CN117332900A - 一种3d建模输出的新能源小时间尺度功率预测方法 - Google Patents

一种3d建模输出的新能源小时间尺度功率预测方法 Download PDF

Info

Publication number
CN117332900A
CN117332900A CN202311345937.8A CN202311345937A CN117332900A CN 117332900 A CN117332900 A CN 117332900A CN 202311345937 A CN202311345937 A CN 202311345937A CN 117332900 A CN117332900 A CN 117332900A
Authority
CN
China
Prior art keywords
new energy
historical
time scale
numerical weather
scale power
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
Application number
CN202311345937.8A
Other languages
English (en)
Inventor
包涛
马溪原
习伟
李鹏
潘世贤
胡旭东
程凯
陈炎森
周长城
李卓环
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.)
Southern Power Grid Digital Grid Research Institute Co Ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202311345937.8A priority Critical patent/CN117332900A/zh
Publication of CN117332900A publication Critical patent/CN117332900A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Environmental & Geological Engineering (AREA)
  • Medical Informatics (AREA)
  • Atmospheric Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Power Engineering (AREA)
  • Public Health (AREA)
  • Operations Research (AREA)

Abstract

本发明公开了一种3D建模输出的新能源小时间尺度功率预测方法。在检测到满足小时间尺度功率预测条件时，获取预测时间段内的多个数值天气预报；将所述多个数值天气预报输入至预先训练好的新能源小时间尺度功率预测模型中，确定与所述多个数值天气预报相对应的多个新能源场站预测功率；其中，所述数值天气预报的数量小于所述新能源场站预测功率的数量，且相邻两个所述新能源场站预测功率之间的间隔时长为目标间隔时长；反馈所述多个新能源场站预测功率。本发明压缩了新能源超短期功率预测的时间间隔，提高了新能源功率预测的效率和准确度。

Description

一种3D建模输出的新能源小时间尺度功率预测方法
技术领域
本发明涉及数据处理技术领域，尤其涉及一种3D建模输出的新能源小时间尺度功率预测方法。
背景技术
目前，我国新能源场站功率预测精度较低。因此时间尺度小、预测频率高的新能源高精度预测有待开展。
现有技术中，可以借助数值天气预报实现新能源功率的短期预测。但是，这种方法在工程上极其依稳定可靠的天气预报来源，一旦天气预报因信号当原因中断，则无法开展预测；另外，数值天气预报的时间尺度通常比较大，要做到小时间尺度的天气预报需要的成本极高，不适合大批量的新能源功率预测。基于上述两方面的原因，目前亟待实现小时间尺度、特别是5分钟级别的新能源高精度功率预测。
发明内容
本发明实施例提供了一种3D建模输出的新能源小时间尺度功率预测方法，以压缩新能源超短期功率预测的时间间隔，提高新能源功率预测的准确度。
本发明提供了一种3D建模输出的新能源小时间尺度功率预测方法，该方法包括：
在检测到满足小时间尺度功率预测条件时，获取预测时间段内的多个数值天气预报；
将所述多个数值天气预报输入至预先训练好的新能源小时间尺度功率预测模型中，确定与所述多个数值天气预报相对应的多个新能源场站预测功率；其中，所述数值天气预报的数量小于所述新能源场站预测功率的数量，且相邻两个所述新能源场站预测功率之间的间隔时长为目标间隔时长；
反馈所述多个新能源场站预测功率。
可选的，所述小时间尺度功率预测条件包括下述至少一种：
周期性的确定新能源场站预测功率，所述周期性对应的周期时长为第一预设时长；
检测到触发确定新能源场站预测功率的控件；
检测到采集了所述多个数值天气预报。
可选的，所述获取预测时间段内的多个数值天气预报，包括：
获取以当前时刻为起始点未来预设时长内每个离散时刻所对应的多个数值天气预报；
其中，所述未来预设时长与所述预测时间段相对应，相邻两个所述离散时刻之间的间隔时长为第一间隔时长。
可选的，所述将所述多个数值天气预报输入至预先训练好的新能源小时间尺度功率预测模型中，确定与所述多个数值天气预报相对应的多个新能源场站预测功能，包括：
将所述多个数值天气预报输入至所述新能源小时间尺度功能预测模型中，得到各预测时刻所对应的新能源场站预测功率；
其中，相邻两个预测时刻之间的间隔时长为目标间隔时长，各所述预测时刻所对应的时间长度与所述预测时间段的时间长度相同。
可选的，所述方法还包括：
训练得到所述新能源小时间尺度功率预测模型；
所述训练得到所述新能源小时间尺度功率预测模型，包括：
获取当前新能源场站的历史数值天气预报，以及所述新能源场站的历史功率；
从目标历史时刻为采集起点，依据第一间隔时长对所述历史数值天气预报采样处理，得到多个离散历史数值天气预报；以及，以所述目标历史时刻为采集起点，依据所述目标间隔时长对所述历史功率采样处理，得到多个离散历史功率；
基于所述多个离散历史数值天气预报以及所述多个离散历史功率，确定训练样本；
基于所述训练样本对待训练新能源小时间尺度功率预测模型进行训练，得到所述新能源小时间尺度功率预测模型。
可选的，所述基于所述多个离散历史数值天气预报以及所述多个离散历史功率，确定训练样本，包括：
依据所述多个离散历史数值天气预报所对应的天气预报采集时刻和所述多个离散历史功率的功率采集时刻进行数据对齐；
基于所述预测时间段所对应的时间长度，对对齐后的离散历史数值天气预报和离散历史功率进行划分，确定每个历史时间段内的多个离散历史数值天气预报和多个离散历史功率；其中，所述历史时间段和所述预测时间段所对应的时间长度相同；
基于每个历史时间段内的多个离散历史数值天气预报和多个离散历史功率，确定训练样本。
可选的，所述基于所述训练样本对待训练新能源小时间尺度功率预测模型进行训练，得到所述新能源小时间尺度功率预测模型，包括：
将当前训练样本中的多个离散历史数值天气预报分别输入至模型结构不同的待训练新能源小时间尺度功率预测模型中，输出多个预测功率；
基于所述多个离散历史功率和所述多个预测功率，确定损失值，以基于所述损失值分别对不同模型结构的待训练新能源小时间尺度功率预测模型中的模型参数进行修正；
将各待训练新能源小时间尺度功率预测模型中的损失函数收敛作为训练目标，得到各待使用新能源小时间尺度功率预测模型；
基于多个验证样本分别对各所述待使用新能源小时间尺度功率预测模型进行验证，确定各待使用新能源小时间尺度功率预测模型的准确率；
将准确率最高的待使用新能源小时间尺度功率预测模型，作为所述新能源小时间尺度功率预测模型。
可选的，所述基于多个验证样本分别对各所述待使用新能源小时间尺度功率预测模型进行验证，确定各待使用新能源小时间尺度功率预测模型的准确率，包括：
对于各待使用新能源小时间尺度功率预测模型，将各验证样本输入至当前待使用新能源小时间尺度功率预测模型中，得到与各验证样本所对应的新能源预测功率；
基于各验证样本中的离散历史功率、相应的新能源预测功率以及准确率预测函数，确定当前待使用新能源小时间尺度功率预测模型的准确率。
可选的，所述准确率预测函数为：
其中，r1表示模型准确率，n为验证样本的数量；Ck表示k时段的开机总容量，PM，k为与各验证样本相对应的离散历史功率，Pp，k为与验证样本相对应的新能源预测功率。
可选的，所述目标间隔时长为5min，第一间隔时长为15min，所述预测时间段所对应的时间长度为4个小时。
本发明实施例提供的技术方案，通过在检测到满足小时间尺度功率预测条件时，获取预测时间段内的多个数值天气预报，进而将所述多个数值天气预报输入至预先训练好的新能源小时间尺度功率预测模型中，确定与多个数值天气预报相对应的多个新能源场站预测功率，其中，所述数值天气预报的数量小于所述新能源场站预测功率的数量，且相邻两个所述新能源场站预测功率之间的间隔时长为目标间隔时长，进一步的，反馈所述多个新能源场站预测功率。本发明实施例，压缩了新能源超短期功率预测的时间间隔，提高了新能源功率预测的效率和准确度。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种3D建模输出的新能源小时间尺度功率预测方法的流程图；
图2为本发明实施例二提供的另一种3D建模输出的新能源小时间尺度功率预测方法的流程图；
图3为本发明实施例二涉及的BLSTM网络结构示意图；
图4为本发明实施例二涉及的GRU网络结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一预设条件”、“第二预设条件”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的3D建模输出的新能源小时间尺度功率预测方法的流程图，本实施例可适用于对新能源场站功率进行预测的情形。该方法可以由3D建模输出的新能源小时间尺度功率预测装置来执行，该装置可以采用硬件和/或软件的形式实现，该装置可以配置在计算机设备上，该计算机设备可以是笔记本、台式计算机以及智能平板等。如图1所示，该方法包括：
S110、在检测到满足小时间尺度功率预测条件时，获取预测时间段内的多个数值天气预报。
其中，小时间尺度功率预测条件为预先设定的，用于触发获取数值天气预报数据的条件。预测时间段为预先设定的时间段，例如，预测时间段为4个小时。
其中，数值天气预报(numerical weatherprediction，NWP)是指根据大气实际情况，在一定的初值和边值条件下，通过大型计算机作数值计算，求解描写天气演变过程的流体力学和热力学的方程组，预测未来一定时段的大气运动状态和天气现象，从而得到一系列表征天气的数据值。
可选的，小时间尺度功率预测条件包括下述至少一种：周期性的确定新能源场站预测功率，所述周期性对应的周期时长为第一预设时长；检测到触发确定新能源场站预测功率的控件；检测到采集了所述多个数值天气预报。
其中，第一预设时长为预先预定的时间长度，例如，第一预设时长为5分钟。
在实际应用过程中，获取预测时间段内的多个数值天气预报的触发条件包括以下三种。第一种是每隔第一预设时长周期性的获取预测时间段内的多个数值天气预报。例如，可以依据预先设置的定时任务，每隔5分钟，获取未来4个小时内的多个数值天气预报。第二种是预先开发用于触发确定新能源场站预测功率的控件，当检测到触发所述控件时，获取预测时间段内的多个数值天气预报。第三种是当检测到已经采集到了多个数值天气预报时，可以获取预测时间段内的多个数值天气预报。
具体的，获取预测时间段内的多个数值天气预报，通过以下具体方式获取：获取以当前时刻为起始点未来预设时长内每个离散时刻所对应的多个数值天气预报。
其中，未来预设时长与预测时间段相对应。例如，预测时间段为4小时，则未来预测时长为4小时。相邻两个离散时刻之间的间隔时长为第一间隔时长。例如，第一间隔时长为15分钟。
示例性的，未来预设时长4小时，当前时刻t0为2：00，第一间隔时长为15分钟，则未来预设时长内各个离散时刻包括：t3为2：15时刻、t6为2：30时刻、t9为2：45时刻、t12为3：00时刻、t15为3：15时刻、t18为3：30时刻、t21为3：45时刻、t24为4：00时刻、t27为4：15时刻、t30为4：30时刻、t33为4：45时刻、t36为5：00时刻、t39为5：15时刻、t42为5：30时刻、t45为5：45时刻和t48为6：00时刻。基于此，所获取的多个数据天气预报为未来4小时之内的16个数据天气预报。具体的，所获取的16个数据天气预报分别为2：15时刻对应的NWP1、2：30时刻对应的NWP2、2：45时刻对应的NWP3、3：00时刻对应的NWP4、3：15时刻对应的NWP5、3：30时刻对应的NWP6、3：45时刻对应的NWP7、4：00时刻对应的NWP8、4：15时刻对应的NWP9、4：30时刻对应的NWP10、4：45时刻对应的NWP11、5：00时刻对应的NWP12、5：15时刻对应的NWP13、5：30时刻对应的NWP14、5：45时刻对应的NWP15和6：00时刻对应的NWP16。
S120、将所述多个数值天气预报输入至预先训练好的新能源小时间尺度功率预测模型中，确定与所述多个数值天气预报相对应的多个新能源场站预测功率。
其中，一个风力发电厂可以被认为是一个新能源场站，一个光伏发电厂也可以被认为是一个新能源场站。新能源场站预测功率为新能源小时间尺度功率预测模型基于多个数值天气预报输出的预测功率。
其中，数值天气预报的数量小于所述新能源场站预测功率的数量，且相邻两个所述新能源场站预测功率之间的间隔时长为目标间隔时长。目标间时长为预先设定的时间长度。例如，数值天气预报的数量为16个，新能源场站预测功率的数量为48个，目标间隔时长为5分钟。
可选的，确定与多个数值天气预报相对应的多个新能源场站预测功能，具体实现方式为：
将所述多个数值天气预报输入至所述新能源小时间尺度功能预测模型中，得到各预测时刻所对应的新能源场站预测功率。
其中，相邻两个预测时刻之间的间隔时长为目标间隔时长，各预测时刻所对应的时间长度与所述预测时间段的时间长度相同。
在上述示例性的基础上，输入至新能源小时间尺度功能预测模型中的输入量为16个数值天气预报，分别为NWP1、NWP2、NWP3、NWP4、NWP5、NWP6、NWP7、NWP8、NWP9、NWP10、NWP11、NWP12、NWP13、NWP14、NWP15和NWP16。新能源小时间尺度功能预测模型的输出量为48个新能源场站预测功率，分别为2：05时刻、2：10时刻、2：15时刻、2：20时刻、2：25时刻、2：30时刻、2：35时刻、2：40时刻、2：45时刻、2：50时刻、2：55时刻、3：00时刻、3：05时刻、3：10时刻、3：15时刻、3：20时刻、3：25时刻、3：30时刻、3：35时刻、3：40时刻、3：45时刻、3：50时刻、3：55时刻、4：00时刻、4：05时刻、4：10时刻、4：15时刻、4：20时刻、4：25时刻、4：30时刻、4：35时刻、4：40时刻、4：45时刻、4：50时刻、4：55时刻、5：00时刻、5：05时刻、5：10时刻、5：15时刻、5：20时刻、5：25时刻、5：30时刻、5：35时刻、5：40时刻、5：45时刻、5：50时刻、5：55时刻和6：00时刻对应的新能源场站预测功率。
S130、反馈所述多个新能源场站预测功率。
在本实施例中，在得到多个新能源场站预测功率的基础上，将多个新能源场站预测功率及时反馈至工作人员所对应的控制设备中。以使工作人员及时调整新能源生产设备，达到保证电网的安全稳定运行，减少调峰机组等备用资源的投资，提高风光等新能源的消纳水平，提高经济效益和社会效益的目的。
特别的，在实际生产环境中，并非每个时刻都会记录到数值天气预报，数值天气预报的采集时间戳是固定的，例如，只有在每天的5：00、5：15、5:30、…等时刻才会记录到数值天气预报，在5：05、5：10这样的时刻不会记录到数值天气预报。在这种实际生产环境中，可以适应性的补充一个数值天气预报，调用新能源小时间尺度功率预测模型生成的输出数据如表1所示。
表1新能源小时间尺度功率预测模型生成的输出数据示例
本发明实施例提供的技术方案，通过在检测到满足小时间尺度功率预测条件时，获取预测时间段内的多个数值天气预报，进而将所述多个数值天气预报输入至预先训练好的新能源小时间尺度功率预测模型中，确定与多个数值天气预报相对应的多个新能源场站预测功率，其中，所述数值天气预报的数量小于所述新能源场站预测功率的数量，且相邻两个所述新能源场站预测功率之间的间隔时长为目标间隔时长，进一步的，反馈所述多个新能源场站预测功率。本发明实施例，压缩了新能源超短期功率预测的时间间隔，提高了新能源功率预测的效率和准确度。
实施例二
图2为本发明实施例二提供的另一种3D建模输出的新能源小时间尺度功率预测方法的流程图，本发明实施例在上述实施例的基础上，详细介绍新能源小时间尺度功率预测模型的训练过程，本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2所示，新能源小时间尺度功率预测方法包括如下步骤：
S210、获取当前新能源场站的历史数值天气预报，以及所述新能源场站的历史功率。
在本实施例中，新能源小时间尺度功率预测模型是预先训练得到的，在具体生产环境中，当需要预测新能源功率时，直接调用要训练好的新能源小时间尺度功率预测模型即可。
其中，当前新能源场站为任意一个将要进行功率预测的新能源场站。历史数值天气预报为当前时刻之前的数值天气预报。历史功率为当前时刻之前新能源场站的实际功率。
示例性的，当前时刻为2020年3月1日9：00，则获取2020年3月1日9：00之前所能够得到的数值天气预报作为历史数值天气预报。获取2020年3月1日9：00之前新能源场站已经产生的实际功率作为历史功率。
S220、从目标历史时刻为采集起点，依据第一间隔时长对所述历史数值天气预报采样处理，得到多个离散历史数值天气预报；以及，以所述目标历史时刻为采集起点，依据所述目标间隔时长对所述历史功率采样处理，得到多个离散历史功率。
其中，目标历史时刻可以是距离当前时刻历史时间段之前的任意时刻。历史时间段和预测时间段所对应的时间长度相同。
示例性的，第一间隔时长为15分钟，目标间隔时长为5分钟，当前时刻是2020年3月2日9：00，则以2020年3月1日9：00为目标历史时刻。以2020年3月1日9：00为采集起点，每隔15分钟对所述历史数值天气预报进行一次采样处理，从而得到多个离散历史数值天气预报；以2020年3月1日9：00为采集起点，每隔5分钟对历史功率进行一次采样处理，从而得到多个离散历史功率。
S230、基于所述多个离散历史数值天气预报以及所述多个离散历史功率，确定训练样本。
在本实施例中，为了得到预测准确率高的新能源小时间尺度功率预测模型，需要基于大量的历史数据对初始新能源小时间尺度功率预测模型进行训练，因此，确定模型训练样本是至关重要的。
可选的，确定训练样本具体包括以下步骤：
(1)依据所述多个离散历史数值天气预报所对应的天气预报采集时刻和所述多个离散历史功率的功率采集时刻进行数据对齐。
示例性的，若多个离散历史数值天气预报所对应的天气预报采集时刻分别为2：00、2：15、2：30、…，多个离散历史功率对应的功率采集时刻分别为2：00、2：05、2：10、2：15、…，则数据对齐处理过程可以理解为：2：00时刻的离散历史数值天气预报与2：00时刻的离散历史功率对齐，2：15时刻的离散历史数值天气预报与2：15时刻的离散历史功率对齐，…以此类推。
(2)基于所述预测时间段所对应的时间长度，对对齐后的离散历史数值天气预报和离散历史功率进行划分，确定每个历史时间段内的多个离散历史数值天气预报和多个离散历史功率。
其中，所述历史时间段和所述预测时间段所对应的时间长度相同。例如，预测时间段所对应的时间长度为4小时，则历史时间段的时间长度也是4小时。
示例性的，离散历史数值天气预报和离散历史功率为当前时刻之前24小时至当前时刻的历史数据，若当前时刻为2020年3月2日9：00，则历史功率和历史数值天气预报为2020年3月1日9：00至2020年3月2日9：00这一时间段内对应的历史数据。每个历史时间段为4小时，则可以将获取到的历史数据划分为6个样本数据，一个样本数据中包含4小时内的多个离散历史数值天气预报和多个离散历史功率。
(3)基于每个历史时间段内的多个离散历史数值天气预报和多个离散历史功率，确定训练样本。
在本实施例中，训练样本包括多组训练样本集，每组训练样本集中包括一个历史时间段内的多个离散历史数值天气预报和多个离散历史功率。例如，每组训练样本集中包括4个小时内的16个离散历史数值天气预报和48个离散历史功率。
特别的，本实施例将三分之二的训练样本集作为训练集；将三分之一的训练样本集作为测试集，用于后续测试训练完成的新能源小时间尺度功率预测模型。
S240、基于所述训练样本对待训练新能源小时间尺度功率预测模型进行训练，得到所述新能源小时间尺度功率预测模型。
其中，待训练新能源小时间尺度功率预测模型为模型参数是初始参数的新能源小时间尺度功率预测模型。
在本实施例中，在得到训练样本的基础上，基于训练样本对待训练新能源小时间尺度功率预测模型进行训练，确定新能源小时间尺度功率预测模型，具体包括以下步骤：
(1)将当前训练样本中的多个离散历史数值天气预报分别输入至模型结构不同的待训练新能源小时间尺度功率预测模型中，输出多个预测功率。
其中，当前训练样本可以是任意一组训练样本。模型结构不同的待训练新能源小时间尺度功率预测模型包括但不限于LSTM、BLSTM、GRU三类算法模型。
具体应用过程中，基于当前训练样本分别对LSTM、BLSTM、GRU三类算法模型进行训练。接下来详细介绍每种算法模型的模型结构。
第一种模型结构是长短时记忆网络Long Short-Term Memory，简LSTM)：LSTM可以被简单理解为是一种神经元更加复杂的循环神经网络(Recurrent Neural Network，RNN)，处理时间序列中当间隔和延迟较长时，LSTM通常比RNN效果好。相较于构造简单的RNN神经元，LSTM的神经元要复杂得多，每个神经元接受的输入除了当前时刻样本输入，上一个时刻的输出，还有一个元胞状态(Cell State)。
第二种模型结构是双向长短时记忆网络(Bi-directional Long Short-TermMemory，简称BLSTM)：BLSTM是由前向LSTM与后向LSTM组合而成。LSTM的全称是Long Short-TermMemory，它RNN的一种。LSTM由于其设计的特点，非常适合用于对时序数据的建模，如文本数据。BLSTM是由前向LSTM与后向LSTM组合而成。BLSTM是LSTM的另一种变型，由于LSTM只能实现单向的传递。当我们语句是承前启后的情况时，可以完成语义预测。但是当语句顺序倒过来，关键词在后面的情形，LSTM就无能为力了。BLSTM可以解决上述问题，BLSTM网络结构如图3所示。双向神经网络的单元计算与单向的是相通的。但是要注意双向神经网络隐藏层要保存两个值，一个A参与正向计算，另一个值A’参与反向计算。最终的输出值取决于正向计算与反向计算的和。
第三种模型结构是循环门单元(Gate Recurrent Unit，GRU)，GRU也RNN的一种，是为了解决长期记忆和反向传播中的梯度等问题而提出来的。GRU模型中只有两个门：分别是更新门和重置门。GRU网络结构如图4所示。图中的zt和rt分别表示更新门和重置门。更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多。重置门控制前一状态有多少信息被写入到当前的候选集
GRU组合了遗忘门和输入门到一个单独的更新门当中，也合并了细胞状态C和隐藏状态h，使得其模型比标准LSTM模型更简单，其数学表达式为：
zt＝σ(Wz·[ht-1,xt]) (1)
rt＝σ(Wr·[ht-1,xt]) (2)
其中，门控信号zt的范围为0～1。门控信号越接近1，代表“记忆”下来的数据越多；而越接近0则代表“遗忘”的越多。与LSTM相比，GRU内部少了一个“门控”，参数比LSTM少，但是却也能够达到与LSTM相当的功能，因此GRU可以使用计算机较少的计算资源和时间成本，这对于适应大规模训练集和对预测效率较敏感的新能源功率预测场景效果明显。
(2)基于所述多个离散历史功率和所述多个预测功率，确定损失值，以基于所述损失值分别对不同模型结构的待训练新能源小时间尺度功率预测模型中的模型参数进行修正。
在本实施例中，基于多个离散历史功率与对应的多个预测功率之间的差值确定多个损失值。从而基于多个损失值，分别对LSTM、BLSTM、GRU三类算法模型的待训练新能源小时间尺度功率预测模型中的模型参数进行修正。
(3)将各待训练新能源小时间尺度功率预测模型中的损失函数收敛作为训练目标，得到各待使用新能源小时间尺度功率预测模型。
在本实施例中，当各待训练新能源小时间尺度功率预测模型的损失函数收敛时，将此时对应的新能源小时间尺度功率预测模型作为待使用新能源小时间尺度功率预测模型。从而分别得到LSTM类型的待训练新能源小时间尺度功率预测模型、BLSTM类型的待训练新能源小时间尺度功率预测模型和GRU类型的待训练新能源小时间尺度功率预测模型。
(4)基于多个验证样本分别对各所述待使用新能源小时间尺度功率预测模型进行验证，确定各待使用新能源小时间尺度功率预测模型的准确率。
可选的，确定各待使用新能源小时间尺度功率预测模型的准确率，具体包括以下内容：对于各待使用新能源小时间尺度功率预测模型，将各验证样本输入至当前待使用新能源小时间尺度功率预测模型中，得到与各验证样本所对应的新能源预测功率。
在本实施例中，将多个验证样本输入至LSTM类型的待使用新能源小时间尺度功率预测模型进行验证，得到第一准确率；将多个验证样本输入至BLSTM类型的待使用新能源小时间尺度功率预测模型进行验证，得到第二准确率；将多个验证样本输入至GRU类型的待使用新能源小时间尺度功率预测模型进行验证，得到第三准确率。
进一步的，基于各验证样本中的离散历史功率、相应的新能源预测功率以及准确率预测函数，确定当前待使用新能源小时间尺度功率预测模型的准确率。
可选的，准确率预测函数为：
其中，r1表示模型准确率，n为验证样本的数量；Ck表示k时段的开机总容量，PM，k为与各验证样本相对应的离散历史功率，Pp，k为与验证样本相对应的新能源预测功率。
示例性的，对于LSTM类型的待使用新能源小时间尺度功率预测模型而言，将16个时间间隔为15分钟的历史数值天气预报输入至待使用新能源小时间尺度功率预测模型，LSTM类型的待使用新能源小时间尺度功率预测模型输出48个时间间隔为5分钟的新能源预测功率。进一步的，将时间间隔为5分钟的离散历史功率、相应的新能源预测功率代入至公式(55)中，便可以得到LSTM类型的待使用新能源小时间尺度功率预测模型对应的第一准确率。同理，可以得到第二准确率和第三准确率。
(5)将准确率最高的待使用新能源小时间尺度功率预测模型，作为所述新能源小时间尺度功率预测模型。
在本实施例中，将准确率最高的待使用新能源小时间尺度功率预测模型确定为新能源小时间尺度功率预测模型，进一步提高超短期新能源场站功率预测的准确度。
S250、在检测到满足小时间尺度功率预测条件时，获取预测时间段内的多个数值天气预报。
S260、将所述多个数值天气预报输入至预先训练好的新能源小时间尺度功率预测模型中，确定与所述多个数值天气预报相对应的多个新能源场站预测功率。
S270、反馈所述多个新能源场站预测功率。
本发明实施例提供的技术方案，在基于新能源小时间尺度功率预测模型进行新能源功率预测之前，预先构建训练样本，并基于训练样本对待训练新能源小时间尺度功率预测模型进行训练，得到新能源小时间尺度功率预测模型。具体训练过程为：通过获取当前新能源场站的历史数值天气预报，以及新能源场站的历史功率，进而从目标历史时刻为采集起点，依据第一间隔时长对历史数值天气预报采样处理，得到多个离散历史数值天气预报；以及，以目标历史时刻为采集起点，依据目标间隔时长对历史功率采样处理，得到多个离散历史功率。从而基于多个离散历史数值天气预报以及多个离散历史功率，确定训练样本；最后，基于训练样本对待训练新能源小时间尺度功率预测模型进行训练，得到新能源小时间尺度功率预测模型。本发明实施例，在具体实施过程中采用多种类型的时序模型对样本数据进行训练，并通过模型预测准确率对不同类型的时序模型进行评价，进而将准确率高的时序模型确定为功率预测模型，这些时序模型对时序数据比较敏感且性能较好，预测到的新能源场站功率更加准确。

Claims (10)

1.一种3D建模输出的新能源小时间尺度功率预测方法，其特征在于，包括：
在检测到满足小时间尺度功率预测条件时，获取预测时间段内的多个数值天气预报；
将所述多个数值天气预报输入至预先训练好的新能源小时间尺度功率预测模型中，确定与所述多个数值天气预报相对应的多个新能源场站预测功率；其中，所述数值天气预报的数量小于所述新能源场站预测功率的数量，且相邻两个所述新能源场站预测功率之间的间隔时长为目标间隔时长；
反馈所述多个新能源场站预测功率。
2.根据权利要求1所述的方法，其特征在于，所述小时间尺度功率预测条件包括下述至少一种：
周期性的确定新能源场站预测功率，所述周期性对应的周期时长为第一预设时长；
检测到触发确定新能源场站预测功率的控件；
检测到采集了所述多个数值天气预报。
3.根据权利要求1所述的方法，其特征在于，所述获取预测时间段内的多个数值天气预报，包括：
获取以当前时刻为起始点未来预设时长内每个离散时刻所对应的多个数值天气预报；
其中，所述未来预设时长与所述预测时间段相对应，相邻两个所述离散时刻之间的间隔时长为第一间隔时长。
4.根据权利要求1所述的方法，其特征在于，所述将所述多个数值天气预报输入至预先训练好的新能源小时间尺度功率预测模型中，确定与所述多个数值天气预报相对应的多个新能源场站预测功能，包括：
将所述多个数值天气预报输入至所述新能源小时间尺度功能预测模型中，得到各预测时刻所对应的新能源场站预测功率；
其中，相邻两个预测时刻之间的间隔时长为目标间隔时长，各所述预测时刻所对应的时间长度与所述预测时间段的时间长度相同。
5.根据权利要求1所述的方法，其特征在于，还包括：
训练得到所述新能源小时间尺度功率预测模型；
所述训练得到所述新能源小时间尺度功率预测模型，包括：
获取当前新能源场站的历史数值天气预报，以及所述新能源场站的历史功率；
从目标历史时刻为采集起点，依据第一间隔时长对所述历史数值天气预报采样处理，得到多个离散历史数值天气预报；以及，以所述目标历史时刻为采集起点，依据所述目标间隔时长对所述历史功率采样处理，得到多个离散历史功率；
基于所述多个离散历史数值天气预报以及所述多个离散历史功率，确定训练样本；
基于所述训练样本对待训练新能源小时间尺度功率预测模型进行训练，得到所述新能源小时间尺度功率预测模型。
6.根据权利要求5所述的方法，其特征在于，所述基于所述多个离散历史数值天气预报以及所述多个离散历史功率，确定训练样本，包括：
依据所述多个离散历史数值天气预报所对应的天气预报采集时刻和所述多个离散历史功率的功率采集时刻进行数据对齐；
基于所述预测时间段所对应的时间长度，对对齐后的离散历史数值天气预报和离散历史功率进行划分，确定每个历史时间段内的多个离散历史数值天气预报和多个离散历史功率；其中，所述历史时间段和所述预测时间段所对应的时间长度相同；
基于每个历史时间段内的多个离散历史数值天气预报和多个离散历史功率，确定训练样本。
7.根据权利要求5所述的方法，其特征在于，所述基于所述训练样本对待训练新能源小时间尺度功率预测模型进行训练，得到所述新能源小时间尺度功率预测模型，包括：
将当前训练样本中的多个离散历史数值天气预报分别输入至模型结构不同的待训练新能源小时间尺度功率预测模型中，输出多个预测功率；
基于所述多个离散历史功率和所述多个预测功率，确定损失值，以基于所述损失值分别对不同模型结构的待训练新能源小时间尺度功率预测模型中的模型参数进行修正；
将各待训练新能源小时间尺度功率预测模型中的损失函数收敛作为训练目标，得到各待使用新能源小时间尺度功率预测模型；
基于多个验证样本分别对各所述待使用新能源小时间尺度功率预测模型进行验证，确定各待使用新能源小时间尺度功率预测模型的准确率；
将准确率最高的待使用新能源小时间尺度功率预测模型，作为所述新能源小时间尺度功率预测模型。
8.根据权利要求7所述的方法，其特征在于，所述基于多个验证样本分别对各所述待使用新能源小时间尺度功率预测模型进行验证，确定各待使用新能源小时间尺度功率预测模型的准确率，包括：
对于各待使用新能源小时间尺度功率预测模型，将各验证样本输入至当前待使用新能源小时间尺度功率预测模型中，得到与各验证样本所对应的新能源预测功率；
基于各验证样本中的离散历史功率、相应的新能源预测功率以及准确率预测函数，确定当前待使用新能源小时间尺度功率预测模型的准确率。
9.根据权利要求8所述的方法，其特征在于，所述准确率预测函数为：
其中，r1表示模型准确率，n为验证样本的数量；Ck表示k时段的开机总容量，PM，k为与各验证样本相对应的离散历史功率，Pp，k为与验证样本相对应的新能源预测功率。
10.根据权利要求1所述的方法，其特征在于，所述目标间隔时长为5min，第一间隔时长为15min，所述预测时间段所对应的时间长度为4个小时。
CN202311345937.8A 2023-10-17 2023-10-17 一种3d建模输出的新能源小时间尺度功率预测方法 Pending CN117332900A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311345937.8A CN117332900A (zh) 2023-10-17 2023-10-17 一种3d建模输出的新能源小时间尺度功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311345937.8A CN117332900A (zh) 2023-10-17 2023-10-17 一种3d建模输出的新能源小时间尺度功率预测方法

Publications (1)

Publication Number Publication Date
CN117332900A true CN117332900A (zh) 2024-01-02

Family

ID=89276996

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311345937.8A Pending CN117332900A (zh) 2023-10-17 2023-10-17 一种3d建模输出的新能源小时间尺度功率预测方法

Country Status (1)

Country Link
CN (1) CN117332900A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332901A (zh) * 2023-10-17 2024-01-02 南方电网数字电网研究院有限公司 采用分层时间聚合策略的新能源小时间尺度功率预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169923A (zh) * 2021-11-24 2022-03-11 华能新能源股份有限公司 光伏电站功率预测方法、系统、终端及存储介质
CN114330934A (zh) * 2022-03-09 2022-04-12 南方电网数字电网研究院有限公司 一种模型参数自适应的gru新能源短期发电功率预测方法
CN116029419A (zh) * 2022-11-28 2023-04-28 上海能源科技发展有限公司 基于深度学习的长期新能源日均发电功率预测方法及系统
CN116316612A (zh) * 2023-05-16 2023-06-23 南方电网数字电网研究院有限公司 自动机器学习的新能源功率云边协同预测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114169923A (zh) * 2021-11-24 2022-03-11 华能新能源股份有限公司 光伏电站功率预测方法、系统、终端及存储介质
CN114330934A (zh) * 2022-03-09 2022-04-12 南方电网数字电网研究院有限公司 一种模型参数自适应的gru新能源短期发电功率预测方法
CN116029419A (zh) * 2022-11-28 2023-04-28 上海能源科技发展有限公司 基于深度学习的长期新能源日均发电功率预测方法及系统
CN116316612A (zh) * 2023-05-16 2023-06-23 南方电网数字电网研究院有限公司 自动机器学习的新能源功率云边协同预测方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332901A (zh) * 2023-10-17 2024-01-02 南方电网数字电网研究院有限公司 采用分层时间聚合策略的新能源小时间尺度功率预测方法

Similar Documents

Publication Publication Date Title
CN110298501B (zh) 基于长短时记忆神经网络的电负荷预测方法
Hu et al. A hybrid model based on CNN and Bi-LSTM for urban water demand prediction
CN113128793A (zh) 一种基于多源数据融合的光伏功率组合预测方法及系统
CN107909227B (zh) 超短期预测风电场功率的方法、装置及风力发电机组
CN117332900A (zh) 一种3d建模输出的新能源小时间尺度功率预测方法
Peng et al. Wind power prediction for wind farm clusters based on the multi-feature similarity matching method
CN113159102B (zh) 一种多时间尺度的光伏功率预测方法及系统
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及系统
CN114330935A (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
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
CN112348287A (zh) 基于lstm分位数回归的电力系统短期负荷概率密度预测方法
Wang et al. Ultra short term probability prediction of wind power based on wavelet decomposition and long short-term memory network
CN117332898A (zh) 基于机器学习的新能源小时间尺度功率时序滚动预测方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
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
CN117332897A (zh) 人工智能驱动的新能源小时间尺度功率插值集成预测方法
CN109447843B (zh) 一种光伏出力预测方法及装置
CN115409291B (zh) 一种风速修正的风电功率预测方法及系统
CN116859255A (zh) 一种储能电池健康状态的预测方法、装置、设备及介质
CN116663727A (zh) 一种光伏功率预测方法及系统
Wang et al. Very short-term prediction for wind power based on BiLSTM-Attention
CN115169731A (zh) 一种智慧校园能耗预测方法、装置、设备及介质
CN115965177A (zh) 基于注意力机制改进的自回归误差补偿风电功率预测方法
CN114389953A (zh) 一种基于流量预测的Kubernetes容器动态扩缩容方法及系统
CN117332899B (zh) Nwp多维特征拟合的新能源小时间尺度功率预测方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Country or region after: China

Address after: Room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou, Guangdong 510000

Applicant after: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Address before: Room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou, Guangdong 510000

Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

Country or region before: China