CN117933677B - 基于区域调频的水力发电厂关联数据预测方法和装置 - Google Patents
基于区域调频的水力发电厂关联数据预测方法和装置 Download PDFInfo
- Publication number
- CN117933677B CN117933677B CN202410342105.9A CN202410342105A CN117933677B CN 117933677 B CN117933677 B CN 117933677B CN 202410342105 A CN202410342105 A CN 202410342105A CN 117933677 B CN117933677 B CN 117933677B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- prediction
- predicted
- regional
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000012544 monitoring process Methods 0.000 claims abstract description 82
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000005457 optimization Methods 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims abstract description 23
- 238000003860 storage Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims description 85
- 238000009826 distribution Methods 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 46
- 230000004044 response Effects 0.000 claims description 32
- 238000010248 power generation Methods 0.000 claims description 31
- 230000008859 change Effects 0.000 claims description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 27
- 238000012546 transfer Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 10
- 230000003872 anastomosis Effects 0.000 claims description 8
- 230000002452 interceptive effect Effects 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种基于区域调频的水力发电厂关联数据预测方法、装置、计算机设备、存储介质和计算机程序产品,可用于电力技术领域。该方法包括:获取待预测水力发电厂的区域数据;从区域数据中提取数据特征;根据数据特征建立待优化关联模型;对待优化关联模型进行性能预测得到性能预测结果;根据性能预测结果对待优化关联模型进行性能优化,得到待预测关联模型;将待预测关联模型在备用区域中进行模拟应用并对模拟应用后的区域运行情况进行监测,得到监测结果;将监测结果与区域业务属性值进行比较得到吻合程度预测数据;将吻合程度预测数据在预设阈值范围内的待预测关联模型作为目标关联模型。采用本方法能够提高水力发电厂关联数据预测的效率。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种基于区域调频的水力发电厂关联数据预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电力技术的发展,水力发电在能源结构中占据了重要的地位。通过对水力发电厂的数据进行分析,可以了解到水力发电厂的关联数据的重要性。因此,如何高效地进行水力发电厂关联数据预测,成为了重要的研究方向。
传统技术通常是通过人工统计分析的方式,进行水力发电厂关联数据预测;但是,通过该方式进行水力发电厂关联数据预测需要耗费较多的人工处理时间,导致水力发电厂关联数据预测的效率较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高水力发电厂关联数据预测的效率的基于区域调频的水力发电厂关联数据预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种基于区域调频的水力发电厂关联数据预测方法。所述方法包括:
获取待预测水力发电厂对应的区域数据;所述区域数据包括水力发电系统在调频过程中涉及的第一预设相关数据和备用区域的第二预设相关数据;
从所述区域数据中提取数据特征;所述数据特征用于表示符合数据特征评价指标的数据;所述数据特征评价指标用于描述所述区域数据的预设性能指标与预设参考性能指标的预测偏差程度;所述预设性能指标包括数据重要性分数和数据相关性分数;所述数据重要性分数用于描述所述数据特征对于区域业务属性值的影响程度;所述数据相关性分数用于描述所述数据特征与所述区域业务属性值的相关性程度;
根据所述数据特征,建立待优化关联模型;所述待优化关联模型用于预测所述数据特征与所述区域业务属性值之间的关联关系;
对所述待优化关联模型进行性能预测,得到性能预测结果;所述性能预测结果用于描述所述待优化关联模型的准确程度和预测能力;
根据所述性能预测结果对所述待优化关联模型进行性能优化,得到待预测关联模型;
将所述待预测关联模型在所述备用区域中进行模拟应用,并对模拟应用后的区域运行情况进行监测,得到监测结果;
将所述监测结果与所述区域业务属性值进行比较,得到吻合程度预测数据;所述吻合程度预测数据用于描述所述待预测关联模型在关联数据预测的实际应用中的可靠程度;
将所述吻合程度预测数据在预设阈值范围内的待预测关联模型,作为目标关联模型;所述目标关联模型用于投入至所述关联数据预测的实际应用中。
在其中一个实施例中,所述根据所述数据特征,建立待优化关联模型,包括:
根据所述数据特征,确定区域业务属性值特征;
根据所述区域业务属性值特征,构建待优化关联模型数据集;所述待优化关联模型数据集为所述区域业务属性值特征的集合;
按照预设比例,将所述待优化关联模型数据集划分为训练特征集和测试特征集;
通过所述训练特征集和所述测试特征集,对预设模型进行模型训练与验证,得到所述待预测水力发电厂对应的区域调频备用区域的关联模型,作为所述待优化关联模型。
在其中一个实施例中,在对所述待优化关联模型进行性能预测,得到性能预测结果之前,还包括:
获取所述待优化关联模型的本质数据和数据分布分数;所述本质数据为所述待优化关联模型的直接性能数据;所述直接性能数据包括数据质量数据、模型复杂性数据和训练数据量;所述数据分布分数为数据分布情况的预测分数;
根据所述本质数据和所述数据分布分数,计算所述待优化关联模型的预测能力数据;所述预测能力数据用于预测所述待优化关联模型的所述预测能力。
在其中一个实施例中,所述根据所述性能预测结果对所述待优化关联模型进行性能优化,得到待预测关联模型,包括:
根据所述性能预测结果,对所述待优化关联模型进行模型选择,得到待调优关联模型;
对所述待调优关联模型进行超参数调优处理,得到所述待预测关联模型。
在其中一个实施例中,所述对模拟应用后的区域运行情况进行监测,得到监测结果,包括:
对所述待预测关联模型在所述备用区域中的实时决策和交互性应用过程中的性能进行实时监测,得到所述区域运行情况和监测数据;
根据所述区域运行情况和所述监测数据,确定所述待预测关联模型的错误信息和数据特征分布变化信息;
根据所述错误信息和所述数据特征分布变化信息,确定所述监测结果。
在其中一个实施例中,所述第一预设相关数据包括雨量数据、频率响应速率、备用电力容量、备用出力、实时水位流量和电力系统负荷预测;
所述雨量数据用于分析所述待预测水力发电厂在历史周期内的雨量强度;
所述频率响应速率表示所述待预测水力发电厂实时响应电网频率变化的数据;
所述备用电力容量表示所述待预测水力发电厂作为备用电源的容量数据;
所述备用出力用于描述所述待预测水力发电厂在对应的预设电力系统发生突发事件时提供的额外发电能力;
所述实时水位流量用于描述所述待预测水力发电厂的实时水位流量数据在水力发电过程中的实际产能和可用性。
在其中一个实施例中,所述第二预设相关数据包括区域资源转移数据和区域需求数据;
所述区域资源转移数据包括所述待预测水力发电厂在调频和备用区域中的资源转移记录、业务属性值数据和资源转移量;
所述区域需求数据包括调频区域的需求数据及需求曲线;
所述需求曲线为根据调频响应频率变化的能力和成本构建的曲线。
第二方面,本申请还提供了一种基于区域调频的水力发电厂关联数据预测装置。所述装置包括:
数据获取模块,用于获取待预测水力发电厂对应的区域数据;所述区域数据包括水力发电系统在调频过程中涉及的第一预设相关数据和备用区域的第二预设相关数据;
特征提取模块,用于从所述区域数据中提取数据特征;所述数据特征用于表示符合数据特征评价指标的数据;所述数据特征评价指标用于描述所述区域数据的预设性能指标与预设参考性能指标的预测偏差程度;所述预设性能指标包括数据重要性分数和数据相关性分数;所述数据重要性分数用于描述所述数据特征对于区域业务属性值的影响程度;所述数据相关性分数用于描述所述数据特征与所述区域业务属性值的相关性程度;
模型建立模块,用于根据所述数据特征,建立待优化关联模型;所述待优化关联模型用于预测所述数据特征与所述区域业务属性值之间的关联关系;
性能预测模块,用于对所述待优化关联模型进行性能预测,得到性能预测结果;所述性能预测结果用于描述所述待优化关联模型的准确程度和预测能力;
性能优化模块,用于根据所述性能预测结果对所述待优化关联模型进行性能优化,得到待预测关联模型;
模型应用模块,用于将所述待预测关联模型在所述备用区域中进行模拟应用,并对模拟应用后的区域运行情况进行监测,得到监测结果;
结果比较模块,用于将所述监测结果与所述区域业务属性值进行比较,得到吻合程度预测数据;所述吻合程度预测数据用于描述所述待预测关联模型在关联数据预测的实际应用中的可靠程度;
模型确定模块,用于将所述吻合程度预测数据在预设阈值范围内的待预测关联模型,作为目标关联模型;所述目标关联模型用于投入至所述关联数据预测的实际应用中。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取待预测水力发电厂对应的区域数据;所述区域数据包括水力发电系统在调频过程中涉及的第一预设相关数据和备用区域的第二预设相关数据;
从所述区域数据中提取数据特征;所述数据特征用于表示符合数据特征评价指标的数据;所述数据特征评价指标用于描述所述区域数据的预设性能指标与预设参考性能指标的预测偏差程度;所述预设性能指标包括数据重要性分数和数据相关性分数;所述数据重要性分数用于描述所述数据特征对于区域业务属性值的影响程度;所述数据相关性分数用于描述所述数据特征与所述区域业务属性值的相关性程度;
根据所述数据特征,建立待优化关联模型;所述待优化关联模型用于预测所述数据特征与所述区域业务属性值之间的关联关系;
对所述待优化关联模型进行性能预测,得到性能预测结果;所述性能预测结果用于描述所述待优化关联模型的准确程度和预测能力;
根据所述性能预测结果对所述待优化关联模型进行性能优化,得到待预测关联模型;
将所述待预测关联模型在所述备用区域中进行模拟应用,并对模拟应用后的区域运行情况进行监测,得到监测结果;
将所述监测结果与所述区域业务属性值进行比较,得到吻合程度预测数据;所述吻合程度预测数据用于描述所述待预测关联模型在关联数据预测的实际应用中的可靠程度;
将所述吻合程度预测数据在预设阈值范围内的待预测关联模型,作为目标关联模型;所述目标关联模型用于投入至所述关联数据预测的实际应用中。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取待预测水力发电厂对应的区域数据;所述区域数据包括水力发电系统在调频过程中涉及的第一预设相关数据和备用区域的第二预设相关数据;
从所述区域数据中提取数据特征;所述数据特征用于表示符合数据特征评价指标的数据;所述数据特征评价指标用于描述所述区域数据的预设性能指标与预设参考性能指标的预测偏差程度;所述预设性能指标包括数据重要性分数和数据相关性分数;所述数据重要性分数用于描述所述数据特征对于区域业务属性值的影响程度;所述数据相关性分数用于描述所述数据特征与所述区域业务属性值的相关性程度;
根据所述数据特征,建立待优化关联模型;所述待优化关联模型用于预测所述数据特征与所述区域业务属性值之间的关联关系;
对所述待优化关联模型进行性能预测,得到性能预测结果;所述性能预测结果用于描述所述待优化关联模型的准确程度和预测能力;
根据所述性能预测结果对所述待优化关联模型进行性能优化,得到待预测关联模型;
将所述待预测关联模型在所述备用区域中进行模拟应用,并对模拟应用后的区域运行情况进行监测,得到监测结果;
将所述监测结果与所述区域业务属性值进行比较,得到吻合程度预测数据;所述吻合程度预测数据用于描述所述待预测关联模型在关联数据预测的实际应用中的可靠程度;
将所述吻合程度预测数据在预设阈值范围内的待预测关联模型,作为目标关联模型;所述目标关联模型用于投入至所述关联数据预测的实际应用中。
第五方面,本申请还提供了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,该计算机程序被处理器执行时实现以下步骤:
获取待预测水力发电厂对应的区域数据;所述区域数据包括水力发电系统在调频过程中涉及的第一预设相关数据和备用区域的第二预设相关数据;
从所述区域数据中提取数据特征;所述数据特征用于表示符合数据特征评价指标的数据;所述数据特征评价指标用于描述所述区域数据的预设性能指标与预设参考性能指标的预测偏差程度;所述预设性能指标包括数据重要性分数和数据相关性分数;所述数据重要性分数用于描述所述数据特征对于区域业务属性值的影响程度;所述数据相关性分数用于描述所述数据特征与所述区域业务属性值的相关性程度;
根据所述数据特征,建立待优化关联模型;所述待优化关联模型用于预测所述数据特征与所述区域业务属性值之间的关联关系;
对所述待优化关联模型进行性能预测,得到性能预测结果;所述性能预测结果用于描述所述待优化关联模型的准确程度和预测能力;
根据所述性能预测结果对所述待优化关联模型进行性能优化,得到待预测关联模型;
将所述待预测关联模型在所述备用区域中进行模拟应用,并对模拟应用后的区域运行情况进行监测,得到监测结果;
将所述监测结果与所述区域业务属性值进行比较,得到吻合程度预测数据;所述吻合程度预测数据用于描述所述待预测关联模型在关联数据预测的实际应用中的可靠程度;
将所述吻合程度预测数据在预设阈值范围内的待预测关联模型,作为目标关联模型;所述目标关联模型用于投入至所述关联数据预测的实际应用中。
上述基于区域调频的水力发电厂关联数据预测方法、装置、计算机设备、存储介质和计算机程序产品,获取待预测水力发电厂对应的区域数据;所述区域数据包括水力发电系统在调频过程中涉及的第一预设相关数据和备用区域的第二预设相关数据;从所述区域数据中提取数据特征;所述数据特征用于表示符合数据特征评价指标的数据;所述数据特征评价指标用于描述所述区域数据的预设性能指标与预设参考性能指标的预测偏差程度;所述预设性能指标包括数据重要性分数和数据相关性分数;所述数据重要性分数用于描述所述数据特征对于区域业务属性值的影响程度;所述数据相关性分数用于描述所述数据特征与所述区域业务属性值的相关性程度;根据所述数据特征,建立待优化关联模型;所述待优化关联模型用于预测所述数据特征与所述区域业务属性值之间的关联关系;对所述待优化关联模型进行性能预测,得到性能预测结果;所述性能预测结果用于描述所述待优化关联模型的准确程度和预测能力;根据所述性能预测结果对所述待优化关联模型进行性能优化,得到待预测关联模型;将所述待预测关联模型在所述备用区域中进行模拟应用,并对模拟应用后的区域运行情况进行监测,得到监测结果;将所述监测结果与所述区域业务属性值进行比较,得到吻合程度预测数据;所述吻合程度预测数据用于描述所述待预测关联模型在关联数据预测的实际应用中的可靠程度;将所述吻合程度预测数据在预设阈值范围内的待预测关联模型,作为目标关联模型;所述目标关联模型用于投入至所述关联数据预测的实际应用中。该方案通过建立关联模型、评估优化、模拟验证、选择可靠模型,来获取水力发电厂关联数据预测的可靠预测模型,用于投入至关联数据预测的实际应用中,从而有利于提高水力发电厂关联数据预测的效率和准确率。
附图说明
为了更清楚地说明本申请实施例或相关技术中的技术方案,下面将对实施例或相关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申请的一些实施例,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为一个实施例中基于区域调频的水力发电厂关联数据预测方法的流程示意图;
图2为一个实施例中确定模型步骤的流程示意图;
图3为一个实施例中预设相关数据的示意图;
图4为一个实施例中基于区域调频的水力发电厂关联数据预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要符合相关规定。
在一个示例性的实施例中,如图1所示,提供了一种基于区域调频的水力发电厂关联数据预测方法,本实施例以该方法应用于终端进行举例说明;可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器之间的交互实现。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑等;服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤S101,获取待预测水力发电厂对应的区域数据;区域数据包括水力发电系统在调频过程中涉及的第一预设相关数据和备用区域的第二预设相关数据。
步骤S102,从区域数据中提取数据特征;数据特征用于表示符合数据特征评价指标的数据;数据特征评价指标用于描述区域数据的预设性能指标与预设参考性能指标的预测偏差程度;预设性能指标包括数据重要性分数和数据相关性分数;数据重要性分数用于描述数据特征对于区域业务属性值的影响程度;数据相关性分数用于描述数据特征与区域业务属性值的相关性程度。
步骤S103,根据数据特征,建立待优化关联模型;待优化关联模型用于预测数据特征与区域业务属性值之间的关联关系。
步骤S104,对待优化关联模型进行性能预测,得到性能预测结果;性能预测结果用于描述待优化关联模型的准确程度和预测能力。
步骤S105,根据性能预测结果对待优化关联模型进行性能优化,得到待预测关联模型。
步骤S106,将待预测关联模型在备用区域中进行模拟应用,并对模拟应用后的区域运行情况进行监测,得到监测结果。
步骤S107,将监测结果与区域业务属性值进行比较,得到吻合程度预测数据;吻合程度预测数据用于描述待预测关联模型在关联数据预测的实际应用中的可靠程度。
步骤S108,将吻合程度预测数据在预设阈值范围内的待预测关联模型,作为目标关联模型;目标关联模型用于投入至关联数据预测的实际应用中。
其中,待预测水力发电厂可以是需要进行关联数据预测的水力发电厂。
其中,区域数据可以是与水力发电厂相关的区域内各种数据,包括水力发电系统运行数据和备用区域数据;区域数据也可以是水力发电厂参与区域调频和备用的相关数据,包括运行数据和区域市场数据。
其中,备用区域可以是水力发电厂作为备用电源提供电力的区域。
其中,区域调频可以是水力发电厂根据电网频率变化进行出力调节,以维持电网频率稳定的操作。
其中,第一预设相关数据可以是水力发电系统在调频过程中涉及的各种运行数据,其中,水力发电系统可以是指水力发电厂的水力发电系统;第一预设相关数据也可以是水力发电系统运行过程中涉及的相关数据,如雨量、水位等。
其中,第二预设相关数据可以是备用区域内相关运行数据;第二预设相关数据也可以是备用区域相关的数据,如交易记录、需求曲线等。
其中,数据特征可以是符合评估标准的区域数据特征项目,也可以是符合评估标准的重要影响因素数据。
其中,数据特征评价指标可以是评估数据特征项目质量的标准。
其中,预设性能指标可以是描述数据特征质量的指标,如数据重要性和相关性。
其中,区域业务属性值可以是区域内的某项业务指标值,如电价或区域价格数据,也可以是区域电力市场的关键指标,如价格、交易量等。
其中,待优化关联模型可以是初步建立的预测水力发电厂与区域业务属性值之间关系的模型;关联模型也可以是用于预测数据特征和区域业务属性值之间关系的模型。
其中,性能预测可以是对关联模型的评估,如准确度、预测能力等。
其中,性能预测结果可以是评估待优化关联模型预测能力和准确度的结果。
其中,监测结果可以是对优化后的预测模型在备用区域模拟应用后的监测结果。
其中,吻合程度预测数据可以是评估预测模型在实际应用中的可靠程度。
其中,目标关联模型可以是经评估可直接应用于实际预测的模型。
可选地,终端获取待预测水力发电厂对应的区域数据;从区域数据中提取符合评估标准的数据特征;根据数据特征,建立待优化的关联预测模型,用于预测数据特征和区域业务属性值的关系;对建立的关联模型进行性能预测,评估其准确度和预测能力;根据性能预测结果,对关联模型进行优化,得到待预测模型;将待预测模型在备用区域进行模拟应用,监测模型运行情况;将监测结果与实际区域业务属性值进行比较,得到吻合程度预测数据;将吻合程度在预设范围内的模型作为目标关联模型;将目标关联模型投入实际关联数据预测应用。
举例来说,终端获取待预测水力发电厂对应的区域数据,包括水力发电系统运行数据和备用区域数据;从区域数据中提取符合评估标准的数据特征,如雨量、水位等;根据数据特征,建立初步关联模型来预测数据特征与区域业务属性值的关系;对初步关联模型进行性能预测,评估其准确度和预测能力;根据性能预测结果,对初步关联模型进行优化,得到优化后的预测模型;将优化后的预测模型在备用区域进行模拟应用,监测其运行情况;将监测结果与实际区域业务属性值进行比较,得到预测模型在实际应用中的可靠程度评估数据;将可靠程度评估数据在预设范围内的预测模型定为目标关联模型;其中,目标关联模型具备良好的预测效果,可以投入到实际的关联数据预测应用中,为水力发电厂的运行和调度提供决策支持。
举例来说,参考图2,第一步,数据获取:终端获取待评估水力发电厂对应的区域数据,并对收集到的数据进行预处理,区域数据包括水力发电系统在调频过程中涉及的预设相关数据和备用区域的预设相关数据;第二步,数据特征选择(特征数据选择):终端从预处理后的数据中提取数据特征,数据特征用于表示符合数据特征评价指标的数据,数据特征评价指标用于描述预设专业人员对预处理的数据的预设性能指标与预设参考性能指标的偏差程度的评价,预设性能指标包括数据重要性分数和数据相关性分数,数据重要性分数用于描述提取的数据特征对于区域价格数据的影响程度,数据相关性分数用于描述提取的数据特征与区域价格数据的相关性程度;第三步,模型建立:终端根据提取的数据特征并结合关联模型建立方法建立待评估关联模型,待评估关联模型用于可视化数据特征与区域价格之间的关联;第四步,模型优化:终端对建立的待评估关联模型进行性能评估获取第一评估结果,并根据第一评估结果对待评估关联模型进行性能优化,第一评估结果用于评估待评估关联模型的准确程度和预测能力;第五步,模型应用:终端将优化后的待评估关联模型在参考水力发电厂对应的区域调频备用区域中进行模拟应用,并对应用后的区域运行情况进行监测评估得到监测评估结果;第六步,模型可靠程度评估:终端将监测评估结果与待评估水力发电厂的实际区域价格数据进行比较获取吻合程度评估数据,并将吻合程度评估数据在预设阈值内的待评估关联模型投入实际应用,吻合程度评估数据用于评估待评估关联模型在实际应用中的可靠程度。其中,区域调频是对待评估水力发电厂的电力系统频率进行调节以维持水力发电厂的稳定运行;为保证待评估水力发电厂的稳定运行,增加备用区域,备用区域可以在待评估水力发电厂不稳定时提供电力;雨量数据:预设性能指标包括数据的重要性和数据的相关性,其中数据的重要性指的是提取的数据特征对于区域价格数据的重要性程度,而数据的相关性指的是提取的数据特征与区域价格数据的相关性程度;只有符合数据特征评价指标的数据才能作为待评估关联模型的输入,得到准确的区域价格数据;第六步中进行可靠程度的评估是为了保证待评估关联模型的应用效果从而实现对待评估水力发电厂关联数据的准确评估,不是说任何模型都可以投入实际应用;水力发电系统为将非电形式的能源转化为电能,并将电能输送给用户的系统;预处理一般包括数据清洗、去除异常值、数据归一化操作;实现了获取更准确、一致的区域数据。
举例来说,吻合程度评估数据(吻合程度预测数据)的具体获取如下:获取待评估关联模型的性能评估参数,性能评估参数包括准确度、精确度和召回率;根据获取的性能评估参数计算待评估关联模型的吻合程度评估数据,吻合程度评估数据采用以下公式计算:
,
式中,WHX为第X个待评估关联模型的吻合程度评估数据,QX为第X个待评估关联模型的准确度,Q0为第X个待评估关联模型的参考准确度,ΔQ为待评估关联模型准确度参考偏差,JX为第X个待评估关联模型的精确度,J0为第X个待评估关联模型的参考精确度,ΔJ为待评估关联模型精确度参考偏差,HX为第X个待评估关联模型的召回率,H0为第X个待评估关联模型的参考召回率,ΔH为待评估关联模型召回率参考偏差,、θ和ω分别为准确度绝对偏差、精确度绝对偏差和召回率绝对偏差相对于吻合程度评估数据的权重因子。其中,准确度用于描述待评估模型正确预测的样本比例,精确度用于描述在所有预测为正类别的样本中真正为正类别的比例,召回率用于描述在所有实际正类别的样本中被正确预测为正类别的比例;实现了待评估关联模型在实际应用的可靠程度的数值化评估。
上述基于区域调频的水力发电厂关联数据预测方法中,获取待预测水力发电厂对应的区域数据;区域数据包括水力发电系统在调频过程中涉及的第一预设相关数据和备用区域的第二预设相关数据;从区域数据中提取数据特征;数据特征用于表示符合数据特征评价指标的数据;数据特征评价指标用于描述区域数据的预设性能指标与预设参考性能指标的预测偏差程度;预设性能指标包括数据重要性分数和数据相关性分数;数据重要性分数用于描述数据特征对于区域业务属性值的影响程度;数据相关性分数用于描述数据特征与区域业务属性值的相关性程度;根据数据特征,建立待优化关联模型;待优化关联模型用于预测数据特征与区域业务属性值之间的关联关系;对待优化关联模型进行性能预测,得到性能预测结果;性能预测结果用于描述待优化关联模型的准确程度和预测能力;根据性能预测结果对待优化关联模型进行性能优化,得到待预测关联模型;将待预测关联模型在备用区域中进行模拟应用,并对模拟应用后的区域运行情况进行监测,得到监测结果;将监测结果与区域业务属性值进行比较,得到吻合程度预测数据;吻合程度预测数据用于描述待预测关联模型在关联数据预测的实际应用中的可靠程度;将吻合程度预测数据在预设阈值范围内的待预测关联模型,作为目标关联模型;目标关联模型用于投入至关联数据预测的实际应用中。该方案通过建立关联模型、评估优化、模拟验证、选择可靠模型,来获取水力发电厂关联数据预测的可靠预测模型,用于投入至关联数据预测的实际应用中,从而有利于提高水力发电厂关联数据预测的效率和准确率。
在一个示例性的实施例中,根据数据特征,建立待优化关联模型,具体包括如下内容:根据数据特征,确定区域业务属性值特征;根据区域业务属性值特征,构建待优化关联模型数据集;待优化关联模型数据集为区域业务属性值特征的集合;按照预设比例,将待优化关联模型数据集划分为训练特征集和测试特征集;通过训练特征集和测试特征集,对预设模型进行模型训练与验证,得到待预测水力发电厂对应的区域调频备用区域的关联模型,作为待优化关联模型。
其中,区域业务属性值特征可以是影响区域业务属性值的影响因素,如负荷、供电能力等。
其中,待优化关联模型数据集可以是包含所有区域业务属性值特征的数据集合。
其中,训练特征集可以是从待优化关联模型数据集中抽取部分数据用于模型训练。
其中,测试特征集可以是从待优化关联模型数据集中抽取部分数据用于模型验证。
其中,待优化关联模型可以是通过训练特征集和测试特征集得到的初步关联模型,需要进一步优化。
其中,区域调频备用区域可以是水力发电厂在调频过程中可以利用的备用区域,用于提供电力支持。
可选地,终端根据获取到的区域数据,确定影响区域业务属性值(如电价)的特征,如水位、负荷等,作为区域业务属性值特征;根据区域业务属性值特征,构建待优化关联模型数据集,包含所有这些特征的数据;按照预设比例(如7:3),将数据集随机划分为训练特征集和测试特征集;利用训练特征集,采用一种预设模型(如线性回归模型),进行模型训练;利用测试特征集,对经训练模型进行预测,计算预测误差,评估模型效果;重复调整模型参数,重复训练验证过程,得到在此训练集下效果最好的模型,作为待优化关联模型。
举例来说,数据特征包括水力发电厂的发电量与备用容量的比例和备用出力与区域价格数据的关系;备用出力与区域价格数据的关系包括区域价格数据波动和区域设计规则。其中,区域价格数据波动表示待评估水力发电厂因对应的电力区域价格数据的波动出现的备用出力需求变化;区域设计规则为影响待评估水力发电厂的备用出力的参与和区域价格数据的形成的规则;实现了数据维度的减少和模型效果的提高。
举例来说,待评估关联模型(待评估关联模型可以是待优化关联模型或待预测关联模型)的具体建立步骤如下:步骤一,获取区域价格数据特征,区域价格数据特征表示选取的数据特征中存在的区域价格数据预测的影响因素;步骤二,构建待评估关联模型数据集,待评估关联模型数据集为区域价格数据特征的集合,并按照预设比例将待评估关联模型数据集划分为训练特征集和测试特征集;步骤三,通过待评估关联模型数据集对预设训练模型进行模型训练与验证,并根据关联模型建立方法建立待评估水力发电厂对应的区域调频备用区域的待评估关联模型,关联模型建立方法包括机器学习方法和统计分析方法。其中,建立水力发电厂区域调频备用区域关联模型的具体方法可以包括回归分析、神经网络和支持向量机;实现了对建立的待评估关联模型的定量分析。
本实施例提供的技术方案,通过提取特征,构建数据集,划分训练测试数据,训练模型,有利于得到更高效和更准确的待优化关联模型,从而有利于提高水力发电厂关联数据预测的效率和准确率。
在一个示例性的实施例中,在对待优化关联模型进行性能预测,得到性能预测结果之前,还包括如下内容:获取待优化关联模型的本质数据和数据分布分数;本质数据为待优化关联模型的直接性能数据;直接性能数据包括数据质量数据、模型复杂性数据和训练数据量;数据分布分数为数据分布情况的预测分数;根据本质数据和数据分布分数,计算待优化关联模型的预测能力数据;预测能力数据用于预测待优化关联模型的预测能力。
其中,本质数据可以是直接影响模型性能的基本数据,如数据质量、模型复杂度、训练数据量等。
其中,数据质量数据可以是评估训练数据质量的指标数据,如缺失值率、异常值率等。
其中,模型复杂性数据可以是评估模型结构复杂程度的指标数据,如层数、参数数量等。
其中,训练数据量可以是用于训练模型的样本数量。
其中,数据分布分数可以是训练数据分布情况的评估分数。
其中,预测能力数据可以是通过综合考虑本质数据和数据分布,对模型预测能力的定量评估值。
可选地,终端获取待优化关联模型的本质数据,包括数据质量数据、模型复杂性数据和训练数据量;其中,数据质量数据可以评估训练数据的缺失值率、异常值率等,模型复杂性数据可以评估模型结构复杂程度,如层数、参数数量等,训练数据量是指用于训练模型的样本数量;同时,获取待优化关联模型的训练数据分布情况的预测分数,作为数据分布分数;根据获取的本质数据和数据分布分数,采用预设的计算公式或算法,计算待优化关联模型的预测能力数据,通过综合考虑模型本质特征和数据分布情况,对模型的预测准确性和泛化能力进行定量评估,得到预测能力数据的计算结果,可以为后续对该模型进行优化提供参考。
举例来说,预测能力的具体评估方法如下:获取待评估关联模型的本质数据和数据分布分数,本质数据为待评估关联模型的直接性能数据,直接性能数据包括数据质量数据、模型复杂性数据和训练数据量,数据分布分数为预设专业人员对数据分布情况进行评估的分数;根据获取的数据计算待评估关联模型的预测能力评估数据,预测能力评估数据用于评估待评估关联模型的预测能力。
预测能力评估数据(即预测能力数据)采用以下公式计算:
,
式中,e表示自然常数,X表示待评估关联模型的编号,X=1,2……a,其中,a为待评估关联模型的总数量,k表示预设专业人员的编号,k=1,2……K,其中,K为预设专业人员的总数量,YCX为第X个待评估关联模型的预测能力评估数据,LX为第X个待评估关联模型的数据质量数据,L0为待评估关联模型的参考数据质量数据,ZX为第X个待评估关联模型的模型复杂性数据,Z0为待评估关联模型的参考模型复杂性数据,SX为第X个待评估关联模型的训练数据量,S0为待评估关联模型的参考训练数据量,FX为第X个待评估关联模型的数据分布分数,δ和λ分别为本质数据偏差平方和及平均数据分布分数的修正因子;本质数据偏差平方和为待评估关联模型的数据质量数据、模型复杂性数据和训练数据量的偏差的平方之和,实现了关联模型预测能力的数值化评估。
本实施例提供的技术方案,通过获取影响模型性能的本质数据和数据分布分数,对模型的预测能力进行定量评估,有利于得到更准确的预测能力数据,从而有利于提高水力发电厂关联数据预测的准确率。
在一个示例性的实施例中,根据性能预测结果对待优化关联模型进行性能优化,得到待预测关联模型,具体包括如下内容:根据性能预测结果,对待优化关联模型进行模型选择,得到待调优关联模型;对待调优关联模型进行超参数调优处理,得到待预测关联模型。
其中,模型选择可以是根据性能预测结果识别模型结构,选择一个初步优化后的模型作为待调优关联模型。
其中,待调优关联模型可以是通过模型选择得到的需要进行超参数调优的关联模型。
其中,超参数调优可以是调整待调优关联模型的超参数,如层数、学习率等数值参数,以优化模型性能,例如,超参数调优可以包括网格搜索和随机搜索。
可选地,终端根据性能预测结果,识别待优化关联模型的性能信息,如模型结构不够优化等;根据性能信息,从多个可选的模型结构中,选择一个或多个初步优化后的待优化关联模型作为待调优关联模型;对获得的待调优关联模型进行超参数调优,例如,这里的超参数包括学习率、层数、单元数量等可以调整的数值参数;采用网格搜索或随机搜索等算法,通过反复试误寻找超参数的最优组合,完成超参数调优,得到已经进行了模型选择和超参数优化的待预测关联模型。
举例来说,性能优化包括数据预处理、模型选择和超参数调优;数据预处理用于处理数据特征值,数据特征值包括缺失值和异常值;超参数调优用于通过搜索方法来寻找最佳的超参数组合,搜索方法包括网格搜索和随机搜索。其中,选择合适的待评估关联模型的方法可以包括决策树、随机森林和梯度提升树,实现了待评估关联模型泛化能力的提高。
本实施例提供的技术方案,通过根据性能预测结果进行模型选择和超参数调优处理,从而得到性能更优的待预测关联模型,从而有利于提高水力发电厂关联数据预测的效率和准确率。
在一个示例性的实施例中,对模拟应用后的区域运行情况进行监测,得到监测结果,具体包括如下内容:对待预测关联模型在备用区域中的实时决策和交互性应用过程中的性能进行实时监测,得到区域运行情况和监测数据;根据区域运行情况和监测数据,确定待预测关联模型的错误信息和数据特征分布变化信息;根据错误信息和数据特征分布变化信息,确定监测结果。
其中,实时决策和交互性应用可以是关联模型在备用区域实时作出的预测决策,以及与区域电力系统的互动过程。
其中,区域运行情况可以是备用区域在关联模型应用后的实时运行状态,如电量、价格等数据。
其中,监测数据可以是在关联模型应用过程中实时采集的性能指标数据,如准确率、召回率等。
其中,错误信息可以是监测过程中发现的关联模型预测结果与实际值不符的情况。
其中,数据特征分布变化信息可以是监测过程中检测到数据特征分布是否发生变化的信息。
可选地,终端将待预测关联模型导入到备用区域进行模拟应用;在预设时间间隔内,实时监测关联模型在备用区域中的决策情况和交互过程;监测到的决策和交互数据记录为区域运行情况和监测数据;根据区域运行情况(如电量、价格变化趋势等)与待预测关联模型的预测结果进行对比,识别出错误信息;检测数据特征在监测期间是否存在分布变化,记录数据特征分布变化信息;将错误信息和数据特征分布变化信息与监测数据一起分析;根据分析结果,判断待预测关联模型在备用区域中的表现,如预测准确率、适应能力等,形成监测结果。
举例来说,监测评估(进行监测)的具体方法如下:在预设时间间隔内监测输入待评估关联模型的数据特征的质量和分布,并检查数据是否存在缺失值和异常值;对待评估关联模型在参考水力发电厂对应的区域调频备用市场区域中的实时决策和交互性应用过程中的性能进行实时监测;对监测出的待评估关联模型的错误进行深入分析并找出改正的方法;检测待评估关联模型中数据特征分布的变化并进行判断,若数据特征分布发生变化,则对待评估关联模型采取相应的调整。其中,实时监测有助于及时发现模型性能下降或漂移,实现了待评估关联模型在实际应用中的有效性的提高。
本实施例提供的技术方案,通过监测关联模型在备用区域中的运行情况,分析监测数据得到模型表现,形成监测结果,有利于得到更准确的监测结果,从而有利于提高水力发电厂关联数据预测的准确率。
在一个示例性的实施例中,第一预设相关数据包括雨量数据、频率响应速率、备用电力容量、备用出力、实时水位流量和电力系统负荷预测;雨量数据用于分析待预测水力发电厂在历史周期内的雨量强度;频率响应速率表示待预测水力发电厂实时响应电网频率变化的数据;备用电力容量表示待预测水力发电厂作为备用电源的容量数据;备用出力用于描述待预测水力发电厂在对应的预设电力系统发生突发事件时提供的额外发电能力;实时水位流量用于描述待预测水力发电厂的实时水位流量数据在水力发电过程中的实际产能和可用性。
其中,雨量数据可以是水力发电厂对应地区的历史不同周期内的降雨情况数据。
其中,雨量强度可以是不同历史周期内降雨规模大小的评价指标。
其中,历史周期可以是水力发电厂运营历史的不同时段,如季度或年度。
其中,频率响应速率可以是水力发电厂对电网频率变化的实时响应能力指标。
其中,备用电力容量可以是水力发电厂作为备用电源可提供的最大发电容量。
其中,备用出力可以是水力发电厂在电力系统发生突发事件时额外提供的发电能力。
其中,实时水位流量可以是水力发电厂当前水库水位和流量,影响其实际发电产能。
其中,电力系统负荷预测可以是对电力系统未来负荷变化的预测,为水力发电调度提供参考。
举例来说,参考图3,水力发电系统在调频过程中涉及的预设相关数据包括雨量数据(历史雨量)、频率响应速率、备用电力容量、备用出力、实时水位流量和电力系统负荷预测;雨量数据用于分析待评估水力发电厂在历史周期内的雨量强度;频率响应速率表示待评估水力发电厂实时响应电网频率变化的数据;备用电力容量为待评估水力发电厂作为备用电源的容量数据;备用出力用于描述待评估水力发电厂在对应的预设电力系统发生突发事件时提供的额外发电能力;实时水位流量用于描述待评估水力发电厂的实时水位流量数据在水力发电过程中的实际产能和可用性。其中,雨量数据对水力发电系统的水源供给具有直接影响。更多的降雨可能导致水库水位上升,增加水力发电的产能,导致区域价格数据的减小;频率响应速率表示水力发电系统对系统频率变化的快速调整能力,较高的响应速率有助于提高系统频率稳定性,减少频率波动,可能导致区域价格数据趋于稳定;备用电力容量和备用出力表示水力发电系统提供备用能力的能力,更高的备用容量通常意味着系统对突发负荷增加有更好的响应能力,同样可能导致区域电力价格数据变化很小;实时水位流量反映了水力发电系统当前的水源状况,直接关系到发电能力,更高的水位和水流通常与更高的水力发电产能相关,可能导致区域价格数据的减小;电力系统负荷预测为水力发电系统提供了对未来电力需求的见解,有助于调整发电计划,准确的负荷预测有助于优化发电计划,提高系统的运行效率,导致区域价格数据变化很小;具体的影响程度和相关性需要根据实际情况和系统特性进行分析;水力发电厂的出力调节可以采用自动化控制系统,通过监测电力系统的频率变化,实时调整水力发电厂的出力,同时,也利用先进的调度算法和优化模型,对水力发电厂的出力进行调度和优化;电力系统负荷预测通过采用负荷方法对电力系统的负荷变化的预测,负荷方法表示基于历史数据和统计模型的方法;实现了频率稳定性和经济运行平衡性的提高。
举例来说,待评估水力发电厂在历史周期内的雨量强度的具体分析方法如下:获取待评估水力发电厂在历史周期内的雨量数据,雨量数据包括降雨次数、降雨量和降雨时长;根据获取的雨量数据计算待评估水力发电厂在历史周期内的雨量强度评估指数,雨量强度评估指数用于评估待评估水力发电厂在历史周期内的雨量强度;雨量强度评估指数采用以下公式计算:
,
式中,e表示自然常数,i表示待评估水力发电厂的编号,i=1,2……m,其中,m为待评估水力发电厂的总数量,j表示历史周期的编号,j=1,2……n,其中,n为历史周期的总数量,f.j表示第j个历史周期的降雨次数的编号,f.j=1.j,2.j……g.j,其中,g.j为第j个历史周期的总降雨次数,YLi j为第i个待评估水力发电站的第j个历史周期的雨量强度评估指数,Ii j为第i个待评估水力发电站在第j个历史周期内的降雨次数,ΔIj为待评估水力发电站在第j个历史周期内的参考降雨次数,Yi f.j为第i个待评估水力发电站在第j个历史周期内第f次降雨的降雨量,ΔYj为待评估水力发电站在第j个历史周期内的参考降雨量,Ti f.j为第i个待评估水力发电站在第j个历史周期内第f次降雨的降雨时长,另外,ΔTj为待评估水力发电站在第j个历史周期内的参考降雨时长,β和σ分别为历史周期内的平均降雨量偏差和平均降雨时长偏差的修正因子。
在本实施例中,通过待评估水力发电厂对应各历史周期的降雨次数、各次降雨的降雨量、各次降雨的降雨时长进行获取,并由此分析各水电站对应各历史周期的雨量强度评估指数,为待评估水力发电站对应各历史周期的雨量强度提供了准确直观的数据,便于后续对各水电站对应预测周期的雨量强度进行分析,实现了待评估水力发电厂对应预测周期雨量强度的数值化评估。
本实施例提供的技术方案,通过确定第一预设相关数据为包括雨量数据、频率响应速率、备用电力容量、备用出力、实时水位流量和电力系统负荷预测,有利于提高水力发电厂关联数据预测的准确率。
在一个示例性的实施例中,第二预设相关数据包括区域资源转移数据和区域需求数据;区域资源转移数据包括待预测水力发电厂在调频和备用区域中的资源转移记录、业务属性值数据和资源转移量;区域需求数据包括调频区域的需求数据及需求曲线;需求曲线为根据调频响应频率变化的能力和成本构建的曲线。
其中,区域资源转移数据可以是水力发电厂参与区域调频和备用的资源调度记录。
其中,业务属性值数据可以是影响水力发电厂区域资源转移的各种属性参数数据。
其中,资源转移量可以是水力发电厂参与区域调频和备用的资源调度量或交易量。
其中,调频和备用区域可以是指调频区域和备用区域,其中,调频区域可以是水力发电厂参与电网频率调节的区域。
其中,区域需求数据可以是调频区域不同时期的电力需求数据。
其中,需求曲线可以是根据电网频率响应能力和成本构建的需求量函数曲线。
举例来说,备用区域的预设相关数据包括区域交易和区域需求;区域交易包括待评估水力发电厂在调频和备用区域中的交易记录、成交价格数据和交易量;区域需求包括调频区域的需求数据及需求曲线;需求曲线为根据调频响应频率变化的能力和成本构建的曲线。其中,需求曲线的影响因素包括频率响应速率、机组灵活性、备用电力容量、区域规则、激励机制、区域价格数据和电力系统负荷特性;实现了在不同频率水平下水力发电厂可提供的调频服务量和相应的价格数据的非线性化。
本实施例提供的技术方案,通过确定第二预设相关数据为包括区域资源转移数据和区域需求数据,有利于提高水力发电厂关联数据预测的准确率。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:1、通过获取待评估水力发电厂对应的区域数据并进行预处理,然后从预处理后的数据中提取数据特征,接着建立待评估关联模型并进行性能评估及优化,最后将优化后的待评估关联模型进行模拟应用并进行监测评估,从而实现了水力发电区域与调频备用关联数据的可靠评估,进而实现了水力发电区域与调频备用关联数据的评估准确性的提高,有效解决了现有技术中水力发电区域与调频备用关联数据的评估准确性低的问题。2、通过获取待评估关联模型的本质数据和数据分布分数,再根据获取的数据计算待评估关联模型的预测能力评估数据,最后通过计算的数据评估待评估关联模型的预测能力,从而实现了待评估关联模型预测能力的数值化,进而实现了待评估关联模型的预测能力的更准确评估。3、通过获取待评估关联模型的准确度、精确度和召回率,再根据获取的准确度、精确度和召回率计算待评估关联模型的吻合程度评估数据,最后根据计算的数据评估待评估关联模型的可靠程度,从而实现了待评估关联模型在实际应用中吻合程度的数值化,进而实现了待评估关联模型的在实际应用中可靠程度的更准确评估。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的基于区域调频的水力发电厂关联数据预测方法的基于区域调频的水力发电厂关联数据预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个基于区域调频的水力发电厂关联数据预测装置实施例中的具体限定可以参见上文中对于基于区域调频的水力发电厂关联数据预测方法的限定,在此不再赘述。
在一个示例性的实施例中,如图4所示,提供了一种基于区域调频的水力发电厂关联数据预测装置,该基于区域调频的水力发电厂关联数据预测装置400可以包括:
数据获取模块401,用于获取待预测水力发电厂对应的区域数据;区域数据包括水力发电系统在调频过程中涉及的第一预设相关数据和备用区域的第二预设相关数据;
特征提取模块402,用于从区域数据中提取数据特征;数据特征用于表示符合数据特征评价指标的数据;数据特征评价指标用于描述区域数据的预设性能指标与预设参考性能指标的预测偏差程度;预设性能指标包括数据重要性分数和数据相关性分数;数据重要性分数用于描述数据特征对于区域业务属性值的影响程度;数据相关性分数用于描述数据特征与区域业务属性值的相关性程度;
模型建立模块403,用于根据数据特征,建立待优化关联模型;待优化关联模型用于预测数据特征与区域业务属性值之间的关联关系;
性能预测模块404,用于对待优化关联模型进行性能预测,得到性能预测结果;性能预测结果用于描述待优化关联模型的准确程度和预测能力;
性能优化模块405,用于根据性能预测结果对待优化关联模型进行性能优化,得到待预测关联模型;
模型应用模块406,用于将待预测关联模型在备用区域中进行模拟应用,并对模拟应用后的区域运行情况进行监测,得到监测结果;
结果比较模块407,用于将监测结果与区域业务属性值进行比较,得到吻合程度预测数据;吻合程度预测数据用于描述待预测关联模型在关联数据预测的实际应用中的可靠程度;
模型确定模块408,用于将吻合程度预测数据在预设阈值范围内的待预测关联模型,作为目标关联模型;目标关联模型用于投入至关联数据预测的实际应用中。
在一个示例性的实施例中,模型建立模块403,还用于根据数据特征,确定区域业务属性值特征;根据区域业务属性值特征,构建待优化关联模型数据集;待优化关联模型数据集为区域业务属性值特征的集合;按照预设比例,将待优化关联模型数据集划分为训练特征集和测试特征集;通过训练特征集和测试特征集,对预设模型进行模型训练与验证,得到待预测水力发电厂对应的区域调频备用区域的关联模型,作为待优化关联模型。
在一个示例性的实施例中,该装置400还包括:分数获取模块,用于获取待优化关联模型的本质数据和数据分布分数;本质数据为待优化关联模型的直接性能数据;直接性能数据包括数据质量数据、模型复杂性数据和训练数据量;数据分布分数为数据分布情况的预测分数;根据本质数据和数据分布分数,计算待优化关联模型的预测能力数据;预测能力数据用于预测待优化关联模型的预测能力。
在一个示例性的实施例中,性能优化模块405,还用于根据性能预测结果,对待优化关联模型进行模型选择,得到待调优关联模型;对待调优关联模型进行超参数调优处理,得到待预测关联模型。
在一个示例性的实施例中,模型应用模块406,还用于对待预测关联模型在备用区域中的实时决策和交互性应用过程中的性能进行实时监测,得到区域运行情况和监测数据;根据区域运行情况和监测数据,确定待预测关联模型的错误信息和数据特征分布变化信息;根据错误信息和数据特征分布变化信息,确定监测结果。
在一个示例性的实施例中,第一预设相关数据包括雨量数据、频率响应速率、备用电力容量、备用出力、实时水位流量和电力系统负荷预测;雨量数据用于分析待预测水力发电厂在历史周期内的雨量强度;频率响应速率表示待预测水力发电厂实时响应电网频率变化的数据;备用电力容量表示待预测水力发电厂作为备用电源的容量数据;备用出力用于描述待预测水力发电厂在对应的预设电力系统发生突发事件时提供的额外发电能力;实时水位流量用于描述待预测水力发电厂的实时水位流量数据在水力发电过程中的实际产能和可用性。
在一个示例性的实施例中,第二预设相关数据包括区域资源转移数据和区域需求数据;区域资源转移数据包括待预测水力发电厂在调频和备用区域中的资源转移记录、业务属性值数据和资源转移量;区域需求数据包括调频区域的需求数据及需求曲线;需求曲线为根据调频响应频率变化的能力和成本构建的曲线。
上述基于区域调频的水力发电厂关联数据预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个示例性的实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种基于区域调频的水力发电厂关联数据预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个示例性的实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种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上述各方法实施例中的步骤。
在一个示例性的实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于区域调频的水力发电厂关联数据预测方法,其特征在于,所述方法包括:
获取待预测水力发电厂对应的区域数据;所述区域数据包括水力发电系统在调频过程中涉及的第一预设相关数据和备用区域的第二预设相关数据;所述第一预设相关数据包括雨量数据、频率响应速率、备用电力容量、备用出力、实时水位流量和电力系统负荷预测;所述雨量数据用于分析所述待预测水力发电厂在历史周期内的雨量强度;所述频率响应速率表示所述待预测水力发电厂实时响应电网频率变化的数据;所述备用电力容量表示所述待预测水力发电厂作为备用电源的容量数据;所述备用出力用于描述所述待预测水力发电厂在对应的预设电力系统发生突发事件时提供的额外发电能力;所述实时水位流量用于描述所述待预测水力发电厂的实时水位流量数据在水力发电过程中的实际产能和可用性;所述第二预设相关数据包括区域资源转移数据和区域需求数据;所述区域资源转移数据包括所述待预测水力发电厂在调频和备用区域中的资源转移记录、业务属性值数据和资源转移量;所述区域需求数据包括调频区域的需求数据及需求曲线;所述需求曲线为根据调频响应频率变化的能力和成本构建的曲线;
从所述区域数据中提取数据特征;所述数据特征用于表示符合数据特征评价指标的数据;所述数据特征评价指标用于描述所述区域数据的预设性能指标与预设参考性能指标的预测偏差程度;所述预设性能指标包括数据重要性分数和数据相关性分数;所述数据重要性分数用于描述所述数据特征对于区域业务属性值的影响程度;所述数据相关性分数用于描述所述数据特征与所述区域业务属性值的相关性程度;
根据所述数据特征,确定区域业务属性值特征;
根据所述区域业务属性值特征,构建待优化关联模型数据集;所述待优化关联模型数据集为所述区域业务属性值特征的集合;
按照预设比例,将所述待优化关联模型数据集划分为训练特征集和测试特征集;
通过所述训练特征集和所述测试特征集,对预设模型进行模型训练与验证,得到所述待预测水力发电厂对应的区域调频备用区域的关联模型,作为待优化关联模型;所述待优化关联模型用于预测所述数据特征与所述区域业务属性值之间的关联关系;
获取所述待优化关联模型的本质数据和数据分布分数;所述本质数据为所述待优化关联模型的直接性能数据;所述直接性能数据包括数据质量数据、模型复杂性数据和训练数据量;所述数据分布分数为数据分布情况的预测分数;
根据所述本质数据和所述数据分布分数,计算所述待优化关联模型的预测能力数据;所述预测能力数据用于预测所述待优化关联模型的预测能力;
对所述待优化关联模型进行性能预测,得到性能预测结果;所述性能预测结果用于描述所述待优化关联模型的准确程度和所述预测能力;
根据所述性能预测结果对所述待优化关联模型进行性能优化,得到待预测关联模型;
将所述待预测关联模型在所述备用区域中进行模拟应用,并对模拟应用后的区域运行情况进行监测,得到监测结果;
将所述监测结果与所述区域业务属性值进行比较,得到吻合程度预测数据;所述吻合程度预测数据用于描述所述待预测关联模型在关联数据预测的实际应用中的可靠程度;
将所述吻合程度预测数据在预设阈值范围内的待预测关联模型,作为目标关联模型;所述目标关联模型用于投入至所述关联数据预测的实际应用中;
所述吻合程度预测数据为吻合程度评估数据,所述吻合程度评估数据采用以下公式计算:
,
式中,WHX为第X个待评估关联模型的吻合程度评估数据,QX为第X个待评估关联模型的准确度,Q0为第X个待评估关联模型的参考准确度,ΔQ为待评估关联模型准确度参考偏差,JX为第X个待评估关联模型的精确度,J0为第X个待评估关联模型的参考精确度,ΔJ为待评估关联模型精确度参考偏差,HX为第X个待评估关联模型的召回率,H0为第X个待评估关联模型的参考召回率,ΔH为待评估关联模型召回率参考偏差,、θ和ω分别为准确度绝对偏差、精确度绝对偏差和召回率绝对偏差相对于吻合程度评估数据的权重因子。
2.根据权利要求1所述的方法,其特征在于,所述区域业务属性值特征为负荷。
3.根据权利要求1所述的方法,其特征在于,所述区域业务属性值特征为供电能力。
4.根据权利要求1所述的方法,其特征在于,所述根据所述性能预测结果对所述待优化关联模型进行性能优化,得到待预测关联模型,包括:
根据所述性能预测结果,对所述待优化关联模型进行模型选择,得到待调优关联模型;
对所述待调优关联模型进行超参数调优处理,得到所述待预测关联模型。
5.根据权利要求1所述的方法,其特征在于,所述对模拟应用后的区域运行情况进行监测,得到监测结果,包括:
对所述待预测关联模型在所述备用区域中的实时决策和交互性应用过程中的性能进行实时监测,得到所述区域运行情况和监测数据;
根据所述区域运行情况和所述监测数据,确定所述待预测关联模型的错误信息和数据特征分布变化信息;
根据所述错误信息和所述数据特征分布变化信息,确定所述监测结果。
6.根据权利要求1所述的方法,其特征在于,所述数据质量数据为缺失值率。
7.根据权利要求1所述的方法,其特征在于,所述数据质量数据为异常值率。
8.一种基于区域调频的水力发电厂关联数据预测装置,其特征在于,所述装置包括:
数据获取模块,用于获取待预测水力发电厂对应的区域数据;所述区域数据包括水力发电系统在调频过程中涉及的第一预设相关数据和备用区域的第二预设相关数据;所述第一预设相关数据包括雨量数据、频率响应速率、备用电力容量、备用出力、实时水位流量和电力系统负荷预测;所述雨量数据用于分析所述待预测水力发电厂在历史周期内的雨量强度;所述频率响应速率表示所述待预测水力发电厂实时响应电网频率变化的数据;所述备用电力容量表示所述待预测水力发电厂作为备用电源的容量数据;所述备用出力用于描述所述待预测水力发电厂在对应的预设电力系统发生突发事件时提供的额外发电能力;所述实时水位流量用于描述所述待预测水力发电厂的实时水位流量数据在水力发电过程中的实际产能和可用性;所述第二预设相关数据包括区域资源转移数据和区域需求数据;所述区域资源转移数据包括所述待预测水力发电厂在调频和备用区域中的资源转移记录、业务属性值数据和资源转移量;所述区域需求数据包括调频区域的需求数据及需求曲线;所述需求曲线为根据调频响应频率变化的能力和成本构建的曲线;
特征提取模块,用于从所述区域数据中提取数据特征;所述数据特征用于表示符合数据特征评价指标的数据;所述数据特征评价指标用于描述所述区域数据的预设性能指标与预设参考性能指标的预测偏差程度;所述预设性能指标包括数据重要性分数和数据相关性分数;所述数据重要性分数用于描述所述数据特征对于区域业务属性值的影响程度;所述数据相关性分数用于描述所述数据特征与所述区域业务属性值的相关性程度;
模型建立模块,用于根据所述数据特征,确定区域业务属性值特征;根据所述区域业务属性值特征,构建待优化关联模型数据集;所述待优化关联模型数据集为所述区域业务属性值特征的集合;按照预设比例,将所述待优化关联模型数据集划分为训练特征集和测试特征集;通过所述训练特征集和所述测试特征集,对预设模型进行模型训练与验证,得到所述待预测水力发电厂对应的区域调频备用区域的关联模型,作为待优化关联模型;所述待优化关联模型用于预测所述数据特征与所述区域业务属性值之间的关联关系;
分数获取模块,用于获取所述待优化关联模型的本质数据和数据分布分数;所述本质数据为所述待优化关联模型的直接性能数据;所述直接性能数据包括数据质量数据、模型复杂性数据和训练数据量;所述数据分布分数为数据分布情况的预测分数;根据所述本质数据和所述数据分布分数,计算所述待优化关联模型的预测能力数据;所述预测能力数据用于预测所述待优化关联模型的预测能力;
性能预测模块,用于对所述待优化关联模型进行性能预测,得到性能预测结果;所述性能预测结果用于描述所述待优化关联模型的准确程度和所述预测能力;
性能优化模块,用于根据所述性能预测结果对所述待优化关联模型进行性能优化,得到待预测关联模型;
模型应用模块,用于将所述待预测关联模型在所述备用区域中进行模拟应用,并对模拟应用后的区域运行情况进行监测,得到监测结果;
结果比较模块,用于将所述监测结果与所述区域业务属性值进行比较,得到吻合程度预测数据;所述吻合程度预测数据用于描述所述待预测关联模型在关联数据预测的实际应用中的可靠程度;
模型确定模块,用于将所述吻合程度预测数据在预设阈值范围内的待预测关联模型,作为目标关联模型;所述目标关联模型用于投入至所述关联数据预测的实际应用中;
所述吻合程度预测数据为吻合程度评估数据,所述吻合程度评估数据采用以下公式计算:
,
式中,WHX为第X个待评估关联模型的吻合程度评估数据,QX为第X个待评估关联模型的准确度,Q0为第X个待评估关联模型的参考准确度,ΔQ为待评估关联模型准确度参考偏差,JX为第X个待评估关联模型的精确度,J0为第X个待评估关联模型的参考精确度,ΔJ为待评估关联模型精确度参考偏差,HX为第X个待评估关联模型的召回率,H0为第X个待评估关联模型的参考召回率,ΔH为待评估关联模型召回率参考偏差,、θ和ω分别为准确度绝对偏差、精确度绝对偏差和召回率绝对偏差相对于吻合程度评估数据的权重因子。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410342105.9A CN117933677B (zh) | 2024-03-25 | 2024-03-25 | 基于区域调频的水力发电厂关联数据预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410342105.9A CN117933677B (zh) | 2024-03-25 | 2024-03-25 | 基于区域调频的水力发电厂关联数据预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117933677A CN117933677A (zh) | 2024-04-26 |
CN117933677B true CN117933677B (zh) | 2024-05-24 |
Family
ID=90761360
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410342105.9A Active CN117933677B (zh) | 2024-03-25 | 2024-03-25 | 基于区域调频的水力发电厂关联数据预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933677B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10157396B1 (en) * | 2017-12-19 | 2018-12-18 | Capital One Services, Llc | Allocation of service provider resources based on a capacity to provide the service |
WO2019114422A1 (zh) * | 2017-12-15 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 一种模型整合方法及装置 |
CN112100784A (zh) * | 2020-09-22 | 2020-12-18 | 四川大学 | 基于聚类网架拓扑和可靠性估算关联模型的配电网规划方法 |
CN112949181A (zh) * | 2021-03-02 | 2021-06-11 | 国能大渡河枕头坝发电有限公司 | 一种多源关联数据的预警预测方法、存储介质及电子设备 |
CN117638939A (zh) * | 2023-11-29 | 2024-03-01 | 华北电力大学 | 一种基于Adam算法考虑的水光互补优化调度方法 |
CN117744916A (zh) * | 2023-11-15 | 2024-03-22 | 国家电网有限公司华东分部 | 储能容量的预测方法、装置、计算机设备及可读存储介质 |
-
2024
- 2024-03-25 CN CN202410342105.9A patent/CN117933677B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019114422A1 (zh) * | 2017-12-15 | 2019-06-20 | 阿里巴巴集团控股有限公司 | 一种模型整合方法及装置 |
US10157396B1 (en) * | 2017-12-19 | 2018-12-18 | Capital One Services, Llc | Allocation of service provider resources based on a capacity to provide the service |
CN112100784A (zh) * | 2020-09-22 | 2020-12-18 | 四川大学 | 基于聚类网架拓扑和可靠性估算关联模型的配电网规划方法 |
CN112949181A (zh) * | 2021-03-02 | 2021-06-11 | 国能大渡河枕头坝发电有限公司 | 一种多源关联数据的预警预测方法、存储介质及电子设备 |
CN117744916A (zh) * | 2023-11-15 | 2024-03-22 | 国家电网有限公司华东分部 | 储能容量的预测方法、装置、计算机设备及可读存储介质 |
CN117638939A (zh) * | 2023-11-29 | 2024-03-01 | 华北电力大学 | 一种基于Adam算法考虑的水光互补优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117933677A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110400022B (zh) | 自助柜员机现金用量预测方法及装置 | |
CN110610382B (zh) | 车辆销售量预测方法、装置、计算机设备和存储介质 | |
CN113255973A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN116186548B (zh) | 电力负荷预测模型训练方法及电力负荷预测方法 | |
CN114254806A (zh) | 配电网重过载预警方法、装置、计算机设备和存储介质 | |
Fu et al. | Bike-sharing inventory management for market expansion | |
CN112288172A (zh) | 台区线损率的预测方法、装置 | |
CN112184495B (zh) | 存量低效土地监测系统及应用其的分析平台 | |
Irfan et al. | Week Ahead Electricity Power and Price Forecasting Using Improved DenseNet-121 Method. | |
CN117575564A (zh) | 可扩展的基础设施网络组件维修与改造决策评估方法及系统 | |
Wang et al. | Predicting smart cities’ electricity demands using k-means clustering algorithm in smart grid | |
CN117933677B (zh) | 基于区域调频的水力发电厂关联数据预测方法和装置 | |
CN116402528A (zh) | 电力数据处理系统 | |
CN115481785A (zh) | 基于油温的变压器状态预测方法、装置和计算机设备 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
Jiang et al. | SRGM decision model considering cost-reliability | |
CN112116139A (zh) | 一种电力需求预测方法及系统 | |
CN104778636A (zh) | 船舶装备维修保障信息服务推荐方法 | |
CN118170976B (zh) | 基于电力企业用户画像的智能推荐方法及系统 | |
Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors | |
CN117196733A (zh) | 工程代价值预测方法、装置、设备、存储介质和产品 | |
CN111260191B (zh) | 测试床成熟度量化方法、装置、计算机设备和存储介质 | |
Abdillah et al. | JURNAL RESTI | |
CN118365111A (zh) | 电力系统的安全生产风险评估模型构建方法和装置 | |
Dolányi et al. | Risk-based constraints with correlated uncertainties for the optimal operation of an energy community |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |