CN117353302B - 新能源发电功率的预测方法、装置、设备及介质 - Google Patents
新能源发电功率的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117353302B CN117353302B CN202311640746.4A CN202311640746A CN117353302B CN 117353302 B CN117353302 B CN 117353302B CN 202311640746 A CN202311640746 A CN 202311640746A CN 117353302 B CN117353302 B CN 117353302B
- Authority
- CN
- China
- Prior art keywords
- data
- new energy
- power generation
- unit
- historical
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005192 partition Methods 0.000 claims abstract description 125
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 16
- 230000004927 fusion Effects 0.000 claims description 34
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000002776 aggregation Effects 0.000 claims description 16
- 238000004220 aggregation Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 12
- 238000007621 cluster analysis Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000013527 convolutional neural network Methods 0.000 description 50
- 230000007774 longterm Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000011437 continuous method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003064 k means clustering 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
- 230000006403 short-term memory Effects 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种新能源发电功率的预测方法、装置、设备及介质,通过获取新能源发电场的历史机组数据;基于历史机组数据,对新能源发电机组进行聚类,生成新能源发电场的多个机组分区;针对每个机组分区,对机组分区的历史运行数据和历史气象数据进行特征提取,得到机组分区的发电特征数据;基于发电特征数据,对预设LSTM‑CNN模型进行训练,直至预设LSTM‑CNN模型达到预设收敛条件,得到新能源发电场的发电功率预测模型;利用发电功率预测模型,根据新能源发电场的实时气象数据,预测新能源发电场在未来目标时间段内的发电功率数据。本申请提高了新能源发电能力预测的准确度。
Description
技术领域
本申请涉及电力技术领域,尤其涉及一种新能源发电功率的预测方法、装置、设备及介质。
背景技术
随着全球能源结构快速向低碳转型,可再生能源装机加快发展,尤其是风电、光伏等间歇性可再生能源成为全球新增装机的主力。然而,新能源发电具有很强的波动性和不确定性,对电网频率稳定性和电压稳定性造成扰动,使得电网供电稳定性差。为此,有相关技术对新能源发电功率进行预测,以提前预知未来时间段的发电量,便于电网调频。
传统发电预测方法主要基于持续法或统计法实现,持续法根据线性模型以当前时刻实测功率值预测未来时刻的发电功率,但其预测精度随着时间延长而迅速下降;统计法以风速和光照等历史数据建立与历史发电数据之间的统计学模型,但其无法应对天气变化等突变情况。而且,大型新能源发电场占地非常大,导致其发电功率受局部发电机组型号和局部气象环境的影响较大,从而无法满足对新能源发电能力预测准确性的要求。
发明内容
本申请提供了一种新能源发电功率的预测方法、装置、设备及介质,以解决当前新能源发电能力预测准确度低的技术问题。
为了解决上述技术问题,第一方面,本申请提供了一种新能源发电功率的预测方法,包括:
获取新能源发电场的历史机组数据,历史机组数据包括新能源发电机组的历史运行数据、所在区域的历史气象数据和空间分布数据;
基于历史机组数据,对新能源发电机组进行聚类,生成新能源发电场的多个机组分区,每个机组分区包括至少一个新能源发电机组;
针对每个机组分区,对机组分区的历史运行数据和历史气象数据进行特征提取,得到机组分区的发电特征数据;
基于发电特征数据,对预设LSTM-CNN模型进行训练,直至预设LSTM-CNN模型达到预设收敛条件,得到新能源发电场的发电功率预测模型,发电功率预测模型包括每个机组分区对应的LSTM-CNN子模型和一个融合模型,融合模型对所有LSTM-CNN子模型进行融合决策;
利用发电功率预测模型,根据新能源发电场的实时气象数据,预测新能源发电场在未来目标时间段内的发电功率数据。
在第一方面的一些实现方式中,基于历史机组数据,对新能源发电机组进行聚类分析,生成新能源发电场的多个机组分区,包括:
基于历史气象数据,对新能源发电机组进行聚类分析,得到第一聚类结果数据;
基于历史运行数据,对第一聚类结果数据进行聚类修正,得到第二聚类结果数据;
基于空间分布数据,对第二聚类结果数据进行聚类决策,得到第三聚类结果数据,第三聚类结果数据包括新能源发电场的多个机组分区。
在第一方面的一些实现方式中,基于历史气象数据,对新能源发电机组进行聚类分析,得到第一聚类结果数据,包括:
基于历史气象数据之间的梯度关系,确定多个聚类簇的聚类中心,聚类簇的数量为预设值;
利用预设聚类算法,计算每个新能源发电机组到聚类中心的距离;
将新能源发电机组加入到距离最小的聚类簇,得到第一聚类结果数据。
在第一方面的一些实现方式中,基于历史运行数据,对第一聚类结果数据进行聚类修正,得到第二聚类结果数据,包括:
针对第一聚类结果数据中的每个聚类簇,根据历史运行数据,对聚类簇中的每个新能源发电机组进行聚类;
将聚类簇中不符合预设聚类条件的新能源发电机组从聚类簇中剔除,得到已聚类簇以及未聚类集合,未聚类集合为被剔除的所有新能源发电机组的集合,多个已聚类簇和未聚类集合为第二聚类结果数据。
在第一方面的一些实现方式中,基于空间分布数据,对第二聚类结果数据进行聚类决策,得到第三聚类结果数据,包括:
针对第二聚类结果数据的未聚类集合中的每个新能源发电机组,根据新能源发电机组的空间分布数据,计算新能源发电机组与每个已聚类簇的聚类中心的距离;
将新能源发电机组加入到距离最小的已聚类簇,得到第三聚类结果数据,其中每个已聚类簇表示一个机组分区。
在第一方面的一些实现方式中,针对每个机组分区,对机组分区的历史运行数据和历史气象数据进行特征提取,得到机组分区的发电特征数据,包括:
针对每个机组分区,根据机组分区的历史气象数据,建立机组分区的流场模型,以提取机组分区的流场特征数据;
针对每个机组分区,利用时序特征提取算法,提取机组分区的历史运行数据的第一时序特征数据,以及历史气象数据的第二时序特征数据;
针对每个机组分区,利用相关性算法,提取机组分区的第一时序特征数据与第二时序特征数据之间的相关性特征数据,发电特征数据包括流场特征数据、第一时序特征数据、第二时序特征数据和相关性特征数据。
在第一方面的一些实现方式中,利用发电功率预测模型,根据新能源发电场的实时气象数据,预测新能源发电场在未来目标时间段内的发电功率数据,包括:
针对每个机组分区,利用机组分区的LSTM-CNN子模型,根据机组分区的实时气象数据,预测机组分区在未来目标时间段内的功率数据,其中,LSTM-CNN子模型中的LSTM网络用于机组分区的长时间功率预测,LSTM-CNN子模型中的CNN网络用于机组分区的短时间功率预测;
利用融合模型,对所有机组分区的功率数据进行融合决策,得到新能源发电场在未来目标时间段内的发电功率数据。
第二方面,本申请还提供一种新能源发电功率的预测装置,包括:
获取模块,用于获取新能源发电场的历史机组数据,历史机组数据包括新能源发电机组的历史运行数据、所在区域的历史气象数据和空间分布数据;
聚类模块,用于基于历史机组数据,对新能源发电机组进行聚类,生成新能源发电场的多个机组分区,每个机组分区包括至少一个新能源发电机组;
提取模块,用于针对每个机组分区,对机组分区的历史运行数据和历史气象数据进行特征提取,得到机组分区的发电特征数据;
训练模块,用于基于发电特征数据,对预设LSTM-CNN模型进行训练,直至预设LSTM-CNN模型达到预设收敛条件,得到新能源发电场的发电功率预测模型,LSTM-CNN模型包括每个机组分区对应的LSTM-CNN子模型和一个融合模型,融合模型对所有LSTM-CNN子模型进行融合决策;
预测模块,用于利用发电功率预测模型,根据新能源发电场的实时气象数据,预测新能源发电场在未来目标时间段内的发电功率数据。
第三方面,本申请还提供一种计算机设备,包括处理器和存储器,存储器用于存储计算机程序,计算机程序被处理器执行时实现如第一方面的新能源发电功率的预测方法。
第四方面,本申请还提供一种计算机可读存储介质,其存储有计算机程序,计算机程序被处理器执行时实现如第一方面的新能源发电功率的预测方法。
本申请至少具备以下有益效果:
通过获取新能源发电场的历史机组数据,历史机组数据包括新能源发电机组的历史运行数据、所在区域的历史气象数据和空间分布数据;基于历史机组数据,对新能源发电机组进行聚类,生成新能源发电场的多个机组分区,每个机组分区包括至少一个新能源发电机组,以能够从气象、功率和空间分布维度针对大型新能源风电场进行机组分区,从而将发电特征更为相似的机组分为同一个分区,提高机组分区的准确率;针对每个机组分区,对机组分区的历史运行数据和历史气象数据进行特征提取,得到机组分区的发电特征数据;基于发电特征数据,对预设LSTM-CNN模型进行训练,直至预设LSTM-CNN模型达到预设收敛条件,得到新能源发电场的发电功率预测模型,发电功率预测模型包括每个机组分区对应的LSTM-CNN子模型和一个融合模型,融合模型对所有LSTM-CNN子模型进行融合决策,针对每个机组分区均建立一个LSTM-CNN子模型,以能够更好地学习新能源发电场每个局部的发电特征,从而提高整体的发电功率预测准确度;同时以利用LSTM模型学习每个机组分区的长期发电特征,利用CNN模型学习每个机组分区的短期发电特征,从而提高机组分区长短期发电功率预测的准确度;利用发电功率预测模型,根据新能源发电场的实时气象数据,预测新能源发电场在未来目标时间段内的发电功率数据,提高新能源发电能力预测的准确度。
附图说明
图1为本申请实施例示出的新能源发电功率的预测方法的流程示意图;
图2为本申请实施例示出的新能源发电功率的预测装置的结构示意图;
图3为本申请实施例示出的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参照图1,图1为本申请实施例提供的一种新能源发电功率的预测方法的流程示意图。本申请实施例的新能源发电功率的预测方法可应用于计算机设备,该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示,本实施例的新能源发电功率的预测方法包括步骤S101至步骤S105,详述如下:
步骤S101,获取新能源发电场的历史机组数据,历史机组数据包括新能源发电机组的历史运行数据、所在区域的历史气象数据和空间分布数据。
在本步骤中,新能源发电场可以是风电场或光伏发电场,其中风电场的发电功率受风速、风向、温度和湿度等气象因素影响,光伏发电场的发电功率受光照强度、光照角度、温度和湿度等气象因素影响。历史运行数据包括发电机组的机组参数(机组型号等)、参与发电的机组数量、以及单机组发电功率数据等;历史气象数据包括光照强度、光照角度、风向、风速、温度和湿度等气象数据;空间分布数据包括各个发电机组在发电场中的空间分布。
步骤S102,基于历史机组数据,对新能源发电机组进行聚类,生成新能源发电场的多个机组分区,每个机组分区包括至少一个新能源发电机组。
在本步骤中,根据历史运行数据、历史气象数据和空间分布数据,从发电机组的功率角度、气象角度和空间分布角度,对发电场的发电机组进行分区,以得到更适用于分析机组发电功率的机组分区。应理解,本申请与相关技术仅基于机组空间分布的网格分区不同,本申请还结合功率角度和气象角度分区能够学习到更加准确度发电特征。
可选地,可以先基于历史运行数据进行第一次聚类,再基于空间分布数据进行第二次聚类,以对第一次聚类结果进行修正,最后基于历史气象数据进行第三次聚类,以对第二次聚类结果进行决策。也可以先基于历史气象数据进行第一次聚类,再基于历史运行数据进行第二次聚类,以对第一次聚类结果进行修正,最后基于空间分布数据进行第三次聚类,以对第二次聚类结果进行决策。还可以是其他类似方式,在此不再赘述。
可选地,针对新能源发电场生成两种机组分区,一种机组分区用于LSTM网络训练,另一种机组分区用于CNN网络训练。由于在长时间段内具备相同气象特征的发电机组在发电功率上具有更为相似的发电特征,所以先从气象角度对发电机组进行分区,再从功率角度进行分区,得到一种用于LSTM网络训练的机组分区。由于同一空间区域内的发电机组具有更为相近的气象特征,相近气象特征的发电特征也更为相似,所以先从空间分布角度对发电机组进行分区,再次气象角度进行分区,得到一种用于CNN网络训练的机组分区。进一步地,为采用一种机组分区同时满足两种网络训练,可以先从气象角度对发电机组进行分区,再从功率角度对分区结果进行修正,最后从空间角度对修正结果进行聚类决策,以得到同时具备更为相似的气象特征、功率特征和空间特征的机组分区。
需要说明的是,本申请通过对发电机组聚类分区,以能够在发电场扩建时,将新增的发电机组以类似聚类方式加入机组分区中,从而可以在新增初期也能够准确预测发电场的发电功率。待新增机组在中后期具备足够的运行数据时,再对风电机组重新进行聚类分区,以进一步提高预测准确度。
步骤S103,针对每个机组分区,对机组分区的历史运行数据和历史气象数据进行特征提取,得到机组分区的发电特征数据。
在本步骤中,发电特征数据包括但不限于发电功率时序特征、气象时序特征、发电功率与气象之间的相关性特征等。
在一些实施例中,步骤S103包括:
针对每个所述机组分区,根据所述机组分区的历史气象数据,建立所述机组分区的流场模型,以提取所述机组分区的流场特征数据;
针对每个所述机组分区,利用时序特征提取算法,提取所述机组分区的所述历史运行数据的第一时序特征数据,以及所述历史气象数据的第二时序特征数据;
针对每个所述机组分区,利用相关性算法,提取所述机组分区的所述第一时序特征数据与所述第二时序特征数据之间的相关性特征数据,所述发电特征数据包括所述流场特征数据、所述第一时序特征数据、所述第二时序特征数据和所述相关性特征数据。
在本实施例中,流场模型可以为CFD((Computational Fluid Dynamics,计算机流体动力学)模型。示例性地,对于风电场CFD模型,将计算域的出口边界设定为压力边界条件,下表面的边界条件设定为无滑移壁面边界条件,将给定高度上的风向和风速作为入口边界条件,设定为风速轮廓线。进一步地,求解雷诺平均的Navier-Stokes方程确定风电场模型,其中湍流闭合方案可采用双方程的湍流模型或RNGk-e湍流模型进行流场模拟。由于流动方程为非线性方程,可通过迭代计算进行模型求解,由假设的初始条件开始,逐步迭代导最终收敛结果,从而得到机组分区的流场特征。
对于历史运行数据的第一时序特征和历史气象数据的第二时序数据,可以基于统计学对历史运行数据和历史气象数据在一段时间内的数据序列进行特征提取,如平均值、方差、最大值、最小值、中位数、百分位数等;也可以基于奇异值分解的特征提取实现,通过对历史运行数据和历史气象数据在一段时间内的数据序列进行奇异值分解,提取不同奇异值对应的主成分,以描述时间序列的结构特征;还可以采用机器学习的特征提取实现,如支持向量机 (SVM)、随机森林 (RF) 等,从原始数据序列中学习具有判别能力的特征。
对于相关性特征数据,可以基于皮尔逊相关系数、斯皮尔曼相关系数、判定系数、点二列相关系数、互信息和机器学习等算法提取得到。
步骤S104,基于发电特征数据,对预设LSTM-CNN模型进行训练,直至所述预设LSTM-CNN模型达到预设收敛条件,得到新能源发电场的发电功率预测模型,发电功率预测模型包括每个所述机组分区对应的LSTM-CNN子模型和一个融合模型,融合模型对所有所述LSTM-CNN子模型进行融合决策。
在本步骤中,可选地,对于每个LSTM-CNN子模型,其包括一个LSTM网络和一个CNN网络。长短期记忆网络(LSTM,Long Short-Term Memory)是一种时间循环神经网络,其能够很好的学习具有长期依赖的数据特征,从而适用于发电场发电功率的长时间预测。卷积神经网络(Convolutional Neural Network,CNN)属于一种深度学习神经网络,其能够很好的学习深度特征,从而适用于发电场发电功率的短期预测。
步骤S105,利用发电功率预测模型,根据新能源发电场的实时气象数据,预测新能源发电场在未来目标时间段内的发电功率数据。
在本步骤中,可选地,针对每个所述机组分区,利用所述机组分区的LSTM-CNN子模型,根据所述机组分区的实时气象数据,预测所述机组分区在未来目标时间段内的功率数据,其中,所述LSTM-CNN子模型中的LSTM网络用于所述机组分区的长时间功率预测,所述LSTM-CNN子模型中的CNN网络用于所述机组分区的短时间功率预测;利用所述融合模型,对所有机组分区的功率数据进行融合决策,得到所述新能源发电场在未来目标时间段内的发电功率数据。
获取每个机组分区中每个发电机组的实时气象数据,并计算机组分区的实时气象数据的均值;结合当前时刻之前的一段历史时间段内的气象数据作为发电功率预测模型的模型输入,预测未来时间段的发电功率。其中对于长时间段的功率预测,则采用较长历史时间段的气象数据,如预测一个月的发电功率,则可以采用一个月的历史气象数据;对于短时间段的功率预测,则采用较短时间段的气象数据,如预测一天的发电功率,则可以采用一天的历史气象数据。
在一些实施例中,在图1所示实施例的基础上,所述步骤S102,具体包括:
基于所述历史气象数据,对所述新能源发电机组进行聚类分析,得到第一聚类结果数据;
基于所述历史运行数据,对所述第一聚类结果数据进行聚类修正,得到第二聚类结果数据;
基于所述空间分布数据,对所述第二聚类结果数据进行聚类决策,得到第三聚类结果数据,所述第三聚类结果数据包括所述新能源发电场的多个机组分区。
在本实施例中,通过先从气象角度对发电机组进行聚类分析,以将具有相似气象特征的发电机组归属于同一个机组分区;再从功率角度进行聚类修正,由于气象特征相同的发电机组可能因某些原因存在功率特征的差异,所以将功率特征不同的发电机组从第一聚类结果中剔除,以得到具有相似气象特征和功率特征的机组分区;最后从空间角度进行聚类决策,以空间位置相近的发电机组归属于同一个机组分区,从而同时兼顾了气象特征、功率特征和空间分布特征,使得机组分区更加适用于发电功率预测。
可选地,聚类分析包括:
基于所述历史气象数据之间的梯度关系,确定多个聚类簇的聚类中心,所述聚类簇的数量为预设值;
利用预设聚类算法,计算每个新能源发电机组到所述聚类中心的距离;
将所述新能源发电机组加入到距离最小的聚类簇,得到所述第一聚类结果数据。
在本可选实施例中,预设聚类算法可以但不限于K均值聚类、层次聚类和DBSCAN等。聚类簇的数量可以根据新能源发电场的实际情况进行预测。例如,对于大型新能源发电场,可以预设更多的聚类簇;对于地形复杂的新能源发电场,可以根据地形种类,预设相应数量的聚类簇。新能源发电机组到所述聚类中心的距离计算方式,可以为欧式距离、曼哈顿距离和切比雪夫距离等。示例性地,基于欧式距离计算公式,计算新能源发电机组的历史气象数据与聚类中心的历史气象数据之间的欧式距离。
可选地,聚类修正包括:
针对所述第一聚类结果数据中的每个聚类簇,根据所述历史运行数据,对所述聚类簇中的每个所述新能源发电机组进行聚类;
将所述聚类簇中不符合预设聚类条件的新能源发电机组从所述聚类簇中剔除,得到已聚类簇以及未聚类集合,所述未聚类集合为被剔除的所有所述新能源发电机组的集合,多个所述已聚类簇和所述未聚类集合为所述第二聚类结果数据。
在本可选实施例中,计算新能源发电机组的历史运行数据与聚类中心的历史运行数据之间的距离,将距离大于预设值(即不符合预设聚类条件)的新能源发电机组从聚类簇中剔除,将剔除的新能源发电机组加入未聚类集合;保留聚类簇中距离小于预设值的新能源发电机组,作为已聚类簇。
可选地,聚类决策包括:
针对所述第二聚类结果数据的未聚类集合中的每个所述新能源发电机组,根据所述新能源发电机组的所述空间分布数据,计算所述新能源发电机组与每个已聚类簇的聚类中心的距离;
将所述新能源发电机组加入到距离最小的已聚类簇,得到第三聚类结果数据,其中每个所述已聚类簇表示一个机组分区。
在本可选实施例中,计算未聚类集合中的新能源发电机组的空间分布数据与每个已聚类簇的聚类中心的空间分布数据之间的距离,距离最小表示新能源发电机组与聚类中心在空间上位置最近。
本申请通过获取新能源发电场的历史机组数据,历史机组数据包括新能源发电机组的历史运行数据、所在区域的历史气象数据和空间分布数据;基于历史机组数据,对新能源发电机组进行聚类,生成新能源发电场的多个机组分区,每个机组分区包括至少一个新能源发电机组,以能够从气象、功率和空间分布维度针对大型新能源风电场进行机组分区,从而将发电特征更为相似的机组分为同一个分区,提高机组分区的准确率;针对每个机组分区,对机组分区的历史运行数据和历史气象数据进行特征提取,得到机组分区的发电特征数据;基于发电特征数据,对预设LSTM-CNN模型进行训练,直至预设LSTM-CNN模型达到预设收敛条件,得到新能源发电场的发电功率预测模型,发电功率预测模型包括每个机组分区对应的LSTM-CNN子模型和一个融合模型,融合模型对所有LSTM-CNN子模型进行融合决策,针对每个机组分区均建立一个LSTM-CNN子模型,以能够更好地学习新能源发电场每个局部的发电特征,从而提高整体的发电功率预测准确度;同时以利用LSTM模型学习每个机组分区的长期发电特征,利用CNN模型学习每个机组分区的短期发电特征,从而提高机组分区长短期发电功率预测的准确度;利用发电功率预测模型,根据新能源发电场的实时气象数据,预测新能源发电场在未来目标时间段内的发电功率数据,提高新能源发电能力预测的准确度。
为了执行上述方法实施例对应的新能源发电功率的预测方法,以实现相应的功能和技术效果。参见图2,图2示出了本申请实施例提供的一种新能源发电功率的预测装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分,本申请实施例提供的新能源发电功率的预测装置,包括:
获取模块201,用于获取新能源发电场的历史机组数据,所述历史机组数据包括新能源发电机组的历史运行数据、所在区域的历史气象数据和空间分布数据;
聚类模块202,用于基于所述历史机组数据,对所述新能源发电机组进行聚类,生成所述新能源发电场的多个机组分区,每个所述机组分区包括至少一个新能源发电机组;
提取模块203,用于针对每个所述机组分区,对所述机组分区的历史运行数据和历史气象数据进行特征提取,得到所述机组分区的发电特征数据;
训练模块204,用于基于所述发电特征数据,对预设LSTM-CNN模型进行训练,直至所述预设LSTM-CNN模型达到预设收敛条件,得到所述新能源发电场的发电功率预测模型,所述LSTM-CNN模型包括每个所述机组分区对应的LSTM-CNN子模型和一个融合模型,所述融合模型对所有所述LSTM-CNN子模型进行融合决策;
预测模块205,用于利用所述发电功率预测模型,根据所述新能源发电场的实时气象数据,预测所述新能源发电场在未来目标时间段内的发电功率数据。
在一些实施例中,所述聚类模块202,包括:
分析单元,用于基于所述历史气象数据,对所述新能源发电机组进行聚类分析,得到第一聚类结果数据;
修正单元,用于基于所述历史运行数据,对所述第一聚类结果数据进行聚类修正,得到第二聚类结果数据;
决策单元,用于基于所述空间分布数据,对所述第二聚类结果数据进行聚类决策,得到第三聚类结果数据,所述第三聚类结果数据包括所述新能源发电场的多个机组分区。
在一些实施例中,所述分析单元,具体用于:
基于所述历史气象数据之间的梯度关系,确定多个聚类簇的聚类中心,所述聚类簇的数量为预设值;
利用预设聚类算法,计算每个新能源发电机组到所述聚类中心的距离;
将所述新能源发电机组加入到距离最小的聚类簇,得到所述第一聚类结果数据。
在一些实施例中,所述修正单元,具体用于:
针对所述第一聚类结果数据中的每个聚类簇,根据所述历史运行数据,对所述聚类簇中的每个所述新能源发电机组进行聚类;
将所述聚类簇中不符合预设聚类条件的新能源发电机组从所述聚类簇中剔除,得到已聚类簇以及未聚类集合,所述未聚类集合为被剔除的所有所述新能源发电机组的集合,多个所述已聚类簇和所述未聚类集合为所述第二聚类结果数据。
在一些实施例中,所述决策单元,具体用于:
针对所述第二聚类结果数据的未聚类集合中的每个所述新能源发电机组,根据所述新能源发电机组的所述空间分布数据,计算所述新能源发电机组与每个已聚类簇的聚类中心的距离;
将所述新能源发电机组加入到距离最小的已聚类簇,得到第三聚类结果数据,其中每个所述已聚类簇表示一个机组分区。
在一些实施例中,所述提取模块203,具体用于:
针对每个所述机组分区,根据所述机组分区的历史气象数据,建立所述机组分区的流场模型,以提取所述机组分区的流场特征数据;
针对每个所述机组分区,利用时序特征提取算法,提取所述机组分区的所述历史运行数据的第一时序特征数据,以及所述历史气象数据的第二时序特征数据;
针对每个所述机组分区,利用相关性算法,提取所述机组分区的所述第一时序特征数据与所述第二时序特征数据之间的相关性特征数据,所述发电特征数据包括所述流场特征数据、所述第一时序特征数据、所述第二时序特征数据和所述相关性特征数据。
在一些实施例中,所述预测模块205,具体用于:
针对每个所述机组分区,利用所述机组分区的LSTM-CNN子模型,根据所述机组分区的实时气象数据,预测所述机组分区在未来目标时间段内的功率数据,其中,所述LSTM-CNN子模型中的LSTM网络用于所述机组分区的长时间功率预测,所述LSTM-CNN子模型中的CNN网络用于所述机组分区的短时间功率预测;
利用所述融合模型,对所有机组分区的功率数据进行融合决策,得到所述新能源发电场在未来目标时间段内的发电功率数据。
上述的新能源发电功率的预测装置可实施上述方法实施例的新能源发电功率的预测方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
图3为本申请一实施例提供的计算机设备的结构示意图。如图3所示,该实施例的计算机设备3包括:至少一个处理器30(图3中仅示出一个)、存储器31以及存储在所述存储器31中并可在所述至少一个处理器30上运行的计算机程序32,所述处理器30执行所述计算机程序32时实现上述任意方法实施例中的步骤。
所述计算机设备3可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器30、存储器31。本领域技术人员可以理解,图3仅仅是计算机设备3的举例,并不构成对计算机设备3的限定,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,例如还可以包括输入输出设备、网络接入设备等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),该处理器30还可以是其他通用处理器、数字信号处理器 (Digital Signal 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。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。
所述存储器31在一些实施例中可以是所述计算机设备3的内部存储单元,例如计算机设备3的硬盘或内存。所述存储器31在另一些实施例中也可以是所述计算机设备3的外部存储设备,例如所述计算机设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述计算机设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
另外,本申请实施例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任意方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现上述各个方法实施例中的步骤。
在本申请所提供的几个实施例中,可以理解的是,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
所述功能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,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施例,对本申请的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本申请的具体实施例而已,并不用于限定本申请的保护范围。特别指出,对于本领域技术人员来说,凡在本申请的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (8)
1.一种新能源发电功率的预测方法,其特征在于,包括:
获取新能源发电场的历史机组数据,所述历史机组数据包括新能源发电机组的历史运行数据、所在区域的历史气象数据和空间分布数据;
基于所述历史机组数据,对所述新能源发电机组进行聚类,生成所述新能源发电场的多个机组分区,每个所述机组分区包括至少一个新能源发电机组;
针对每个所述机组分区,对所述机组分区的历史运行数据和历史气象数据进行特征提取,得到所述机组分区的发电特征数据;
所述针对每个所述机组分区,对所述机组分区的历史运行数据和历史气象数据进行特征提取,得到所述机组分区的发电特征数据,包括:
针对每个所述机组分区,根据所述机组分区的历史气象数据,建立所述机组分区的流场模型,以提取所述机组分区的流场特征数据;
针对每个所述机组分区,利用时序特征提取算法,提取所述机组分区的所述历史运行数据的第一时序特征数据,以及所述历史气象数据的第二时序特征数据;
针对每个所述机组分区,利用相关性算法,提取所述机组分区的所述第一时序特征数据与所述第二时序特征数据之间的相关性特征数据,所述发电特征数据包括所述流场特征数据、所述第一时序特征数据、所述第二时序特征数据和所述相关性特征数据;
基于所述发电特征数据,对预设LSTM-CNN模型进行训练,直至所述预设LSTM-CNN模型达到预设收敛条件,得到所述新能源发电场的发电功率预测模型,所述发电功率预测模型包括每个所述机组分区对应的LSTM-CNN子模型和一个融合模型,所述融合模型对所有所述LSTM-CNN子模型进行融合决策;
利用所述发电功率预测模型,根据所述新能源发电场的实时气象数据,预测所述新能源发电场在未来目标时间段内的发电功率数据;
所述利用所述发电功率预测模型,根据所述新能源发电场的实时气象数据,预测所述新能源发电场在未来目标时间段内的发电功率数据,包括:
针对每个所述机组分区,利用所述机组分区的LSTM-CNN子模型,根据所述机组分区的实时气象数据,预测所述机组分区在未来目标时间段内的功率数据,其中,所述LSTM-CNN子模型中的LSTM网络用于所述机组分区的长时间功率预测,所述LSTM-CNN子模型中的CNN网络用于所述机组分区的短时间功率预测;
利用所述融合模型,对所有机组分区的功率数据进行融合决策,得到所述新能源发电场在未来目标时间段内的发电功率数据;
所述基于所述历史机组数据,对所述新能源发电机组进行聚类分析,生成所述新能源发电场的多个机组分区,包括:
基于所述历史气象数据,对所述新能源发电机组进行聚类分析,得到第一聚类结果数据;
基于所述历史运行数据,对所述第一聚类结果数据进行聚类修正,得到第二聚类结果数据;
基于所述空间分布数据,对所述第二聚类结果数据进行聚类决策,得到第三聚类结果数据,所述第三聚类结果数据包括所述新能源发电场的多个机组分区。
2.如权利要求1所述的新能源发电功率的预测方法,其特征在于,所述基于所述历史气象数据,对所述新能源发电机组进行聚类分析,得到第一聚类结果数据,包括:
基于所述历史气象数据之间的梯度关系,确定多个聚类簇的聚类中心,所述聚类簇的数量为预设值;
利用预设聚类算法,计算每个新能源发电机组到所述聚类中心的距离;
将所述新能源发电机组加入到距离最小的聚类簇,得到所述第一聚类结果数据。
3.如权利要求1所述的新能源发电功率的预测方法,其特征在于,所述基于所述历史运行数据,对所述第一聚类结果数据进行聚类修正,得到第二聚类结果数据,包括:
针对所述第一聚类结果数据中的每个聚类簇,根据所述历史运行数据,对所述聚类簇中的每个所述新能源发电机组进行聚类;
将所述聚类簇中不符合预设聚类条件的新能源发电机组从所述聚类簇中剔除,得到已聚类簇以及未聚类集合,所述未聚类集合为被剔除的所有所述新能源发电机组的集合,多个所述已聚类簇和所述未聚类集合为所述第二聚类结果数据。
4.如权利要求1所述的新能源发电功率的预测方法,其特征在于,所述基于所述空间分布数据,对所述第二聚类结果数据进行聚类决策,得到第三聚类结果数据,包括:
针对所述第二聚类结果数据的未聚类集合中的每个所述新能源发电机组,根据所述新能源发电机组的所述空间分布数据,计算所述新能源发电机组与每个已聚类簇的聚类中心的距离;
将所述新能源发电机组加入到距离最小的已聚类簇,得到第三聚类结果数据,其中每个所述已聚类簇表示一个机组分区。
5.一种新能源发电功率的预测装置,其特征在于,包括:
获取模块,用于获取新能源发电场的历史机组数据,所述历史机组数据包括新能源发电机组的历史运行数据、所在区域的历史气象数据和空间分布数据;
聚类模块,用于基于所述历史机组数据,对所述新能源发电机组进行聚类,生成所述新能源发电场的多个机组分区,每个所述机组分区包括至少一个新能源发电机组;
提取模块,用于针对每个所述机组分区,对所述机组分区的历史运行数据和历史气象数据进行特征提取,得到所述机组分区的发电特征数据;
训练模块,用于基于所述发电特征数据,对预设LSTM-CNN模型进行训练,直至所述预设LSTM-CNN模型达到预设收敛条件,得到所述新能源发电场的发电功率预测模型,所述LSTM-CNN模型包括每个所述机组分区对应的LSTM-CNN子模型和一个融合模型,所述融合模型对所有所述LSTM-CNN子模型进行融合决策;
预测模块,用于利用所述发电功率预测模型,根据所述新能源发电场的实时气象数据,预测所述新能源发电场在未来目标时间段内的发电功率数据;
所述聚类模块,包括:
分析单元,用于基于所述历史气象数据,对所述新能源发电机组进行聚类分析,得到第一聚类结果数据;
修正单元,用于基于所述历史运行数据,对所述第一聚类结果数据进行聚类修正,得到第二聚类结果数据;
决策单元,用于基于所述空间分布数据,对所述第二聚类结果数据进行聚类决策,得到第三聚类结果数据,所述第三聚类结果数据包括所述新能源发电场的多个机组分区;
所述提取模块还用于:
针对每个所述机组分区,根据所述机组分区的历史气象数据,建立所述机组分区的流场模型,以提取所述机组分区的流场特征数据;
针对每个所述机组分区,利用时序特征提取算法,提取所述机组分区的所述历史运行数据的第一时序特征数据,以及所述历史气象数据的第二时序特征数据;
针对每个所述机组分区,利用相关性算法,提取所述机组分区的所述第一时序特征数据与所述第二时序特征数据之间的相关性特征数据,所述发电特征数据包括所述流场特征数据、所述第一时序特征数据、所述第二时序特征数据和所述相关性特征数据;
所述预测模块还用于:
针对每个所述机组分区,利用所述机组分区的LSTM-CNN子模型,根据所述机组分区的实时气象数据,预测所述机组分区在未来目标时间段内的功率数据,其中,所述LSTM-CNN子模型中的LSTM网络用于所述机组分区的长时间功率预测,所述LSTM-CNN子模型中的CNN网络用于所述机组分区的短时间功率预测;
利用所述融合模型,对所有机组分区的功率数据进行融合决策,得到所述新能源发电场在未来目标时间段内的发电功率数据。
6.如权利要求5所述的新能源发电功率的预测装置,其特征在于,所述分析单元,具体用于:
基于所述历史气象数据之间的梯度关系,确定多个聚类簇的聚类中心,所述聚类簇的数量为预设值;
利用预设聚类算法,计算每个新能源发电机组到所述聚类中心的距离;
将所述新能源发电机组加入到距离最小的聚类簇,得到所述第一聚类结果数据。
7.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至4任一项所述的新能源发电功率的预测方法。
8.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的新能源发电功率的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640746.4A CN117353302B (zh) | 2023-12-04 | 2023-12-04 | 新能源发电功率的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311640746.4A CN117353302B (zh) | 2023-12-04 | 2023-12-04 | 新能源发电功率的预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117353302A CN117353302A (zh) | 2024-01-05 |
CN117353302B true CN117353302B (zh) | 2024-02-13 |
Family
ID=89363500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311640746.4A Active CN117353302B (zh) | 2023-12-04 | 2023-12-04 | 新能源发电功率的预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117353302B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004139A (zh) * | 2021-09-24 | 2022-02-01 | 沈阳工程学院 | 一种光伏发电功率预测方法 |
CN114021799A (zh) * | 2021-10-29 | 2022-02-08 | 国网辽宁省电力有限公司经济技术研究院 | 风电场日前风电功率预测方法及系统 |
CN114444378A (zh) * | 2021-12-27 | 2022-05-06 | 上海电力大学 | 一种区域风电集群的短期功率预测方法 |
CN115115090A (zh) * | 2022-05-18 | 2022-09-27 | 东南大学 | 一种基于改进lstm-cnn的风功率短期预测方法 |
CN116502074A (zh) * | 2023-06-28 | 2023-07-28 | 深圳博浩远科技有限公司 | 一种基于模型融合的光伏发电功率预测方法及系统 |
CN116596165A (zh) * | 2023-07-17 | 2023-08-15 | 国网山东省电力公司汶上县供电公司 | 一种风力发电功率预测方法及系统 |
CN117060407A (zh) * | 2023-10-12 | 2023-11-14 | 国网湖北省电力有限公司经济技术研究院 | 一种基于相似日划分的风电集群功率预测方法及系统 |
-
2023
- 2023-12-04 CN CN202311640746.4A patent/CN117353302B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004139A (zh) * | 2021-09-24 | 2022-02-01 | 沈阳工程学院 | 一种光伏发电功率预测方法 |
CN114021799A (zh) * | 2021-10-29 | 2022-02-08 | 国网辽宁省电力有限公司经济技术研究院 | 风电场日前风电功率预测方法及系统 |
CN114444378A (zh) * | 2021-12-27 | 2022-05-06 | 上海电力大学 | 一种区域风电集群的短期功率预测方法 |
CN115115090A (zh) * | 2022-05-18 | 2022-09-27 | 东南大学 | 一种基于改进lstm-cnn的风功率短期预测方法 |
CN116502074A (zh) * | 2023-06-28 | 2023-07-28 | 深圳博浩远科技有限公司 | 一种基于模型融合的光伏发电功率预测方法及系统 |
CN116596165A (zh) * | 2023-07-17 | 2023-08-15 | 国网山东省电力公司汶上县供电公司 | 一种风力发电功率预测方法及系统 |
CN117060407A (zh) * | 2023-10-12 | 2023-11-14 | 国网湖北省电力有限公司经济技术研究院 | 一种基于相似日划分的风电集群功率预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117353302A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Short-term forecasting and uncertainty analysis of wind turbine power based on long short-term memory network and Gaussian mixture model | |
Wu et al. | A data mining approach combining $ K $-means clustering with bagging neural network for short-term wind power forecasting | |
Wang et al. | Short-term wind power prediction based on multidimensional data cleaning and feature reconfiguration | |
US20120230821A1 (en) | Wind power prediction method of single wind turbine generator | |
CN116028838B (zh) | 一种基于聚类算法的能源数据处理方法、装置及终端设备 | |
Ye et al. | Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及系统 | |
CN108022019B (zh) | 基于风电机组分类的风电场调度方法和系统 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
CN108335010A (zh) | 一种风电出力时间序列建模方法及系统 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN115759467A (zh) | 一种误差修正的分时刻集成学习光伏预测方法 | |
CN102496033B (zh) | 基于mr计算框架的图像sift特征匹配方法 | |
CN115759365A (zh) | 光伏发电功率的预测方法及相关设备 | |
CN117353302B (zh) | 新能源发电功率的预测方法、装置、设备及介质 | |
CN109344875B (zh) | 基于聚类分析的日风电出力时序生成方法及装置 | |
CN115438590B (zh) | 一种基于bp神经网络的降水预报订正方法及系统 | |
CN111262248A (zh) | 一种随机潮流解析计算方法和系统 | |
CN111382763A (zh) | 一种光伏集群划分方法及系统 | |
CN108717444A (zh) | 一种基于分布式结构的大数据聚类方法和装置 | |
Özkan et al. | A data mining-based wind power forecasting method: results for wind power plants in turkey | |
CN115186865A (zh) | 一种基于MapReduce和云图的海量分布式可再生能源功率预测方法 | |
CN114357865A (zh) | 一种水电站径流及其关联源荷功率年场景模拟和预测方法 | |
Pravilovic et al. | Wind power forecasting using time series cluster analysis | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |