基于并行计算的新能源发电能力预测方法及系统与流程

本发明涉及新能源发电预测领域，特别是基于并行计算的新能源发电能力预测方法及系统。

背景技术：

1、风力发电和光伏发电作为清洁可再生能源，蕴藏着丰富的总量。然而，它们的发电输出极易受到自然环境的影响而剧烈波动，这给大规模新能源电站的开发带来了严峻挑战。

2、为保持电网的稳定运行，当新能源供电过剩时，电网调度需要抛弃部分风光并网功率；反之，当新能源供电不足时，则需要其他能源进行补充。这不仅导致能源的浪费，也加剧了电网调度的困难。因此，提高新能源发电功率预测的研究和技术开发已经刻不容缓，这对确保新能源的稳定并网尤为关键。

3、目前，现有的预测方法在处理复杂、非线性和多变量数据时存在显著缺陷，捕捉非线性复杂关系的能力不足，预测精度较差。同时，这些方法对季节性趋势变化的适应性较差，主要适用于单变量预测，在处理大规模多变量数据时，计算效率低下。另外，现有方法对异常值和噪声数据缺乏鲁棒性，容易引入预测偏差，实时预测和动态更新能力薄弱。

技术实现思路

1、鉴于现有的新能源发电预测方法存在的问题，提出了本发明。

2、因此，本发明所要解决的问题在于如何有效处理复杂、非线性和多变量数据，提高预测精度和适应性，同时增强对异常值和噪声数据的鲁棒性，提升实时预测和动态更新能力。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了基于并行计算的新能源发电能力预测方法，其包括，收集新能源发电的多源异构数据，并进行预处理和提取时间序列特征；基于时间序列特征，构建arima模型和bsts模型；利用加权平均方法将arima模型和bsts模型融合，获取融合模型并进行发电能力预测。

5、作为本发明所述并行计算的新能源发电能力预测方法的一种优选方案，其中：所述多源异构数据包括历史发电数据、天气数据和外部变量数据；所述arima模型的构建过程包括以下步骤：通过adf检验时间序列数据的平稳性，分别绘制时间序列数据的自相关函数acf图和偏自相关函数pacf图，并确定差分次数d、自回归项p和移动平均项q的值；将差分次数d、自回归项p和移动平均项q的值输入arima模型中，拟合训练数据；通过观察残差序列的自相关函数acf图和偏自相关函数pacf图，并使用aic信息准则评估不同阶数组合的arima模型；通过评估后arima模型对未来时间点进行预测，得到预测值和相应的置信区间。

6、作为本发明所述并行计算的新能源发电能力预测方法的一种优选方案，其中：所述adf检验时间序列数据的相关公式如下：

7、δyt＝α+βt+γyt-1+δ1δyt-1+...+δpδyt-p+εt

8、其中，δyt-p为时间序列的一阶差分，α为常数项，βt为时间趋势项，γ为自回归系数，δp为差分项p的系数，εt为误差项。

9、通过adf检验时间序列数据的检验结果，判断数据的平稳性；当一阶差分值小于设定阈值时，则判断数据平稳；当一阶差分值大于等于设定阈值时，则判断数据紊乱；若数据紊乱，则通过差分平稳数据，并重复此操作，直至序列平稳为止。

10、作为本发明所述并行计算的新能源发电能力预测方法的一种优选方案，其中：还包括，所述观察残差序列的相关公式如下：

11、

12、其中，ρt为时间序列yt和滞后值的相关性，n为滞后阶数个数，yt为时间序列的观测值，为时间序列的滞后值。

13、若观察残差序列acf在某个滞后阶数后截尾为0，则此滞后阶数为移动平均项q；若观察残差序列acf在某个滞后阶数后截尾为1，则此滞后阶数为自回归项p；所述arima模型的相关公式如下：

14、yt＝d+φ1yt-1+...+φpyt-p+θ1εt-1+...+θqεt-q+εt

15、其中，yt为时间序列的观测值，φp为自回归系数，θq为移动平均系数，p为自回归项，q为移动平均项，为时间序列的滞后值，d为差分次数。

16、作为本发明所述并行计算的新能源发电能力预测方法的一种优选方案，其中：所述bsts模型的构建步骤包括以下步骤：确定趋势类型、趋势周期、外部预测变量以及回归项，并输入bsts模型中，使用贝叶斯回归方法拟合回归项；对bsts模型参数进行检验，并检查拟合残差；利用贝叶斯推断方法进行参数估计，处理数据中的不确定性，得到参数估计值；比较不同阶数组合下bsts模型的拟合效果，选择拟合效果最优的bsts模型，并使用交叉验证评估模型预测准确性；通过评估后的bsts模型对未来时间点进行预测，给出预测值和置信区间。

17、作为本发明所述并行计算的新能源发电能力预测方法的一种优选方案，其中：将arima模型和bsts模型融合通过加权平均方法融合生成融合模型；所述融合模型的构建过程包括以下步骤：利用hadoop大数据框架分配计算资源，设置并行计算环境；将数据预处理、特征提取、模型训练以及预测任务划分为若干子任务；在并行环境中分别训练arima模型和bsts模型，利用历史数据优化模型参数；通过arima模型和bsts模型分别得到参数估计值，并利用arima模型和bsts模型在未来时间点进行预测，得到预测结果；采用加权平均方法将arima模型和bsts模型的预测结果进行加权平均，获得融合模型，并将加权平均得到的预测结果作为融合模型的预测输出；通过融合模型进行新能源发电预测；获取实时多源数据，并输入至融合模型进行实时预测；利用并行计算框架进行若干任务并行计算，提高预测速度；通过贝叶斯推断提供预测结果置信区间，量化不确定性；通过对融合模型的预测结果和置信区间的判断，动态调整发电计划，提高新能源利用效率；所述融合模型的具体公式如下：

18、

19、其中，为融合模型的预测结果，ωarima为arima模型的权重，为arima模型的预测结果，ωbsts为bsts模型的权重，为bsts模型的预测结果。

20、作为本发明所述并行计算的新能源发电能力预测方法的一种优选方案，其中：所述融合模型的预测结果包括，若融合模型的预测结果大于观测值，且上置信界远大于下置信界，则预计新能源供应充足，增加发电计划；若融合模型的预测结果小于观测值，且下置信界远低于上置信界，则预计新能源供应不足，制定相应的补充方案；若融合模型的预测结果和观测值的差距在置信区间内，且置信区间较窄，则预测结果准确，按融合模型的预测结果安排发电计划；若融合模型的预测结果和观测值的差距在置信区间外，且置信区间较宽，则预测存在不确定性，应密切监控实际情况并适时调整发电计划；若在连续预测周期内，实际值持续偏离预测值数量小于预测数量，则重新将arima模型和bsts模型进行融合，优化融合模型结构。

21、第二方面，本发明实施例提供了基于并行计算的新能源发电能力预测系统，其包括：提取模块，用于收集新能源发电的多源异构数据，并进行预处理和提取时间序列特征；构建模块，基于时间序列特征，构建arima模型和bsts模型；预测模块，利用加权平均方法将arima模型和bsts模型融合，获取融合模型并进行实时发电能力预测。

22、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的并行计算的新能源发电能力预测方法的步骤。

23、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本发明第一方面所述的并行计算的新能源发电能力预测方法的步骤。

24、本发明有益效果为：本发明通过数据预处理和时序特征提取，保证数据的完整性和一致性；构建arima和bsts模型，充分利用各自的优势，实现对时间序列数据的多角度分析；最终通过加权平均方法融合两种模型，显著提高发电能力预测的准确性和可靠性，提供稳健的预测结果，实现新能源发电系统的高效和稳定运行，提高经济和社会效益。