CN117273208A - 一种组合功率预测方法、装置、设备及存储介质 - Google Patents
一种组合功率预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117273208A CN117273208A CN202311181149.XA CN202311181149A CN117273208A CN 117273208 A CN117273208 A CN 117273208A CN 202311181149 A CN202311181149 A CN 202311181149A CN 117273208 A CN117273208 A CN 117273208A
- Authority
- CN
- China
- Prior art keywords
- data
- power prediction
- model
- prediction
- training
- 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 62
- 238000012549 training Methods 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000004140 cleaning Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 10
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000013499 data model Methods 0.000 claims description 24
- 238000010977 unit operation Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 13
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 claims description 5
- 238000003908 quality control method Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 239000012633 leachable Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及新能源功率预测技术领域,尤其涉及一种组合功率预测方法、装置、设备及存储介质,包括:获取新能源原始数据,构建原始数据集,对原始数据集进行数据清洗处理,获得预处理数据集,构建预训练模型,利用预处理数据集对预训练模型进行训练,得到训练完成的功率预测模型,利用功率预测模型对待预测的数据进行预测处理,得到预测结果。对不同的数据源进行数据清晰与预处理,对不同的数据源的历史数据采用通道独立的思想进行时间序列预测,分别用不同数据源的历史数据预测该数据源未来的结果,随后对不同数据源的预测结果进行状态融合,实现对各个时间步的单独预测过程,最终时间短期的功率预测功能,实现了准确、高效的组合功率预测。
Description
技术领域
本发明涉及新能源功率预测技术领域,特别是涉及一种组合功率预测方法、装置、设备及存储介质。
背景技术
传统电力系统中,主要由火电、水电等发电,在传统能源供应日趋紧张,环境保护压力加大的背景下,新能源成为全世界的重要能源战略。光伏、风力、再生能源等一批新能源技术愈发成熟,伴随市场规模的不断壮大,新能源已成为市场需求。在“双碳”背景下,新能源的装机容量呈爆发式增长。然而,新能源出力的随机性、间歇性、波动性给电网的稳定运行提出更大的挑战。为了进一步降低新能源对电网安全、稳定的冲击,准确的预测新能源的发电功率成为重点研发方向。现有技术均是采用时间步独立的思想进行功率预测研究,然而在采用历史数据预测未来状态时不同的变量之间存在相互耦合、干扰问题,在多步预测问题中会影响预测的准确性。
综上所述可知,如何设计一种准确、高效的组合功率预测方法是目前亟需解决的问题。
发明内容
本发明的目的是提供一种组合功率预测方法,以解决现有组合功率预测方法存在相互耦合、干扰导致预测精度低的问题。
为解决上述技术问题,本发明提供一种组合功率预测方法,包括:
获取新能源原始数据,构建原始数据集;
对所述原始数据集进行数据清洗处理,获得预处理数据集;
构建预训练模型,利用所述预处理数据集对所述预训练模型进行训练,得到训练完成的功率预测模型;
利用所述功率预测模型对待预测的数据进行预测处理,得到预测结果。
优选地,所述新能源原始数据包括机组运行数据、测风塔数据和气象预报数据。
优选地,所述对所述原始数据集进行数据清洗处理,获得预处理数据集包括:
对所述机组运行数据的异常发电状态数据进行清洗处理,对所述测风塔数据及所述气象预报数据进行数据质量控制处理,得到处理数据集;
对所述处理数据集中不同数据源的数据进行归一化处理,得到预处理数据集。
优选地,所述归一化处理计算公式为:
其中,x为新能源原始数据。
优选地,所述构建预训练模型,利用所述预处理数据集对所述预训练模型进行训练,得到训练完成的功率预测模型包括:
对所述机组运行数据、所述测风塔数据和所述气象预报数据进行单独建模,得到机组运行数据模型、测风塔数据模型和气象预报数据模型,将多变量时间序列预测转化为单变量时序列预测,构建预训练模型;
将所述机组运行数据模型、所述测风塔数据模型和所述气象预报数据模型进行单独权重学习后提取特征,采用时间分步方法进行不同时间步功率预测,得到训练完成的功率预测模型。
优选地,所述对所述机组运行数据、所述测风塔数据和所述气象预报数据进行单独建模包括:
对不同数据源单独进行信号分解,将每个信号分解为趋势信号矩阵和残差信号矩阵;
利用深度残差神经网络对所述趋势信号矩阵和所述残差信号矩阵进行预测;其中所述深度残差神经网络包括第一DNN网络和第二DNN网络,所述第一DNN网络采用Relu激活函数,所述第二DNN网络不采用激活函数,只做线性变换操作,完成单独建模。
优选地,所述将所述机组运行数据模型、所述测风塔数据模型和所述气象预报数据模型进行单独权重学习后提取特征,采用时间分步方法进行不同时间步功率预测,得到训练完成的功率预测模型包括:
采用长短期记忆网络进行特征提取操作,其中所述特征提取操作将预测结果的机组数据、测风塔数据及历史气象预报数据进行通道连接,得到通道连接矩阵;
对未来的气象预测数据进行特征提取,得到特征矩阵;
将所述通道连接矩阵与所述特征矩阵连接后,基于attention机制进行全局特征表征,采用时间分步方式进行每个时间步的功率预测,得到训练完成的功率预测模型。
本发明还提供一种组合功率预测装置,包括:
数据获取模块,获取新能源原始数据,构建原始数据集;
预处理模块,对所述原始数据集进行数据清洗处理,获得预处理数据集;
训练模块,构建预训练模型,利用所述预处理数据集对所述预训练模型进行训练,得到训练完成的功率预测模型;
预测模块,利用所述功率预测模型对待预测的数据进行预测处理,得到预测结果。
本发明还提供一种组合功率预测设备,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现上述所述一种组合功率预测方法的步骤。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述所述一种组合功率预测方法的步骤。
本发明所提供的一种组合功率预测方法,基于新能源原始数据集构建原始数据,并对不同的数据源进行数据清洗及预处理,通过然后对不同的数据源的历史数据采用通道独立的思想进行时间序列预测,构建预训练模型,实现对各个时间步的单独预测过程,最终时间短期的功率预测功能,解决了不同的变量之间相互耦合、干扰的问题,实现了准确、高效的组合功率预测。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明所提供的一种组合功率预测方法的第一种具体实施例的流程图;
图2为模型构建流程图;
图3为通道独立模块结构图;
图4为Res-DNN模块结构图;
图5为本发明实施例提供的一种组合功率预测装置的结构框图。
具体实施方式
本发明的核心是提供一种组合功率预测方法、装置、设备及存储介质,对不同的数据源的历史数据采用通道独立的思想进行时间序列预测,对不同数据源的预测结果进行状态融合,有效减少多步中预测误差累积问题。
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅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。
请参考图1,图1为本发明所提供的一种组合功率预测方法的第一种具体实施例的流程图;具体操作步骤如下:
步骤S101:获取新能源原始数据,构建原始数据集;
所述新能源原始数据包括机组运行数据、测风塔数据和气象预报数据;
其中,所获取的机组运行数据包括:风速、风向、功率、转速、桨距角、环境温度、环境湿度等维度,所获取的测风塔数据包括:不同层高的风速、风向、温度、湿度等信息,所获取的气象预报数据包括:不同高度的风速、风向数据,不同高度。
步骤S102:对所述原始数据集进行数据清洗处理,获得预处理数据集;
对所述机组运行数据的异常发电状态数据进行清洗处理,对所述测风塔数据及所述气象预报数据进行数据质量控制处理,得到处理数据集;
对所述处理数据集中不同数据源的数据进行归一化处理,得到预处理数据集;
所述归一化处理计算公式为:
其中,x为新能源原始数据。
步骤S103:构建预训练模型,利用所述预处理数据集对所述预训练模型进行训练,得到训练完成的功率预测模型;
对所述机组运行数据、所述测风塔数据和所述气象预报数据进行单独建模,得到机组运行数据模型、测风塔数据模型和气象预报数据模型,将多变量时间序列预测转化为单变量时序列预测,构建预训练模型;
对不同数据源单独进行信号分解,将每个信号分解为趋势信号矩阵和残差信号矩阵;
利用深度残差神经网络对所述趋势信号矩阵和所述残差信号矩阵进行预测;其中所述深度残差神经网络包括第一DNN网络和第二DNN网络,所述第一DNN网络采用Relu激活函数,所述第二DNN网络不采用激活函数,只做线性变换操作,完成单独建模。
将所述机组运行数据模型、所述测风塔数据模型和所述气象预报数据模型进行单独权重学习后提取特征,采用时间分步方法进行不同时间步功率预测,得到训练完成的功率预测模型;
采用长短期记忆网络进行特征提取操作,其中所述特征提取操作将预测结果的机组数据、测风塔数据及历史气象预报数据进行通道连接,得到通道连接矩阵;
对未来的气象预测数据进行特征提取,得到特征矩阵;
将所述通道连接矩阵与所述特征矩阵连接后,基于attention机制进行全局特征表征,采用时间分步方式进行每个时间步的功率预测,得到训练完成的功率预测模型。
步骤S104:利用所述功率预测模型对待预测的数据进行预测处理,得到预测结果。
本实施例提供一种组合功率预测方法,首先对不同的数据源进行数据清晰与预处理,然后对不同的数据源的历史数据采用通道独立的思想进行时间序列预测,分别用不同数据源的历史数据预测该数据源未来的结果,随后对不同数据源的预测结果进行状态融合,并采用attention机制进一步提取全局特征,最后采用时间分步的方法给每个时间步单独分配可学习的权重,实现对各个时间步的单独预测过程,最终时间短期的功率预测功能,解决了不同的变量之间相互耦合、干扰的问题,实现了准确、高效的组合功率预测。
基于上述实施例,本实施例对所述组合功率预测方法展开描述,具体如下:
首先进行数据获取,所获取的数据包括机组运行数据、测风塔数据、气象预报数据(Numerical Weather Prediction,NWP)。其中,所获取的机组运行数据包括:风速、风向、功率、转速、桨距角、环境温度、环境湿度等维度。所获取的测风塔数据包括:不同层高的风速、风向、温度、湿度等信息。所获取的气象预报数据包括:不同高度的风速、风向数据,不同高度是指、10米、30米、50米、70米、90米;还包括环境温度、环境湿度、大气压力数据。
对原始数据进行数据清洗。对于机组数据需要对异常的发电状态进行清洗,比如停机、限电、不符合正常发电特征的异常数据等,由于数据清晰方法是比较通用的方法,这里不在赘述。对于测风塔数据需要进行数据质量控制,可以参考《NB/T 31147-2018风电场工程风能资源测量与评估技术规范》进行处理。气象预报数据可以采用类似于测风塔的数据质量方法进行数据质量控制,然后,对不同的数据源分别进行归一化操作;
模型搭建与训练,如图2所示,主要分为通道独立建模与状态融合两部分。通道独立建模部分对机组数据、侧风塔数据、历史的NWP数据等多源数据进行单独建模;
通道独立建模具体过程如图3所示。首先对不同的数据源单独进行信号分解,将每个信号分解为趋势信号与残差信号。这里的信号分解方法可以选择通用的分解方法如STL分解、经验模态分解、小波分解、变分模态分解等方法。
比如将机组原始数据表示为其中,L为历史的时间步,这里采用历史2天的数据预测未来1天的结果,数据分辨率为15分钟,则L=192。C1为变量个数,每个变量作为一个单独的通道,给予单独的权重进行学习。
由于原始数据中每个变量进行单独的信号分解,则信号分解后的趋势矩阵和残差矩阵/>与原数据维度相同。
然后将所述趋势矩阵与所述残差矩阵/>分别通过Res-DNN模块对未来数据进行预测;
其中Res-DNN模块如图4所示,Res-DNN模块由2层DNN网络和一个残差连接构成,其中第一层DNN网络采用Relu激活函数,第二层DNN网络不采用激活函数只做简单的线性变换,然后再通过一个残差连接将原始的输入与DNN模块的特征进行相加,最后通过layernormalization进行归一化处理,得到未来一天的预测结果。最后将趋势矩阵与残差矩阵/>的预测结果进行加和得到最终预测未来1天的预测结果/>其中T为未来的时间步,时间分辨率为15分钟,预测未来一天的结果,则T=96。则将机组数据/>测风塔数据/>历史NWP数据/>经过通道独立模块后即可得到未来一天的预测结果机组数据/>测风塔数据/>历史NWP数据/>
状态融合模块采用LSTM进行特征提取与attention机制进行全局特征表征,最后采用时间分步方式进行不同时间步的功率预测。LSTM特征提取分为两部分;
一部分将预测结果的机组数据测风塔数据/>历史NWP数据/>进行通道连接得到/>矩阵。并将/>输入到LSTM层中。
另一部分对未来的气象预测数据进行特征提取。两部分LSTM的隐层长度均设置为60,然后将两部分特征提取的结果进行通道连接。将通道连接后的结果采用self-attention机制进行全局特征表征,然后采用时间分步方式进行每个时间步的功率预测。时间分步预测即每个时间步采用单独DNN层进行预测,分配单独的可学习权重保证了每个时间步的预测准确性。经过多步预测后即可得到未来一天的功率预测结果。模型搭建完成后采用Adam优化器进行模型参数优化即可得到最优模型;
采用与训练阶段同样的数据预处理方法即可获得符合模型输入规则的数据集,将数据集输入到训练好的最优模型即可得到功率预测结果。
本发明实施例提供的一种组合功率预测方法是一种通道独立的建模过程,在通道独立的基础上融合多个数据源的不同特征,进一步提升功率预测的准确性。通过时间分步的直接多步预测方法,可以有效减少多步中预测误差累积问题,对不同的数据源进行数据清晰与预处理。然后对不同的数据源的历史数据采用通道独立的思想进行时间序列预测,分别用不同数据源的历史数据预测该数据源未来的结果。随后对不同数据源的预测结果进行状态融合,并采用attention机制进一步提取全局特征。最后采用时间分步的方法给每个时间步单独分配可学习的权重,实现对各个时间步的单独预测过程,实现了准确、高效的组合功率预测。
请参考图5,图5为本发明实施例提供的一种组合功率预测装置的结构框图;具体装置可以包括:
数据获取模块100,获取新能源原始数据,构建原始数据集;
预处理模块200,对所述原始数据集进行数据清洗处理,获得预处理数据集;
训练模块300,构建预训练模型,利用所述预处理数据集对所述预训练模型进行训练,得到训练完成的功率预测模型;
预测模块400,利用所述功率预测模型对待预测的数据进行预测处理,得到预测结果。
本实施例的一种组合功率预测装置用于实现前述的一种组合功率预测方法,因此一种组合功率预测装置中的具体实施方式可见前文中的一种组合功率预测方法的实施例部分,例如,数据获取模块100,预处理模块200,训练模块300,预测模块400,分别用于实现上述一种组合功率预测方法中步骤S101,S102,S103、S104,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再赘述。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
以上对本发明所提供的一种组合功率预测方法、装置、设备及存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
Claims (10)
1.一种组合功率预测方法,其特征在于,包括:
获取新能源原始数据,构建原始数据集;
对所述原始数据集进行数据清洗处理,获得预处理数据集;
构建预训练模型,利用所述预处理数据集对所述预训练模型进行训练,得到训练完成的功率预测模型;
利用所述功率预测模型对待预测的数据进行预测处理,得到预测结果。
2.如权利要求1所述的组合功率预测方法,其特征在于,所述新能源原始数据包括机组运行数据、测风塔数据和气象预报数据。
3.如权利要求2所述的组合功率预测方法,其特征在于,所述对所述原始数据集进行数据清洗处理,获得预处理数据集包括:
对所述机组运行数据的异常发电状态数据进行清洗处理,对所述测风塔数据及所述气象预报数据进行数据质量控制处理,得到处理数据集;
对所述处理数据集中不同数据源的数据进行归一化处理,得到预处理数据集。
4.如权利要求3所述的组合功率预测方法,其特征在于,所述归一化处理计算公式为:
其中,x为新能源原始数据。
5.如权利要求2所述的组合功率预测方法,其特征在于,所述构建预训练模型,利用所述预处理数据集对所述预训练模型进行训练,得到训练完成的功率预测模型包括:
对所述机组运行数据、所述测风塔数据和所述气象预报数据进行单独建模,得到机组运行数据模型、测风塔数据模型和气象预报数据模型,将多变量时间序列预测转化为单变量时序列预测,构建预训练模型;
将所述机组运行数据模型、所述测风塔数据模型和所述气象预报数据模型进行单独权重学习后提取特征,采用时间分步方法进行不同时间步功率预测,得到训练完成的功率预测模型。
6.如权利要求5所述的组合功率预测方法,其特征在于,所述对所述机组运行数据、所述测风塔数据和所述气象预报数据进行单独建模包括:
对不同数据源单独进行信号分解,将每个信号分解为趋势信号矩阵和残差信号矩阵;
利用深度残差神经网络对所述趋势信号矩阵和所述残差信号矩阵进行预测;其中所述深度残差神经网络包括第一DNN网络和第二DNN网络,所述第一DNN网络采用Relu激活函数,所述第二DNN网络不采用激活函数,只做线性变换操作,完成单独建模。
7.如权利要求6所述的组合功率预测方法,其特征在于,所述将所述机组运行数据模型、所述测风塔数据模型和所述气象预报数据模型进行单独权重学习后提取特征,采用时间分步方法进行不同时间步功率预测,得到训练完成的功率预测模型包括:
采用长短期记忆网络进行特征提取操作,其中所述特征提取操作将预测结果的机组数据、测风塔数据及历史气象预报数据进行通道连接,得到通道连接矩阵;
对未来的气象预测数据进行特征提取,得到特征矩阵;
将所述通道连接矩阵与所述特征矩阵连接后,基于attention机制进行全局特征表征,采用时间分步方式进行每个时间步的功率预测,得到训练完成的功率预测模型。
8.一种组合功率预测装置,其特征在于,包括:
数据获取模块,获取新能源原始数据,构建原始数据集;
预处理模块,对所述原始数据集进行数据清洗处理,获得预处理数据集;
训练模块,构建预训练模型,利用所述预处理数据集对所述预训练模型进行训练,得到训练完成的功率预测模型;
预测模块,利用所述功率预测模型对待预测的数据进行预测处理,得到预测结果。
9.一种组合功率预测设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述一种组合功率预测方法的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种组合功率预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181149.XA CN117273208A (zh) | 2023-09-13 | 2023-09-13 | 一种组合功率预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311181149.XA CN117273208A (zh) | 2023-09-13 | 2023-09-13 | 一种组合功率预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117273208A true CN117273208A (zh) | 2023-12-22 |
Family
ID=89218841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311181149.XA Pending CN117273208A (zh) | 2023-09-13 | 2023-09-13 | 一种组合功率预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117273208A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807402A (zh) * | 2024-02-27 | 2024-04-02 | 阿里巴巴(中国)有限公司 | 功率预测方法、电子设备及存储介质 |
-
2023
- 2023-09-13 CN CN202311181149.XA patent/CN117273208A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117807402A (zh) * | 2024-02-27 | 2024-04-02 | 阿里巴巴(中国)有限公司 | 功率预测方法、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Forecasting energy consumption and wind power generation using deep echo state network | |
CN111523249B (zh) | 一种考虑源荷不确定性的数据驱动鲁棒优化调度方法 | |
CN103400052A (zh) | 一种风电场短期风速组合预测方法 | |
CN110264012B (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN109523084A (zh) | 一种基于主元分析和机器学习的风电功率超短期预测方法 | |
CN117273208A (zh) | 一种组合功率预测方法、装置、设备及存储介质 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN113822418A (zh) | 一种风电场功率预测方法、系统、设备和存储介质 | |
CN116014715A (zh) | 一种基于数字孪生的综合能源控制方法及系统 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN112669168A (zh) | 一种风电功率短期预测方法 | |
Wang et al. | A novel wind power prediction model improved with feature enhancement and autoregressive error compensation | |
Yan et al. | Hybrid physical and data driven modeling for dynamic operation characteristic simulation of wind turbine | |
Wang et al. | Randomization-based neural networks for image-based wind turbine fault diagnosis | |
CN116070768A (zh) | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 | |
Morales-Hernández et al. | Online learning of windmill time series using Long Short-term Cognitive Networks | |
Wang et al. | A stacking-based short-term wind power forecasting method by CBLSTM and ensemble learning | |
CN115965134A (zh) | 一种区域电网风力发电功率预测优化方法 | |
CN113792919B (zh) | 一种基于迁移学习深度学习相结合的风电功率预测方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN111178601B (zh) | 一种基于气象数据后处理的风电机组功率预测方法 | |
Gu et al. | Wind power prediction based on VMD-neural network | |
Wei et al. | Research on variable speed constant frequency energy generation based on deep learning for disordered ocean current energy | |
Huang et al. | Probabilistic prediction intervals of wind speed based on explainable neural network | |
CN116822370B (zh) | 数据驱动下风电集群超短期出力预测方法 |
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 |