新能源功率预测方法技术

本申请的实施例提供了新能源功率预测方法

【技术实现步骤摘要】
新能源功率预测方法、装置、设备和计算机可读存储介质


[0001]本申请的实施例涉及功率预测领域，尤其涉及新能源功率预测方法
、
装置
、
设备和计算机可读存储介质
。

技术介绍

[0002]在新能源领域，随着太阳能光伏发电
、
风能发电等多种新能源发电方式的兴起，有效的缓解了能源的短缺以及环境污染等问题
。
单一发电方式的转变也带来了一系列的问题，光伏发电和风能发电较传统发电模式具有较大的不确定性和随机性，会严重影响电网安全稳定运行
[0003]采用长短期记忆神经网络进行新能源功率的预测，是当前主流的预测方法
。
但是新能源出力存在较大的随机性和不确定性，单一采用长短期记忆神经网络预测会产生一定的误差
。
[0004]同时，基于新能源原始特征数据的高维度特性，直接采用长短期记忆神经网络进行新能源功率的预测，会占用大量的计算资源
。
[0005]因此，如何减小预测误差
、
降低运算量，是目前亟需解决的问题
。

技术实现思路

[0006]根据本申请的实施例，提供了一种新能源功率预测方案，在提高了预测准确性的同时，解决了高维数据带来的计算量大的问题
。
[0007]在本申请的第一方面，提供了一种新能源功率预测方法
。
该方法包括：
[0008]获取新能源的原始特征数据；所述原始特征数据包括功率
、
光照
、
气压和
/
或湿度；
[0009]对所述原始特征数据进行归一化，得到第一特征数据；
[0010]对所述第一特征数据进行降维，得到第二特征数据；
[0011]对所述第二特征数据进行聚类，得到第三特征数据；
[0012]将所述第三特征数据，输入至预先通过长短期记忆神经网络训练的功率预测模型，完成对新能源功率的预测
。
[0013]进一步地，所述对所述原始特征数据进行归一化，得到第一特征数据包括：
[0014]对原始特征数据进行归一化；
[0015]通过
person
相关系数，对归一化的特征数据进行筛选，得到第一特征数据
。
[0016]进一步地，所述对所述第一特征数据进行降维，得到第二特征数据包括：
[0017]基于所述第一特征数据中特征数据点的距离，构建条件概率；基于所述条件概率，得到第一概率分布矩阵；
[0018]随机初始化低维特征数据矩阵，将所述低维特征数据矩阵中特征数据点间的欧式距离转化为概率相似度，得到第二概率分布矩阵；
[0019]通过
KL
散度对所述第一和第二概率分布矩阵进行处理，得到2维的第二特征数据
。
[0020]进一步地，所述基于所述第一特征数据中特征数据点的距离，构建条件概率；基于
所述条件概率，得到第一概率分布矩阵包括：
[0021][0022][0023]p
i
＝
[p
i1
，
p
i2
，
……
，
p
in
][0024]P
＝
[p1，
p2，
……
，
p
n
][0025]其中，
p
ij
为特征点
x
i
和
x
j
之间的概率相似度；
[0026]σ
i
为标准差；
[0027]p
i
为相似度矩阵
。
[0028]进一步地，所述随机初始化低维特征数据矩阵，将所述低维特征数据矩阵中特征数据点间的欧式距离转化为概率相似度，得到第二概率分布矩阵包括：
[0029][0030]Q
i
＝
[q
i1
，
q
i2
，
……
，
q
iN
][0031]Q
＝
[Q1，
Q2，
……
，
Q
N
][0032]其中，
Y
i
为低维度下特征集；
[0033]Q
i
为相似性度量矩阵
。
[0034]进一步地，还包括：
[0035]将如下函数作为降维求解的损失函数：
[0036][0037]其中，
C
i
为损失函数
。
[0038]进一步地，所述对所述第二特征数据进行聚类，得到第三特征数据包括：
[0039]基于所述第二特征数据，计算聚类中心和用于密度计算的截断距离；
[0040]基于所述聚类中心和截断距离，对所述第二特征数据进行聚类，得到第三特征数据
。
[0041]在本申请的第二方面，提供了一种新能源功率预测装置
。
该装置包括：
[0042]获取模块，用于获取新能源的原始特征数据；所述原始特征数据包括功率
、
光照
、
气压和
/
或湿度；
[0043]处理模块，用于对所述原始特征数据进行归一化，得到第一特征数据；
[0044]降维模块，用于对所述第一特征数据进行降维，得到第二特征数据；
[0045]聚类模块，用于对所述第二特征数据进行聚类，得到第三特征数据；
[0046]预测模块，用于将所述第三特征数据，输入至预先通过长短期记忆神经网络训练的功率预测模型，完成对新能源功率的预测
。
[0047]在本申请的第三方面，提供了一种电子设备
。
该电子设备包括：存储器和处理器，所述存储器上存储有计算机程序，所述处理器执行所述程序时实现如以上所述的方法
。
[0048]在本申请的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现如根据本申请的第一方面的方法
。
[0049]本申请实施例提供的新能源功率预测方法，通过获取新能源的原始特征数据；所述原始特征数据包括功率
、
光照
、
气压和
/
或湿度；对所述原始特征数据进行归一化，得到第一特征数据；对所述第一特征数据进行降维，得到第二特征数据；对所述第二特征数据进行聚类，得到第三特征数据；将所述第三特征数据，输入至预先通过长短期记忆神经网络训练的功率预测模型，完成对新能源功率的预测，提高了功率预测的准确率，解决了高维数据带来的计算量大的问题，实现了新能源功率预测的可控性
。
[0050]应当理解，
技术实现思路
部分中所描述的内容并非旨在限定本申请的实施例的关键或重要特征，亦本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种新能源功率预测方法，其特征在于，包括：获取新能源的原始特征数据；所述原始特征数据包括功率
、
光照
、
气压和
/
或湿度；对所述原始特征数据进行归一化，得到第一特征数据；对所述第一特征数据进行降维，得到第二特征数据；对所述第二特征数据进行聚类，得到第三特征数据；将所述第三特征数据，输入至预先通过长短期记忆神经网络训练的功率预测模型，完成对新能源功率的预测
。2.
根据权利要求1所述的方法，其特征在于，所述对所述原始特征数据进行归一化，得到第一特征数据包括：对原始特征数据进行归一化；通过
person
相关系数，对归一化的特征数据进行筛选，得到第一特征数据
。3.
根据权利要求1所述的方法，其特征在于，所述对所述第一特征数据进行降维，得到第二特征数据包括：基于所述第一特征数据中特征数据点的距离，构建条件概率；基于所述条件概率，得到第一概率分布矩阵；随机初始化低维特征数据矩阵，将所述低维特征数据矩阵中特征数据点间的欧式距离转化为概率相似度，得到第二概率分布矩阵；通过
KL
散度对所述第一和第二概率分布矩阵进行处理，得到2维的第二特征数据
。4.
根据权利要求3所述的方法，其特征在于，所述基于所述第一特征数据中特征数据点的距离，构建条件概率；基于所述条件概率，得到第一概率分布矩阵包括：的距离，构建条件概率；基于所述条件概率，得到第一概率分布矩阵包括：
p
i
＝
[p
i1
，
p
i2
，
……
，
p
in
]P
＝
[p1，
p2，
……
，
p
n
]
其中，
p
ij
为特征点
x
i
和
x
j
之间的概率相似度；
σ
i
为标准差；
p
i
为相似度矩阵...

【专利技术属性】
技术研发人员：彭曙蓉，陈慧霞，郭丽娟，李彬，王娜，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：