【技术实现步骤摘要】
本申请涉及发电预测，特别是涉及一种分布式电源的发电随机特性刻画方法、装置、计算机设备、存储介质和计算机程序产品。
技术介绍
1、分布式发电是指分布在不同地点的小型能源发电设施，如太阳能电池板、风力发电机等，通过可再生能源直接向终端用户供电。与传统集中式发电相比，分布式发电系统具有分散、灵活、环保等优势，但，分布式发电也面临着一系列挑战，特别是其随机特性带来的影响，例如随机性带来的波动性可能影响系统的稳定性和可靠性。
2、传统技术中，针对分布式发电系统的随机性特征，主要的分析方法包括：通过概率分布函数、统计分析等手段描述随机变量的分布规律，例如正态分布、泊松分布等；或通过随机抽样的方式进行多次模拟，以获取随机变量的分布特性和概率分布，以预测和优化分布式发电系统的特性。
3、然而，由于分布式发电系统的随机性比较复杂，目前的分析方式难以处理大量多而杂乱的随机特征，从而导致分布式发电系统未来的运行状态，例如发电功率难以被准确预测。即，目前对于分布式发电系统的随机性刻画精确度较低。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高分布式发电系统的随机性刻画精确度的分布式电源的发电随机特性刻画方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本申请提供了一种分布式电源的发电随机特性刻画方法。所述方法包括：
3、获取分布式电源的历史发电特征数据集，所述历史发电特征数据集包括所述分布式电源在不同时段的发电功
4、基于所述历史发电特征数据集，构建多个携带不同发电特征标签的发电特征矩阵；
5、以不同的发电特征矩阵为输入，调用所述初始分布式发电功率预测模型，得到不同的发电特征矩阵对应的发电功率预测值；
6、获取不同发电特征标签下，所述发电功率预测值与发电功率实测值的误差，构建特征误差关联矩阵；
7、根据所述特征误差关联矩阵，确定所述分布式电源的发电随机特性数据；
8、其中，所述初始分布式发电功率预测模型为根据所述历史发电特征数据集，对双向长短时记忆网络模型进行训练得到。
9、在其中一个实施例中，所述确定所述分布式电源的发电随机特性数据之后，还包括：
10、获取目标时段下所述分布式电源的发电特征数据集；
11、根据所述发电随机特性数据，从所述历史发电特征数据集中，筛选出与所述发电特征数据集相匹配的目标历史发电特征数据集；
12、基于所述目标历史发电特征数据集，对双向长短时记忆网络模型进行训练，得到目标分布式发电功率预测模型。
13、在其中一个实施例中，根据所述历史发电特征数据集，对双向长短时记忆网络模型进行训练，得到初始分布式发电功率预测模型，包括：
14、根据所述历史发电特征数据集，确定所述双向长短时记忆网络模型的模型参数，得到初始双向长短时记忆网络模型；
15、以所述历史发电特征数据集为输入，调用所述初始双向长短时记忆网络模型进行发电功率预测，得到发电功率预测值；
16、基于所述发电功率预测值和所述发电功率实测值，构建损失函数；
17、通过梯度下降方法，最小化所述损失函数的函数值，更新所述模型参数，得到初始分布式发电功率预测模型。
18、在其中一个实施例中，所述基于所述发电功率预测值和所述发电功率实测值，构建损失函数，包括：
19、在待预测的发电功率类型为确定性功率的情况下，基于所述发电功率预测值和所述发电功率实测值，构建均方误差损失函数，所述确定性功率用于描述每个时间点确定的发电功率值；
20、在待预测的发电功率类型为概率性功率的情况下，基于所述发电功率预测值和所述发电功率实测值，构建弹球损失函数，所述概率性功率用于描述每个时间点发电功率值的概率分布，所述损失函数包括均方误差损失函数和弹球损失函数。
21、在其中一个实施例中，所述基于所述历史发电特征数据集，构建多个携带不同发电特征标签的发电特征矩阵包括：
22、对所述历史发电特征数据集进行归一化处理，得到归一化的历史发电特征数据集；
23、对所述归一化的历史发电特征数据集进行聚类处理，得到多个发电特征标签下的发电特征数据簇；
24、根据多个发电特征标签下的发电特征数据簇，构建多个携带不同发电特征标签的发电特征矩阵。
25、在其中一个实施例中，所述得到目标分布式发电功率预测模型之后，还包括：
26、以所述发电特征数据集为输入，调用所述目标分布式发电功率预测模型进行发电功率预测，得到所述分布式电源的发电功率。
27、在其中一个实施例中，所述目标分布式发电功率预测模型包括前向长短时记忆层、后向长短时记忆层、以及注意力机制，所述发电特征数据集包括时序正向的第一发电特征数据、以及时序逆向的第二发电特征数据；
28、所述以所述发电特征数据集为输入，调用已训练的目标分布式发电功率预测模型进行发电功率预测，得到所述分布式电源的发电功率，包括：
29、以所述发电特征数据集为输入，调用所述前向长短时记忆层，对所述第一发电特征数据进行特征提取处理，得到前向特征提取结果；
30、调用所述后向长短时记忆层，对所述第二发电特征数据进行特征提取操作，得到后向特征提取结果；
31、拼接所述前向特征提取结果和所述后向特征提取结果，通过所述注意力机制，调整所述前向特征提取结果和所述后向特征提取结果的权重，确定目标特征提取结果；
32、根据所述目标特征提取结果，预测所述分布式电源的发电功率。
33、第二方面，本申请还提供了一种发电功率预测装置。所述装置包括：
34、数据获取模块，用于获取分布式电源的历史发电特征数据集，所述历史发电特征数据集包括所述分布式电源在不同时段的发电功率实测值；
35、特征矩阵构建模块，用于基于所述历史发电特征数据集，构建多个携带不同发电特征标签的发电特征矩阵；
36、发电功率预测模块，用于以不同的发电特征矩阵为输入，调用所述初始分布式发电功率预测模型，得到不同的发电特征矩阵对应的发电功率预测值；
37、关联矩阵构建模块，用于获取不同发电特征标签下，所述发电功率预测值与发电功率实测值的误差，构建特征误差关联矩阵；
38、随机特性刻画模块，用于根据所述特征误差关联矩阵，确定所述分布式电源的发电随机特性数据；
39、其中，所述初始分布式发电功率预测模型为根据所述历史发电特征数据集，对双向长短时记忆网络模型进行训练得到。
40、第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述各分布式电源的发电随机特性刻画方法实施例中的步骤。
41、第四方面，本申请还提供了一本文档来自技高网...
【技术保护点】
1.一种分布式电源的发电随机特性刻画方法，其特征在于，所述方法包括：
2.根据权利要求1 所述的方法，其特征在于，所述确定所述分布式电源的发电随机特性数据之后，还包括：
3.根据权利要求1 所述的方法，其特征在于，根据所述历史发电特征数据集，对双向长短时记忆网络模型进行训练，得到初始分布式发电功率预测模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述发电功率预测值和所述发电功率实测值，构建损失函数，包括：
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述基于所述历史发电特征数据集，构建多个携带不同发电特征标签的发电特征矩阵包括：
6.根据权利要求2所述的方法，其特征在于，所述得到目标分布式发电功率预测模型之后，还包括：
7.根据权利要求6所述的方法，其特征在于，所述目标分布式发电功率预测模型包括前向长短时记忆层、后向长短时记忆层、以及注意力机制，所述发电特征数据集包括时序正向的第一发电特征数据、以及时序逆向的第二发电特征数据；
8.一种分布式电源的发电随机特性刻画装置，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种分布式电源的发电随机特性刻画方法，其特征在于，所述方法包括：
2.根据权利要求1 所述的方法，其特征在于，所述确定所述分布式电源的发电随机特性数据之后，还包括：
3.根据权利要求1 所述的方法，其特征在于，根据所述历史发电特征数据集，对双向长短时记忆网络模型进行训练，得到初始分布式发电功率预测模型，包括：
4.根据权利要求3所述的方法，其特征在于，所述基于所述发电功率预测值和所述发电功率实测值，构建损失函数，包括：
5.根据权利要求1至4任意一项所述的方法，其特征在于，所述基于所述历史发电特征数据集，构建多个携带不同发电特征标签的发电特征矩阵包括：
6.根据权利要求2所述的方法，其特征在于，所述...
【专利技术属性】
技术研发人员：陈明辉，刘艳萍，曾顺奇，罗龙波，郭烨，孟子超，
申请(专利权)人：广东电网有限责任公司广州供电局，
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。