CN117669960A - 一种基于多变量气象因子的新能源功率预测方法 - Google Patents
一种基于多变量气象因子的新能源功率预测方法 Download PDFInfo
- Publication number
- CN117669960A CN117669960A CN202311675326.XA CN202311675326A CN117669960A CN 117669960 A CN117669960 A CN 117669960A CN 202311675326 A CN202311675326 A CN 202311675326A CN 117669960 A CN117669960 A CN 117669960A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- new energy
- 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 40
- 238000010248 power generation Methods 0.000 claims abstract description 117
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 53
- 238000012417 linear regression Methods 0.000 claims abstract description 51
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 22
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000003908 quality control method Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 238000002372 labelling Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012804 iterative process Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 5
- 230000005855 radiation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种基于多变量气象因子的新能源功率预测方法,包括:判断新能源发电量与气象因子的线性相关度,建立发电量与气象因子的数据集;根据发电量与气象因子的数据集,建立多元线性回归模型;获取气象因子预报数据,通过回归模型进行确定性预报;根据气象因子预报误差,进行不确定性预报和概率预报;构建卷积神经网络模型,建立气象场与新能源发电量之间的非线性隐含映射关系;建立结合线性回归和卷积神经网络的新能源发电量预测模型;根据新增数据调整模型,对预测结果进行错误检验,优化模型;通过新能源发电量预测结果进行电力调度分析,制定电力调度优化方案;根据极端天气场景数据,调整电力调度优化方案。
Description
技术领域
本发明涉及信息技术领域,尤其涉及一种基于多变量气象因子的新能源功率预测方法。
背景技术
在新能源发电领域中,准确预测新能源发电量对于电力调度和能源管理至关重要。当前的新能源发电量预测方法主要基于气象因子,如温度、风速、日照等来进行预测。然而,极端天气场景下,气象因子可能出现剧烈变化,如风速的急剧增加或温度的急剧降低,这会直接影响新能源的发电量,传统方法难以捕捉并准确预测这种变化,导致预测结果的误差较大。例如,在强风暴或极寒天气中,传统方法无法准确预测风力发电的产出,导致电力调度无法及时响应,造成电网压力异常、能源浪费或能源不足等问题的发生。此外,传统方法无法充分利用多个气象因子之间的复杂非线性关系。在实际情况中,不同的气象因子与新能源发电量之间可能存在着复杂的相互作用和非线性关系。风速、温度和日照等气象因子之间相互影响,通过线性模型很难构建准确的预测模型。传统方法没有在预测中充分考虑这种复杂关系,导致预测结果的准确性和稳定性受到限制。传统方法大多基于新能源发电量的预测来进行电力调度,但由于其无法准确预测极端天气场景下的发电量,以及综合考虑气象因子与新能源发电量之间的线性和非线性关系。导致无法制定准确的电力调度优化方案,电力系统无法根据实际情况进行合理的负荷调配和电力分配。这可能导致电网过载、电力供需不平衡和能源浪费等问题的出现。
发明内容
本发明提供了一种基于多变量气象因子的新能源功率预测方法,主要包括:
判断新能源发电量与气象因子的线性相关度,建立发电量与气象因子的数据集;根据发电量与气象因子的数据集,建立多元线性回归模型;获取气象因子预报数据,通过回归模型进行确定性预报;根据气象因子预报误差,进行不确定性预报和概率预报;构建卷积神经网络模型,建立气象场与新能源发电量之间的非线性隐含映射关系;建立结合线性回归和卷积神经网络的新能源发电量预测模型;根据新增数据调整模型,对预测结果进行错误检验,优化模型;通过新能源发电量预测结果进行电力调度分析,制定电力调度优化方案;根据极端天气场景数据,调整电力调度优化方案。
在一种实施方式中,所述判断新能源发电量与气象因子的线性相关度,建立发电量与气象因子的数据集,包括:
获取新能源发电量时间序列数据;获取与发电量时间序列数据对应时段的气象站观测数据;对发电量时间序列数据和对应时段的气象站观测数据进行质量控制,过滤和标注异常值;通过计算皮尔逊相关系数,判断发电量与气象因子的线性相关度;所述气象因子为影响气候和天气变化的要素;筛选发电量与不同气象因子线性相关度高于阈值的气象因子;建立发电量与气象因子的数据集。
在一种实施方式中,所述根据发电量与气象因子的数据集,建立多元线性回归模型,包括:
获取发电量与气象因子的数据集,对数据进行预处理;将数据集划分为训练集和测试集;以气象因子作为自变量,发电量为因变量,采用普通最小二乘法建立多元线性回归模型,通过训练集的数据进行参数估计和模型拟合;评估模型的拟合优度和统计显著性;对每个自变量解释其参数估计结果,并进行相关的假设检验,确定其对发电量的影响是否显著;在模型中排除不显著的自变量,保留对发电量具有显著影响的变量,重新建立模型,并进行评估。
在一种实施方式中,所述获取气象因子预报数据,通过回归模型进行确定性预报,包括:
获取气象站观测数据;对气象站观测数据进行数据同化和数据再分析,得到气象重分析场数据;选择mesoscale天气研究预报模型中的WRF模型作为预报模型;确定WRF模型中的网格划分和空间分辨率,设定模型中的物理参数化方案;将气象重分析场数据作为WRF模型的初始场;运行WRF模型,将输出结果与实际观测数据进行对比和验证,评估模型的性能和预报准确性;获取指定预测周期内的预报精度高于阈值的气象因子预报数据;若气象因子预报数据分辨率低于分辨阈值,通过双线性插值方法提高气象因子预报数据分辨率;将气象因子预报数据作为输入,代入已建立的新能源发电量多元线性回归模型,得到指定预测周期内的新能源发电量确定性预报结果。
在一种实施方式中,所述根据气象因子预报误差,进行不确定性预报和概率预报,包括:
获取气象因子预报数据和同期实际观测值,统计气象因子预报误差的概率分布规律;根据气象因子预报误差的概率分布规律,建立气象因子的预报不确定性分布模型;根据不同地区、不同季节及气象因子的预报不确定性分布模型,拟合出预报误差随时空变化的概率密度函数;根据预报误差随时空变化的概率密度函数,生成气象预测场样本;分别将气象预测场样本代入已建立的新能源发电量多元线性回归模型,得到总发电量预估的确定性区间预测结果;进行不确定预报,统计不同确定性水平下的预报发电量上下限,绘制预报预测区间;采用蒙特卡洛方法根据不确定因素,进行新能源发电量的概率预报;所述不确定因素为影响新能源发电量的气象因子预测误差、市场需求波动和设备故障因素;得到新能源发电量在不同概率下的预测值。
在一种实施方式中,所述构建卷积神经网络模型,建立气象场与新能源发电量之间的非线性隐含映射关系,包括:
获取新能源发电量时间序列数据;获取与发电量时间序列数据对应时段的气象站观测数据;根据发电量时间序列数据和对应时段的气象站观测数据,构建卷积神经网络模型;输入层接收气象站观测数据,初始化网络参数,设置卷积层、池化层和全连接层,提取输入层数据的局地特征;全连接层将特征映射为发电量的函数关系,根据网络的结构和参数,通过将输入数据传递到网络中,逐层计算神经元的加权和激活输出,得到模型的预测值;通过标注数据训练卷积神经网络模型,采用误差反向传播算法不断更新网络权重参数;进行端到端的训练,通过卷积神经网络模型建立气象场与新能源发电量之间的非线性隐含映射关系;重复数据输入和模型训练迭代过程,识别数据内在规律,预测新样本发电量;检验模型泛化能力,评估样本的预测精度,优化模型。
在一种实施方式中,所述建立结合线性回归和卷积神经网络的新能源发电量预测模型,包括:
获取新能源发电量多元线性回归模型和卷积神经网络模型;将卷积神经网络模型作为基础网络;在基础网络的顶部,添加额外的全连接层;通过全连接层处理线性回归模型的输出结果;保持基础网络的权重不变,对新添加的全连接层进行训练;在训练过程中,通过反向传播算法更新全连接层的权重,最小化损失函数;建立结合线性回归和卷积神经网络的新能源发电量预测模型。
在一种实施方式中,所述根据新增数据调整模型,对预测结果进行错误检验,优化模型,包括:
建立每日数据采集和增量学习机制;获取新能源发电量时间序列数据;获取与发电量时间序列数据对应时段的气象站新增观测数据;对新增数据进行质量控制和标注,整合到历史数据库;通过新增数据重新训练结合线性回归和卷积神经网络的新能源发电量预测模型;设置模型增量训练的周期,重复增量训练过程;将预测结果进行误差检验,评估结果的可靠性;将预测结果与实际结果进行对比,若两者偏差超过偏差阈值,判定该数据点预测存在误差;将检验出的异常数据进行标注并优化模型。
在一种实施方式中,所述通过新能源发电量预测结果进行电力调度分析,制定电力调度优化方案,包括:
获取新能源发电量预测结果;结合电力负荷预测,进行源网负荷动态平衡分析,判断潮流分布和调度容量;所述潮流分布是指在电力系统中,根据节点之间的电压和输电线路的阻抗,计算并确定电能的传输路径和分布情况;所述调度容量是指电力系统在满足正常运行条件下,能够调度和传输的电能的额定容量;对新能源发电量预测结果、潮流分布和调度容量进行电力调度分析,获取新能源发电量与负荷的供需缺口大小信息;根据供需缺口大小信息和新能源发电成本信息,制定电力调度优化方案。
在一种实施方式中,所述根据极端天气场景数据,调整电力调度优化方案,包括:
获取极端天气的新能源发电量数据;将极端天气场景数据输入结合线性回归和卷积神经网络的新能源发电量预测模型,筛选预测结果与实际结果误差值大于误差阈值的极端天气场景数据;对筛选出的极端天气场景数据进行缺失值处理和数据标准化预处理;采用主成分分析方法对数据进行分析,计算每个主成分的贡献度,确定各个主成分对新能源发电量的影响程度;筛选超过贡献阈值的主成分数据,对数据进行标注;通过标注后数据训练结合线性回归和卷积神经网络的新能源发电量预测模型,对模型进行优化;根据优化后的模型,调整电力调度优化方案。
本发明实施例提供的技术方案可以包括以下有益效果:
本发明公开了一种基于多变量气象因子的新能源功率预测方法。
通过本发明,即使在极端天气情况下,也可以提前预测到新能源发电量的变化情况,从而准确评估电力供需和制定相应的措施。
充分利用了多个气象因子之间的线性和非线性关系,能够考虑到不同因素之间的复杂关系,提高预测的准确性和可靠性。
基于预测的新能源发电量和极端天气场景数据,可以进行电力调度分析,并制定精确的电力调度优化方案。
这有助于平衡电力供需、最大化能源利用和优化电力系统运行效率。
通过这些措施,能够提高能源系统的可靠性和经济性,并为电力行业的可持续发展做出贡献。
附图说明
图1为本发明的一种基于多变量气象因子的新能源功率预测方法的流程图。
图2为本发明的一种基于多变量气象因子的新能源功率预测方法的示意图。
具体实施方式
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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本实施例一种基于多变量气象因子的新能源功率预测方法具体可以包括:
S101、判断新能源发电量与气象因子的线性相关度,建立发电量与气象因子的数据集。
获取新能源发电量时间序列数据。获取与发电量时间序列数据对应时段的气象站观测数据。对发电量时间序列数据和对应时段的气象站观测数据进行质量控制,过滤和标注异常值。通过计算皮尔逊相关系数,判断发电量与气象因子的线性相关度。所述气象因子为影响气候和天气变化的要素。筛选发电量与不同气象因子线性相关度高于阈值的气象因子。建立发电量与气象因子的数据集。
例如,有一台风力发电机组和一个光伏发电组件,收集了它们过去一年的历史运行数据。这些数据包括每天的发电量数据。获取与发电量时间序列数据对应时段的气象站观测数据,如温度、风速、风向和日照时数等。首先,会对发电量时间序列数据和对应时段的气象站观测数据进行质量控制,过滤和标注异常值。检测和修复缺失值、异常值和噪声。接下来,可以计算发电量与气象因子之间的皮尔逊相关系数,以判断它们之间的线性相关程度。计算发现温度和风速与发电量之间的相关系数分别为0.8和0.6,而风向和日照时数与发电量之间的相关系数较低,分别为0.2和0.3。根据相关系数的结果,可以筛选出与发电量线性相关度较高的气象因子。温度和风速被选为与发电量线性相关度高于阈值0.5的气象因子。最后,可以建立一个包含发电量和所选气象因子的数据集。
S102、根据发电量与气象因子的数据集,建立多元线性回归模型。
获取发电量与气象因子的数据集,对数据进行预处理。将数据集划分为训练集和测试集。以气象因子作为自变量,发电量为因变量,采用普通最小二乘法建立多元线性回归模型,通过训练集的数据进行参数估计和模型拟合。评估模型的拟合优度和统计显著性。对每个自变量解释其参数估计结果,并进行相关的假设检验,确定其对发电量的影响是否显著。在模型中排除不显著的自变量,保留对发电量具有显著影响的变量,重新建立模型,并进行评估。
例如,有以下的数据集,包含发电量和气象因子的观测值。首先,需要对数据进行预处理。检查数据是否有缺失值,异常值或重复值。数据集是完整的,没有任何问题,可以继续进行下一步。接下来,将数据集划分为训练集和测试集。将80%的数据用于训练,20%的数据用于测试。接下来,使用普通最小二乘法建立多元线性回归模型。模型如下,发电量=β0+β1*气象因子1+β2*气象因子2+β3*气象因子3。通过训练集的数据进行参数估计和模型拟合,得到以下结果。发电量=50+10*气象因子1+5*气象因子2+20*气象因子3。可以评估模型的拟合优度和统计显著性。其中,拟合优度可以用R方来衡量,统计显著性可以用p值来判断。模型的R方为0.8,说明模型能够解释80%的发电量变异性。模型中每个自变量的p值都小于0.05,说明它们对发电量的影响是显著的。保留对发电量具有显著影响的变量。模型如下所示,发电量=50+10*气象因子1+5*气象因子2+20*气象因子3。
S103、获取气象因子预报数据,通过回归模型进行确定性预报。
获取气象站观测数据。对气象站观测数据进行数据同化和数据再分析,得到气象重分析场数据。选择mesoscale天气研究预报模型中的WRF模型作为预报模型。确定WRF模型中的网格划分和空间分辨率,设定模型中的物理参数化方案。将气象重分析场数据作为WRF模型的初始场。运行WRF模型,将输出结果与实际观测数据进行对比和验证,评估模型的性能和预报准确性。获取指定预测周期内的预报精度高于阈值的气象因子预报数据。若气象因子预报数据分辨率低于分辨阈值,通过双线性插值方法提高气象因子预报数据分辨率。将气象因子预报数据作为输入,代入已建立的新能源发电量多元线性回归模型,得到指定预测周期内的新能源发电量确定性预报结果。
例如,要获取气象站观测数据,选择了一个气象站,并收集到了观测数据。接下来,将使用数据同化和数据再分析的方法,将这些观测数据与气象重分析场数据结合,得到更准确的气象重分析场数据。已经获取到了气象重分析场数据,其中的温度场如下。网格点1,19℃,网格点2,18℃,网格点3,20℃。可以使用双线性插值方法将观测数据与重分析数据进行结合,得到更准确的温度场数据。接下来,将使用WRF模型进行天气预报。选择了以下参数配置,网格划分,100个网格点,空间分辨率,1km,物理参数化方案,MRF。将使用前面计算得到的气象重分析场数据作为WRF模型的初始场,并运行模型得到预报结果。假设需要预报未来24小时的温度变化情况,将预报结果与实际观测数据进行对比和验证,评估模型的性能和预报准确性。可以比较预报结果与观测数据在每个小时的温度值。预报结果如下,2021年1月2日12:00预报温度为23℃,2021年1月2日13:00预报温度为24℃,2021年1月2日14:00预报温度为25℃。与观测数据进行对比,实际观测数据,2021年1月2日12:00温度为22℃,2021年1月2日13:00温度为23℃,2021年1月2日14:00温度为24℃。可以计算预报结果与观测数据的误差,评估模型的预报准确性。计算预报结果与观测数据的平均绝对误差(MAE),MAE=(|23-22|+|24-23|+|25-24|)/3=1。如果定义预报的精度阈值为1℃,则这个预报结果的精度高于阈值。如果发现气象因子预报数据的分辨率低于分辨阈值,可以使用双线性插值等方法提高其分辨率。需要提高预报数据的分辨率到5km,则可以使用双线性插值方法,根据相邻网格点的值进行插值计算,得到更高分辨率的预报数据。最后,可以将这些气象因子预报数据作为输入,代入已建立的新能源发电量多元线性回归模型,得到指定预测周期内的新能源发电量的确定性预报结果。可以得到未来3天,新能源每天的发电量为1000MWh、900MWh和1000MWh。
S104、根据气象因子预报误差,进行不确定性预报和概率预报。
获取气象因子预报数据和同期实际观测值,统计气象因子预报误差的概率分布规律。根据气象因子预报误差的概率分布规律,建立气象因子的预报不确定性分布模型。根据不同地区、不同季节及气象因子的预报不确定性分布模型,拟合出预报误差随时空变化的概率密度函数。根据预报误差随时空变化的概率密度函数,生成气象预测场样本。分别将气象预测场样本代入已建立的新能源发电量多元线性回归模型,得到总发电量预估的确定性区间预测结果。进行不确定预报,统计不同确定性水平下的预报发电量上下限,绘制预报预测区间。采用蒙特卡洛方法根据不确定因素,进行新能源发电量的概率预报。所述不确定因素为影响新能源发电量的气象因子预测误差、市场需求波动和设备故障因素。得到新能源发电量在不同概率下的预测值。
例如,要预测某地区下个月的太阳能发电量。首先收集了过去几年的气象因子预报数据和同期实际观测值,包括太阳辐射量、气温、湿度等气象因子。先对气象因子预报数据和观测值进行比较,计算出每个气象因子的预报误差。发现在某个特定的季节,预报的太阳辐射量与实际观测值之间的误差服从正态分布,均值为0,标准差为10。可以根据这个概率分布规律建立太阳辐射量的预报不确定性分布模型。接下来,根据不同地区、不同季节以及不同气象因子的预报不确定性分布模型,拟合出预报误差随时空变化的概率密度函数。在夏季的某地区,太阳辐射量的预报误差随时间的变化可以拟合为正态分布,均值逐渐增加,标准差逐渐减小。然后,根据预报误差随时空变化的概率密度函数,可以生成气象预测场样本。在某个特定的日期和地区,可以生成1000个太阳辐射量的预测值样本。接下来,将这些气象预测场样本代入已建立的新能源发电量多元线性回归模型,得到每个样本对应的总发电量预估结果。这样就得到了1000个不同预测场下的总发电量预估值。然后,进行不确定预报,统计不同确定性水平下的预报发电量上下限,绘制预报预测区间。可以以95%的确定性水平,计算得到总发电量的上限和下限。采用蒙特卡洛方法根据不确定因素,进行新能源发电量的概率预报。可以考虑气象因子预测误差、市场需求波动和设备故障不确定因素,并生成大量的随机样本来模拟不确定性。根据这些样本,可以得到新能源发电量在不同概率下的预测值。可以得到新能源发电量在不同概率下的预测值,以90%的概率预测发电量为1000MWh。
S105、构建卷积神经网络模型,建立气象场与新能源发电量之间的非线性隐含映射关系。
获取新能源发电量时间序列数据。获取与发电量时间序列数据对应时段的气象站观测数据。根据发电量时间序列数据和对应时段的气象站观测数据,构建卷积神经网络模型。输入层接收气象站观测数据,初始化网络参数,设置卷积层、池化层和全连接层,提取输入层数据的局地特征。全连接层将特征映射为发电量的函数关系,根据网络的结构和参数,通过将输入数据传递到网络中,逐层计算神经元的加权和激活输出,得到模型的预测值。通过标注数据训练卷积神经网络模型,采用误差反向传播算法不断更新网络权重参数。进行端到端的训练,通过卷积神经网络模型建立气象场与新能源发电量之间的非线性隐含映射关系。重复数据输入和模型训练迭代过程,识别数据内在规律,预测新样本发电量。检验模型泛化能力,评估样本的预测精度,优化模型。
例如,要使用卷积神经网络模型来预测太阳能发电量。收集了每小时的太阳能发电量数据,同时获取了每小时的气温和降雨量数据作为气象站观测数据。首先,需要将数据进行预处理和准备。有一周的数据,包括168个小时的太阳能发电量、气温和降雨量数据。可以将这些数据划分为训练集和测试集,将前120个小时作为训练集,后48个小时作为测试集。接下来,构建卷积神经网络模型。选择了一个具有一个卷积层、一个池化层和一个全连接层的简单模型。卷积层用于提取气象站观测数据的局地特征,池化层用于降低数据维度,全连接层将特征映射为发电量的函数关系。然后,初始化网络参数,并将气象站观测数据作为输入层输入。通过将输入数据传递到网络中,逐层计算神经元的加权和激活输出,得到模型的预测值。接下来,使用标注数据训练卷积神经网络模型。采用误差反向传播算法不断更新网络权重参数,以最小化预测值与实际发电量之间的误差。进行端到端的训练,通过卷积神经网络模型建立气象场与新能源发电量之间的非线性隐含映射关系为U型关系。通过反复进行数据输入和模型训练迭代过程,可以识别数据内在规律,并预测新样本的发电量。最后,需要检验模型的泛化能力和评估样本的预测精度。可以使用测试集的数据来评估模型的性能,并根据评估结果对模型进行优化。在某一时刻的气象站观测数据中得到的气温为25摄氏度,发电量为95兆瓦时。输入这些数据到已经训练好的卷积神经网络模型中,经过计算得到的预测值为100兆瓦时。通过与实际的太阳能发电量进行对比,发现模型的预测精度为95%。这表示模型可以在一定程度上准确预测未来的太阳能发电量。
S106、建立结合线性回归和卷积神经网络的新能源发电量预测模型。
获取新能源发电量多元线性回归模型和卷积神经网络模型。将卷积神经网络模型作为基础网络。在基础网络的顶部,添加额外的全连接层。通过全连接层处理线性回归模型的输出结果。保持基础网络的权重不变,对新添加的全连接层进行训练。在训练过程中,通过反向传播算法更新全连接层的权重,最小化损失函数。建立结合线性回归和卷积神经网络的新能源发电量预测模型。
例如,要建立一个结合线性回归和卷积神经网络的新能源发电量预测模型,以预测某个城市的太阳能发电量。首先,建立线性回归模型y=β0+β1*x1+β2*x2+ε。其中,y是太阳能发电量,x1是日照时长,x2是温度,β0、β1和β2是模型的参数,ε是误差项。已经通过线性回归模型得到了参数估计值,β0=100,β1=5,β2=-2。现在,想要改进的模型,以融合卷积神经网络的能力。可以设计一个简单的卷积神经网络,将卷积神经网络作为基础网络。在基础网络的顶部,添加一个全连接层,用于处理卷积神经网络的输出结果。这个全连接层可以包含多个神经元,每个神经元都与线性回归模型的输出结果相连。这样,可以通过全连接层将卷积神经网络的特征表示与线性回归模型的结果结合起来。在训练过程中,保持基础网络的权重不变,只对新添加的全连接层进行训练。可以使用反向传播算法来更新全连接层的权重,以最小化损失函数。损失函数可以是线性回归模型的均方误差损失。为了评估模型的性能,可以使用一些评估指标,如均方误差。这些指标可以帮助衡量模型的预测精度和拟合程度。有一组训练数据,其中包含100个样本。可以使用这些数据来训练的模型,并使用另外一组测试数据来评估模型的性能。训练过程中,可以计算每个训练样本的预测值和真实值之间的均方误差,并将所有训练样本的均方误差求平均。这个平均均方误差可以作为损失函数,通过反向传播算法来更新全连接层的权重。在训练完成后,可以使用测试数据集来评估模型的性能。可以计算测试数据集上的均方误差和决定系数,以评估模型的预测精度和拟合程度。如果均方误差较小且决定系数较高,则说明模型具有较好的预测能力和拟合程度。
S107、根据新增数据调整模型,对预测结果进行错误检验,优化模型。
建立每日数据采集和增量学习机制。获取新能源发电量时间序列数据。获取与发电量时间序列数据对应时段的气象站新增观测数据。对新增数据进行质量控制和标注,整合到历史数据库。通过新增数据重新训练结合线性回归和卷积神经网络的新能源发电量预测模型。设置模型增量训练的周期,重复增量训练过程。将预测结果进行误差检验,评估结果的可靠性。将预测结果与实际结果进行对比,若两者偏差超过偏差阈值,判定该数据点预测存在误差。将检验出的异常数据进行标注并优化模型。
例如,需要每天采集新能源发电量和气象站观测数据。当天的新能源发电量为1000兆瓦时。在相同时间段,获取到了气象站的观测数据,其中包括风速、温度和湿度等信息。当天的观测数据为风速10米/秒,温度25摄氏度,湿度50%。首先对新增的气象观测数据进行质量控制,确保数据的准确性和完整性。可以检查风速是否在合理范围内,温度是否在正常范围内等。然后,将质量控制后的新增观测数据整合到历史数据库中,以便后续使用。接下来,使用新增数据重新训练新能源发电量预测模型。预测模型是基于线性回归和卷积神经网络的组合模型。使用历史数据和新增数据进行增量训练,以提高模型的准确性。在第一个周期的增量训练中,使用了100天的历史数据和10天的新增数据。通过训练,得到了一个新的预测模型。然后,使用该模型对未来一天的新能源发电量进行预测。预测结果为950兆瓦时。接着,对预测结果进行误差检验,评估结果的可靠性。计算出预测结果与实际结果之间的偏差为50兆瓦时。根据设置的偏差阈值为10兆瓦时,判定该数据点预测存在误差。最后,将检验出的异常数据进行标注,重新训练并优化模型。
S108、通过新能源发电量预测结果进行电力调度分析,制定电力调度优化方案。
获取新能源发电量预测结果。结合电力负荷预测,进行源网负荷动态平衡分析,判断潮流分布和调度容量。所述潮流分布是指在电力系统中,根据节点之间的电压和输电线路的阻抗,计算并确定电能的传输路径和分布情况。所述调度容量是指电力系统在满足正常运行条件下,能够调度和传输的电能的额定容量。对新能源发电量预测结果、潮流分布和调度容量进行电力调度分析,获取新能源发电量与负荷的供需缺口大小信息。根据供需缺口大小信息和新能源发电成本信息,制定电力调度优化方案。
例如,一个电力系统中有两个节点,节点1和节点2,之间有一条输电线路连接。根据节点1和节点2的电压和输电线路的阻抗,可以计算得出电能的传输路径和分布情况。节点1的电压为10kV,节点2的电压为5kV,输电线路的阻抗为05Ω。根据这些信息,可以计算出节点1到节点2的潮流分布。节点1到节点2的电能传输路径和分布情况如下。节点1注入的电能为100MW,通过输电线路传输的电能为95MW。节点2吸收的电能为95MW。根据电力系统的负荷预测结果和新能源发电量预测结果,可以计算出供需缺口的大小信息。系统的电力负荷预测为300MW,新能源发电量预测为200MW,那么供需缺口为100MW。根据供需缺口大小信息和新能源发电成本信息,可以制定电力调度优化方案。如果新能源发电成本较低,可以优先调度新能源发电量来满足负荷需求,减少对传统能源的依赖。如果新能源发电成本较高,可以考虑增加传统能源发电量或者实施节约用电措施来平衡供需关系。
S109、根据极端天气场景数据,调整电力调度优化方案。
获取极端天气的新能源发电量数据。将极端天气场景数据输入结合线性回归和卷积神经网络的新能源发电量预测模型,筛选预测结果与实际结果误差值大于误差阈值的极端天气场景数据。对筛选出的极端天气场景数据进行缺失值处理和数据标准化预处理。采用主成分分析方法对数据进行分析,计算每个主成分的贡献度,确定各个主成分对新能源发电量的影响程度。筛选超过贡献阈值的主成分数据,对数据进行标注。通过标注后数据训练结合线性回归和卷积神经网络的新能源发电量预测模型,对模型进行优化。根据优化后的模型,调整电力调度优化方案。
例如,获取极端天气场景下的新能源发电量数据,包括温度、风速、日照时长等因素对发电量的影响。将这些数据输入结合线性回归和卷积神经网络的新能源发电量预测模型,以预测未来极端天气下的发电量。首先,需要筛选出预测结果与实际结果误差值大于某个误差阈值的极端天气场景数据,这些数据点表示模型预测出现较大偏差的情况。将这些数据进行缺失值处理和数据标准化预处理,确保数据的完整性和可比性。接下来,采用主成分分析方法对数据进行分析。得到了3个主成分,分别代表温度、风速和日照时长对新能源发电量的影响程度。计算每个主成分的贡献度,即主成分的方差占总方差的比例,来确定各个主成分对新能源发电量的影响程度。计算得到主成分1贡献度为60%,主成分2贡献度为30%,主成分3贡献度为10%。这意味着主成分1对新能源发电量的影响最大,其次是主成分2,主成分3的影响较小。然后,筛选超过某个贡献阈值的主成分数据进行标注。设定阈值为40%,即只有贡献度大于40%的主成分1数据被标注为关键因素。这些标注后的数据被用来训练结合线性回归和卷积神经网络的新能源发电量预测模型。最后,根据优化后的模型,可以调整电力调度优化方案。通过预测未来极端天气场景下的发电量,可以合理安排电力供应和需求,以达到最优的电力调度效果。
以上实施例仅用以说明本发明的技术方案而非限定,仅仅参照较佳实施例对本发明进行了详细说明。本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于多变量气象因子的新能源功率预测方法,其特征在于,所述方法包括:
判断新能源发电量与气象因子的线性相关度,建立发电量与气象因子的数据集;根据发电量与气象因子的数据集,建立多元线性回归模型;获取气象因子预报数据,通过回归模型进行确定性预报;根据气象因子预报误差,进行不确定性预报和概率预报;构建卷积神经网络模型,建立气象场与新能源发电量之间的非线性隐含映射关系;建立结合线性回归和卷积神经网络的新能源发电量预测模型;根据新增数据调整模型,对预测结果进行错误检验,优化模型;通过新能源发电量预测结果进行电力调度分析,制定电力调度优化方案;根据极端天气场景数据,调整电力调度优化方案。
2.根据权利要求1所述的方法,其中,所述判断新能源发电量与气象因子的线性相关度,建立发电量与气象因子的数据集,包括:
获取新能源发电量时间序列数据;获取与发电量时间序列数据对应时段的气象站观测数据;对发电量时间序列数据和对应时段的气象站观测数据进行质量控制,过滤和标注异常值;通过计算皮尔逊相关系数,判断发电量与气象因子的线性相关度;所述气象因子为影响气候和天气变化的要素;筛选发电量与不同气象因子线性相关度高于阈值的气象因子;建立发电量与气象因子的数据集。
3.根据权利要求1所述的方法,其中,所述根据发电量与气象因子的数据集,建立多元线性回归模型,包括:
获取发电量与气象因子的数据集,对数据进行预处理;将数据集划分为训练集和测试集;以气象因子作为自变量,发电量为因变量,采用普通最小二乘法建立多元线性回归模型,通过训练集的数据进行参数估计和模型拟合;评估模型的拟合优度和统计显著性;对每个自变量解释其参数估计结果,并进行相关的假设检验,确定其对发电量的影响是否显著;在模型中排除不显著的自变量,保留对发电量具有显著影响的变量,重新建立模型,并进行评估。
4.根据权利要求1所述的方法,其中,所述获取气象因子预报数据,通过回归模型进行确定性预报,包括:
获取气象站观测数据;对气象站观测数据进行数据同化和数据再分析,得到气象重分析场数据;选择mesoscale天气研究预报模型中的WRF模型作为预报模型;确定WRF模型中的网格划分和空间分辨率,设定模型中的物理参数化方案;将气象重分析场数据作为WRF模型的初始场;运行WRF模型,将输出结果与实际观测数据进行对比和验证,评估模型的性能和预报准确性;获取指定预测周期内的预报精度高于阈值的气象因子预报数据;若气象因子预报数据分辨率低于分辨阈值,通过双线性插值方法提高气象因子预报数据分辨率;将气象因子预报数据作为输入,代入已建立的新能源发电量多元线性回归模型,得到指定预测周期内的新能源发电量确定性预报结果。
5.根据权利要求1所述的方法,其中,所述根据气象因子预报误差,进行不确定性预报和概率预报,包括:
获取气象因子预报数据和同期实际观测值,统计气象因子预报误差的概率分布规律;根据气象因子预报误差的概率分布规律,建立气象因子的预报不确定性分布模型;根据不同地区和不同季节及气象因子的预报不确定性分布模型,拟合出预报误差随时空变化的概率密度函数;根据预报误差随时空变化的概率密度函数,生成气象预测场样本;分别将气象预测场样本代入已建立的新能源发电量多元线性回归模型,得到总发电量预估的确定性区间预测结果;进行不确定预报,统计不同确定性水平下的预报发电量上下限,绘制预报预测区间;采用蒙特卡洛方法根据不确定因素,进行新能源发电量的概率预报;所述不确定因素为影响新能源发电量的气象因子预测误差、市场需求波动和设备故障因素;得到新能源发电量在不同概率下的预测值。
6.根据权利要求1所述的方法,其中,所述构建卷积神经网络模型,建立气象场与新能源发电量之间的非线性隐含映射关系,包括:
获取新能源发电量时间序列数据;获取与发电量时间序列数据对应时段的气象站观测数据;根据发电量时间序列数据和对应时段的气象站观测数据,构建卷积神经网络模型;输入层接收气象站观测数据,初始化网络参数,设置卷积层、池化层和全连接层,提取输入层数据的局地特征;全连接层将特征映射为发电量的函数关系,根据网络的结构和参数,通过将输入数据传递到网络中,逐层计算神经元的加权和激活输出,得到模型的预测值;通过标注数据训练卷积神经网络模型,采用误差反向传播算法不断更新网络权重参数;进行端到端的训练,通过卷积神经网络模型建立气象场与新能源发电量之间的非线性隐含映射关系;重复数据输入和模型训练迭代过程,识别数据内在规律,预测新样本发电量;检验模型泛化能力,评估样本的预测精度,优化模型。
7.根据权利要求1所述的方法,其中,所述建立结合线性回归和卷积神经网络的新能源发电量预测模型,包括:
获取新能源发电量多元线性回归模型和卷积神经网络模型;将卷积神经网络模型作为基础网络;在基础网络的顶部,添加额外的全连接层;通过全连接层处理线性回归模型的输出结果;保持基础网络的权重不变,对新添加的全连接层进行训练;在训练过程中,通过反向传播算法更新全连接层的权重,最小化损失函数;建立结合线性回归和卷积神经网络的新能源发电量预测模型。
8.根据权利要求1所述的方法,其中,所述根据新增数据调整模型,对预测结果进行错误检验,优化模型,包括:
建立每日数据采集和增量学习机制;获取新能源发电量时间序列数据;获取与发电量时间序列数据对应时段的气象站新增观测数据;对新增数据进行质量控制和标注,整合到历史数据库;通过新增数据重新训练结合线性回归和卷积神经网络的新能源发电量预测模型;设置模型增量训练的周期,重复增量训练过程;将预测结果进行误差检验,评估结果的可靠性;将预测结果与实际结果进行对比,若两者偏差超过偏差阈值,判定该数据点预测存在误差;将检验出的异常数据进行标注并优化模型。
9.根据权利要求1所述的方法,其中,所述通过新能源发电量预测结果进行电力调度分析,制定电力调度优化方案,包括:
获取新能源发电量预测结果;结合电力负荷预测,进行源网负荷动态平衡分析,判断潮流分布和调度容量;所述潮流分布是指在电力系统中,根据节点之间的电压和输电线路的阻抗,计算并确定电能的传输路径和分布情况;所述调度容量是指电力系统在满足正常运行条件下,能够调度和传输的电能的额定容量;对新能源发电量预测结果、潮流分布和调度容量进行电力调度分析,获取新能源发电量与负荷的供需缺口大小信息;根据供需缺口大小信息和新能源发电成本信息,制定电力调度优化方案。
10.根据权利要求1所述的方法,其中,所述根据极端天气场景数据,调整电力调度优化方案,包括:
获取极端天气的新能源发电量数据;将极端天气场景数据输入结合线性回归和卷积神经网络的新能源发电量预测模型,筛选预测结果与实际结果误差值大于误差阈值的极端天气场景数据;对筛选出的极端天气场景数据进行缺失值处理和数据标准化预处理;采用主成分分析方法对数据进行分析,计算每个主成分的贡献度,确定各个主成分对新能源发电量的影响程度;筛选超过贡献阈值的主成分数据,对数据进行标注;通过标注后数据训练结合线性回归和卷积神经网络的新能源发电量预测模型,对模型进行优化;根据优化后的模型,调整电力调度优化方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675326.XA CN117669960A (zh) | 2023-12-07 | 2023-12-07 | 一种基于多变量气象因子的新能源功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311675326.XA CN117669960A (zh) | 2023-12-07 | 2023-12-07 | 一种基于多变量气象因子的新能源功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117669960A true CN117669960A (zh) | 2024-03-08 |
Family
ID=90067721
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311675326.XA Pending CN117669960A (zh) | 2023-12-07 | 2023-12-07 | 一种基于多变量气象因子的新能源功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117669960A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117937474A (zh) * | 2024-03-20 | 2024-04-26 | 保定博堃元信息科技有限公司 | 一种新能源场站储能管理方法及系统 |
CN118036347A (zh) * | 2024-04-11 | 2024-05-14 | 国电南瑞科技股份有限公司 | 一种适用于极端天气的风力发电全流程误差溯源方法及系统 |
-
2023
- 2023-12-07 CN CN202311675326.XA patent/CN117669960A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117937474A (zh) * | 2024-03-20 | 2024-04-26 | 保定博堃元信息科技有限公司 | 一种新能源场站储能管理方法及系统 |
CN118036347A (zh) * | 2024-04-11 | 2024-05-14 | 国电南瑞科技股份有限公司 | 一种适用于极端天气的风力发电全流程误差溯源方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yan et al. | Novel cost model for balancing wind power forecasting uncertainty | |
Saeedi et al. | An adaptive machine learning framework for behind-the-meter load/PV disaggregation | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
Zhang et al. | Optimal graph structure based short-term solar PV power forecasting method considering surrounding spatio-temporal correlations | |
CN117669960A (zh) | 一种基于多变量气象因子的新能源功率预测方法 | |
CN116307076A (zh) | 一种基于物联网的工业园区能效管控方法 | |
CN112884601A (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
Lin et al. | An online data-driven risk assessment method for resilient distribution systems | |
Eseye et al. | Short-term forecasting of electricity consumption in buildings for efficient and optimal distributed energy management | |
Xu et al. | Evaluation of fault level of sensitive equipment caused by voltage sag via data mining | |
Ghareeb et al. | Data-driven modelling for building energy prediction using regression-based analysis | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
Nguyen et al. | A machine learning-based approach for the prediction of electricity consumption | |
CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
Zhu et al. | Operation reference status selection for photovoltaic arrays and its application in status evaluation | |
Zhou et al. | PV power characteristic modeling based on multi-scale clustering and its application in generation prediction | |
Domínguez-Cid et al. | TEFNEN: Transformer for Energy Forecasting in Natural Environment | |
Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation | |
Mohammadigohari | Energy consumption forecasting using machine learning | |
Shendryk et al. | Short-term Solar Power Generation Forecasting for Microgrid | |
Jyothi et al. | A machine learning based power load prediction system for smart grid energy management | |
Wang et al. | Improved quantile regression based approach for renewable power generation interval prediction on islands | |
Peng et al. | A hybrid model for solar radiation forecasting towards energy efficient buildings | |
CN117833300B (zh) | 一种基于智能配电设备的储能容量配置方法 |
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 |