本申请提供了一种小水电发电量预测方法及装置，通过获取历史发电功率数据和外部因素数据，对历史发电功率数据和外部因素数据进行标准化处理；利用聚类算法对日标幺化后的历史发电功率数据进行聚类分析，得到历史相似日集合；量化分析降雨量对小水电发电量的滞后效应和累积效应，得到滞后性降雨量序列和前N日累积降雨量；在历史相似日集合中选取与预测日对应的相似日样本集；利用人工智能预测算法构建小水电发电量预测模型，利用相似日样本集对小水电发电量预测模型进行训练；将前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价作为训练好的小水电发电量预测模型的输入，输出预测日小水电发电量预测值。能提高预测的精度。高预测的精度。高预测的精度。
【技术实现步骤摘要】
小水电发电量预测方法及装置
[0001]本申请涉及水电发电量预测
，特别涉及为一种小水电发电量预测方法及装置。
技术介绍
[0002]小水电是装机容量很小的水电站或水力发电装置。我国的小水电资源丰富，主要分布在远离大电网的山区，既是农村能源的重要组成部分，也是大电网的有力补充。
[0003]但小水电存在受天气影响较为明显，波动性极强，并且存在着管理薄弱、信息采集困难、缺乏相关的水文测站和气象数据等难题，难以借鉴大型水电站的发电量预测方法。现有技术以一片地区的小水电作为一个整体，利用人工神经网络，结合相关历史水文、降雨量建立新型的预测模型，利用预测模型来预测小水电发电量，和传统的预测方法如趋势外推、指数平滑法等相比，构建预测模型能提高预测精度。
[0004]但现有的预测模型一般直接根据历史发电数据、降雨量来预测小水电发电量，但降雨量通过产汇流过程形成坝前来水，影响小水电发电量，在产汇流过程表现出滞后性与累积性。由于降雨量具有滞后性和累积性，导致降雨量对小水电的发电量的影响也具有滞后性和累积性。因此现有技术直接将历史发电数据和降雨量输入预测模型，输出的预测发电量由于忽略了降雨量的的滞后性和累积性，导致预测精度不高。
技术实现思路
[0005]本专利技术的目的在于提供一种小水电发电量预测方法，能够解决现有技术中在利用小水电预测模型预测发电量时，输入的降雨量没有考虑其滞后性和累积性的影响，导致预测精度不高的问题。
[0006]为了实现上述专利技术目的，本专利技术提供如下技术方案：
[0007]第一方面，提供一种小水电发电量预测方法，包括：
[0008]获取历史发电功率数据和外部因素数据，对所述历史发电功率数据和所述外部因素数据进行标准化处理，所述外部因素数据包括：温度、露点温度、降雨量、地区峰谷电价；
[0009]对标准化处理后的历史发电功率数据进行日标幺化，利用聚类算法对日标幺化后的历史发电功率数据进行聚类分析，得到历史相似日集合；
[0010]量化分析所述降雨量对小水电发电量的滞后效应，得到滞后性降雨量序列；
[0011]量化分析所述降雨量对小水电发电量的累积效应，得到前N日累积降雨量；
[0012]在所述历史相似日集合中选取与预测日对应的相似日样本集；
[0013]利用人工智能预测算法构建小水电发电量预测模型，利用所述相似日样本集对所述小水电发电量预测模型进行训练；
[0014]将所述前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价作为训练好的小水电发电量预测模型的输入，输出预测日小水电发电量预测值。
[0015]第一方面的一个可能的实现方式，所述方法还包括：将所述前N日累积降雨量、滞
后性降雨量序列、温度、露点温度、地区峰谷电价、相似日样本集作为训练好的小水电发电量预测模型的输入，输出预测日小水电发电量预测值。
[0016]第一方面的一个可能的实现方式，所述聚类算法为K
‑
means算法。
[0017]第一方面的一个可能的实现方式，所述人工智能预测算法为长短期记忆神经网络。
[0018]第一方面的一个可能的实现方式，所述外部因素数据还包括：节气类型，所述在所述历史相似日集合中选取与预测日对应的相似日样本集，包括：利用智能学习算法构建小水电相似日选取模型；将所述温度、露点温度、前N日累积降雨量、节气类型作为所述小水电相似日选取模型的输入，输出与预测日对应的相似日样本集。
[0019]第一方面的一个可能的实现方式，所述智能学习算法为时序卷积网络。
[0020]第一方面的一个可能的实现方式，所述量化分析所述降雨量对小水电发电量的滞后效应，得到滞后性降雨量序列，包括：构建每日平均发电功率序列L1；构建当日降雨量数据序列为W0，构建前一天的降雨量数据序列为W1，同理构建出W2，W3，
…
，W7；选取皮尔逊系数作为相关系数，分别计算发电功率序列L1与降雨量序列W0，W1，W2，
…
，W7的相关系数，并计算各个相关系数的平均值；选出相关系数最大的两日降雨量数据，作为小水电滞后效应的相关降雨量序列。
[0021]第一方面的一个可能的实现方式，所述量化分析所述降雨量对小水电发电量的累积效应，得到前N日累积降雨量，包括：构建每日最大发电功率序列X1；构建当日降雨量数据序列为M0，构建当日与前一天的积累降雨量数据序列为M1，同理构建出M2，M3，
…
，M7；选取皮尔逊系数作为相关系数，分别计算发电功率序列X1与降雨量序列M1，M2，
…
，M7的相关系数，并计算各个相关系数的平均值；从M1，M2，
…
，M7中选出相关系数最大的M
N
，得到前N日累积降雨量。
[0022]第一方面的一个可能的实现方式，在所述利用所述相似日样本集对所述小水电发电量预测模型进行训练之后，还包括：获取经过预测模型预测的发电量；获取实际的发电量；计算预测发电量与实际发电量之间的平均绝对百分比误差和均方根误差，将所述平均绝对百分比误差和均方根误差作为评价指标。
[0023]第二方面，提供一种小水电发电量预测装置，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现以下步骤：
[0024]获取历史发电功率数据和外部因素数据，对所述历史发电功率数据和所述外部因素数据进行标准化处理，所述外部因素数据包括：温度、露点温度、降雨量、地区峰谷电价；
[0025]对标准化处理后的历史发电功率数据进行日标幺化，利用聚类算法对日标幺化后的历史发电功率数据进行聚类分析，得到历史相似日集合；
[0026]量化分析所述降雨量对小水电发电量的滞后效应，得到滞后性降雨量序列；
[0027]量化分析所述降雨量对小水电发电量的累积效应，得到前N日累积降雨量；
[0028]在所述历史相似日集合中选取与预测日对应的相似日样本集；
[0029]利用人工智能预测算法构建小水电发电量预测模型，利用所述相似日样本集对所述小水电发电量预测模型进行训练；
[0030]将所述前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价作为训练好的小水电发电量预测模型的输入，输出预测日小水电发电量预测值。
[0031]上述小水电发电量预测方法及装置，相较于现有技术，首先，通过对历史发电功率数据进行标准化、日标幺化处理，再利用聚类算法对历史发电功率数据进行聚类分析，将历史发电功率数据划分为多类相似日数据，得到历史相似日集合，在历史相似日集合中选取与预测日对应的相似日样本集后，利用相似日样本集对小水电发电量预测模型进行训练，由于相似日之间的小水电发电功率相近，因此利用相似日样本集训练小水电发电量预测模型，使得训练后的模型预测精度更高。
[0032]其次，由于降雨量对发电量的影响具有滞后性和累积性，在多日大雨后天晴或其他降雨量变化较大的日子本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种小水电发电量预测方法，其特征在于，所述方法包括：获取历史发电功率数据和外部因素数据，对所述历史发电功率数据和所述外部因素数据进行标准化处理，所述外部因素数据包括：温度、露点温度、降雨量、地区峰谷电价；对标准化处理后的历史发电功率数据进行日标幺化，利用聚类算法对日标幺化后的历史发电功率数据进行聚类分析，得到历史相似日集合；量化分析所述降雨量对小水电发电量的滞后效应，得到滞后性降雨量序列；量化分析所述降雨量对小水电发电量的累积效应，得到前N日累积降雨量；在所述历史相似日集合中选取与预测日对应的相似日样本集；利用人工智能预测算法构建小水电发电量预测模型，利用所述相似日样本集对所述小水电发电量预测模型进行训练；将所述前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价作为训练好的小水电发电量预测模型的输入，输出预测日小水电发电量预测值。2.如权利要求1所述的小水电发电量预测方法，其特征在于，所述方法还包括：将所述前N日累积降雨量、滞后性降雨量序列、温度、露点温度、地区峰谷电价、相似日样本集作为训练好的小水电发电量预测模型的输入，输出预测日小水电发电量预测值。3.如权利要求2所述的小水电发电量预测方法，其特征在于，所述聚类算法为K
‑
means算法。4.如权利要求2所述的小水电发电量预测方法，其特征在于，所述人工智能预测算法为长短期记忆神经网络。5.如权利要求2所述的小水电发电量预测方法，其特征在于，所述外部因素数据还包括：节气类型，所述在所述历史相似日集合中选取与预测日对应的相似日样本集，包括：利用智能学习算法构建小水电相似日选取模型；将所述温度、露点温度、前N日累积降雨量、节气类型作为所述小水电相似日选取模型的输入，输出与预测日对应的相似日样本集。6.如权利要求5所述的小水电发电量预测方法，其特征在于，所述智能学习算法为...
【专利技术属性】
技术研发人员：陈碧云，徐旗，李滨，白晓清，祝云，李佩杰，张弛，阳育德，韦化，
申请(专利权)人：广西大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。