CN117293817B - 发电参数预测方法及装置 - Google Patents

发电参数预测方法及装置 Download PDF

Info

Publication number
CN117293817B
CN117293817B CN202311307849.9A CN202311307849A CN117293817B CN 117293817 B CN117293817 B CN 117293817B CN 202311307849 A CN202311307849 A CN 202311307849A CN 117293817 B CN117293817 B CN 117293817B
Authority
CN
China
Prior art keywords
power generation
generation parameter
parameter prediction
weight
prediction model
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
Application number
CN202311307849.9A
Other languages
English (en)
Other versions
CN117293817A (zh
Inventor
彭喆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Resource Power Technology Research Institute
Original Assignee
China Resource Power Technology Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Resource Power Technology Research Institute filed Critical China Resource Power Technology Research Institute
Priority to CN202311307849.9A priority Critical patent/CN117293817B/zh
Publication of CN117293817A publication Critical patent/CN117293817A/zh
Application granted granted Critical
Publication of CN117293817B publication Critical patent/CN117293817B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators
    • 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]
    • 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
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/28—The renewable source being wind energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了发电参数预测方法及装置，方法包括：获取多个发电参数预测模型分别针对目标时间段进行预测得到的多个单一预测发电参数；利用与每个发电参数预测模型对应的目标权重对每个发电参数预测模型得到的预测发电参数进行加权得到综合预测发电参数，根据各发电参数预测模型的初始权重对各发电参数预测模型的第一预测发电参数进行加权得到第二预测发电参数并计算与实际发电参数的差异，基于差异调整初始权重并返回获取第二预测发电参数直至累计调整次数大于预设迭代参数值，获取满足筛选条件的初始权重作为各发电参数预测模型的目标权重。上述方法，通过对初始权重进行迭代调整以确定最优的目标权重，基于目标权重得到准确的最终预测发电参数。

Description

发电参数预测方法及装置
技术领域
本发明涉及智能预测技术领域，尤其涉及一种发电参数预测方法及装置。
背景技术
目前，对于发电设备的发电参数预测，往往不止采用一个模型，输出不止一个预测发电参数；例如针对风电场的发电参数预测，可通过模型对诸如风电场功率、风电场风速、风电场风机转速等发电参数进行预测。当获取到多个发电参数预测模型的预测发电参数时，如何对多个预测发电参数进行组合能得到一个准确的预测发电参数是当前所需解决的问题，传统技术方法中通常是配置与各预测发电参数对应的权重系数，并根据权重系数对预测发电参数进行综合计算，然而传统技术方法中通常配置的权重系数通常并不是最优的权重系数，则综合计算得到的预测发电参数也并非全局最优结果。因此，现有技术方法中对发电参数预测所得到的多个预测发电参数进行综合计算时存在准确性不足的问题。
发明内容
本发明实施例提供了一种发电参数预测方法及装置，旨在解决现有技术方法中对发电参数预测所得到的多个预测发电参数进行综合计算时所存在的准确性不足的问题。
第一方面，本发明实施例提供了一种发电参数预测方法，其中，所述方法包括：
获取多个发电参数预测模型分别针对目标时间段进行预测得到的多个单一预测发电参数；
利用与每个所述发电参数预测模型对应的目标权重对每个所述发电参数预测模型得到的预测发电参数进行加权，得到综合预测发电参数；
其中，与每个所述发电参数预测模型对应的目标权重是通过以下步骤得到的：
获取目标时间段之前的预设时间段对应的实际发电参数，以及获取多个发电参数预测模型分别针对所述预设时间段进行预测得到多个第一预测发电参数；
利用与每个所述发电参数预测模型对应的初始权重对每个所述发电参数预测模型得到的第一预测发电参数进行加权，得到第二预测发电参数；
基于所述第二预测发电参数及所述实际发电参数之间的差异，调整所述初始权重，并重新得到新的第二预测发电参数，直至累计调整次数大于预设迭代参数值后停止对所述初始权重进行调整；
筛选得到差异满足预设的筛选条件的初始权重确认为每个所述发电参数预测模型对应的目标权重。
第二方面，本发明实施例还提供了一种发电参数预测装置，其中，所述装置用于执行上述第一方面所述的发电参数预测方法，所述装置包括：
预测发电参数获取单元，用于获取多个发电参数预测模型分别针对目标时间段进行预测得到的多个单一预测发电参数；
综合预测发电参数获取单元，用于利用与每个所述发电参数预测模型对应的目标权重对每个所述发电参数预测模型得到的预测发电参数进行加权，得到综合预测发电参数；
第一预测发电参数获取单元，用于获取目标时间段之前的预设时间段对应的实际发电参数，以及获取多个发电参数预测模型分别针对所述预设时间段进行预测得到多个第一预测发电参数；
第二预测发电参数获取单元，用于利用与每个所述发电参数预测模型对应的初始权重对每个所述发电参数预测模型得到的第一预测发电参数进行加权，得到第二预测发电参数；
权重调整单元，用于基于所述第二预测发电参数及所述实际发电参数之间的差异，调整所述初始权重，并重新得到新的第二预测发电参数，直至累计调整次数大于预设迭代参数值后停止对所述初始权重进行调整；
目标权重确定单元，用于筛选得到差异满足预设的筛选条件的初始权重确认为每个所述发电参数预测模型对应的目标权重。
第三方面，本发明实施例还提供了一种计算机设备，其中，所述设备包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现上述第一方面所述的发电参数预测方法的步骤。
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，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上述第一方面所述的发电参数预测方法的步骤。
本发明实施例提供了一种发电参数预测方法及装置，方法包括：获取多个发电参数预测模型分别针对目标时间段进行预测得到的多个单一预测发电参数；利用与每个发电参数预测模型对应的目标权重对每个发电参数预测模型得到的预测发电参数进行加权得到综合预测发电参数，根据各发电参数预测模型的初始权重对各发电参数预测模型的第一预测发电参数进行加权得到第二预测发电参数并计算与实际发电参数的差异，基于差异调整初始权重并返回获取第二预测发电参数直至累计调整次数大于预设迭代参数值，获取满足筛选条件的初始权重作为各发电参数预测模型的目标权重。上述的发电参数预测方法，通过对初始权重进行迭代调整，以确定最优的目标权重，基于目标权重得到准确的最终预测发电参数，大幅提高了发电参数预测的准确性。
附图说明
为了更清楚地说明本发明实施例技术方案，下面将对实施例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为本发明实施例提供的发电参数预测方法的方法流程图；
图2为本发明实施例提供的发电参数预测方法的应用效果示意图；
图3为本发明实施例提供的发电参数预测装置的示意性框图；
图4为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，如图所示，本发明申请的实施例提供了一种发电参数预测方法，该发电参数预测方法应用于终端设备中，该方法通过安装于所述终端设备的应用软件进行执行，所述终端设备可以是台式电脑、笔记本电脑、平板电脑或手机等设备。如图1所示，该方法包括步骤S110～S120。
S110、获取多个发电参数预测模型分别针对目标时间段进行预测得到的多个单一预测发电参数。
获取多个发电参数预测模型分别针对目标时间段进行预测得到的多个单一预测发电参数。可首先从发电参数预测模型集合中选定若干个预测效果较为准确的发电参数预测模型进行使用，发电参数预测模型集合中可配置有大量发电参数预测模型。发电参数预测模型可针对目标时间段进行预测，得到多个单一预测发电参数。例如，可将前一天的实际发电参数输入至各发电参数预测模型，每一发电参数预测模型单独对实际发电参数进行预测，得到后一天的预测发电参数，则每一发电参数预测模型进行预测后对应得到一组单一预测发电参数；则目标时间段也即是当前时间之后一天的时间段。
例如，可将一段时间内的实际发电参数(如总共61日的测量数据)输入发电参数预测模型，并获取各发电参数预测模型的D+1预测发电参数(基于第D日的测量数据预测得到D+1日的预测发电参数)，所述实际发电参数为风电场内进行测量所得到的发电测量参数；计算各发电参数预测模型得到的D+1预测发电参数与实际发电参数之间的差值，获取发电参数预测模型集合中差值较小的若干个发电参数预测模型进行使用。例如，目标时间段为第62日，则输入第61日的实际发电参数至各发电参数预测模型，即可得到与各发电参数预测模型分别对应的第62日的单一预测发电参数。其中，实际发电参数可以是对风电场内某一项或多项发电参数进行测量所得到的数据信息，例如，实际发电参数可以是风电场功率、风电场风速、风电场风机转速等。本申请实施例中的具体技术方法不仅仅可用于风电场的发电参数预测，还可用于太阳能电站等相关新能源发电站的发电参数预测。由于本申请实施例中，预测得到的单一预测发电参数与实际发电参数之间的时间差为1天(或多天)，因此上述发电参数预测模型可均配置为短期发电参数预测模型，则本申请中所得到的预测发电参数也为短期预测发电参数。
更进一步的，所述预设时间段为与目标时间段不同年份的相同月份中靠前的时间段，或为与目标时间段不同年份的相同季节中靠前的时间段，或与目标时间段相同年份、相同季节中靠前的时间段，或与目标时间段相同年份、相同月份中靠前的时间段。
例如，预设时间段是2020年3月5日-6日，目标时间段可以是2021年3月7日至8日。预设时间段是2020年2月25日(位于春季)，目标时间段可以是2021年3月3日(位于春季)。预设时间段是2021年5月25日(位于夏季)，目标时间段可以是2021年6月2日(位于夏季)。预设时间段是2021年5月4日，目标时间段可以是2022年5月6日。
可将实际发电参数同时输入各发电参数预测模型，从而得到各发电参数预测模型的预测发电参数。其中，实际发电参数为对风力发电设备进行周期性监测所得到的数据值，如每隔15分钟设定一个数据点，则每日可获取到96个数据点对应的测量数据。例如，实际发电参数可以是总共包含61日测量数据的数据集合。则每一发电参数预测模型从第1日的测量数据开始输入直至第60日的测量数据为止，每次输入发电参数预测模型1日的预测数据(96个数据点对应的96个测量数据值)，每次输入即可获取到一组预测数据(96个预测点对应的96个预测数据值)，预测数据对应第2日至第61日的预测发电参数，将第2日至61日的预测发电参数分别与第2日至第61日的测量数据进行对比，即可判断各发电参数预测模型的准确性。
S120、利用与每个所述发电参数预测模型对应的目标权重对每个所述发电参数预测模型得到的预测发电参数进行加权，得到综合预测发电参数。
利用与每个所述发电参数预测模型对应的目标权重对每个所述发电参数预测模型得到的预测发电参数进行加权，得到综合预测发电参数。每一发电参数预测模型对应一个目标权重，通过各发电参数预测模型的目标权重对各发电参数预测模型得到的预测发电参数进行加权计算，即可实现对各发电参数预测模型的预测发电参数进行综合，得到综合预测发电参数。
具体的，可首先根据发电参数预测模型的数量配置对应的多个权重系数并确定每一权重系数的区间范围。每一权重系数对应一个初始权重。具体的，可根据发电参数预测模型的数量配置对应的多个权重系数，则权重系数的数量与发电参数预测模型的数量相等，如五个发电参数预测模型的预测发电参数分别采用A、B、C、D、E进行表示，则可对应配置五个权重系数a、b、c、d、e。例如，还可配置五个权重系数的初始权重均为0.2，配置各权重系数的区间范围为[0,1]。则所得到的综合预测发电参数可采用R＝a×A+b×B+c×C+d×D+e×E。
通过在各权重系数的区间范围内对各权重系数的系数值进行寻优，也即是对各权重系数的初始权重进行调整，得到在各权重系数的区间范围内最优的系数值作为与各权重系数对应的目标权重进行使用；由于当前配置的目标权重为各权重系数对应的最优系数值，因此所得到的最终预测发电参数也即为最准确的预测结果。通过最终预测发电参数即能够对风电场的风力发电设备的运行提供依据，以优化风力发电设备的运行，从而实现风力发电输出利用率的最大化。
其中，与每个所述发电参数预测模型对应的目标权重是通过以下步骤得到的：获取目标时间段之前的预设时间段对应的实际发电参数，以及获取多个发电参数预测模型分别针对所述预设时间段进行预测得到多个第一预测发电参数；利用与每个所述发电参数预测模型对应的初始权重对每个所述发电参数预测模型得到的第一预测发电参数进行加权，得到第二预测发电参数；基于所述第二预测发电参数及所述实际发电参数之间的差异，调整所述初始权重，并重新得到新的第二预测发电参数，直至累计调整次数大于预设迭代参数值后停止对所述初始权重进行调整；筛选得到差异满足预设的筛选条件的初始权重确认为每个所述发电参数预测模型对应的目标权重。
则上述步骤中所得到的第二预测发电参数即与预设时间段相对应，预设时间段为目标时间段之前的时间段，如预设时间段可以是第2日至第61日，则第二预测发电参数也即是第2日至第61日；则对应获取实际发电参数中与预设时间段相匹配的参数与第二预测发电参数进行比较得到差异，此时实际发电参数中与预设时间段相匹配的参数也即是实际发电参数中与第2日至第61日对应的参数。通过差异对各发电参数预测模型的初始权重进行调整得到调整后的初始权重，则在第一预测发电参数不变的情况下，调整初始权重之后即可重新计算得到新的第二预测发电参数。若累计调整次数大于预设迭代参数值则停止对初始权重进行调整。则每次调整即可得到一组初始权重，每次调整也可对应获取一次第二预测发电参数与实际发电参数的差异，根据筛选条件对每次调整的差异进行筛选，得到满足筛选条件的差异所对应的一组初始权重并确定为与各发电参数预测模型对应的目标权重进行配置使用。
所述基于所述第二预测发电参数及所述实际发电参数之间的差异，调整所述初始权重，通过以下步骤实现：根据预存的误差损失计算函数对所述第二预测发电参数及所述实际发电参数进行计算，得到对应的误差损失值作为所述差异；根据预置的优化算法及所述误差损失值对各所述发电参数预测模型的初始权重进行搜索以获取对应的权重优化系数值对所述初始权重进行调整。
进一步的，终端设备中预先存储有初始损失计算函数，可根据预测发电参数中的预测数据点数对预存的初始损失计算函数进行参数配置，得到对应的误差损失计算函数。误差损失计算函数即可计算得到误差损失值，误差损失值也即是第二预测发电参数及所述实际发电参数之间的差异。
具体的，初始损失计算函数可以是基于RMSE(Root Mean Square Error，均方根误差)所构建得到的计算函数。其中，初始损失计算函数可采用公式(1)进行表示：
其中，M为预测数据点数量，N为预测天数，f(xij)为对实际发电参数中第i天第j个数据点的测量数值进行D+1预测所对应得到的预测数值，y(i+1)j为实际发电参数中第i+1天第j个数据点的测量数值(对第i天的测量数据进行预测所得到的预测发电参数对应第i+1天的测量数据)。
如预测数据对应第2日至第61日的预测发电参数，每隔15分钟设定一个数据点，则可对应配置N＝60，M＝96，从而完成对初始损失计算函数进行参数配置并得到对应的误差损失计算函数。
进一步的，由于实际发电参数中为一固定数据值，因此，可将实际发电参数作为固定参数配置于上述误差损失计算函数中。
具体的，可配置上述优化算法为hyperopt优化算法，并根据hyperopt优化算法在各发电参数预测模型对应权重系数的采样区域内进行迭代调整，Hyperopt是一个强大的python库，用于超参数优化，Hyperopt使用贝叶斯优化的形式进行参数调整，并且在贝叶斯优化的基础上实现在各权重系数的采样区域内进行迭代调整，从而能够更准确地获取到各权重系数对应最优的系数值。每次迭代调整均以降低整体损失值为目标，整体损失值为综合预测发电参数与对应实际发电参数之间的损失值；以降低综合损失值为目标根据步长参数值在各权重系数的采样区间内进行迭代调整，即可实现对各权重系数的系数值进行优化调整。其中，步长参数值也即是对权重系数的系数值每次进行调整的幅度，如设定步长参数值为t，原权重系数值为0.5，则下一次该权重系数对应系数值的调整范围即为[0.5-t，0.5+t]。
根据上述步骤中得到的误差损失计算公式对第二预测发电参数及实际发电参数进行计算，从而得到误差损失值；再根据hyperopt优化算法及误差损失值对各所述权重系数的初始权重进行搜索以获取对应的权重优化系数值，判断进行迭代调整的累计调整次数是否大于预设的迭代参数值。
若大于，则终止上述迭代调整过程，此时能够得到每次迭代调整所得到的误差损失值，以及每次迭代调整各加权系数的系数值。
若迭代调整次数不大于预设的迭代参数值，则将当前得到的权重优化系数值重新作为各权重系数的初始权重，并返回执行获取第二预测发电参数的步骤，也即是重复上述迭代调整的过程。如预设的迭代参数值可设定为2000次。
在一具体的实施例中，所述根据预置的优化算法及所述误差损失值对各所述发电参数预测模型的初始权重进行搜索以获取对应的权重优化系数值，包括以下步骤：根据各所述初始权重对应发电参数预测模型的第一预测发电参数及所述误差损失值确定与各所述初始权重对应的搜索方向；根据所述优化算法、各所述初始权重对应的未采样区域的选择概率及已采样局部最优区域的选择概率，随机确定各所述初始权重的未采样区域或已采样局部最优区域为目标优化区域；根据所述搜索方向基于各所述初始权重在对应的目标优化区域进行搜索，以获取各所述初始权重的权重优化系数值。
在一具体的实施例中，所述根据所述搜索方向基于各所述初始权重在对应的目标优化区域进行搜索，以获取各所述初始权重的权重优化系数值，具体包括以下步骤：根据各所述发电参数预测模型的预测发电参数、初始权重及所述误差损失值确定各初始权重对应的搜索方向；根据所述优化算法确定选择系数值并基于各初始权重的已采样局部最优区域及未采样区域分别对应的选择概率，选择与所述选择系数值相匹配的区域作为目标优化区域；根据预置的步长参数值及所述搜索方向从各初始权重对应的目标优化区域内选择新的系数值作为对应的权重优化系数值。
具体的，获取权重优化系数值的具体过程包括，根据权重系数的初始权重及发电参数预测模型的预测发电参数及误差损失值确定权重系数对应的搜索方向，如可基于梯度下降算法对误差损失值、一个发电参数预测模型的预测发电参数以及与该发电参数预测模型对应的一个初始权重进行梯度下降计算，从而计算得到各初始权重分别对应的方向系数值。方向系数值用于表征各初始权重的调整方向，如方向系数值大于零，则对该初始权重进行增大调整；如方向系数值小于零，则对该初始权重进行减小调整；若方向系数值为零，则本次迭代调整不对该初始权重进行调整。
各权重系数在区间范围已被获取的系数值较为集中的区域即为已采样局部最优区域，区间范围内位于已采样局部最优区域之外的其他区域即为未采样区域。可根据初始权重在区间范围已被获取的系数值确定对应的已采样局部最优区域，如获取在区间范围内已被选取的所有系数值，并计算所有系数值的质心，计算已被选取的系数值与质心之间的距离值，并选取距离值最小的70％的系数值对应的范围作为已采样局部最优区域，则根据上述方法可计算得到每一初始权重分别对应的一个已采样局部最优区域，并根据已采样局部最优区域确定各初始权重分别对应的未采样区域(区间范围减去已采样局部最优区域)。进一步地，已采样局部最优区域及未采样区域还分别配置有一个选择概率，可配置已采样局部最优区域的选择概率显著高于未采样区域的选择概率，如配置已采样局部最优区域的选择概率为85％(占用选择系数区间为[1,85])，未采样区域的选择概率为15％(占用选择系数区间为[86,100])。之后，再根据hyperopt优化算法确定各初始权重的选择系数值(选择系数值的取值范围为[1,100])，并根据选择系数值选定从已采样局部最优区域或未采样区域作为目标优化区域，从而实现对已采样局部最优区域及未采样区域进行随机选择。
选择确定目标优化区域后，即可在步长参数值及搜索方向的限定下从目标区域内选择新的系数值作为权重优化系数值，也即是在各所述初始权重的目标优化区域进行搜索的具体实现方法。根据上述方法，可分别获取与各初始权重对应的权重优化系数值，也即实现了一次搜索迭代的处理过程。
进一步地，所述筛选得到差异满足预设的筛选条件的初始权重确认为每个所述发电参数预测模型对应的目标权重，包括以下步骤：根据所述筛选条件中的筛选比例值以及调整总次数确定对应的筛选区间；获取调整次数位于所述筛选区间内的误差损失值作为备选误差损失值；获取备选误差算值中数值最小的一个误差损失值所对应的初始权重作为所述目标权重。
完成上述迭代调整过程之后，可根据筛选条件对误差损失值进行筛选，从而筛选得到满足筛选条件的误差损失值作为满足筛选条件的误差。并进一步获取与满足筛选条件的误差损失值对应的初始权重；与满足筛选条件的误差损失值对应的初始权重即可作为对应的目标权重。
具体的，上述步骤所得到的各误差损失值中以迭代次数(调整次数)作为横坐标，以每次迭代调整对应的误差损失值为纵坐标，通常情况下可得到如图2所示的曲线图。筛选条件中包含筛选比例值，可根据筛选比例值及调整总次数确定对应的筛选区间，例如，筛选比例值为0.3，调整总次数为2000次，则对应确定筛选区间为[1,600]，筛选区间也即是对误差损失值对应的调整次数进行限定的区间。每一误差损失值对应一个调整次数，获取调整次数位于上述筛选区间内的误差损失值作为备选误差损失值，则可对应获取迭代调整1次至第600次所对应的600组误差损失值作为备选误差损失值。每一组误差损失值均对应多个初始权重，也即每一组误差损失值对应的多个初始权重也即包含与各发电参数预测模型分别对应的初始权重。
比较备选误差损失值的大小，并获取其中数值最小的一个误差值所对应的一初始权重作为目标权重，则此处能够获取到最小的一组误差损失值所对应的多个初始权重。
在本发明实施例所提供的发电参数预测方法及装置，方法包括：获取多个发电参数预测模型分别针对目标时间段进行预测得到的多个单一预测发电参数；利用与每个发电参数预测模型对应的目标权重对每个发电参数预测模型得到的预测发电参数进行加权得到综合预测发电参数，根据各发电参数预测模型的初始权重对各发电参数预测模型的第一预测发电参数进行加权得到第二预测发电参数并计算与实际发电参数的差异，基于差异调整初始权重并返回获取第二预测发电参数直至累计调整次数大于预设迭代参数值，获取满足筛选条件的初始权重作为各发电参数预测模型的目标权重。上述的发电参数预测方法，通过对初始权重进行迭代调整，以确定最优的目标权重，基于目标权重得到准确的最终预测发电参数，大幅提高了发电参数预测的准确性。
本发明实施例还提供一种发电参数预测装置，该发电参数预测装置可配置于终端设备中，该发电参数预测装置用于执行前述的发电参数预测方法的任一实施例。具体地，请参阅图3，图3为本发明实施例提供的发电参数预测装置的示意性框图。
如图3所示，发电参数预测装置100包括预测发电参数获取单元110和综合预测发电参数获取单元120。
预测发电参数获取单元110，用于获取多个发电参数预测模型分别针对目标时间段进行预测得到的多个单一预测发电参数。
综合预测发电参数获取单元120，用于利用与每个所述发电参数预测模型对应的目标权重对每个所述发电参数预测模型得到的预测发电参数进行加权，得到综合预测发电参数。
其中，所述综合预测发电参数获取单元包括以下单元：第一预测发电参数获取单元，用于获取目标时间段之前的预设时间段对应的实际发电参数，以及获取多个发电参数预测模型分别针对所述预设时间段进行预测得到多个第一预测发电参数；第二预测发电参数获取单元，用于利用与每个所述发电参数预测模型对应的初始权重对每个所述发电参数预测模型得到的第一预测发电参数进行加权，得到第二预测发电参数；权重调整单元，用于基于所述第二预测发电参数及所述实际发电参数之间的差异，调整所述初始权重，并重新得到新的第二预测发电参数，直至累计调整次数大于预设迭代参数值后停止对所述初始权重进行调整；目标权重确定单元，用于筛选得到差异满足预设的筛选条件的初始权重确认为每个所述发电参数预测模型对应的目标权重。
在本发明实施例所提供的发电参数预测装置应用上述发电参数预测方法，获取多个发电参数预测模型分别针对目标时间段进行预测得到的多个单一预测发电参数；利用与每个发电参数预测模型对应的目标权重对每个发电参数预测模型得到的预测发电参数进行加权得到综合预测发电参数，根据各发电参数预测模型的初始权重对各发电参数预测模型的第一预测发电参数进行加权得到第二预测发电参数并计算与实际发电参数的差异，基于差异调整初始权重并返回获取第二预测发电参数直至累计调整次数大于预设迭代参数值，获取满足筛选条件的初始权重作为各发电参数预测模型的目标权重。上述的发电参数预测方法，通过对初始权重进行迭代调整，以确定最优的目标权重，基于目标权重得到准确的最终预测发电参数，大幅提高了发电参数预测的准确性。
上述发电参数预测装置可以实现为计算机程序的形式，该计算机程序可以在如图4所示的计算机设备上运行。
请参阅图4，图4是本发明实施例提供的计算机设备的示意性框图。该计算机设备可以是用于执行发电参数预测方法以对各发电参数预测模型的初始权重进行调整以确定对应目标权重，并基于目标权重获取综合预测发电参数的终端设备。
参阅图4，该计算机设备500包括通过通信总线501连接的处理器502、存储器和网络接口505，其中，存储器可以包括存储介质503和内存储器504。
该存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032被执行时，可使得处理器502执行发电参数预测方法，其中，存储介质503可以为易失性的存储介质或非易失性的存储介质。
该处理器502用于提供计算和控制能力，支撑整个计算机设备500的运行。
该内存储器504为存储介质503中的计算机程序5032的运行提供环境，该计算机程序5032被处理器502执行时，可使得处理器502执行发电参数预测方法。
该网络接口505用于进行网络通信，如提供数据信息的传输等。本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备500的限定，具体的计算机设备500可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
其中，所述处理器502用于运行存储在存储器中的计算机程序5032，以实现上述的发电参数预测方法中对应的功能。
本领域技术人员可以理解，图4中示出的计算机设备的实施例并不构成对计算机设备具体构成的限定，在其他实施例中，计算机设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。例如，在一些实施例中，计算机设备可以仅包括存储器及处理器，在这样的实施例中，存储器及处理器的结构及功能与图4所示实施例一致，在此不再赘述。
应当理解，在本发明实施例中，处理器502可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，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。
在本发明的另一实施例中提供计算机可读存储介质。该计算机可读存储介质可以为易失性或非易失性的计算机可读存储介质。该计算机可读存储介质存储有计算机程序，其中计算机程序被处理器执行时实现上述的发电参数预测方法中所包含的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的设备、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，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，仅仅为逻辑功能划分，实际实现时可以有另外的划分方式，也可以将具有相同功能的单元集合成一个单元，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。另外，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接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
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发明实施例方案的目的。
另外，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单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元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存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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计算机可读存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的计算机可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (7)

1.一种发电参数预测方法，其特征在于，所述方法包括：
获取多个发电参数预测模型分别针对目标时间段进行预测得到的多个单一预测发电参数；
利用与每个所述发电参数预测模型对应的目标权重对每个所述发电参数预测模型得到的预测发电参数进行加权，得到综合预测发电参数；
其中，与每个所述发电参数预测模型对应的目标权重是通过以下步骤得到的：
获取目标时间段之前的预设时间段对应的实际发电参数，以及获取多个发电参数预测模型分别针对所述预设时间段进行预测得到多个第一预测发电参数；
利用与每个所述发电参数预测模型对应的初始权重对每个所述发电参数预测模型得到的第一预测发电参数进行加权，得到第二预测发电参数；
基于所述第二预测发电参数及所述实际发电参数之间的差异，调整所述初始权重，并重新得到新的第二预测发电参数，直至累计调整次数大于预设迭代参数值后停止对所述初始权重进行调整；
筛选得到差异满足预设的筛选条件的初始权重确认为每个所述发电参数预测模型对应的目标权重；
所述基于所述第二预测发电参数及所述实际发电参数之间的差异，调整所述初始权重，通过以下步骤实现：
根据预存的误差损失计算函数对所述第二预测发电参数及所述实际发电参数进行计算，得到对应的误差损失值作为所述差异；
根据预置的优化算法及所述误差损失值对各所述发电参数预测模型的初始权重进行搜索以获取对应的权重优化系数值对所述初始权重进行调整；
所述根据预置的优化算法及所述误差损失值对各所述发电参数预测模型的初始权重进行搜索以获取对应的权重优化系数值，包括以下步骤：
根据各所述初始权重对应发电参数预测模型的第一预测发电参数及所述误差损失值确定与各所述初始权重对应的搜索方向；
根据所述优化算法、各所述初始权重对应的未采样区域的选择概率及已采样局部最优区域的选择概率，随机确定各所述初始权重的未采样区域或已采样局部最优区域为目标优化区域；
根据所述搜索方向基于各所述初始权重在对应的目标优化区域进行搜索，以获取各所述初始权重的权重优化系数值；
所述根据所述搜索方向基于各所述初始权重在对应的目标优化区域进行搜索，以获取各所述初始权重的权重优化系数值，具体包括以下步骤：
根据各所述发电参数预测模型的预测发电参数、初始权重及所述误差损失值确定各初始权重对应的搜索方向；
根据所述优化算法确定选择系数值并基于各初始权重的已采样局部最优区域及未采样区域分别对应的选择概率，选择与所述选择系数值相匹配的区域作为目标优化区域；
根据预置的步长参数值及所述搜索方向从各初始权重对应的目标优化区域内选择新的系数值作为对应的权重优化系数值。
2.根据权利要求1所述的发电参数预测方法，其特征在于，所述筛选得到差异满足预设的筛选条件的初始权重确认为每个所述发电参数预测模型对应的目标权重，包括以下步骤：
根据所述筛选条件中的筛选比例值以及调整总次数确定对应的筛选区间；
获取调整次数位于所述筛选区间内的误差损失值作为备选误差损失值；
获取备选误差算值中数值最小的一个误差损失值所对应的初始权重作为所述目标权重。
3.根据权利要求1所述的发电参数预测方法，其特征在于，所述实际发电参数为对风电场内的一项或多项发电参数进行测量所得到的参数信息。
4.根据权利要求3所述的发电参数预测方法，其特征在于，所述预设时间段为与目标时间段不同年份的相同月份中靠前的时间段，或为与目标时间段不同年份的相同季节中靠前的时间段，或与目标时间段相同年份、相同季节中靠前的时间段，或与目标时间段相同年份、相同月份中靠前的时间段。
5.一种发电参数预测装置，其特征在于，所述装置用于执行如权利要求1-4任一项所述的发电参数预测方法，所述装置包括：
预测发电参数获取单元，用于获取多个发电参数预测模型分别针对目标时间段进行预测得到的多个单一预测发电参数；
综合预测发电参数获取单元，用于利用与每个所述发电参数预测模型对应的目标权重对每个所述发电参数预测模型得到的预测发电参数进行加权，得到综合预测发电参数；
第一预测发电参数获取单元，用于获取目标时间段之前的预设时间段对应的实际发电参数，以及获取多个发电参数预测模型分别针对所述预设时间段进行预测得到多个第一预测发电参数；
第二预测发电参数获取单元，用于利用与每个所述发电参数预测模型对应的初始权重对每个所述发电参数预测模型得到的第一预测发电参数进行加权，得到第二预测发电参数；
权重调整单元，用于基于所述第二预测发电参数及所述实际发电参数之间的差异，调整所述初始权重，并重新得到新的第二预测发电参数，直至累计调整次数大于预设迭代参数值后停止对所述初始权重进行调整；
目标权重确定单元，用于筛选得到差异满足预设的筛选条件的初始权重确认为每个所述发电参数预测模型对应的目标权重。
6.一种计算机设备，其特征在于，所述设备包括处理器、通信接口、存储器和通信总线，其中，处理器、通信接口、存储器通过通信总线完成相互间的通信；
存储器，用于存放计算机程序；
处理器，用于执行存储器上所存放的程序时，实现权利要求1-4中任一项所述的发电参数预测方法的步骤。
7.一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1-4中任一项所述的发电参数预测方法的步骤。
CN202311307849.9A 2023-10-10 2023-10-10 发电参数预测方法及装置 Active CN117293817B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311307849.9A CN117293817B (zh) 2023-10-10 2023-10-10 发电参数预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311307849.9A CN117293817B (zh) 2023-10-10 2023-10-10 发电参数预测方法及装置

Publications (2)

Publication Number Publication Date
CN117293817A CN117293817A (zh) 2023-12-26
CN117293817B true CN117293817B (zh) 2024-06-07

Family

ID=89240596

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311307849.9A Active CN117293817B (zh) 2023-10-10 2023-10-10 发电参数预测方法及装置

Country Status (1)

Country Link
CN (1) CN117293817B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020143304A1 (zh) * 2019-01-07 2020-07-16 平安科技（深圳）有限公司 损失函数优化方法、装置、计算机设备及存储介质
CN113323821A (zh) * 2021-06-11 2021-08-31 中南大学 风力机模型预测偏航控制参数调节方法
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
CN114169669A (zh) * 2021-10-22 2022-03-11 阿里云计算有限公司 发电行业碳排放量预测方法、平台、计算设备及介质
CN115579859A (zh) * 2022-08-31 2023-01-06 武汉城市职业学院 基于门控循环单元的光伏发电功率预测方法
CN115640903A (zh) * 2022-11-03 2023-01-24 国网山东省电力公司德州供电公司 考虑小波分解和多目标优化的光伏发电预测方法及系统
CN116070758A (zh) * 2023-01-17 2023-05-05 广东电网有限责任公司 一种光伏发电短期功率预测方法、装置及存储介质
CN116502692A (zh) * 2023-03-24 2023-07-28 华为技术有限公司 一种模型的训练方法、光伏发电功率的预测方法及设备
CN116702992A (zh) * 2023-06-20 2023-09-05 中国电信股份有限公司 一种发电功率预测方法、装置、电子设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8706650B2 (en) * 2009-01-14 2014-04-22 Integral Analytics, Inc. Optimization of microgrid energy use and distribution

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020143304A1 (zh) * 2019-01-07 2020-07-16 平安科技（深圳）有限公司 损失函数优化方法、装置、计算机设备及存储介质
CN113323821A (zh) * 2021-06-11 2021-08-31 中南大学 风力机模型预测偏航控制参数调节方法
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
CN114169669A (zh) * 2021-10-22 2022-03-11 阿里云计算有限公司 发电行业碳排放量预测方法、平台、计算设备及介质
CN115579859A (zh) * 2022-08-31 2023-01-06 武汉城市职业学院 基于门控循环单元的光伏发电功率预测方法
CN115640903A (zh) * 2022-11-03 2023-01-24 国网山东省电力公司德州供电公司 考虑小波分解和多目标优化的光伏发电预测方法及系统
CN116070758A (zh) * 2023-01-17 2023-05-05 广东电网有限责任公司 一种光伏发电短期功率预测方法、装置及存储介质
CN116502692A (zh) * 2023-03-24 2023-07-28 华为技术有限公司 一种模型的训练方法、光伏发电功率的预测方法及设备
CN116702992A (zh) * 2023-06-20 2023-09-05 中国电信股份有限公司 一种发电功率预测方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于诱导有序加权平均算子的风电功率最优组合预测;杨家然;王兴成;蒋程;罗晓芬;;电气应用;20160605(第11期) *

Also Published As

Publication number Publication date
CN117293817A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN109902801B (zh) 一种基于变分推理贝叶斯神经网络的洪水集合预报方法
CN107480028B (zh) 磁盘可使用的剩余时长的获取方法及装置
CN110059867B (zh) 一种swlstm结合gpr的风速预测方法
CN106803128B (zh) 光伏发电的预测方法和装置
CN111080477A (zh) 一种家庭电力负荷预测方法及系统
CN114330935B (zh) 基于多种结合策略集成学习的新能源功率预测方法和系统
CN111815027A (zh) 一种光伏场站发电功率预测方法及系统
CN111709569A (zh) 风电场输出功率预测修正方法及装置
CN114911788B (zh) 一种数据插补方法、装置及存储介质
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN110633859A (zh) 一种两阶段分解集成的水文序列预测方法
CN115660233A (zh) 光伏功率预测方法、装置、电子设备及存储介质
CN114578087B (zh) 基于非支配排序和随机模拟算法的风速不确定性度量方法
CN117293817B (zh) 发电参数预测方法及装置
CN116739172B (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
CN111612648B (zh) 光伏发电预测模型的训练方法、装置和计算机设备
CN112307672A (zh) 基于布谷鸟算法优化的bp神经网络短期风功率预测方法
CN114169590B (zh) 一种基于多情景划分的水库入库径流预报校正方法和系统
CN113723006B (zh) 一种基于ls-svm的单台站地球变化磁场建模预测方法及系统
CN113962495A (zh) 一种风电场功率预测方法、装置及电子设备
CN112637904B (zh) 负载均衡方法、装置及计算设备
CN103942403A (zh) 一种对海量变量进行筛选的方法及设备
CN114004405A (zh) 基于Elman神经网络和卫星云图的光伏功率预测方法及系统
CN115563848A (zh) 一种基于深度学习的分布式光伏总辐射预测方法及系统
CN116068595B (zh) 海面风速反演方法、装置、电子设备及介质

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
GR01 Patent grant