[go: up one dir, main page]

CN118826014A - 一种发电功率预测方法、模型训练方法及系统 - Google Patents

一种发电功率预测方法、模型训练方法及系统 Download PDF

Info

Publication number
CN118826014A
CN118826014A CN202411296142.7A CN202411296142A CN118826014A CN 118826014 A CN118826014 A CN 118826014A CN 202411296142 A CN202411296142 A CN 202411296142A CN 118826014 A CN118826014 A CN 118826014A
Authority
CN
China
Prior art keywords
power generation
power
time sequence
meteorological data
data
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.)
Granted
Application number
CN202411296142.7A
Other languages
English (en)
Other versions
CN118826014B (zh
Inventor
魏平
景超
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.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
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 Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202411296142.7A priority Critical patent/CN118826014B/zh
Publication of CN118826014A publication Critical patent/CN118826014A/zh
Application granted granted Critical
Publication of CN118826014B publication Critical patent/CN118826014B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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 OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06—COMPUTING OR CALCULATING; 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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]
    • 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
    • H02J2101/24—
    • H02J2101/28—
    • H02J2103/30—
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种发电功率预测方法、模型训练方法及系统，属于新能源发电技术领域，该模型训练方法，采用相关性分析法对气象数据进行重构得到多维时序数据，采用多维时序数据和实际发电功率时间序列对发电功率预测模型进行训练，提取实际发电功率时间序列的功率时序特征，根据功率时序特征初步预测未来时间段的第一发电功率；通过提取多维时序数据的时序融合特征，预测未来时间段的第二发电功率，将第一发电功率和第二发电功率在时间维度上融合，得到最终的预测结果，该方法有效地提高了新能源发电功率预测的精度和可靠性，为新能源发电的高效利用和电力系统的稳定运行提供更有力的支持。

Description

一种发电功率预测方法、模型训练方法及系统
技术领域
本发明涉及新能源发电技术领域，具体为一种发电功率预测方法、模型训练方法及系统。
背景技术
随着全球对清洁能源的需求不断增长，新能源发电（风能、太阳能）在能源领域的地位日益重要。然而，新能源发电具有间歇性和不确定性等特点，给电力系统的稳定运行和调度带来了巨大挑战。新能源发电功率的精确预测有利于电网调度人员提早制定合理的发电计划和运行方式，统筹电力系统的调峰、调频等应对措施，对于优化电力系统运行，提高能源利用效率和保障电网安全具有重要意义。
现有的新能源发电功率预测方法往往难以处理复杂的非线性关系和多变量时空特征，导致预测精度有限。近年来，随着机器学习和深度学习技术的迅速发展，为新能源发电功率预测提供了新的思路和方法。深度学习方法的优势在于可拟合多变量与发电功率数据之间的复杂非线性关系，探寻新能源发电功率在时间维度上的波动规律，以提高发电功率的预测精度；但是单一结构网络模型无法准确拟合多变量和新能源发电功率间的关系，而且现有的时序预测模型不能深入挖掘众多变量之间的关联信息，因此直接影响了发电功率的预测精度。
发明内容
针对现有技术中存在的问题，本发明提供一种发电功率预测方法、模型训练方法及系统，能够准确拟合气象数据中各变量和实际发电功率的相关度，分析实际发电功率在时间维度上的波动规律，提高新能源发电功率预测的精度。
本发明是通过以下技术方案来实现：
第一方面，本申请提出一种发电功率预测模型的训练方法，包括以下步骤：
获取新能源发电场的气象数据时间序列和对应的实际发电功率时间序列；
所述气象数据时间序列包括风机不同高度位置的气象数据，实际发电功率时间序列为与气象数据时间序列对应的各时刻的实际发电功率；
确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，获取不同高度位置中相关度最高的变量重构气象数据，得到气象数据的多维时序数据；
采用气象数据的多维时序数据和实际发电功率时间序列对发电功率预测模型进行训练，训练时：
提取实际发电功率时间序列中时间跨度的功率时序特征，根据功率时序特征初步预测未来时间段的第一发电功率，该第一发电功率包含实际发电功率时间序列的功率时序特征；
提取气象数据的多维时序数据中各变量的时序融合特征，将各变量的时序融合特征进行融合得到气象数据特征，根据气象数据特征初步预测未来时间段的第二发电功率，该第二发电功率包含多维时序数据的气象数据特征；
对第一发电功率的功率时序特征和第二发电功率的气象数据特征进行全连接融合，得到最终的预测结果。
优选的，所述气象数据包括风速、风向、气温、气压和相对湿度，将风速、风向、气温、气压和相对湿度作为变量，确定各变量与实际发电功率的相关度。
优选的，所述重构气象数据，得到气象数据的多维时序数据，包括：
采用多种相关性分析法对各时刻不同高度位置的气象数据和实际发电功率分别进行相关性分析，确定不同高度位置的气象数据中各变量与实际发电功率的相关度，获取不同高度位置的气象数据和实际发电功率相关度最高的变量，根据相关度最高的变量重构该时刻的气象数据得到多维数据，根据各时刻的多维数据构建气象数据的多维时序数据。
优选的，所述确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，包括：
采用多种相关性分析法分别计算各高度位置的气象数据中各变量与实际发电功率的相关度并分配权重，对各变量的权重进行融合得到各变量与实际发电功率的最终相关度。
优选的，所述相关性分析法包括Pearson相关系数分析法、Kendall相关系数分析法和Spearman相关系数分析法。
优选的，所述发电功率预测模型，包括TCN特征提取模块、TPA-LSTM特征提取模块和特征融合模块；
所述TCN特征提取模块包括多个串行的TCN模块，将实际发电功率时间序列作为TCN特征提取模块的输入，TCN特征提取模块输出未来时间段的第一发电功率；
所述TPA-LSTM特征提取模块包括LSTM模型和TPA模型，将多维时序数据作为LSTM模型的输入，LSTM模型输出各变量的时序融合特征并作为TPA模型的输入，TPA模型输出未来时间段的第二发电功率；
所述特征融合模块由全连接层组成，对TCN特征提取模块预测的第一发电功率和第一发电功率进行全连接融合，得到最终的预测结果。
第二方面，本申请提出一种发电功率预测模型的训练系统，包括：
采集模块，用于获取新能源发电场的气象数据时间序列和对应的实际发电功率时间序列；
所述气象数据时间序列包括风机不同高度位置的气象数据，实际发电功率时间序列为与气象数据时间序列对应的各时刻的实际发电功率；
数据重构模块，用于确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，获取不同高度位置中相关度最高的变量重构气象数据，得到气象数据的多维时序数据；
训练模块，用于采用气象数据的多维时序数据和实际发电功率时间序列对发电功率预测模型进行训练，训练时：
提取实际发电功率时间序列中时间跨度的功率时序特征，根据功率时序特征初步预测未来时间段的第一发电功率，该第一发电功率包含实际发电功率时间序列的功率时序特征；
提取气象数据的多维时序数据中各变量的时序融合特征，将各变量的时序融合特征进行融合得到气象数据特征，根据气象数据特征初步预测未来时间段的第二发电功率，该第二发电功率包含多维时序数据的气象数据特征；
对第一发电功率的功率时序特征和第二发电功率的气象数据特征进行全连接融合，得到最终的预测结果。
第三方面，本申请提出一种发电功率预测方法，包括：
获取历史时间段的气象数据；
将历史时间段的气象数据输入至所述发电功率预测模型的训练方法所训练好的发电功率预测模型中，发电功率预测模型输出该气象数据对应的预测结果。
第四方面，本申请提出一种发电功率预测系统，其特征在于，包括：
采集模块，用于获取历史时间段的气象数据；
模型预测模块，用于将历史时间段的气象数据输入至所述发电功率预测模型的训练方法所训练好的发电功率预测模型中，发电功率预测模型输出该气象数据对应的预测结果。
第五方面，本申请提出一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述发电功率预测方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供的一种发电功率预测模型的训练方法，分析不同高度位置气象数据与对应实际发电功率的相关度，根据相关度最高的变量重构气象数据形成气象数据的多维时序数据，实现对气象数据的降维处理，避免引入过多无关或弱相关的变量，减少噪声干扰；提取多维时序数据中各变量的时序融合特征并进行融合形成气象数据特征，以适应不同气象条件，提高模型鲁棒性，减少数据冗余，提升气象数据利用效率；然后采用集成学习的融合思想，将基于实际发电功率初步预测的第一发电功率与气象数据特征初步预测的第二发电功率进行全连接融合，使气象数据特征与实际发电功率的功率时序特征在时间维度进行融合，分析实际发电功率在时间维度上的波动规律，以提高预测结果的准确性，该方法有效地提高了新能源发电功率预测的精度和可靠性，为新能源发电的高效利用和电力系统的稳定运行提供更有力的支持。
本申请还提出了一种发电功率预测模型训练系统、一种发电功率预测方法和一种电子设备，具备上述发电功率预测模型训练方法的全部优势。
附图说明
图1为本发明发电功率预测模型训练方法的流程图；
图2为本发明发电功率预测模型的架构图；
图3为本发明TCN模块的架构图；
图4为本发明LSTM模型的架构图；
图5为本发明TPA模型的架构图；
图6为本发明发电功率预测模型的训练架构图；
图7为各模型在未来15 min的预测值与真实值的对比图；
图8为各模型在未来30min的预测值与真实值的对比图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
参阅图1，一种发电功率预测模型的训练方法，包括以下步骤：
步骤1、获取新能源发电场的气象数据时间序列和对应的实际发电功率时间序列；
所述气象数据时间序列包括历史时间段各时刻风机轮毂高度处的气象数据，以及风机不同高度位置的气象数据，气象数据包括风速、风向、气温、气压和相对湿度；实际发电功率时间序列为与气象数据时间序列对应的各时刻的实际发电功率。
步骤2、确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，获取不同高度位置中相关度最高的变量重构气象数据，得到气象数据的多维时序数据；
对气象数据和实际发电功率进行预处理，然后采用多种相关性分析法对各时刻不同高度位置的气象数据和实际发电功率分别进行相关性分析，确定不同高度位置的气象数据中各变量与实际发电功率的相关度，获取不同高度位置的气象数据和实际发电功率相关度最高的变量，根据相关度最高的变量重构该时刻的气象数据得到多维数据，根据各时刻的多维数据构建气象数据的多维时序数据，具体方法如下：
S2.1、采用缺失值填补方法对气象数据时间序列和实际发电功率时间序列中的缺失值进行插补，然后对得到的气象数据时间序列和实际发电功率时间序列进行归一化处理，形成预处理后的数据。
本实施例中，采用平均值插补方法对实际发电功率和气象数据进行填补，然后进行归一化处理。
S2.2、采用多种相关性分析法分别计算各高度位置的气象数据中各变量与实际发电功率的相关度并分配权重，对各变量的权重进行融合得到各变量与实际发电功率的最终相关度；
S2.3、将不同高度位置中最终相关度最高的变量组成该时刻的多维数据，根据各时刻的多维数据构建气象数据的多维时序数据。
本实施例中，采用三种相关性分析法确定气象数据中各变量与实际发电功率的相关度，三种相关性分析法分别为Pearson相关系数分析法（Pearson product-momentcorrelation coefficient，皮尔逊积矩相关系数）、Kendall相关系数分析法（Kendall'stau coefficient，和谐系数）和Spearman相关系数分析法（Spearman's rank correlationcoefficient，斯皮尔曼等级相关系数）。
所述Pearson相关系数的相关度计算方法如下：
（1）
其中，为实际发电功率和气象数据之间的协方差，为实际发电功率，为气象数据，为实际发电功率的方差，为气象数据的方差，且，均大于0，为实际发电功率的数学期望，为气象数据的数学期望，为实际发电功率和气象数据乘积的数学期望，为i时刻的实际发电功率，为i时刻的气象数据，为实际发电功率的均值，为气象数据的均值，为实际发电功率和气象数据总的时间序列数，为Pearson相关系数计算的相关度。
所述Kendall相关系数的相关度计算方法如下：
（2）
其中，和分别为与相同分布的独立二维随机变量，为的概率，为的概率，为的时间序列数，为的时间序列数，P为概率，为Kendall相关系数计算的相关度。
所述Spearman相关系数的相关度计算方法如下：
（3）
其中，、和分别为与相同分布的独立二维随机变量；和分别为和的秩；为Spearman相关系数计算的相关度。
采用Shapley值法（Shapley Value Method，沙普利值法）分别计算各相关度的Shapley值，并对每个Shapley值分配权重，进而得到各变量的最终相关度。
所述相关度的Shapley值的计算方法如下：
（4）
其中，为对应的Shapley值，为对应的Shapley值，为对应的Shapley值。
所述相关度的权重计算方法如下：
、和对应权重、和的计算公式如式（5）所示：
（5）
其中，为对应的权重，为对应的权重，为对应的权重。
各变量与实际发电功率的最终相关度计算方法如下：
（6）
步骤3、采用多维时序数据和实际发电功率时间序列对发电功率预测模型进行训练，训练时：
提取实际发电功率时间序列中时间跨度的功率时序特征，根据功率时序特征初步预测未来时间段的第一发电功率，该第一发电功率包含实际发电功率时间序列的功率时序特征；
提取气象数据的多维时序数据中各变量的时序融合特征，将各变量的时序融合特征进行融合得到气象数据特征，根据气象数据特征初步预测未来时间段的第二发电功率，该第二发电功率包含多维时序数据的气象数据特征；
对第一发电功率的功率时序特征和第二发电功率的气象数据特征进行全连接融合，得到最终的预测结果，即预测的未来时间段的发电功率。
需要说明的是，在训练过程中，将多维时序数据和实际发电功率时间序列按一定的时序长度分割为多个时序数据段，时序长度采用固定时序长度。
将多维时序数据中时序数据段m作为输入样本，实际发电功率时间序列的时序数据段m+1作为输入样本的预测结果，将两个时序数据段作为一个三维数组输入发电功率预测模型进行训练，训练后的发电功率预测模型在预测过程中，输入为历史时间段的气象数据，输出为未来时间段的发电功率。
参见图2，本实施例中，所述发电功率预测模型为耦合深度学习模型，包括TCN特征提取模块、TPA-LSTM特征提取模块和特征融合模块。
TCN特征提取模块，将实际发电功率时间序列的时序数据段m+1输入TCN特征提取模块，通过捕捉时序数据段m+1中的功率时序特征，根据功率时序特征初步预测未来时刻的第一发电功率。
TPA-LSTM特征提取模块，将多维时序数据的时序数据段m输入TPA-LSTM特征提取模块，提取多维时序数据中各变量的时序融合特征，将各变量的时序融合特征进行融合得到气象数据特征，根据气象数据特征初步预测未来时间段的第二发电功率；
所述时序融合特征为季节性和周期性的时间特征，通过提取时序融合特征从而更准确地进行长期的发电功率预测。
特征融合模块，对第一发电功率的功率时序特征和第二发电功率的气象数据特征进行全连接融合，得到最终的预测结果，由于功率时序特征和气象数据特征之间存在相互作用和协同关系，将两者进行关联融合从而降低单独依赖实际功率特征进行预测存在的不确定性，提高最终预测结果的准确性。
如图3所示，TCN特征提取模块包括多个串行的TCN模块（TCN，TemporalConvolutional Networks，时间卷积网络），TCN模块包括因果卷积和膨胀卷积。
将实际发电功率时间序列输入TCN特征提取模块，TCN模块采用因果卷积学习多个历史时刻的实际发电功率的功率时序特征，从而预测生成仅以赖于历史时刻的功率时序特征的第一发电功率，然后，利用膨胀卷积在维持连接节点数不变的情况下，增大2个连接节点间的步长，扩大卷积核的规模来获得更广的感受野，捕捉实际发电功率时间序列中更广泛的功率时序特征。最后，为防止深层网络传递过程中的信息丢失，对相邻两个TCN模块提取的功率时序特征进行1x1卷积残差连接操作，对扩张系数大于1的所有相邻层之间进行权重归一化、ReLU激活和随机失活操作，得到实际发电功率时间序列的功率时序特征，基于功率时序特征初步预测未来时间段的第一发电功率。
TCN特征提取模块的功率时序特征的表达式如下：
（7）
其中，s为TCN模块的数量，为卷积核大小，为扩张系数，为第个卷积核，为第i个TCN模块的输入值，，，为隐藏层个数，为感受野。
参阅图4和图5，TPA-LSTM特征提取模块包括LSTM模型（LSTM，Long Short-TermMemory，长短期记忆模型）和TPA模型（TPA，Temporal pattern attention，时序模式注意力），多维时序数据作为LSTM模型的输入，LSTM模型的输出作为TPA模型的输入。
再次参阅图4，将每一时刻的多维数据输入LSTM模型，从而捕捉不同时刻各变量的时序融合特征。以图中时刻为例，LSTM模型捕获时刻以前的不同时刻各变量的时序特征，将各变量的时序特征分别与当前时刻气象数据中的对应变量进行残差连接，使各变量的时序特征与当前气象数据中对应的变量进行特征融合，得到更具有代表性的各变量的时序融合特征，重复上述操作，分别计算、、等各时刻之前不同时刻的各变量的时序融合特征、、。
对应到图4中，为时刻以前的不同时刻各变量的时序特征，为时刻的气象数据，为时刻以前的不同时刻各变量的时序特征，为包含时刻之前不同时刻的各变量的时序融合特征，为时刻的气象数据，为时刻以前的不同时刻各变量的时序特征，为包含时刻之前不同时刻各变量的时序融合特征。
时序融合特征的计算公式如下：
（8）
其中，为的权重，为的权重，为包含时刻之前不同时刻各变量的时序融合特征。
参阅图5，TPA模型对LSTM模型得到包含时刻之前各变量的时序融合特征进行组合分析，分析不同变量的时序融合特征对第二发电功率的影响。
首先，对各变量的融合特征选取长度为（）时间长度的时序融合特征。
其次，对选定长度的时序融合特征中的各变量进行综合，得到时长2l的各变量的综合特征，为变量的个数，然后，将时长2l的各变量的综合特征输入注意力模块，采用卷积1、卷积2和卷积3这三个一维卷积来提取每个时刻各变量的特征矩阵，将卷积1和卷积2提取的特征矩阵相乘并归一化处理，得到各变量的注意力权重，将各变量的注意力权重与对应的卷积3提取的特征矩阵相乘，然后将输出的各变量的特征进行相加融合，得到可以表示所有变量的气象数据特征，将各时刻的气象数据特征经过全连接层进行融合，得到第二发电功率。
对应到图5中，为时长2l的风速的综合特征，为时长2l的风向的综合特征，为时长2l的相对湿度的综合特征，为对应的注意力权重，为对应的注意力权重，为对应的注意力权重。
特征融合模块由全连接层组成，对第一发电功率的功率时序特征和第二发电功率的气象数据特征进行全连接融合，进而对特征的重要性进行平衡和调整，得到最终的预测结果。
特征融合模块优选的，采用ANN模型（Artificial Neural Network，人工神经网络）。
参阅图6，发电功率模型的训练过程进行对应性的示例说明，采用K折交叉验证法对发电功率预测模型进行训练。
将气象数据时间序列和对应的实际发电功率时间序列按时序长度进行划分，得到实际发电功率训练集和实际发电功率测试集，气象数据训练集和气象数据测试集。
将实际发电功率训练集和气象数据训练集分别随机划分为10个相同大小的训练子集，训练子集1、训练子集2...训练子集10；令，每个训练子集轮流作为测试集，对应剩下9个训练子集合并作为训练集，对TCN特征提取模块和TPA-LSTM特征提取模块分别进行10次训练和测试，得到实际发电功率训练集对应的测试结果，以及气象数据训练集对应的测试结果，采用实际发电功率测试集对实际发电功率训练集的权重进行测试得到测试结果，采用气象数据测试集对气象数据训练集的权重进行测试得到测试结果。
然后，将测试结果和合并得到训练集，将测试结果和合并得到测试集；最后，采用全连接层对训练集和测试集进行融合，完成发电功率预测模型的训练。
为了评估发电功率预测模型的准确性，对TCN模块的最大扩张系数（感受野）和TPA-LSTM特征提取模块的时间步数设置为不同的参数，采用K折交叉验证法对发电功率预测模型进行训练，得到训练后的发电功率预测模型，采用训练后的发电功率预测模型进行发电功率的预测，得到未来时间段的发电功率的预测结果，采用归一化后的平均绝对误差扩展指标和均方根误差扩展指标对发电功率预测模型的预测准确性进行评估，平均绝对误差扩展指标表示预测值与真实值之间的平均距离。均方根误差扩展指标表示预测值的离散程度与真实值的差异，和越小，表明预测结果越好。
表1 不同参数下发电功率预测模型的评估表
根据表1可以明确知道，TCN模块的感受野为8的情况下，和最小，表明感受野为8的发电功率预测模型的预测值最接近真实值，预测效果最好。LSTM模型的时间步长为10的情况下和最小，发电功率预测模型的预测效果最好。
另外，采用本申请的发电功率预测模型与7个其它模型分别对未来15min的实际发电功率进行预测，预测结果如表2所示。
7个其它模型包括：
1、LSTM模型；
2、GRU模型（GRU，Gated Recurrent Unit，循环神经网络）；
3、BiGRU模型（BiGRU，Bi-directional Gated Recurrent Unit，双向门控循环）；
4、AM-BiGRU模型（AM，Attention Mechanism，注意力机制）；
5、TPA-BiGRU模型；
6、基于Stacking法的CNN&TPA- BiGRU模型（CNN，Convolutional NeuralNetworks，卷积神经网络），（Stacking，堆叠）；
7、DC-CNN&TPA-BiGRU模型（DC-CNN，Dynamic Convolutional Neural Network，动态卷积神经网络）。
表2 各模型在未来15 min时刻的预测结果的评估表
从表2中的结果可看出，发电功率预测模型的和明显小于其它模型，表明该发电功率预测模型的预测结果优于其它模型。
本示例中，采用上述发电功率预测模型和其它模型采用测试集进行预测，得到未来一段时间内的发电功率，对上述发电功率预测模型与其它模型的预测结果进行分析，如下：
图7展示了各模型未来15min的预测结果，在预测结果上随机选取连续的100个时刻点的预测值和真实值的对比图。可以看出，在发电功率曲线波动趋势较为平缓的区域，各模型预测能力差距甚微；然而在发电功率急剧变化的时刻，尤其是突变点附近，本申请的发电功率预测模型对发电功率变化曲线的拟合能力明显优于其它模型，能够更加敏锐地捕捉到变化特征并表现在预测结果上，具有相对精准预测的能力。
图8展示了各模型未来30min的预测结果，在预测结果上随机选取连续的100个时刻点预测值与真实值的对比图。其中，在发电功率曲线波动趋势较为平缓的区域，本申请的发电功率预测模型与各对比模型相比，其预测结果明显更接近真实值；此外，在曲线波动幅度较大的区域，本申请发电功率预测模型的预测结果的整体走势也更加符合真实变化趋势。因此，在预测时间间隔更长的情况下，本申请发电功率预测模型也能得到相对于其它模型更优的预测结果。
本申请的发电功率预测模型，在特征提取过程中，使用时间卷积神经网络捕捉实际发电功率时间序列中的功率时序特征，使用长短记忆期模型和时序模式注意力模型对气象数据中各变量的时序融合特征进行融合，最后，基于Stacking法对功率时序特征和气象数据特征进行集成融合，解决了单一模型预测精度不高的问题，提升了新能源发电功率预测的准确性；其次，由于新能源的发电功率受到众多变量影响，具有明显的波动性和间歇性，该方法充分考虑了历史实际发电功率的长时间序列所带来的波动规律性，以及各变量与未来发电功率间的相关性，能够更好地适应新能源发电的特点，提高预测结果的准确性；另外，该发电功率预测模型结合了TCN模块、TPA模型和LSTM模型的优势，采用ANN模型对第一发电功率的功率时序特征和第二发电功率的气象数据特征进行全连接融合，能够提高发电功率预测模型的性能和预测结果的精度。根据上述实验结果，说明该发电功率预测模型在超短期内（4小时内）具有优秀的预测精度，预测结果均优于其它模型。这对于需要及时调整发电计划和应对电力系统变化的情况非常重要，能够更好地满足实际应用的需求。
基于上述发电功率预测模型的训练方法，本申请还提出了一种发电功率预测模型的训练系统，可以包括：
采集模块，用于获取新能源发电场的气象数据时间序列和对应的实际发电功率时间序列；
所述气象数据时间序列包括风机不同高度位置的气象数据，实际发电功率时间序列为与气象数据时间序列对应的各时刻的实际发电功率；
数据重构模块，用于确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，获取不同高度位置中相关度最高的变量重构气象数据，得到气象数据的多维时序数据；
训练模块，用于采用气象数据的多维时序数据和实际发电功率时间序列对发电功率预测模型进行训练，训练时：
提取实际发电功率时间序列中时间跨度的功率时序特征，根据功率时序特征初步预测未来时间段的第一发电功率，该第一发电功率包含实际发电功率时间序列的功率时序特征；
提取气象数据的多维时序数据中各变量的时序融合特征，将各变量的时序融合特征进行融合得到气象数据特征，根据气象数据特征初步预测未来时间段的第二发电功率，该第二发电功率包含多维时序数据的气象数据特征；
对第一发电功率的功率时序特征和第二发电功率的气象数据特征进行全连接融合，得到最终的预测结果，即未来时间段的发电功率。
本申请还提出了一种发电功率预测方法，可以包括：
获取历史时间段的气象数据；
将历史时间段的气象数据输入至训练好的发电功率预测模型中，发电功率预测模型输出该气象数据对应的预测结果。
本申请还提出了一种发电功率预测系统，可以包括：
采集模块，用于获取历史时间段的气象数据；
模型预测模块，用于将历史时间段的气象数据输入至训练好的发电功率预测模型中，发电功率预测模型输出该气象数据对应的预测结果。
需要说明的是，在本申请所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，各模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如，多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。该作为分离部件说明的模块，可以是或者也可以不是物理上分开的，作为模块显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。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。
另外，在本发明各个实施例中的各模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
本申请实施例提供的一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现如上任一实施例所描述发电功率预测方法的步骤。
本申请实施例提供的另一种电子设备中还可以包括：与处理器连接的输入端口，用于传输外界采集设备采集的多模态数据至处理器；以及与处理器连接的显示单元，用于显示处理器的处理结果至外界；与处理器连接的通信模块，用于实现电子设备与外界的通信。显示单元可以为显示面板、激光扫描显示器等；通信模块所采用的通信方式包括但不局限于移动高清链接技术（HML）、通用串行总线（USB）、高清多媒体接口（HDMI）、无线连接（包括无线保真技术（WiFi）、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802 .11s的通信技术）。
本申请实施例提供的一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，计算机程序被处理器执行时实现如上任一实施例所描述发电功率预测方法的步骤。
本申请所涉及的计算机可读存储介质包括随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质。
本申请实施例提供的发电功率预测模型的训练方法、系统及预测方法中相关部分的说明请参见本申请实施例提供的发电功率预测模型的训练方法中对应部分的详细说明，在此不再赘述。另外，本申请实施例提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种发电功率预测模型的训练方法，其特征在于，包括以下步骤：
获取新能源发电场的气象数据时间序列和对应的实际发电功率时间序列；
所述气象数据时间序列包括风机不同高度位置的气象数据，实际发电功率时间序列为与气象数据时间序列对应的各时刻的实际发电功率；
确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，获取不同高度位置中相关度最高的变量重构气象数据，得到气象数据的多维时序数据；
采用气象数据的多维时序数据和实际发电功率时间序列对发电功率预测模型进行训练，训练时：
提取实际发电功率时间序列中时间跨度的功率时序特征，根据功率时序特征初步预测未来时间段的第一发电功率，该第一发电功率包含实际发电功率时间序列的功率时序特征；
提取气象数据的多维时序数据中各变量的时序融合特征，将各变量的时序融合特征进行融合得到气象数据特征，根据气象数据特征初步预测未来时间段的第二发电功率，该第二发电功率包含多维时序数据的气象数据特征；
对第一发电功率的功率时序特征和第二发电功率的气象数据特征进行全连接融合，得到最终的预测结果。
2.根据权利要求1所述的一种发电功率预测模型的训练方法，其特征在于，所述气象数据包括风速、风向、气温、气压和相对湿度，将风速、风向、气温、气压和相对湿度作为变量，确定各变量与实际发电功率的相关度。
3.根据权利要求2所述的一种发电功率预测模型的训练方法，其特征在于，所述重构气象数据，得到气象数据的多维时序数据，包括：
采用多种相关性分析法对各时刻不同高度位置的气象数据和实际发电功率分别进行相关性分析，确定不同高度位置的气象数据中各变量与实际发电功率的相关度，获取不同高度位置的气象数据和实际发电功率相关度最高的变量，根据相关度最高的变量重构该时刻的气象数据得到多维数据，根据各时刻的多维数据构建气象数据的多维时序数据。
4.根据权利要求3所述的一种发电功率预测模型的训练方法，其特征在于，所述确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，包括：
采用多种相关性分析法分别计算各高度位置的气象数据中各变量与实际发电功率的相关度并分配权重，对各变量的权重进行融合得到各变量与实际发电功率的最终相关度。
5.根据权利要求3所述的一种发电功率预测模型的训练方法，其特征在于，所述相关性分析法包括Pearson相关系数分析法、Kendall相关系数分析法和Spearman相关系数分析法。
6.根据权利要求1所述的一种发电功率预测模型的训练方法，其特征在于，所述发电功率预测模型，包括TCN特征提取模块、TPA-LSTM特征提取模块和特征融合模块；
所述TCN特征提取模块包括多个串行的TCN模块，将实际发电功率时间序列作为TCN特征提取模块的输入，TCN特征提取模块输出未来时间段的第一发电功率；
所述TPA-LSTM特征提取模块包括LSTM模型和TPA模型，将多维时序数据作为LSTM模型的输入，LSTM模型输出各变量的时序融合特征并作为TPA模型的输入，TPA模型输出未来时间段的第二发电功率；
所述特征融合模块由全连接层组成，对TCN特征提取模块预测的第一发电功率和第一发电功率进行全连接融合，得到最终的预测结果。
7.一种发电功率预测模型的训练系统，其特征在于，包括：
采集模块，用于获取新能源发电场的气象数据时间序列和对应的实际发电功率时间序列；
所述气象数据时间序列包括风机不同高度位置的气象数据，实际发电功率时间序列为与气象数据时间序列对应的各时刻的实际发电功率；
数据重构模块，用于确定各时刻不同高度位置的气象数据中各变量与对应的实际发电功率的相关度，获取不同高度位置中相关度最高的变量重构气象数据，得到气象数据的多维时序数据；
训练模块，用于采用气象数据的多维时序数据和实际发电功率时间序列对发电功率预测模型进行训练，训练时：
提取实际发电功率时间序列中时间跨度的功率时序特征，根据功率时序特征初步预测未来时间段的第一发电功率，该第一发电功率包含实际发电功率时间序列的功率时序特征；
提取气象数据的多维时序数据中各变量的时序融合特征，将各变量的时序融合特征进行融合得到气象数据特征，根据气象数据特征初步预测未来时间段的第二发电功率，该第二发电功率包含多维时序数据的气象数据特征；
对第一发电功率的功率时序特征和第二发电功率的气象数据特征进行全连接融合，得到最终的预测结果。
8.一种发电功率预测方法，其特征在于，包括：
获取历史时间段的气象数据；
将历史时间段的气象数据输入至权利要求1-6任一项所述发电功率预测模型的训练方法所训练好的发电功率预测模型中，发电功率预测模型输出该气象数据对应的预测结果。
9.一种发电功率预测系统，其特征在于，包括：
采集模块，用于获取历史时间段的气象数据；
模型预测模块，用于将历史时间段的气象数据输入至权利要求1-6任一项所述发电功率预测模型的训练方法所训练好的发电功率预测模型中，发电功率预测模型输出该气象数据对应的预测结果。
10.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求8所述发电功率预测方法的步骤。
CN202411296142.7A 2024-09-18 2024-09-18 一种发电功率预测方法、模型训练方法及系统 Active CN118826014B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202411296142.7A CN118826014B (zh) 2024-09-18 2024-09-18 一种发电功率预测方法、模型训练方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202411296142.7A CN118826014B (zh) 2024-09-18 2024-09-18 一种发电功率预测方法、模型训练方法及系统

Publications (2)

Publication Number Publication Date
CN118826014A true CN118826014A (zh) 2024-10-22
CN118826014B CN118826014B (zh) 2024-11-29

Family

ID=93073400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202411296142.7A Active CN118826014B (zh) 2024-09-18 2024-09-18 一种发电功率预测方法、模型训练方法及系统

Country Status (1)

Country Link
CN (1) CN118826014B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119312168A (zh) * 2024-12-03 2025-01-14 西安交通大学 一种风力发电功率预测方法及系统
CN120497917A (zh) * 2025-07-16 2025-08-15 国网山西省电力公司电力科学研究院 一种集成优化的新能源发电量的预测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190012598A1 (en) * 2017-07-04 2019-01-10 Taiwan Power Company Power generation prediction system and a method thereof
CN113537573A (zh) * 2021-06-22 2021-10-22 中国农业大学 基于双重时空特征提取的风电功率运行趋势预测方法
CN116826727A (zh) * 2023-06-28 2023-09-29 河海大学 基于时序表征和多级注意力的超短期风电功率预测方法及预测系统
CN117220277A (zh) * 2023-09-12 2023-12-12 集美大学 一种风力发电功率预测方法、装置、电子设备及存储介质
CN117293809A (zh) * 2023-09-26 2023-12-26 杭州零碳智能科技有限公司 一种基于大模型的多时空尺度新能源发电功率预测方法
CN117498319A (zh) * 2023-11-01 2024-02-02 南京邮电大学 基于融合聚类与vqc-lstm的分布式光伏短期功率预测方法
CN118174297A (zh) * 2024-05-13 2024-06-11 山东浪潮智慧能源科技有限公司 一种基于多模型融合的光伏功率预测方法、系统、终端及介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190012598A1 (en) * 2017-07-04 2019-01-10 Taiwan Power Company Power generation prediction system and a method thereof
CN113537573A (zh) * 2021-06-22 2021-10-22 中国农业大学 基于双重时空特征提取的风电功率运行趋势预测方法
CN116826727A (zh) * 2023-06-28 2023-09-29 河海大学 基于时序表征和多级注意力的超短期风电功率预测方法及预测系统
CN117220277A (zh) * 2023-09-12 2023-12-12 集美大学 一种风力发电功率预测方法、装置、电子设备及存储介质
CN117293809A (zh) * 2023-09-26 2023-12-26 杭州零碳智能科技有限公司 一种基于大模型的多时空尺度新能源发电功率预测方法
CN117498319A (zh) * 2023-11-01 2024-02-02 南京邮电大学 基于融合聚类与vqc-lstm的分布式光伏短期功率预测方法
CN118174297A (zh) * 2024-05-13 2024-06-11 山东浪潮智慧能源科技有限公司 一种基于多模型融合的光伏功率预测方法、系统、终端及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
陈运蓬 等: "基于集成学习的新能源发电功率预测", 《太阳能学报》, vol. 45, no. 5, 30 June 2024 (2024-06-30) *
高金兰;李豪;段玉波;王宏建;: "基于Stacking多GRU模型的风电场短期功率预测", 吉林大学学报(信息科学版), no. 04, 15 July 2020 (2020-07-15) *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119312168A (zh) * 2024-12-03 2025-01-14 西安交通大学 一种风力发电功率预测方法及系统
CN120497917A (zh) * 2025-07-16 2025-08-15 国网山西省电力公司电力科学研究院 一种集成优化的新能源发电量的预测方法

Also Published As

Publication number Publication date
CN118826014B (zh) 2024-11-29

Similar Documents

Publication Publication Date Title
CN118826014B (zh) 一种发电功率预测方法、模型训练方法及系统
CN109659933B (zh) 一种基于深度学习模型的含分布式电源配电网电能质量预测方法
CN119382103B (zh) 结合时频分析与注意力机制的tcn-lstm风能发电量预测方法
CN116451594A (zh) 覆冰预测模型的训练方法、预测方法、装置和电子设备
CN119134336B (zh) 基于聚类和混合神经网络的光伏功率预测方法及系统
CN120873557B (zh) 基于时序分解与多模型融合的风电功率预测方法及系统
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
CN118644359A (zh) 应用于工业园区的氢能负荷预测方法及系统
CN114386666A (zh) 一种基于时空相关性的风电场短期风速预测方法
CN118336708A (zh) 一种混合深度学习光伏功率预测方法、系统、设备及其存储介质
CN118211844A (zh) 一种基于分解策略与深度学习的电力负荷预测方法
CN118157123A (zh) 基于EMD分解的EMD-BiGRU超短期光伏发电功率预测方法
CN119291227B (zh) 一种基于时空相关性的风速预测方法及系统
CN120494156A (zh) 一种基于深度强化学习的光伏发电功率预测方法
CN120127630A (zh) 一种考虑光伏的台区净负荷预测方法
CN119831241A (zh) 一种适用性广泛的时空特征增强预测方法及装置
CN119760425A (zh) 模型训练方法、装置及风电功率的预测方法
CN107563904A (zh) 一种基于风过程划分的风电出力重构方法
Liang et al. Wavelet transform convolution and Transformer-based learning approach for wind power prediction in extreme scenarios
CN120373617B (zh) 一种基于扩散模型的综合能源运行场景生成及预测方法
Zhao et al. Spatio-temporal Model Combining VMD and AM for Wind Speed Prediction.
CN118643921B (zh) 分布式模型训练方法、装置、设备、介质及产品
CN119853027B (zh) 一种基于深度学习与误差修正的风电功率预测方法及装置
CN119944675B (zh) 基于基向量与时域权重优化的配电网负荷预测方法及系统
CN120073806B (zh) 联合储能电力系统的运行调度方法及相关装置

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
GR01 Patent grant
GR01 Patent grant