JP7369868B2 - 日射量予測を処理するための方法、スタック型一般化モデルをトレーニングするための方法、およびそれらの装置 - Google Patents

日射量予測を処理するための方法、スタック型一般化モデルをトレーニングするための方法、およびそれらの装置 Download PDF

Info

Publication number
JP7369868B2
JP7369868B2 JP2022527108A JP2022527108A JP7369868B2 JP 7369868 B2 JP7369868 B2 JP 7369868B2 JP 2022527108 A JP2022527108 A JP 2022527108A JP 2022527108 A JP2022527108 A JP 2022527108A JP 7369868 B2 JP7369868 B2 JP 7369868B2
Authority
JP
Japan
Prior art keywords
solar radiation
training samples
generalizer
layer
training
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
Application number
JP2022527108A
Other languages
English (en)
Other versions
JP2022550619A (ja
Inventor
ドン，ジボ
ヤオ，イン
ザオ，ヤンヤン
ヤン，ホイ
ザオ，チンシェン
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.)
Shanghai Envision Digital Co Ltd
Envision Digital International Pte Ltd
Original Assignee
Shanghai Envision Digital Co Ltd
Envision Digital International Pte 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 Shanghai Envision Digital Co Ltd, Envision Digital International Pte Ltd filed Critical Shanghai Envision Digital Co Ltd
Publication of JP2022550619A publication Critical patent/JP2022550619A/ja
Application granted granted Critical
Publication of JP7369868B2 publication Critical patent/JP7369868B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/04—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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02S—GENERATION OF ELECTRIC POWER BY CONVERSION OF INFRARED RADIATION, VISIBLE LIGHT OR ULTRAVIOLET LIGHT, e.g. USING PHOTOVOLTAIC [PV] MODULES
    • H02S50/00—Monitoring or testing of PV systems, e.g. load balancing or fault identification
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
    • H02J2300/20—The dispersed energy generation being of renewable origin
    • H02J2300/22—The renewable source being solar energy
    • H02J2300/24—The renewable source being solar energy of photovoltaic origin
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/381—Dispersed generators

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Power Engineering (AREA)
  • Biodiversity & Conservation Biology (AREA)

Description

本開示は、太陽光発電の分野、より具体的には、日射量（ｉｒｒａｄｉａｔｉｏｎ）予測を処理するための方法、スタック型一般化モデルをトレーニングするための方法、およびそれらの装置に関する。
太陽エネルギーがますます調査および研究されているので、太陽光発電技術は成熟しつつある。
現在、気象観測所は、太陽アレイ面（ＰＯＡ；Ｐｌａｎｅ Ｏｆ Ａｒｒａｙ）日射量を予測することができ、太陽光発電企業は、気象観測所からのＰＯＡ日射量予測データに基づいて、太陽エネルギーの電力の予測計算を行い、予測電力を取得する。
しかしながら、気象観測所による太陽ＰＯＡ日射量の予測に誤差があるため、太陽光発電企業によって計算された予測電力には誤差がある。
本開示の実施形態は、日射量予測を処理するための方法、スタック型発電モデルをトレーニングするための方法、およびそれらの装置を提供し、これは、太陽アレイ面（ＰＯＡ）日射量の予測に大きな誤差が存在する可能性があるという関連技術の技術的問題を解決することができる。技術的な解決策を以下に説明する。
一態様において、本開示の実施形態は、日射量予測を処理するための方法を提供する。
ターゲット期間に対応する日射量予測データを取得すること、ここで、ターゲット期間に対応する日射量予測データは、ターゲット期間内におけるＰＯＡ日射量の少なくとも１つの予測値を含み、少なくとも１つの予測値は、少なくとも１つの情報源によって提供される；
第１層ジェネラライザおよび第２層ジェネラライザを含むスタック型一般化モデルを呼び出すこと；
第１層ジェネラライザにより、ターゲット期間に対応する日射量予測データに基づいて中間予測データを決定すること；
第２層ジェネラライザにより、中間予測データに基づいてターゲット期間に対応する出力予測値を決定すること。
別の態様において、本開示の実施形態は、本開示に関する第１層ジェネラライザおよび第２層ジェネラライザを含むスタック型一般化モデルをトレーニングするための方法を提供する。この方法には、以下が含まれる：
ｎ個のトレーニングサンプルを作成すること、ここで、ｎ個のトレーニングサンプルの各々は、１つの過去の期間に対応する日射量予測データおよび過去の期間内におけるＰＯＡ日射量の測定値を含み、過去の期間に対応する日射量予測データは、過去の期間内におけるＰＯＡ日射量の少なくとも１つの予測値を含み、少なくとも１つの予測値は、少なくとも１つの情報源によって提供され、ｎは、１より大きい整数である；
ｎ個のトレーニングサンプルを使用してスタック型一般化モデルをトレーニングして、トレーニングされたスタック型一般化モデルを取得すること。
更に別の態様において、本開示の実施形態は、日射量予測を処理する装置を提供する。この装置には、以下が含まれる：
ターゲット期間に対応する日射量予測データを取得するように構成された、データ取得モジュール、ここで、ターゲット期間に対応する日射量予測データは、少なくとも１つの情報源によって提供される、ターゲット期間内におけるＰＯＡ日射量の少なくとも１つの予測値を含む；
第１層ジェネラライザおよび第２層ジェネラライザを含むスタック型一般化モデルを呼び出すように構成された、モデル呼出モジュール；
第１層ジェネラライザを使用して、ターゲット期間に対応する日射量予測データに基づいて中間予測データを決定するように構成された、データ決定モジュール；
第２層ジェネラライザを使用して、中間予測データに基づいてターゲット期間に対応する出力予測値を決定するように構成された、予測値決定モジュール。
更に別の態様において、本開示の実施形態は、本開示に関する第１層ジェネラライザおよび第２層ジェネラライザを含むスタック型一般化モデルをトレーニングする装置を提供する。この装置には、以下が含まれる：
ｎ個のトレーニングサンプルを作成するように構成された、サンプル作成モジュール、ここで、ｎ個のトレーニングサンプルの各々は、１つの過去の期間に対応する日射量予測データおよび過去の期間内におけるＰＯＡ日射量の測定値を含み、過去の期間に対応する日射量予測データは、過去の期間内におけるＰＯＡ日射量の少なくとも１つの予測値を含み、少なくとも１つの予測値は、少なくとも１つの情報源によって提供され、ｎは、１より大きい整数である；
ｎ個のトレーニングサンプルを使用してスタック型一般化モデルをトレーニングして、トレーニングされたスタック型一般化モデルを取得するように構成された、モデルトレーニングモジュール。
更に別の態様において、本開示の実施形態は、コンピュータデバイスを提供する。このコンピュータデバイスには、プロセッサおよびメモリが含まれる。メモリには、コンピュータプログラムが記憶されている。コンピュータプログラムは、プロセッサによってロードおよび実行された場合に、プロセッサが、上記のように、日射量予測を処理するための方法およびスタック型一般化モデルをトレーニングするための方法を実施することを可能にする。
更に別の態様において、本開示の実施形態は、コンピュータプログラムを記憶した非一時的なコンピュータ可読記憶媒体を提供する。このコンピュータプログラムは、プロセッサによってロードおよび実行された場合に、プロセッサが、上記のように、日射量予測を処理するための方法およびスタック型一般化モデルをトレーニングするための方法を実施することを可能にする。
更に別の態様において、本開示の実施形態は、コンピュータプログラム製品を提供する。このコンピュータプログラム製品は、プロセッサによって実行されると、プロセッサが、上記のように、日射量予測を処理するための方法およびスタック型一般化モデルをトレーニングするための方法を実施することを可能にする。
本開示の実施形態による技術的解決策において、日射量予測を処理するための方法は、スタック型一般化モデルを呼び出し、ＰＯＡ日射量の予測値に基づいて出力予測値を決定することによって達成され、ここで、予測値は、複数の情報源によって提供される。また、処理後のＰＯＡ日射量の正確な予測値が得られるため、ＰＯＡ日射量の予測値に基づいて決定される太陽放射量（日射量）の予測電力の精度が向上する。更に、本開示の実施形態による技術的解決策において、スタック型一般化モデルは、それぞれ第１層ジェネラライザおよび第２層ジェネラライザと称される、２層のジェネラライザを含む。第１層ジェネラライザによって出力された中間予測データは、第２層ジェネラライザの入力として機能する。この場合、第１層ジェネラライザの出力結果の偏差は第２層ジェネラライザによって減少する。したがって、サーバーの処理オーバーヘッドが削減され、ＰＯＡ日射量の予測値の精度が更に向上する。
実施形態の説明に使用される図面は、本開示の実施形態による技術的解決策がより明確になるように、以下のように簡単に説明される。以下の説明の図面は、本開示の幾つかの実施形態を示しているに過ぎないことが明らかである。当業者にとって、創造的な作業なしで、これらの図面に従って他の図面を得ることができる。
本開示の一実施形態に関する実装環境の概略図である。
本開示の一実施形態に関する日射量予測を処理するための方法のフローチャートである。
本開示の一実施形態に関するスタック型一般化モデルをトレーニングするための方法のフローチャートである。
本開示の別の実施形態に関する日射量予測を処理するための方法のフローチャートである。
本開示の一実施形態に関する日射量予測を処理するための装置のブロック図である。
本開示の別の実施形態に関する日射量予測を処理するための装置のブロック図である。
本開示の一実施形態に関するスタック型一般化モデルをトレーニングするための装置のブロック図である。
本開示の一実施形態に関するコンピュータデバイスの構造ブロック図である。
本開示の目的、技術的解決策、および効果をより明確に提示するために、本開示は、図面を参照して更に詳細に説明される。
図１は、本開示の一実施形態に関する実装環境の概略図を示している。実装環境は、少なくとも１つの気象観測所１０、コンピュータデバイス２０、および少なくとも１つの太陽光発電企業３０を含み得る。
少なくとも１つの気象観測所１０は、気象現象を観察し、気象予測を発表する、例えば、太陽アレイ面（ＰＯＡ）日射量予測を発表するように構成される。少なくとも１つの気象観測所１０は、１つまたは複数の気象観測所１０を含み得る。あるいは、正確な予測値を出力するために、複数の気象観測所１０を採用して、複数のＰＯＡ日射量予測などの複数の予測を取得することができる。あるいは、少なくとも１つの気象観測所１０は、ヨーロッパ中期天気予報センター（ＥＣＭＷＦ）、国際ビジネスマシーンズコーポレーション（ＩＢＭ）の気象会社、国立環境予測センター（ＮＣＥＰ）などを含み得る。
コンピュータデバイス２０は、計算および記憶機能を備えたサーバ、携帯電話を含む端末、タブレットコンピュータ、マルチメディアプレーヤー、ウェアラブル装置など、およびその他のコンピュータデバイスなどの、データを送信および処理することができる装置である。あるいは、コンピュータデバイスがサーバである場合、コンピュータデバイスは、単一のサーバ、複数のサーバから構成されるサーバクラスタ、またはクラウドコンピューティングサービスセンターであり得る。本開示による実施形態において、コンピュータデバイス２０は、気象観測所１０の過去の気象予測および過去の気象測定値を取得し、これらの過去の気象予測および過去の気象測定値を用いて深層学習モデルをトレーニングするように構成される。深層学習モデルには、ニューラルネットワークモデル、スタック型一般化モデル、線形回帰モデルなどが含まれる。コンピュータデバイス２０は更に、取得した気象予測をトレーニングされた深層学習モデルに入力して出力予測値を取得し、出力予測値を少なくとも１つの太陽光発電企業３０に送信するように構成される。
少なくとも１つの太陽光発電企業３０は、電力を予測し、予測電力を解放する、例えば、太陽照射量の予測電力を解放するように構成される。少なくとも１つの太陽光発電企業３０は、１つまたは複数の太陽光発電企業３０を含んでもよく、これは本開示の実施形態に限定されない。あるいは、コンピュータデバイス２０は、光起電力発電企業３０内に配置されてもよく、または光起電力発電企業３０から独立していてもよく、これは本開示の実施形態に限定されない。
幾つかの実施形態では、太陽照射量のより正確な予測電力を得るために、複数の気象観測所１０は、それぞれ、ターゲット期間内におけるＰＯＡ日射量の予測値をコンピュータデバイス２０に送信する。次に、コンピュータデバイス２０は、トレーニングされたスタック型一般化モデルに複数の予測値を入力し、計算によりターゲット期間に対応する出力予測値を取得し、その出力予測値を太陽光発電事業者３０に送信する。最後に、太陽光発電事業者３０は、出力予測値に基づいて太陽照射量の予測電力を計算する。
説明を容易にするために、以下の方法の実施形態は、ステップがサーバーによって実行され、深層学習モデルがそれに限定されないスタック型一般化モデルであると仮定することによってのみ説明される。
図２は、方法の実施形態に関する日射量予測を処理するための方法のフローチャートを示している。この方法には、ステップ２０１～２０４が含まれ得る。
ステップ２０１において、ターゲット期間に対応する日射量予測データが取得される。
ターゲット期間は、現在の時点の後の将来の期間である。本開示による実施形態では、ターゲット期間の期間長は限定されない。あるいは、ターゲット期間は、１日、半日、および正午の期間（例えば、午前１１時から午後１３時までの期間）にしてもよい。
あるいは、ターゲット期間に対応する日射量予測データには、以下が含まれる：ターゲット期間内におけるアレイ面（ＰＯＡ）日射量（ｉｒｒａｄｉａｔｉｏｎ）の少なくとも１つの予測値であり、ここで、少なくとも１つの予測値は、少なくとも１つの情報源によって提供される。ＰＯＡ日射量は、太陽照射量（ｓｏｌａｒ ｉｒｒａｄｉａｔｉｏｎ）、太陽放射照度（ｓｏｌａｒ ｉｒｒａｄｉａｎｃｅ）、太陽放射照度総量（ｓｏｌａｒ ｉｒｒａｄｉａｔｉｏｎ ａｍｏｕｎｔ）などとも称される、太陽放射量（ｓｏｌａｒ ｒａｄｉａｔｉｏｎ）を記述および研究するための重要なパラメータである。ＰＯＡ日射量は、太陽放射が大気によって吸収、散乱、放出された後、一定期間内に地球表面の単位面積で受けた太陽放射の照射エネルギーを示す。ＰＯＡ日射量の単位は、ワット／平方メートル（Ｗ／ｍ2 ）である。したがって、ターゲット期間に対応するＰＯＡ日射量の予測値は、太陽放射が大気の影響を受けた後、ターゲット期間内に地球表面の単位面積で受けた太陽放射の照射エネルギーを示す。ターゲット期間に対応するＰＯＡ日射量の予測値の単位もワット／平方メートルである。情報源は、上記の気象観測所であってもよく、関連する説明のために、実装環境の実施形態が参照されてもよく、これは以下では繰り返さない。
ステップ２０２において、スタック型一般化モデルが呼び出される。スタック型一般化モデルには、第１層ジェネラライザ（ｇｅｎｅｒａｌｉｚｅｒ）および第２層ジェネラライザが含まれる。
スタック型一般化モデルは深層学習モデルであり、スタック型モデルと省略され得る。スタック型一般化モデルには、少なくとも２層の学習器（ｌｅａｒｎｅｒ）が含まれる。学習器の層が増えると、スタック型一般化モデルの学習深度が深くなり、スタック型一般化モデルによって得られる結果がより正確になり、サーバーの処理オーバーヘッドも増加する。したがって、実際のアプリケーションでは、スタック型一般化モデルの層数は、２つの要因：結果の精度とサーバーの処理オーバーヘッドとに基づいて決定される。あるいは、スタック型一般化モデルに含まれる学習器は、ジェネラライザであり得る。本開示による実施形態では、結果の精度とサーバーの処理オーバーヘッドを考慮することにより、スタック型一般化モデルには、それぞれ第１層ジェネラライザおよび第２層ジェネラライザと称される、２層のジェネラライザが含まれることが決定される。具体的には、第１層ジェネラライザの出力が第２層ジェネラライザの入力として機能する。
本開示の実施形態による技術的解決策を理解した後、当業者は、本開示の実施形態に記載される機能の全部または一部を完成させるために、以下の解決策を容易に理解できることに留意されたい。解決策には、以下が含まれる：スタック型一般化モデルを一般化モデル（ジェネラライザの１つの層のみを含む学習モデル）などの他の深層学習モデルに置き換えてもよく、また、スタック型一般化モデルに含まれる学習器の層の数を増やす、例えば、学習器の３つの層を配置してもよい。全ての解決策は、本開示の保護の範囲内に含まれるべきである。
ステップ２０３において、中間予測データは、第１層ジェネラライザを使用してターゲット期間に対応する日射量予測データに基づいて決定される。
中間予測データは、ターゲット期間内におけるＰＯＡ日射量の少なくとも１つの予測値を示しており、サーバーにより、第１層ジェネラライザを使用して、ターゲット期間に対応する日射量予測データに基づく更なる予測を行うことで取得される。具体的には、更なる予測によって得られたターゲット期間内におけるＰＯＡ日射量の予測値は、中間予測値と称される。
あるいは、第１層ジェネラライザは、複数のジェネラライザを含み得る。複数のジェネラライザは、全て同じであっても、互いに異なっていてもよく、または部分的に同じであっても、部分的に異なっていてもよく、これは本開示の実施形態に限定されない。具体的には、複数のジェネラライザの各々が学習モデルに対応する。学習モデルは、例えば、ＲＦ（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）モデル、リッジモデル、ＸＧＢ（ｅＸｔｒｅｍｅ Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔ）モデル、Ｌａｓｓｏ（Ｌｅａｓｔ Ａｂｓｏｌｕｔｅ Ｓｈｒｉｎｋａｇｅ ａｎｄ Ｓｅｌｅｃｔｉｏｎ Ｏｐｅｒａｔｏｒ）回帰モデル、ＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）モデル、Ａｄａｂｏｏｓｔ（Ａｄａｐｔｉｖｅ ｂｏｏｓｔｉｎｇ）モデル、ＬＷＬＲ（ｌｏｃａｌｌｙ Ｗｅｉｇｈｔｅｄ Ｌｉｎｅａｒ Ｒｅｇｒｅｓｓｉｏｎ）モデル、ＤＮＮ（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ）モデルであり得る。あるいは、第１層ジェネラライザが複数のジェネラライザを含み、複数のジェネラライザが部分的に同じで部分的に異なる場合、または全て同じである場合、同じジェネラライザのパラメータは同じまたは異なる場合があり、本開示の実施形態に限定されない。
幾つかの実施形態において、上記の第１層ジェネラライザは、第１層ジェネラライザを使用して計算された中間予測データがより正確であるように、ｋが１より大きい整数であるｋ個のジェネラライザを含む。この場合、第１層ジェネラライザを使用して、ターゲット期間に対応する日射量予測データに基づいて中間予測データを決定するステップには、以下が含まれる：それぞれ、ｋ個のジェネラライザによって、ターゲット期間に対応するデータ日射量予測データに基づいてｋ個の中間予測値を取得すること。中間予測データには、ｋ個の中間予測値が含まれる。ｋ個のジェネラライザの各々は、複数のターゲット期間に対応する日射量予測データが入力されたとしても、１つの中間予測値のみを出力し、ここで、予測値は複数の情報源によって提供される。したがって、ｋ個のジェネラライザによって出力されるのは、ｋ個の中間予測値のみである。
ステップ２０４において、ターゲット期間に対応する出力予測値は、第２層ジェネラライザを使用して中間予測データに基づいて決定される。
第２層ジェネラライザが１つのジェネラライザを含む場合、第２層ジェネラライザを使用して決定されたターゲット期間に対応する出力予測値は、スタック型一般化モデルによって出力される太陽照射量の予測値である。本開示の実施形態において、情報源によって提供されるターゲット期間に対応する日射量予測データは、２層のジェネラライザを含むスタック型一般化モデルを使用して更に処理される。したがって、ターゲット期間に対応する出力予測値は、情報源から提供される日射量予測データよりも正確である。
本開示の実施形態は、第２層ジェネラライザが１つのジェネラライザを含むという例をとることによってのみ例示されることに留意されたい。本開示の技術的解決策を理解した後、当業者は、第２層ジェネラライザが複数のジェネラライザを含み、それらすべてが本開示の保護の範囲内に含まれるべきであるという技術的解決策を容易に理解するであろう。例えば、第２層ジェネラライザが複数のジェネラライザを含む場合、スタック型一般化モデルに、１つのジェネラライザを含む第３層ジェネラライザを追加する必要があることが、当業者には容易に理解できる。あるいは、（ｔ－１）番目の層のジェネラライザが複数のジェネラライザを含む場合、１つのジェネラライザを含むｔ番目の層のジェネラライザをスタック型一般化モデルに追加して、スタック型一般化モデルの最終出力予想値が決定値になるようにする必要があり、ｔは３より大きい正の整数である。
いくつかの実施形態において、ステップ２０４の後、この方法には、以下が含まれる：電力曲線モデルを呼び出し、出力予測値に基づいてターゲット期間内における太陽放射量の予測電力を計算すること。
予測電力は、太陽放射量を記述するための重要なパラメータであり、太陽放射量が大気によって影響を受けた後、一定期間内に地球表面で受け取られる太陽放射量の照射エネルギーを示しており、その単位はワット（Ｗ）である。この場合、ターゲット期間内における太陽放射量の予測電力は、大気の影響を受けた後のターゲット期間内に地球表面で受けた太陽放射量の照射エネルギーであり、その単位もワット（Ｗ）である。電力曲線モデルは、ＰＯＡ日射量の予測値に基づいて太陽放射量の予測電力を計算するためのモデルを示す。あるいは、電力曲線モデルは非線形モデルである。
要約すると、本開示の実施形態による技術的解決策において、出力予測値は、スタック型一般化モデルを呼び出すことにより、複数の情報源によって提供されるＰＯＡ日射量の予測値に基づいて決定される。このようにして、ＰＯＡ日射量の正確な予測値が得られる、日射量予測を処理するための方法が実現され、それにより、ＰＯＡ日射量の予測値に基づいて決定される太陽放射量の予測パワーの精度が向上する。更に、本開示の実施形態による技術的解決策において、スタック型一般化モデルには、それぞれ第１層ジェネラライザおよび第２層ジェネラライザと称される、２層のジェネラライザが含まれる。第１層ジェネラライザによって出力された中間予測データは第２層ジェネラライザの入力として機能し、第１層ジェネラライザの出力結果の偏差は第２層ジェネラライザによって減少する。したがって、サーバーの処理オーバーヘッドが削減され、ＰＯＡ日射量の予測値の精度が更に向上する。
更に、本開示の実施形態による技術的解決策において、第１層ジェネラライザには、複数のジェネラライザが含まれる。したがって、情報源によって提供されるＰＯＡ日射量の予測値は、複数のジェネラライザを使用して処理され、第１層ジェネラライザの出力結果の偏差を更に低減し、スタック一般化モデルによる処理が完了した後に得られる出力予測値の精度を更に向上させる。
更に、本開示の実施形態による技術的解決策において、スタック型一般化モデルによる処理が完了した後に出力予測値が得られた後、電力曲線モデルを更にサーバーによって呼び出して、出力予測値に基づく予測電力を決定することができる。したがって、ＰＯＡ日射量の出力予測値は多くのシナリオに適用され、太陽光発電企業は太陽放射量の正確な予測電力を取得することができる。
幾つかの実施形態において、スタック型一般化モデルは、以下によってトレーニングされる：ｎ個のトレーニングサンプルを作成すること；および、ｎ個のトレーニングサンプルを使用してスタック型一般化モデルをトレーニングして、トレーニングされたスタック型一般化モデルを取得すること、ここで、ｎは１より大きい整数である。
トレーニングサンプルは、スタック型一般化モデルをトレーニングするためのものである。１つの過去の期間内における日射量予測データは、複数の情報源によって同時に提供され得るので、１つの過去の期間は、１つのトレーニングサンプルまたは複数のトレーニングサンプルに対応し得る。具体的には、各トレーニングサンプルには、１つの過去の期間に対応する日射量予測データと、過去の期間内におけるＰＯＡ日射量の測定値が含まれる。過去の期間に対応する日射量予測データには、以下が含まれる：過去の期間内におけるＰＯＡ日射量の少なくとも１つの予測値であって、少なくとも１つの予測値は、少なくとも１つの情報源によって提供される。過去の期間内におけるＰＯＡ日射量の測定値は、測定および計算によって得られた過去の期間内におけるＰＯＡ日射量の決定値を示す。１つの過去の期間内における日射量予測データは、複数の情報源によって同時に提供され得るので、各過去の期間は、ＰＯＡ日射量の１つの測定値およびＰＯＡ日射量の少なくとも１つの予測値に対応する。すなわち、ＰＯＡ日射量の１つの測定値は、特定の過去の期間内におけるＰＯＡ日射量の少なくとも１つの予測値に対応し得る。
あるいは、ｎ個のトレーニングサンプルを使用してスタック型一般化モデルをトレーニングして、トレーニングされたスタック型一般化モデルを取得することには、ステップＩ～ＩＶが含まれる。
ステップＩにおいて、ｍ個のトレーニングサンプルが、ｎ個のトレーニングサンプルから選択される。
ｍ個のトレーニングサンプルは、ｎ個のトレーニングサンプルからランダムに選択してもよく、または本開示の実施形態に限定されない事前設定された選択規則に従ってｎ個のトレーニングサンプルから選択してもよい。具体的には、ｍは、１より大きくｎより小さい正の整数である。あるいは、サーバーによるｍ個のトレーニングサンプルの選択の容易化および加速化のために、ｎ個のトレーニングサンプルからｍ個のトレーニングサンプルを選択することには、以下が含まれる：ｎ個のトレーニングサンプルをトレーニングサンプルのｓ個のパーツに分割すること、および、トレーニングサンプルのｓ個のパーツからトレーニングサンプルのｔ個のパーツを選択し、トレーニングサンプルのｔ個のパーツをｍ個のトレーニングサンプルとして取得すこと、ここで、ｓは、１より大きい正の整数であり、ｔは、ｓより小さい正の整数である。ｎ個のトレーニングサンプルは、サーバーによってランダムに、または事前設定された分類ルールに従って、トレーニングサンプルのｓ個のパーツに分割され得る。例えば、ｎ個のトレーニングサンプルは、ｎ個のトレーニングサンプルに対応する過去の期間に基づいて、トレーニングサンプルのｓ個のパーツに分割される。別の例では、ｎ個のトレーニングサンプルは、情報源のソースに基づいてトレーニングサンプルのｓ個のパーツに分割され、これは本開示の実施形態に限定されない。更に、トレーニングサンプルのｓ個のパーツにおけるトレーニングサンプルの各パーツに含まれるトレーニングサンプルの数は、トレーニングサンプルのｓ個のパーツにおけるトレーニングサンプルの別の部分に含まれるトレーニングサンプルの数と同じまたは異なる場合があり、つまり、ｎ個のトレーニングサンプルは、サーバーによってｓ個のパーツに均等に分割され得る。
ステップＩＩにおいて、ｍ個のトレーニングサンプルの日射量予測データおよびｍ個のトレーニングサンプルの測定値を使用して第１層ジェネラライザをトレーニングして、トレーニングされた第１層ジェネラライザが取得される。
ステップＩＩＩにおいて、ｎ－ｍ個のトレーニングサンプルの中間予測データは、ｎ－ｍ個のトレーニングサンプルの日射量予測データに基づいて、第１層ジェネラライザを使用して決定される。ｎ－ｍ個のトレーニングサンプルは、ｎ個のトレーニングサンプルにおけるｍ個のトレーニングサンプル以外のトレーニングサンプルである。
第１層ジェネラライザのトレーニングが完了すると、サーバーは、ｎ－ｍ個のトレーニングサンプルの日射量予測データをトレーニングされた第１層ジェネラライザに入力して、ｎ－ｍ個のトレーニングサンプルの中間予測データを取得する。ｎ－ｍ個のトレーニングサンプルは、ｎ個のトレーニングサンプルにおいて、第１層ジェネラライザーをトレーニングするためのｍ個のトレーニングサンプル以外のトレーニングサンプルである。
あるいは、第１層ジェネラライザは、複数のジェネラライザを含み得る。サーバーは、第１層ジェネラライザの各ジェネラライザを使用して、ｎ－ｍ個のトレーニングサンプルの日射量予測データに基づいて、ｎ－ｍ個のトレーニングサンプルの中間予測値を決定することができる。ｎ－ｍ個のトレーニングサンプルは、ｎ個のトレーニングサンプルにおけるｍ個のトレーニングサンプル以外のトレーニングサンプルである。中間予測データには、複数の中間予測値が含まれる。
あるいは、サーバーがｎ個のトレーニングサンプルをトレーニングサンプルのｓ個のパーツに分割し、トレーニングサンプルのｓ個のパーツからトレーニングサンプルのｔ個のパーツをｍ個のトレーニングサンプルとして選択する場合、サーバーは、第１層ジェネラライザのトレーニングを完了した後、トレーニングサンプルのｓ－ｔ個のパーツの日射量予測データをトレーニングされた第１層ジェネラライザーに入力し、トレーニングサンプルのｓ－ｔ個のパーツの中間予測データを取得する。トレーニングサンプルのｓ－ｔ個のパーツは、トレーニングサンプルのｓ個のパーツにおいて、トレーニングサンプルのｔ個のパーツ以外のトレーニングサンプルである。
ステップＩＶにおいて、ｎ－ｍ個のトレーニングサンプルの中間予測データおよび測定値を使用して第２層ジェネラライザをトレーニングして、トレーニングされた第２層ジェネラライザが取得される。
ｎ－ｍ個のトレーニングサンプルの中間予測データを取得した後、サーバーは、ｎ－ｍ個のトレーニングサンプルの太陽放射量の測定値とともに、第２層ジェネラライザをトレーニングすることができる。あるいは、ｎ－ｍ個のトレーニングサンプルを取得した後、サーバーは、複数回のループステップを実行して、正確にトレーニングされた第２層ジェネラライザを取得してもよい。ループステップは、上記のステップＩからステップＩＶへのループを示している。サーバーによってループステップが実行されるたびに、ｎ個のトレーニングサンプルから選択される複数のトレーニングサンプルの少なくとも一部が異なる。サーバーによってループステップが実行される合計回数がｘの場合、ループステップがｘ回実行された後、ｑ個のトレーニングサンプルの中間予測データがサーバーによって取得される場合があり、ここで、ｑは、正の整数である。次に、ｑこのトレーニングサンプルの中間予測データとｑ個のトレーニングサンプルの太陽照射量の測定値を採用して、第２層ジェネラライザーをトレーニングする。
例えば、ｎ個のトレーニングサンプルを取得した後、サーバーは、ｎ個のトレーニングサンプルをトレーニングサンプルの５個のパーツに分割し、トレーニングサンプルの１番目のパーツからトレーニングサンプルの４番目のパーツのように、トレーニングサンプルの５個のパーツからトレーニングサンプルの４個のパーツを選択する。サーバーは、トレーニングサンプルの４個のパーツの日射量予測データとトレーニングサンプルの４個のパーツの太陽照射量の測定値を採用して、第１層ジェネラライザをトレーニングする。次に、サーバーは、トレーニングサンプルの５番目のパーツの照射予測データをトレーニングされた第１層ジェネラライザに入力して、トレーニングサンプルの５番目のパーツの中間予測データを取得する。その後、サーバーは、トレーニングサンプルの５番目のパーツの中間予測データと、トレーニングサンプルの５番目のパーツの太陽照射量の測定値に基づいて、第２層ジェネラライザを直接トレーニングして、トレーニングされた第２層ジェネラライザーを取得する。更に、サーバーは、トレーニングサンプルの５番目のパーツの中間予測データを取得するためのステップと同じステップで、トレーニングサンプルの選択された４個のパーツの中間予測データを取得することができる。次に、サーバーは、トレーニングサンプルの５個のパーツの中間予測データとトレーニングサンプルの５個のパーツの太陽照射量の測定値を使用して第２層ジェネラライザをトレーニングして、トレーニングされた第２層ジェネラライザを取得する。
要約すると、本開示の実施形態による技術的解決策において、スタック型一般化モデルをトレーニングするための方法は、複数のトレーニングサンプルを作成すること、および、トレーニングサンプルを使用してスタック型一般化モデルをトレーニングすることによって達成される。更に、本開示の実施形態による技術的解決策において、スタック型一般化モデルには、それぞれ第１層ジェネラライザと第２層ジェネラライザと称される２層のジェネラライザが含まれ、スタック型一般化モデルの偏差を減らしてスタック型一般化モデルの精度を向上させるために、第１層ジェネラライザの出力結果が第２層のジェネラライザを使用して最適化される。また、本開示の実施形態に係る技術的解決策において、第１層ジェネラライザには、第１層ジェネラライザの出力結果の偏差を減らすために複数のジェネラライザが含まれ、これにより、スタック型一般化モデルの精度が更に向上する。
図３は、本開示の一実施形態に関するスタック型一般化モデルをトレーニングするための方法のフローチャートを示している。スタック型一般化モデルには、第１層ジェネラライザおよび第２層ジェネラライザが含まれる。この方法には、ステップ３０１～３０２が含まれる。
ステップ３１０において、ｎ個のトレーニングサンプルが作成され、ｎ個のトレーニングサンプルの各々には、１つの過去の期間に対応する日射量予測データおよび過去の期間内におけるアレイ面（ＰＯＡ）日射量の測定値が含まれる。過去の期間に対応する日射量予測データには、以下が含まれる：過去の期間内におけるＰＯＡ日射量の少なくとも１つの予測値であり、ここで、少なくとも１つの予測値は、少なくとも１つの情報源によって提供され、ｎは、１より大きい整数である。
ステップ３０２において、ｎ個のトレーニングサンプルを使用してスタック型一般化モデルをトレーニングして、トレーニングされたスタック型一般化モデルが取得される。
いくつかの実施形態において、上記のステップ３０２には、以下が含まれる：ｎ個のトレーニングサンプルからｍ個のトレーニングサンプルを選択すること、ここで、ｍは、１より大きくｎより小さい正の整数である；ｍ個のトレーニングサンプルの日射量予測データとｍ個のトレーニングサンプルの測定値を使用して第１層ジェネラライザをトレーニングして、トレーニングされた第１層ジェネラライザを取得すること；第１層ジェネラライザを使用して、ｎ－ｍ個のトレーニングサンプルの日射量予測データに基づいてｎ－ｍ個のトレーニングサンプルの中間予測データを決定すること、ここで、ｎ－ｍ個のトレーニングサンプルは、ｎ個のトレーニングサンプルにおいて、ｍ個のトレーニングサンプル以外のトレーニングサンプルであり；ｎ－ｍ個のトレーニングサンプルの中間予測データとｎ－ｍ個のトレーニングサンプルの測定値を使用して第２層ジェネラライザをトレーニングして、トレーニングされた第２層ジェネラライザを取得すること。
図３に示される実施形態におけるスタック型一般化モデルをトレーニングするための方法は、図２に示される実施形態におけるスタック型一般化モデルのトレーニングプロセスの説明に基づいて説明される。したがって、スタック型一般化モデルに関連するトレーニングプロセスは、上記の図２に示される実施形態の説明を参照し、これ以降は繰り返さない。
要約すると、本開示の実施形態による技術的解決策において、スタック型一般化モデルをトレーニングするための方法は、複数のトレーニングサンプルを作成し、トレーニングサンプルを使用してスタック型一般化モデルをトレーニングすることによって達成される。更に、本開示の実施形態による技術的解決策において、スタック型一般化モデルには、それぞれ第１層ジェネラライザおよび第２層ジェネラライザと称される２層のジェネラライザが含まれ、スタック型一般化モデルの偏差を減らしてスタック型一般化モデルの精度を向上させるために、第１層ジェネラライザの出力結果が第２層のジェネラライザによって最適化される。また、本開示の実施形態に係る技術的解決策において、第１層ジェネラライザには、第１層ジェネラライザの出力結果の偏差を減らすために複数のジェネラライザが含まれ、これにより、スタック型一般化モデルの精度が更に向上する。
図４には、本開示の一実施形態に関する日射量予測を処理するための方法のフローチャートを示している。この方法には、ステップ４０１～４０４が含まれる。
ステップ４０１において、複数のトレーニングサンプルが取得される。各トレーニングサンプルには、１つの過去の期間に対応する日射量予測データおよび過去の期間内におけるアレイ面（ＰＯＡ）日射量の測定値が含まれる。過去の期間に対応する日射量予測データには、過去の期間内におけるＰＯＡ日射量の少なくとも１つの予測値が含まれ、少なくとも１つの予測値は、少なくとも１つの情報源によって提供される。
ステップ４０２において、複数のトレーニングサンプルを使用して第１層ジェネラライザがトレーニングされ、トレーニングされた第１層ジェネラライザが取得される。第１層ジェネラライザには、複数のジェネラライザが含まれ得る。
ステップ４０３において、第１層ジェネラライザの出力データおよび複数のトレーニングサンプルを使用して第２層ジェネラライザがトレーニングされ、トレーニングされた第２層ジェネラライザが取得される。
ステップ４０４において、ターゲット期間に対応する日射量予測データが取得され、これはターゲット期間内におけるＰＯＡ日射量の少なくとも１つの予測値を含み、少なくとも１つの予測値は、少なくとも１つの情報源によって提供される。
ステップ４０５において、スタック型一般化モデルが呼び出され、ターゲット期間に対応する出力予測値が決定される。スタック型一般化モデルには、第１層ジェネラライザおよび第２層ジェネラライザが含まれる。
ステップ４０６において、電力曲線モデルが呼び出され、ターゲット期間に対応する出力予測値に基づいてターゲット期間内における太陽照射量の予測電力を決定される。
以下に、本開示による方法の実施形態を実施するために使用することができる、本開示による装置の実施形態を説明する。本開示による装置の実施形態に開示されていない詳細は、本開示による方法の実施形態を参照されたい。
図５は、本開示の一実施形態に関する日射量予測を処理するための装置のブロック図を示している。デバイス５００は、上記の方法の実施形態を実現する機能を有する。この機能は、ハードウェアによって、またはハードウェアによって実行されるソフトウェアによって実現できる。デバイス５００は、サーバーなどの上記のコンピューターデバイスであり得る。デバイス５００は、データ取得モジュール５１０、モデル呼出モジュール５２０、データ決定モジュール５３０、および予測値決定モジュール５４０を含み得る。
データ取得モジュール５１０は、ターゲット期間に対応する日射量予測データを取得するように構成される。日射量予測データには、ターゲット期間内におけるアレイ面（ＰＯＡ）日射量の少なくとも１つの予測値が含まれ、少なくとも１つの予測値は、少なくとも１つの情報源によって提供される。
モデル呼出モジュール５２０は、第１層ジェネラライザおよび第２層ジェネラライザを含むスタック型一般化モデルを呼び出すように構成される。
データ決定モジュール５３０は、第１層ジェネラライザを使用して、ターゲット期間に対応する日射量予測データに基づいて中間予測データを決定するように構成される。
予測値決定モジュール５４０は、第２層ジェネラライザを使用して、中間予測データに基づいてターゲット期間に対応する出力予測値を決定するように構成される。
あるいは、第１層ジェネラライザには、ｋ個のジェネラライザが含まれ、ここで、ｋは、１より大きい整数である。この場合、データ決定モジュール５３０は、ｋ個のジェネラライザをそれぞれ使用して、ターゲット期間に対応する日射量予測データに基づいてｋ個の中間予測値を取得するように構成される。中間予測データには、ｋ個の中間予測値が含まれる。
あるいは、スタック型一般化モデルは、以下の方法で訓練される：ｎ個のトレーニングサンプルを作成すること、ここで、ｎ個のトレーニングサンプルの各々は、１つの過去の期間に対応する日射量予測データおよび過去の期間内におけるＰＯＡ日射量の測定値を含み、ｎは、１より大きい整数である；ｎ個のトレーニングサンプルを使用してスタック型一般化モデルをトレーニングして、トレーニングされたスタック型一般化モデルを取得すること。
あるいは、ｎ個のトレーニングサンプルを使用してスタック型一般化モデルをトレーニングして、トレーニングされたスタック型一般化モデルを取得することには、以下が含まれる：ｎ個のトレーニングサンプルからｍ個のトレーニングサンプルを選択すること、ここで、ｍは、１より大きくｎより小さい正の整数であり；ｍ個のトレーニングサンプルの日射量予測データとｍ個のトレーニングサンプルの測定値を使用して第１層ジェネラライザをトレーニングして、トレーニングされた第１層ジェネラライザを取得すること；第１層ジェネラライザを使用して、ｎ－ｍ個のトレーニングサンプルの日射量予測データに基づいてｎ－ｍ個のトレーニングサンプルの中間予測データを決定すること、ここで、ｎ－ｍ個のトレーニングサンプルは、ｎ個のトレーニングサンプルにおいて、ｍ個のトレーニングサンプル以外のトレーニングサンプルであり；ｎ－ｍ個のトレーニングサンプルの中間予測データとｎ－ｍ個のトレーニングサンプルの測定値を使用して第２層ジェネラライザをトレーニングして、トレーニングされた第２層ジェネラライザを取得すること。
あるいは、図６に示されるように、装置５００は、電力曲線モデルを呼び出し、出力予測値に基づいてターゲット期間内における太陽放射量の予測電力を計算するように構成された電力計算モジュール５５０を更に含む。
要約すると、本開示の実施形態による技術的解決策において、日射量予測を処理するための方法は、スタック型一般化モデルを呼び出し、複数の情報源から提供されるＰＯＡ日射量の予測値に基づいて出力予測値を決定することによって実現される。また、処理後のＰＯＡ日射量の正確な予測値が得られるため、ＰＯＡ日射量の予測値に基づいて決定される太陽放射量の予測電力の精度が向上する。更に、本開示の実施形態による技術的解決策において、スタッカー一般化モデルには、それぞれ第１層ジェネラライザおよび第２層ジェネラライザと称される、２層のジェネラライザが含まれる。第１層ジェネラライザによって出力された中間予測データは、第２層ジェネラライザの入力として機能する。この場合、第１層ジェネラライザの出力結果の偏差は、第２層ジェネラライザによって減らされる。したがって、サーバーの処理オーバーヘッドが削減され、ＰＯＡ日射量の予測値の精度が更に向上する。
更に、本開示の実施形態による技術的解決策において、第１層ジェネラライザには、複数のジェネラライザが含まれる。したがって、情報源によって提供されるＰＯＡ日射量の予測値は、複数のジェネラライザを使用して処理され、第１層ジェネラライザの出力結果の偏差を更に低減し、スタック一般化モデルによる処理が完了した後に得られる出力予測値の精度を更に向上させる。
更に、本開示の実施形態による技術的解決策において、スタック型一般化モデルによる処理が完了した後に出力予測値が得られた後、電力曲線モデルを更にサーバーによって呼び出して、出力予測値に基づく予測電力を決定することができる。したがって、ＰＯＡ日射量の出力予測値は多くのシナリオに適用され、太陽光発電企業は太陽放射量の正確な予測電力を取得することができる。
図７は、本開示の実施形態に関するスタック型一般化モデルをトレーニングするための装置７０のブロック図を示している。スタック型一般化モデルには、第１層ジェネラライザおよび第２層のジェネラライザが含まれる。装置７００は、方法の上記の実施形態を実現する機能を有する。この機能は、ハードウェアによって実装される場合と、ハードウェアによって実行されるソフトウェアによって実装される場合がある。装置７００は、サーバーなどの前述のコンピュータデバイスであり得る。装置７００は、サンプル作成モジュール７１０およびモデルトレーニングモジュール７２０を含み得る。
サンプル作成モジュール７１０は、ｎ個のトレーニングサンプルを作成するように構成される。ｎ個のトレーニングサンプルの各々には、１つの過去の期間に対応する日射量予測データおよび過去の期間内におけるアレイ面（ＰＯＡ）日射量の測定値が含まれる。過去の期間に対応する日射量予測データには、過去の期間内におけるＰＯＡ日射量の少なくとも１つの予測値を含み、少なくとも１つの予測値は、少なくとも１つの情報源によって提供される。具体的には、ｎは、１より大きい整数である。
モデルトレーニングモジュール７２０は、ｎ個のトレーニングサンプルを使用してスタック型一般化モデルをトレーニングして、トレーニングされたスタック型一般化モデルを取得するように構成される。
あるいは、モデルトレーニングモジュール７２０は、以下のように構成される：ｎ個のトレーニングサンプルからｍ個のトレーニングサンプルを選択し、ここで、ｍは、１より大きくｎより小さい正の整数であり；ｍ個のトレーニングサンプルの日射量予測データと測定値を使用して第１層ジェネラライザをトレーニングして、トレーニングされた第１層ジェネラライザを取得し；第１層ジェネラライザを使用して、ｎ－ｍ個のトレーニングサンプルの日射量予測データに基づいてｎ－ｍ個のトレーニングサンプルの中間予測データを決定し、ここで、ｎ－ｍ個のトレーニングサンプルは、ｎ個のトレーニングサンプルにおいて、ｍ個のトレーニングサンプル以外のトレーニングサンプルであり；ｎ－ｍ個のトレーニングサンプルの中間予測データとｎ－ｍ個のトレーニングサンプルの測定値を使用して第２層ジェネラライザをトレーニングして、トレーニングされた第２層ジェネラライザを取得する。
要約すると、本開示の実施形態による技術的解決策において、スタック型一般化モデルをトレーニングするための方法は、複数のトレーニングサンプルを作成すること、および、トレーニングサンプルを使用してスタック型一般化モデルをトレーニングすることによって達成される。更に、本開示の実施形態による技術的解決策において、スタック型一般化モデルには、それぞれ第１層ジェネラライザと第２層ジェネラライザと称される２層のジェネラライザが含まれ、スタック型一般化モデルの偏差を減らしてスタック型一般化モデルの精度を向上させるために、第１層ジェネラライザの出力結果が第２層のジェネラライザを使用して最適化される。また、本開示の実施形態に係る技術的解決策において、第１層ジェネラライザには、第１層ジェネラライザの出力結果の偏差を減らすために複数のジェネラライザが含まれ、これにより、スタック型一般化モデルの精度が更に向上する。
上記の機能モジュールの分割は、本開示の実施形態によるデバイスの機能を実施する際の例としてのみ採用されることに留意されたい。実際のアプリケーションでは、上記の機能は、必要に応じて異なる機能モジュールによって実装され得る。すなわち、デバイスの内部構造は、上記のものとは異なる機能モジュールに分割されて、上記の機能の全部または一部を完了し得る。更に、上記の実施形態によるデバイスの実施形態は、上記の実施形態による方法の実施形態と同じ概念を有し、その実施プロセスは、方法の実施形態の実装プロセスを詳細に参照し、以下では繰り返さない。
図８を参照し、これは本開示の一実施形態に関するコンピュータデバイス８００の構造ブロック図を示している。コンピュータデバイスは、上記の実施形態による、日射量予測処理方法およびスタック型一般化モデルをトレーニングするための方法のうちの少なくとも１つを実施するように構成され得る。例えば、コンピュータデバイス８００は、図１に示される実装環境におけるサーバであり得る。
コンピュータデバイス８００には、中央処理装置（ＣＰＵ）、グラフィックス処理装置（ＧＰＵ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）などの演算ユニット８０１と、ランダムアクセスメモリ（ＲＡＭ）８０２および読み取り専用メモリ（ＲＯＭ）８０３を含むシステムメモリ８０４と、システムメモリ８０４と中央処理装置８０１を接続するシステムバス８０５とが含まれる。コンピュータデバイス８００には、サーバ内のコンポーネント間で情報を送信するのを助ける入出力システム（Ｉ／Ｏシステム）８０６と、オペレーティングシステム８１３、アプリケーションプログラム８１４、およびその他のプログラムモジュール８１５を記憶した大容量記憶装置８０７とが更に含まれる。
Ｉ／Ｏシステム８０６には、情報を表示するためのディスプレイ８０８と、ユーザが情報を入力するためのマウスおよびキーボードなどの入力デバイス８０９とが含まれる。ディスプレイ８０８および入力デバイス８０９は両方とも、システムバス８０５に接続された入出力コントローラ８１０を介して中央処理装置８０１に接続される。Ｉ／Ｏシステム８０６には、キーボード、マウス、または電子スタイラスなどの複数の他のデバイスからの入力を受信および処理するための入出力コントローラ８１０が更に含まれ得る。同様に、入出力コントローラ８１０は更に、ディスプレイ画面、プリンタ、または他のタイプの出力デバイスへの出力を提供する。
大容量記憶装置８０７は、システムバス８０５に接続された大容量記憶装置コントローラ（図示せず）を介して中央処理装置８０１に接続される。大容量記憶装置８０７およびそれに関連するコンピュータ可読媒体は、コンピュータデバイス８００に不揮発性ストレージを提供する。すなわち、大容量記憶装置８０７は、ハードディスクまたはＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）ドライブなどのコンピュータ可読媒体（図示せず）を含み得る。
一般性を失うことなく、コンピュータ可読媒体は、コンピュータ記憶媒体および通信媒体を含み得る。コンピュータ記憶媒体には、コンピュータ可読命令、データ構造、プログラムモジュールまたは他のデータなどの情報を保存するための任意の方法または技術で実施される、揮発性媒体、不揮発性媒体、取り外し可能媒体、および取り外し不可能媒体が含まれる。コンピュータ記憶媒体には、ＲＡＭ、ＲＯＭ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ－Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、または、ＣＤ－ＲＯＭ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｉｄｅｏ Ｄｉｓｃ）またはその他の光メモリを含むその他のソッドステートストレージ技術、カセット、磁気テープ、ディスクストレージまたはその他の磁気ストレージデバイスが含まれる。コンピュータ記憶媒体は、上記のものに限定されないことが当業者によって理解される。前述のシステムメモリ８０４および大容量記憶装置８０７は、まとめてメモリと呼ばれることがある。
本開示の一実施形態によれば、コンピュータデバイス８００は、インターネットなどのネットワークを介して、ネットワーク上のリモートコンピュータに更に接続されることによって動作し得る。すなわち、コンピュータデバイス８００は、システムバス８０５に接続されたネットワークインターフェースユニット８１１を介してネットワーク８１２に接続され得る。あるいは、コンピュータデバイス８００は、ネットワークインターフェースユニット８１１を介して他のタイプのネットワークまたはリモートコンピュータシステム（図示せず）に接続され得る。
メモリには、更にコンピュータプログラムが記憶される。コンピュータプログラムは、１つまたは複数のプロセッサによって実行されると、１つまたは複数のプロセッサが、上記のように、日射量を処理するための方法およびスタック型一般化モデルをトレーニングするための方法のうちの少なくとも１つを実行することを可能にする。
本開示の一実施形態は、コンピュータプログラムを記憶した非一時的なコンピュータ可読記憶媒体を更に提供する。コンピュータプログラムは、プロセッサによって実行されると、プロセッサが、上記のように、日射量を処理するための方法およびスタック型一般化モデルをトレーニングするための方法のうちの少なくとも１つを実行することを可能にする。
本開示の一実施形態は、コンピュータプログラム製品を提供する。コンピュータプログラム製品は、プロセッサによって実行されると、プロセッサが、上記のように、日射量予測を処理するための方法およびスタック型一般化モデルをトレーニングするための方法のうちの少なくとも１つを実行することを可能にする。
本明細書で言及される「複数」は、２つ以上を示すことを理解されたい。「および／または」は、関連するオブジェクト間の関連関係を説明するために使用され、３つの関係が存在する可能性があることを表す。例えば、Ａおよび／またはＢは、Ａが単独で存在、ＡとＢの両方が存在、Ｂが単独で存在の３つの関係を表す場合がある。文字「／」は通常、「／」の前後の関連オブジェクトが「ｏｒ（または）」の関係にあることを示す。
上記に記載したものは、本開示の単なる例示的な実施形態であり、本開示を限定することを意図するものではない。本開示の意図および原則の範囲内において、任意の変更、同等物の置換、改善なども、本開示の保護範囲内に含まれるべきである。

Claims (8)

  1. 日射量予測を処理するための方法であって、
    ターゲット期間に対応する日射量予測データを取得すること、ここで、前記ターゲット期間に対応する前記日射量予測データは、前記ターゲット期間内におけるアレイ面日射量の少なくとも１つの予測値を含み、前記少なくとも１つの予測値は、少なくとも１つの情報源によって提供される、
    第１層ジェネラライザおよび第２層ジェネラライザを含むスタック型一般化モデルを呼び出すこと、ここで、前記第１層ジェネラライザおよび前記第２層ジェネラライザの各々は、学習モデルであり、
    前記第１層ジェネラライザを使用して、前記ターゲット期間に対応する前記日射量予測データに基づいて中間日射量予測データを決定すること、
    前記第２層ジェネラライザを使用して、前記中間日射量予測データに基づいて前記ターゲット期間に対応する出力日射量予測値を決定すること、
    を含み、
    前記スタック型一般化モデルは、
    ｎ個のトレーニングサンプルを作成すること、ここで、前記ｎ個のトレーニングサンプルの各々は、１つの過去の期間に対応する日射量予測データおよび前記過去の期間内におけるアレイ面日射量の測定値を含み、ｎは、１より大きい整数であり、
    前記ｎ個のトレーニングサンプルからｍ個のトレーニングサンプルを選択すること、ここで、ｍは、１より大きくｎより小さい正の整数であり、
    前記ｍ個のトレーニングサンプルの日射量予測データと前記ｍ個のトレーニングサンプルの測定値を使用して前記第１層ジェネラライザをトレーニングして、トレーニングされた第１層ジェネラライザを取得すること、
    前記第１層ジェネラライザを使用して、ｎ－ｍ個のトレーニングサンプルの日射量予測データに基づいて前記ｎ－ｍ個のトレーニングサンプルの中間日射量予測データを決定すること、ここで、前記ｎ－ｍ個のトレーニングサンプルは、前記ｎ個のトレーニングサンプルにおいて、前記ｍ個のトレーニングサンプル以外のトレーニングサンプルであり、
    前記ｎ－ｍ個のトレーニングサンプルの中間日射量予測データと前記ｎ－ｍ個のトレーニングサンプルの測定値を使用して前記第２層ジェネラライザをトレーニングして、トレーニングされた第２層ジェネラライザを取得すること、
    によってトレーニングされることを特徴とする方法。
  2. 請求項１に記載の方法において、
    前記第１層ジェネラライザは、ｋ個のジェネラライザを含み、ここで、ｋは、１より大きい整数であり、
    前記ターゲット期間に対応する前記日射量予測データに基づいて中間日射量予測データを決定することは、
    前記ｋ個のジェネラライザをそれぞれ使用して、前記ターゲット期間に対応する前記日射量予測データに基づいてｋ個の中間予測値を取得することを含み、
    前記中間日射量予測データは、前記ｋ個の中間予測値を含む、
    ことを特徴とする方法。
  3. 請求項１又は請求項２に記載の方法において、
    前記中間日射量予測データに基づいて前記ターゲット期間に対応する前記出力日射量予測値を決定した後、
    前記方法は更に、
    電力曲線モデルを呼び出し、前記出力日射量予測値に基づいて前記ターゲット期間内における日射量の予測電力を計算すること、
    を含むことを特徴とする方法。
  4. 第１層ジェネラライザおよび第２層ジェネラライザを含むスタック型一般化モデルをトレーニングするための方法であって、
    ｎ個のトレーニングサンプルを作成すること、ここで、前記ｎ個のトレーニングサンプルの各々は、１つの過去の期間に対応する日射量予測データおよび前記過去の期間内におけるアレイ面日射量の測定値を含み、前記過去の期間に対応する前記日射量予測データは、前記過去の期間内におけるアレイ面日射量の少なくとも１つの予測値を含み、前記少なくとも１つの予測値は、少なくとも１つの情報源によって提供され、ｎは、１より大きい整数であり、
    前記ｎ個のトレーニングサンプルからｍ個のトレーニングサンプルを選択すること、ここで、ｍは、１より大きくｎより小さい正の整数であり、
    前記ｍ個のトレーニングサンプルの日射量予測データと前記ｍ個のトレーニングサンプルの測定値を使用して前記第１層ジェネラライザをトレーニングして、トレーニングされた第１層ジェネラライザを取得すること、
    前記第１層ジェネラライザを使用して、ｎ－ｍ個のトレーニングサンプルの日射量予測データに基づいて前記ｎ－ｍ個のトレーニングサンプルの中間日射量予測データを決定すること、ここで、前記ｎ－ｍ個のトレーニングサンプルは、前記ｎ個のトレーニングサンプルにおいて、前記ｍ個のトレーニングサンプル以外のトレーニングサンプルであり、
    前記ｎ－ｍ個のトレーニングサンプルの中間日射量予測データと前記ｎ－ｍ個のトレーニングサンプルの測定値を使用して前記第２層ジェネラライザをトレーニングして、トレーニングされた第２層ジェネラライザを取得すること、
    を含むことを特徴とする方法。
  5. 日射量予測を処理するための装置であって、
    ターゲット期間に対応する日射量予測データを取得するように構成された、データ取得モジュールと、ここで、前記ターゲット期間に対応する前記日射量予測データは、前記ターゲット期間内におけるアレイ面日射量の少なくとも１つの予測値を含み、前記少なくとも１つの予測値は、少なくとも１つの情報源によって提供され、
    第１層ジェネラライザおよび第２層ジェネラライザを含むスタック型一般化モデルを呼び出すように構成された、モデル呼出モジュールと、ここで、前記第１層ジェネラライザおよび前記第２層ジェネラライザの各々は、学習モデルであり、
    前記第１層ジェネラライザを使用して、前記ターゲット期間に対応する前記日射量予測データに基づいて中間日射量予測データを決定するように構成された、データ決定モジュールと、
    前記第２層ジェネラライザを使用して、前記中間日射量予測データに基づいて前記ターゲット期間に対応する出力日射量予測値を決定するように構成された、予測値決定モジュールと、
    ｎ個のトレーニングサンプルを作成するように構成された、サンプル作成モジュールと、ここで、前記ｎ個のトレーニングサンプルの各々は、１つの過去の期間に対応する日射量予測データおよび前記過去の期間内におけるアレイ面日射量の測定値を含み、ｎは、１より大きい整数であり、
    前記ｎ個のトレーニングサンプルを使用して前記スタック型一般化モデルをトレーニングして、トレーニングされたスタック型一般化モデルを取得するように構成された、モデルトレーニングモジュールと、
    を備え、
    前記モデルトレーニングモジュールは、
    前記ｎ個のトレーニングサンプルからｍ個のトレーニングサンプルを選択する処理と、ここで、ｍは、１より大きくｎより小さい正の整数であり、
    前記ｍ個のトレーニングサンプルの日射量予測データと前記ｍ個のトレーニングサンプルの測定値を使用して前記第１層ジェネラライザをトレーニングして、トレーニングされた第１層ジェネラライザを取得する処理と、
    前記第１層ジェネラライザを使用して、ｎ－ｍ個のトレーニングサンプルの日射量予測データに基づいて前記ｎ－ｍ個のトレーニングサンプルの中間日射量予測データを決定する処理と、ここで、前記ｎ－ｍ個のトレーニングサンプルは、前記ｎ個のトレーニングサンプルにおいて、前記ｍ個のトレーニングサンプル以外のトレーニングサンプルであり、
    前記ｎ－ｍ個のトレーニングサンプルの中間日射量予測データと前記ｎ－ｍ個のトレーニングサンプルの測定値を使用して前記第２層ジェネラライザをトレーニングして、トレーニングされた第２層ジェネラライザを取得する処理と、
    を実行することを特徴とする装置。
  6. 第１層ジェネラライザおよび第２層ジェネラライザを含むスタック型一般化モデルをトレーニングする装置であって、
    ｎ個のトレーニングサンプルを作成するように構成された、サンプル作成モジュールと、ここで、前記ｎ個のトレーニングサンプルの各々は、１つの過去の期間に対応する日射量予測データおよび前記過去の期間内におけるアレイ面日射量の測定値を含み、前記過去の期間に対応する前記日射量予測データは、前記過去の期間内におけるアレイ面日射量の少なくとも１つの予測値を含み、前記少なくとも１つの予測値は、少なくとも１つの情報源によって提供され、ｎは、１より大きい整数であり、
    前記ｎ個のトレーニングサンプルを使用して前記スタック型一般化モデルをトレーニングして、トレーニングされたスタック型一般化モデルを取得するように構成された、モデルトレーニングモジュールと、
    を備え、
    前記モデルトレーニングモジュールは、
    前記ｍ個のトレーニングサンプルの日射量予測データと前記ｍ個のトレーニングサンプルの測定値を使用して前記第１層ジェネラライザをトレーニングして、トレーニングされた第１層ジェネラライザを取得する処理と、
    前記第１層ジェネラライザを使用して、ｎ－ｍ個のトレーニングサンプルの日射量予測データに基づいて前記ｎ－ｍ個のトレーニングサンプルの中間日射量予測データを決定する処理と、ここで、前記ｎ－ｍ個のトレーニングサンプルは、前記ｎ個のトレーニングサンプルにおいて、前記ｍ個のトレーニングサンプル以外のトレーニングサンプルであり、
    前記ｎ－ｍ個のトレーニングサンプルの中間日射量予測データと前記ｎ－ｍ個のトレーニングサンプルの測定値を使用して前記第２層ジェネラライザをトレーニングして、トレーニングされた第２層ジェネラライザを取得する処理と、
    を実行することを特徴とする装置。
  7. プロセッサと、コンピュータプログラムを記憶したメモリとを備えたコンピュータデバイスであって、
    前記コンピュータプログラムは、前記プロセッサによってロードおよび実行された場合に、請求項１乃至請求項３のいずれかに記載の日射量予測を処理するための方法および請求項４に記載のスタック型一般化モデルをトレーニングするための方法の少なくとも１つを前記プロセッサが実行することを可能にする、
    ことを特徴とするコンピュータデバイス。
  8. コンピュータプログラムを記憶した非一時的なコンピュータ可読記憶媒体であって、
    前記コンピュータプログラムは、プロセッサによって実行された場合に、請求項１乃至請求項３のいずれかに記載の日射量予測を処理するための方法および請求項４に記載のスタック型一般化モデルをトレーニングするための方法の少なくとも１つを前記プロセッサが実行することを可能にする、
    ことを特徴とするコンピュータ可読記憶媒体。
JP2022527108A 2019-11-14 2020-11-13 日射量予測を処理するための方法、スタック型一般化モデルをトレーニングするための方法、およびそれらの装置 Active JP7369868B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
CN201911112640.0 2019-11-14
CN201911112640.0A CN111091138A (zh) 2019-11-14 2019-11-14 辐照预报的处理方法、堆叠泛化模型的训练方法及装置
PCT/SG2020/050656 WO2021096429A1 (en) 2019-11-14 2020-11-13 Method for processing irradiation forecast, method for training stacked generalization model, and apparatuses thereof

Publications (2)

Publication Number Publication Date
JP2022550619A JP2022550619A (ja) 2022-12-02
JP7369868B2 true JP7369868B2 (ja) 2023-10-26

Family

ID=70393283

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022527108A Active JP7369868B2 (ja) 2019-11-14 2020-11-13 日射量予測を処理するための方法、スタック型一般化モデルをトレーニングするための方法、およびそれらの装置

Country Status (12)

Country Link
US (1) US11842303B2 (ja)
EP (1) EP4058761A4 (ja)
JP (1) JP7369868B2 (ja)
KR (1) KR102500939B1 (ja)
CN (1) CN111091138A (ja)
AU (1) AU2020382454A1 (ja)
BR (1) BR112022009366A2 (ja)
CA (1) CA3161648A1 (ja)
CL (1) CL2022001232A1 (ja)
MX (1) MX2022005700A (ja)
WO (1) WO2021096429A1 (ja)
ZA (1) ZA202205999B (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113610287A (zh) * 2021-07-27 2021-11-05 远景智能国际私人投资有限公司 光功率预报方法、装置、计算机设备及存储介质
CN114237309A (zh) * 2021-12-15 2022-03-25 新奥数能科技有限公司 一种光伏组件的角度调节方法和装置

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006330935A (ja) 2005-05-24 2006-12-07 Fujitsu Ltd 学習データ作成プログラム、学習データ作成方法および学習データ作成装置
WO2011158363A1 (ja) 2010-06-17 2011-12-22 株式会社四国総合研究所 日射強度予測システムと太陽光発電出力予測システム
JP2013253805A (ja) 2012-06-05 2013-12-19 Fuji Electric Co Ltd 情報処理装置、情報処理装置の制御方法及びプログラム
JP2014157457A (ja) 2013-02-15 2014-08-28 Nec Corp 予測装置および予測方法
US20150142347A1 (en) 2013-11-15 2015-05-21 Rahul Mohan Solar Energy Disaggregation Techniques for Whole-House Energy Consumption Data
US20150253463A1 (en) 2014-03-04 2015-09-10 Universiti Brunei Darussalam Generating an Ensemble of Forecasting Models
WO2016121202A1 (ja) 2015-01-30 2016-08-04 日本電気株式会社 予測装置、予測方法、及び、プログラム
US20180175790A1 (en) 2015-06-23 2018-06-21 Qatar Foundation For Education, Science And Community Development Method of forecasting for solar-based power systems
US20180203160A1 (en) 2017-01-18 2018-07-19 Board Of Regents, The University Of Texas System Systems and methods of hierarchical forecasting of solar photovoltaic energy production
CN109214552A (zh) 2018-08-09 2019-01-15 上海安悦节能技术有限公司 基于集成学习光伏预测的智能运维方法
JP2019022251A (ja) 2017-07-11 2019-02-07 米沢電気工事株式会社 太陽電池診断方法及び太陽電池診断システム
CN109636054A (zh) 2018-12-21 2019-04-16 电子科技大学 基于分类和误差组合预测的太阳能光伏发电量预测方法
US20190130277A1 (en) 2017-10-26 2019-05-02 SparkCognition, Inc. Ensembling of neural network models
US20190158011A1 (en) 2016-05-11 2019-05-23 Commonwealth Scientific And Industrial Research Organisation Solar power forecasting
CN109886492A (zh) 2019-02-26 2019-06-14 浙江鑫升新能源科技有限公司 基于Attention LSTM的光伏发电功率预测模型及其构建方法
WO2019155594A1 (ja) 2018-02-09 2019-08-15 Ｔｏｔａｌｍａｓｔｅｒｓ株式会社 太陽光発電設備の設計支援装置、設計支援方法、設計支援プログラム及び設計支援用学習済みモデル作成装置

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003066195A (ja) * 2001-08-27 2003-03-05 Nikon Corp 多層膜除去加工装置、多層膜反射鏡、その製造方法、軟ｘ線光学系及び露光装置
US8972221B2 (en) * 2007-02-12 2015-03-03 Locus Energy, Llc Estimating solar irradiance components from plane of array irradiance and global horizontal irradiance
JP2014015457A (ja) 2012-06-14 2014-01-30 Takaaki Matsumoto 睡眠時無呼吸症候群緩和液および睡眠時無呼吸症候群緩和液の製造方法
US20180275314A1 (en) 2015-08-31 2018-09-27 Green Power Labs Inc. Method and system for solar power forecasting
KR101856320B1 (ko) * 2016-05-02 2018-05-09 한국과학기술원 태양광 발전량 예측 장치 및 방법
CN107038410A (zh) * 2017-02-24 2017-08-11 中国科学院合肥物质科学研究院 一种基于深度堆叠网络的杂草图像识别方法
CN107103331B (zh) * 2017-04-01 2020-06-16 中北大学 一种基于深度学习的图像融合方法
CN107179291B (zh) * 2017-05-10 2020-02-14 中国科学院合肥物质科学研究院 基于太赫兹光谱与深度自动编码器的土壤重金属元素含量预测方法
CN107044976A (zh) * 2017-05-10 2017-08-15 中国科学院合肥物质科学研究院 基于libs与堆叠式rbm深度学习技术的土壤重金属含量分析预测方法
CN107846012A (zh) * 2017-09-27 2018-03-27 国网湖北省电力公司 一种基于深度学习技术的电力系统暂态稳定评估方法
CN109961080B (zh) * 2017-12-26 2022-09-23 腾讯科技（深圳）有限公司 终端识别方法及装置
CN108520535B (zh) * 2018-03-26 2022-02-15 天津大学 基于深度恢复信息的物体分类方法
CN108734391B (zh) * 2018-05-08 2021-07-20 重庆大学 基于堆栈降噪自动编码器的电-气综合能源系统概率能流量计算方法
CN109002926A (zh) * 2018-07-27 2018-12-14 中国计量大学 一种高准确性的光伏发电量预测模型及其构建方法和应用
CN109522917A (zh) * 2018-09-10 2019-03-26 中山大学 一种基于多模型堆叠融合预测的方法
CN109543721B (zh) * 2018-11-05 2023-07-04 中国科学院西北生态环境资源研究院 一种晴间多云天气情况下的太阳辐照度超短期预报方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006330935A (ja) 2005-05-24 2006-12-07 Fujitsu Ltd 学習データ作成プログラム、学習データ作成方法および学習データ作成装置
WO2011158363A1 (ja) 2010-06-17 2011-12-22 株式会社四国総合研究所 日射強度予測システムと太陽光発電出力予測システム
JP2013253805A (ja) 2012-06-05 2013-12-19 Fuji Electric Co Ltd 情報処理装置、情報処理装置の制御方法及びプログラム
JP2014157457A (ja) 2013-02-15 2014-08-28 Nec Corp 予測装置および予測方法
US20150142347A1 (en) 2013-11-15 2015-05-21 Rahul Mohan Solar Energy Disaggregation Techniques for Whole-House Energy Consumption Data
US20150253463A1 (en) 2014-03-04 2015-09-10 Universiti Brunei Darussalam Generating an Ensemble of Forecasting Models
WO2016121202A1 (ja) 2015-01-30 2016-08-04 日本電気株式会社 予測装置、予測方法、及び、プログラム
US20180175790A1 (en) 2015-06-23 2018-06-21 Qatar Foundation For Education, Science And Community Development Method of forecasting for solar-based power systems
US20190158011A1 (en) 2016-05-11 2019-05-23 Commonwealth Scientific And Industrial Research Organisation Solar power forecasting
US20180203160A1 (en) 2017-01-18 2018-07-19 Board Of Regents, The University Of Texas System Systems and methods of hierarchical forecasting of solar photovoltaic energy production
JP2019022251A (ja) 2017-07-11 2019-02-07 米沢電気工事株式会社 太陽電池診断方法及び太陽電池診断システム
US20190130277A1 (en) 2017-10-26 2019-05-02 SparkCognition, Inc. Ensembling of neural network models
WO2019155594A1 (ja) 2018-02-09 2019-08-15 Ｔｏｔａｌｍａｓｔｅｒｓ株式会社 太陽光発電設備の設計支援装置、設計支援方法、設計支援プログラム及び設計支援用学習済みモデル作成装置
CN109214552A (zh) 2018-08-09 2019-01-15 上海安悦节能技术有限公司 基于集成学习光伏预测的智能运维方法
CN109636054A (zh) 2018-12-21 2019-04-16 电子科技大学 基于分类和误差组合预测的太阳能光伏发电量预测方法
CN109886492A (zh) 2019-02-26 2019-06-14 浙江鑫升新能源科技有限公司 基于Attention LSTM的光伏发电功率预测模型及其构建方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
David H. Wolpert，Stacked Generalization，Neural Networks，Vol.5，1992年，pp.241-259
大和総研フロンティアテクノロジー本部，エンジニアが学ぶ金融システムの「知識」と「技術」，第1版，株式会社翔泳社，2019年01月24日，133-139頁
進 博正 他，気象予測データと機械学習を用いた高精度な電力需要予測手法，東芝レビュー，Vol.74,No.5，2019年09月，pp.22-25

Also Published As

Publication number Publication date
JP2022550619A (ja) 2022-12-02
EP4058761A4 (en) 2023-01-25
AU2020382454A1 (en) 2022-06-02
EP4058761A1 (en) 2022-09-21
CA3161648A1 (en) 2021-05-20
US20220397700A1 (en) 2022-12-15
KR20220088946A (ko) 2022-06-28
ZA202205999B (en) 2022-09-28
US11842303B2 (en) 2023-12-12
CL2022001232A1 (es) 2022-11-25
BR112022009366A2 (pt) 2022-08-09
KR102500939B1 (ko) 2023-02-17
CN111091138A (zh) 2020-05-01
MX2022005700A (es) 2022-08-17
WO2021096429A1 (en) 2021-05-20

Similar Documents

Publication Publication Date Title
JP7369868B2 (ja) 日射量予測を処理するための方法、スタック型一般化モデルをトレーニングするための方法、およびそれらの装置
US10990747B2 (en) Automatic generation of via patterns with coordinate-based recurrent neural network (RNN)
WO2021133253A1 (en) Method and apparatus for predicting energy consumption, and device and storage medium thereof
US20200026962A1 (en) Modeling post-lithography stochastic critical dimension variation with multi-task neural networks
US20150363691A1 (en) Managing software bundling using an artificial neural network
US10539881B1 (en) Generation of hotspot-containing physical design layout patterns
US11651198B2 (en) Data processing method and apparatus for neural network
US20220172038A1 (en) Automated deep learning architecture selection for time series prediction with user interaction
US20190332924A1 (en) Central scheduler and instruction dispatcher for a neural inference processor
US11847591B2 (en) Short-term load forecasting
US20240020556A1 (en) Information processing method and apparatus, server, and user device
CN112258129A (zh) 配送路径预测网络训练、配送资源调度方法及装置
CN109598344B (zh) 模型生成方法和装置
US20210056457A1 (en) Hyper-parameter management
López-Martín et al. Support vector regression for predicting the productivity of higher education graduate students from individually developed software projects
US20230062028A1 (en) Digital twin simulation of equilibrium state
CN115689197A (zh) 电力组网系统的操作票派发方法、装置和计算机设备
US11520855B2 (en) Matrix sketching using analog crossbar architectures
US11537859B2 (en) Flexible precision neural inference processing unit
US11080632B2 (en) Optimization of steady state cost for multi-site high availability application deployment of management and managed intrastructure
US20230403131A1 (en) Machine learning network extension based on homomorphic encryption packings
US11150971B1 (en) Pattern recognition for proactive treatment of non-contiguous growing defects
US20240112010A1 (en) Identifying performance degradation in machine learning models based on comparison of actual and predicted results
US20230267342A1 (en) Iterative answer and supplemental information extraction for machine reading comprehension
US20230274169A1 (en) Generating data slice rules for data generation

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220714

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220714

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20220714

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221108

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230203

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230407

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230606

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230906

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230926

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231016

R150 Certificate of patent or registration of utility model

Ref document number: 7369868

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150