CN117239745B - 光伏发电量的预测方法、装置、电子设备和存储介质 - Google Patents
光伏发电量的预测方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN117239745B CN117239745B CN202311525984.0A CN202311525984A CN117239745B CN 117239745 B CN117239745 B CN 117239745B CN 202311525984 A CN202311525984 A CN 202311525984A CN 117239745 B CN117239745 B CN 117239745B
- Authority
- CN
- China
- Prior art keywords
- meteorological
- photovoltaic power
- current
- power generation
- generation amount
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 179
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 122
- 230000005484 gravity Effects 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 33
- 230000015654 memory Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 15
- 230000005855 radiation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 230000000306 recurrent effect Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- 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
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种光伏发电量的预测方法、装置、电子设备和存储介质，属于光伏发电的技术领域，通过优化的判断矩阵中的元素准确的表示各气象要素之间的比重比较结果，进而根据该准确的优化的判断矩阵和当前气象数据计算用于表征当前气象数据对光伏发电量的影响程度的当前气象程度，最终再采用光伏发电量预测模型对当前气象程度进行光伏发电量预测，预测得到的当前光伏发电量准确。上述过程中，由于优化的判断矩阵中的元素能准确表示各气象要素之间的比重比较结果，进而基于该优化的判断矩阵得到的用于表征当前气象数据对光伏发电量的影响程度的当前气象程度的准确性好，最终预测得到的当前光伏发电量的精度高。
Description
技术领域
本发明涉及光伏发电的技术领域，尤其是涉及一种光伏发电量的预测方法、装置、电子设备和存储介质。
背景技术
光伏发电在如今的日常生活中比重越来越大，作为可再生清洁能源的一种，相比其他可再生能源更易获得，光伏发电引起的产业链涵盖了电池制造、组件制造、安装及维护等一系列环节，为经济发展提供了新的增长点，同时创造了大量的就业机会。光伏发电的普及和推广有助于推动清洁能源产业、促进经济转型。同时，光伏发电量的加大，降低了依赖传统石油、煤炭等非可再生能源会带来能源供应的不稳定性和安全隐患，减少了对能源进口的依赖，提升了能源的自给自足能力，提升了能源安全。作为易获得可再生能源的一种，面临着发电不稳定的情况，与其他可再生能源发电方法相比，光伏发电对气象因素的依赖更为显著。
综合，如何根据气象数据对光伏发电量进行准确预测成为目前亟需解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种光伏发电量的预测方法、装置、电子设备和存储介质，以缓解现有技术无法根据气象数据对光伏发电量进行准确预测的技术问题。
第一方面，本发明实施例提供了一种光伏发电量的预测方法，包括：
采用模糊层次分析法对光伏发电站的历史气象数据进行两两比较，得到初始判断矩阵，其中，所述初始判断矩阵中的元素表示各气象要素之间的比重比较结果；
对所述初始判断矩阵计算模糊一致性指标，并根据所述模糊一致性指标和查表得到的随机一致性指标确定一致性比率；
若所述一致性比率不大于预设阈值，则将所述初始判断矩阵作为优化的判断矩阵；
获取所述光伏发电站的当前气象数据，并根据所述当前气象数据和所述优化的判断矩阵计算当前气象程度，其中，所述当前气象程度用于表征所述当前气象数据对光伏发电量的影响程度；
采用光伏发电量预测模型对所述当前气象程度进行光伏发电量预测，预测得到当前光伏发电量，其中，所述光伏发电量预测模型为预先训练的GRU模型。
进一步的，所述方法还包括：
若所述一致性比率大于所述预设阈值，则对所述历史气象数据进行预处理，得到预处理后的历史气象数据；
根据所述预处理后的历史气象数据确定各气象要素的重要性；
根据所述各气象要素的重要性确定相关气象要素；
采用所述模糊层次分析法对所述相关气象要素对应的历史数据进行两两比较，得到中间判断矩阵；
对所述中间判断矩阵计算新模糊一致性指标，并根据所述新模糊一致性指标和查表得到的随机一致性指标确定新一致性比率；
若所述新一致性比率不大于所述预设阈值，则将所述中间判断矩阵作为所述优化的判断矩阵。
进一步的，根据所述预处理后的历史气象数据确定各气象要素的重要性，包括：
采用随机森林算法对所述预处理后的历史气象数据进行计算，得到所述各气象要素的重要性。
进一步的，根据所述当前气象数据和所述优化的判断矩阵计算当前气象程度，包括：
根据所述优化的判断矩阵确定各气象要素的占比，其中，所述各气象要素的占比表示对应的气象要素对光伏发电量的影响程度；
根据所述各气象要素的占比和所述当前气象数据计算所述当前气象程度。
进一步的，根据所述各气象要素的占比和所述当前气象数据计算所述当前气象程度，包括：
采用当前气象程度计算算式：气象程度=温度的占比×温度系数×当前大气温度/对照大气温度+湿度的占比×湿度系数×当前大气湿度/对照大气湿度+太阳辐射度的占比×日系数×当前太阳辐射度/对照太阳辐射度+风速的占比×风系数×当前风速/对照风速+空气污浊度的占比×空气系数×当前空气污浊度/对照空气污浊度计算所述当前气象程度。
进一步的，所述方法还包括：
获取光伏发电站的历史气象数据和所述历史气象数据对应的历史光伏发电量；
根据所述历史气象数据和所述优化的判断矩阵计算所述历史气象数据对应的历史气象程度；
根据所述历史气象程度和对应的历史光伏发电量对初始GRU模型进行训练，得到所述光伏发电量预测模型。
进一步的，所述方法还包括：
根据所述当前气象程度和实际的当前光伏发电量对所述光伏发电量预测模型进行优化训练，以将优化训练后的光伏发电量预测模型用于后续光伏发电量的预测。
第二方面，本发明实施例还提供了一种光伏发电量的预测装置，包括：
比较单元，用于采用模糊层次分析法对光伏发电站的历史气象数据进行两两比较，得到初始判断矩阵，其中，所述初始判断矩阵中的元素表示各气象要素之间的比重比较结果；
计算和确定单元，用于对所述初始判断矩阵计算模糊一致性指标，并根据所述模糊一致性指标和查表得到的随机一致性指标确定一致性比率；
设定单元，用于若所述一致性比率不大于预设阈值，则将所述初始判断矩阵作为优化的判断矩阵；
计算单元，用于获取所述光伏发电站的当前气象数据，并根据所述当前气象数据和所述优化的判断矩阵计算当前气象程度，其中，所述当前气象程度用于表征所述当前气象数据对光伏发电量的影响程度；
预测单元，用于采用光伏发电量预测模型对所述当前气象程度进行光伏发电量预测，预测得到当前光伏发电量，其中，所述光伏发电量预测模型为预先训练的GRU模型。
第三方面，本发明实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的计算方法的步骤。
第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
在本发明实施例中，提供了一种光伏发电量的预测方法，包括：采用模糊层次分析法对光伏发电站的历史气象数据进行两两比较，得到初始判断矩阵，其中，初始判断矩阵中的元素表示各气象要素之间的比重比较结果；对初始判断矩阵计算模糊一致性指标，并根据模糊一致性指标和查表得到的随机一致性指标确定一致性比率；若一致性比率不大于预设阈值，则将初始判断矩阵作为优化的判断矩阵；获取光伏发电站的当前气象数据，并根据当前气象数据和优化的判断矩阵计算当前气象程度，其中，当前气象程度用于表征当前气象数据对光伏发电量的影响程度；采用光伏发电量预测模型对当前气象程度进行光伏发电量预测，预测得到当前光伏发电量，其中，光伏发电量预测模型为预先训练的GRU模型。通过上述描述可知，本发明的光伏发电量的预测方法中，通过优化的判断矩阵中的元素准确的表示各气象要素之间的比重比较结果，进而根据该准确的优化的判断矩阵和当前气象数据计算用于表征当前气象数据对光伏发电量的影响程度的当前气象程度，最终再采用光伏发电量预测模型对当前气象程度进行光伏发电量预测，预测得到的当前光伏发电量准确。上述过程中，由于优化的判断矩阵中的元素能准确表示各气象要素之间的比重比较结果，进而基于该优化的判断矩阵得到的用于表征当前气象数据对光伏发电量的影响程度的当前气象程度的准确性好，最终预测得到的当前光伏发电量的精度高，另外，光伏发电量预测模型为GRU模型，能更好的建立气象数据与光伏发电量之间的长期依赖关系，进一步提升了预测的当前光伏发电量的准确性，缓解了现有技术无法根据气象数据对光伏发电量进行准确预测的技术问题。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种光伏发电量的预测方法的流程图；
图2为本发明实施例提供的一种光伏发电量的预测装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域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。
现有技术无法根据气象数据对光伏发电量进行准确的预测。
基于此，本发明的光伏发电量的预测方法中，通过优化的判断矩阵中的元素准确的表示各气象要素之间的比重比较结果，进而根据该准确的优化的判断矩阵和当前气象数据计算用于表征当前气象数据对光伏发电量的影响程度的当前气象程度，最终再采用光伏发电量预测模型对当前气象程度进行光伏发电量预测，预测得到的当前光伏发电量准确。上述过程中，由于优化的判断矩阵中的元素能准确表示各气象要素之间的比重比较结果，进而基于该优化的判断矩阵得到的用于表征当前气象数据对光伏发电量的影响程度的当前气象程度的准确性好，最终预测得到的当前光伏发电量的精度高，另外，光伏发电量预测模型为GRU模型，能更好的建立气象数据与光伏发电量之间的长期依赖关系，进一步提升了预测的当前光伏发电量的准确性。
为便于对本实施例进行理解，首先对本发明实施例所公开的一种光伏发电量的预测方法进行详细介绍。
实施例一：
根据本发明实施例，提供了一种光伏发电量的预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本发明实施例的一种光伏发电量的预测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，采用模糊层次分析法对光伏发电站的历史气象数据进行两两比较，得到初始判断矩阵，其中，初始判断矩阵中的元素表示各气象要素之间的比重比较结果；
在本发明实施例中，模糊层次分析法以提高精度或降低误差为目标，其负责将历史气象数据的比重进行两两比较，通过构建初始判断矩阵确定各气象要素影响占比略值（即各气象要素对光伏发电量的影响占比），在初始判断矩阵中，将各历史气象数据以比重比较的方式表现出来，因涉及因素较多，复杂度高，初始判断矩阵使用模糊层次分析法中的模糊一致性矩阵。
，其中/>，/>。
其中，m是气象要素的数量。每个气象要素在矩阵中对应一行和一列；初始判断矩阵的对角线元素等于1，因为一个气象要素与自身的比较是没有意义的；非对角线元素表示两个不同气象要素之间的比重比较结果；对于每对气象要素之间进行一对一的比较，将比较结果填充到初始判断矩阵的相应元素中。比较结果应基于专家意见、历史数据或其他合理的评估方法。
比如，温度的比重为X（人为给出的），湿度的比重为Y（人为给出的），当温度和湿度同等重要也就是X=Y的时候，它们所对应的在初始判断矩阵中的相对比重（即比重比较结果）为0.5；当温度的比重比湿度的比重大的时候，即温度在气象要素中对于光伏发电的重要性高高于湿度时，那么温度与湿度的相对比重（即比重比较结果）可以为0.7，湿度与温度的相对比重（即比重比较结果）就为0.3。
步骤S104，对初始判断矩阵计算模糊一致性指标，并根据模糊一致性指标和查表得到的随机一致性指标确定一致性比率；
具体的，因在做出比较结果时易收到人为主观影响（初始的比重的来源只能通过人为给出，算法是对这个初始的比重进行优化），为避免初始判断矩阵更多人为干预，因此，使用模糊一致性指标方法衡量此部分的比重比较结果，初始的比重通过历史样本（历史样本包括以往的关联数据，比如，气象数据、发电量数据，通过这些数据大概分析出各气象因素的比重，或者根据相关文献里面的气象因素对于光伏发电的贡献度得出）人为给出，将此矩阵作为初始判断矩阵计算模糊一致性指标CI，将所得模糊一致性指标CI除以随机一致性指标RI得出一致性比率CR，RI值可通过参考表查找。
上述模糊层次分析法是对光伏发电站的历史气象数据中各气象要素的比重进行处理，而初始的比重是人为给出的，具体的，根据历史气象要素变化和发电量变化确定各气象要素的比重大致范围；参考已有专利或文献中对于光伏发电中气象要素的贡献度；结合这两点人为判断一个大致的各气象要素的初始的比重。
步骤S106，若一致性比率不大于预设阈值，则将初始判断矩阵作为优化的判断矩阵；
具体的，当一致性比率≤预设阈值时，可以认为初始判断矩阵的一致性达到了要求，将初始判断矩阵作为优化的判断矩阵。
步骤S108，获取光伏发电站的当前气象数据，并根据当前气象数据和优化的判断矩阵计算当前气象程度，其中，当前气象程度用于表征当前气象数据对光伏发电量的影响程度；
下文中再对该过程进行详细描述，在此不再赘述。
步骤S110，采用光伏发电量预测模型对当前气象程度进行光伏发电量预测，预测得到当前光伏发电量，其中，光伏发电量预测模型为预先训练的GRU模型。
本发明采用递归神经网络预测气象数据与光伏发电量的连接关系，在时间序列中为解决RNN在长序列训练中容易遇到梯度消失或梯度爆炸的问题，引入门控循环单元GRU做训练模型。
光伏发电量和气象数据建立联系需要经过以往数据的不断迭代，更新，训练，让光伏发电量与气象数据建立依赖关系。在深度学习人工神经网络中，递归神经网络RNN适用于处理序列数据，通过循环连接保留和更新状态信息，从而捕捉时间关系，保留历史信息并产生递归输出。对每个时间步共享相同的权重，从而关注序列中的长期依赖关系。门控循环单元（Gated Recurrent Unit，GRU）是一种改进的循环神经网络（Recurrent NeuralNetwork，RNN）结构，解决传统循环神经网络中的梯度消失和梯度爆炸问题，以及更好地建模长期依赖关系。
门控循环单元（Gated Recurrent Unit，GRU）的公式如下：
更新门（Update Gate）：；
重置门（Reset Gate）：；
候选隐藏状态（Candidate Hidden State）：；
隐藏状态（Hidden State）更新：。
其中，表示当前时间步的输入，/>表示前一个时间步的隐藏状态，/>表示更新门，/>表示重置门，/>表示候选隐藏状态，/>表示当前时间步的隐藏状态，/>、/>表示权重矩阵，σ是sigmoid函数，o表示元素逐元素相乘（将两个向量按列连接起来）。
对应于本发明来讲，前一个时间步的隐藏状态包括：历史气象程度和历史光伏发电量，/>当前时间步的输入包括当前气象程度，/>当前时间步的隐藏状态包括：第一个时间步到当前时间步所有保留的数据信息和对以往时间步的预测信息，/>候选隐藏状态代表前一个时间步的隐藏状态和当前时间步的输入进行融合。
在本发明实施例中，提供了一种光伏发电量的预测方法，包括：采用模糊层次分析法对光伏发电站的历史气象数据进行两两比较，得到初始判断矩阵，其中，初始判断矩阵中的元素表示各气象要素之间的比重比较结果；对初始判断矩阵计算模糊一致性指标，并根据模糊一致性指标和查表得到的随机一致性指标确定一致性比率；若一致性比率不大于预设阈值，则将初始判断矩阵作为优化的判断矩阵；获取光伏发电站的当前气象数据，并根据当前气象数据和优化的判断矩阵计算当前气象程度，其中，当前气象程度用于表征当前气象数据对光伏发电量的影响程度；采用光伏发电量预测模型对当前气象程度进行光伏发电量预测，预测得到当前光伏发电量，其中，光伏发电量预测模型为预先训练的GRU模型。通过上述描述可知，本发明的光伏发电量的预测方法中，通过优化的判断矩阵中的元素准确的表示各气象要素之间的比重比较结果，进而根据该准确的优化的判断矩阵和当前气象数据计算用于表征当前气象数据对光伏发电量的影响程度的当前气象程度，最终再采用光伏发电量预测模型对当前气象程度进行光伏发电量预测，预测得到的当前光伏发电量准确。上述过程中，由于优化的判断矩阵中的元素能准确表示各气象要素之间的比重比较结果，进而基于该优化的判断矩阵得到的用于表征当前气象数据对光伏发电量的影响程度的当前气象程度的准确性好，最终预测得到的当前光伏发电量的精度高，另外，光伏发电量预测模型为GRU模型，能更好的建立气象数据与光伏发电量之间的长期依赖关系，进一步提升了预测的当前光伏发电量的准确性，缓解了现有技术无法根据气象数据对光伏发电量进行准确预测的技术问题。
在本发明的一个可选实施例中，该方法还包括如下步骤：
（1）若一致性比率大于预设阈值，则对历史气象数据进行预处理，得到预处理后的历史气象数据；
具体的，若一致性比率大于预设阈值，需要使用数据驱动方法对初始判断矩阵中各个气象要素之间的比重比较结果重新评估。
首先，确定已采集到的各个历史气象数据是否全面，之后对历史气象数据进行预处理：
a、检测和处理历史气象数据中的错误、重复项和无效数据；
b、检查历史气象数据中的缺失值，采取适当的方法（如中值、均值、插值等方法）进行处理；
c、检测和处理历史气象数据中的异常值，使用统计方法（如离群点分析）或基于规则的方法来识别和处理异常值。
（2）根据预处理后的历史气象数据确定各气象要素的重要性；
对预处理后的历史气象数据中的气象要素进行评估和选择，以便选择最相关的气象要素进行后续分析和建模。
具体的，对预处理后的历史气象数据中的气象要素进行评估和选择时，为实现更多准确性，采用随机森林算法对预处理后的历史气象数据进行计算，得到各气象要素的重要性。
其中，在构建决策树时，在选择根节点最佳特征可使用基尼不纯度进行确定。在使用基尼指数公式之前，对气象要素和发电量进行大小的划分，例如，温度大于某个值划分为两个部分，历史发电量小于某个值划分为两部分，各气象要素和历史发电量均匀划分，其中历史发发电量固定划分。在选择完特征之后，进行子节点的划分，子节点为子树的根节点，子树为它的上一级在选取完根节点后的延伸。
基尼不纯度公式：
其中，为基尼不纯度，基尼不纯度值越高，分类效果越好，i为划分的要素的第i部分，n为划分的要素的总部份值，通过不同因素划分所得基尼不纯度的值的对比进而确定最佳特征，基尼不纯度最高的划分因素作为最佳特征。划分最佳特征后使用同种方法进行子节点的划分直到子树特征剩余除历史发电量和子节点之外只剩一个特征未知时为止。为避免决策树过拟合，在决策树构建完成后，以子树特征小于2为预定剪枝条件，评估指标为均方误差，自动进行剪枝。
（3）根据各气象要素的重要性确定相关气象要素；
（4）采用模糊层次分析法对相关气象要素对应的历史数据进行两两比较，得到中间判断矩阵；
该过程与上述步骤S102的过程相似，在此不再赘述。
（5）对中间判断矩阵计算新模糊一致性指标，并根据新模糊一致性指标和查表得到的随机一致性指标确定新一致性比率；
该过程与上述步骤S104的过程相似，在此不再赘述。
（6）若新一致性比率不大于预设阈值，则将中间判断矩阵作为优化的判断矩阵。
在本发明的一个可选实施例中，根据当前气象数据和优化的判断矩阵计算当前气象程度，具体包括如下步骤：
（1）根据优化的判断矩阵确定各气象要素的占比，其中，各气象要素的占比表示对应的气象要素对光伏发电量的影响程度；
具体的，由于每个气象要素在优化的判断矩阵中对应一行或一列，那么根据优化的判断矩阵确定各气象要素的占比时，可以通过权重向量计算公式：
式中，表示元素/>的权重，即第i行数据对应的气象要素的占比，/>表示优化的判断矩阵中第i行第j列的数据，n表示气象要素的个数，进而得到各气象要素的占比。例如，温度的占比、湿度的占比、太阳辐射度的占比、风速的占比和空气污浊度的占比。
（2）根据各气象要素的占比和当前气象数据计算当前气象程度。
具体的，采用当前气象程度计算算式：气象程度=温度的占比×温度系数×当前大气温度/对照大气温度+湿度的占比×湿度系数×当前大气湿度/对照大气湿度+太阳辐射度的占比×日系数×当前太阳辐射度/对照太阳辐射度+风速的占比×风系数×当前风速/对照风速+空气污浊度的占比×空气系数×当前空气污浊度/对照空气污浊度计算当前气象程度。
其中，当前气象数据包括：当前大气温度、当前大气湿度、当前太阳辐射度（光照度、日照时数）、当前风速和当前空气污浊度。
另外，温度系数、湿度系数、日系数、风系数和空气系数为固定值，温度系数为1.04，湿度系数为0.98，日系数为1.10，风系数为1.00，空气系数为1.18。
在本发明的一个可选实施例中，该方法还包括：
（1）获取光伏发电站的历史气象数据和历史气象数据对应的历史光伏发电量；
（2）根据历史气象数据和优化的判断矩阵计算历史气象数据对应的历史气象程度；
过程与上述相关内容相似，在此不再赘述。
（3）根据历史气象程度和对应的历史光伏发电量对初始GRU模型进行训练，得到光伏发电量预测模型。
在本发明的一个可选实施例中，该方法还包括：
根据当前气象程度和实际的当前光伏发电量对光伏发电量预测模型进行优化训练，以将优化训练后的光伏发电量预测模型用于后续光伏发电量的预测。
在得到实际的当前光伏发电量之后，还可以通过当前气象程度和实际的当前光伏发电量对光伏发电量预测模型进行优化训练，从而使得光伏发电量预测模型的精度更高，准确性更好。
实施例二：
本发明实施例还提供了一种光伏发电量的预测装置，该光伏发电量的预测装置主要用于执行本发明实施例一中所提供的光伏发电量的预测方法，以下对本发明实施例提供的光伏发电量的预测装置做具体介绍。
图2是根据本发明实施例的一种光伏发电量的预测装置的示意图，如图2所示，该装置主要包括：比较单元10、计算和确定单元20、设定单元30、计算单元40和预测单元50，其中：
比较单元，用于采用模糊层次分析法对光伏发电站的历史气象数据进行两两比较，得到初始判断矩阵，其中，初始判断矩阵中的元素表示各气象要素之间的比重比较结果；
计算和确定单元，用于对初始判断矩阵计算模糊一致性指标，并根据模糊一致性指标和查表得到的随机一致性指标确定一致性比率；
设定单元，用于若一致性比率不大于预设阈值，则将初始判断矩阵作为优化的判断矩阵；
计算单元，用于获取光伏发电站的当前气象数据，并根据当前气象数据和优化的判断矩阵计算当前气象程度，其中，当前气象程度用于表征当前气象数据对光伏发电量的影响程度；
预测单元，用于采用光伏发电量预测模型对当前气象程度进行光伏发电量预测，预测得到当前光伏发电量，其中，光伏发电量预测模型为预先训练的GRU模型。
在本发明实施例中，提供了一种光伏发电量的预测装置，包括：采用模糊层次分析法对光伏发电站的历史气象数据进行两两比较，得到初始判断矩阵，其中，初始判断矩阵中的元素表示各气象要素之间的比重比较结果；对初始判断矩阵计算模糊一致性指标，并根据模糊一致性指标和查表得到的随机一致性指标确定一致性比率；若一致性比率不大于预设阈值，则将初始判断矩阵作为优化的判断矩阵；获取光伏发电站的当前气象数据，并根据当前气象数据和优化的判断矩阵计算当前气象程度，其中，当前气象程度用于表征当前气象数据对光伏发电量的影响程度；采用光伏发电量预测模型对当前气象程度进行光伏发电量预测，预测得到当前光伏发电量，其中，光伏发电量预测模型为预先训练的GRU模型。通过上述描述可知，本发明的光伏发电量的预测装置中，通过优化的判断矩阵中的元素准确的表示各气象要素之间的比重比较结果，进而根据该准确的优化的判断矩阵和当前气象数据计算用于表征当前气象数据对光伏发电量的影响程度的当前气象程度，最终再采用光伏发电量预测模型对当前气象程度进行光伏发电量预测，预测得到的当前光伏发电量准确。上述过程中，由于优化的判断矩阵中的元素能准确表示各气象要素之间的比重比较结果，进而基于该优化的判断矩阵得到的用于表征当前气象数据对光伏发电量的影响程度的当前气象程度的准确性好，最终预测得到的当前光伏发电量的精度高，另外，光伏发电量预测模型为GRU模型，能更好的建立气象数据与光伏发电量之间的长期依赖关系，进一步提升了预测的当前光伏发电量的准确性，缓解了现有技术无法根据气象数据对光伏发电量进行准确预测的技术问题。
可选地，该装置还用于：若一致性比率大于预设阈值，则对历史气象数据进行预处理，得到预处理后的历史气象数据；根据预处理后的历史气象数据确定各气象要素的重要性；根据各气象要素的重要性确定相关气象要素；采用模糊层次分析法对相关气象要素对应的历史数据进行两两比较，得到中间判断矩阵；对中间判断矩阵计算新模糊一致性指标，并根据新模糊一致性指标和查表得到的随机一致性指标确定新一致性比率；若新一致性比率不大于预设阈值，则将中间判断矩阵作为优化的判断矩阵。
可选地，该装置还用于：采用随机森林算法对预处理后的历史气象数据进行计算，得到各气象要素的重要性。
可选地，计算单元还用于：根据优化的判断矩阵确定各气象要素的占比，其中，各气象要素的占比表示对应的气象要素对光伏发电量的影响程度；根据各气象要素的占比和当前气象数据计算当前气象程度。
可选地，计算单元还用于：采用当前气象程度计算算式：气象程度=温度的占比×温度系数×当前大气温度/对照大气温度+湿度的占比×湿度系数×当前大气湿度/对照大气湿度+太阳辐射度的占比×日系数×当前太阳辐射度/对照太阳辐射度+风速的占比×风系数×当前风速/对照风速+空气污浊度的占比×空气系数×当前空气污浊度/对照空气污浊度计算当前气象程度。
可选地，该装置还用于：获取光伏发电站的历史气象数据和历史气象数据对应的历史光伏发电量；根据历史气象数据和优化的判断矩阵计算历史气象数据对应的历史气象程度；根据历史气象程度和对应的历史光伏发电量对初始GRU模型进行训练，得到光伏发电量预测模型。
可选地，该装置还用于：根据当前气象程度和实际的当前光伏发电量对光伏发电量预测模型进行优化训练，以将优化训练后的光伏发电量预测模型用于后续光伏发电量的预测。
本发明实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。
如图3所示，本申请实施例提供的一种电子设备600，包括：处理器601、存储器602和总线，所述存储器602存储有所述处理器601可执行的机器可读指令，当电子设备运行时，所述处理器601与所述存储器602之间通过总线通信，所述处理器601执行所述机器可读指令，以执行如上述光伏发电量的预测方法的步骤。
具体地，上述存储器602和处理器601能够为通用的存储器和处理器，这里不做具体限定，当处理器601运行存储器602存储的计算机程序时，能够执行上述光伏发电量的预测方法。
处理器601可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器601中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器601可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DigitalSignal Processing，简称DSP)、专用集成电路(Application Specific IntegratedCircuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器602，处理器601读取存储器602中的信息，结合其硬件完成上述方法的步骤。
对应于上述光伏发电量的预测方法，本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述计算机可运行指令在被处理器调用和运行时，所述计算机可运行指令促使所述处理器运行上述光伏发电量的预测方法的步骤。
本申请实施例所提供的光伏发电量的预测装置可以为设备上的特定硬件或者安装于设备上的软件或固件等。本申请实施例所提供的装置，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，装置实施例部分未提及之处，可参考前述方法实施例中相应内容。所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，前述描述的系统、装置和单元的具体工作过程，均可以参考上述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的实施例中，应该理解到，所揭露装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
再例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、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，所述模块、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方式中，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，两个连续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动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。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请提供的实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述车辆标记方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（Read-Only Memory，简称ROM）、随机存取存储器（Random Access Memory，简称RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释，此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的范围。都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种光伏发电量的预测方法，其特征在于，包括：
采用模糊层次分析法对光伏发电站的历史气象数据进行两两比较，得到初始判断矩阵，其中，所述初始判断矩阵中的元素表示各气象要素之间的比重比较结果；
对所述初始判断矩阵计算模糊一致性指标，并根据所述模糊一致性指标和查表得到的随机一致性指标确定一致性比率；
若所述一致性比率不大于预设阈值，则将所述初始判断矩阵作为优化的判断矩阵；
获取所述光伏发电站的当前气象数据，并根据所述当前气象数据和所述优化的判断矩阵计算当前气象程度，其中，所述当前气象程度用于表征所述当前气象数据对光伏发电量的影响程度；
采用光伏发电量预测模型对所述当前气象程度进行光伏发电量预测，预测得到当前光伏发电量，其中，所述光伏发电量预测模型为预先训练的GRU模型；
其中，根据所述当前气象数据和所述优化的判断矩阵计算当前气象程度，包括：
根据所述优化的判断矩阵确定各气象要素的占比，其中，所述各气象要素的占比表示对应的气象要素对光伏发电量的影响程度；
根据所述各气象要素的占比和所述当前气象数据计算所述当前气象程度；
其中，根据所述优化的判断矩阵确定各气象要素的占比，包括：
通过权重向量计算公式计算所述气象要素的占比，其中，/>表示元素/>的权重，即所述优化的判断矩阵中第i行数据对应的气象要素的占比，/>表示所述优化的判断矩阵中第i行第j列的数据，n表示气象要素的个数。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
若所述一致性比率大于所述预设阈值，则对所述历史气象数据进行预处理，得到预处理后的历史气象数据；
根据所述预处理后的历史气象数据确定各气象要素的重要性；
根据所述各气象要素的重要性确定相关气象要素；
采用所述模糊层次分析法对所述相关气象要素对应的历史数据进行两两比较，得到中间判断矩阵；
对所述中间判断矩阵计算新模糊一致性指标，并根据所述新模糊一致性指标和查表得到的随机一致性指标确定新一致性比率；
若所述新一致性比率不大于所述预设阈值，则将所述中间判断矩阵作为所述优化的判断矩阵。
3.根据权利要求2所述的方法，其特征在于，根据所述预处理后的历史气象数据确定各气象要素的重要性，包括：
采用随机森林算法对所述预处理后的历史气象数据进行计算，得到所述各气象要素的重要性。
4.根据权利要求1所述的方法，其特征在于，根据所述各气象要素的占比和所述当前气象数据计算所述当前气象程度，包括：
采用当前气象程度计算算式：气象程度=温度的占比×温度系数×当前大气温度/对照大气温度+湿度的占比×湿度系数×当前大气湿度/对照大气湿度+太阳辐射度的占比×日系数×当前太阳辐射度/对照太阳辐射度+风速的占比×风系数×当前风速/对照风速+空气污浊度的占比×空气系数×当前空气污浊度/对照空气污浊度计算所述当前气象程度。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取光伏发电站的历史气象数据和所述历史气象数据对应的历史光伏发电量；
根据所述历史气象数据和所述优化的判断矩阵计算所述历史气象数据对应的历史气象程度；
根据所述历史气象程度和对应的历史光伏发电量对初始GRU模型进行训练，得到所述光伏发电量预测模型。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述当前气象程度和实际的当前光伏发电量对所述光伏发电量预测模型进行优化训练，以将优化训练后的光伏发电量预测模型用于后续光伏发电量的预测。
7.一种光伏发电量的预测装置，其特征在于，包括：
比较单元，用于采用模糊层次分析法对光伏发电站的历史气象数据进行两两比较，得到初始判断矩阵，其中，所述初始判断矩阵中的元素表示各气象要素之间的比重比较结果；
计算和确定单元，用于对所述初始判断矩阵计算模糊一致性指标，并根据所述模糊一致性指标和查表得到的随机一致性指标确定一致性比率；
设定单元，用于若所述一致性比率不大于预设阈值，则将所述初始判断矩阵作为优化的判断矩阵；
计算单元，用于获取所述光伏发电站的当前气象数据，并根据所述当前气象数据和所述优化的判断矩阵计算当前气象程度，其中，所述当前气象程度用于表征所述当前气象数据对光伏发电量的影响程度；
预测单元，用于采用光伏发电量预测模型对所述当前气象程度进行光伏发电量预测，预测得到当前光伏发电量，其中，所述光伏发电量预测模型为预先训练的GRU模型；
所述计算单元还用于：根据所述优化的判断矩阵确定各气象要素的占比，其中，所述各气象要素的占比表示对应的气象要素对光伏发电量的影响程度；
根据所述各气象要素的占比和所述当前气象数据计算所述当前气象程度；
所述计算单元还用于：通过权重向量计算公式计算所述气象要素的占比，其中，/>表示元素/>的权重，即所述优化的判断矩阵中第i行数据对应的气象要素的占比，/>表示所述优化的判断矩阵中第i行第j列的数据，n表示气象要素的个数。
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至6中任一项所述的方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311525984.0A CN117239745B (zh) | 2023-11-16 | 2023-11-16 | 光伏发电量的预测方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311525984.0A CN117239745B (zh) | 2023-11-16 | 2023-11-16 | 光伏发电量的预测方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117239745A CN117239745A (zh) | 2023-12-15 |
| CN117239745B true CN117239745B (zh) | 2024-01-23 |
Family
ID=89086660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311525984.0A Active CN117239745B (zh) | 2023-11-16 | 2023-11-16 | 光伏发电量的预测方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117239745B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110705876A (zh) * | 2019-09-30 | 2020-01-17 | 国网青海省电力公司经济技术研究院 | 一种基于层次分析法的光伏电站选址方法 |
| CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
| KR20200057821A (ko) * | 2018-11-13 | 2020-05-27 | 주식회사 에코시안 | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 |
| CN113962440A (zh) * | 2021-09-26 | 2022-01-21 | 国家电投集团综合智慧能源科技有限公司 | 一种融合dpc和gru的光伏预测方法和系统 |
| WO2023287359A2 (en) * | 2021-07-15 | 2023-01-19 | Envision Digital International Pte. Ltd. | Method, device, and system for forecasting generated power of photovoltaic power station |
| CN115660367A (zh) * | 2022-11-07 | 2023-01-31 | 安徽理工大学 | 一种基于gis技术的光伏发电站前期宏观选址方法 |
| CN115689017A (zh) * | 2022-10-31 | 2023-02-03 | 长江慧控科技(武汉)有限公司 | 光伏发电量预测方法、装置、设备及存储介质 |
| CN116706884A (zh) * | 2023-05-26 | 2023-09-05 | 国网河北省电力有限公司信息通信分公司 | 光伏发电量的预测方法、装置、终端及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113128793A (zh) * | 2021-05-19 | 2021-07-16 | 中国南方电网有限责任公司 | 一种基于多源数据融合的光伏功率组合预测方法及系统 |
-
2023
- 2023-11-16 CN CN202311525984.0A patent/CN117239745B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200057821A (ko) * | 2018-11-13 | 2020-05-27 | 주식회사 에코시안 | 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법 |
| CN110705760A (zh) * | 2019-09-19 | 2020-01-17 | 广东工业大学 | 一种基于深度置信网络的光伏发电功率预测方法 |
| CN110705876A (zh) * | 2019-09-30 | 2020-01-17 | 国网青海省电力公司经济技术研究院 | 一种基于层次分析法的光伏电站选址方法 |
| WO2023287359A2 (en) * | 2021-07-15 | 2023-01-19 | Envision Digital International Pte. Ltd. | Method, device, and system for forecasting generated power of photovoltaic power station |
| CN113962440A (zh) * | 2021-09-26 | 2022-01-21 | 国家电投集团综合智慧能源科技有限公司 | 一种融合dpc和gru的光伏预测方法和系统 |
| CN115689017A (zh) * | 2022-10-31 | 2023-02-03 | 长江慧控科技(武汉)有限公司 | 光伏发电量预测方法、装置、设备及存储介质 |
| CN115660367A (zh) * | 2022-11-07 | 2023-01-31 | 安徽理工大学 | 一种基于gis技术的光伏发电站前期宏观选址方法 |
| CN116706884A (zh) * | 2023-05-26 | 2023-09-05 | 国网河北省电力有限公司信息通信分公司 | 光伏发电量的预测方法、装置、终端及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117239745A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115018021B (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
| Wang et al. | Comparative study of machine learning approaches for predicting short-term photovoltaic power output based on weather type classification | |
| CN110717610B (zh) | 一种基于数据挖掘的风电功率预测方法 | |
| CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
| CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
| CN112766078A (zh) | 基于emd-svr-mlr与注意力机制的gru-nn的电力负荷层次预测方法 | |
| CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
| CN114169434A (zh) | 一种负荷预测方法 | |
| CN111967675A (zh) | 光伏发电量的预测方法以及预测装置 | |
| CN115275991A (zh) | 一种基于iemd-ta-lstm模型的主动配电网运行态势预测方法 | |
| Ziyabari et al. | Multibranch attentive gated resnet for short-term spatio-temporal solar irradiance forecasting | |
| CN116341613A (zh) | 一种基于Informer encoder和LSTM的超短期光伏功率预测方法 | |
| CN114880538A (zh) | 基于自监督的属性图社团检测方法 | |
| Surendran et al. | Wind Speed Prediction Using Chicken Swarm Optimization with Deep Learning Model. | |
| CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
| CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
| CN114154716A (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
| Xing et al. | Research of a novel combined deterministic and probabilistic forecasting system for air pollutant concentration | |
| Sang et al. | Ensembles of gradient boosting recurrent neural network for time series data prediction | |
| Chen et al. | Short-term Wind Speed Forecasting Based on Singular Spectrum Analysis, Fuzzy C-Means Clustering, and Improved POABP | |
| CN117239745B (zh) | 光伏发电量的预测方法、装置、电子设备和存储介质 | |
| CN116245259A (zh) | 基于深度特征选择的光伏发电预测方法、装置和电子设备 | |
| CN116576504A (zh) | 一种可解释区域热负荷预测方法、装置、设备及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |