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】
本申请涉及功率预测,尤其涉及一种基于深度学习的可再生能源电站功率预测方法及系统。
技术介绍
1、随着我国可再生能源行业的不断发展,光伏发电和风力发电在全国各地广泛应用,但受到外界诸多因素的影响,光伏发电和风力发电展现出很强的波动性和不确定性,使其难以进行大范围并入电网。为了实现可再生能源的高效利用,可再生能源的功率预测精度亟待提高。因此,提高可再生能源的功率预测精度是一个亟需解决的问题。
技术实现思路
1、本申请的主要目的在于克服现有技术的缺点与不足,提供一种基于深度学习的可再生能源电站功率预测方法及系统,在功率预测模型中,考虑了对历史输出功率有影响的强相关的气象因素,增强了数据之间的相关性,提高了功率预测精度。
2、为了达到上述目的,本申请采用以下技术方案:
3、第一方面,本申请提供了一种基于深度学习的可再生能源电站功率预测方法,包括下述步骤:
4、计算发电站的历史输出功率数据与气象因素之间的相关性,根据所述相关性筛选出与历史输出功率数据强相关的气象因素;
5、采用改进阈值函数的小波降噪算法去除所述历史输出功率数据中的噪声信号,得到降噪后的第一历史输出功率数据;
6、对所述第一历史输出功率数据进行预处理,得到第二历史输出功率数据;
7、利用所述相关的气象因素和第二历史输出功率数据构建数据集,将所述数据集输入至预先设立的blstm-随机森林功率预测模型中进行训练,得到训练好的blstm-随机森林功率预测模型;<
...【技术保护点】
1.一种基于深度学习的可再生能源电站功率预测方法,其特征在于,包括下述步骤:
2.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法,其特征在于,所述计算发电站的历史输出功率数据与气象因素之间的相关性,根据所述相关性筛选出与历史输出功率数据强相关的气象因素,具体的:
3.根据权利要求2所述基于深度学习的可再生能源电站功率预测方法,其特征在于,所述光伏发电采用灰色关联法求解气象因素与光伏发电历史输出功率之间的相关性,步骤为:
4.根据权利要求2所述基于深度学习的可再生能源电站功率预测方法,其特征在于,所述风力发电采用皮尔逊公式求解气象因素与风力发电历史输出功率之间的相关性,步骤为:
5.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法,其特征在于,所述采用改进阈值函数的小波降噪算法去除所述历史输出功率数据中的噪声信号,得到第一历史输出功率数据,具体的:
6.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法,其特征在于,所述预处理包括缺失数据处理和异常数据处理;
7.根据权利要求1所述
8.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法,其特征在于,所述将所述数据集输入至预先设立的BLSTM-随机森林功率预测模型中进行训练,得到训练好的BLSTM-随机森林功率预测模型;步骤包括:
9.根据权利要求8所述基于深度学习的可再生能源电站功率预测方法,其特征在于,所述随机森林模型的训练流程为:
10.基于深度学习的可再生能源电站功率预测系统,其特征在于,应用于权利要求1-9中任一项所述的基于深度学习的可再生能源电站功率预测方法,包括筛选相关因素模块、数据去噪模块、预处理模块、模型训练模块以及预测模块;
...【技术特征摘要】
1.一种基于深度学习的可再生能源电站功率预测方法,其特征在于,包括下述步骤:
2.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法,其特征在于,所述计算发电站的历史输出功率数据与气象因素之间的相关性,根据所述相关性筛选出与历史输出功率数据强相关的气象因素,具体的:
3.根据权利要求2所述基于深度学习的可再生能源电站功率预测方法,其特征在于,所述光伏发电采用灰色关联法求解气象因素与光伏发电历史输出功率之间的相关性,步骤为:
4.根据权利要求2所述基于深度学习的可再生能源电站功率预测方法,其特征在于,所述风力发电采用皮尔逊公式求解气象因素与风力发电历史输出功率之间的相关性,步骤为:
5.根据权利要求1所述基于深度学习的可再生能源电站功率预测方法,其特征在于,所述采用改进阈值函数的小波降噪算法去除所述历史输出功率数据中的噪声信号,得到第一历史输出功率数据,具体的:
<...【专利技术属性】
技术研发人员:吴成珂,刘志超,李岳,董琦彦,陈前,林一方,唐聆珂,胡建浩,张小飞,
申请(专利权)人:国网浙江省电力有限公司青田县供电公司,
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。