CN117220283A - 一种光伏发电功率预测方法、装置和设备 - Google Patents
一种光伏发电功率预测方法、装置和设备 Download PDFInfo
- Publication number
- CN117220283A CN117220283A CN202311254124.8A CN202311254124A CN117220283A CN 117220283 A CN117220283 A CN 117220283A CN 202311254124 A CN202311254124 A CN 202311254124A CN 117220283 A CN117220283 A CN 117220283A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power generation
- prediction
- prediction model
- photovoltaic
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000035772 mutation Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 4
- 230000001133 acceleration Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005286 illumination Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种光伏发电功率预测方法、装置和设备，基于CPU‑GPU异构计算平台上的第一光伏功率预测模型处理光伏发电关联数据，根据各个特征参数与光伏发电功率的相关性系数确定用于进行光伏发电功率预测的目标特征参数以及对应的特征数据，将特征数据输入到预先训练好并部署在CPU‑GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，一方面通过功率相关性筛选目标特征参数，提高了模型预测的准确性，另一方面，第二光伏功率预测模型包括并列的LSTM预测模型和XGBoost预测模型，克服了单一预测模型在预测上的瓶颈，解决了现有的光伏发电功率预测方法的预测处理效率和准确性不高的技术问题。
Description
技术领域
本发明涉及电力数据分析技术领域，尤其涉及一种光伏发电功率预测方法、装置和设备。
背景技术
光伏发电功率预测是太阳能光伏发电系统中的关键任务，对于实现高效的能源管理、电网调度和能源规划具有重要意义。准确的光伏发电功率预测可以帮助电力系统运营商和发电厂商优化能源调度，提高系统可靠性和经济性。随着越来越多的兆瓦级光伏发电系统接入电网运行，其自身的波动性和随机性对电网的稳定和调度管理带来诸多问题。因此，对光伏发电系统的出力进行准确及时的预测，将对优化调频及旋转备用容量以及在线优化机组组合与经济负荷调度具有重要意义。
现有的光伏发电功率预测方法的预测处理效率和准确性不够理想，因此，设法提升光伏发电功率预测的处理效率和准确性是本领域技术人员亟待解决的技术问题。
发明内容
本发明提供了一种光伏发电功率预测方法、装置和设备，用于解决现有的光伏发电功率预测方法的预测处理效率和准确性不高的技术问题。
有鉴于此，本发明第一方面提供了一种光伏发电功率预测方法，包括：
获取预设时间周期内的光伏发电关联数据，光伏发电关联数据包括光伏出力数据；
基于预先训练好并部署在CPU-GPU异构计算平台上的第一光伏功率预测模型处理光伏发电关联数据，得到光伏发电关联数据中各个特征参数与光伏发电功率的相关性系数；
根据各个特征参数与光伏发电功率的相关性系数，确定用于进行光伏发电功率预测的目标特征参数以及目标特征参数对应的特征数据；
将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，其中，第二光伏功率预测模型包括并列的LSTM预测模型和XGBoost预测模型，光伏发电功率预测结果为LSTM预测模型的预测结果乘以第一权重叠加XGBoost预测模型乘以第二权重。
可选地，第一光伏功率预测模型为XGBoost相关性分析模型。
可选地，将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，之前还包括：
对LSTM预测模型和XGBoost预测模型进行训练，在训练过程中使用贝叶斯算法优化LSTM预测模型和XGBoost预测模型的超参数。
可选地，光伏发电关联数据还包括天气数据。
可选地，将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，之后还包括：
根据天气数据确定天气突变状态对应的预测时间区间内的光伏发电功率预测结果去加权平均值，得到修正的光伏发电功率预测结果。
可选地，根据各个特征参数与光伏发电功率的相关性系数，确定用于进行光伏发电功率预测的目标特征参数以及目标特征参数对应的特征数据，包括：
对各个特征参数与光伏发电功率的相关性系数进行排序，将相关性系数最大的前预置数量个特征参数确定为用于进行光伏发电功率预测的目标特征参数，或将相关性系数不小于阈值的特征参数确定为用于进行光伏发电功率预测的目标特征参数
获取目标特征参数对应的特征数据。
本发明第二方面提供了一种光伏发电功率预测装置，包括：
数据获取单元，用于获取预设时间周期内的光伏发电关联数据，光伏发电关联数据包括光伏出力数据；
相关性计算单元，用于基于预先训练好并部署在CPU-GPU异构计算平台上的第一光伏功率预测模型处理光伏发电关联数据，得到光伏发电关联数据中各个特征参数与光伏发电功率的相关性系数；
目标特征确定单元，用于根据各个特征参数与光伏发电功率的相关性系数，确定用于进行光伏发电功率预测的目标特征参数以及目标特征参数对应的特征数据；
预测单元，用于将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，其中，第二光伏功率预测模型包括并列的LSTM预测模型和XGBoost预测模型，光伏发电功率预测结果为LSTM预测模型的预测结果乘以第一权重叠加XGBoost预测模型乘以第二权重。
可选地，还包括：
模型训练单元，用于对LSTM预测模型和XGBoost预测模型进行训练，在训练过程中使用贝叶斯算法优化LSTM预测模型和XGBoost预测模型的超参数。
可选地，光伏发电关联数据还包括天气数据；
光伏发电功率预测装置还包括结果修正单元，结果修正单元用于根据天气数据确定天气突变状态对应的预测时间区间内的光伏发电功率预测结果去加权平均值，得到修正的光伏发电功率预测结果。
本发明第三方面提供了一种光伏发电功率预测设备，设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行第一方面任一种所述的光伏发电功率预测方法。
从以上技术方案可以看出，本发明提供的光伏发电功率预测方法具有以下优点：
本发明提供的光伏发电功率预测方法，基于预先训练好并部署在CPU-GPU异构计算平台上的第一光伏功率预测模型处理光伏发电关联数据，发挥了硬件加速优势，提高了光伏发电功率预测的处理效率，根据各个特征参数与光伏发电功率的相关性系数，确定用于进行光伏发电功率预测的目标特征参数以及目标特征参数对应的特征数据，将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，一方面通过功率相关性筛选目标特征参数，提高了模型预测的准确性，另一方面，第二光伏功率预测模型包括并列的LSTM预测模型和XGBoost预测模型，克服了单一预测模型在预测上的瓶颈，解决了现有的光伏发电功率预测方法的预测处理效率和准确性不高的技术问题。
附图说明
为了更清楚的说明本发明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的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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相关的附图。
图1为本发明中提供的一种光伏发电功率预测方法的流程示意图；
图2为本发明中提供的光伏发电功率预测方法的逻辑框图；
图3为本发明中提供的光伏预测十天区间预测结果示意图；
图4为本发明中提供的一种光伏发电功率预测装置的结构示意图；
图5为本发明中提供的一种光伏发电功率预测设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅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，本领域普通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。
为了便于理解，请参阅图1和图2，本发明中提供了一种光伏发电功率预测方法的实施例，包括：
步骤101、获取预设时间周期内的光伏发电关联数据，光伏发电关联数据包括光伏出力数据。
需要说明的是，预设时间周期可以是光伏发电功率预测当下时间节点之前的一定时间周期的数据，例如24小时、72小时、一周、10天等，具体可以根据预测需求和历史预测准确性来确定。光伏发电关联数据包括光伏出力数据，例如光伏出力、光照强度等。具体地，可以通过传感器、历史存储数据中获取一定时间周期内的光伏发电关联数据，也可以是各个光伏发电终端上报相关数据。
步骤102、基于预先训练好并部署在CPU-GPU异构计算平台上的第一光伏功率预测模型处理光伏发电关联数据，得到光伏发电关联数据中各个特征参数与光伏发电功率的相关性系数。
需要说明的是，本发明实施例中，光伏功率预测模型是预先训练好并部署在CPU-GPU异构计算平台上的第一光伏功率预测模型，在执行时间序列的光伏发电功率预测时，CPU-GPU异构计算平台可以运行该模型并进行异构加速，以得到预测结果。CPU、GPU可以用独立的服务器或者是多个服务器组成的服务器集群来实现。异构计算，是指CPU、DSP、GPU、ASIC、协处理器、FPGA等各种计算单元、使用不同的类型指令集、不同的体系架构的计算单元，组成一个混合系统来执行计算。CPU-GPU架构是常用的异构计算平台之一。中央处理器(Central Processing Unit，简称CPU)作为计算机系统的运算和控制核心，是信息处理、程序运行的最终执行单元。相比CPU，GPU有更高的并行度、更高的单机计算峰值、更高的计算效率。GPU(Graphic Processing Unit)，用于个人计算机、工作站和游戏机的专用图像显示设备，显示卡或主板集成。光伏发电关联数据中不同特征参数对光伏发电功率的相关性不同，因此，本发明实施例中，通过第一光伏功率预测模型计算得到各个特征参数与光伏发电功率的相关性系数。
在一个实施例中，第一光伏功率预测模型为XGBoost相关性分析模型，XGBoost模型是一种用于监督学习的优化算法，其基于决策树构建多个弱学习器来预测目标变量。
步骤103、根据各个特征参数与光伏发电功率的相关性系数，确定用于进行光伏发电功率预测的目标特征参数以及目标特征参数对应的特征数据。
需要说明的是，可以根据相关性系数的大小或者相关性系数的排序，确定目标特征。目标特征选择，旨在减少低相关度的特征对预测结果的干扰，提高预测的准确性。具体的，可以对各个特征参数与光伏发电功率的相关性系数进行排序，将相关性系数最大的前预置数量个特征参数确定为用于进行光伏发电功率预测的目标特征参数，或将相关性系数不小于阈值的特征参数确定为用于进行光伏发电功率预测的目标特征参数。筛选出特征相关度较高的特征可以减少相关度较低的特征对光伏发电功率预测准确率的影响。
步骤104、将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，其中，第二光伏功率预测模型包括并列的LSTM预测模型和XGBoost预测模型，光伏发电功率预测结果为LSTM预测模型的预测结果乘以第一权重叠加XGBoost预测模型乘以第二权重。
需要说明的是，长短期记忆网络(LSTM，Long Short-Term Memory)是一种时间循环神经网络，能够有效解决在模型训练中"梯度消失"的问题，并且可以学习时间序列中的长期依赖关系。传统的神经网络在训练时总是从前到后传播训练的，这种训练方式无法最大程度地挖掘蕴藏在光伏功率时间序列的内在信息，数据的利用率低。而BiLSTM网络通过前向传播和后向传播为进一步挖掘当前时刻的光伏功率数据与过去和未来数据之间的内在关联创造了有利条件。
在执行光伏发电功率预测时，可以将目标特征参数对应的特征数据分别输入到XGBoost预测模型和LSTM预测模型中，分别得到第一预测结果和第二预测结果，然后对第一预测结果配置第一权重，对第二预测结果配置第二权重，将二者进行叠加，得到光伏发电功率预测结果。XGBoost预测模型和LSTM预测模型组合预测克服了单一模型在预测上的瓶颈。
在一个实施例中，预先对LSTM预测模型和XGBoost预测模型进行训练，在训练过程中使用贝叶斯算法优化LSTM预测模型和XGBoost预测模型的超参数，可进一步提升模型预测的准确率。Bayes优化的核心思想是引入代理模型和采样函数来进行探索和挖掘。通过利用随机获取的数据点构建代理模型，并使用采样函数来确定代理模型的局部最优点。代理模型是实际函数的近似模型。然后，将已知数据点和代理模型的局部最优点相结合，更新代理模型。更新代理模型的计算式为公式：
式中：p(A)为先验分布，即代理模型分布；p(B)为观察数据B的分布；p(B∣A)为给定代理模型，观察观察数据B的分布；p(A∣B)为后验分布，即给定观察数据B之后代理模型的新分布，亦即更新后的代理模型分布。一般用高斯回归模型作为代理模型。新的代理模型局部最优点会逐渐收敛于实际函数的最优点，实现寻优的目的。
在一个实施例中，光伏发电关联数据除了包括光伏出力数据之外，还包括天气数据，例如气温、湿度、风速、风向等。对于光伏发电场景，天气问题对发电功率影响大，对光伏发电功率预测模型来说，天气相关的特征数据对模型的贡献度高。且天气数据具有不确定性以及不可预测性。因此，有必要对天气异常情况下的预测数据进行修正。具体地，可以预先设定天气异常的监测指标体系，以从天气状态数据中识别出来天气突变状态，在步骤104将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果之后，根据天气数据确定天气突变状态对应的预测时间区间内的光伏发电功率预测结果去加权平均值，得到修正的光伏发电功率预测结果。通过识别天气突变状态，修正预测结果，减少预测结果的异常波动，提高了天气突变状态下光伏发电功率预测结果的可参考性。
在一个实施例中，可以进一步收集天气突变状态下的光伏出力数据，将数据继续进行特征识别和分类后，作为训练数据集，训练对应的算法模型，以作为第一光伏功率预测模型的组成部分，进一步提高光伏发电功率预测模型的适应性。
本发明提供的光伏发电功率预测方法，基于预先训练好并部署在CPU-GPU异构计算平台上的第一光伏功率预测模型处理光伏发电关联数据，发挥了硬件加速优势，提高了光伏发电功率预测的处理效率，根据各个特征参数与光伏发电功率的相关性系数，确定用于进行光伏发电功率预测的目标特征参数以及目标特征参数对应的特征数据，将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，一方面通过功率相关性筛选目标特征参数，提高了模型预测的准确性，另一方面，第二光伏功率预测模型包括并列的LSTM预测模型和XGBoost预测模型，克服了单一预测模型在预测上的瓶颈，解决了现有的光伏发电功率预测方法的预测处理效率和准确性不高的技术问题。
为了测试本发明提供的光伏发电功率预测方法的有效性，本发明中提供以下应用例进行说明，应当说明的是，该测试场景数据为示例性选择，不作为对本申请方案的具体限定。
采用的测试服务器为两台含GPU服务器，硬件信息为：GPU：NVIDIAA40*8；CPU：INTEL C621A series chipset 3.6GHZ；内存：96G；硬盘：2*960G；软件环境为：操作系统Linux Ubuntu18.04。
选取某市真实光伏功率数据进行算例分析，该数据集共34335条，包含光伏出力、光照强度、气温、湿度、时间戳等数据，数据粒度为15分钟。本项目选取前80％作为训练数据集，后20％作为测试数据集。异构加速前和异构加速后均使用到了相同的硬件算力进行测试。测试结果如表1：
表1光伏出力区间预测测试结果
| 模型名称 | 异构加速前运行时间 | 异构加速后运行时间 |
| 光伏出力区间预测 | 231.32s | 170.71s |
从测试结果可以看到，异构加速后，整体速度比异构加速前提升了26.2％，所提出的方案有效提升了模型的计算效率。
根据第一光伏功率预测模型计算特征参数与光伏发电功率的相关性系数。在多个气象因素中，漫射辐射、直接辐射和总辐射与光伏发电功率之间存在极强的相关性，这与光伏发电的原理相关；气温与光伏发电功率之间存在中等相关性，当光照较强时，地表温度相对较高，这符合人类的常识和认知；光伏发电功率与风速、风向之间存在弱相关性，由于云量受风速影响，风速较大时，云行走较快，光伏波动相对较强，风速较低时，云行走较慢，光伏波动相对较低；光伏发电功率与湿度之间不相关。此外，未来的光伏发电功率与历史的光伏发电功率之间也存在强相关性，并且由于光伏发电具有明显的日周期性，未来的光伏发电功率与日时间戳之间也存在相关性。根据特征相关性分析结果，本项目选取输入模型的特征如表2所示：
表2目标特征参数表
区间预测结果如图3所示，置信区间为80％，可见预测结果上下限均覆盖了真实值曲线，证明区间预测的有效性，模型预测误差mse为0.0323。
为了便于理解，请参阅图4，本发明中提供了一种光伏发电功率预测装置的实施例，包括：
数据获取单元，用于获取预设时间周期内的光伏发电关联数据，光伏发电关联数据包括光伏出力数据；
相关性计算单元，用于基于预先训练好并部署在CPU-GPU异构计算平台上的第一光伏功率预测模型处理光伏发电关联数据，得到光伏发电关联数据中各个特征参数与光伏发电功率的相关性系数；
目标特征确定单元，用于根据各个特征参数与光伏发电功率的相关性系数，确定用于进行光伏发电功率预测的目标特征参数以及目标特征参数对应的特征数据；
预测单元，用于将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，其中，第二光伏功率预测模型包括并列的LSTM预测模型和XGBoost预测模型，光伏发电功率预测结果为LSTM预测模型的预测结果乘以第一权重叠加XGBoost预测模型乘以第二权重。
第一光伏功率预测模型为XGBoost相关性分析模型。
还包括：
模型训练单元，用于对LSTM预测模型和XGBoost预测模型进行训练，在训练过程中使用贝叶斯算法优化LSTM预测模型和XGBoost预测模型的超参数。
光伏发电关联数据还包括天气数据；
光伏发电功率预测装置还包括结果修正单元，结果修正单元用于根据天气数据确定天气突变状态对应的预测时间区间内的光伏发电功率预测结果去加权平均值，得到修正的光伏发电功率预测结果。
根据各个特征参数与光伏发电功率的相关性系数，确定用于进行光伏发电功率预测的目标特征参数以及目标特征参数对应的特征数据，包括：
对各个特征参数与光伏发电功率的相关性系数进行排序，将相关性系数最大的前预置数量个特征参数确定为用于进行光伏发电功率预测的目标特征参数，或将相关性系数不小于阈值的特征参数确定为用于进行光伏发电功率预测的目标特征参数；
获取目标特征参数对应的特征数据。
本发明中提供的光伏发电功率预测装置，用于执行本发明中提供的光伏发电功率预测方法，其原理与所取得的技术效果与本发明中提供的光伏发电功率预测方法相同，在此不再赘述。
为了便于理解，请参阅图5，本发明中提供了一种光伏发电功率预测设备的实施例，设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行本发明中提供的任一种光伏发电功率预测方法。
本发明中提供的光伏发电功率预测设备，用于执行本发明中提供的光伏发电功率预测方法，其原理与所取得的技术效果与本发明中提供的光伏发电功率预测方法相同，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，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、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种光伏发电功率预测方法，其特征在于，包括：
获取预设时间周期内的光伏发电关联数据，光伏发电关联数据包括光伏出力数据；
基于预先训练好并部署在CPU-GPU异构计算平台上的第一光伏功率预测模型处理光伏发电关联数据，得到光伏发电关联数据中各个特征参数与光伏发电功率的相关性系数；
根据各个特征参数与光伏发电功率的相关性系数，确定用于进行光伏发电功率预测的目标特征参数以及目标特征参数对应的特征数据；
将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，其中，第二光伏功率预测模型包括并列的LSTM预测模型和XGBoost预测模型，光伏发电功率预测结果为LSTM预测模型的预测结果乘以第一权重叠加XGBoost预测模型乘以第二权重。
2.根据权利要求1所述的光伏发电功率预测方法，其特征在于，第一光伏功率预测模型为XGBoost相关性分析模型。
3.根据权利要求1所述的光伏发电功率预测方法，其特征在于，将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，之前还包括：
对LSTM预测模型和XGBoost预测模型进行训练，在训练过程中使用贝叶斯算法优化LSTM预测模型和XGBoost预测模型的超参数。
4.根据权利要求1所述的光伏发电功率预测方法，其特征在于，光伏发电关联数据还包括天气数据。
5.根据权利要求4所述的光伏发电功率预测方法，其特征在于，将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，之后还包括：
根据天气数据确定天气突变状态对应的预测时间区间内的光伏发电功率预测结果去加权平均值，得到修正的光伏发电功率预测结果。
6.根据权利要求1所述的光伏发电功率预测方法，其特征在于，根据各个特征参数与光伏发电功率的相关性系数，确定用于进行光伏发电功率预测的目标特征参数以及目标特征参数对应的特征数据，包括：
对各个特征参数与光伏发电功率的相关性系数进行排序，将相关性系数最大的前预置数量个特征参数确定为用于进行光伏发电功率预测的目标特征参数，或将相关性系数不小于阈值的特征参数确定为用于进行光伏发电功率预测的目标特征参数；
获取目标特征参数对应的特征数据。
7.一种光伏发电功率预测装置，其特征在于，包括：
数据获取单元，用于获取预设时间周期内的光伏发电关联数据，光伏发电关联数据包括光伏出力数据；
相关性计算单元，用于基于预先训练好并部署在CPU-GPU异构计算平台上的第一光伏功率预测模型处理光伏发电关联数据，得到光伏发电关联数据中各个特征参数与光伏发电功率的相关性系数；
目标特征确定单元，用于根据各个特征参数与光伏发电功率的相关性系数，确定用于进行光伏发电功率预测的目标特征参数以及目标特征参数对应的特征数据；
预测单元，用于将目标特征参数对应的特征数据输入到预先训练好并部署在CPU-GPU异构计算平台上的第二光伏功率预测模型，得到光伏发电功率预测结果，其中，第二光伏功率预测模型包括并列的LSTM预测模型和XGBoost预测模型，光伏发电功率预测结果为LSTM预测模型的预测结果乘以第一权重叠加XGBoost预测模型乘以第二权重。
8.根据权利要求7所述的光伏发电功率预测装置，其特征在于，还包括：
模型训练单元，用于对LSTM预测模型和XGBoost预测模型进行训练，在训练过程中使用贝叶斯算法优化LSTM预测模型和XGBoost预测模型的超参数。
9.根据权利要求7所述的光伏发电功率预测装置，其特征在于，光伏发电关联数据还包括天气数据；
光伏发电功率预测装置还包括结果修正单元，结果修正单元用于根据天气数据确定天气突变状态对应的预测时间区间内的光伏发电功率预测结果去加权平均值，得到修正的光伏发电功率预测结果。
10.一种光伏发电功率预测设备，其特征在于，设备包括处理器以及存储器：
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行权利要求1-6任一项所述的光伏发电功率预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311254124.8A CN117220283A (zh) | 2023-09-27 | 2023-09-27 | 一种光伏发电功率预测方法、装置和设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311254124.8A CN117220283A (zh) | 2023-09-27 | 2023-09-27 | 一种光伏发电功率预测方法、装置和设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117220283A true CN117220283A (zh) | 2023-12-12 |
Family
ID=89038764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311254124.8A Pending CN117220283A (zh) | 2023-09-27 | 2023-09-27 | 一种光伏发电功率预测方法、装置和设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117220283A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117878933A (zh) * | 2024-03-13 | 2024-04-12 | 南京信息工程大学 | 一种基于突变气象环境识别的风电功率预测方法 |
-
2023
- 2023-09-27 CN CN202311254124.8A patent/CN117220283A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117878933A (zh) * | 2024-03-13 | 2024-04-12 | 南京信息工程大学 | 一种基于突变气象环境识别的风电功率预测方法 |
| CN117878933B (zh) * | 2024-03-13 | 2024-05-28 | 南京信息工程大学 | 一种基于突变气象环境识别的风电功率预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Cui et al. | Wind power ramp event forecasting using a stochastic scenario generation method | |
| Loukatou et al. | Stochastic wind speed modelling for estimation of expected wind power output | |
| CN112686464A (zh) | 短期风电功率预测方法及装置 | |
| US20140006331A1 (en) | Power prediction for newly added wind turbine | |
| Mohammadi et al. | Machine learning assisted stochastic unit commitment during hurricanes with predictable line outages | |
| CN108717579B (zh) | 一种短期风电功率区间预测方法 | |
| CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
| CN117220283A (zh) | 一种光伏发电功率预测方法、装置和设备 | |
| CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
| CN114548509A (zh) | 一种多能源系统多类型负荷联合预测方法及系统 | |
| Lu et al. | Neural network interpretability for forecasting of aggregated renewable generation | |
| CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
| Teferra et al. | Fuzzy-based prediction of solar PV and wind power generation for microgrid modeling using particle swarm optimization | |
| CN112906757A (zh) | 模型训练方法、光功率预测方法、装置、设备及存储介质 | |
| CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
| CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
| CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
| CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
| Bai et al. | A two-phase-based deep neural network for simultaneous health monitoring and prediction of rolling bearings | |
| CN114662386A (zh) | 一种轴承故障诊断方法及系统 | |
| CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
| CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
| CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
| 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 | |
| CN111310121A (zh) | 一种新能源出力概率预测方法和系统 |
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 |