CN118232332A - 基于时序预测和混合神经网络的发电量预测方法及装置 - Google Patents

基于时序预测和混合神经网络的发电量预测方法及装置 Download PDF

Info

Publication number
CN118232332A
CN118232332A CN202410368530.5A CN202410368530A CN118232332A CN 118232332 A CN118232332 A CN 118232332A CN 202410368530 A CN202410368530 A CN 202410368530A CN 118232332 A CN118232332 A CN 118232332A
Authority
CN
China
Prior art keywords
historical
prediction
power generation
photovoltaic
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410368530.5A
Other languages
English (en)
Inventor
袁烨
张永
林熠
金骏阳
周晨
张帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yuanshi Intelligent Technology Nantong Co ltd
Original Assignee
Yuanshi Intelligent Technology Nantong Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Yuanshi Intelligent Technology Nantong Co ltd filed Critical Yuanshi Intelligent Technology Nantong Co ltd
Priority to CN202410368530.5A priority Critical patent/CN118232332A/zh
Publication of CN118232332A publication Critical patent/CN118232332A/zh
Pending legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种基于时序预测和混合神经网络的发电量预测方法及装置，该方法包括：将待预测光伏系统在第一历史周期的历史光伏参数序列输入至时序预测模型的分解层，得到第一历史周期下的历史趋势特征；将历史趋势特征输入至时序预测模型的混合神经网络模型，得到待预测周期下的趋势特征预测值；将趋势特征预测值输入至发电量预测模型，得到待预测光伏系统在待预测周期的发电量预测值；时序预测模型和发电量预测模型是基于样本光伏系统在各第二历史周期的样本光伏参数序列、各第三历史周期下的样本趋势特征标签和各第三历史周期的发电量标签进行训练的。本发明实现更好地捕捉和预测光伏发电量的变化趋势，以提高发电量预测的准确性和稳定性。

Description

基于时序预测和混合神经网络的发电量预测方法及装置
技术领域
本发明涉及光伏发电技术领域，尤其涉及一种基于时序预测和混合神经网络的发电量预测方法及装置。
背景技术
随着光伏应用的快速增长，以及光伏发电量的不断增加，电力公司和光伏系统运营商亟需通过光伏发电量实现能源生产、分配、需求、存储和集成的日常决策。因此，如何精准地实现光伏发电量预测是目前业界亟待解决的重要课题。
相关技术中，通常采用统计模型实现光伏发电量预测。统计模型对平稳时间序列数据表现良好，但由于云层和气候的影响，使得光伏发电量存在固有的非平稳性和非线性，导致预测精度较低。
因此，亟需一种基于时序预测和混合神经网络的发电量预测方法及装置来解决上述问题。
发明内容
本发明提供一种基于时序预测和混合神经网络的发电量预测方法及装置，用以解决现有技术中由于云层和气候的影响，使得光伏发电量存在固有的非平稳性和非线性，导致光伏发电量预测精度较低的缺陷，实现提高光伏发电量预测精度。
本发明提供一种基于时序预测和混合神经网络的发电量预测方法，包括：
获取待预测光伏系统在第一历史周期的历史光伏参数序列；
将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征；
将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值；
将所述趋势特征预测值输入至发电量预测模型，得到所述待预测光伏系统在所述待预测周期的发电量预测值；
其中，所述时序预测模型和所述发电量预测模型是基于样本光伏系统在各第二历史周期的样本光伏参数序列、各第三历史周期下的样本趋势特征标签和各所述第三历史周期的发电量标签进行联合训练得到的。
根据本发明提供的一种基于时序预测和混合神经网络的发电量预测方法，所述将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征，包括：
将所述历史光伏参数序列输入至所述分解层，分解得到所述历史光伏参数序列的历史移动平均核分量和历史季节性分量；
根据所述历史移动平均核分量和所述历史季节性分量，构建形成所述历史趋势特征。
根据本发明提供的一种基于时序预测和混合神经网络的发电量预测方法，所述混合神经网络模型包括一维卷积神经网络、双向长短期记忆网络和全连接层；
所述将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值，包括：
将所述历史趋势特征输入至所述一维卷积神经网络，得到第一时序特征；
将所述第一时序特征输入至所述双向长短期记忆网络，得到第二时序特征；
将所述第一时序特征和所述第二时序特征输入至所述全连接层，得到所述趋势特征预测值。
根据本发明提供的一种基于时序预测和混合神经网络的发电量预测方法，所述一维卷积神经网络的激活函数和所述双向长短期记忆网络的激活函数是基于随机修正线性单元函数构建的。
根据本发明提供的一种基于时序预测和混合神经网络的发电量预测方法，所述将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征，包括：
对所述历史光伏参数序列进行预处理，得到目标输入信息；所述预处理包括基于箱型图的异常值检测和异常值填充处理，以及特征选择处理；
将所述目标输入信息输入至所述分解层，分解得到所述历史趋势特征。
根据本发明提供的一种基于时序预测和混合神经网络的发电量预测方法，所述对所述历史光伏参数序列进行预处理，得到目标输入信息，包括：
基于箱型图，对所述历史光伏参数序列进行异常值检测和异常值填充处理；
计算所述样本光伏参数序列中各维度参数序列与所述发电量标签之间的相关性；
根据所述相关性，从所述样本光伏参数序列中的多维度参数序列中确定目标参数序列；
在填充处理后的历史光伏参数序列中，选择与所述目标参数序列匹配的参数序列作为所述目标输入信息。
本发明还提供一种基于时序预测和混合神经网络的发电量预测装置，包括：
获取单元，用于获取待预测光伏系统在第一历史周期的历史光伏参数序列；
分解单元，用于将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征；
第一预测单元，用于将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值；
第二预测单元，用于将所述趋势特征预测值输入至发电量预测模型，得到所述待预测光伏系统在所述待预测周期的发电量预测值；
其中，所述时序预测模型和所述发电量预测模型是基于样本光伏系统在各第二历史周期的样本光伏参数序列、各第三历史周期下的样本趋势特征标签和各所述第三历史周期的发电量标签进行联合训练得到的。
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基于时序预测和混合神经网络的发电量预测方法。
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基于时序预测和混合神经网络的发电量预测方法。
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基于时序预测和混合神经网络的发电量预测方法。
本发明提供的基于时序预测和混合神经网络的发电量预测方法及装置，先通过DLinear模型和混合神经网络模型构建形成的时序预测模型，依据历史光伏参数序列进行趋势特征预测，得到趋势特征预测值，再通过发电量预测模型，对预测得到的趋势特征预测值进一步预测得到发电量预测值，通过结合DLinear模型和混合神经网络模型对历史光伏参数序列进行趋势特征预测，可以更好地捕捉光伏发电量的变化趋势，从而在一定程度上弥补非平稳性、非线性带来的影响，提高预测的准确性和稳定性。
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是本发明提供的基于时序预测和混合神经网络的发电量预测方法的流程示意图之一；
图2是本发明提供的基于时序预测和混合神经网络的发电量预测方法的流程示意图之二；
图3是本发明提供的时序预测模型预测的流程示意图；
图4是本发明提供的混合神经网络预测的流程示意图；
图5为本发明提供的正面辐照度的箱型图；
图6为发明提供的基于时序预测和混合神经网络的发电量预测方法的仿真示意图；
图7是本发明提供的基于时序预测和混合神经网络的发电量预测装置的结构示意图；
图8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。
随着中国光伏应用的快速增长和光伏发电量的不断增加，电力公司和光伏系统运营商面临着关于能源生产、分配、需求、存储和集成的日常决策。光伏发电受太阳辐照强度和气象条件的影响，具有高度的随机性、波动性和间歇性。这些因素对大规模光伏并网发电提出了重大挑战。
由于依赖于不可预测的天气条件，准确的光伏发电预测是一项挑战。现有的光伏发电预测模型可分为物理模型、统计模型。物理模型利用NWP(Numerical WeatherPrediction，数值天气预报)数据，如辐照强度和温度，来计算功率输出。然而，它们的时间和空间分辨率有限，并且严重依赖于NWP数据。因而，进一步提出统计模型进行光伏发电预测；统计模型对平稳时间序列数据表现良好，但由于云层和气候的影响，光伏发电量存在固有的非平稳性和非线性，导致预测精度较低。
需要说明的是，相关技术中，也有相关学者采用深度学习模型，如LSTM(LongShort-Term Memory，长短期记忆)、CNN(Convolutional Neural Network，卷积神经网络)、GAN(Generative Adversarial Network，生成对抗网络)和DBN(Deep Belief Network，深度信念网络)，已经成功地通过非线性映射处理复杂数据。目前已有多种预测方法对光伏发电数据进行建模，但单一的模型往往是不够的，对时间序列特征难以捕捉导致无法精准调度，而在混合网络中结合多个深度学习模型，不仅克服了单个模型的局限性，而且充分利用了多个模型的优势，从而提高了性能。
对此，本实施例提供一种基于时序预测和混合神经网络的发电量预测方法，该方法先通过DLinear模型和混合神经网络模型构建形成的时序预测模型，依据历史光伏参数序列进行趋势特征预测，得到趋势特征预测值，再通过发电量预测模型，对预测的趋势特征预测值进一步预测得到发电量预测值，通过结合DLinear模型和混合神经网络模型对历史光伏参数序列进行趋势特征预测，可以更好地捕捉光伏发电量的变化趋势，从而在一定程度上弥补非平稳性带来的影响，提高预测的准确性和鲁棒性。
图1为本发明提供的基于时序预测和混合神经网络的发电量预测方法的流程示意图之一；如图1所示，该方法包括如下步骤：
步骤110，获取待预测光伏系统在第一历史周期的历史光伏参数序列；
此处，待预测光伏系统为所需进行发电量预测的光伏系统；第一历史周期为待预测周期之前的一个或多个历史周期；待预测周期为所需进行发电量预测的周期，如当前周期或者当前周期之后的一个或多个未来周期。
图2为本发明提供的基于时序预测和混合神经网络的发电量预测方法的流程示意图之二；如图2所示，在需要预测待预测光伏系统在待预测周期的发电量的情况下，可以是采集待预测光伏系统在第一历史周期的各采样点下的光伏发电影响因素，以构建形成历史光伏参数序列。所称的光伏发电影响因素包括但不限于正面辐照度、反面辐照度、环境温度、正面累计辐照量、反面累计辐照量、反射率、风速、风向、湿度、水平总辐照度、水平散射辐照度、法向辐照度、降水量、气压、云量和灰尘中的多项组合。
其中，正面辐照度和反面辐照度：太阳直射到光伏板上的辐射强度，直接影响光伏板的发电效率。环境温度：温度的升高会导致光伏板效率下降，因此需要考虑环境温度对发电量的影响。正面累计辐照量和反面累计辐照量：累计的辐照量也是影响光伏板发电量的重要因素。反射率：地面或其他物体反射到光伏板上的光线也会影响光伏板的发电效率。风速和风向：风速和风向的变化会影响光伏板的散热效果和清洁度，进而影响发电效率。湿度、水平总辐照度、水平散射辐照度、法向辐照度、降水量、气压、云量和灰尘：这些因素都会影响光照条件和环境状态，间接地影响光伏板的发电效率。因此综合考虑以上因素，可以更准确地预测光伏发电量，优化发电系统的运行和管理，提高发电效率，节约能源资源，降低成本，对于光伏发电系统的可持续发展具有积极的意义。
需要说明的是，由于原始采集的历史光伏参数序列具有一定的随机性和波动性，因此，为了提高数据质量，还可以对历史光伏参数序列进行预处理，如异常值处理和特征筛选处理之后再参与后续的预测。
步骤120，将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征；
步骤130，将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值；
步骤140，将所述趋势特征预测值输入至发电量预测模型，得到所述待预测光伏系统在所述待预测周期的发电量预测值；
其中，所述时序预测模型和所述发电量预测模型是基于样本光伏系统在各第二历史周期的样本光伏参数序列、各第三历史周期下的样本趋势特征标签和各所述第三历史周期的发电量标签进行联合训练得到的。
此处的时序预测模型可以是基于混合神经网络对DLinear模型(线性预测模型)进行改进形成的第一初始预测模型进行训练的得到的；具体可以是采用对DLinear模型中的线性预测分支进行改进；图3为本发明提供的时序预测模型预测的流程示意图；如图3所示，时序预测模型包括依次设置的分解层和两个基于混合神经网络模型构建形成的预测分支网络。
其中，DLinear模型是Autoformer(自动转换器)和FEDformer(前向编码解调转换器)中使用的分解方案与线性层的组合。
如图3所示，时序预测模型首先通过移动平均核和剩余(季节性)分量将原始数据输入分解为趋势分量。然后，将混合神经网络应用于每个趋势分量，通过显式处理趋势，当数据中有明显趋势时，时序预测模型可以增强普通线性的性能，这样可以提升效率和精度。
此处的发电量预测模型，可以是基于一种或者多种神经网络模型形成的第二初始预测模型训练得到，其用于学习趋势特征与发电量之间映射关系，以基于趋势特征预测值精准预测得到发电量预测值。
可选地，在执行步骤120-140之前，需要预先训练得到可精准预测趋势特征的时序预测模型和发电量预测的发电量预测模型，具体训练步骤如下：
首先，为了提高发电量预测性能，需要采集不同场景下、不同环境下，不同型号下的光伏系统在各第二历史周期的样本光伏参数序列；具体采集步骤参见步骤110，此处不再赘述。
其次，针对各第二历史周期的样本光伏参数序列进行预处理，如基于箱型图的异常值检测和异常值填充处理，以及特征选择处理；并针对各第二历史周期的样本光伏参数序列进行第三历史周期下的样本趋势特征标签标记以及第三历史周期的发电量标签的标记；基于各预处理后的样本光伏参数序列以及对应的样本趋势特征标签和对应的发电量标签构建样本数据集，以使得构建的样本数据集具备足够的深度和广度，进而使得训练得到的时序预测模型和发电量预测模型可在不同场景下精准地进行趋势特征预测和发电量预测。所称的第二历史周期是第三历史周期之前的一个或多个历史周期。
对于样本数据集，其可以是历史采集获取的，如将历史采集的不同场景下、不同环境下，不同型号下的光伏系统在各第二历史周期的样本光伏参数序列，制作为样本数据集；也可以是在开源数据库中加载获取样本数据集，本实施例对此不作具体地限定。
其次，将样本数据集中样本光伏参数序列先输入至第一初始预测模型的分解层分解得到各第二历史周期下的历史趋势特征；再将历史趋势特征输入至第一初始预测模型的混合神经网络模型，预测得到各第三历史周期下的历史趋势特征预测值；再将历史趋势特征预测值输入至第二初始预测模型，得到各第三历史周期下的历史发电量预测值；接着，融合历史趋势特征预测值与样本趋势特征标签之间的偏差构建的趋势特征预测损失函数和历史发电量预测值与发电量标签之间的偏差构建的趋势特征预测损失函数，对时序预测模型和发电量预测模型进行优化训练，以基于训练后的第一初始预测模型构建形成可精准地进行趋势特征预测的时序预测模型，基于训练后的第二初始预测模型构建形成可精准地进行发电量预测的发电量预测模型。
如图2所示，在通过迭代优化得到时序预测模型和发电量预测模型之后，可以是将步骤110中获取的历史光伏参数序列输入至时序预测模型的分解层，以由分解层对历史光伏参数序列进行趋势分解，并从分解结果中提取第一历史周期下的历史趋势特征。
在获取到第一历史周期下的历史趋势特征之后，可以是将历史趋势特征输入至时序预测模型的混合神经网络模型，以由混合神经网络模型对历史趋势特征中的每一趋势分量进行时序特征提取和预测，由此得到待预测周期下的趋势特征预测值。
在获取到趋势特征预测值之后，可以是将趋势特征预测值输入至发电量预测模型，由发电量预测模型对趋势特征预测值中的各分量预测值进行汇总，并基于汇总结果进行发电量预测，由此得到待预测光伏系统在待预测周期的发电量预测值。
本实施例提供的方法，先通过DLinear模型和混合神经网络模型构建形成的时序预测模型，依据历史光伏参数序列进行趋势特征预测，得到趋势特征预测值，再通过发电量预测模型，对预测得到的趋势特征预测值进一步预测得到发电量预测值，通过结合DLinear模型和混合神经网络模型对历史光伏参数序列进行趋势特征预测，可以更好地捕捉光伏发电量的变化趋势，从而在一定程度上弥补非平稳性、非线性带来的影响，提高预测的准确性和稳定性。
在一些实施中，所述将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征，包括：
将所述历史光伏参数序列输入至所述分解层，分解得到所述历史光伏参数序列的历史移动平均核分量和历史季节性分量；
根据所述历史移动平均核分量和所述历史季节性分量，构建形成所述历史趋势特征。
此处的分解层可以是基于STL(Seasonal-Trend Decomposition ProcedureBased On Loess，基于鲁棒局部加权回归的季节趋势分解)构建的，用于分解出季节分量，移动平均核分量，以使得分解结果具有很强的解释性，进而有效提高预测效果。
可选地，分解层可以是基于移动平均算的分解出季节分量，移动平均核分量，以使得分解结果具有很强的解释性，进而有效提高预测效果，具体分解步骤包括：
首先，分解出历史光伏参数序列的移动平均核分量，具体计算公式如下：
其中，Xt为历史光伏参数序列的移动平均核分量；X为历史光伏参数序列；Tx是回溯窗口大小，也即移动平均核分量的时序窗口大小，K是移动平均核分量中变量因子个数。
其次，将残差作为季节分量，具体计算公式为：
其中，Xs为历史光伏参数序列的季节分量。
其次，联合历史移动平均核分量和历史季节性分量，构建形成历史趋势特征。
本实施例提供的方法，通过时序数据分解可以得到时间序列数据的季节性和趋势分量，季节分量反映了数据在不同季节的波动规律，而移动平均核分量则对数据的长期趋势进行了平滑处理，进而有助于更好地理解数据的周期性和长期趋势，由此更加精准地实现光伏系统的发电量预测。
在一些实施例中，所述混合神经网络模型包括一维卷积神经网络、双向长短期记忆网络和全连接层；
所述将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值，包括：
将所述历史趋势特征输入至所述一维卷积神经网络，得到第一时序特征；
将所述第一时序特征输入至所述双向长短期记忆网络，得到第二时序特征；
将所述第一时序特征和所述第二时序特征输入至所述全连接层，得到所述趋势特征预测值。
可选地，为了克服单个模型的局限性以及弥补非平稳性、非线性带来的影响，本实施例搭建混合神经网络，结合分解层分解得到的历史移动平均核分量和历史季节性分量进行时序特征提取以及分量预测，以便后续进行分量之间的合并得到最终的发电量预测结果，由此提供更加精准的预测结果。
图4为本发明提供的混合神经网络预测的流程示意图；如图4所示，混合神经网络是基于一维卷积神经网络、双向长短期记忆网络和全连接层构建形成；其中，一维卷积神经网络的作用是为了对历史趋势特征，提取时间维度上的局部依赖关系，由此得到第一时序特征。一维卷积神经网络的卷积层由多个滤波器组成，宽度为h，高度为1。具体的，第k个滤波器扫描输入的历史趋势特征F进行时序特征提取的过程可以描述为：
hk＝LеакуRеlu(Wk*F+bk)；
其中，*表示的是卷积运算；hk为第k个滤波器的输出；Wk为第k个滤波器的权重系数；bk为第k个滤波器的偏置量；LеакуRеlu(·)为第k个滤波器的激活函数。
双向长短期记忆网络(Bidirectional LSTM，BLSTM)是一种常用的神经网络模型，特别适合于时间序列预测任务。相比于传统的单向LSTM，BLSTM可以同时考虑过去和未来的信息，从而通过第一时序特征更好地捕捉时序序列数据中的长期依赖关系，由此得到第二时序特征。
BILSTM神经网络模型在LSTM神经网络模型结构的基础上做了进一步改进，增设了反向传播层(Backward Layer)，令正向传播层与反向传播层并行与输入层和输出层之间，使得输入信息可以同步到达正向与反向传播层，并由两传播层处理后共同决定输出层的结果；其中，BILSTM神经网络模型进行时序特征提取的计算公式如下：
其中，ht为BILSTM神经网络模型输出的第二时序特征；和/>分别为正向和反向传播层的输出值，W为状态-输入权重矩阵，U为状态-状态权重矩阵，b为偏置。正向传播层从开始到结尾正向输入数据用于预测，反向传播层从结尾到开始反向输入数据，得到并保存每个时刻向后隐含层的输出，正向传播隐藏层与反向传播隐藏层并行与输入层和输出层之间，使得输入信息可以同步到达两个隐藏层，并由两个隐藏层处理后共同决定输出层的结果。
在一些实施例中，所述一维卷积神经网络的激活函数和所述双向长短期记忆网络的激活函数是基于随机修正线性单元函数构建的。
可选地，为了更好的解决梯度消失的问题，加快计算速度，本实施例中一维卷积神经网络的激活函数和双向长短期记忆网络的激活函数均基于随机修正线性单元函数LeakyRelu构建生成。其中，LeakyRelu的计算公式如下：
其中，x为输入到该激活函数中的输入矩阵；α为修正系数，具体可以根据实际需求进行设置，如
可选地，在通过一维卷积神经网络获取到历史趋势特征的第一时序特征，以及通过双向长短期记忆网络得到历史趋势特征的第二时序特征之后，可以是通过全连接层对第一时序特征和第二时序特征进行融合，综合考虑局部依赖关系的时序特征以及长期依赖关系的时序特征，以便更加全面地捕捉趋势信息，提高模型对复杂时序数据的建模和预测能力，进而基于此融合时序特征进行多步预测，以更加精准、稳定地预测得到待预测周期下的趋势特征预测值，由此可有效应对光伏数据的长期趋势和季节性波动，提高模型对光伏数据预测的鲁棒性以及光伏数据的可预测性；另外，直接执行多步预测，避免误差累积，提升预测的效率和精度，进而提高发电量预测的精准性和稳定性。
在一些实施例中，所述将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征，包括：
对所述历史光伏参数序列进行预处理，得到目标输入信息；所述预处理包括基于箱型图的异常值检测和异常值填充处理，以及特征选择处理；
将所述目标输入信息输入至所述分解层，分解得到所述历史趋势特征。
图5为本发明提供的正面辐照度的箱型图；如图5所示，由于采集的数据因环境，设备等原因产生的异常值等问题，这些会对后面进行发电量的预测产生精度上和效率上的影响，那么前期就需要对其进行异常值的处理并进行相关性的分析，以便后期预测过程中的操作效率和精度可以得到较大的提升。
可选地，在将历史光伏参数序列输入至时序预测模型之前，需要对历史光伏参数序列进行基于箱型图的异常值检测和异常值填充处理，以及基于相似性的特征选择处理，由此得到高质量、轻量化的目标输入信息；随后，将目标输入信息输入至分解层，即可精准快速地分解得到第一历史周期下的历史趋势特征。
在一些实施例中，历史光伏参数序列的预处理步骤包括：
基于箱型图，对所述历史光伏参数序列进行异常值检测和异常值填充处理；
计算所述样本光伏参数序列中各维度参数序列与所述发电量标签之间的相关性；
根据所述相关性，从所述样本光伏参数序列中的多维度参数序列中确定目标参数序列；
在填充处理后的历史光伏参数序列中，选择与所述目标参数序列匹配的参数序列作为所述目标输入信息。
此处，箱型图可来解决异常数据问题，也即可对数据特征进行异常值的检测与去除，其是一种常见的异常检测的方法，能够清晰的找出异常值以及异常大致分布情况，并使用均值的方式对异常值进行修改，这样有利于对一些特征因素的信息的保存，从而达到更好的训练结果。
箱型图是一种用作显示一组数据分散情况资料的统计图。因形状如箱子而得名。在各种领域也经常被使用，常见于品质管理，快速识别异常值。箱形图最大的优点就是不受异常值的影响，能够准确稳定地描绘出数据的离散分布情况，同时也利于数据的清洗。在箱线图中，箱子的中间有一条线，代表了数据的中位数。箱子的上下底，分别是数据的上四分位数和下四分位数，这意味着箱体包含了50％的数据。因此，箱子的高度在一定程度上反映了数据的波动程度。上下边缘则代表了该组数据的最大值和最小值。有时候箱子外部会有一些点，可以理解为数据中的异常值。箱线图判断异常值的标准是以四分位数和四分位距为基础，四分位数具有一定的耐抗性，多达25％的数据可以变得任意远而不会很大地扰动四分位数，所以异常值不会影响箱形图的数据形状。检测得到异常值后可以采用均值去对异常值进行填充。这样有利于对一些特征因素信息的保存，从而达到更好训练结果。
在基于箱型图，对历史光伏参数序列进行异常值检测和异常值填充处理之后，为了找出哪些因素影响了发电量，以便更好的构建模型，提高模型的预测精度，可以引入皮尔逊相关系数得到热力图查看样本光伏参数序列中各维度参数序列与发电量标签之间的相关性，以选择最强的目标参数序列参与模型的构建，以及在实际应用中与历史光伏参数序列中的参数序列进行匹配，选择匹配的参数序列作为目标输入信息参与发电量预测。
其中，皮尔逊相关系数，是一种用于衡量两个连续变量之间线性关系强度和方向的统计方法，它是最常用的相关性测量方法之一，通常用于了解两个变量之间的相关性程度，皮尔逊相关系数的取值范围是-1到1，正值表现的是正相关，意味着两个变量以相同的方向变化，负值则相反，相关系数r的公式如下：
其中，Xi为第i个周期下的样本光伏参数序列；Yi为第i个周期下的发电量标签；和/>分别为多个周期下的样本光伏参数序列的平均值和发电量标签的平均值。
随后，选择与标签相关性最强的特征进行模型的构建。实例性地可以根据相关性分析，得到热力图，以通过观察热力图，确定到与辐照度关联的参数与发电量标签的相关性最强，所以选择与辐照度关联的目标参数序列参与模型的构建，以及在实际应用中与历史光伏参数序列中的参数序列进行匹配，选择匹配的参数序列作为目标输入信息参与发电量预测。
此外，以下本实施例将使用一段时间的光伏数据进行实验检测，并与其他模型以及方法进行对比，验证本实施例提供的方法的有效性。
依照图2所示的步骤，采用一段时间的光伏数据和气象数据，设计一定量的实验，对于整个算法的准确性进行验证，此处仅给出经过调参后的一次实验结果图，以验证该算法的有效性。
图6为本发明提供的基于时序预测和混合神经网络的发电量预测方法的仿真示意图；如图6所示，经过多次验证，本实施例提供的发电量预测方法的准确率能达到90％以上。
综上，本实施例提供的方法，通过联合DLinear框架与混合神经网络进行光伏参数序列进行趋势预测，并依据趋势预测值可以精准地预测到相应的发电量预测结果；并基于相关数据实现了仿真实验，通过实验，进一步证明了本实施例提供的方法的有效性。
下面对本发明提供的基于时序预测和混合神经网络的发电量预测装置进行描述，下文描述的基于时序预测和混合神经网络的发电量预测装置与上文描述的基于时序预测和混合神经网络的发电量预测方法可相互对应参照。
图7为本发明提供基于时序预测和混合神经网络的发电量预测装置的结构示意图；如图7所示，该装置包括：
获取单元710用于获取待预测光伏系统在第一历史周期的历史光伏参数序列；
分解单元720用于将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征；
第一预测单元730用于将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值；
第二预测单元740用于将所述趋势特征预测值输入至发电量预测模型，得到所述待预测光伏系统在所述待预测周期的发电量预测值；
其中，所述时序预测模型和所述发电量预测模型是基于样本光伏系统在各第二历史周期的样本光伏参数序列、各第三历史周期下的样本趋势特征标签和各所述第三历史周期的发电量标签进行联合训练得到的。
本发明提供的装置，先通过DLinear模型和混合神经网络模型构建形成的时序预测模型，依据历史光伏参数序列进行趋势特征预测，得到趋势特征预测值，再通过发电量预测模型，对预测得到的趋势特征预测值进一步预测得到发电量预测值，通过结合DLinear模型和混合神经网络模型对历史光伏参数序列进行趋势特征预测，可以更好地捕捉光伏发电量的变化趋势，从而在一定程度上弥补非平稳性、非线性带来的影响，提高预测的准确性和稳定性。
本发明提供的装置是用于执行上述各方法实施例的，具体流程和详细内容请参照上述实施例，此处不再赘述。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基于时序预测和混合神经网络的发电量预测方法，该方法包括：获取待预测光伏系统在第一历史周期的历史光伏参数序列；将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征；将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值；将所述趋势特征预测值输入至发电量预测模型，得到所述待预测光伏系统在所述待预测周期的发电量预测值；其中，所述时序预测模型和所述发电量预测模型是基于样本光伏系统在各第二历史周期的样本光伏参数序列、各第三历史周期下的样本趋势特征标签和各所述第三历史周期的发电量标签进行联合训练得到的。
此外，上述的存储器830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时序预测和混合神经网络的发电量预测方法，该方法包括：获取待预测光伏系统在第一历史周期的历史光伏参数序列；将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征；将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值；将所述趋势特征预测值输入至发电量预测模型，得到所述待预测光伏系统在所述待预测周期的发电量预测值；其中，所述时序预测模型和所述发电量预测模型是基于样本光伏系统在各第二历史周期的样本光伏参数序列、各第三历史周期下的样本趋势特征标签和各所述第三历史周期的发电量标签进行联合训练得到的。
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时序预测和混合神经网络的发电量预测方法，该方法包括：获取待预测光伏系统在第一历史周期的历史光伏参数序列；将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征；将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值；将所述趋势特征预测值输入至发电量预测模型，得到所述待预测光伏系统在所述待预测周期的发电量预测值；其中，所述时序预测模型和所述发电量预测模型是基于样本光伏系统在各第二历史周期的样本光伏参数序列、各第三历史周期下的样本趋势特征标签和各所述第三历史周期的发电量标签进行联合训练得到的。
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。
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)

1.一种基于时序预测和混合神经网络的发电量预测方法，其特征在于，包括：
获取待预测光伏系统在第一历史周期的历史光伏参数序列；
将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征；
将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值；
将所述趋势特征预测值输入至发电量预测模型，得到所述待预测光伏系统在所述待预测周期的发电量预测值；
其中，所述时序预测模型和所述发电量预测模型是基于样本光伏系统在各第二历史周期的样本光伏参数序列、各第三历史周期下的样本趋势特征标签和各所述第三历史周期的发电量标签进行联合训练得到的。
2.根据权利要求1所述的基于时序预测和混合神经网络的发电量预测方法，其特征在于，所述将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征，包括：
将所述历史光伏参数序列输入至所述分解层，分解得到所述历史光伏参数序列的历史移动平均核分量和历史季节性分量；
根据所述历史移动平均核分量和所述历史季节性分量，构建形成所述历史趋势特征。
3.根据权利要求1所述的基于时序预测和混合神经网络的发电量预测方法，其特征在于，所述混合神经网络模型包括一维卷积神经网络、双向长短期记忆网络和全连接层；
所述将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值，包括：
将所述历史趋势特征输入至所述一维卷积神经网络，得到第一时序特征；
将所述第一时序特征输入至所述双向长短期记忆网络，得到第二时序特征；
将所述第一时序特征和所述第二时序特征输入至所述全连接层，得到所述趋势特征预测值。
4.根据权利要求3所述的基于时序预测和混合神经网络的发电量预测方法，其特征在于，所述一维卷积神经网络的激活函数和所述双向长短期记忆网络的激活函数是基于随机修正线性单元函数构建的。
5.根据权利要求1-4任一项所述的基于时序预测和混合神经网络的发电量预测方法，其特征在于，所述将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征，包括：
对所述历史光伏参数序列进行预处理，得到目标输入信息；所述预处理包括基于箱型图的异常值检测和异常值填充处理，以及特征选择处理；
将所述目标输入信息输入至所述分解层，分解得到所述历史趋势特征。
6.根据权利要求5所述的基于时序预测和混合神经网络的发电量预测方法，其特征在于，所述对所述历史光伏参数序列进行预处理，得到目标输入信息，包括：
基于箱型图，对所述历史光伏参数序列进行异常值检测和异常值填充处理；
计算所述样本光伏参数序列中各维度参数序列与所述发电量标签之间的相关性；
根据所述相关性，从所述样本光伏参数序列中的多维度参数序列中确定目标参数序列；
在填充处理后的历史光伏参数序列中，选择与所述目标参数序列匹配的参数序列作为所述目标输入信息。
7.一种基于时序预测和混合神经网络的发电量预测装置，其特征在于，包括：
获取单元，用于获取待预测光伏系统在第一历史周期的历史光伏参数序列；
分解单元，用于将所述历史光伏参数序列输入至时序预测模型的分解层，分解得到所述第一历史周期下的历史趋势特征；
第一预测单元，用于将所述历史趋势特征输入至所述时序预测模型的混合神经网络模型，预测得到待预测周期下的趋势特征预测值；
第二预测单元，用于将所述趋势特征预测值输入至发电量预测模型，得到所述待预测光伏系统在所述待预测周期的发电量预测值；
其中，所述时序预测模型和所述发电量预测模型是基于样本光伏系统在各第二历史周期的样本光伏参数序列、各第三历史周期下的样本趋势特征标签和各所述第三历史周期的发电量标签进行联合训练得到的。
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任一项所述基于时序预测和混合神经网络的发电量预测方法。
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任一项所述基于时序预测和混合神经网络的发电量预测方法。
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任一项所述基于时序预测和混合神经网络的发电量预测方法。
CN202410368530.5A 2024-03-28 2024-03-28 基于时序预测和混合神经网络的发电量预测方法及装置 Pending CN118232332A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410368530.5A CN118232332A (zh) 2024-03-28 2024-03-28 基于时序预测和混合神经网络的发电量预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410368530.5A CN118232332A (zh) 2024-03-28 2024-03-28 基于时序预测和混合神经网络的发电量预测方法及装置

Publications (1)

Publication Number Publication Date
CN118232332A true CN118232332A (zh) 2024-06-21

Family

ID=91512511

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410368530.5A Pending CN118232332A (zh) 2024-03-28 2024-03-28 基于时序预测和混合神经网络的发电量预测方法及装置

Country Status (1)

Country Link
CN (1) CN118232332A (zh)

Similar Documents

Publication Publication Date Title
CN108256697B (zh) 一种用于电力系统短期负荷的预测方法
CN116128141B (zh) 风暴潮预测方法、装置、存储介质及电子设备
CN113988477A (zh) 基于机器学习的光伏功率短期预测方法、装置及存储介质
CN113159102B (zh) 一种多时间尺度的光伏功率预测方法及系统
CN111242355A (zh) 一种基于贝叶斯神经网络的光伏概率预测方法及系统
CN117216526B (zh) 基于人工智能的光伏出力预测方法及系统
CN116739172B (zh) 一种基于爬坡识别的海上风电功率超短期预测方法及装置
CN116128170B (zh) 一种光伏电站功率超短期预测方法、装置及相关设备
CN117494888A (zh) 基于优化级联的分布式光伏功率预测方法及系统
CN111985719A (zh) 一种基于改进的长短期记忆网络的电力负荷预测方法
CN114676622A (zh) 基于自编码器深度学习模型的短期光伏功率预测方法
CN117218425A (zh) 一种用于光伏电站的发电损失分析方法及系统
CN116663746A (zh) 一种电力负荷预测方法、装置、计算机设备及存储介质
Tuyen et al. A combination of novel hybrid deep learning model and quantile regression for short‐term deterministic and probabilistic PV maximum power forecasting
CN111950752A (zh) 光伏电站发电量预测方法、装置、系统及其存储介质
CN118232332A (zh) 基于时序预测和混合神经网络的发电量预测方法及装置
Xia et al. Research on Solar Radiation Estimation based on Singular Spectrum Analysis-Deep Belief Network
CN118228897B (zh) 一种基于ceemdan-se-tcn-gru模型的电力负荷预测方法
CN118300104B (zh) 基于图神经网络的分布式光伏功率预测方法、系统、电子设备及存储介质
CN113485986B (zh) 一种电力数据修复方法
CN117333241A (zh) 一种生猪价格预测模型建模、生猪价格预测方法及装置
Nguyen et al. Forecasting of solar power generation in Vietnam deploying a simple GRU model
CN118035718A (zh) 一种分布式光伏功率短期预测方法及系统
Gupta et al. Enhancing the accuracy of global horizontal irradiance estimation model using convolutional neural network coupled with wavelet transform
CN118367534A (zh) 一种需求侧负荷预测方法、系统、计算机设备及存储介质

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