发电预测方法及装置与流程

本技术属于数据处理，尤其涉及一种发电预测方法及装置。

背景技术：

1、光伏、风电、水力等多种清洁发电能源的建设越来越多。以光伏、风电等为代表的新能源有着人不可控、依赖天气条件的特性，对于这些不可控能源进行准确的发电功率预测有利于电力系统提前规划电力调度，同时，市场化电价也给风光电厂的盈利带来了许多挑战。

2、现有技术多关注单发电场站的关键天气参数和功率预测映射，以单发电场站单模型的方式进行建模和预测，但在风光电厂，尤其是户用清洁发电能源不断增长的背景下，单发电场站模型带来了大量的数据存储、模型训练及模型推理时间的提升。在各个公司服务数以十万、百万计的户用清洁发电能源的背景下，单站模型在模型更新，计算上有着许多算力和存储的瓶颈。

技术实现思路

1、本技术旨在至少解决现有技术中存在的技术问题之一。为此，本技术提出一种发电预测方法，通过对发电场站集群中的每个发电场站进行分簇，并分别获取每个簇包括的发电场站对应的预测模型，基于该预测模型对每个簇包括的发电场站的发电数据进行预测，解决了现有技术中获取每个发电场站对应的预测模型时因需要重复拉取数据导致耗费计算资源，且算力和存储上存在的瓶颈问题。

2、第一方面，本技术提供了一种发电预测方法，该方法包括：

3、获取发电场站集群中每个发电场站在第一时间段内的第一气象预报数据；

4、基于所述第一气象预报数据和所述每个发电场站在所述第一时间段内的第一发电数据，确定所述每个发电场站所属簇；

5、基于每个簇所包括的发电场站在第二时间段内的第二发电数据和每个簇所包括的发电场站在历史预测时间段内的第二气象预报数据，确定每个簇所对应的预测模型；

6、调用每个簇所对应的预测模型，对每个簇所包括的发电场站的发电数据进行预测。

7、根据本技术的发电预测方法，通过对发电场站集群中的每个发电场站进行分簇，并分别获取每个簇包括的发电场站对应的预测模型，基于该预测模型对每个簇包括的发电场站的发电数据进行预测，解决了现有技术中获取每个发电场站对应的预测模型时因需要重复拉取数据导致耗费计算资源，且算力和存储上存在的瓶颈问题。

8、根据本技术的一个实施例，所述基于所述第一气象预报数据和所述每个发电场站在所述第一时间段内的第一发电数据，确定所述每个发电场站所属簇，包括：

9、对所述第一气象预报数据中的辐照特征进行特征提取，获取所述每个发电场站所对应的第一统计量；

10、对所述第一气象预报数据中的辐照特征进行特征提取，获取所述每个发电场站所对应的前第一预设数量个最大的第一特征值；

11、将所述第一统计量和所述第一特征值作为衍生特征，生成所述每个发电场站所对应的衍生特征组；

12、获取所述衍生特征组中与所述第一发电数据的相关性最高的目标衍生特征；

13、基于所述目标衍生特征以及所述第一发电数据，获取所述每个发电场站所对应的统计特征；

14、基于高斯混合聚类算法，对所述统计特征进行聚类，确定每个发电场站所属簇。

15、根据本技术的发电预测方法，通过对第一气象预报数据中的辐照特征进行特征提取获取第一统计量以及第一特征值，并将其作为衍生特征，生成每个发电场站对应的衍生特征组，从该衍生特征组中筛选出与第一发电数据的相关性最高的目标衍生特征，基于该目标衍生特征，得到每个发电场站对应的统计特征，通过对该统计特征进行聚类，得到每个发电场站所属簇，由于在对发电场站集群中的每个发电场站进行分簇时采用的是统计特征，减少了使用单个特征进行分簇带来的偏差，提高了分簇准确度。

16、根据本技术的一个实施例，所述基于所述目标衍生特征以及所述第一发电数据，获取所述每个发电场站所对应的统计特征，包括：

17、对所述第一发电数据进行归一化，获取归一化后的第一发电数据；

18、对所述每个发电场站所对应的目标衍生特征进行分组；

19、对每个分组内所包括的发电场站的所述归一化后的第一发电数据进行统计，获取第二统计量；

20、基于所述第二统计量，获取所述统计特征。

21、根据本技术的发电预测方法，通过对每个发电场站的第一发电数据进行归一化处理，得到归一化后的第一发电数据，并通过对目标衍生特征进行分组，对每个分组内包括的发电场站的归一化后的第一发电数据进行统计，进而得到统计特征，由于该统计特征是通过对不同发电场站的发电数据进行标准化后得到的，使得基于该统计特征得到的分簇结果，能够减少不同发电场站间因为发电数据数量级差异对聚类结果的影响，提高了聚类准确度。

22、根据本技术的一个实施例，所述对所述第一气象预报数据中的辐照特征进行特征提取，获取所述每个发电场站所对应的第一统计量，包括：

23、对所述辐照特征对应的分位数、均值以及方差进行统计，获取所述第一统计量。

24、根据本技术的一个实施例，所述对所述第一气象预报数据中的辐照特征进行特征提取，获取所述每个发电场站所对应的前第一预设数量个最大的第一特征值，包括：

25、基于主成分分析算法，对所述辐照特征进行特征提取，获取所述第一特征值。

26、根据本技术的一个实施例，所述基于每个簇所包括的发电场站在第二时间段内的第二发电数据和每个簇所包括的发电场站在历史预测时间段内的第二气象预报数据，确定每个簇所对应的预测模型，包括：

27、对所述第二气象预报数据中的辐照特征进行特征提取，获取每个簇所包括的发电场站所对应的第三统计量；

28、对所述第二气象预报数据中的辐照特征进行特征提取，获取每个簇所包括的发电场站所对应的前第二预设数量个第二特征值；

29、基于预设时间序列分解算法，获取所述第二气象预报数据中的辐照特征的趋势分量和周期分量；

30、将所述第三统计量、所述第二特征值、所述趋势分量、所述周期分量和所述第二发电数据输入至预设预测模型进行训练，获取所述每个簇所对应的预测模型。

31、根据本技术的发电预测方法，通过统一为每个簇包括的发电场站训练预测模型，减少了现有技术中因需要为每个发电场站单独训练预测模型导致的训练周期长的问题，缩短了训练周期，提高了预测效率。

32、根据本技术的一个实施例，所述预设预测模型包括分布式梯度提升模型、轻量级梯度提升机器学习模型和深度学习模型。

33、根据本技术的一个实施例，所述获取发电场站集群中每个发电场站在第一时间段内的第一气象预报数据，包括：

34、基于所述每个发电场站所在地理位置，获取所述每个发电场站在所述第一时间段内的不同来源的第一气象预报数据。

35、根据本技术的一个实施例，所述调用每个簇所对应的预测模型，对每个簇所包括的发电场站的发电数据进行预测，包括：

36、根据每个簇所包括的发电场站在目标时间段内的气象预报数据以及每个簇所包括的发电场站在历史时间段内的发电数据，调用每个簇所对应的预测模型，对每个簇所包括的发电场站在所述目标时间段内的发电数据进行预测。

37、根据本技术的一个实施例，所述发电数据，包括：

38、发电功率或发电量。

39、根据本技术的发电预测方法，通过发电场站集群中每个发电场站所属簇的预测模型，能够实现对每个簇包括的发电场站的发电功率以及发电量的预测。

40、第二方面，本技术提供了一种发电预测装置，该装置包括：

41、获取模块，用于获取发电场站集群中每个发电场站在第一时间段内的第一气象预报数据；

42、分簇模块，用于基于所述第一气象预报数据和所述每个发电场站在所述第一时间段内的第一发电数据，确定所述每个发电场站所属簇；

43、模型确定模块，用于基于每个簇所包括的发电场站在第二时间段内的第二发电数据和每个簇所包括的发电场站在历史预测时间段内的第二气象预报数据，确定每个簇所对应的预测模型；

44、预测模块，用于调用每个簇所对应的预测模型，对每个簇所包括的发电场站的发电数据进行预测。

45、根据本技术的发电预测装置，通过对发电场站集群中的每个发电场站进行分簇，并分别获取每个簇包括的发电场站对应的预测模型，基于该预测模型对每个簇包括的发电场站的发电数据进行预测，解决了现有技术中获取每个发电场站对应的预测模型时因需要重复拉取数据导致耗费计算资源，且算力和存储上存在的瓶颈问题。

46、根据本技术的一个实施例，所述分簇模块，还用于：

47、对所述第一气象预报数据中的辐照特征进行特征提取，获取所述每个发电场站所对应的第一统计量；

48、对所述第一气象预报数据中的辐照特征进行特征提取，获取所述每个发电场站所对应的前第一预设数量个最大的第一特征值；

49、将所述第一统计量和所述第一特征值作为衍生特征，生成所述每个发电场站所对应的衍生特征组；

50、获取所述衍生特征组中与所述第一发电数据的相关性最高的目标衍生特征；

51、基于所述目标衍生特征以及所述第一发电数据，获取所述每个发电场站所对应的统计特征；

52、基于高斯混合聚类算法，对所述统计特征进行聚类，确定每个发电场站所属簇。

53、根据本技术的发电预测装置，通过对第一气象预报数据中的辐照特征进行特征提取获取第一统计量以及第一特征值，并将其作为衍生特征，生成每个发电场站对应的衍生特征组，从该衍生特征组中筛选出与第一发电数据的相关性最高的目标衍生特征，基于该目标衍生特征，得到每个发电场站对应的统计特征，通过对该统计特征进行聚类，得到每个发电场站所属簇，由于在对发电场站集群中的每个发电场站进行分簇时采用的是统计特征，减少了使用单个特征进行分簇带来的偏差，提高了分簇准确度。

54、根据本技术的一个实施例，所述分簇模块，还用于：

55、对所述第一发电数据进行归一化，获取归一化后的第一发电数据；

56、对所述每个发电场站所对应的目标衍生特征进行分组；

57、对每个分组内所包括的发电场站的所述归一化后的第一发电数据进行统计，获取第二统计量；

58、基于所述第二统计量，获取所述统计特征。

59、根据本技术的发电预测装置，通过对每个发电场站的第一发电数据进行归一化处理，得到归一化后的第一发电数据，并通过对目标衍生特征进行分组，对每个分组内包括的发电场站的归一化后的第一发电数据进行统计，进而得到统计特征，由于该统计特征是通过对不同发电场站的发电数据进行标准化后得到的，使得基于该统计特征得到的分簇结果，能够减少不同发电场站间因为发电数据数量级差异对聚类结果的影响，提高了聚类准确度。

60、根据本技术的一个实施例，所述分簇模块，还用于：

61、对所述辐照特征对应的分位数、均值以及方差进行统计，获取所述第一统计量。

62、根据本技术的一个实施例，所述分簇模块，还用于：

63、基于主成分分析算法，对所述辐照特征进行特征提取，获取所述第一特征值。

64、根据本技术的一个实施例，所述模型确定模块，还用于：

65、对所述第二气象预报数据中的辐照特征进行特征提取，获取每个簇所包括的发电场站所对应的第三统计量；

66、对所述第二气象预报数据中的辐照特征进行特征提取，获取每个簇所包括的发电场站所对应的前第二预设数量个第二特征值；

67、基于预设时间序列分解算法，获取所述第二气象预报数据中的辐照特征的趋势分量和周期分量；

68、将所述第三统计量、所述第二特征值、所述趋势分量、所述周期分量和所述第二发电数据输入至预设预测模型进行训练，获取所述每个簇所对应的预测模型。

69、根据本技术的发电预测装置，通过统一为每个簇包括的发电场站训练预测模型，减少了现有技术中因需要为每个发电场站单独训练预测模型导致的训练周期长的问题，缩短了训练周期，提高了预测效率。

70、根据本技术的一个实施例，所述预设预测模型包括分布式梯度提升模型、轻量级梯度提升机器学习模型和深度学习模型中的任一种。

71、根据本技术的一个实施例，所述获取模块，还用于：

72、基于所述每个发电场站所在地理位置，获取所述每个发电场站在所述第一时间段内的不同来源的第一气象预报数据。

73、根据本技术的一个实施例，所述预测模块，还用于：

74、根据每个簇所包括的发电场站在目标时间段内的气象预报数据以及每个簇所包括的发电场站在历史时间段内的发电数据，调用每个簇所对应的预测模型，对每个簇所包括的发电场站在所述目标时间段内的发电数据进行预测。

75、根据本技术的一个实施例，所述发电数据，包括：

76、发电功率或发电量。

77、根据本技术的发电预测装置，通过发电场站集群中每个发电场站所属簇的预测模型，能够实现对每个簇包括的发电场站的发电功率以及发电量的预测。

78、第三方面，本技术提供了一种电子设备，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，所述处理器执行所述计算机程序时实现如上述第一方面所述的发电预测方法。

79、第四方面，本技术提供了一种非暂态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如上述第一方面所述的发电预测方法。

80、第五方面，本技术提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的发电预测方法。

81、第六方面，本技术提供了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第一方面所述的发电预测方法。

82、本技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。