System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术实施例涉及新能源,尤其涉及一种人工智能驱动的新能源小时间尺度功率插值集成预测方法。
技术介绍
1、随着风光等新能源装机容量的不断增长,电网中新能源发电接入比率不断提高。为保证电网的安全稳定运行,减少调峰机组等备用资源的投资,如何精确地对新能源功率进行预测成为当前亟待解决的问题。
2、现有技术中,通常采用数值天气预报进行预测,新能源功率的预测结果的精确度依赖于数值天气预报的时间尺度,导致现阶段能实现的功率预测的最小尺度为15分钟级别,预测分辨率大,无法满足实际生产需求。
技术实现思路
1、本专利技术实施例提供了一种人工智能驱动的新能源小时间尺度功率插值集成预测方法,以实现提高新能源功率预测的频率和功率预测结果的精确程度的目的。
2、根据本专利技术的一方面,提供了一种人工智能驱动的新能源小时间尺度功率插值集成预测方法,包括:
3、获取待预测的未来时间段对应的未来天气预报信息;
4、将所述未来天气预报信息输入至预先训练的与原始分辨率对应的最优功率预测模型中,得到与所述未来时间段内对应的具有原始分辨率的原始功率预测结果;
5、基于预设的目标分辨率、所述原始分辨率和预先确定的最优插值算法,对所述原始功率预测结果进行插值处理,得到所述未来时间段内对应的具有所述目标分辨率的目标功率预测结果;其中,所述目标分辨率小于所述原始分辨率。
6、根据本专利技术的另一方面,提供了一种人工智能驱动的新能源小时间尺度功率插值集成预
7、信息获取模块,用于获取待预测的未来时间段对应的未来天气预报信息;
8、信息输入模块,用于将所述未来天气预报信息输入至预先训练的与原始分辨率对应的最优功率预测模型中,得到与所述未来时间段内对应的具有原始分辨率的原始功率预测结果;
9、插值处理模块,用于基于预设的目标分辨率、所述原始分辨率和预先确定的最优插值算法,对所述原始功率预测结果进行插值处理,得到所述未来时间段内对应的具有所述目标分辨率的目标功率预测结果;其中,所述目标分辨率小于所述原始分辨率。
10、根据本专利技术的另一方面,提供了一种电子设备,所述电子设备包括:
11、至少一个处理器;以及
12、与所述至少一个处理器通信连接的存储器;其中,
13、所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序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专利技术任一实施例所述的人工智能驱动的新能源小时间尺度功率插值集成预测方法。
14、根据本专利技术的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的人工智能驱动的新能源小时间尺度功率插值集成预测方法。
15、本专利技术实施例的技术方案,获取待预测的未来时间段对应的未来天气预报信息;将未来天气预报信息输入至预先训练的与原始分辨率对应的最优功率预测模型中,得到与未来时间段内对应的具有原始分辨率的原始功率预测结果,从而充分利用未来天气预报信息;基于预设的目标分辨率、原始分辨率和预先确定的最优插值算法,对原始功率预测结果进行插值处理,得到未来时间段内对应的具有目标分辨率的目标功率预测结果。本实施例通过对原始功率预测结果进行插值处理,从而得到目标分辨率的目标功率预测结果,提高了新能源功率预测的频率,实现了对功率预测结果从原始分辨率到目标分辨率的压缩,提高了功率预测结果的精确程度。
16、应当理解,本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征,也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种人工智能驱动的新能源小时间尺度功率插值集成预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,在所述将所述未来天气预报信息输入至预先训练的与原始分辨率对应的最优功率预测模型中之前,还包括:
3.根据权利要求2所述的方法,其特征在于,所述基于各所述功率预测模型对应的测试结果,对各所述功率预测模型集成学习得到所述最优功率预测模型,包括:
4.根据权利要求2所述的方法,其特征在于,所述测试集中包括测试天气预报信息和具有所述目标分辨率的测试功率真实结果;
5.根据权利要求4所述的方法,其特征在于,所述基于所述测试功率真实结果与所述功率插值预测结果,在不同的所述插值算法中确定出所述最优插值算法,包括:
6.根据权利要求1所述的方法,其特征在于,所述将所述未来天气预报信息输入至预先训练的与原始分辨率对应的最优功率预测模型中,包括:
7.根据权利要求1所述的方法,其特征在于,所述基于预设的目标分辨率、所述原始分辨率和预先确定的最优插值算法,对所述原始功率预测结果进行插值处理,包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的人工智能驱动的新能源小时间尺度功率插值集成预测方法。
...【技术特征摘要】
1.一种人工智能驱动的新能源小时间尺度功率插值集成预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,在所述将所述未来天气预报信息输入至预先训练的与原始分辨率对应的最优功率预测模型中之前,还包括:
3.根据权利要求2所述的方法,其特征在于,所述基于各所述功率预测模型对应的测试结果,对各所述功率预测模型集成学习得到所述最优功率预测模型,包括:
4.根据权利要求2所述的方法,其特征在于,所述测试集中包括测试天气预报信息和具有所述目标分辨率的测试功率真实结果;
5.根据权利要求4所述的方法,其特征在于,所述基于所述测试功率真实结果与所述功率插值预测结果,在不同的所述插值算法中确定出所述最优插值算法,包括:...
【专利技术属性】
技术研发人员:包涛,马溪原,习伟,李鹏,胡旭东,潘世贤,程凯,陈炎森,周长城,李卓环,
申请(专利权)人:南方电网数字电网研究院有限公司,
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。