CN117458484A - 高容配比光伏短期功率预测方法、装置、设备及存储介质 - Google Patents
高容配比光伏短期功率预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117458484A CN117458484A CN202311705136.8A CN202311705136A CN117458484A CN 117458484 A CN117458484 A CN 117458484A CN 202311705136 A CN202311705136 A CN 202311705136A CN 117458484 A CN117458484 A CN 117458484A
- Authority
- CN
- China
- Prior art keywords
- power
- historical
- period
- prediction
- weather
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000009194 climbing Effects 0.000 claims abstract description 25
- 238000010248 power generation Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 49
- 230000015654 memory Effects 0.000 claims description 38
- 230000005855 radiation Effects 0.000 claims description 38
- 238000010276 construction Methods 0.000 claims description 27
- 238000010606 normalization Methods 0.000 claims description 23
- 230000001174 ascending effect Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 8
- 230000000630 rising effect Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 11
- 238000005065 mining Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000009412 basement excavation Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000002759 z-score normalization Methods 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Power Engineering (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Photovoltaic Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种高容配比光伏短期功率预测方法、装置、设备及存储介质,涉及光伏发电、功率预测技术领域。该方法基于深度学习方法并结合业务背景,并通过历史出力数据和气象数据的方式将场站数据集划分为不同的天气类型,通过提取不同天气条件下场站的爬坡特征,从而借助深度学习思想所训练得到的对高容配比光伏发电站的实际天气、时段与功率之间的准确对应关系的学习和挖掘,进而使得光伏短期预测结果准确率更高,有效降低高容配比场站出力爬坡阶段的预测误差。
Description
技术领域
本公开涉及数据处理技术领域,具体涉及光伏发电、功率预测技术领域,尤其涉及一种高容配比光伏短期功率预测方法、装置、电子设备、计算机可读存储介质及计算机程序产品。
背景技术
当高容配比光伏电站的天气情况为晴天时,其出力特征与正常电站存在明显差异,主要体现在上午和下午的爬坡阶段。
由于直流侧增容设计是光伏电站扩容比的最佳选择,因此高容配比场站的出力通常能在早上9点之前达到该场站并网容量的85%左右。相比以辐照度为基础的传统功率预测方法,这个过程难以被准确捕捉。
如何准确捕捉并预测实际功率,是本领域技术人员亟待解决的问题。
发明内容
本公开实施例提出了一种高容配比光伏短期功率预测方法、装置、电子设备及计算机可读存储介质。
第一方面,本公开实施例提出了一种高容配比光伏短期功率预测方法,包括:针对晴天,获取高容配比光伏发电站的历史实际功率和对应的时间戳,并对历史实际功率和时间戳分别进行归一化处理,得到归一化数据;利用具有不同大小的卷积层和池化层的卷积神经网络提取归一化数据中不同时间尺度上的特征,得到局部特征;使用注意力机制对经长短期记忆网络处理后的局部特征进行加权,得到以张量形式表示的目标特征和长短期记忆网络输出的预测功率,并根据预测功率分别构造得到上升速率特征和时间间隔特征;获取与历史实际功率对应时间段的历史天气预报数据,并将历史天气预报数据经标准化处理后与目标特征和上升速率特征和时间间隔特征进行叠加,且以相应时段的历史实际功率作为目标真值构造得到第一训练样本;将第一训练样本基于长短期记忆网络的网络框架对实际功率进行预测,训练得到晴天功率预测模型;基于晴天功率预测模型对距当前不超过预设时长的目标时段的功率进行预测,得到预测结果。
在第一方面的一些其它实施例中,对历史实际功率和时间戳分别进行归一化处理,得到归一化数据,包括:
对按预设时长作为时间分辨率的时间戳转换为数值特征;
对数值特征进行正余弦处理,得到归一化时间数据;
对历史实际功率进行归一化处理,得到归一化功率数据。
在第一方面的一些其它实施例中,根据预测功率分别构造得到上升速率特征和时间间隔特征,包括:
计算预测功率的差分,并将差分计算结果除以时间间隔,得到表征功率变化速度的上升速率特征;
计算预测功率在相邻时间间隔之间的差值,得到表征功率爬坡速度的时间间隔特征。
在第一方面的一些其它实施例中,高容配比光伏发电站指光伏组件的装机容量与逆变器的额定容量之间的比值高于预设阈值的光伏发电站。
在第一方面的一些其它实施例中,该方法还包括:
针对云天,获取高容配比光伏发电站的历史气象数据和历史实际功率,并根据历史气象数据和历史实际功率计算得到清晰度指数和直射比,且对清晰度指数和直射比进行标准化处理后计算与历史实际功率对应的相关性系数;
将计算出与历史实际功率具有最高相关性系数的三个气象变量,构建聚类指标作为聚类算法的分类指标,并按照分类指标将天气类型划分为三类;
根据在不同的天气类型下气象变量与高容配比光伏发电站下发电设备的实际出力之间的相关性,去除相关性低或不相关的气象变量,得到高相关性气象变量;
分别为不同的天气类型下的高相关性气象变量和对应的历史实际功率构造得到第二训练样本,分别将不同的天气类型下的第二训练样本基于长短期记忆网络的网络框架进行训练,训练得到云天功率预测模型;
对应的,基于晴天功率预测模型对距当前不超过预设时长的目标时段的功率进行预测,得到预测结果,包括:
根据晴天功率预测模型对目标时段中的晴天时段的功率进行预测,得到晴天时段预测结果;
根据云天功率预测模型对目标时段中相应天气类型下的云天时段的功率进行预测,得到云天时段预测结果;
根据晴天时段预测结果和云天时段预测结果,汇总得到预测结果。
在第一方面的一些其它实施例中,历史气象数据包括:
预测总辐射、散射辐射、直射辐射、总云量、风速、温度、相对湿度、降水量、气压、能见度中的至少一项。
在第一方面的一些其它实施例中,该方法还包括:
获取高容配比光伏发电站的历史预测总辐射和历史预测总云量;
根据历史预测总辐射和历史预测总云量以及对应的加权系数,构造天气分型综合指数;
将目标时段中具有超过预设阈值的时刻的天气划分为云天;
将目标时段中具有不超过预设阈值的时刻的天气划分为晴天。
第二方面,本公开实施例提出了一种高容配比光伏短期功率预测装置,包括:归一化处理单元,被配置成针对晴天,获取高容配比光伏发电站的历史实际功率和对应的时间戳,并对历史实际功率和时间戳分别进行归一化处理,得到归一化数据;局部特征提取单元,被配置成利用具有不同大小的卷积层和池化层的卷积神经网络提取归一化数据中不同时间尺度上的特征,得到局部特征;特征构造单元,被配置成使用注意力机制对经长短期记忆网络处理后的局部特征进行加权,得到以张量形式表示的目标特征和长短期记忆网络输出的预测功率,并根据预测功率分别构造得到上升速率特征和时间间隔特征;第一训练样本构造单元,被配置成获取与历史实际功率对应时间段的历史天气预报数据,并将历史天气预报数据经标准化处理后与目标特征和上升速率特征和时间间隔特征进行叠加,且以相应时段的历史实际功率作为目标真值构造得到第一训练样本;晴天功率预测模型构建单元,被配置成将第一训练样本基于长短期记忆网络的网络框架对实际功率进行预测,训练得到晴天功率预测模型;预测单元,被配置成基于晴天功率预测模型对距当前不超过预设时长的目标时段的功率进行预测,得到预测结果。
在第二方面的一些其它实施例中,归一化处理单元被进一步配置成:
对按预设时长作为时间分辨率的时间戳转换为数值特征;
对数值特征进行正余弦处理,得到归一化时间数据;
对历史实际功率进行归一化处理,得到归一化功率数据。
在第二方面的一些其它实施例中,特征构造单元包括被配置成根据预测功率分别构造得到上升速率特征和时间间隔特征的特征构造子单元,特征构造子单元被进一步配置成:
计算预测功率的差分,并将差分计算结果除以时间间隔,得到表征功率变化速度的上升速率特征;
计算预测功率在相邻时间间隔之间的差值,得到表征功率爬坡速度的时间间隔特征。
在第二方面的一些其它实施例中,高容配比光伏发电站指光伏组件的装机容量与逆变器的额定容量之间的比值高于预设阈值的光伏发电站。
在第二方面的一些其它实施例中,该装置还包括:
相关性系数计算单元,被配置成针对云天,获取高容配比光伏发电站的历史气象数据和历史实际功率,并根据历史气象数据和历史实际功率计算得到清晰度指数和直射比,且对清晰度指数和直射比进行标准化处理后计算与历史实际功率对应的相关性系数;
天气类型划分单元,被配置成将计算出与历史实际功率具有最高相关性系数的三个气象变量,构建聚类指标作为聚类算法的分类指标,并按照分类指标将天气类型划分为三类;
高相关性气象变量确定单元,被配置成根据在不同的天气类型下气象变量与高容配比光伏发电站下发电设备的实际出力之间的相关性,去除相关性低或不相关的气象变量,得到高相关性气象变量;
第二训练样本构造及云天功率预测模型构造单元,被配置成分别为不同的天气类型下的高相关性气象变量和对应的历史实际功率构造得到第二训练样本,分别将不同的天气类型下的第二训练样本基于长短期记忆网络的网络框架进行训练,训练得到云天功率预测模型;
对应的,预测单元被进一步配置成:
根据晴天功率预测模型对目标时段中的晴天时段的功率进行预测,得到晴天时段预测结果;
根据云天功率预测模型对目标时段中相应天气类型下的云天时段的功率进行预测,得到云天时段预测结果;
根据晴天时段预测结果和云天时段预测结果,汇总得到预测结果。
在第二方面的一些其它实施例中,历史气象数据包括:
预测总辐射、散射辐射、直射辐射、总云量、风速、温度、相对湿度、降水量、气压、能见度中的至少一项。
在第二方面的一些其它实施例中,该装置还包括:
获取高容配比光伏发电站的历史预测总辐射和历史预测总云量;
根据历史预测总辐射和历史预测总云量以及对应的加权系数,构造天气分型综合指数;
将目标时段中具有超过预设阈值的时刻的天气划分为云天;
将目标时段中具有不超过预设阈值的时刻的天气划分为晴天。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现如第一方面中任一实现方式描述的高容配比光伏短期功率预测方法。
第四方面,本公开实施例提供了一种存储有计算机指令的非瞬时计算机可读存储介质,该计算机指令用于使计算机执行时能够实现如第一方面中任一实现方式描述的高容配比光伏短期功率预测方法。
为解决高容配比场站爬坡阶段出力迅速、功率难预测的问题,本公开所提供的高容配比光伏短期功率预测方案,基于深度学习方法并结合业务背景,并通过历史出力数据和气象数据的方式将场站数据集划分为不同的天气类型,通过提取不同天气条件下场站的爬坡特征,从而借助深度学习思想所训练得到的对高容配比光伏发电站的实际天气、时段与功率之间的准确对应关系的学习和挖掘,进而使得光伏短期预测结果准确率更高,有效降低高容配比场站出力爬坡阶段的预测误差。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1为本公开实施例提供的一种高容配比光伏短期功率预测方法的流程图;
图2为本公开实施例提供的一种云天功率预测模型及预测结果确定方法的流程图;
图3为本公开实施例提供的另一种高容配比光伏短期功率预测方法的流程示意图;
图4为本公开实施例提供的一种高容配比光伏短期功率预测装置的结构框图;
图5为本公开实施例提供的一种适用于执行高容配比光伏短期功率预测方法的电子设备的结构示意图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
本公开的技术方案中,所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理,均符合相关法律法规的规定,且不违背公序良俗。
请参考图1,图1为本公开实施例提供的一种高容配比光伏短期功率预测方法的流程图,其中包括以下步骤:
步骤101:针对晴天,获取高容配比光伏发电站的历史实际功率和对应的时间戳,并对历史实际功率和时间戳分别进行归一化处理,得到归一化数据;
本步骤旨在由高容配比光伏短期功率预测方法的执行主体(例如本地运算终端或远程运算终端,例如本地工作站或远端服务器)获取晴天情况下作为目标对象的高容配比光伏发电站的历史实际功率和对应的时间戳,并对历史实际功率和时间戳分别进行归一化处理,得到归一化数据。
其中,光伏电站的容配比指的是光伏组件的装机容量与逆变器的额定容量之间的比值,这个比值反映了光伏电站中光伏组件与逆变器之间的匹配关系,对电站的发电效率和运行安全性有重要影响。过小的逆变器容量导致功率损失和运行不稳定。因此,选择逆变器时确保其额定容量能够满足系统的最大输出功率;过大的逆变器容量会导致系统在低负载运行时效率较低。因此,逆变器的容量应根据实际情况进行合理选择。而高容配比光伏发电站则是指光伏组件的装机容量与逆变器的额定容量之间的比值高于预设阈值的光伏发电站。
具体的,作为目标对象的高容配比光伏发电站的历史实际功率和对应的时间戳还可以功率序列的方式被记录和表示存在,因此后续的归一化处理也可以看作是对功率序列中的功率信息和时间信息分别进行归一化处理的过程。一种包括且不限于的归一化实现方式可以为:
对按预设时长作为时间分辨率的时间戳转换为数值特征,然后对该数值特征进行正余弦处理,得到归一化时间数据;以及对该历史实际功率进行归一化处理,得到归一化功率数据。进而通过归一化处理后得到在预设范围的各数值,以便于统一后续处理。
步骤102:利用具有不同大小的卷积层和池化层的卷积神经网络提取归一化数据中不同时间尺度上的特征,得到局部特征;
在步骤101的基础上,本步骤旨在由上述执行主体借助特定的卷积神经网络(该网络旨在处理归一化数据中的不同时间尺度上的特征)来从归一化数据中提取不同时间尺度上的特征,得到用于表征爬坡情况的局部特征。
其中,不同大小的卷积层指的是网络中的卷积层采用了不同大小的卷积核。卷积核是一小块用于在输入数据上滑动的矩阵,通过与输入数据进行卷积操作来提取特征。使用不同大小的卷积核有助于捕捉不同尺度上的特征,从而提高网络对输入数据的理解能力;不同大小的池化层则意味着网络可能使用了不同尺寸的池化窗口,这有助于在不同层次上对特征进行抽象,从而使网络对输入数据的不同时间尺度上的特征更为敏感。因此,在这一结构设置下的网络中的主要目标是从归一化的时间序列数据中学习和提取特征。通过采用不同大小的卷积核和池化窗口,网络能够对不同时间尺度上的特征进行建模,从而更全面地理解输入数据的结构和模式。
这种架构的优势在于其能够适应不同时间尺度上的变化,使得网络更具有通用性,而不仅仅适用于特定的时间尺度。这对于处理时间序列数据中的多尺度特征(如波动和趋势)是非常有用的。
步骤103:使用注意力机制对经长短期记忆网络处理后的局部特征进行加权,得到以张量形式表示的目标特征和长短期记忆网络输出的预测功率,并根据预测功率分别构造得到上升速率特征和时间间隔特征;
在步骤102的基础上,本步骤旨在由上述执行主体将输出的局部特征作为长短期记忆网络(Long Short-Term Memory,LSTM)的输入,并通过LSTM的三个门(输入门、遗忘门和输出门)和记忆单元来进一步筛选,以便保留重要的特征并遗忘不重要的特征,然后使用注意力机制对LSTM的输出进行加权,突出重要的特征,并将加权后的特征保存为张量形式并记作该目标特征以及最后输出预测功率,以及利用该预测功率可分析得到该发电站功率的爬坡特征,具体的,分别构造出上升速率特征和时间间隔特征,该上升速率特征是通过计算预测功率的差分并除以时间间隔得到,该指标代表了功率的变化速度,而时间间隔特征为相邻时间步之间的差值,该值大小代表了功率的爬坡速度。
步骤104:获取与历史实际功率对应时间段的历史天气预报数据,并将历史天气预报数据经标准化处理后与目标特征和上升速率特征和时间间隔特征进行叠加,且以相应时段的历史实际功率作为目标真值构造得到第一训练样本;
在步骤103的基础上,本步骤旨在由上述执行主体获取与历史实际功率对应时间段的历史天气预报数据,并将历史天气预报数据经标准化处理(例如可具体采用Z-score标准化处理)后与目标特征和上升速率特征和时间间隔特征进行叠加,且以相应时段的历史实际功率作为目标真值构造得到第一训练样本。
需要说明的是,之所以要将上述四种特征进行叠加,其中的历史天气预报数据用于作为相应时段的实际天气数据、目标特征用于作为全局层面表示的爬坡特征,而上升速率特征和时间间隔特征则分别作为表征爬坡的两个不同维度特征的方式存在,即上述四种特征的叠加实际上就是使得最终构成的多维特征尽可能的覆盖全部维度。
步骤105:将第一训练样本基于长短期记忆网络的网络框架对实际功率进行预测,训练得到晴天功率预测模型;
在步骤104的基础上,本步骤旨在由上述执行主体将第一训练样本基于长短期记忆网络的网络框架对实际功率进行预测,训练得到晴天功率预测模型。进一步的,在构建第一训练样本的同时还可以划分出同源的第一测试样本,然后对初步训练得到的晴天功率预测模型通过第一测试样本进行有效性测试,并最终将通过有效性测试的模型输出为可用的晴天功率预测模型。
步骤106:基于晴天功率预测模型对距当前不超过预设时长的目标时段的功率进行预测,得到预测结果。
在步骤105的基础上,本步骤旨在由上述执行主体基于晴天功率预测模型对距当前不超过预设时长的目标时段的功率进行预测,得到预测结果。
其中,目标时段为距当前不超过预设时长的时段,以基于时间上的周期上和关联性,基于历史数据完成对近期内的功率的准确预测,避免进行长期的不准确的功率预测。
为解决高容配比场站爬坡阶段出力迅速、功率难预测的问题,本公开所提供的高容配比光伏短期功率预测方法,基于深度学习方法并结合业务背景,并通过历史出力数据和气象数据的方式将场站数据集划分为不同的天气类型,通过提取不同天气条件下场站的爬坡特征,从而借助深度学习思想所训练得到的对高容配比光伏发电站的实际天气、时段与功率之间的准确对应关系的学习和挖掘,进而使得光伏短期预测结果准确率更高,有效降低高容配比场站出力爬坡阶段的预测误差。
考虑到目标时段内可能不仅仅包含云量较少的晴天时段,还有可能出现云天时段,因此为了得到更准确的预测结果,还请参考图2,图2为本公开实施例提供的一种云天功率预测模型及预测结果确定方法的流程图,其中包括以下步骤:
步骤201:针对云天,获取高容配比光伏发电站的历史气象数据和历史实际功率,并根据历史气象数据和历史实际功率计算得到清晰度指数和直射比,且对清晰度指数和直射比进行标准化处理后计算与历史实际功率对应的相关性系数;
本步骤旨在由上述执行主体获取云天情况下高容配比光伏发电站的历史气象数据和历史实际功率,并根据历史气象数据和历史实际功率计算得到清晰度指数和直射比,且对清晰度指数和直射比进行标准化处理后计算与历史实际功率对应的相关性系数。
其中,考虑到云天情况下的复杂度,还可以仅获取距当前时间不早于预设时段的历史时段内的气象数据和实际功率,以表面过早时段内的气象数据和实际功率不具备参考价值,例如仅采用距当前不早于半年内的气象数据和实际功率。
具体的,气象数据可以包括预测总辐射ghi,散射辐射dhi、直射辐射dni、总云量C、风速W、温度T、相对湿度RH、降水量RA、气压p、能见度V等数据,并通过上述变量计算清晰度指数kT和直射比Bd。对以上进行标准化处理,计算与实际功率的相关性系数P,其中,清晰度指数kT的计算公式为:其中I表示水平面上小时太阳总辐射量,I0表示大气层外水平面上小时太阳辐射量,/>式中,γ为太阳方位角,δ为太阳赤纬角,Esc为太阳常数,Esc=1367W/m2。
步骤202:将计算出与历史实际功率具有最高相关性系数的三个气象变量,构建聚类指标作为聚类算法的分类指标,并按照分类指标将天气类型划分为三类;
在步骤201的基础上,本步骤旨在由上述执行主体将计算出与历史实际功率具有最高相关性系数的三个气象变量(例如水平总辐射ghi、清晰度指数kT和总云量C),并结合这三个气象变量各自的权重系数构建聚类指标,同时将其作为聚类算法的分类指标,并按照分类指标将天气类型划分为三类。
步骤203:根据在不同的天气类型下气象变量与高容配比光伏发电站下发电设备的实际出力之间的相关性,去除相关性低或不相关的气象变量,得到高相关性气象变量;
在步骤202的基础上,本步骤旨在由上述执行主体根据在不同的天气类型下气象变量与高容配比光伏发电站下发电设备的实际出力之间的相关性,去除相关性低或不相关的气象变量,得到高相关性气象变量,以便于去除相关性变量、仅保留高相关性气象变量来简化计算。
步骤204:分别为不同的天气类型下的高相关性气象变量和对应的历史实际功率构造得到第二训练样本,分别将不同的天气类型下的第二训练样本基于长短期记忆网络的网络框架进行训练,训练得到云天功率预测模型;
在步骤203的基础上,本步骤旨在由上述执行主体分别为不同的天气类型下的高相关性气象变量和对应的历史实际功率构造得到第二训练样本(由于存在三种天气类型,因此将构造得到三个第二训练样本),分别将不同的天气类型下的第二训练样本基于长短期记忆网络的网络框架进行训练,训练得到云天功率预测模型。
进一步的,在构建第二训练样本的同时还可以划分出同源的第二测试样本,然后对初步训练得到的云天功率预测模型通过第而测试样本进行有效性测试,并最终将通过有效性测试的模型输出为可用的云天功率预测模型。
步骤205:根据晴天功率预测模型对目标时段中的晴天时段的功率进行预测,得到晴天时段预测结果;
步骤206:根据云天功率预测模型对目标时段中相应天气类型下的云天时段的功率进行预测,得到云天时段预测结果;
步骤207:根据晴天时段预测结果和云天时段预测结果,汇总得到预测结果。
步骤205-步骤207则是分别利用晴天功率预测模型和云天功率预测模型对构成目标时段的晴天时段和云天时段分别进行功率预测,并汇总各自输出的预测结果,以便于得到适配不同天气的预测模型共同输出的更准确的功率预测结果。
进一步的,为了区别晴天和云天,还可以预先获取该高容配比光伏发电站的历史预测总辐射和历史预测总云量,然后根据该历史预测总辐射和该历史预测总云量以及对应的加权系数,构造天气分型综合指数,接着将该目标时段中具有超过预设阈值的时刻的天气划分为云天、将该目标时段中具有不超过预设阈值的时刻的天气划分为晴天。进而只需要计算一个时刻下的实际天气分型综合指数,并通过与该预设阈值进行比较,就可以确定属于晴天状态还是云天状态。
为加深理解,本公开还结合一个具体应用场景,给出了一种完整且具体的实现方案,请参见如图3所示的流程示意图:
步骤1、获取光伏电站历史预测总辐射ghi和历史预测总云量C:
定义天气分型综合指数W=预测总辐射ghi*预测总辐射权重W1+((1-预测总云量C)*100)*预测总云量权重W2,其中W1和W2可根据经验进行设定。由于光伏电站出力特征较为明显,仅选取白天时间段数据。根据实际情况和需求,可把天气分型综合指数W阈值设定为350。若综合指数W高于350,说明该天气类型为晴天,当该值低于或等于350时,划分为云天。
步骤2、针对晴天和云天分别建立不同的模型:
晴天条件下,获取场站历史实际功率数据以及对应的时间戳(时间分辨率15min)。将时间戳转换为月、日、小时、分钟等各个时间单位的数值特征。并对月份、天数、小时数以及分钟数进行正弦和余弦处理,实际功率数据进行归一化处理。
步骤3、特征提取:
将上述预处理过的数据作为输入,利用CNN模型,通过使用不同大小的卷积层和池化层提取不同时间尺度上的特征,并提取功率序列中的局部特征。
步骤4、功率序列经CNN识别后提取出的爬坡特征作为LSTM的输入,并通过LSTM的三个门(输入门、遗忘门和输出门)和记忆单元来进一步筛选,以便保留重要的特征并遗忘不重要的特征。然后,使用注意力机制对LSTM的输出进行加权,突出重要的特征,并将加权后的特征保存为张量形式并记作CL_F,最后输出预测功率PF1。
步骤5、利用预测功率PF1可分析得到该场站功率的爬坡特征,分别构造上升速率特征和时间间隔特征。其中上升速率特征是通过计算PF1的差分并除以时间间隔得到,该指标代表了功率的变化速度。时间间隔特征为相邻时间步之间的差值,该值大小代表了功率的爬坡速度。
步骤6、获取上述历史实际功率数据对应时间段的天气预报数据,包含预测总辐射、温湿压等预测气象数据以及转化后的时间戳数据,对上述数据进行Z-score标准化,并将以上特征与CL_F、上升速率和时间间隔进行叠加。以历史实际功率作为目标值,划分训练集和测试集,构建新的LSTM模型对实际功率进行预测,可得到高容配比场站晴天条件下的预测功率。
步骤7、云天条件下,需对这一类型进行细分,选取约半年的15分钟分辨率的气象和实测功率数据,气象数据包括预测总辐射ghi,散射辐射dhi、直射辐射dni、总云量C、风速W、温度T、相对湿度RH、降水量RA、气压p、能见度V等数据,并通过上述变量计算清晰度指数kT和直射比Bd。对以上进行标准化处理,计算与实际功率的相关性系数P。其中清晰度指数kT的计算公式为:其中I表示水平面上小时太阳总辐射量,I0表示大气层外水平面上小时太阳辐射量,/> 式中,γ为太阳方位角,δ为太阳赤纬角,Esc为太阳常数,Esc=1367W/m2。
步骤8、最终选取相关性最高的三个变量水平总辐射ghi、清晰度指数kT和总云量C,构建聚类指标H=ω1ghi+ω2kT+ω3C,其中ω1、ω2、ω3为权重系数,与相关性系数P成比例且加和为1。作为K-means聚类算法的分类指标,最终将天气类型划分为三类。
步骤9、在不同的天气类型下,输入变量对光伏出力的影响程度不同,根据不同天气类型下气象变量与实际出力的相关性,剔除掉相关性低或不相关的变量。3种天气对应的输入变量见下表1:
表1不同天气类型输入变量选择
天气类型 | 输入变量 | |
天气类型1 | ghi,C,kT, | 多云 |
天气类型2 | ghi,C,kT,RH | 阴天 |
天气类型3 | ghi,RH,T | 下雨 |
步骤10、最后以历史实际功率作为目标值,划分训练集和测试集,构建新的LSTM模型对实际功率进行预测,可得到高容配比场站云天条件下的预测功率。
本实施例所提供的方案,基于深度学习方法并结合业务背景,通过历史出力数据和气象数据,将场站数据集划分为晴天和云天两种天气类型,通过提取晴天条件下场站的爬坡特征,以及对云天类型进行过细分,构建不同输入变量的数据集,分别得到了晴天条件下和云天条件下预测功率,最终可获得稳定、可靠的短期预测功率。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种高容配比光伏短期功率预测装置的一个实施例,该装置实施例与图1所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图4所示,本实施例的高容配比光伏短期功率预测装置400可以包括:归一化处理单元401、局部特征提取单元402、特征构造单元403、第一训练样本构造单元404、晴天功率预测模型构建单元405、预测单元406。其中,归一化处理单元401,被配置成针对晴天,获取高容配比光伏发电站的历史实际功率和对应的时间戳,并对历史实际功率和时间戳分别进行归一化处理,得到归一化数据;局部特征提取单元402,被配置成利用具有不同大小的卷积层和池化层的卷积神经网络提取归一化数据中不同时间尺度上的特征,得到局部特征;特征构造单元403,被配置成使用注意力机制对经长短期记忆网络处理后的局部特征进行加权,得到以张量形式表示的目标特征和长短期记忆网络输出的预测功率,并根据预测功率分别构造得到上升速率特征和时间间隔特征;第一训练样本构造单元404,被配置成获取与历史实际功率对应时间段的历史天气预报数据,并将历史天气预报数据经标准化处理后与目标特征和上升速率特征和时间间隔特征进行叠加,且以相应时段的历史实际功率作为目标真值构造得到第一训练样本;晴天功率预测模型构建单元405,被配置成将第一训练样本基于长短期记忆网络的网络框架对实际功率进行预测,训练得到晴天功率预测模型;预测单元406,被配置成基于晴天功率预测模型对距当前不超过预设时长的目标时段的功率进行预测,得到预测结果。
在本实施例中,高容配比光伏短期功率预测装置400中:归一化处理单元401、局部特征提取单元402、特征构造单元403、第一训练样本构造单元404、晴天功率预测模型构建单元405、预测单元406的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤101-106的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,归一化处理单元401被进一步配置成:
对按预设时长作为时间分辨率的时间戳转换为数值特征;
对数值特征进行正余弦处理,得到归一化时间数据;
对历史实际功率进行归一化处理,得到归一化功率数据。
在本实施例的一些可选的实现方式中,特征构造单元403包括被配置成根据预测功率分别构造得到上升速率特征和时间间隔特征的特征构造子单元,特征构造子单元被进一步配置成:
计算预测功率的差分,并将差分计算结果除以时间间隔,得到表征功率变化速度的上升速率特征;
计算预测功率在相邻时间间隔之间的差值,得到表征功率爬坡速度的时间间隔特征。
在本实施例的一些可选的实现方式中,高容配比光伏发电站指光伏组件的装机容量与逆变器的额定容量之间的比值高于预设阈值的光伏发电站。
在本实施例的一些可选的实现方式中,高容配比光伏短期功率预测装置400中还包括:
相关性系数计算单元,被配置成针对云天,获取高容配比光伏发电站的历史气象数据和历史实际功率,并根据历史气象数据和历史实际功率计算得到清晰度指数和直射比,且对清晰度指数和直射比进行标准化处理后计算与历史实际功率对应的相关性系数;
天气类型划分单元,被配置成将计算出与历史实际功率具有最高相关性系数的三个气象变量,构建聚类指标作为聚类算法的分类指标,并按照分类指标将天气类型划分为三类;
高相关性气象变量确定单元,被配置成根据在不同的天气类型下气象变量与高容配比光伏发电站下发电设备的实际出力之间的相关性,去除相关性低或不相关的气象变量,得到高相关性气象变量;
第二训练样本构造及云天功率预测模型构造单元,被配置成分别为不同的天气类型下的高相关性气象变量和对应的历史实际功率构造得到第二训练样本,分别将不同的天气类型下的第二训练样本基于长短期记忆网络的网络框架进行训练,训练得到云天功率预测模型;
对应的,预测单元406可以被进一步配置成:
根据晴天功率预测模型对目标时段中的晴天时段的功率进行预测,得到晴天时段预测结果;
根据云天功率预测模型对目标时段中相应天气类型下的云天时段的功率进行预测,得到云天时段预测结果;
根据晴天时段预测结果和云天时段预测结果,汇总得到预测结果。
在本实施例的一些可选的实现方式中,历史气象数据包括:
预测总辐射、散射辐射、直射辐射、总云量、风速、温度、相对湿度、降水量、气压、能见度中的至少一项。
在本实施例的一些可选的实现方式中,高容配比光伏短期功率预测装置400中还包括:
获取高容配比光伏发电站的历史预测总辐射和历史预测总云量;
根据历史预测总辐射和历史预测总云量以及对应的加权系数,构造天气分型综合指数;
将目标时段中具有超过预设阈值的时刻的天气划分为云天;
将目标时段中具有不超过预设阈值的时刻的天气划分为晴天。
本实施例作为对应于上述方法实施例的装置实施例存在。
为解决高容配比场站爬坡阶段出力迅速、功率难预测的问题,本公开所提供的高容配比光伏短期功率预测装置,基于深度学习方法并结合业务背景,并通过历史出力数据和气象数据的方式将场站数据集划分为不同的天气类型,通过提取不同天气条件下场站的爬坡特征,从而借助深度学习思想所训练得到的对高容配比光伏发电站的实际天气、时段与功率之间的准确对应关系的学习和挖掘,进而使得光伏短期预测结果准确率更高,有效降低高容配比场站出力爬坡阶段的预测误差。
根据本公开的实施例,本公开还提供了一种电子设备,该电子设备包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器执行时能够实现上述任意实施例所描述的高容配比光伏短期功率预测方法。
根据本公开的实施例,本公开还提供了一种可读存储介质,该可读存储介质存储有计算机指令,该计算机指令用于使计算机执行时能够实现上述任意实施例所描述的高容配比光伏短期功率预测方法。
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理,例如高容配比光伏短期功率预测方法。例如,在一些实施例中,高容配比光伏短期功率预测方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行上文描述的高容配比光伏短期功率预测方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行高容配比光伏短期功率预测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
为解决高容配比场站爬坡阶段出力迅速、功率难预测的问题,本公开所提供的高容配比光伏短期功率预测方案,基于深度学习方法并结合业务背景,并通过历史出力数据和气象数据的方式将场站数据集划分为不同的天气类型,通过提取不同天气条件下场站的爬坡特征,从而借助深度学习思想所训练得到的对高容配比光伏发电站的实际天气、时段与功率之间的准确对应关系的学习和挖掘,进而使得光伏短期预测结果准确率更高,有效降低高容配比场站出力爬坡阶段的预测误差。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (10)
1.一种高容配比光伏短期功率预测方法,其特征在于,包括:
针对晴天,获取高容配比光伏发电站的历史实际功率和对应的时间戳,并对所述历史实际功率和所述时间戳分别进行归一化处理,得到归一化数据;
利用具有不同大小的卷积层和池化层的卷积神经网络提取所述归一化数据中不同时间尺度上的特征,得到局部特征;
使用注意力机制对经长短期记忆网络处理后的局部特征进行加权,得到以张量形式表示的目标特征和所述长短期记忆网络输出的预测功率,并根据所述预测功率分别构造得到上升速率特征和时间间隔特征;
获取与所述历史实际功率对应时间段的历史天气预报数据,并将所述历史天气预报数据经标准化处理后与所述目标特征和所述上升速率特征和所述时间间隔特征进行叠加,且以相应时段的历史实际功率作为目标真值构造得到第一训练样本;
将所述第一训练样本基于长短期记忆网络的网络框架对实际功率进行预测,训练得到晴天功率预测模型;
基于所述晴天功率预测模型对距当前不超过预设时长的目标时段的功率进行预测,得到预测结果。
2.根据权利要求1所述的方法,其特征在于,所述对所述历史实际功率和所述时间戳分别进行归一化处理,得到归一化数据,包括:
对按预设时长作为时间分辨率的时间戳转换为数值特征;
对所述数值特征进行正余弦处理,得到归一化时间数据;
对所述历史实际功率进行归一化处理,得到归一化功率数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述预测功率分别构造得到上升速率特征和时间间隔特征,包括:
计算所述预测功率的差分,并将差分计算结果除以时间间隔,得到表征功率变化速度的上升速率特征;
计算所述预测功率在相邻时间间隔之间的差值,得到表征功率爬坡速度的时间间隔特征。
4.根据权利要求1所述的方法,其特征在于,所述高容配比光伏发电站指光伏组件的装机容量与逆变器的额定容量之间的比值高于预设阈值的光伏发电站。
5.根据权利要求1-4任一项所述的方法,其特征在于,还包括:
针对云天,获取所述高容配比光伏发电站的历史气象数据和历史实际功率,并根据所述历史气象数据和所述历史实际功率计算得到清晰度指数和直射比,且对所述清晰度指数和所述直射比进行标准化处理后计算与所述历史实际功率对应的相关性系数;
将计算出与所述历史实际功率具有最高相关性系数的三个气象变量,构建聚类指标作为聚类算法的分类指标,并按照所述分类指标将天气类型划分为三类;
根据在不同的天气类型下气象变量与所述高容配比光伏发电站下发电设备的实际出力之间的相关性,去除相关性低或不相关的气象变量,得到高相关性气象变量;
分别为不同的天气类型下的高相关性气象变量和对应的历史实际功率构造得到第二训练样本,分别将不同的天气类型下的第二训练样本基于长短期记忆网络的网络框架进行训练,训练得到云天功率预测模型;
对应的,所述基于所述晴天功率预测模型对距当前不超过预设时长的目标时段的功率进行预测,得到预测结果,包括:
根据所述晴天功率预测模型对所述目标时段中的晴天时段的功率进行预测,得到晴天时段预测结果;
根据所述云天功率预测模型对所述目标时段中相应天气类型下的云天时段的功率进行预测,得到云天时段预测结果;
根据所述晴天时段预测结果和所述云天时段预测结果,汇总得到所述预测结果。
6.根据权利要求5所述的方法,其特征在于,所述历史气象数据包括:
预测总辐射、散射辐射、直射辐射、总云量、风速、温度、相对湿度、降水量、气压、能见度中的至少一项。
7.根据权利要求5所述的方法,其特征在于,还包括:
获取所述高容配比光伏发电站的历史预测总辐射和历史预测总云量;
根据所述历史预测总辐射和所述历史预测总云量以及对应的加权系数,构造天气分型综合指数;
将所述目标时段中具有超过预设阈值的时刻的天气划分为所述云天;
将所述目标时段中具有不超过所述预设阈值的时刻的天气划分为所述晴天。
8.一种高容配比光伏短期功率预测装置,其特征在于,包括:
归一化处理单元,被配置成针对晴天,获取高容配比光伏发电站的历史实际功率和对应的时间戳,并对所述历史实际功率和所述时间戳分别进行归一化处理,得到归一化数据;
局部特征提取单元,被配置成利用具有不同大小的卷积层和池化层的卷积神经网络提取所述归一化数据中不同时间尺度上的特征,得到局部特征;
特征构造单元,被配置成使用注意力机制对经长短期记忆网络处理后的局部特征进行加权,得到以张量形式表示的目标特征和所述长短期记忆网络输出的预测功率,并根据所述预测功率分别构造得到上升速率特征和时间间隔特征;
第一训练样本构造单元,被配置成获取与所述历史实际功率对应时间段的历史天气预报数据,并将所述历史天气预报数据经标准化处理后与所述目标特征和所述上升速率特征和所述时间间隔特征进行叠加,且以相应时段的历史实际功率作为目标真值构造得到第一训练样本;
晴天功率预测模型构建单元,被配置成将所述第一训练样本基于长短期记忆网络的网络框架对实际功率进行预测,训练得到晴天功率预测模型;
预测单元,被配置成基于所述晴天功率预测模型对距当前不超过预设时长的目标时段的功率进行预测,得到预测结果。
9.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的高容配比光伏短期功率预测方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的高容配比光伏短期功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311705136.8A CN117458484A (zh) | 2023-12-12 | 2023-12-12 | 高容配比光伏短期功率预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311705136.8A CN117458484A (zh) | 2023-12-12 | 2023-12-12 | 高容配比光伏短期功率预测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117458484A true CN117458484A (zh) | 2024-01-26 |
Family
ID=89581975
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311705136.8A Pending CN117458484A (zh) | 2023-12-12 | 2023-12-12 | 高容配比光伏短期功率预测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117458484A (zh) |
-
2023
- 2023-12-12 CN CN202311705136.8A patent/CN117458484A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN116523140A (zh) | 窃电检测方法、装置、电子设备和存储介质 | |
CN116485031A (zh) | 短期电力负荷的预测方法、装置、设备及存储介质 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
CN117274266B (zh) | 痘痘严重程度的分级方法、装置、设备及存储介质 | |
CN117593115A (zh) | 信贷风险评估模型的特征值确定方法、装置、设备和介质 | |
CN115907159B (zh) | 一种相似路径台风的确定方法、装置、设备及介质 | |
CN116777038A (zh) | 微电网用电负荷预测方法、装置及存储介质 | |
CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
CN117458484A (zh) | 高容配比光伏短期功率预测方法、装置、设备及存储介质 | |
CN114691918B (zh) | 基于人工智能的雷达图像检索方法、装置以及电子设备 | |
CN115882451A (zh) | 新能源电站的发电功率预测方法、装置、以及设备 | |
CN115082385A (zh) | 基于光伏组件倾斜角的光伏电站缺陷预警方法及装置 | |
CN118330784A (zh) | 一种天气类型的确定方法、装置、设备及介质 | |
CN117131315B (zh) | 基于求解多元二次函数极值的超差电能表确定方法及介质 | |
CN116365288A (zh) | 基于晴天状态的光伏故障感知方法、装置、设备和介质 | |
CN116822740A (zh) | 配电网运维方案确定方法、装置、电子设备及存储介质 | |
CN117934137A (zh) | 一种基于模型融合的不良资产回收预测方法、装置及设备 | |
CN116307159A (zh) | 一种负荷预测方法、装置、电子设备和存储介质 | |
CN117953651A (zh) | 低温雨雪冰冻灾害的风险评估方法、装置、设备及介质 | |
CN116484264A (zh) | 用电用户分类方法、装置、用户分类设备和存储介质 | |
CN118014018A (zh) | 一种楼宇能源消耗预测方法、装置、设备及存储介质 | |
CN115774789A (zh) | 一种知识图谱的确定方法、装置、设备及存储介质 | |
CN115204034A (zh) | 一种基于深度学习的风电功率建模方法、系统和电子设备 |
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 |