一种区域多尺度新能源电站出力联合预测方法及系统与流程

1.本发明属于新能源电站的功率预测技术领域，尤其涉及一种区域多尺度新能源电站出力联合预测方法及系统。


背景技术：

2.南方风电场大部分位于高山海拔区，受到雷暴和积冰等多种灾害性天气的影响，天气类型复杂多变，势必会降低传统中尺度数值天气预报精度。高山风电场地形地势变化悬殊，不同风、光电站呈分散式分布，使得不同电站的资源和出力特性明显不同。出力的随机性、波动性和间歇性的特点使得预测建模的空间尺度更大，给提升新能源出力预测精度带来严峻挑战，极大地加剧电网调峰、调频的压力，对电力系统的安全稳定运行影响较大，限制电网对风电、光伏的消纳能力。
3.目前，新能源电站出力预测方面主要存在以下的问题：1）作为功率预测的主要误差，需要进一步提高数值天气预报在复杂地区、复杂天气条件下的预报精度；2）南方新能源电站分布分散使得风、光耦合规律复杂，导致区域出力预测精度不高，不利于调度部门统一优化决策。
4.因此，针对新能源电站出力预测中存在的问题，亟需一种具有更高精度的数值天气预报修正方法以及考虑风、光耦合规律的区域多尺度新能源电站出力联合预测方法及系统。


技术实现要素：

5.本发明提供一种区域多尺度新能源电站出力联合预测方法，用于至少解决上述技术问题之一。
6.第一方面，本发明提供一种区域多尺度新能源电站出力联合预测方法，包括：响应于获取的采集数据，对所述采集数据进行预处理，其中，所述采集数据包括预测天气预报数据以及历史实测数据；将所述采集数据输入至基于深度学习算法构建的联合出力预测模型中，使输出各场站的预测功率，其中，所述联合出力预测模型包括lstm层、cnn层以及全连接层，输出各场站的预测功率的具体包括：将预处理后的预测天气预报数据作为输入，通过所述lstm层对输入的各个场站的时间序列进行特征提取，使得到所述lstm层输出的时间特征；基于预处理后的历史实测数据作为输入，通过所述cnn层提取预处理后的历史实测数据中的空间特征，使得到所述cnn层输出的空间特征；将所述时间特征与所述空间特征进行融合，使提取到多特征输出向量；响应于获取的所述多特征输出向量，将所述多特征输出向量输入至所述全连接层，使所述全连接层同时输出各场站的预测功率。
7.第二方面，本发明提供一种区域多尺度新能源电站出力联合预测系统，包括：采集模块，配置为响应于获取的采集数据，对所述采集数据进行预处理，其中，所述采集数据包括预测天气预报数据以及历史实测数据；输出模块，配置为将所述采集数据输入至基于深度学习算法构建的联合出力预测模型中，使输出各场站的预测功率，其中，所述联合出力预
测模型包括lstm层、cnn层以及全连接层，输出模块包括：第一输入单元，配置为将预处理后的预测天气预报数据作为输入，通过所述lstm层对输入的各个场站的时间序列进行特征提取，使得到所述lstm层输出的时间特征；第二输入单元，配置为基于预处理后的历史实测数据作为输入，通过所述cnn层提取预处理后的历史实测数据中的空间特征，使得到所述cnn层输出的空间特征；融合模块，配置为将所述时间特征与所述空间特征进行融合，使提取到多特征输出向量；输出单元，配置为响应于获取的所述多特征输出向量，将所述多特征输出向量输入至所述全连接层，使所述全连接层同时输出各场站的预测功率。
8.第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的一种区域多尺度新能源电站出力联合预测方法的步骤。
9.第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行本发明任一实施例的一种区域多尺度新能源电站出力联合预测方法的步骤。
10.本技术的一种区域多尺度新能源电站出力联合预测方法及系统，通过将采集的数据输入至基于深度学习算法的构建多对多映射模型中，能够输出预测功率，实现了充分考虑风光场站之间的时空相关性及预测时刻的时序依赖性，从而使得模型的预测精度更高，预测功率更加准确，且能够同时得出各场站的功率预测结果，提高了模型的效率。
附图说明
11.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
12.图1为本发明一实施例提供的一种区域多尺度新能源电站出力联合预测方法的流程图；图2为本发明一实施例提供的又一种区域多尺度新能源电站出力联合预测方法的流程图；图3为本发明一实施例提供的某风电场站均方跟误差结果对比图；图4为本发明一实施例提供的某光伏电站均方跟误差结果对比图；图5为本发明一实施例提供的一种区域多尺度新能源电站出力联合预测系统的结构框图；图6是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
13.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
14.请参阅图1，其示出了本技术的一种区域多尺度新能源电站出力联合预测方法的流程图。
15.如图1所示，一种区域多尺度新能源电站出力联合预测方法包括以下步骤：步骤s101，响应于获取的采集数据，对所述采集数据进行预处理，其中，所述采集数据包括预测天气预报数据以及历史实测数据。
16.在本实施例中，在获取采集数据后，基于四分位法对采集数据进行数据清洗，并将清洗后的采集数据进行归一化处理，公式如下：，式中，为归一化后的数据，为数据集中的最小值，为数据集中的最大值，为原始数据。
17.步骤s102，将所述采集数据输入至基于深度学习算法构建的联合出力预测模型中，使输出各场站的预测功率。
18.在本实施例中，由于位于同一地理区域的风电场和光伏电站，受相似气象条件的影响，风光场站出力之间存在一定的相关性。但单一位置点数值天气预报数据往往缺失了大型风光场站范围内实际风光波动过程的时空耦合关系，忽略了场群范围内风速和辐照度的时空耦合特性，对复杂天气条件的适应性有限。因此可利用区域风光场站气象资源的时空从相关性，构建基于lstm
‑
cnn深度学习算法的联合出力预测模型。
19.综上，本技术的方法，通过将采集的数据输入至基于深度学习算法的构建多对多映射模型中，能够输出预测功率，实现了充分考虑风光场站之间的时空相关性及预测时刻的时序依赖性，从而使得模型的预测精度更高，预测功率更加准确，且能够同时得出各场站的功率预测结果，提高了模型的效率。
20.请参阅图2，其示出了本技术的又一种区域多尺度新能源电站出力联合预测方法的流程图。该流程图主要是对步骤s102“将所述采集数据输入至基于深度学习算法构建的联合出力预测模型中，使输出各场站的预测功率”进一步限定的的情况的进一步限定的步骤的流程图。其中，所述联合出力预测模型包括lstm层、cnn层以及全连接层。
21.如图2所示，在步骤s201中，将预处理后的预测天气预报数据作为输入，通过所述lstm层对输入的各个场站的时间序列进行特征提取，使得到所述lstm层输出的时间特征；在步骤s202中，基于预处理后的历史实测数据作为输入，通过所述cnn层提取预处理后的历史实测数据中的空间特征，使得到所述cnn层输出的空间特征；在步骤s203中，将所述时间特征与所述空间特征进行融合，使提取到多特征输出向量，其中，计算所述多特征输出向量的表达式为：，式中，为输入全连接层的第i个特特征向量，为激活函数，w为输入向量的权重，b为神经元的偏置，为乘号；
在步骤s204中，响应于获取的所述多特征输出向量，将所述多特征输出向量输入至所述全连接层，使所述全连接层同时输出各场站的预测功率。
22.本实施例的方法，通过将预处理后的预测天气预报数据输入至lstm层中，使得到时间序列特征，通过将预处理后的历史实测数据输入至述cnn层中，使得到空间序列特征，并且将时间序列特征与空间序列特征进行融合，从而得到多特征输出向量，最后将多特征向量输入全连接层实现功率预测。该方法充分考虑风光场站之间的时空相关性及预测时刻得时序依赖性，实现了可同时预测多个风光场站的出力，且能有效提高预测的精度。
23.在一个具体实施例中，结合《统调发电企业运行管理考核实施细则》（后文简称细则）与风光功率预测常用评价指标，从均方根误差、月平均功率预测准确率、月发电计划申报传送率、考核电量四个方面对基于深度学习的区域多尺度新能源电站出力联合预测方法精度进行分析。
24.均方根误差（）计算公式如式（1）所示，其对一组测量数据中的特大或特小误差反映非常敏感，故可以很好地反映整体功率预测精度。
25.ꢀꢀꢀꢀꢀ
（1）式中，为t时刻实际功率，为t时刻预测功率，为风电场或光伏电站装机容量，为样本数。
26.细则中要求各电站应每日进行次日96点发电出力曲线预测并上报调度机构，并从月平均功率预测准确率和月发电计划申报传送率两个角度制定了功率预测考核要求。其中，月平均功率预测准确率应达到80%以上，每低于一个百分点，考核电0.1万千瓦时；各电站计划申报传送率应达到90%以上。
27.日平均功率预测准确率的计算方法如式（2）所示。
28.ꢀꢀꢀꢀꢀ
（2）式中，为时段的实际平均功率，为时段的预测平均功率，为日考核时段数（取96点减去免考核点数），为时段的风电场开机容量。
29.月平均风电预测准确率为日平均预测准确率的算术平均值。
30.风电场发电计划申报传送率计算方法如式（3）所示。
31.ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）式中，为风电场发电计划申报传送率，为月成功传输天数，为月日历天数。
32.根据国家能源局2012年印发的风电功率预测预报考核办法中提出：连续6个月中有3个月考核月平均风电功率预测预报准确率不达标的风电场视为不及格，应限期进行整改。在本技术所述预测模型下，各风电场的月平均风电功率预测预报准确率均已达标。本技术仅以环湖风电场和近湖光伏电站为例测试该预测模型的可行性与有效性。
33.表1所示为某区域风电场的年度预测结果精度对比：表 1 某区域风电场年度功率预测精度对比从表1中可以看出，与原有系统相比，深度学习预测功率精度有所提高。其中1和2两个风电场的误差降低率最大，分别为38.74%和37.32%，这是因为这两个风电场原有系统预测误差大，在考虑区域出力相关性和修正数值天气预报精度较高的双重作用下，深度学习预测功率有了很大的提升。而7和8两个风电场深度学习预测误差要大于原有系统预测误差，这是因为这两个风电场的原有系统预测精度很高，提升空间很小。
34.某风电场站功率预测结果对比如图3所示，从图3可以看出：1）该区域原有系统功率预测误差为19.97%，深度学习预测误差为16.85%，误差降低率为15.65%；2）一年中绝大部分月份深度学习预测精度要大于原有系统预测精度；3）原有系统功率预测误差一年中有3个月超过20%，而深度学习功率预测误差仅有1个月超过20%，这说明深度学习可以很好的挖掘风速数据和实测功率数据之间的映射关系，提高预测精度，减少考核费。
35.光伏电站采用深度学习方法对进行功率预测，并与原有系统功率年度预测结果精度进行对比分析，计算结果如表2所示。
36.表2某区域光伏电站年度功率预测精度对比
从表2中可以看出：1）与原有系统相比，深度学习功率预测精度有一定的提高；2）近湖区域深度学习预测精度大于场站预测精度；3）1号光伏电站的误差降低率（（原有系统误差
‑
深度学习误差）/原有系统误差）最大，达到了43.39%，一是因为数值天气预报经过修正后精度得到很大的提升，进而提高了功率预测精度；二是采用了深度学习功率预测模型，可有效提升功率预测精度。同理，2、3号也是。
37.某光伏电站功率预测结果对比如图4所示，从图4可以看出：1）原有系统功率预测的误差为13.290%，深度学习预测误差为10.401%，误差整体降低了21.750%；2）整体来说，该区域场站预测误差大于深度学习预测的误差，一是因为数值天气预报经过修正后精度有了一定提升，进而提高了功率预测精度；二是因为深度学习功率预测模型可有效提升功率预测精度。
38.请参阅图5，其示出了本技术的一种区域多尺度新能源电站出力联合预测系统的结构框图。
39.如图5所示，区域多尺度新能源电站出力联合预测系统300，包括采集模块310以及输出模块320。
40.其中，采集模块310，配置为响应于获取的采集数据，对所述采集数据进行预处理，其中，所述采集数据包括预测天气预报数据以及历史实测数据；输出模块320，配置为将所述采集数据输入至基于深度学习算法构建的联合出力预测模型中，使输出各场站的预测功率，其中，所述联合出力预测模型包括lstm层、cnn层以及全连接层，输出模块320包括：第一输入单元，配置为将预处理后的预测天气预报数据作为输入，通过所述lstm层对输入的各个场站的时间序列进行特征提取，使得到所述lstm层输出的时间特征；第二输入单元，配置
为基于预处理后的历史实测数据作为输入，通过所述cnn层提取预处理后的历史实测数据中的空间特征，使得到所述cnn层输出的空间特征；融合模块，配置为将所述时间特征与所述空间特征进行融合，使提取到多特征输出向量；输出单元，配置为响应于获取的所述多特征输出向量，将所述多特征输出向量输入至所述全连接层，使所述全连接层同时输出各场站的预测功率。
41.应当理解，图5中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图5中的诸模块，在此不再赘述。
42.在另一些实施例中，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的区域多尺度新能源电站出力联合预测方法；作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：响应于获取的采集数据，对所述采集数据进行预处理，其中，所述采集数据包括预测天气预报数据以及历史实测数据；将所述采集数据输入至基于深度学习算法构建的联合出力预测模型中，使输出各场站的预测功率，其中，所述联合出力预测模型包括lstm层、cnn层以及全连接层，输出各场站的预测功率的具体包括：将预处理后的预测天气预报数据作为输入，通过所述lstm层对输入的各个场站的时间序列进行特征提取，使得到所述lstm层输出的时间特征；基于预处理后的历史实测数据作为输入，通过所述cnn层提取预处理后的历史实测数据中的空间特征，使得到所述cnn层输出的空间特征；将所述时间特征与所述空间特征进行融合，使提取到多特征输出向量；响应于获取的所述多特征输出向量，将所述多特征输出向量输入至所述全连接层，使所述全连接层同时输出各场站的预测功率。
43.计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据区域多尺度新能源电站出力联合预测系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至区域多尺度新能源电站出力联合预测系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
44.图6是本发明实施例提供的电子设备的结构示意图，如图6所示，该设备包括：一个处理器410以及存储器420。电子设备还可以包括：输入装置430和输出装置440。处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接，图6中以通过总线连接为例。存储器420为上述的计算机可读存储介质。处理器410通过运行存储在存储器420中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例区域多尺度新能源电站出力联合预测方法。输入装置430可接收输入的数字或字符信息，以及产生与区域多尺度新能源电站出力联合预测系统的用户设置
以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
45.上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
46.作为一种实施方式，上述电子设备应用于区域多尺度新能源电站出力联合预测系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：响应于获取的采集数据，对所述采集数据进行预处理，其中，所述采集数据包括预测天气预报数据以及历史实测数据；将所述采集数据输入至基于深度学习算法构建的联合出力预测模型中，使输出各场站的预测功率，其中，所述联合出力预测模型包括lstm层、cnn层以及全连接层，输出各场站的预测功率的具体包括：将预处理后的预测天气预报数据作为输入，通过所述lstm层对输入的各个场站的时间序列进行特征提取，使得到所述lstm层输出的时间特征；基于预处理后的历史实测数据作为输入，通过所述cnn层提取预处理后的历史实测数据中的空间特征，使得到所述cnn层输出的空间特征；将所述时间特征与所述空间特征进行融合，使提取到多特征输出向量；响应于获取的所述多特征输出向量，将所述多特征输出向量输入至所述全连接层，使所述全连接层同时输出各场站的预测功率。
47.通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
48.最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。