CN117353373A - 光伏出力预测方法及装置 - Google Patents

光伏出力预测方法及装置 Download PDF

Info

Publication number
CN117353373A
CN117353373A CN202311287472.5A CN202311287472A CN117353373A CN 117353373 A CN117353373 A CN 117353373A CN 202311287472 A CN202311287472 A CN 202311287472A CN 117353373 A CN117353373 A CN 117353373A
Authority
CN
China
Prior art keywords
photovoltaic output
interval
model
photovoltaic
data
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
CN202311287472.5A
Other languages
English (en)
Inventor
张蕊
梁纪峰
刘世岩
于腾凯
李安燚
张琦
崔童飞
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202311287472.5A priority Critical patent/CN117353373A/zh
Publication of CN117353373A publication Critical patent/CN117353373A/zh
Pending legal-status Critical Current

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
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06F18/2337—Non-hierarchical techniques using fuzzy logic, i.e. fuzzy clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • 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
    • 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
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S40/00—Components or accessories in combination with PV modules, not provided for in groups H02S10/00 - H02S30/00
    • H02S40/30—Electrical components
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • 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)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Power Engineering (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Automation & Control Theory (AREA)
  • Public Health (AREA)
  • Fuzzy Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种光伏出力预测方法及装置。该方法包括：获取光伏电场数据，并对光伏电场数据进行模态分解，得到特征矩阵；将特征矩阵输入至光伏出力预测模型，得到光伏出力区间；光伏出力预测模型包括并联卷积神经网络PCNN模型和极限学习机ELM模型；PCNN模型包含至少两个输入通道，且各输入通道所对应的卷积核尺寸均不同；PCNN模型用于对特征矩阵进行特征提取融合，得到融合特征信息；ELM模型设置双输出节点，用于对融合特征信息进行预测，分别输出光伏出力区间的上限值和下限值。本发明能够提升光伏出力预测精度，减小预测偏差。

Description

光伏出力预测方法及装置
技术领域
本发明涉及光伏预测技术领域，尤其涉及一种光伏出力预测方法及装置。
背景技术
随着电力系统中光伏发电装机容量的不断增加，使得光伏出力对于电力系统规划、调度、运行以及控制的影响也越来越大。精准预测光伏出力可以有效提高光伏并网的成功率。
传统的点预测方法通常采用以神经网络为代表的非线性预测方法来预测光伏实时出力值。即，采用神经网络模型实时预测某一时刻的光伏出力预测值。但采用非线性预测方法的单点预测容易陷入局部最优解，导致最终输出的光伏出力值容易出现偏差。例如，申请号为202310013917.4，专利名称为一种基于神经网络的光伏出力预测方法与系统的发明专利，采用某一时刻的历史光伏出力值训练神经网络模型，神经网络模型输出对应时刻的待预测时间点的光伏出力值。通过某一时刻的历史光伏出力值进行模型训练和预测，容易使得模型陷入局部最优解，影响模型预测精度，导致出现预测偏差，无法满足电力系统运行的实际需求。
发明内容
本发明实施例提供了一种光伏出力预测方法及装置，以解决采用传统的点预测方法进行光伏出力预测时，容易出现预测偏差的问题。
第一方面，本发明实施例提供了一种光伏出力预测方法，包括：
获取光伏电场数据，并对所述光伏电场数据进行模态分解，得到特征矩阵；
将所述特征矩阵输入至光伏出力预测模型，得到光伏出力区间；所述光伏出力预测模型包括并联卷积神经网络PCNN模型和极限学习机ELM模型；所述PCNN模型包含至少两个输入通道，且各输入通道所对应的卷积核尺寸均不同；所述PCNN模型用于对所述特征矩阵进行特征提取融合，得到融合特征信息；所述ELM模型设置双输出节点，用于对所述融合特征信息进行预测，分别输出所述光伏出力区间的上限值和下限值。
在一种可能的实现方式中，在将所述特征矩阵输入至光伏出力预测模型，得到光伏出力区间之前，还包括：
获取历史光伏数据，对所述历史光伏数据进行预处理，得到训练样本集；
根据预设的天气类型，对所述训练样本集中的所有训练样本进行聚类处理，对应得到不同天气类型下的训练样本子集；
分别采用不同天气类型下的训练样本子集，对初始预测模型进行模型训练，对应得到不同天气类型所对应的光伏出力预测模型；
所述将所述特征矩阵输入至光伏出力预测模型，得到光伏出力区间，包括：
获取当前的天气类型，并将所述特征矩阵输入至当前的天气类型所对应的光伏出力预测模型，得到光伏出力区间。
在一种可能的实现方式中，所述训练样本子集中的各训练样本中均包括：历史辐照度数据、历史温度数据、历史湿度数据和历史大气压强数据；
所述分别采用不同天气类型下的训练样本子集，对初始预测模型进行模型训练，对应得到不同天气类型所对应的光伏出力预测模型，包括：
针对每一种天气类型下的训练样本子集，分别对各训练样本中的历史辐照度数据、历史温度数据、历史湿度数据和历史大气压强数据进行模态分解，对应得到历史特征矩阵；
将所述历史特征矩阵输入至所述初始预测模型中进行模型训练，并实时计算所述初始预测模型的自适应函数，直到所述自适应函数最小时，完成模型训练，并将训练完成的初始预测模型，确定为当前天气类型所对应的光伏出力预测模型。
在一种可能的实现方式中，所述训练样本子集中的各训练样本中还包括：历史光伏出力数据；
实时计算所述初始预测模型的自适应函数，包括：
根据所述初始预测模型所输出的光伏出力区间和所述历史光伏出力数据，分别计算所述初始预测模型的预测区间覆盖率和累积区间偏移误差；
根据所述初始预测模型所输出的光伏出力区间，计算所述初始预测模型的预测区间平均带宽；
根据所述预测区间覆盖率、所述累积区间偏移误差和所述预测区间平均带宽，计算所述初始预测模型的自适应函数。
在一种可能的实现方式中，根据所述初始预测模型所输出的光伏出力区间和所述历史光伏出力数据，计算所述初始预测模型的预测区间覆盖率，包括：
根据计算所述初始预测模型的预测区间覆盖率；
其中，PICP表示所述预测区间覆盖率，N表示样本数量，Ni表示第i个训练样本，ki表示第i个训练样本对应的布尔量，如果第i个训练样本中的历史光伏出力数据处于所述光伏出力区间内，k＝1，否则，k＝0。
在一种可能的实现方式中，根据所述初始预测模型所输出的光伏出力区间和所述历史光伏出力数据，计算所述初始预测模型的累积区间偏移误差，包括：
根据计算初始预测模型的累积区间偏移误差；
其中，PIOAE表示所述累积区间偏移误差，N表示样本数量，yi表示第i个训练样本中的历史光伏出力数据，表示第i个训练样本对应的光伏出力区间的上限值，/>表示第i个训练样本对应的光伏出力区间的下限值，λ表示第一惩罚系数，γ表示第二惩罚系数，d表示第i个训练样本中的历史光伏出力数据与第i个训练样本对应的光伏出力区间之间的距离。
在一种可能的实现方式中，所述根据所述初始预测模型所输出的光伏出力区间，计算所述初始预测模型的预测区间平均带宽，包括：
根据计算所述初始预测模型的预测区间平均带宽；
其中，PINAW表示所述累积区间偏移误差，N表示样本数量，R表示预设的基准区间带宽，表示第i个训练样本对应的光伏出力区间的上限值，/>表示第i个训练样本对应的光伏出力区间的下限值。
在一种可能的实现方式中，根据所述预测区间覆盖率、所述累积区间偏移误差和所述预测区间平均带宽，计算所述初始预测模型的自适应函数，包括：
根据NCWC＝(PIOAE+PINAW)expη*max(0,μ-PICP)计算所述初始预测模型的自适应函数；
其中，NCWC表示所述自适应函数，PIOAE表示所述累积区间偏移误差，PINAW表示所述预测区间平均带宽，η表示预设的置信水平与所述预测区间覆盖率之间的差异放大系数，μ表示预设的置信水平，PICP表示所述预测区间覆盖率。
第二方面，本发明实施例提供了一种光伏出力预测装置，包括：
获取模块，用于获取光伏电场数据，并对所述光伏电场数据进行模态分解，得到特征矩阵；
预测模块，用于将所述特征矩阵输入至光伏出力预测模型，得到光伏出力区间；所述光伏出力预测模型包括PCNN模型和ELM模型；所述PCNN模型包含至少两个输入通道，且各输入通道所对应的卷积核尺寸均不同；所述PCNN模型用于对所述特征矩阵进行特征提取融合，得到融合特征信息；所述ELM模型设置双输出节点，用于对所述融合特征信息进行预测，分别输出所述光伏出力区间的上限值和下限值。
在一种可能的实现方式中，所述预测模块，用于获取历史光伏数据，对所述历史光伏数据进行预处理，得到训练样本集；
所述预测模块，还用于根据预设的天气类型，对所述训练样本集中的所有训练样本进行聚类处理，对应得到不同天气类型下的训练样本子集；
所述预测模块，还用于分别采用不同天气类型下的训练样本子集，对初始预测模型进行模型训练，对应得到不同天气类型所对应的光伏出力预测模型；
所述预测模块，还用于获取当前的天气类型，并将所述特征矩阵输入至当前的天气类型所对应的光伏出力预测模型，得到光伏出力区间。
本发明实施例提供一种光伏出力预测方法及装置，通过采用包含至少两个输入通道，且各输入通道所对应的卷积核尺寸均不同的PCNN模型以及设置两个输出节点的ELM模型来构建光伏出力预测模型，一方面使得光伏出力预测模型可以提取不同尺度下的特征信息，特征信息更加丰富全面，从而进一步挖掘特征矩阵中的深层次特征与规律，以便保证光伏出力预测模型的预测精度。另一方面，ELM模型设置两个输出节点用于预测输出光伏出力区间，可以避免出现陷入单点局部最优的情况。相比于传统的点预测法，区间预测的结果可以减小预测偏差，更加全面可靠。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的光伏出力预测方法的实现流程图；
图2是本发明实施例提供的光伏出力预测模型的结构示意图；
图3是本发明实施例提供的确定光伏出力预测模型时的实现流程图；
图4是本发明实施例提供的确定异常数据时的示意图；
图5是本发明实施例提供的光伏出力预测装置的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图1为本发明实施例提供的光伏出力预测方法的实现流程图，详述如下：
步骤101，获取光伏电场数据，并对光伏电场数据进行模态分解，得到特征矩阵。
光伏出力数据会受到辐照度、温度、湿度以及大气压强等环境变量的影响。由此，本发明实施例中的光伏电场数据包括但不限于：辐照度数据、温度数据、湿度数据和大气压强数据。通过获取辐照度、温度、湿度以及大气压强等环境变量，便于后续根据上述环境变量，预测光伏出力区间。
为提升光伏出力区间的预测精度，分别对辐照度数据、温度数据、湿度数据以及大气压强数据进行模态分解，对应得到各数据所对应的n个子数据序列。n为大于或等于2的整数。每个数据所对应的n个子数据序列共同构成该数据对应的特征矩阵。即，对光伏电场数据进行模态分解后，共得到四个特征矩阵。采用模态分解可以分别将辐照度数据、温度数据、湿度数据以及大气压强数据对应分解为不同频域下的子数据序列，从而挖掘其中潜在的特征信息。
常见的模态分解算法包括：经验模态分解(Empirical Mode Decomposition，EMD)算法、变分模态分解(Variational Mode Decomposition，VMD)算法以及集成经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)算法等。用户可自行选择。本发明实施例对此不作限定。示例性地，本发明实施例采用VMD算法。
步骤102，将特征矩阵输入至光伏出力预测模型，得到光伏出力区间。
参见图2，本发明实施例中的光伏出力预测模型包括并联卷积神经网络(ParallelConvolutional Neural Network，PCNN)模型和极限学习机(Extreme Learning Machine，ELM)模型。PCNN模型用于对特征矩阵进行特征提取融合，得到融合特征信息。ELM模型用于对融合特征信息进行预测，分别输出光伏出力区间的上限值和下限值。
其中，PCNN模型包含至少两个输入通道，且各输入通道所对应的卷积核尺寸均不同。各输入通道均用于接收特征矩阵，并对特征矩阵进行特征提取，由于各输入通道所对应的卷积核尺寸不同，使得各输入通道进行特征提取时，得到不同尺度下的特征信息。需要说明的是，图2仅作为示例性附图，示出两个输入通道，并不作为对于输入通道的数量限制。
PCNN模型内还设置有特征融合层，用于对不同尺度下的特征信息进行特征融合，得到融合特征信息。本发明实施例中的PCNN模型内设置不同尺寸的卷积核，用于提取不同尺度下的特征信息，使得提取到的特征信息更加丰富全面，进一步挖掘特征矩阵中的深层次特征与规律，以便提升光伏出力预测模型的预测精度。
本发明实施例中ELM模型设置双输出节点，分别用于输出光伏出力区间的上限值和下限值。相比于直接输出光伏出力值的点预测方法，本发明实施例采用ELM模型输出光伏出力区间的方式，可以避免因追求单点最优而出现陷入局部最优解的情况。同时，采用区间预测的方式还能缩小点预测方法的预测偏差，使得预测结果更加全面可靠。
进行光伏出力预测时，分别将对应于辐照度数据、温度数据、湿度数据和大气压强数据的四个特征矩阵输入至光伏出力预测模型中，对应得到光伏出力区间。
在一些实施例中，为进一步提升模型预测精度，可以根据当前的光伏电场数据，确定与当前的光伏电场数据之间灰色关联度最大的前m个历史光伏数据。各历史光伏数据中的历史光伏出力数据共同构成相似出力矩阵。将相似出力矩阵和上述四个特征矩阵共同输入至光伏出力预测模型中，进行光伏出力预测，得到光伏出力区间。m为大于或等于2的整数。为便于光伏出力预测模型统一进行数据处理，可以令m＝n。
根据当前的光伏电场数据，确定与当前的光伏电场数据之间灰色关联度最大的多个历史光伏数据，包括：
获取历史光伏数据；历史光伏数据包括：历史辐照度数据、历史温度数据、历史湿度数据、历史大气压强数据和历史光伏出力数据，且历史辐照度数据、历史温度数据、历史湿度数据、历史大气压强数据和历史光伏出力数据之间一一对应。
分别对应计算当前的辐照度数据与各历史辐照度数据之间的灰色关联系数、当前的温度数据与各历史温度数据之间的灰色关联系数、当前的湿度数据与各历史湿度数据之间的灰色关联系数以及当前的大气压强数据与各历史大气压强数据之间的灰色关联系数。
灰色关联系数的计算公式为：
其中，εi(k)表示当前的光伏电场数据中的数据k与第i组历史光伏数据中的数据k之间灰色关联系数，x0(k)表示当前的光伏电场数据中的数据k，xi(k)表示第i组历史光伏数据中的数据k，ρ表示可调节的系数，通常可取0.5。数据k指的是辐照度数据、温度数据、湿度数据或大气压强数据。
根据上述计算得到的关联系数，分别计算当前的光伏电场数据与各历史光伏数据之间的灰色关联度。
灰色关联度的计算公式为：
其中，εi表示当前的光伏电场数据与第i组历史光伏数据之间的灰色关联度。
根据上述公式，可以确定当前的光伏电场数据与各历史光伏数据之间的灰色关联度。灰色关联度最大的前m个历史光伏数据中的历史光伏出力数据共同构成相似出力矩阵。
在一些实施例中，参见图3，在步骤102之前，还包括：
步骤201，获取历史光伏数据，对历史光伏数据进行预处理，得到训练样本集。
历史光伏数据包括：历史辐照度数据、历史温度数据、历史湿度数据和历史光伏出力数据。
为保证训练样本的数据质量，可以预先剔除历史光伏数据中的异常数据。参见图4，在剔除异常数据时，预先确定当前所有数据中的上四份位和下四分位，再根据上四份位和下四分位确定当前所有数据中的正常数据区间。
可以根据确定当前所有数据中的正常数据区间；
其中，h1表示正常数据区间的下限值，h2表示正常数据区间的上限值，Ql表示当前所有数据中的下四份位，Qu表示当前所有数据中的上四分位，IQR表示四分位间距。
根据上述方法，可以分别剔除历史辐照度数据、历史温度数据、历史湿度数据和历史光伏出力数据中的异常数据。剔除异常数据后，对剩余的正常数据进行归一化处理，得到训练样本集。
可以根据对剩余的正常数据进行归一化处理；
其中，x'表示归一化处理后的数据，x表示归一化处理前的数据，xmax表示数据极大值，xmin表示数据极小值。
步骤202，根据预设的天气类型，对训练样本集中的所有训练样本进行聚类处理，对应得到不同天气类型下的训练样本子集。
考虑到不同的天气类型对于预测光伏出力的影响差异较大，本发明实施例根据天气类型对训练样本进行分类，从而得到不同天气类型下的训练样本子集，用于训练不同天气类型下的光伏出力预测模型，从而进一步提升光伏出力预测模型的精准度。
预设的天气类型可以包括：晴天、雨天、多云和阴天。基于此，在训练样本集中随机设置4个初始聚类中心，对训练样本集中的所有训练样本进行聚类处理，得到不同天气类型下的训练样本子集。用户可根据需要自行选择聚类算法，本发明实施例对此不作限定。示例性地，本发明实施例采用模糊C均值聚类算法。
步骤203，分别采用不同天气类型下的训练样本子集，对初始预测模型进行模型训练，对应得到不同天气类型所对应的光伏出力预测模型。
分别采用不同天气类型下的训练样本子集进行模型训练，对应得到与天气类型对应的光伏出力预测模型，能够减弱不同天气类型对于光伏出力预测结果的影响，有效提升光伏出力预测模型的预测精度。
在此基础上，步骤102可以包括：
获取当前的天气类型，并将特征矩阵输入至当前的天气类型所对应的光伏出力预测模型，得到光伏出力区间。
在得到不同天气类型所对应的光伏出力预测模型的基础上，将特征矩阵输入至当前天气类型所对应的光伏出力预测模型中，得到光伏出力区间。
训练样本子集中的各训练样本中均包括：历史辐照度数据、历史温度数据、历史湿度数据和历史大气压强数据。
在一些实施例中，步骤123可以包括：
针对每一种天气类型下的训练样本子集，分别对各训练样本中的历史辐照度数据、历史温度数据、历史湿度数据和历史大气压强数据进行模态分解，对应得到历史特征矩阵。
分别对各训练样本中的历史辐照度数据、历史温度数据、历史湿度数据和历史大气压强数据进行模态分解，对应得到各历史辐照度数据对应的历史特征矩阵、各历史温度数据对应的历史特征矩阵、各历史湿度数据对应的历史特征矩阵和各历史大气压强数据对应的历史特征矩阵。
将历史特征矩阵输入至初始预测模型中进行模型训练，并实时计算初始预测模型的自适应函数，直到自适应函数最小时，完成模型训练，并将训练完成的初始预测模型，确定为当前天气类型所对应的光伏出力预测模型。
将上述历史特征矩阵输入至初始预测模型中进行模型训练，直到自适应函数最小时，完成模型训练，得到光伏出力预测模型。
在一些实施例中，每输入一组历史光伏数据进行一次模型训练时，可以对应确定与当前的历史光伏数据之间的灰色关联度最大的前m个历史光伏数据。前m个历史光伏数据中的历史光伏出力数据共同构成历史相似出力矩阵。该历史相似矩阵所对应的辐照度、温度、湿度以及大气压强与当前的历史光伏数据中的辐照度、温度、湿度以及大气压强相似。在环境变量相似的场景下，对应的光伏出力数据也较为接近。即，历史相似出力矩阵中的历史光伏出力数据与当前的历史光伏出力数据较为接近。将历史相似矩阵作为训练样本，与历史特征矩阵共同输入至初始预测模型中进行模型训练，不仅可以缩短模型的训练时间，还能提升模型训练精度。
需要说明的是，若模型训练过程中引入历史相似日输入矩阵，在进行光伏出力预测时，也需引入相似日出力矩阵。相应地，若历史相似日输入矩阵没有参与模型训练，在进行光伏出力预测时，无需引入相似日出力矩阵。
在一些实施例中，训练样本子集中的各训练样本中还包括：历史光伏出力数据；
实时计算初始预测模型的自适应函数，包括：
根据初始预测模型所输出的光伏出力区间和历史光伏出力数据，分别计算初始预测模型的预测区间覆盖率和累积区间偏移误差；
在一些实施例中，可以根据计算初始预测模型的预测区间覆盖率；
其中，PICP表示预测区间覆盖率，N表示样本数量，Ni表示第i个训练样本，ki表示第i个训练样本对应的布尔量，如果第i个训练样本中的历史光伏出力数据处于光伏出力区间内，ki＝1，否则，ki＝0。
预测区间覆盖率用于评价光伏出力区间的可靠性，反映了历史光伏出力数据落在光伏出力区间内的概率。
在一些实施例中，可以根据计算初始预测模型的累积区间偏移误差；
其中，PIOAE表示累积区间偏移误差，N表示样本数量，yi表示第i个训练样本中的历史光伏出力数据，表示第i个训练样本对应的光伏出力区间的上限值，/>表示第i个训练样本对应的光伏出力区间的下限值，λ表示第一惩罚系数，γ表示第二惩罚系数，d表示第i个训练样本中的历史光伏出力数据与第i个训练样本对应的光伏出力区间之间的距离。
根据可以计算第二惩罚系数；
根据可以计算第i个训练样本中的历史光伏出力数据与第i个训练样本对应的光伏出力区间之间的距离。
本发明实施例在设计累计区间偏移误差指标时，引入了惩罚项λ·γ·d，即，当预测得到的光伏出力区间不能覆盖真实的历史光伏出力数据时，利用第一惩罚系数λ加大对距离d的惩罚，从而保证预测得到的光伏出力区间的覆盖率，提升模型预测精度。
根据初始预测模型所输出的光伏出力区间，计算初始预测模型的预测区间平均带宽。
在一些实施例中，可以根据计算初始预测模型的预测区间平均带宽；
其中，PINAW表示累积区间偏移误差，N表示样本数量，R表示预设的基准区间带宽，表示第i个训练样本对应的光伏出力区间的上限值，/>表示第i个训练样本对应的光伏出力区间的下限值。
预测区间平均带宽用于反应光伏出力区间的清晰度，避免因单纯追求可靠性，出现光伏出力区间过宽，而失去决策价值的情况。
根据预测区间覆盖率、累积区间偏移误差和预测区间平均带宽，计算初始预测模型的自适应函数。
在一些实施例中，可以根据NCWC＝(PIOAE+PINAW)expη*max(0,μ-PICP)计算初始预测模型的自适应函数；
其中，NCWC表示自适应函数，PIOAE表示累积区间偏移误差，PINAW表示预测区间平均带宽，η表示预设的置信水平与预测区间覆盖率之间的差异放大系数，μ表示预设的置信水平，PICP表示预测区间覆盖率。
本发明实施例在构建自适应函数时，同时兼顾到了光伏出力区间对于真实的光伏出力数据的覆盖情况、光伏出力区间的宽度以及光伏出力区间与真实的光伏出力数据之间的偏差情况。采用该自适应函数进行模型训练，可以有效保证光伏出力预测模型的训练精度。
相比于现有技术，本发明实施例的有益效果在于：
本发明实施例采用包含至少两个输入通道，且各输入通道所对应的卷积核尺寸均不同的PCNN模型以及设置两个输出节点的ELM模型来构建光伏出力预测模型，一方面使得光伏出力预测模型可以提取不同尺度下的特征信息，特征信息更加丰富全面，从而进一步挖掘特征矩阵中的深层次特征与规律，以便保证光伏出力预测模型的预测精度。另一方面，ELM模型设置两个输出节点用于预测输出光伏出力区间，可以避免出现陷入单点局部最优的情况。相比于传统的点预测法，区间预测的结果可以减小预测偏差，更加全面可靠。
另外，本发明实施例通过累积区间偏移误差、预测区间平均带宽和预测区间覆盖率来构建自适应函数，充分考虑到了光伏出力区间对于真实的光伏出力数据的覆盖情况、光伏出力区间的宽度以及光伏出力区间与真实的光伏出力数据之间的偏差情况，可以有效提升模型训练精度。并且，在计算累积区间偏移误差指标时，还引入了惩罚项来放大对于真实光伏出力数据超出光伏出力区间的惩罚，能够进一步提升模型训练精度。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图5示出了本发明实施例提供的光伏出力预测装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图5所示，光伏出力预测装置5包括：获取模块51和预测模块52。
获取模块51，用于获取光伏电场数据，并对光伏电场数据进行模态分解，得到特征矩阵；
预测模块52，用于将特征矩阵输入至光伏出力预测模型，得到光伏出力区间；光伏出力预测模型包括PCNN模型和ELM模型；PCNN模型包含至少两个输入通道，且各输入通道所对应的卷积核尺寸均不同；PCNN模型用于对特征矩阵进行特征提取融合，得到融合特征信息；ELM模型设置双输出节点，用于对融合特征信息进行预测，分别输出光伏出力区间的上限值和下限值。
在一种可能的实现方式中，预测模块52，用于获取历史光伏数据，对历史光伏数据进行预处理，得到训练样本集；
预测模块52，还用于根据预设的天气类型，对训练样本集中的所有训练样本进行聚类处理，对应得到不同天气类型下的训练样本子集；
预测模块52，还用于分别采用不同天气类型下的训练样本子集，对初始预测模型进行模型训练，对应得到不同天气类型所对应的光伏出力预测模型；
预测模块52，还用于获取当前的天气类型，并将特征矩阵输入至当前的天气类型所对应的光伏出力预测模型，得到光伏出力区间。
在一种可能的实现方式中，训练样本子集中的各训练样本中均包括：历史辐照度数据、历史温度数据、历史湿度数据和历史大气压强数据。
预测模块52，用于针对每一种天气类型下的训练样本子集，分别对各训练样本中的历史辐照度数据、历史温度数据、历史湿度数据和历史大气压强数据进行模态分解，对应得到历史特征矩阵；
预测模块52，还用于将历史特征矩阵输入至初始预测模型中进行模型训练，并实时计算初始预测模型的自适应函数，直到自适应函数最小时，完成模型训练，并将训练完成的初始预测模型，确定为当前天气类型所对应的光伏出力预测模型。
在一种可能的实现方式中，训练样本子集中的各训练样本中还包括：历史光伏出力数据；
预测模块52，用于根据初始预测模型所输出的光伏出力区间和历史光伏出力数据，分别计算初始预测模型的预测区间覆盖率和累积区间偏移误差；
预测模块52，还用于根据初始预测模型所输出的光伏出力区间，计算初始预测模型的预测区间平均带宽；
预测模块52，还用于根据预测区间覆盖率、累积区间偏移误差和预测区间平均带宽，计算初始预测模型的自适应函数。
在一种可能的实现方式中，预测模块52，用于根据计算初始预测模型的预测区间覆盖率；
其中，PICP表示预测区间覆盖率，N表示样本数量，Ni表示第i个训练样本，ki表示第i个训练样本对应的布尔量，如果第i个训练样本中的历史光伏出力数据处于光伏出力区间内，k＝1，否则，k＝0。
在一种可能的实现方式中，预测模块52，用于根据计算初始预测模型的累积区间偏移误差；
其中，PIOAE表示累积区间偏移误差，N表示样本数量，yi表示第i个训练样本中的历史光伏出力数据，表示第i个训练样本对应的光伏出力区间的上限值，/>表示第i个训练样本对应的光伏出力区间的下限值，λ表示第一惩罚系数，γ表示第二惩罚系数，d表示第i个训练样本中的历史光伏出力数据与第i个训练样本对应的光伏出力区间之间的距离。
在一种可能的实现方式中，预测模块52，用于根据计算初始预测模型的预测区间平均带宽；
其中，PINAW表示累积区间偏移误差，N表示样本数量，R表示预设的基准区间带宽，表示第i个训练样本对应的光伏出力区间的上限值，/>表示第i个训练样本对应的光伏出力区间的下限值。
在一种可能的实现方式中，预测模块52，还用于根据NCWC＝(PIOAE+PINAW)expη*max(0,μ-PICP)计算初始预测模型的自适应函数；
其中，NCWC表示自适应函数，PIOAE表示累积区间偏移误差，PINAW表示预测区间平均带宽，η表示预设的置信水平与所述预测区间覆盖率之间的差异放大系数，μ表示预设的置信水平，PICP表示预测区间覆盖率。
相比于现有技术，本发明实施例的有益效果在于：
本发明实施例采用包含至少两个输入通道，且各输入通道所对应的卷积核尺寸均不同的PCNN模型以及设置两个输出节点的ELM模型来构建光伏出力预测模型，一方面使得光伏出力预测模型可以提取不同尺度下的特征信息，特征信息更加丰富全面，从而进一步挖掘特征矩阵中的深层次特征与规律，以便保证光伏出力预测模型的预测精度。另一方面，ELM模型设置两个输出节点用于预测输出光伏出力区间，可以避免出现陷入单点局部最优的情况。相比于传统的点预测法，区间预测的结果可以减小预测偏差，更加全面可靠。
另外，预测模块52通过累积区间偏移误差、预测区间平均带宽和预测区间覆盖率来构建自适应函数，充分考虑到了光伏出力区间对于真实的光伏出力数据的覆盖情况、光伏出力区间的宽度以及光伏出力区间与真实的光伏出力数据之间的偏差情况，可以有效提升模型训练精度。并且，预测模块52在计算累积区间偏移误差指标时，还引入了惩罚项来放大对于真实光伏出力数据超出光伏出力区间的惩罚，能够进一步提升模型训练精度。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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、或者计算机软件和电子硬件的结合来实现。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。
所述集成的模块/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取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个光伏出力预测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种光伏出力预测方法，其特征在于，包括：
获取光伏电场数据，并对所述光伏电场数据进行模态分解，得到特征矩阵；
将所述特征矩阵输入至光伏出力预测模型，得到光伏出力区间；所述光伏出力预测模型包括并联卷积神经网络PCNN模型和极限学习机ELM模型；所述PCNN模型包含至少两个输入通道，且各输入通道所对应的卷积核尺寸均不同；所述PCNN模型用于对所述特征矩阵进行特征提取融合，得到融合特征信息；所述ELM模型设置双输出节点，用于对所述融合特征信息进行预测，分别输出所述光伏出力区间的上限值和下限值。
2.根据权利要求1所述的光伏出力预测方法，其特征在于，在将所述特征矩阵输入至光伏出力预测模型，得到光伏出力区间之前，还包括：
获取历史光伏数据，对所述历史光伏数据进行预处理，得到训练样本集；
根据预设的天气类型，对所述训练样本集中的所有训练样本进行聚类处理，对应得到不同天气类型下的训练样本子集；
分别采用不同天气类型下的训练样本子集，对初始预测模型进行模型训练，对应得到不同天气类型所对应的光伏出力预测模型；
所述将所述特征矩阵输入至光伏出力预测模型，得到光伏出力区间，包括：
获取当前的天气类型，并将所述特征矩阵输入至当前的天气类型所对应的光伏出力预测模型，得到光伏出力区间。
3.根据权利要求2所述的光伏出力预测方法，其特征在于，所述训练样本子集中的各训练样本中均包括：历史辐照度数据、历史温度数据、历史湿度数据和历史大气压强数据；
所述分别采用不同天气类型下的训练样本子集，对初始预测模型进行模型训练，对应得到不同天气类型所对应的光伏出力预测模型，包括：
针对每一种天气类型下的训练样本子集，分别对各训练样本中的历史辐照度数据、历史温度数据、历史湿度数据和历史大气压强数据进行模态分解，对应得到历史特征矩阵；
将所述历史特征矩阵输入至所述初始预测模型中进行模型训练，并实时计算所述初始预测模型的自适应函数，直到所述自适应函数最小时，完成模型训练，并将训练完成的初始预测模型，确定为当前天气类型所对应的光伏出力预测模型。
4.根据权利要求3所述的光伏出力预测方法，其特征在于，所述训练样本子集中的各训练样本中还包括：历史光伏出力数据；
实时计算所述初始预测模型的自适应函数，包括：
根据所述初始预测模型所输出的光伏出力区间和所述历史光伏出力数据，分别计算所述初始预测模型的预测区间覆盖率和累积区间偏移误差；
根据所述初始预测模型所输出的光伏出力区间，计算所述初始预测模型的预测区间平均带宽；
根据所述预测区间覆盖率、所述累积区间偏移误差和所述预测区间平均带宽，计算所述初始预测模型的自适应函数。
5.根据权利要求4所述的光伏出力预测方法，其特征在于，根据所述初始预测模型所输出的光伏出力区间和所述历史光伏出力数据，计算所述初始预测模型的预测区间覆盖率，包括：
根据计算所述初始预测模型的预测区间覆盖率；
其中，PICP表示所述预测区间覆盖率，N表示样本数量，Ni表示第i个训练样本，ki表示第i个训练样本对应的布尔量，如果第i个训练样本中的历史光伏出力数据处于所述光伏出力区间内，k＝1，否则，k＝0。
6.根据权利要求4所述的光伏出力预测方法，其特征在于，根据所述初始预测模型所输出的光伏出力区间和所述历史光伏出力数据，计算所述初始预测模型的累积区间偏移误差，包括：
根据计算初始预测模型的累积区间偏移误差；
其中，PIOAE表示所述累积区间偏移误差，N表示样本数量，yi表示第i个训练样本中的历史光伏出力数据，表示第i个训练样本对应的光伏出力区间的上限值，/>表示第i个训练样本对应的光伏出力区间的下限值，λ表示第一惩罚系数，γ表示第二惩罚系数，d表示第i个训练样本中的历史光伏出力数据与第i个训练样本对应的光伏出力区间之间的距离。
7.根据权利要求4所述的光伏出力预测方法，其特征在于，所述根据所述初始预测模型所输出的光伏出力区间，计算所述初始预测模型的预测区间平均带宽，包括：
根据计算所述初始预测模型的预测区间平均带宽；
其中，PINAW表示所述累积区间偏移误差，N表示样本数量，R表示预设的基准区间带宽，表示第i个训练样本对应的光伏出力区间的上限值，/>表示第i个训练样本对应的光伏出力区间的下限值。
8.根据权利要求4所述的光伏出力预测方法，其特征在于，根据所述预测区间覆盖率、所述累积区间偏移误差和所述预测区间平均带宽，计算所述初始预测模型的自适应函数，包括：
根据NCWC＝(PIOAE+PINAW)expη*max(0,μ-PICP)计算所述初始预测模型的自适应函数；
其中，NCWC表示所述自适应函数，PIOAE表示所述累积区间偏移误差，PINAW表示所述预测区间平均带宽，η表示预设的置信水平与所述预测区间覆盖率之间的差异放大系数，μ表示预设的置信水平，PICP表示所述预测区间覆盖率。
9.一种光伏出力预测装置，其特征在于，包括：
获取模块，用于获取光伏电场数据，并对所述光伏电场数据进行模态分解，得到特征矩阵；
预测模块，用于将所述特征矩阵输入至光伏出力预测模型，得到光伏出力区间；所述光伏出力预测模型包括PCNN模型和ELM模型；所述PCNN模型包含至少两个输入通道，且各输入通道所对应的卷积核尺寸均不同；所述PCNN模型用于对所述特征矩阵进行特征提取融合，得到融合特征信息；所述ELM模型设置双输出节点，用于对所述融合特征信息进行预测，分别输出所述光伏出力区间的上限值和下限值。
10.根据权利要求9所述的光伏出力预测装置，其特征在于，
所述预测模块，用于获取历史光伏数据，对所述历史光伏数据进行预处理，得到训练样本集；
所述预测模块，还用于根据预设的天气类型，对所述训练样本集中的所有训练样本进行聚类处理，对应得到不同天气类型下的训练样本子集；
所述预测模块，还用于分别采用不同天气类型下的训练样本子集，对初始预测模型进行模型训练，对应得到不同天气类型所对应的光伏出力预测模型；
所述预测模块，还用于获取当前的天气类型，并将所述特征矩阵输入至当前的天气类型所对应的光伏出力预测模型，得到光伏出力区间。
CN202311287472.5A 2023-10-07 2023-10-07 光伏出力预测方法及装置 Pending CN117353373A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311287472.5A CN117353373A (zh) 2023-10-07 2023-10-07 光伏出力预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311287472.5A CN117353373A (zh) 2023-10-07 2023-10-07 光伏出力预测方法及装置

Publications (1)

Publication Number Publication Date
CN117353373A true CN117353373A (zh) 2024-01-05

Family

ID=89362449

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311287472.5A Pending CN117353373A (zh) 2023-10-07 2023-10-07 光伏出力预测方法及装置

Country Status (1)

Country Link
CN (1) CN117353373A (zh)

Similar Documents

Publication Publication Date Title
CN110263846B (zh) 基于故障数据深度挖掘及学习的故障诊断方法
CN116757534B (zh) 一种基于神经训练网络的智能冰箱可靠性分析方法
CN113642225A (zh) 一种基于attention机制的CNN-LSTM短期风电功率预测方法
CN114386324A (zh) 一种基于转折性时段识别的超短期风电功率分段预测方法
CN113344288B (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN112288137A (zh) 一种计及电价和Attention机制的LSTM短期负荷预测方法及装置
CN112363896A (zh) 日志异常检测系统
CN117117859A (zh) 基于神经网络的光伏发电功率预测方法及系统
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN116702090A (zh) 一种多模态数据融合与不确定估计的水位预测方法及系统
CN116720620A (zh) 一种基于IPSO算法优化CNN-BiGRU-Attention网络模型的储粮通风温度预测方法
CN113205223A (zh) 一种电量预测系统及其预测方法
CN111984514A (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
CN117290673A (zh) 一种基于多模型融合的船舶能耗高精度预测系统
CN117353373A (zh) 光伏出力预测方法及装置
CN117933531A (zh) 一种分布式光伏发电功率预测系统及方法
CN115794805A (zh) 一种中低压配网量测数据补齐方法
CN117096860A (zh) 基于lssvm模型的架空输电线路载流量区间预测方法及设备
CN115293249A (zh) 一种基于动态时序预测的电力系统典型场景概率预测方法
CN115048856A (zh) 一种基于ms-alstm的滚动轴承剩余寿命预测方法
CN113361768A (zh) 一种粮食库健康状况预测方法，存储设备及服务器
CN118199061B (zh) 一种可再生能源的短期功率预测方法及系统
CN114595878B (zh) 一种基于广义负荷分离结果的负荷预测方法
CN117633456B (zh) 基于自适应焦点损失的海上风电天气事件辨识方法和装置

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