技术新讯 > 发电变电,配电装置的制造技术 > 一种新能源功率预测方法及装置与流程  >  正文

一种新能源功率预测方法及装置与流程

  • 国知局
  • 2024-08-05 11:57:06

本发明属于新能源发电预测,具体涉及一种新能源功率预测方法及装置。

背景技术:

1、新能源功率预测在当今电力系统中扮演着关键角色,为可再生能源的高效利用和电力系统的可靠运行提供了基础。当前研究的焦点主要在于提高预测准确性和适应性的方法,其中包括时间序列方法、气象数据集成、多模型融合以及实时调整策略等方面。

2、时间序列方法一直是功率预测的主流,从传统的统计方法如arima,到更为灵活的机器学习方法如神经网络,这些方法通过分析历史功率数据的模式和趋势,为未来的功率输出提供预测。然而,新能源系统的输出受到天气条件的影响,因此气象数据的准确集成变得至关重要。这包括风速、光照等气象参数的输入,以更好地反映可再生能源的波动性。气象数据的精准集成可以提高预测的准确性,帮助系统更好地应对外部环境的变化。

3、在多模型融合方面,该技术展现了显著的优势。通过结合多个模型的预测结果,可以获得更为准确和可靠的预测。模型融合可以采用不同的权重分配、堆叠模型等方法,以提高预测性能。这对于处理新能源系统中的不确定性和复杂性非常重要,特别是在面对气候变化和季节性变化等因素时。

4、目前,一般是采用现有气象要素作为直接输入,即通过新能源系统的历史功率数据和相关气象信息对模型进行训练,训练后的模型便可以进行功率预测。但新能源功率预测是一个复杂的任务,利用传统的预测方法进行功率预测存在以下几个缺点:1.信息损失:如果仅仅依赖原始的功率和气象数据进行建模,可能无法充分挖掘系统内在的复杂性和规律;2.模型过度简化:只依赖原始数据,无法准确地反映新能源系统的多变性和非线性特性;3.泛化能力差:新能源系统的运行环境可能会发生变化,例如气候条件的不确定性、设备的故障等,如果模型只依赖原始数据,其泛化能力可能较差,无法适应新的运行情境;4.缺乏时空关联性:新能源系统通常分布在不同地点,只依赖原始数据,无法充分考虑时空关联性;5.无法应对系统动态变化:新能源系统具有动态性,其运行状态可能随时间而变化,只依赖原始数据,可能导致模型无法及时捕捉到系统的动态变化,影响预测的及时性和准确性。

技术实现思路

1、为克服上述相关技术中存在的问题,本技术提供一种新能源功率预测方法及装置。

2、根据本技术实施例的第一方面,提供一种新能源功率预测方法,包括:

3、采集预测时间的数值预报数据;

4、基于预先确定的第一类气象要素和第二类气象要素,利用所述预测时间的数值预报数据和预先建立的最终的功率预测模型,确定预测时间的新特征序列;

5、基于所述预测时间的新特征序列,利用预先建立的最终的功率预测模型,预测得到预测时间的新能源功率数据。

6、优选的,所述最终的功率预测模型的建立过程,包括:

7、采集第一采样时期的第一数值预报数据和第一实测功率数据,以及采集第二采样时期的第二数值预报数据和第二实测功率数据;

8、对所述第一数值预报数据、所述第一实测功率数据、所述第二数值预报数据和所述第二实测功率数据分别进行预处理,得到预处理后的第一数值预报数据、预处理后的第一实测功率数据、预处理后的第二数值预报数据和预处理后的第二实测功率数据;

9、基于所述预处理后的第一数值预报数据和所述预处理后的第一实测功率数据,对机器学习模型训练,得到初始的功率预测模型;

10、基于所述预处理后的第二数值预报数据和所述预处理后的第二实测功率数据,对所述初始的功率预测模型进行训练,得到所述最终的功率预测模型;

11、其中,所述第一采样时期早于所述第二采样时期,且所述第一采样时期与所述第二采样时期的时间跨度相同。

12、优选的,所述对所述第一数值预报数据、所述第一实测功率数据、所述第二数值预报数据和所述第二实测功率数据分别进行预处理,包括:

13、对所述第一数值预报数据、所述第一实测功率数据、所述第二数值预报数据和所述第二实测功率数据分别进行数据处理,以删除所述第一数值预报数据、所述第一实测功率数据、所述第二数值预报数据和所述第二实测功率数据中的缺失值和异常值;

14、对数据处理后的第一数值预报数据和数据处理后的第二数值预报数据分别进行归一化处理,得到归一化处理后的第一数值预报数据和归一化处理后的第二数值预报数据;

15、所述归一化处理后的第一数值预报数据为所述预处理后的第一数值预报数据,所述归一化处理后的第二数值预报数据为所述预处理后的第二数值预报数据,数据处理后的第一实测功率数据为所述预处理后的第一实测功率数据,数据处理后的第二实测功率数据为所述预处理后的第二实测功率数据。

16、优选的,所述基于所述预处理后的第一数值预报数据和所述预处理后的第一实测功率数据,对机器学习模型训练,包括:

17、步骤1:采用皮尔逊相关系数计算方法,计算所述预处理后的第一实测功率数据与所述预处理后的第一数值预报数据中各气象要素之间的第一相关系数;

18、步骤2:利用所述第一相关系数将气象要素分为两类,令小于系数阈值的第一相关系数对应的气象要素为第一类气象要素,令大于等于系数阈值的第一相关系数对应的气象要素为第二类气象要素;

19、步骤3:以所述第一类气象要素对应的第一数值预报数据为机器学习模型的输入层训练样本,以预处理后的第一实测功率数据为机器学习模型的输出层训练样本,对机器学习模型进行训练,得到训练后的机器学习模型,并令所述训练后的机器学习模型为第一机器学习模型;

20、步骤4:以所述第一类气象要素对应的第一数值预报数据为所述第一机器学习模型的输入,输出预测的第一功率数据,所述预测的第一功率数据为特征数据;

21、步骤5:采用皮尔逊相关系数计算方法,计算所述特征数据与所述处理后的第一实测功率数据的第二相关系数;

22、步骤6:若所述第二相关系数大于等于系数阈值,则所述第一机器学习模型为初始的功率预测模型;若所述第二相关系数小于系数阈值,则执行步骤7;

23、步骤7:从所述第二类气象要素中选择一项气象要素对应的第一数值预报数据与所述第一类气象要素对应的第一数值预报数据组成新的输入层训练样本,并以所述新的输入层训练样本为第一机器学习模型的输入层训练样本,以预处理后的第一实测功率数据为第一机器学习模型的输出层训练样本对第一机器学习模型再次进行训练,得到重新训练后的机器学习模型,令所述重新训练后的机器学习模型为第一机器学习模型;

24、步骤8:以所述新的输入层训练样本为所述第一机器学习模型的输入,输出预测的第二功率数据,令所述预测的第二功率数据为特征数据,并返回步骤5。

25、优选的,所述基于所述预处理后的第二数值预报数据和所述预处理后的第二实测功率数据,对所述初始的功率预测模型进行训练,包括:

26、以第一类气象要素对应的第二数值预报数据为所述初始的功率预测模型的输入,输出预测的第三功率数据;

27、利用所述预测的第三功率数据以及第二类气象要素对应的第二数值预报数据组成第二采样时期的新特征序列;

28、利用所述第二采样时期的新特征序列和所述预处理后的第二实测功率数据,对所述初始的功率预测模型进行训练,得到所述最终的功率预测模型。

29、优选的,所述利用所述第二采样时期的新特征序列和所述预处理后的第二实测功率数据,对所述初始的功率预测模型进行训练,包括:

30、以所述第二采样时期的新特征序列为所述初始的功率预测模型的输入层训练样本,以所述预处理后的第二实测功率数据为所述初始的功率预测模型的输出层训练样本,对所述初始的功率预测模型进行训练,得到所述最终的功率预测模型。

31、优选的,所述第一类气象要素和第二类气象要素的确定过程,包括:

32、采集第一采样时期的第一数值预报数据和第一实测功率数据;

33、对所述第一数值预报数据和所述第一实测功率数据分别进行预处理,得到预处理后的第一数值预报数据和预处理后的第一实测功率数据;

34、利用所述预处理后的第一数值预报数据和所述预处理后的第一实测功率数据,确定第一类气象要素和第二类气象要素。

35、优选的,所述对所述第一数值预报数据和所述第一实测功率数据分别进行预处理,包括:

36、对所述第一数值预报数据和所述第一实测功率数据进行数据处理,以删除所述第一数值预报数据和所述第一实测功率数据中的缺失值和异常值;

37、对数据处理后的第一数值预报数据进行归一化处理,得到归一化处理后的第一数值预报数据;

38、所述归一化处理后的第一数值预报数据为所述预处理后的第一数值预报数据,数据处理后的第一实测功率数据为所述预处理后的第一实测功率数据。

39、优选的,所述利用所述预处理后的第一数值预报数据和所述预处理后的第一实测功率数据,确定第一类气象要素和第二类气象要素,包括:

40、采用皮尔逊相关系数计算方法,计算所述预处理后的第一实测功率数据与所述预处理后的第一数值预报数据中各气象要素之间的第一相关系数;

41、利用所述第一相关系数将气象要素分为两类,令小于系数阈值的第一相关系数对应的气象要素为第一类气象要素,令大于等于系数阈值的第一相关系数对应的气象要素为第二类气象要素。

42、优选的,所述基于预先确定的第一类气象要素和第二类气象要素,利用所述预测时间的数值预报数据和预先建立的最终的功率预测模型,确定预测时间的新特征序列,包括:

43、以所述第一类气象要素对应的预测时间的数值预报数据为所述最终的功率预测模型的输入,输出预测时间的第四功率数据;

44、利用所述预测时间的第四功率数据以及第二类气象要素对应的预测时间的数值预报数据组成预测时间的新特征序列。

45、优选的,所述基于所述预测时间的新特征序列,利用预先建立的最终的功率预测模型,预测得到预测时间的新能源功率数据,包括:

46、以所述预测时间的新特征序列为所述最终的功率预测模型的输入,输出预测时间的新能源功率数据。

47、根据本技术实施例的第二方面,提供一种新能源功率预测装置,包括:

48、采集单元,用于采集预测时间的数值预报数据;

49、确定单元,用于基于预先确定的第一类气象要素和第二类气象要素,利用所述预测时间的数值预报数据和预先建立的最终的功率预测模型,确定预测时间的新特征序列;

50、预测单元,用于基于所述预测时间的新特征序列,利用预先建立的最终的功率预测模型,预测得到预测时间的新能源功率数据。

51、根据本技术实施例的第三方面,提供一种计算机设备,包括:一个或多个处理器;

52、所述处理器,用于存储一个或多个程序;

53、当所述一个或多个程序被所述一个或多个处理器执行时,实现所述的新能源功率预测方法。

54、根据本技术实施例的第四方面,提供一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现所述的新能源功率预测方法。

55、本发明提供的技术方案具有以下有益效果:

56、本发明提供的一种新能源功率预测方法及装置,通过采集预测时间的数值预报数据,基于预先确定的第一类气象要素和第二类气象要素,利用预测时间的数值预报数据和预先建立的最终的功率预测模型,确定预测时间的新特征序列,基于预测时间的新特征序列,利用预先建立的最终的功率预测模型,预测得到预测时间的新能源功率数据,可以使最终的功率预测模型能够更充分地挖掘新能源系统内在的复杂性和规律,并且使最终的功率预测模型具有灵活性和适应性,通过捕捉隐藏在数据中的模式,从而增加了功率预测模型的准确性。

本文地址:https://www.jishuxx.com/zhuanli/20240802/260253.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。