,电子设备50包括:存储器51、处理器52、计算机程序和通讯接口53;其中,计算机程序存储在存储器51中,并被配置为由处理器52执行如上所述的光伏输出功率预测方法。
另外,本公开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,所述计算机程序被处理器执行以实现上述实施例所述的光伏输出功率预测方法。
此外,本公开实施例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或指令,该计算机程序或指令被处理器执行时实现如上所述的光伏输出功率预测方法。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
建立分布式光伏站点和气象站点的分布网络;
对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域;
确定每个子区域的气象数据与光伏输出功率之间的特征关系;
基于所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型;
基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果。
另外,该电子设备还可以执行如上所述的光伏输出功率预测方法中的其他步骤。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括: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)、复杂可编程逻辑设备(CPLD)等等。
在本公开的上下文中,机器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。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器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。机器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。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种光伏输出功率预测方法,其特征在于,包括:
建立分布式光伏站点和气象站点的分布网络;
对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域;
确定每个子区域的气象数据与光伏输出功率之间的特征关系;
基于所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型;
基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果。
2.根据权利要求1所述的方法,其特征在于,所述建立分布式光伏站点和气象站点的分布网络,包括:
分别获取各个分布式光伏站点的位置信息以及各个气象站点的位置信息;
根据所述各个分布式光伏站点的位置信息以及所述各个气象站点的位置信息,将所述各个分布式光伏站点和所述各个气象站点添加在地图系统中,得到分布式光伏站点和气象站点的分布网络。
3.根据权利要求1所述的方法,其特征在于,所述对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域,包括:
对于所述分布式光伏站点和气象站点的分布网络中的任意两个站点,构建相似度矩阵;
根据所述相似度矩阵计算度矩阵;
基于所述相似度矩阵以及所述度矩阵构建拉普拉斯矩阵;
计算所述拉普拉斯矩阵的多个特征值,并计算每个特征值对应的特征向量;
将所述每个特征值对应的特征向量以列向量进行排列,得到目标矩阵;
对所述目标矩阵的行向量进行聚类,得到多个簇,每个簇确定为一个子区域。
4.根据权利要求1所述的方法,其特征在于,所述确定每个子区域的气象数据与光伏输出功率之间的特征关系,包括:
对于每个子区域,判断所述子区域中是否存在气象站点;
若存在,则基于所述子区域中的气象站点的气象数据确定所述子区域的气象数据与光伏输出功率之间的特征关系。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
若所述子区域中不存在气象站点,则获取与所述子区域距离最小的气象站点的气象数据;
根据预设的气象数据的梯度变化公式对所述气象站点的气象数据进行调整,得到目标气象数据;
基于所述目标气象数据确定所述子区域的气象数据与光伏输出功率之间的特征关系。
6.根据权利要求1所述的方法,其特征在于,所述对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型,包括:
获取多组历史气象数据以及对应的历史光伏输出功率;
对于多组历史气象数据以及对应的历史光伏输出功率中的缺失值或异常值,用多组历史气象数据以及对应的历史光伏输出功率的均值进行替换;
基于每组历史气象数据对光伏输出功率预测模型进行训练,得到每组历史气象数据的预测光伏输出功率;
基于每组历史气象数据对应的历史光伏输出功率对所述每组历史气象数据的预测光伏输出功率进行损失计算,得到所述光伏输出功率预测模型的损失计算结果;
基于所述光伏输出功率预测模型的损失计算结果,更新所述光伏输出功率预测模型的模型参数;
计算更新后的所述光伏输出功率预测模型的准确率;
若更新后的所述光伏输出功率预测模型的准确率大于预设阈值,则将更新后的所述光伏输出功率预测模型确定为训练好的光伏输出功率预测模型。
7.根据权利要求1所述的方法,其特征在于,所述基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果,包括:
获取当前区域的气象预测数据;
将所述当前区域的气象预测数据输入到所述训练好的光伏输出功率预测模型中,通过所述训练好的光伏输出功率预测模型输出当前区域的光伏输出功率预测结果。
8.一种光伏输出功率预测装置,其特征在于,包括:
建立模块,用于建立分布式光伏站点和气象站点的分布网络;
划分模块,用于对所述分布式光伏站点和气象站点的分布网络进行划分,得到多个子区域;
确定模块,用于确定每个子区域的气象数据与光伏输出功率之间的特征关系;
得到模块,用于基于所述每个子区域的气象数据与光伏输出功率之间的特征关系构建光伏输出功率预测模型,对所述光伏输出功率预测模型进行训练,得到训练好的光伏输出功率预测模型;
预测模块,用于基于所述训练好的光伏输出功率预测模型对当前区域的光伏输出功率进行预测,得到当前区域的光伏输出功率预测结果。
9.一种电子设备,其特征在于,包括:
存储器;
处理器;以及
计算机程序;
其中,所述计算机程序存储在所述存储器中,并被配置为由所述处理器执行以实现如权利要求1-7中任一所述的方法。
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,所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310908734.9A CN117117833A (zh) | 2023-07-21 | 2023-07-21 | 光伏输出功率预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310908734.9A CN117117833A (zh) | 2023-07-21 | 2023-07-21 | 光伏输出功率预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117117833A true CN117117833A (zh) | 2023-11-24 |
Family
ID=88806445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310908734.9A Pending CN117117833A (zh) | 2023-07-21 | 2023-07-21 | 光伏输出功率预测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117117833A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634836A (zh) * | 2023-12-08 | 2024-03-01 | 创维互联(北京)新能源科技有限公司 | 一种基于矩阵分析的光伏电站清洗过程评估方法及系统 |
CN117996757A (zh) * | 2024-04-07 | 2024-05-07 | 南京中核能源工程有限公司 | 一种基于分散式风电的配电网调度方法、装置及存储介质 |
-
2023
- 2023-07-21 CN CN202310908734.9A patent/CN117117833A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117634836A (zh) * | 2023-12-08 | 2024-03-01 | 创维互联(北京)新能源科技有限公司 | 一种基于矩阵分析的光伏电站清洗过程评估方法及系统 |
CN117996757A (zh) * | 2024-04-07 | 2024-05-07 | 南京中核能源工程有限公司 | 一种基于分散式风电的配电网调度方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220092418A1 (en) | Training method for air quality prediction model, prediction method and apparatus, device, program, and medium | |
Li et al. | Predicting future locations of moving objects with deep fuzzy-LSTM networks | |
CN117117833A (zh) | 光伏输出功率预测方法、装置、电子设备及存储介质 | |
Jalalkamali | Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters | |
CN112418518A (zh) | 基于时间特征权重和线网拓扑的客流预测方法及装置 | |
CN116301048A (zh) | 无人机路径规划方法、系统、电子设备以及存储介质 | |
CN112766240B (zh) | 基于时空关系的残差多图卷积人群分布预测方法及系统 | |
Thong | Soft computing methods for WiMax network planning on 3D geographical information systems | |
Gao et al. | A deep learning framework with spatial-temporal attention mechanism for cellular traffic prediction | |
CN116722544A (zh) | 分布式光伏短期预测方法、装置、电子设备及存储介质 | |
US12028720B2 (en) | Method and node for handling sensor nodes and fog nodes in a communications system | |
Qin et al. | Weather division‐based wind power forecasting model with feature selection | |
Qi et al. | Combining weather factors to predict traffic flow: A spatial‐temporal fusion graph convolutional network‐based deep learning approach | |
CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
CN116882597A (zh) | 虚拟电厂控制方法、装置、电子设备和可读介质 | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
Lentzakis et al. | Time-dependent partitioning of urban traffic network into homogeneous regions | |
CN111339446B (zh) | 一种兴趣点挖掘方法、装置、电子设备和存储介质 | |
CN114501518A (zh) | 流量预测方法、装置、设备、介质和程序产品 | |
CN113033901A (zh) | 一种气象要素预测方法、装置、设备及存储介质 | |
Xue et al. | On the improvement of positioning accuracy in WiFi‐based wireless network using correntropy‐based kernel learning algorithms | |
Martoglia et al. | Towards multi-model big data road traffic forecast at different time aggregations and forecast horizons | |
CN115630772B (zh) | 综合能源检测配电方法、系统、设备及存储介质 | |
US20220391550A1 (en) | Weather station location selection using iteration with fractals | |
CN117371620B (zh) | 基于风暴潮预测的受灾区域选划方法、装置、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 |