CN117318026A - 光伏发电功率预测方法、装置、计算机设备和存储介质 - Google Patents
光伏发电功率预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN117318026A CN117318026A CN202311229406.2A CN202311229406A CN117318026A CN 117318026 A CN117318026 A CN 117318026A CN 202311229406 A CN202311229406 A CN 202311229406A CN 117318026 A CN117318026 A CN 117318026A
- Authority
- CN
- China
- Prior art keywords
- power generation
- photovoltaic power
- data
- time
- 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.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 242
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000012216 screening Methods 0.000 claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 230000000875 corresponding effect Effects 0.000 claims description 63
- 239000013598 vector Substances 0.000 claims description 46
- 238000004590 computer program Methods 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000873 masking effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining 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
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
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- 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
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种光伏发电功率预测模型构建方法、装置、计算机设备和存储介质。该方法包括:获取目标区域的历史光伏发电数据;历史光伏发电数据对应多种时间数据;对历史光伏发电数据对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据;在历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对目标输入变量进行随机采样,得到采样后的输入变量;通过初始预测模型对采样后的输入变量进行关键时间步筛选,得到样本输入变量;通过样本输入变量和目标输出变量对初始预测模型进行训练,得到光伏发电功率预测模型。采用本方法能够减少模型输入的冗余信息,提高光伏发电预测准确性。
Description
技术领域
本申请涉及光伏发电技术领域,特别是涉及一种光伏发电功率预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着光伏发电的快速发展,电力系统运营商要求对光伏发电进行准确预测。一方面,光伏发电预测需要较长序列以保证其特征周期;另一方面,其发电量与时间周期相关性较强。
传统技术中,是通过获取与光伏发电功率有关的多种环境影响因素,来进行光伏发电功率预测。然而对于短期预测,大部分预测时间内,环境温度、环境湿度等环境影响因素变化幅值不大,数据冗余性较强,同时在局部时间内也会出现阴雨天的剧烈变化,造成较大光伏发电扰动,无法准确预测光伏发电功率。
发明内容
基于此,有必要针对上述技术问题,提供一种能够准确预测光伏发电功率的光伏发电功率预测方法、装置、计算机设备、存储介质和计算机程序产品。
第一方面,本申请提供了一种光伏发电功率预测模型构建方法。该方法包括:
获取目标区域的历史光伏发电数据;历史光伏发电数据对应多种时间数据;
对历史光伏发电数据对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据;
在历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对目标输入变量进行随机采样,得到采样后的输入变量;
通过初始预测模型对采样后的输入变量进行关键时间步筛选,得到样本输入变量;
通过样本输入变量和目标输出变量对初始预测模型进行训练,得到光伏发电功率预测模型;光伏发电功率预测模型用于对目标区域的光伏发电站进行发电功率预测。
在其中一个实施例中,对历史光伏发电数据的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据包括:
针对历史光伏发电数据中的每种时间数据,将该种时间数据的最高位确定为该种时间数据对应的时间编码数据的最高位;
将该种时间数据其余位中的相邻位时间数据进行异或运算,得到该种时间数据对应的时间编码数据。
在其中一个实施例中,通过初始预测模型对采样后的输入变量进行关键时间步筛选,得到样本输入变量包括:
通过初始预测模型中的选择器对采样后的输入变量进行特征提取,得到采样后的输入变量对应的特征重要性向量;
通过选择器将特征重要性向量进行排序,并将排序后的特征重要性向量与采样后的输入变量的位置相关联;
通过选择器对关联后的特征重要性向量进行掩码处理,得到样本输入向量。
在其中一个实施例中,通过样本输入变量和目标输出变量对初始预测模型进行训练,得到光伏发电功率预测模型包括:
将样本输入变量输入至初始预测模型的编码器中,预测得到发电功率预测值;
将发电功率预测值与目标输出变量进行比对,确定预测损失值;
根据预测损失值调整初始预测模型的模型参数,直至满足训练停止条件,得到光伏发电功率预测模型。
在其中一个实施例中,根据预测损失值调整初始预测模型的模型参数,直至满足训练停止条件,得到光伏发电功率预测模型包括:
根据预测损失值调整初始预测模型中编码器的模型参数,得到更新后的编码器;
根据预测损失值调整初始预测模型中选择器的模型参数,得到更新后的样本输入向量;
将更新后的样本输入向量输入至更新后的编码器中,得到更新后的发电功率预测值;
将更新后的发电功率预测值与目标输出变量进行比对,确定更新后的预测损失值;将更新后的预测损失值作为预测损失值,重复根据预测损失值调整初始预测模型的模型参数的步骤,直至满足训练停止条件,得到光伏发电功率预测模型。
第二方面,本申请还提供了一种光伏发电功率预测模型构建装置。该装置包括:
数据获取模块,用于获取目标区域的历史光伏发电数据;历史光伏发电数据对应多种时间数据;
时间编码模块,用于对历史光伏发电数据对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据;
随机采样模块,用于在历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对目标输入变量进行随机采样,得到采样后的输入变量;
时间步筛选模块通过初始预测模型对采样后的输入变量进行关键时间步筛选,得到样本输入变量;
模型训练模块,用于通过样本输入变量和目标输出变量对初始预测模型进行训练,得到光伏发电功率预测模型;光伏发电功率预测模型用于对目标区域的光伏发电站进行发电功率预测。
第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现以下步骤:
获取目标区域的历史光伏发电数据;历史光伏发电数据对应多种时间数据;
对历史光伏发电数据对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据;
在历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对目标输入变量进行随机采样,得到采样后的输入变量;
通过初始预测模型对采样后的输入变量进行关键时间步筛选,得到样本输入变量;
通过样本输入变量和目标输出变量对初始预测模型进行训练,得到光伏发电功率预测模型;光伏发电功率预测模型用于对目标区域的光伏发电站进行发电功率预测。
第四方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取目标区域的历史光伏发电数据;历史光伏发电数据对应多种时间数据;
对历史光伏发电数据对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据;
在历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对目标输入变量进行随机采样,得到采样后的输入变量;
通过初始预测模型对采样后的输入变量进行关键时间步筛选,得到样本输入变量;
通过样本输入变量和目标输出变量对初始预测模型进行训练,得到光伏发电功率预测模型;光伏发电功率预测模型用于对目标区域的光伏发电站进行发电功率预测。
第五方面,本申请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,该计算机程序被处理器执行时实现以下步骤:
获取目标区域的历史光伏发电数据;历史光伏发电数据对应多种时间数据;
对历史光伏发电数据对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据;
在历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对目标输入变量进行随机采样,得到采样后的输入变量;
通过初始预测模型对采样后的输入变量进行关键时间步筛选,得到样本输入变量;
通过样本输入变量和目标输出变量对初始预测模型进行训练,得到光伏发电功率预测模型;光伏发电功率预测模型用于对目标区域的光伏发电站进行发电功率预测。
上述光伏发电功率预测模型构建方法、装置、计算机设备、存储介质和计算机程序产品,结合历史光伏发电数据和历史光伏发电数据对应的时间编码,并对历史光伏发电数据和时间编码数据中的目标输入变量进行随机采样,能够消除变量之间的关联性。再通过对采样后的输入变量进行关键时间步筛选,仅需要将特征较为重要的时间步作为样本输入变量,能够减少模型的输入冗余度,且能够基于光伏发电中隐藏的对光伏发电有作用的时间相关性信息来估计光伏发电量,提高了光伏发电预测准确性,有助于实现发电方与城市电网的协同优化。另外,由于天气的间歇性和随后的不确定性传播,外部环境因素使得准确的短期光伏发电预测方法十分困难,且实际场景中并不是在所有情况下都能够及时获取外部环境变量的情况下,只需要采用历史光伏发电功率这一个单变量与时间周期信息即可进行准确预测。
附图说明
图1为一个实施例中光伏发电功率预测模型构建方法的应用环境图;
图2为一个实施例中光伏发电功率预测模型构建方法的流程示意图;
图3为一个实施例中对历史光伏发电数据的每种时间数据分别进行特征编码的流程示意图;
图4为一个实施例中光伏发电功率预测模型的模型结构图;
图5为一个实施例中光伏发电功率预测模型构建装置的结构框图;
图6为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的光伏发电功率预测模型构建方法,可以应用于如图1所示的应用环境中。其中,终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。终端102发送模型构建请求至服务器104,服务器104解析模型构建请求,得到目标区域的历史光伏发电数据,历史光伏发电数据对应多种时间数据。服务器104对历史光伏发电数据对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据,在历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对目标输入变量进行随机采样,得到采样后的输入变量。从而通过初始预测模型对采样后的输入变量进行关键时间步筛选,得到样本输入变量;通过样本输入变量和目标输出变量对初始预测模型进行训练,得到光伏发电功率预测模型;光伏发电功率预测模型用于对目标区域的光伏发电站进行发电功率预测。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104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。
在一个实施例中,如图2所示,提供了一种光伏发电功率预测模型构建方法,以该方法应用于图1中的服务器为例进行说明,包括以下步骤:
步骤202,获取目标区域的历史光伏发电数据;历史光伏发电数据对应多种时间数据。
步骤204,对历史光伏发电数据对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据。
其中,目标区域是指需要预测光伏发电功率的配电网区域。特征编码是指进行时间编码。
具体的,服务器获取终端发送的模型构建请求,模型构建请求中可以携带有区域标识,也可以携带有目标区域的历史光伏发电数据。当模型构建请求中携带有区域标识时,服务器解析模型构建请求,得到区域标识,采集区域标识对应的目标区域的历史光伏发电数据,历史光伏发电数据对应多种时间数据。当模型构建请求中携带有目标区域的历史光伏发电数据时,服务器解析模型构建请求,得到目标区域的历史光伏发电数据。其中,历史光伏发电数据可以是目标区域内光伏电站的历史发电数据,包括目标区域内某发电方的光伏电源系统发电量与发电功率。历史光伏发电数据对应多种时间数据,包括年、月、日、小时和分钟,例如,采集的历史光伏发电数据的时间数据为2023年8月10日17时30分。采用时间编码作为环境影响变量。
对于历史光发电数据的每种时间数据,进行格雷编码,得到每种时间数据对应的时间编码,即时间编码数据。
步骤206,在历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对目标输入变量进行随机采样,得到采样后的输入变量。
具体的,根据目标任务在历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量。其中,目标输入变量是指与目标任务对应的输入变量。目标输出变量是指与目标任务对应的输出变量。目标输出变量是与目标输入变量所对应的实际光伏发电结果。目标任务可以包括日前光伏发电预测与异常检测任务。每种任务的目标输入变量是相同的,目标输出变量有所差异。预测任务的目标输出变量为光伏发电功率,异常检测任务的目标输出变量为0或1值,其中,0代表正常,1为异常。例如,对于预测任务,将第1~M日的发电功率和第M+1日的时间编码作为初始预测模型的N+1个目标输入变量集合,将第2~ M+1日的发电功率作为初始预测模型的目标输出变量,其中,N和M均为正整数。
通过随机洗牌算法,也可以称为随机采样算法,对目标输入变量的时间序列随机排序,从目标输入变量中选取若干个变量作为采样后的输入变量,得到目标任务对应的采样后的输入变量和采样后的输入变量对应的输出变量。
进一步的,可以按照百分比随机选取的方式对目标输入变量进行随机采样。
步骤208,通过初始预测模型对采样后的输入变量进行关键时间步筛选,得到样本输入变量。
其中,初始预测模型是指待训练的光伏发电功率预测模型。
具体的,初始预测模型根据采样后的输入变量和采样后的输入变量对应的输出变量,分别获取每个采样后的输入变量中不同时间步编码的相关性,根据输入变量集合之间的相关性在输入变量集合中选择其中特征较为重要的时间步,得到样本输入变量。其中,相关性是指数据对应位置,即数据所对应的时间步的特征重要性。将样本输入变量和目标输出变量作为样本发电变量。
步骤210,通过样本输入变量和目标输出变量对初始预测模型进行训练,得到光伏发电功率预测模型;光伏发电功率预测模型用于对目标区域的光伏发电站进行发电功率预测。
其中,初始预测模型是指待训练的光伏发电功率预测模型。
具体的,通过初始预测模型对样本输入变量进行发电功率预测,得到目标日的光伏发电功率。将目标日的光伏发电功率与样本发电变量中的目标输出变量进行比对,得到预测损失值。其中,目标日是指历史时间中的某一天。通过预测损失值调整初始预测模型的模型参数,直至满足训练停止条件,得到光伏发电功率预测模型。其中,训练停止条件是指损失值不再下降或迭代次数达到阈值。
进一步的,光伏发电功率预测模型用于进行发电功率预测。在实际应用过程中,可以获取预设时间段内的历史光伏发电功率,对历史光伏发电功率对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据。将历史光伏发电功率与时间编码输出作为待预测发电数据输入至光伏发电功率预测模型中,进行预测,得到待测日的光伏发电功率。其中,待测日是指未来的某一天。训练后的光伏发电功率预测模型用于进行发电功率预测。
上述光伏发电功率预测模型构建方法中,结合历史光伏发电数据和历史光伏发电数据对应的时间编码,并对历史光伏发电数据和时间编码数据中的目标输入变量进行随机采样,能够消除变量之间的关联性。再通过对采样后的输入变量进行关键时间步筛选,仅需要将特征较为重要的时间步作为样本输入变量,能够减少模型的输入冗余度,且能够基于光伏发电中隐藏的对光伏发电有作用的时间相关性信息来估计光伏发电量,提高了光伏发电预测准确性,有助于实现发电方与城市电网的协同优化。另外,由于天气的间歇性和随后的不确定性传播,外部环境因素使得准确的短期光伏发电预测方法十分困难,且实际场景中并不是在所有情况下都能够及时获取外部环境变量的情况下,只需要采用历史光伏发电功率这一个单变量与时间周期信息即可进行准确预测。
在一个实施例中,如图3所示,对历史光伏发电数据的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据包括:
步骤302,针对历史光伏发电数据中的每种时间数据,将该种时间数据的最高位确定为该种时间数据对应的时间编码数据的最高位。
步骤304,将该种时间数据其余位中的相邻位时间数据进行异或运算,得到该种时间数据对应的时间编码数据。
历史光伏发电数据中的时间数据:年、月、日、小时和分钟可以为多位数。对于每种时间数据,单独进行特征编码。
进一步的,编码方式可以采用格雷码。具体的,对于历史光伏发电数据中的每种时间数据,将该种时间数据的最高位确定为对应的时间编码数据的最高位,对于其余位,相邻位之间进行异或运算。
异或运算的公式为:
其中,Gi表示第i位的时间编码,Bi表示第i位时间数据,Bi+1表示第i+1位时间数据。
本实施例中,通过对历史光伏发电数据对应的每种时间数据分别进行格雷编码,能够减少时间数据的错误率,同时避免时间参差不齐带来的干扰,有利于提高模型准确性。
在一个实施例中,通过初始预测模型对采样后的输入变量进行关键时间步筛选,得到样本输入变量包括:通过初始预测模型中的选择器对采样后的输入变量进行特征提取,得到采样后的输入变量对应的特征重要性向量;通过选择器将特征重要性向量进行排序,并将排序后的特征重要性向量与采样后的输入变量的位置相关联;通过选择器对关联后的特征重要性向量进行掩码处理,得到样本输入向量。
其中,初始预测模型可以包括选择器和编码器,选择器用于进行关键时间步筛选,编码器用于进行发电功率预测。
具体的,对于输入序列,即采样后的输入变量,其中,C表示输入的数据通道数,具体来说C=时间编码位数+1,1为光伏发电数据对应的通道数。采样后的输入变量经过全局平均池化层(Global Average Pooling, GAP)以降低采样后的输入变量的特征维数,得到GAP输出特征,即GAP(Z),然后使用多层感知机(Multilayer Perceptron,MLP)来精细GAP输出特征,映射得到能够代表序列位置特征重要性的向量:
其中,Q表示特征重要性向量。
将特征重要性向量进行排序,与原始输入的位置,即采样后的输入变量的位置相
关联,使得每一时间步的数据都有一个特征重要性与其对应。再将关联后的数据按照重要
性从高到低的顺序以一定比例遮掩,即自适应的掩码过程被建模为一个与模型中梯度有
关联的回归问题,具体来说:
其中,Ak为各位置对应的遮掩编码,M为遮掩比例,为所有的特征重要性权重,mi
为遮掩编码中的某一个值,该值等于1,Zin为样本输入变量。通过这种方式,使得和Ak以一
种缓慢而复杂的方式更新。
在本实施例中,采用选择时间掩码机制对采样后的输入变量中的时间序列进行特征筛选,大大减少了模型输入的冗余信息,提高了光伏发电预测精度。
在一个实施例中,通过样本输入变量和目标输出变量对初始预测模型进行训练,得到光伏发电功率预测模型包括:将样本发电变量中的样本输入变量输入至初始预测模型的编码器中,预测得到发电功率预测值;将发电功率预测值与目标输出变量进行比对,确定预测损失值;根据预测损失值调整初始预测模型的模型参数,直至满足训练停止条件,得到光伏发电功率预测模型。
本实施例中的目标任务为预测任务,训练得到的模型为光伏发电功率预测模型。具体的,将样本发电变量中的样本输入变量作为初始预测模型中编码器的输入,对样本输入变量进行预测运算,得到发电功率预测值。
Transformer整体结构由个自注意力结构组成,负责深度挖掘混合光伏发电数据
与时间编码数据的特征序列中的内部特征。在各自注意力层都包含两个子层,第一个子层
是多头自注意机制,第二个子层是一个MLP结构。为在特征提取的过程中不造成信息损失,
模型采用残差连接,在生成下一组输出序列时将之前生成的输出序列作为附加信息输入。
如图4所示,为光伏发电功率预测模型的模型结构图。其中,光伏发电数据表示历史光伏发电数据,X表示目标输入变量,Z0为采样后的输入变量,Q为特征重要性向量,A为各位置对应的遮掩编码,Zin为样本输入变量,Zn代表在光伏预测Transformer中每一层的数据,其中n为光伏预测模型的层数。样本输入变量的确定过程还可以如下所示:
其中,X表示历史光伏发电数据,Y表示时间编码数据,为将特征重要性向量联入模型中所使用的神经网络权重,zi为将特征重要性向量联入模型中时,参与神经网络计算的位置,/>为将特征重要性向量联入模型中所使用的神经网络偏移。
编码器将样本输入变量,包括光伏发电数据与时间编码数据,经线性全连接与非线性投影后,得到特征序列中,再使
用MLP结构映射到发电功率预测值。其中,MLP以线性全连接的方式,加权连接光伏发电
数据与时间编码数据,获取特征之间的混合编码。MLP层间的非线性激活函数是MLP投影编
码的非线性特征筛选器,可以使用ReLU函数。
多头自注意力机制将不同时间的Attention结果进行拼接,再采用MLP将得到的值作为整日光伏发电融合特征的结果,表示来自不同时间段的特征。注意力权重计算过程使用点积进行运算。Attention输出V的加权值,其中分配给每个时间头V的权重由不同头的Q和K计算得到。Transformer中的MLP结构使用两个由GELU非线性分离激活函数的投影组成,输入数据的标记维数d在所有层中都固定不变。最后,利用一个线性投影用于对编码的输入进行分类,得到发电功率预测值。发电功率预测值的预测过程如下:
其中,表示发电功率预测值,Query(Q),Key(K),Value(V)分别代表样本输入变
量在不同特征空间中的投影,投影使用的参数矩阵分别为和,dk表示每个向量对
应的值向量,即K的维度。
在得到发电功率预测值后,将发电功率预测值与目标输出变量进行比对,确定预测损失值,根据预测损失值调整初始预测模型的模型参数,直至满足训练停止条件,得到光伏发电功率预测模型。其中,预测损失值的计算函数可以为均方误差。训练停止条件可以是迭代次数达到阈值或者预测损失值不再下降。
在本实施例中,将样本发电变量中的样本输入变量输入至初始预测模型的编码器中,计算预测损失值,根据预测损失值调整初始预测模型的模型参数,能够根据模型的传递梯度自适应的调整预测模型,有利于提高模型的预测准确性。
在一个实施例中,根据预测损失值调整初始预测模型的模型参数,直至满足训练停止条件,得到光伏发电功率预测模型包括:根据预测损失值调整初始预测模型中编码器的模型参数,得到更新后的编码器;根据预测损失值调整初始预测模型中选择器的模型参数,得到更新后的样本输入向量;将更新后的样本输入向量输入至更新后的编码器中,得到更新后的发电功率预测值;将更新后的发电功率预测值与目标输出变量进行比对,确定更新后的预测损失值;将更新后的预测损失值作为预测损失值,重复根据预测损失值调整初始预测模型的模型参数的步骤,直至满足训练停止条件,得到光伏发电功率预测模型。
在模型训练过程中,根据模型输出的预测损失值调整初始预测模型中编码器的参数,得到更新后的编码器。之后,根据预测损失值调整选择器的模型参数,再根据更新后的选择器进行关键时间步筛选,得到更新后的样本输入向量,继续输入至更新后的编码器中,再次输出新的预测损失值,重复根据根据预测损失值调整初始预测模型的模型参数的步骤,直至迭代次数达到阈值或者预测损失值不再下降,将此时的模型确定为光伏发电功率预测模型。
在本实施例中,通过模型的传递梯度使得选择器能够根据预测模型的梯度自适应的调整每个时间步的特征重要性,进而减少模型输入的冗余信息,提高光伏发电预测精度,有助于实现发电单位和城市电网协同优化。
在另一个实施例中,提供了一种光伏发电功率预测模型构建方法,该方法包括:
获取目标区域的历史光伏发电数据;历史光伏发电数据对应多种时间数据。
针对历史光伏发电数据中的每种时间数据,将该种时间数据的最高位确定为该种时间数据对应的时间编码数据的最高位;将该种时间数据其余位中的相邻位时间数据进行异或运算,得到该种时间数据对应的时间编码数据。
在历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对目标输入变量进行随机采样,得到采样后的输入变量。
通过初始预测模型中的选择器对采样后的输入变量进行特征提取,得到采样后的输入变量对应的特征重要性向量;通过选择器将特征重要性向量进行排序,并将排序后的特征重要性向量与采样后的输入变量的位置相关联;通过选择器对关联后的特征重要性向量进行掩码处理,得到样本输入向量;根据样本输入变量和目标输出变量得到样本发电变量。
将样本发电变量中的样本输入变量输入至初始预测模型的编码器中,预测得到发电功率预测值;将发电功率预测值与目标输出变量进行比对,确定预测损失值;根据预测损失值调整初始预测模型中选择器的模型参数,得到更新后的编码器;根据预测损失值调整初始预测模型中选择器的模型参数,得到更新后的样本输入向量;将更新后的样本输入向量输入至更新后的编码器中,得到更新后的发电功率预测值;将更新后的发电功率预测值与目标输出变量进行比对,确定更新后的预测损失值;将更新后的预测损失值作为预测损失值,重复根据预测损失值调整初始预测模型的模型参数的步骤,直至满足训练停止条件,得到光伏发电功率预测模型。
在本实施例中,结合历史光伏发电数据和历史光伏发电数据对应的时间编码,通过对历史光伏发电数据和时间编码数据进行关键时间步筛选,能够减少模型输入的冗余信息,且能够基于光伏发电中隐藏的对光伏发电有作用的时间相关性信息来估计光伏发电量,提高了光伏发电预测准确性,有助于实现发电方与城市电网的协同优化。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的光伏发电功率预测模型构建方法的光伏发电功率预测模型构建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个光伏发电功率预测模型构建装置实施例中的具体限定可以参见上文中对于光伏发电功率预测模型构建方法的限定,在此不再赘述。
在一个实施例中,如图5所示,提供了一种光伏发电功率预测模型构建装置,包括:数据获取模块502、时间编码模块504、随机采样模块506、时间步筛选模块508和模型训练模块510,其中:
数据获取模块502,用于获取目标区域的历史光伏发电数据;历史光伏发电数据对应多种时间数据。
时间编码模块504,用于对历史光伏发电数据对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据。
随机采样模块506,用于在历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对目标输入变量进行随机采样,得到采样后的输入变量。
时间步筛选模块508,通过初始预测模型对采样后的输入变量进行关键时间步筛选,得到样本输入变量。
模型训练模块510,用于通过样本输入变量和目标输出变量对初始预测模型进行训练,得到光伏发电功率预测模型;光伏发电功率预测模型用于对目标区域的光伏发电站进行发电功率预测。
在一个实施例中,时间编码模块504还用于针对历史光伏发电数据中的每种时间数据,将该种时间数据的最高位确定为该种时间数据对应的时间编码数据的最高位;将该种时间数据其余位中的相邻位时间数据进行异或运算,得到该种时间数据对应的时间编码数据。
在一个实施例中,时间步筛选模块508还用于通过初始预测模型中的选择器对采样后的输入变量进行特征提取,得到采样后的输入变量对应的特征重要性向量;通过选择器将特征重要性向量进行排序,并将排序后的特征重要性向量与采样后的输入变量的位置相关联;通过选择器对关联后的特征重要性向量进行掩码处理,得到样本输入向量。
在一个实施例中,模型训练模块510还用于将样本发电变量中的样本输入变量输入至初始预测模型的编码器中,预测得到发电功率预测值;将发电功率预测值与目标输出变量进行比对,确定预测损失值;根据预测损失值调整初始预测模型的模型参数,直至满足训练停止条件,得到光伏发电功率预测模型。
在一个实施例中,模型训练模块510还用于根据预测损失值调整初始预测模型中编码器的模型参数,得到更新后的编码器;根据预测损失值调整初始预测模型中选择器的模型参数,得到更新后的样本输入向量;将更新后的样本输入向量输入至更新后的编码器中,得到更新后的发电功率预测值;将更新后的发电功率预测值与目标输出变量进行比对,确定更新后的预测损失值;将更新后的预测损失值作为预测损失值,重复根据预测损失值调整初始预测模型的模型参数的步骤,直至满足训练停止条件,得到光伏发电功率预测模型。
上述光伏发电功率预测模型构建装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储历史光伏发电数据、初始预测模型等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种光伏发电功率预测模型构建方法。
本领域技术人员可以理解,图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备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。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种光伏发电功率预测模型构建方法,其特征在于,所述方法包括:
获取目标区域的历史光伏发电数据;所述历史光伏发电数据对应多种时间数据;
对所述历史光伏发电数据对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据;
在所述历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对所述目标输入变量进行随机采样,得到采样后的输入变量;
通过初始预测模型对所述采样后的输入变量进行关键时间步筛选,得到样本输入变量;
通过所述样本输入变量和所述目标输出变量对所述初始预测模型进行训练,得到光伏发电功率预测模型;所述光伏发电功率预测模型用于对所述目标区域的光伏发电站进行发电功率预测。
2.根据权利要求1所述的方法,其特征在于,所述对所述历史光伏发电数据的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据包括:
针对所述历史光伏发电数据中的每种时间数据,将该种时间数据的最高位确定为该种时间数据对应的时间编码数据的最高位;
将该种时间数据其余位中的相邻位时间数据进行异或运算,得到该种时间数据对应的时间编码数据。
3.根据权利要求1所述的方法,其特征在于,所述通过初始预测模型对所述采样后的输入变量进行关键时间步筛选,得到样本输入变量包括:
通过初始预测模型中的选择器对所述采样后的输入变量进行特征提取,得到所述采样后的输入变量对应的特征重要性向量;
通过所述选择器将所述特征重要性向量进行排序,并将排序后的特征重要性向量与所述采样后的输入变量的位置相关联;
通过所述选择器对关联后的特征重要性向量进行掩码处理,得到样本输入向量。
4.根据权利要求1所述的方法,其特征在于,所述通过所述样本输入变量和所述目标输出变量对所述初始预测模型进行训练,得到光伏发电功率预测模型包括:
将所述样本输入变量输入至所述初始预测模型的编码器中,预测得到发电功率预测值;
将所述发电功率预测值与所述目标输出变量进行比对,确定预测损失值;
根据所述预测损失值调整所述初始预测模型的模型参数,直至满足训练停止条件,得到光伏发电功率预测模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述预测损失值调整所述初始预测模型的模型参数,直至满足训练停止条件,得到光伏发电功率预测模型包括:
根据所述预测损失值调整所述初始预测模型中编码器的模型参数,得到更新后的编码器;
根据所述预测损失值调整所述初始预测模型中选择器的模型参数,得到更新后的样本输入向量;
将所述更新后的样本输入向量输入至所述更新后的编码器中,得到更新后的发电功率预测值;
将所述更新后的发电功率预测值与所述目标输出变量进行比对,确定更新后的预测损失值;将所述更新后的预测损失值作为所述预测损失值,重复所述根据所述预测损失值调整所述初始预测模型的模型参数的步骤,直至满足训练停止条件,得到光伏发电功率预测模型。
6.一种光伏发电功率预测模型构建装置,其特征在于,所述装置包括:
数据获取模块,用于获取目标区域的历史光伏发电数据;所述历史光伏发电数据对应多种时间数据;
时间编码模块,用于对所述历史光伏发电数据对应的每种时间数据分别进行特征编码,得到每种时间数据对应的时间编码数据;
随机采样模块,用于在所述历史光伏发电数据以及时间编码数据中获取目标输入变量和目标输出变量,并对所述目标输入变量进行随机采样,得到采样后的输入变量;
时间步筛选模块通过初始预测模型对所述采样后的输入变量进行关键时间步筛选,得到样本输入变量;
模型训练模块,用于通过所述样本输入变量和所述目标输出变量对所述初始预测模型进行训练,得到光伏发电功率预测模型;所述光伏发电功率预测模型用于对所述目标区域的光伏发电站进行发电功率预测。
7.根据权利要求6所述的装置,其特征在于,所述时间编码模块还用于针对所述历史光伏发电数据中的每种时间数据,将该种时间数据的最高位确定为该种时间数据对应的时间编码数据的最高位;将该种时间数据其余位中的相邻位时间数据进行异或运算,得到该种时间数据对应的时间编码数据。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5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权利要求1至5中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229406.2A CN117318026A (zh) | 2023-09-22 | 2023-09-22 | 光伏发电功率预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229406.2A CN117318026A (zh) | 2023-09-22 | 2023-09-22 | 光伏发电功率预测方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117318026A true CN117318026A (zh) | 2023-12-29 |
Family
ID=89249210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311229406.2A Pending CN117318026A (zh) | 2023-09-22 | 2023-09-22 | 光伏发电功率预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117318026A (zh) |
-
2023
- 2023-09-22 CN CN202311229406.2A patent/CN117318026A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
CN117148197A (zh) | 一种基于集成Transformer模型的锂离子电池寿命预测方法 | |
Meng et al. | Tropical cyclone intensity probabilistic forecasting system based on deep learning | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
CN115952928B (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
CN115907307B (zh) | 面向电网实时数据交互的电力系统碳排放流在线分析方法 | |
CN116737681A (zh) | 一种实时异常日志检测方法、装置、计算机设备和存储介质 | |
CN116304713A (zh) | 风电场故障场景预测模型的生成方法、装置和计算机设备 | |
CN117318026A (zh) | 光伏发电功率预测方法、装置、计算机设备和存储介质 | |
CN116258923A (zh) | 图像识别模型训练方法、装置、计算机设备和存储介质 | |
CN114723147A (zh) | 基于改进的小波变换与神经网络的新能源功率预测方法 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN111476408A (zh) | 一种电力通信设备状态预测方法及系统 | |
Nong | Construction and Simulation of Financial Risk Prediction Model Based on LSTM | |
CN116976507A (zh) | 电网数据的关联处理方法、装置、计算机设备和存储介质 | |
Yuan et al. | A densely connected causal convolutional network separating past and future data for filling missing PM2. 5 time series data | |
CN116227738B (zh) | 一种电网客服话务量区间预测方法及系统 | |
CN113159100B (zh) | 电路故障诊断方法、装置、电子设备和存储介质 | |
CN116957016A (zh) | 一种时空数据预测方法和装置、及存储介质 | |
Wong et al. | Addressing Deep Learning Model Uncertainty in Long-Range Climate Forecasting with Late Fusion | |
CN117851802A (zh) | 一种水质预测方法、装置及计算机可读存储介质 | |
Sun | LSTM-based Trend Prediction of Public Opinion on Urban Fires | |
Wei et al. | Parameter Prediction of Marine Seawater Cooling System Based on Chaos-Elman Combined Model | |
Shi et al. | An Attention-based Context Fusion Network for Spatiotemporal Prediction of Sea Surface Temperature |
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 |