CN117748465A - 基于多模型自适应组合的光伏功率超短期预测方法及装置 - Google Patents
基于多模型自适应组合的光伏功率超短期预测方法及装置 Download PDFInfo
- Publication number
- CN117748465A CN117748465A CN202311581622.3A CN202311581622A CN117748465A CN 117748465 A CN117748465 A CN 117748465A CN 202311581622 A CN202311581622 A CN 202311581622A CN 117748465 A CN117748465 A CN 117748465A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- data
- prediction
- short
- ultra
- 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 68
- 238000005259 measurement Methods 0.000 claims abstract description 60
- 230000003044 adaptive effect Effects 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 10
- 238000004138 cluster model Methods 0.000 claims description 7
- 238000007621 cluster analysis Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010248 power generation Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于多模型自适应组合的光伏功率超短期预测方法及装置,所述方法包括:确定待预测时段的第一历史实测光伏功率数据;基于第一历史实测光伏功率数据确定第一功率波动模式;基于第一功率波动模式,调用与第一功率波动模式对应的预先训练好的第一预测模型组,第一预测模型组包括多个第一预测模型和第一组合权重;获取第一未来数值天气预报数据;将第一未来数值天气预报数据和第一历史实测光伏功率数据输入至各第一预测模型得到第一光伏功率超短期预测结果;基于各第一光伏功率超短期预测结果,以及各第一组合权重,得到待预测时段的目标光伏功率超短期预测结果。实现有效提升光伏功率超短期预测结果的精度。
Description
技术领域
本发明涉及光伏功率预测技术领域,尤其涉及一种基于多模型自适应组合的光伏功率超短期预测方法及装置。
背景技术
随着能源安全、生态环境和气候变化等问题日益突出,全球范围内构建清洁能源供应体系、推动能源绿色转型发展已经成为普遍共识。
相关技术可知,能源绿色转型的一个重要手段是推进光伏电站发电。然而,光资源虽然有其不可代替的优点,但也有明显的缺陷,比如间歇性、波动性等,会造成光伏发电出力的不稳定,进而出现电网频率和电压调节困难、备用电源需求增加、能源调度和平衡等问题,对电能质量和电网调度产生极大的影响。
发明内容
本发明提供一种基于多模型自适应组合的光伏功率超短期预测方法及装置,实现有效提升光伏功率超短期预测结果的精度,为电能质量和电网调度的良好运行打下基础。
本发明提供一种基于多模型自适应组合的光伏功率超短期预测方法,所述方法包括:确定待预测时段的第一历史实测光伏功率数据;基于所述第一历史实测光伏功率数据,确定所述待预测时段的第一功率波动模式;基于所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组,其中,所述第一预测模型组包括多个第一预测模型,以及各所述第一预测模型的第一组合权重;获取所述待预测时段的第一未来数值天气预报数据;将所述第一未来数值天气预报数据和所述第一历史实测光伏功率数据分别输入至各所述第一预测模型,得到各所述第一预测模型输出的第一光伏功率超短期预测结果;基于各所述第一光伏功率超短期预测结果,以及各所述第一组合权重,得到所述待预测时段的目标光伏功率超短期预测结果。
根据本发明提供的一种基于多模型自适应组合的光伏功率超短期预测方法,在所述基于所述第一历史实测光伏功率数据,确定所述待预测时段的第一功率波动模式之前,所述方法还包括:获取不同聚类簇与不同功率波动模式的对应关系;所述基于所述第一历史实测光伏功率数据,确定所述待预测时段的第一功率波动模式,具体包括:计算所述第一历史实测光伏功率数据与各所述聚类簇的聚类中心的欧式距离,并将欧式距离最小的聚类簇作为匹配所述第一历史实测光伏功率数据的聚类簇;基于不同聚类簇与不同功率波动模式的对应关系,以及所述匹配所述第一历史实测光伏功率数据的聚类簇,确定所述待预测时段的第一功率波动模式。
根据本发明提供的一种基于多模型自适应组合的光伏功率超短期预测方法,在所述基于所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组之前,所述方法还包括:确定映射关系,其中,所述映射关系包括不同的功率波动模式与不同的预测模型组之间的对应关系,所述预测模型组包括多个预测模型,以及各所述预测模型的组合权重;所述基于所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组,具体包括:基于所述映射关系和所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组。
根据本发明提供的一种基于多模型自适应组合的光伏功率超短期预测方法,所述映射关系采用以下方式确定:获取第二历史实测光伏功率数据,以及与所述第二历史实测光伏功率数据对应的第二未来数值天气预报数据;基于聚类模型,对所述第二历史实测光伏功率数据进行聚类,得到多个聚类簇;基于各所述聚类簇,确定与所述聚类簇对应的功率波动模式,以形成不同聚类簇与不同功率波动模式的对应关系;在各所述功率波动模式下,将所述第二历史实测光伏功率数据以及所述第二未来数值天气预报数据作为训练集,对各所述预测模型组进行预训练,得到训练好的各所述预测模型组;基于各所述预测模型组和各所述功率波动模式的对应关系,确定所述映射关系。
根据本发明提供的一种基于多模型自适应组合的光伏功率超短期预测方法,各所述预测模型的组合权重采用以下方式确定:将与所述训练集对应的验证集,输入至各所述预测模型组中的各所述预测模型,得到各所述预测模型输出的第二光伏功率超短期预测结果;基于所述第二光伏功率超短期预测结果,以及与所述验证集对应的实测光伏功率超短期预测结果,确定各所述预测模型的组合权重。
根据本发明提供的一种基于多模型自适应组合的光伏功率超短期预测方法,在所述基于聚类模型,对所述第二历史实测光伏功率数据进行聚类,得到多个聚类簇之前,所述方法还包括:基于所述第二历史实测光伏功率数据,确定所述第二历史实测光伏功率数据的第二离散特征,其中,所述第二离散特征包括所述第二历史实测光伏功率数据的方差、所述第二历史实测光伏功率数据的标准差、所述第二历史实测光伏功率数据的峰值因子以及所述第二历史实测光伏功率数据的相对标准差中的任意一种或多种;所述基于聚类模型,对所述第二历史实测光伏功率数据进行聚类,得到多个聚类簇,具体包括:基于所述聚类模型,对所述第二历史实测光伏功率数据的第二离散特征进行聚类分析,得到多个聚类簇。
本发明还提供一种基于多模型自适应组合的光伏功率超短期预测装置,所述装置包括:第一确定模块,用于确定待预测时段的第一历史实测光伏功率数据;第二确定模块,用于基于所述第一历史实测光伏功率数据,确定所述待预测时段的第一功率波动模式;调用模块,用于基于所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组,其中,所述第一预测模型组包括多个第一预测模型,以及各所述第一预测模型的第一组合权重;获取模块,用于获取所述待预测时段的第一未来数值天气预报数据;处理模块,用于将所述第一未来数值天气预报数据和所述第一历史实测光伏功率数据分别输入至各所述第一预测模型,得到各所述第一预测模型输出的第一光伏功率超短期预测结果;预测模块,用于基于各所述第一光伏功率超短期预测结果,以及各所述第一组合权重,得到所述待预测时段的目标光伏功率超短期预测结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述的基于多模型自适应组合的光伏功率超短期预测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述的基于多模型自适应组合的光伏功率超短期预测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述的基于多模型自适应组合的光伏功率超短期预测方法。
本发明提供的基于多模型自适应组合的光伏功率超短期预测方法及装置,确定待预测时段的第一历史实测光伏功率数据,并基于第一历史实测光伏功率数据,确定待预测时段的第一功率波动模式;基于第一功率波动模式,调用与第一功率波动模式对应的预先训练好的第一预测模型组,以及获取待预测时段的第一未来数值天气预报数据;将第一未来数值天气预报数据和第一历史实测光伏功率数据分别输入至各第一预测模型,得到各第一预测模型输出的第一光伏功率超短期预测结果,再基于各第一光伏功率超短期预测结果,以及各第一组合权重,得到待预测时段的目标光伏功率超短期预测结果。从而实现基于多第一预测模型自适应组合来有效提升光伏功率超短期预测结果的精度,为电能质量和电网调度的良好运行打下基础。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的多模型自适应组合的光伏功率超短期预测方法的流程示意图;
图2是本发明提供的预测模型自适应组合原理的流程示意图;
图3是本发明提供的确定映射关系的流程示意图;
图4是本发明提供的确定预测模型的组合权重的流程示意图;
图5是本发明提供的基于多模型自适应组合的光伏功率超短期预测装置的结构示意图;
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供的基于多模型自适应组合的光伏功率超短期预测方法,可以有效提升光伏发电超短期功率预测的精度。其中,本发明提供的基于多模型自适应组合的光伏功率超短期预测方法可以应用于光伏电站。光伏发电超短期功率中的超短期是指以15分钟为分辨率的给出未来4小时的发电功率的预测结果,即对应本发明中的待预测时段的目标光伏功率超短期预测结果。
图1是本发明提供的多模型自适应组合的光伏功率超短期预测方法的流程示意图。
下面将结合图1对多模型自适应组合的光伏功率超短期预测方法的过程进行说明。
在本发明一示例性实施例中,结合图1可知,多模型自适应组合的光伏功率超短期预测方法可以包括步骤110至步骤160,下面将分别介绍各步骤。
在步骤110中,确定待预测时段的第一历史实测光伏功率数据。
在一种实施例中,可以确定关于光伏电站的待预测时段的第一历史实测光伏功率数据。在一示例中,第一历史实测光伏功率数据可以是待预测时段的前24小时的实测光伏功率数据。
在步骤120中,基于第一历史实测光伏功率数据,确定待预测时段的第一功率波动模式。
在一种实施例中,可以基于第一历史实测光伏功率数据,确定待预测时段的第一功率波动模式。在应用过程中,可以基于第一历史实测光伏功率数据的离散程度,确定待预测时段的第一功率波动模式。其中,第一功率波动模式可以包括大波动功率波动模式、小波动功率波动模式、微小波动功率波动模式和平缓功率波动模式。需要说明的是,大波动功率波动模式、小波动功率波动模式、微小波动功率波动模式和平缓功率波动模式可以认为是相对概念。在又一示例中,大波动功率波动模式还可以理解为是功率波动点的点数超过第一阈值的波动模式;小波动功率波动模式还可以理解为是功率波动点的点数超过第二阈值的波动模式;微小波动功率波动模式还可以理解为是功率波动点的点数超过第三阈值的波动模式;平缓功率波动模式还可以理解为是功率波动点的点数超过第四阈值的波动模式;其中,第一阈值大于第二阈值,第二阈值大于第三阈值,第三阈值大于第四阈值,第一阈值、第二阈值、第三阈值和第四阈值均可以根据实际情况进行确定,在本实施例中不作具体限定。
在步骤130中,基于第一功率波动模式,调用与第一功率波动模式对应的预先训练好的第一预测模型组,其中,第一预测模型组包括多个第一预测模型,以及各第一预测模型的第一组合权重。
在一种实施例中,还可以预先训练出多组预测模型组,其中,每个预测模型组可以包括多个预测模型,以及各预测模型的组合权重。其中,不同的预测模型组与不同的功率波动模式相对应。
在又一实施例中,为了实现对待预测时段进行准确的目标光伏功率超短期预测结果预测,可以根据第一功率波动模式,调用与第一功率波动模式对应的预先训练好的第一预测模型组,并基于第一预测模型组对待预测时段进行预测。由于第一预测模型组中包括多个第一预测模型,且不同的第一预测模型在不同的预测情景下具有不同的适应性,在本实施例中,为了避免仅依靠单一模型难以充分考虑情景的变化规律,将基于不同第一预测模型在第一功率波动模式下的适应性,根据定量评价结果,对不同的模型分配适当的权重,从而可以有效提升光伏发电功率预测的准确性和可靠性。
在步骤140中,获取待预测时段的第一未来数值天气预报数据。
在步骤150中,将第一未来数值天气预报数据和第一历史实测光伏功率数据分别输入至各第一预测模型,得到各第一预测模型输出的第一光伏功率超短期预测结果。
在步骤160中,基于各第一光伏功率超短期预测结果,以及各第一组合权重,得到待预测时段的目标光伏功率超短期预测结果。
在一种实施例中,还可以获取待预测时段的第一未来数值天气预报数据。其中,第一未来数值天气预报数据在时间维度上与第一历史实测光伏功率数据相对应。其中,第一未来数值天气预报数据可以包括辐照度、风速、风向、温度、湿度等数值天气预报数据。
进一步的,将第一未来数值天气预报数据和第一历史实测光伏功率数据作为第一预测模型组中各第一预测模型的输入数据,并得到各第一预测模型输出的第一光伏功率超短期预测结果。可以理解的是,每个第一预测模型均输出一个对应的第一光伏功率超短期预测结果。又由于每个第一预测模型在第一功率波动模式下所占的组合权重(对应第一组合权重)不同,因此,将基于各第一光伏功率超短期预测结果,以及对应的各第一组合权重进行加权求和,从而得到待预测时段的目标光伏功率超短期预测结果。
在本实施例中,为了避免仅依靠单一模型难以充分考虑情景的变化规律,将基于不同第一预测模型在第一功率波动模式下的适应性,根据定量评价结果,对不同的模型分配适当的组合权重,从而可以有效提升光伏发电功率预测的准确性和可靠性。
图2是本发明提供的预测模型自适应组合原理的流程示意图。
为了进一步介绍本发明提供的预测模型自适应组合原理,下面将结合图2进行说明。
结合图2可知,可以基于待预测时段的数据集,确定对应的功率波动模式。其中,待预测时段的数据集可以包括待预测时段的第一历史实测光伏功率数据以及待预测时段的第一未来数值天气预报数据。
在又一实施例中,可以基于第一历史实测光伏功率数据确定与待预测时段对应的功率波动模式。其中,功率波动模式可以包括平缓功率波动模式、微小波动功率波动模式、小波动功率波动模式、大波动功率波动模式。在应用过程中,可以在平缓功率波动模式、微小波动功率波动模式、小波动功率波动模式、大波动功率波动模式中确定出一个待预测时段对应的功率波动模式。
进一步的,又由于不同的功率波动模式对应有不同的第一预测模型组,包括图2中的第一预测模型组1、第一预测模型组2、第一预测模型组3和第一预测模型组4。在应用过程中,可以基于待预测时段对应的功率波动模式在第一预测模型组1、第一预测模型组2、第一预测模型组3和第一预测模型组4中确定出一个第一预测模型组对第一历史实测光伏功率数据和第一未来数值天气预报数据进行处理,得到待预测时段的目标光伏功率超短期预测结果。从而实现基于多第一预测模型自适应组合来有效提升光伏功率超短期预测结果的精度,为电能质量和电网调度的良好运行打下基础。
本发明提供的基于多模型自适应组合的光伏功率超短期预测方法,确定待预测时段的第一历史实测光伏功率数据,并基于第一历史实测光伏功率数据,确定待预测时段的第一功率波动模式;基于第一功率波动模式,调用与第一功率波动模式对应的预先训练好的第一预测模型组,以及获取待预测时段的第一未来数值天气预报数据;将第一未来数值天气预报数据和第一历史实测光伏功率数据分别输入至各第一预测模型,得到各第一预测模型输出的第一光伏功率超短期预测结果,再基于各第一光伏功率超短期预测结果,以及各第一组合权重,得到待预测时段的目标光伏功率超短期预测结果。从而实现基于多第一预测模型自适应组合来有效提升光伏功率超短期预测结果的精度,为电能质量和电网调度的良好运行打下基础。
在本发明又一示例性实施例中,继续以前文所述的图1为例进行说明,在基于第一历史实测光伏功率数据,确定待预测时段的第一功率波动模式(对应步骤120)之前,基于多模型自适应组合的光伏功率超短期预测方法还可以包括以下步骤:
获取不同聚类簇与不同功率波动模式的对应关系;
进一步的,基于第一历史实测光伏功率数据,确定待预测时段的第一功率波动模式(对应步骤120),可以采用以下方式实现:
计算第一历史实测光伏功率数据与各聚类簇的聚类中心的欧式距离,并将欧式距离最小的聚类簇作为匹配第一历史实测光伏功率数据的聚类簇;
基于不同聚类簇与不同功率波动模式的对应关系,以及匹配所述第一历史实测光伏功率数据的聚类簇,确定待预测时段的第一功率波动模式。其中,各聚类中心可以是预先基于k-means聚类模型对第二历史实测光伏功率数据进行划分得到的四类波动模式(可以对应前文的平缓功率波动模式、微小波动功率波动模式、小波动功率波动模式、大波动功率波动模式)所对应的聚类簇的中心。关于怎样基于k-means聚类模型对第二历史实测光伏功率数据进行划分得到的四类波动模式(可以对应前文的平缓功率波动模式、微小波动功率波动模式、小波动功率波动模式、大波动功率波动模式)所对应的聚类簇可以见下文的描述。
在本发明又一示例性实施例中,继续以图1所述的实施例为例进行说明,在基于第一功率波动模式,调用与第一功率波动模式对应的预先训练好的第一预测模型组(对应步骤130)之前,所述方法还包括:
确定映射关系,其中,映射关系包括不同的功率波动模式与不同的预测模型组之间的对应关系,预测模型组包括多个预测模型,以及各预测模型的组合权重;
进一步的,基于第一功率波动模式,调用与第一功率波动模式对应的预先训练好的第一预测模型组(对应步骤130)可以采用以下方式实现:
基于映射关系和第一功率波动模式,调用与第一功率波动模式对应的预先训练好的第一预测模型组。
在一种实施例中,可以预先确定出映射关系,其中,映射关系可以包括不同的功率波动模式与不同的预测模型组之间的对应关系。其中,预测模型组可以包括多个预测模型,以及各预测模型的组合权重。通过映射关系,可以快速确定出与第一功率波动模式对应的预先训练好的第一预测模型组,并为基于第一预测模型组中的多个第一预测模型自适应组合来有效提升光伏功率超短期预测结果的精度打下基础。
图3是本发明提供的确定映射关系的流程示意图。
为了进一步介绍本发明提供的基于多模型自适应组合的光伏功率超短期预测方法,下面将结合图3进行说明。
在本发明一示例性实施例中,结合图3可知,确定映射关系可以包括步骤310至步骤350,下面将分别介绍各步骤。
在步骤310中,获取第二历史实测光伏功率数据,以及与第二历史实测光伏功率数据对应的第二未来数值天气预报数据。
在一种实施例中,可以获取光伏电站的第二历史实测光伏功率数据。其中,第二历史实测光伏功率数据可以认为是光伏电站所有的历史数据,第二历史实测光伏功率数据足够大,可以用于进行模型的训练。可以理解的是,第二历史实测光伏功率数据可以作为是训练不同功率波动模式下的各预测模型组的训练集。
在步骤320中,基于聚类模型,对第二历史实测光伏功率数据进行聚类,得到多个聚类簇。
在本发明又一示例性实施例中,继续以前文图3所述的实施例为例进行说明,在基于聚类模型,对第二历史实测光伏功率数据进行聚类,得到多个聚类簇(对应步骤320)之前,基于多模型自适应组合的光伏功率超短期预测方法还可以包括:
基于第二历史实测光伏功率数据,确定第二历史实测光伏功率数据的第二离散特征,其中,第二离散特征包括第二历史实测光伏功率数据的方差、所二历史实测光伏功率数据的标准差、第二历史实测光伏功率数据的峰值因子以及第二历史实测光伏功率数据的相对标准差中的任意一种或多种;
进一步的,基于聚类模型,对第二历史实测光伏功率数据进行聚类,得到多个聚类簇(对应步骤320),可以采用以下方式实现:
基于聚类模型,对第二历史实测光伏功率数据的第二离散特征进行聚类分析,得到多个聚类簇。
在本实施例中,基于聚类模型对第二离散特征进行聚类分析,得到多个聚类簇,可以有效避免预报数据不准确带来的分类误差。
在一种实施例中,将以第二离散特征包括第二历史实测光伏功率数据的方差、第二历史实测光伏功率数据的标准差、第二历史实测光伏功率数据的峰值因子以及第二历史实测光伏功率数据的相对标准差为例进行说明。
在应用过程中,可以根据第二历史实测光伏功率数据,提取第二历史实测光伏功率数据的方差、第二历史实测光伏功率数据的标准差、第二历史实测光伏功率数据的峰值因子以及第二历史实测光伏功率数据的相对标准差。
其中,标准差是用来衡量数据集合中数值(对应第二历史实测光伏功率数据)的离散程度。对于光伏发电功率的时间序列数据,可以计算一段时间内功率值的标准差来评估其波动性。较高的标准差表示光伏发电功率具有较大的波动性。标准差可以用公式(1)表示:
其中,σ表示标准差;N表示数据的样本数量,例如可以是第二历史实测光伏功率数据的样本数量;pi表示第i个样本功率,可以是第二历史实测光伏功率;μ表示数据的均值,可以是第二历史实测光伏功率数据的均值。
方差是标准差的平方,也用来度量数据的离散程度。通过计算光伏发电功率的时间序列数据的方差,可以得到光伏波动性的量化指标。较高的方差意味着光伏发电功率的波动性较大。标准差可以用公式(2)表示:
其中,Var表示方差;N表示数据的样本数量,例如可以是第二历史实测光伏功率数据的样本数量;pi表示第i个样本功率,可以是第一历史实测光伏功率;μ表示数据的均值,可以是第二历史实测光伏功率数据的均值。
峰值因子用来描述功率的峰值与平均值之间的比例关系。对于光伏发电功率数据,可以计算峰值功率与平均功率之间的比值,较高的峰值因子表明光伏发电功率具有较大的峰值波动。峰值因子可以用公式(3)表示:
其中,PAR表示峰值因子;Max(p)表示数据中的最大值,可以表示第二历史实测光伏功率数据中的最大值;Mean(p)表示数据的平均值,可以表示第二历史实测光伏功率数据中的均值。其中,Mean(p)可以对应前文的μ。
相对标准差是标准差与平均值的比值,用来表示波动性相对于平均水平的程度。通过计算光伏发电功率数据的相对标准差,可以评估波动性相对于平均功率的相对大小。其中,相对标准差可以用公式(4)表示:
其中,RSD表示相对标准差;σ表示标准差;Mean(p)表示数据的平均值,可以表示第二历史实测光伏功率数据中的均值。其中,Mean(p)可以对应前文的μ。
在一示例中,由于第二历史实测光伏功率数据足够大,可以基于k-means聚类模型将数据集划分为四类波动模式(可以对应前文的平缓功率波动模式、微小波动功率波动模式、小波动功率波动模式、大波动功率波动模式)。
具体可以包括以下步骤:
步骤1:可以将所提取的四种第二离散特征输入到k-means聚类模型中作为样本点;
步骤2:选择K个初始聚类中心点,可以随机选择数据集中的K个样本点作为初始聚类中心;
步骤3:对于数据集中的每个样本(可以对应四种第二离散特征),计算它与K个聚类中心的距离,将样本分配给距离最近的聚类中心,形成K个簇;
步骤4:对于每个簇,计算簇中所有样本的平均值,将该平均值作为新的聚类中心;
步骤5:重复步骤3和步骤4,直到聚类中心不再改变或达到预定的迭代次数,模型输出为四类波动模式,分别为平缓功率波动模式、微小波动功率波动模式、小波动功率波动模式、大波动功率波动模式。
在步骤330中,基于各聚类簇,确定与聚类簇对应的功率波动模式,以形成不同聚类簇与不同功率波动模式的对应关系。
可以理解的是,基于前述的步骤1-5可以得到与聚类簇对应的功率波动模式,以形成不同聚类簇与不同功率波动模式的对应关系。换句话说,实现了对不同四种第二离散特征进行了聚类,得到了对应的功率波动模式。
在步骤340中,在各功率波动模式下,将第二历史实测光伏功率数据以及第二未来数值天气预报数据作为训练集,对各预测模型组进行预训练,得到训练好的各所述预测模型组。
在步骤350中,基于各预测模型组和各功率波动模式的对应关系,确定映射关系。
在一种实施例中,对于每类功率波动模式,可以分别训练M个的预测基模型(对应预测模型组中的预测模型),并计算各预测模型的组合权重。其中,M可以是4个,还可以根据实际情况进行确定,在本实施例中不作具体限定。在又一实施例中,预测模型可以是反向传播神经网络模型,循环神经网络模型,卷积神经网络模型和长短期记忆神经网络模型。在本实施例中,不对预测模型作具体限定。
在训练各预测模型组的过程中,可以通过分别训练各预测模型组中的多个预测模型,以及预测模型的组合权重来实现。在一示例中,可以将第二历史实测光伏功率数据以及第二未来数值天气预报数据作为训练集,对各预测模型组进行预训练,得到训练好的各预测模型组。进一步的,在基于各预测模型组和各功率波动模式的对应关系,确定映射关系。
下面将介绍基于第二历史实测光伏功率数据以及第二未来数值天气预报数据作为训练集,对各预测模型组中的各预测模型进行预训练的过程:
在一示例中,可以以第二历史实测光伏功率数据中对应的历史24小时的光伏功率数据和未来4小时的数值天气预报数据(对应第二未来数值天气预报数据)为输入,未来4小时的光伏功率预测值作为输出。并取70%被赋予平缓类型标签的数据作为训练数据,15%被赋予平缓类型标签的数据作为验证数据,15%被赋予平缓类型标签的数据作为测试数据,确定平缓类型功率波动模式下的预测模型组中的各预测模型的组合权重,基于各预测模型以及各预测模型的组合权重,建立组合预测模型组1。可以理解的是,平缓类型功率波动模式与预测模型组1对应。
在一示例中,可以以第二历史实测光伏功率数据中对应的历史24小时的光伏功率数据和未来4小时的数值天气预报数据(对应第二未来数值天气预报数据)为输入,未来4小时的光伏功率预测值作为输出。并取70%被赋予微小波动类型标签的数据作为训练数据,15%被赋予微小波动类型标签的数据作为验证数据,15%被赋予微小波动类型标签的数据作为测试数据,确定微小波动类型功率波动模式下的预测模型组中的各预测模型的组合权重,基于各预测模型以及各预测模型的组合权重,建立组合预测模型组2。可以理解的是,微小波动类型功率波动模式与预测模型组2对应。
在一示例中,可以以第二历史实测光伏功率数据中对应的历史24小时的光伏功率数据和未来4小时的数值天气预报数据(对应第二未来数值天气预报数据)为输入,未来4小时的光伏功率预测值作为输出。并取70%被赋予小波动类型标签的数据作为训练数据,15%被赋予小波动类型标签的数据作为验证数据,15%被赋予小波动类型标签的数据作为测试数据,确定小波动类型功率波动模式下的预测模型组中的各预测模型的组合权重,基于各预测模型以及各预测模型的组合权重,建立组合预测模型组3。可以理解的是,小波动类型功率波动模式与预测模型组3对应。
在又一示例中,可以以第二历史实测光伏功率数据中对应的历史24小时的光伏功率数据和未来4小时的数值天气预报数据(对应第二未来数值天气预报数据)为输入,未来4小时的光伏功率预测值作为输出。并取70%被赋予大波动类型标签的数据作为训练数据,15%被赋予大波动类型标签的数据作为验证数据,15%被赋予大波动类型标签的数据作为测试数据,确定大波动类型功率波动模式下的预测模型组中的各预测模型的组合权重,基于各预测模型以及各预测模型的组合权重,建立组合预测模型组4。可以理解的是,大波动类型功率波动模式与预测模型组4对应。
通过前述实施例,可以得到各预测模型组和各功率波动模式的对应关系,从而可以确定映射关系。
图4是本发明提供的确定预测模型的组合权重的流程示意图。
下面将结合图4对确定预测模型的组合权重的过程进行说明。
在本发明一示例性实施例中,结合图4可知,确定预测模型的组合权重可以包括步骤410和步骤420,下面将分别介绍各步骤。
在步骤410中,将与训练集对应的验证集,输入至各预测模型组中的各预测模型,得到各预测模型输出的第二光伏功率超短期预测结果;
在步骤420中,基于第二光伏功率超短期预测结果,以及与验证集对应的实测光伏功率超短期预测结果,确定各预测模型的组合权重。
在一种实施例中,可以采用公式(5)确定各预测模型的组合权重:
其中,RMSEi表示i类预测模型在验证集上的预测结果(对应第二光伏功率超短期预测结果)与对应的实测值(对应与验证集对应的实测光伏功率超短期预测结果)之间的均方根误差;其中,B、R、C和L表示不同的预测基模型,例如可以分别代表BP模型(反向传播神经网络模型)、RNN模型(循环神经网络模型)、CNN模型(卷积神经网络模型)和LSTM模型(长短期记忆神经网络模型)。其中,预测基模型可以表示预测模型的初始模型。
本发明提供的基于多模型自适应组合的光伏功率超短期预测方法,其有益效果在于:
由于不同的预测模型在不同的预测情景下具有不同的适应性,仅依靠单一模型难以充分考虑情景的变化规律,本发明的光伏发电超短期多模型自适应组合预测方法从模型的基本原理出发,探讨了不同模型在不同波动模式下的适应性,根据定量评价结果,对不同的模型分配适当的权重,有效提升了光伏发电功率预测的准确性和可靠性,以及
能够基于波动模式识别的方法自适应学习每个基模型的权重,创新性地引入了利用历史实际光伏功率数据进行波动模式划分的方法,有效降低了未来预测数据不准确对预测精度的不利影响。
基于相同的构思,本发明还提供一种基于多模型自适应组合的光伏功率超短期预测装置。
下面对本发明提供的基于多模型自适应组合的光伏功率超短期预测装置进行描述,下文描述的基于多模型自适应组合的光伏功率超短期预测装置与上文描述的基于多模型自适应组合的光伏功率超短期预测方法可相互对应参照。
图5是本发明提供的基于多模型自适应组合的光伏功率超短期预测装置的结构示意图。
在本发明一示例性实施例中,结合图5可知,基于多模型自适应组合的光伏功率超短期预测装置可以包括第一确定模块510、第二确定模块520、调用模块530、获取模块540、处理模块550,以及预测模块560,下面将分别介绍各模块。
第一确定模块510,可以被配置为用于确定待预测时段的第一历史实测光伏功率数据;
第二确定模块520,可以被配置为用于基于第一历史实测光伏功率数据,确定待预测时段的第一功率波动模式;
调用模块530,可以被配置为用于基于第一功率波动模式,调用与第一功率波动模式对应的预先训练好的第一预测模型组,其中,第一预测模型组包括多个第一预测模型,以及各第一预测模型的第一组合权重;
获取模块540,可以被配置为用于获取待预测时段的第一未来数值天气预报数据;
处理模块550,可以被配置为用于将第一未来数值天气预报数据和第一历史实测光伏功率数据分别输入至各第一预测模型,得到各第一预测模型输出的第一光伏功率超短期预测结果;
预测模块560,可以被配置为用于基于各第一光伏功率超短期预测结果,以及各第一组合权重,得到待预测时段的目标光伏功率超短期预测结果。
在本发明一示例性实施例中,第二确定模块520还可以被配置为用于:
获取不同聚类簇与不同功率波动模式的对应关系;
第二确定模块520可以采用以下方式实现基于第一历史实测光伏功率数据,确定待预测时段的第一功率波动模式:
计算第一历史实测光伏功率数据与各聚类簇的聚类中心的欧式距离,并将欧式距离最小的聚类簇作为匹配第一历史实测光伏功率数据的聚类簇;
基于不同聚类簇与不同功率波动模式的对应关系,以及匹配第一历史实测光伏功率数据的聚类簇,确定待预测时段的第一功率波动模式。
在本发明一示例性实施例中,调用模块530还可以被配置为用于:
确定映射关系,其中,映射关系包括不同的功率波动模式与不同的预测模型组之间的对应关系,预测模型组包括多个预测模型,以及各预测模型的组合权重;
调用模块530可以采用以下方式实现基于第一功率波动模式,调用与第一功率波动模式对应的预先训练好的第一预测模型组:
基于映射关系和第一功率波动模式,调用与第一功率波动模式对应的预先训练好的第一预测模型组。
在本发明一示例性实施例中,调用模块530可以采用以下方式实现确定映射关系:
获取第二历史实测光伏功率数据,以及与第二历史实测光伏功率数据对应的第二未来数值天气预报数据,其中,第一历史实测光伏功率数据为第二历史实测光伏功率数据的子集;
基于聚类模型,对第二历史实测光伏功率数据进行聚类,得到多个聚类簇;
基于各聚类簇,确定与聚类簇对应的功率波动模式,以形成不同聚类簇与不同功率波动模式的对应关系;
在各功率波动模式下,将第二历史实测光伏功率数据以及第二未来数值天气预报数据作为训练集,对各预测模型组进行预训练,得到训练好的各预测模型组;
基于各预测模型组和各功率波动模式的对应关系,确定映射关系。
在本发明一示例性实施例中,调用模块530可以采用以下方式实现确定各预测模型的组合权重:
将与训练集对应的验证集,输入至各预测模型组中的各预测模型,得到各所述预测模型输出的第二光伏功率超短期预测结果;
基于第二光伏功率超短期预测结果,以及与验证集对应的实测光伏功率超短期预测结果,确定各预测模型的组合权重。
在本发明一示例性实施例中,调用模块530还可以被配置为用于:
基于第二历史实测光伏功率数据,确定第二历史实测光伏功率数据的第二离散特征,其中,第二离散特征包括第二历史实测光伏功率数据的方差、第二历史实测光伏功率数据的标准差、第二历史实测光伏功率数据的峰值因子以及第二历史实测光伏功率数据的相对标准差中的任意一种或多种;
调用模块530可以采用以下方式实现基于聚类模型,对第二历史实测光伏功率数据进行聚类,得到多个聚类簇:
基于聚类模型,对第二历史实测光伏功率数据的第二离散特征进行聚类分析,得到多个聚类簇。
图6示例了一种电子设备的实体结构示意图,如图6所示,该电子设备可以包括:处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640,其中,处理器610,通信接口620,存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令,以执行基于多模型自适应组合的光伏功率超短期预测方法,该方法包括:确定待预测时段的第一历史实测光伏功率数据;基于所述第一历史实测光伏功率数据,确定所述待预测时段的第一功率波动模式;基于所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组,其中,所述第一预测模型组包括多个第一预测模型,以及各所述第一预测模型的第一组合权重;获取所述待预测时段的第一未来数值天气预报数据;将所述第一未来数值天气预报数据和所述第一历史实测光伏功率数据分别输入至各所述第一预测模型,得到各所述第一预测模型输出的第一光伏功率超短期预测结果;基于各第一光伏功率超短期预测结果,以及各第一组合权重,得到待预测时段的目标光伏功率超短期预测结果。
此外,上述的存储器630中的逻辑指令可以通过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(可以是个人计算机,服务器,或者网络设备等)执行本发明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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的基于多模型自适应组合的光伏功率超短期预测方法,该方法包括:确定待预测时段的第一历史实测光伏功率数据;基于所述第一历史实测光伏功率数据,确定所述待预测时段的第一功率波动模式;基于所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组,其中,所述第一预测模型组包括多个第一预测模型,以及各所述第一预测模型的第一组合权重;获取所述待预测时段的第一未来数值天气预报数据;将所述第一未来数值天气预报数据和所述第一历史实测光伏功率数据分别输入至各所述第一预测模型,得到各所述第一预测模型输出的第一光伏功率超短期预测结果;基于各第一光伏功率超短期预测结果,以及各第一组合权重,得到待预测时段的目标光伏功率超短期预测结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的基于多模型自适应组合的光伏功率超短期预测方法,该方法包括:确定待预测时段的第一历史实测光伏功率数据;基于所述第一历史实测光伏功率数据,确定所述待预测时段的第一功率波动模式;基于所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组,其中,所述第一预测模型组包括多个第一预测模型,以及各所述第一预测模型的第一组合权重;获取所述待预测时段的第一未来数值天气预报数据;将所述第一未来数值天气预报数据和所述第一历史实测光伏功率数据分别输入至各所述第一预测模型,得到各所述第一预测模型输出的第一光伏功率超短期预测结果;基于各第一光伏功率超短期预测结果,以及各第一组合权重,得到待预测时段的目标光伏功率超短期预测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
进一步可以理解的是,本发明实施例中尽管在附图中以特定的顺序描述操作,但是不应将其理解为要求按照所示的特定顺序或是串行顺序来执行这些操作,或是要求执行全部所示的操作以得到期望的结果。在特定环境中,多任务和并行处理可能是有利的。
最后应说明的是:以上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。
Claims (10)
1.一种基于多模型自适应组合的光伏功率超短期预测方法,其特征在于,所述方法包括:
确定待预测时段的第一历史实测光伏功率数据;
基于所述第一历史实测光伏功率数据,确定所述待预测时段的第一功率波动模式;
基于所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组,其中,所述第一预测模型组包括多个第一预测模型,以及各所述第一预测模型的第一组合权重;
获取所述待预测时段的第一未来数值天气预报数据;
将所述第一未来数值天气预报数据和所述第一历史实测光伏功率数据分别输入至各所述第一预测模型,得到各所述第一预测模型输出的第一光伏功率超短期预测结果;
基于各所述第一光伏功率超短期预测结果,以及各所述第一组合权重,得到所述待预测时段的目标光伏功率超短期预测结果。
2.根据权利要求1所述的基于多模型自适应组合的光伏功率超短期预测方法,其特征在于,在所述基于所述第一历史实测光伏功率数据,确定所述待预测时段的第一功率波动模式之前,所述方法还包括:
获取不同聚类簇与不同功率波动模式的对应关系;
所述基于所述第一历史实测光伏功率数据,确定所述待预测时段的第一功率波动模式,具体包括:
计算所述第一历史实测光伏功率数据与各所述聚类簇的聚类中心的欧式距离,并将欧式距离最小的聚类簇作为匹配所述第一历史实测光伏功率数据的聚类簇;
基于不同聚类簇与不同功率波动模式的对应关系,以及所述匹配所述第一历史实测光伏功率数据的聚类簇,确定所述待预测时段的第一功率波动模式。
3.根据权利要求1所述的基于多模型自适应组合的光伏功率超短期预测方法,其特征在于,在所述基于所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组之前,所述方法还包括:
确定映射关系,其中,所述映射关系包括不同的功率波动模式与不同的预测模型组之间的对应关系,所述预测模型组包括多个预测模型,以及各所述预测模型的组合权重;
所述基于所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组,具体包括:
基于所述映射关系和所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组。
4.根据权利要求3所述的基于多模型自适应组合的光伏功率超短期预测方法,其特征在于,所述映射关系采用以下方式确定:
获取第二历史实测光伏功率数据,以及与所述第二历史实测光伏功率数据对应的第二未来数值天气预报数据;
基于聚类模型,对所述第二历史实测光伏功率数据进行聚类,得到多个聚类簇;
基于各所述聚类簇,确定与所述聚类簇对应的功率波动模式,以形成不同聚类簇与不同功率波动模式的对应关系;
在各所述功率波动模式下,将所述第二历史实测光伏功率数据以及所述第二未来数值天气预报数据作为训练集,对各所述预测模型组进行预训练,得到训练好的各所述预测模型组;
基于各所述预测模型组和各所述功率波动模式的对应关系,确定所述映射关系。
5.根据权利要求4所述的基于多模型自适应组合的光伏功率超短期预测方法,其特征在于,各所述预测模型的组合权重采用以下方式确定:
将与所述训练集对应的验证集,输入至各所述预测模型组中的各所述预测模型,得到各所述预测模型输出的第二光伏功率超短期预测结果;
基于所述第二光伏功率超短期预测结果,以及与所述验证集对应的实测光伏功率超短期预测结果,确定各所述预测模型的组合权重。
6.根据权利要求4所述的基于多模型自适应组合的光伏功率超短期预测方法,其特征在于,在所述基于聚类模型,对所述第二历史实测光伏功率数据进行聚类,得到多个聚类簇之前,所述方法还包括:
基于所述第二历史实测光伏功率数据,确定所述第二历史实测光伏功率数据的第二离散特征,其中,所述第二离散特征包括所述第二历史实测光伏功率数据的方差、所述第二历史实测光伏功率数据的标准差、所述第二历史实测光伏功率数据的峰值因子以及所述第二历史实测光伏功率数据的相对标准差中的任意一种或多种;
所述基于聚类模型,对所述第二历史实测光伏功率数据进行聚类,得到多个聚类簇,具体包括:
基于所述聚类模型,对所述第二历史实测光伏功率数据的第二离散特征进行聚类分析,得到多个聚类簇。
7.一种基于多模型自适应组合的光伏功率超短期预测装置,其特征在于,所述装置包括:
第一确定模块,用于确定待预测时段的第一历史实测光伏功率数据;
第二确定模块,用于基于所述第一历史实测光伏功率数据,确定所述待预测时段的第一功率波动模式;
调用模块,用于基于所述第一功率波动模式,调用与所述第一功率波动模式对应的预先训练好的第一预测模型组,其中,所述第一预测模型组包括多个第一预测模型,以及各所述第一预测模型的第一组合权重;
获取模块,用于获取所述待预测时段的第一未来数值天气预报数据;
处理模块,用于将所述第一未来数值天气预报数据和所述第一历史实测光伏功率数据分别输入至各所述第一预测模型,得到各所述第一预测模型输出的第一光伏功率超短期预测结果;
预测模块,用于基于各所述第一光伏功率超短期预测结果,以及各所述第一组合权重,得到所述待预测时段的目标光伏功率超短期预测结果。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述的基于多模型自适应组合的光伏功率超短期预测方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于多模型自适应组合的光伏功率超短期预测方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于多模型自适应组合的光伏功率超短期预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311581622.3A CN117748465A (zh) | 2023-11-24 | 2023-11-24 | 基于多模型自适应组合的光伏功率超短期预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311581622.3A CN117748465A (zh) | 2023-11-24 | 2023-11-24 | 基于多模型自适应组合的光伏功率超短期预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117748465A true CN117748465A (zh) | 2024-03-22 |
Family
ID=90257012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311581622.3A Pending CN117748465A (zh) | 2023-11-24 | 2023-11-24 | 基于多模型自适应组合的光伏功率超短期预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117748465A (zh) |
-
2023
- 2023-11-24 CN CN202311581622.3A patent/CN117748465A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197744B (zh) | 一种光伏发电功率的确定方法及系统 | |
CN111900731B (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN111461445B (zh) | 短期风速预测方法、装置、计算机设备及存储介质 | |
CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN116014722A (zh) | 基于季节分解和卷积网络的次日光伏发电预测方法及系统 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
CN113151842B (zh) | 风光互补电解水制氢的转化效率的确定方法和确定装置 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
CN114298132A (zh) | 风电功率预测方法及装置、电子设备 | |
CN116706907B (zh) | 基于模糊推理的光伏发电预测方法和相关设备 | |
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 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
CN117748465A (zh) | 基于多模型自适应组合的光伏功率超短期预测方法及装置 | |
CN116307139A (zh) | 一种优化与改进极限学习机的风电功率超短期预测方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN112836885B (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
CN114372558A (zh) | 基于多模型融合的居民用电负荷预测方法、介质及设备 | |
Huang et al. | Photovoltaic Power Prediction Model Based on Weather Forecast | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 |
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 |