一种多能源联合发电系统的功率预测模型构建及预测方法

摘要

本发明公开了一种多能源联合发电系统的功率预测模型构建及预测方法，获取多能源联合发电系统中每一种发电方式的历史发电功率数据以及对应的气象因子并输入预设网络模型计算得到多种发电方式中任意两种发电方式之间的发电功率相关性；以该相关性以及每一种发电方式对应的纳什效率系数构建损失函数、以每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子作为训练数据，对预设网络模型进行训练直至满足预设训练条件并得到对应的多能源联合发电系统的功率预测模型，兼顾了模型预测的精度提高需求和多能源联合发电系统的功率预测的相关性，为多能源互补调度计划编制提供了基础性、精准的数据支撑。

权利要求

1.一种多能源联合发电系统的功率预测模型构建方法，其特征在于，包括如下步骤：获取多能源联合发电系统中每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子，所述气象因子表征影响发电功率的气象因素；

将所述每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子输入预设网络模型，使得所述预设网络模型按照预设相关性计算方法计算得到多种发电方式中任意两种发电方式之间的发电功率相关性，所述预设相关性计算方法利用下式的第一关系式表示：式中，r表示两种不同发电方式(y1、y2)之间的发电功率相关性；n表示每一种发电方式的历史发电功率数据的样本总数；y1(i)、y2(i)分别表示两种不同发电方式的历史发电功率数据中第i个样本的功率数据； 分别表示两种不同发电方式的历史发电功率数据的平均值；

以所述任意两种发电方式之间的发电功率相关性以及每一种发电方式对应的纳什效率系数构建损失函数、以所述每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子作为训练数据，对所述预设网络模型进行训练直至满足预设训练条件并得到对应的多能源联合发电系统的功率预测模型，包括：通过下式的第二关系式计算每一种发电方式对应的纳什效率系数：

式中，T表示用于模型训练的每一种发电方式的历史发电功率数据的样本总数；y1(t)表示用于模型训练的每一种发电方式的历史发电功率数据中第t个样本的功率数据； 表示用于模型训练的每一种发电方式的历史发电功率数据中第t个样本的预测功率数据；通过实际获取的发电功率数据y1(t)与预测功率数据 进行运算比较来计算纳什效率系数，可以验证模型预测结果的好坏；

通过下式的第三关系式构建所述损失函数：

L＝lossNSE+lossr

式中，lossNSE表示纳什效率系数对应的损失函数；lossr表示任意两种发电方式之间的发电功率相关性对应的损失函数。

2.根据权利要求1所述的方法，其特征在于，将所述每一种发电方式的历史发电功率数据以及对应的历史发电功率数据的气象因子输入预设网络模型之前，所述方法还包括：对获取到的所述历史发电功率数据进行异常数据和/或缺失数据的识别操作；

对识别到的历史发电功率异常数据和历史发电功率缺失数据进行异常处理。

3.根据权利要求2所述的方法，其特征在于，对获取到的所述历史发电功率数据进行缺失数据的识别操作，包括：当获取的任意两个相邻的所述历史发电功率数据对应的时间间隔大于预设时长，判定所述两个相邻的历史发电功率数据为历史发电功率缺失数据。

4.根据权利要求2所述的方法，其特征在于，对识别到的历史发电功率异常数据和历史发电功率缺失数据进行异常处理，包括：在获取到的历史发电功率数据中删除所述历史发电功率缺失数据并利用预设监督学习方法对所述历史发电功率异常数据进行处理。

5.根据权利要求1所述的方法，其特征在于，所述多能源联合发电系统包括水能发电系统。

6.根据权利要求5所述的方法，其特征在于，获取多能源联合发电系统中每一种发电方式的历史发电功率数据，包括：获取水电站历史数据并根据所述水电站历史数据计算对应的水能历史发电功率数据。

7.一种多能源联合发电系统的功率预测方法，其特征在于，包括如下步骤：

获取待预测多能源联合发电系统中每一种发电方式的发电功率数据对应的气象因子；

将所述每一种发电方式的发电功率数据对应的气象因子输入如权利要求1－6任一项所述的多能源联合发电系统的功率预测模型构建方法构建得到的多能源联合发电系统的功率预测模型，得到所述待预测多能源联合发电系统的功率。

8.一种多能源联合发电系统的功率预测模型构建装置，其特征在于，包括：

第一获取模块，用于获取多能源联合发电系统中每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子，所述气象因子表征影响发电功率的气象因素；

第一输入模块，用于将所述每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子输入预设网络模型，使得所述预设网络模型按照预设相关性计算方法计算得到多种发电方式中任意两种发电方式之间的发电功率相关性，所述预设相关性计算方法利用下式的第一关系式表示：式中，r表示两种不同发电方式(y1、y2)之间的发电功率相关性；n表示每一种发电方式的历史发电功率数据的样本总数；y1(i)、y2(i)分别表示两种不同发电方式的历史发电功率数据中第i个样本的功率数据； 分别表示两种不同发电方式的历史发电功率数据的平均值；

训练模块，用于以所述任意两种发电方式之间的发电功率相关性以及每一种发电方式对应的纳什效率系数构建损失函数、以所述每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子作为训练数据，对所述预设网络模型进行训练直至满足预设训练条件并得到对应的多能源联合发电系统的功率预测模型，包括：通过下式的第二关系式计算每一种发电方式对应的纳什效率系数：

式中，T表示用于模型训练的每一种发电方式的历史发电功率数据的样本总数；y1(t)表示用于模型训练的每一种发电方式的历史发电功率数据中第t个样本的功率数据； 表示用于模型训练的每一种发电方式的历史发电功率数据中第t个样本的预测功率数据；通过实际获取的发电功率数据y1(t)与预测功率数据 进行运算比较来计算纳什效率系数，可以验证模型预测结果的好坏；

通过下式的第三关系式构建所述损失函数：

L＝lossNSE+lossr

式中，lossNSE表示纳什效率系数对应的损失函数；lossr表示任意两种发电方式之间的发电功率相关性对应的损失函数。

9.一种多能源联合发电系统的功率预测装置，其特征在于，包括：

第二获取模块，用于获取待预测多能源联合发电系统中每一种发电方式的发电功率数据对应的气象因子；

第二输入模块，用于将所述每一种发电方式的发电功率数据对应的气象因子输入如权利要求1－6任一项所述的多能源联合发电系统的功率预测模型构建方法构建得到的多能源联合发电系统的功率预测模型，得到所述待预测多能源联合发电系统的功率。

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所述计算机执行如权利要求1－6任一项所述的多能源联合发电系统的功率预测模型构建方法，或如权利要求7所述的多能源联合发电系统的功率预测方法。

11.一种电子设备，其特征在于，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如权利要求1－6任一项所述的多能源联合发电系统的功率预测模型构建方法，或如权利要求7所述的多能源联合发电系统的功率预测方法。

说明书

一种多能源联合发电系统的功率预测模型构建及预测方法

技术领域

[0001] 本发明涉及电力能源技术领域，具体涉及一种多能源联合发电系统的功率预测模型构建及预测方法。

背景技术

[0002] 大力发展水能、风能、光能等可再生能源的发电技术可有效解决由于常规化石能源发电过程中引起的环境污染问题。从当前可再生能源的资源状况和技术发展水平看，将水能、风能、太阳能等多种可再生能源进行聚合，形成多能互补发电系统是一条有效的途径。但光伏发电和风力发电的随机性和波动性是这两种可再生能源固有的缺陷，大规模的光伏和风电并网势必会对发电系统的安全和稳定运行造成威胁。因此，提高多种可再生能源的联合发电预测的精度，对发电系统的安全稳定运行、提高电能质量和提高可再生能源的有效利用意义重大。但现有的可再生能源发电功率预测大都借助深度学习等人工智能算法、针对单一能源进行分析，尚未基于多种可再生能源开展功率联合预测。

发明内容

[0003] 有鉴于此，本发明实施例提供了涉及一种多能源联合发电系统的功率预测模型构建及预测方法，以实现对多种可再生能源的联合预测。

[0004] 本发明提出的技术方案如下：

[0005] 本发明实施例第一方面提供一种多能源联合发电系统的功率预测模型构建方法，该多能源联合发电系统的功率预测模型构建方法包括：获取多能源联合发电系统中每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子，所述气象因子表征影响发电功率的气象因素；将所述每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子输入预设网络模型，使得所述预设网络模型按照预设相关性计算方法计算得到多种发电方式中任意两种发电方式之间的发电功率相关性；以所述任意两种发电方式之间的发电功率相关性以及每一种发电方式对应的纳什效率系数构建损失函数、以所述每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子作为训练数据，对所述预设网络模型进行训练直至满足预设训练条件并得到对应的多能源联合发电系统的功率预测模型。

[0006] 可选地，将所述每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子输入预设网络模型之前，所述方法还包括：对获取到的所述历史发电功率数据进行异常数据和/或缺失数据的识别操作；对识别到的历史发电功率异常数据和历史发电功率缺失数据进行异常处理。

[0007] 可选地，对获取到的所述历史发电功率数据进行缺失数据的识别操作，包括：当获取的任意两个相邻的所述历史发电功率数据对应的时间间隔大于预设时长，判定所述两个相邻的历史发电功率数据为历史发电功率缺失数据。

[0008] 可选地，对识别到的历史发电功率异常数据和历史发电功率缺失数据进行异常处理，包括：在获取到的历史发电功率数据中删除所述历史发电功率缺失数据并利用预设监督学习方法对所述历史发电功率异常数据进行处理。

[0009] 可选地，所述多能源联合发电系统包括水能发电系统。

[0010] 可选地，获取多能源联合发电系统中每一种发电方式的历史发电功率数据，包括：获取水电站历史数据并根据所述水电站历史数据计算对应的水能历史发电功率数据。

[0011] 本发明实施例第二方面提供一种多能源联合发电系统的功率预测方法，该多能源联合发电系统的功率预测方法包括：获取待预测多能源联合发电系统中每一种发电方式的发电功率数据对应的气象因子；将所述每一种发电方式的发电功率数据对应的气象因子输入如本发明实施例第一方面及第一方面任一项所述的多能源联合发电系统的功率预测模型构建方法构建得到的多能源联合发电系统的功率预测模型，得到所述待预测多能源联合发电系统的功率。

[0012] 本发明实施例第三方面提供一种多能源联合发电系统的功率预测模型构建装置，该多能源联合发电系统的功率预测模型构建装置包括：第一获取模块，用于获取多能源联合发电系统中每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子，所述气象因子表征影响发电功率的气象因素；第一输入模块，用于将所述每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子输入预设网络模型，使得所述预设网络模型按照预设相关性计算方法计算得到多种发电方式中任意两种发电方式之间的发电功率相关性；训练模块，用于以所述任意两种发电方式之间的发电功率相关性以及每一种发电方式对应的纳什效率系数构建损失函数、以所述每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子作为训练数据，对所述预设网络模型进行训练直至满足预设训练条件并得到对应的多能源联合发电系统的功率预测模型。

[0013] 本发明实施例第四方面提供一种多能源联合发电系统的功率预测装置，该多能源联合发电系统的功率预测装置包括：第二获取模块，用于获取待预测多能源联合发电系统中每一种发电方式的发电功率数据对应的气象因子；第二输入模块，用于将所述每一种发电方式的发电功率数据对应的气象因子输入如本发明实施例第一方面及第一方面任一项所述的多能源联合发电系统的功率预测模型构建方法构建得到的多能源联合发电系统的功率预测模型，得到所述待预测多能源联合发电系统的功率。

[0014] 本发明实施例第五方面提供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所述计算机执行如本发明实施例第一方面及第一方面任一项所述的多能源联合发电系统的功率预测模型构建方法，或者如本发明实施例第二方面及第二方面任一项所述的多能源联合发电系统的功率预测方法。

[0015] 本发明实施例第六方面提供一种电子设备，包括：存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行如本发明实施例第一方面及第一方面任一项所述的多能源联合发电系统的功率预测模型构建方法，或者如本发明实施例第二方面及第二方面任一项所述的多能源联合发电系统的功率预测方法。

[0016] 本发明提供的技术方案，具有如下效果：

[0017] 本发明实施例提供的多能源联合发电系统的功率预测模型构建方法，构建了由纳什效率系数与发电功率相关性组成的损失函数，兼顾了模型预测的精度提高需求和多能源联合发电系统的功率预测的相关性，为多能源互补调度计划编制提供了基础性、精准的数据支撑。

[0018] 本发明实施例提供的多能源联合发电系统的功率预测方法，利用训练好的多能源联合发电系统的功率预测模型进行预测，实现了多能源联合发电系统功率的同步、联合预测。

附图说明

[0019] 为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0020] 图1是根据本发明实施例的多能源联合发电系统的功率预测模型构建方法的流程图；

[0021] 图2是根据本发明实施例提供的箱线图的示意图；

[0022] 图3是根据本发明实施例的多能源联合发电系统的功率预测方法的流程图；

[0023] 图4是根据本发明实施例的多能源联合发电系统的功率预测模型构建装置的结构框图；

[0024] 图5是根据本发明实施例的多能源联合发电系统的功率预测装置的结构框图；

[0025] 图6是根据本发明实施例提供的计算机可读存储介质的结构示意图；

[0026] 图7是根据本发明实施例提供的电子设备的结构示意图。

具体实施方式

[0027] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0028] 本发明实施例提供一种多能源联合发电系统的功率预测模型构建方法，如图1所示，该方法包括如下步骤：

[0029] 步骤S101：获取多能源联合发电系统中每一种发电方式的历史发电功率数据以及对应的历史发电功率数据的气象因子，所述气象因子表征影响发电功率的气象因素。具体地，多能源联合发电系统表示利用各种能源之间的互补性所组成的发电系统。以多能源联合发电系统为由水能、风能、太阳能为例，则系统每一种发电方式的历史发电功率数据对应的气象因子可以包括降水量、蒸发、径流、气压、风速、风向、直射辐射、散射辐射、气温等影响发电功率的气象元素。本申请实施例对该气象因子的类型不作限定，本领域技术人员可以根据实际需要选择可以影响发电功率的气象因素。

[0030] 步骤S102：将所述每一种发电方式的历史发电功率数据以及对应的历史发电功率数据的气象因子输入预设网络模型，使得所述预设网络模型按照预设相关性计算方法计算得到多种发电方式中任意两种发电方式之间的发电功率相关性。具体地，预设网络模型可以为长短期记忆神经网络(LSTM)模型等神经网络模型，本发明对此不做具体限定，只要满足需求即可。

[0031] 本申请实施例中预设网络模型通过下式进行相关性计算：

[0032]

[0033] 式中，r表示两种不同发电方式(y1、y2)之间的发电功率相关性；n表示每一种发电方式的历史发电功率数据的样本总数；y1(i)、y2(i)分别表示两种不同发电方式的历史发电功率数据中第i个样本的功率数据； 分别表示两种不同发电方式的历史发电功率数据的平均值。

[0034] 该预设网络模型学习该相关性计算方法后，当该模型中输入多种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子后，该预设网络模型可以计算得到多种发电方式中任意两种发电方式之间的发电功率相关性。

[0035] 步骤S103：以所述任意两种发电方式之间的发电功率相关性以及每一种发电方式对应的纳什效率系数构建损失函数、以所述每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子作为训练数据，对所述预设网络模型进行训练直至满足预设训练条件并得到对应的多能源联合发电系统的功率预测模型。纳什效率系数用于验证模型模拟结果的好坏。

[0036] 具体地，首先，通过下式计算每一种发电方式对应的纳什效率系数(Nash‑Sutcliffe efficiency coefficient，NSE)：

[0037]

[0038] 式中，T表示用于模型训练的每一种发电方式的历史发电功率数据的样本总数，比如每一种发电方式的历史发电功率数据中70％的历史发电功率数据的样本总数；y1(t)表示用于模型训练的每一种发电方式的历史发电功率数据中第t个样本的功率数据； 表示用于模型训练的每一种发电方式的历史发电功率数据中第t个样本的预测功率数据；通过实际获取的发电功率数据y1(t)与预测功率数据 进行运算比较来计算纳什效率系数，可以验证模型预测结果的好坏。

[0039] 然后，根据多能源中任意两种发电方式之间的发电功率相关性以及每一种发电方式对应的纳什效率系数构建下述损失函数，以多能源联合发电系统包含3种发电方式为例，则损失函数计算公式如下式所示：

[0040] L＝lossNSE+lossr…………………………………(3)

[0041] 式中，lossNSE表示纳什效率系数对应的损失函数；lossr表示任意两种发电方式之间的发电功率相关性对应的损失函数；

[0042] 其中：

[0043] lossNSE＝3‑(NSE1+NSE2+NSE3)…………………………………(4)

[0044]

[0045] 式中，NSE1、NSE2、NSE3分别表示不同发电方式对应的纳什效率系数，具体参考公式(2)进行计算；r12、r13、r23分别表示模型输入的任意两种发电方式之间的发电功率相关性，由历史发电功率计算得出。其中r12为发电方式1和发电方式2之间的发电功率相关性、r13为发电方式1和发电方式3之间的发电功率相关性、r23为发电方式2和发电方式3之间的发电功率相关性； 分别表示模型输出的对应的任意两种发电方式之间的发电功率相关性，由预测发电功率计算得到；具体地， r12、r13、r23均参考公式(1)进行计算；

[0046] λ12、λ13、λ23分别表示 对应的惩罚项参数，取值方式如下：

[0047]

[0048]

[0049]

[0050] 式中，αr表示历史发电功率与预测发电功率相关性的相对差异阈值，取值范围为[0.1,0.3]，具体取值需根据决策者偏好进一步确定；

[0051] 利用构建的损失函数对模型进行训练：以每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子作为训练数据对该预设网络模型进行训练，直至该损失函数取值最小(Lmin)时训练结束并得到对应的多能源联合发电系统的功率预测模型。

[0052] 在一实施例中，当多能源联合发电系统包括三种不同的发电方式(方式1、2、3)时，预设网络模型为三个不同的LSTM模型，且对应的损失函数均为公式3所述的损失函数；将三种发电方式的历史发电功率数据分别输入对应的LSTM模型中进行训练后，得到多能源联合发电系统的功率预测模型{LSTM1,LSTM2,LSTM3}。其中，该多能源联合发电系统的功率预测模型为三个训练好的发电功率预测模型LSTM1、LSTM2、LSTM3组成，分别用于预测不同发电方式对应的功率数据。

[0053] 作为本发明实施例一种可选的实施方式，还可以对多能源联合发电系统的功率预测模型的参数进行优化。

[0054] 具体地，当多能源联合发电系统包括三种不同的发电方式(方式1、2、3)时，该多能源联合发电系统的功率预测模型对应的超参数可以包括：记忆单元数{MC1,MC2,MC3}，网络层数{La1,La2,La3}，学习率{R1,R2,R3}，批次大小{B1,B2,B3}，时间展开步数{ts1,ts2,ts3}，以及梯度下降算法的选择{G1,G1,G3}。

[0055] 分别在给定一组超参数的情况下，使用训练集(历史发电功率数据中70％的历史发电功率数据)训练得到三种不同发电方式各自对应的发电功率预测模型LSTM1、LSTM2、LSTM3，将剩余30％的历史发电功率数据作为验证集计算出此时对应的目标函数的取值。

[0056] 获取目标函数取值最小时每一种发电方式对应的发电功率预测模型的超参数组合，并最终获取得到该超参数组合下对应的最佳多能源联合发电系统的功率预测模型{LSTM1(best),LSTM2(best),LSTM3(best)}。

[0057] 本发明实施例提供的多能源联合发电系统的功率预测模型构建方法，构建了由纳什效率系数与发电功率相关性组成的损失函数，兼顾了模型预测的精度提高需求和多能源联合发电系统的功率预测的相关性，为多能源互补调度计划编制提供了基础性、精准的数据支撑。

[0058] 作为本发明实施例一种可选的实施方式，步骤S102之前，所述方法还包括：对获取到的所述历史发电功率数据进行异常数据和/或缺失数据的识别操作；对识别到的历史发电功率异常数据和历史发电功率缺失数据进行异常处理。

[0059] 首先，利用箱线图对该历史发电功率数据中的异常数据进行识别处理。

[0060] 具体地，利用箱线图识别异常数据表示将大于或小于箱线图设定的上界(UB)和下界(LB)的数据视为异常数据。其中，箱线图如图2所示。

[0061] 其中，UB和LB的计算公式为：

[0062] UB＝U+1.5(U‑L)…………………(9)

[0063] LB＝L‑1.5(U‑L)…………………(10)

[0064] 式中，U为上四分位数，表示某一类发电方式对应的历史发电功率数据中只有1/4的数据大于U；L为下四分位数，表示某一类发电方式对应的历史发电功率数据中只有1/4的数据小于U。

[0065] 其次，对获取到的历史发电功率数据进行缺失数据的识别操作，包括：当获取的任意两个相邻的所述历史发电功率数据对应的时间间隔大于预设时长，判定所述两个相邻的历史发电功率数据为历史发电功率缺失数据。比如，将该历史发电功率数据中连续缺失16个时刻以上的数据视为历史发电功率缺失数据。

[0066] 然后，对识别到的历史发电功率异常数据和历史发电功率缺失数据进行异常处理，包括：在获取到的历史发电功率数据中删除所述历史发电功率缺失数据并利用预设监督学习方法对所述历史发电功率异常数据进行处理。

[0067] 预设监督学习方法可以包括K近邻互补法、朴素贝叶斯、决策树、EM算法等，本发明对此不做具体限定，只要满足需求即可。

[0068] 具体地，在该历史发电功率数据中删除该历史发电功率缺失数据。

[0069] 在一实施例中，利用K近邻互补法处理该历史发电功率异常数据的计算公式为：

[0070]

[0071] 式中，xj表示某一类发电方式对应的历史发电功率数据中第j个样本的数据为异常数据xj；xj‑k表示xj前第k个数据；xj+k表示xj后第k个数据；k值一般取值为2－5，根据实际需求确定即可。

[0072] 作为本发明实施例一种可选的实施方式，当多能源联合发电系统为水、风、光多能互补联合发电系统时，获取多能源联合发电系统中每一种发电方式的历史发电功率数据，包括：获取水电站历史数据并根据所述水电站历史数据计算对应的水能历史发电功率数据。其中，水电站历史数据包括但不限于入库流量、水位－库容关系曲线、下泄流量－尾水位关系曲线、水电站水库水位上下限值、水电站水库最大发电流量值、最小允许下泄流量、水电站出力系数、水电站装机容量、水电站保证出力、水电站调度规程等。

[0073] 然后，通过下式计算对应的水能历史发电功率数据：

[0074] Pt＝min(Pmax,ηQEtΔZt)…………………(13)

[0075] 式中，Pmax表示装机容量；η表示出力系数；QEt表示水电站发电流量，为最大允许发电流量QEmax和出库流量Qt两者中的较小值；ΔZt表示发电水头差；

[0076] 其中：

[0077]

[0078]

[0079]

[0080] Vt+1＝Vt+(It‑Qt)Δt…………………(17)

[0081] 式中， 表示上游水位，根据当前平均库容和水电站水位－库容关系曲线Zup～fdown(V)计算得到； 表示尾水位，根据当前出库流量Qt和水电站尾水位－泄流曲线Z ～g(Q)计算得到；Vt+1表示第t+1时段的库容值；Vt表示第t时段的库容值；It表示入库流量；Qt表示出库流量，可根据调度规程或既定调度方案Qt＝f(θt,It,Vt)计算得到；其中，水电站调度方案参数θt＝{θ1,t,…,θM,t}取决于研究对象、采用的调度规则描述型式及调度规则呈现方式。

[0082] 本发明实施例提供一种多能源联合发电系统的功率预测方法，如图3所示，该方法包括如下步骤：

[0083] 步骤S201：获取待预测多能源联合发电系统中每一种发电方式的发电功率数据对应的气象因子。

[0084] 步骤S202：将所述每一种发电方式的发电功率数据对应的气象因子输入如本发明实施例所述的多能源联合发电系统的功率预测模型构建方法构建得到的多能源联合发电系统的功率预测模型，得到所述待预测多能源联合发电系统的功率。具体地，可以利用训练好的多能源联合发电系统的功率预测模型获取待预测多能源联合发电系统的功率。

[0085] 在一实施例中，将待预测日的水、风、光气象因子输入多能源联合发电系统的功率预测模型{LSTM1(best),LSTM2(best),LSTM3(best)}中，该模型的输出{P1,P2,P3}即为水、风、光联合发电系统的功率的最终预测结果。

[0086] 本发明实施例提供的多能源联合发电系统的功率预测方法，利用训练好的多能源联合发电系统的功率预测模型进行预测，实现了多能源联合发电系统功率的同步、联合预测。

[0087] 本发明实施例还提供一种多能源联合发电系统的功率预测模型构建装置，如图4所示，该装置包括：

[0088] 第一获取模块401，用于获取多能源联合发电系统中每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子，所述气象因子表征影响发电功率的气象因素；详细内容参见上述方法实施例中步骤S101的相关描述。

[0089] 第一输入模块402，用于将所述每一种发电方式的历史发电功率数据以及对应的历史发电功率数据的气象因子输入预设网络模型，使得所述预设网络模型按照预设相关性计算方法计算得到多种发电方式中任意两种发电方式之间的发电功率相关性；详细内容参见上述方法实施例中步骤S102的相关描述。

[0090] 训练模块403，用于以所述任意两种发电方式之间的发电功率相关性以及每一种发电方式对应的纳什效率系数构建损失函数、以所述每一种发电方式的历史发电功率数据以及对应于历史发电功率数据的气象因子作为训练数据，对所述预设网络模型进行训练直至满足预设训练条件并得到对应的多能源联合发电系统的功率预测模型；详细内容参见上述方法实施例中步骤S103的相关描述。

[0091] 本发明实施例提供的多能源联合发电系统的功率预测模型构建装置，构建了由纳什效率系数与发电功率相关性组成的损失函数，兼顾了模型预测的精度提高需求和多能源联合发电系统的功率预测的相关性，为多能源互补调度计划编制提供了基础性、精准的数据支撑。

[0092] 作为本发明实施例一种可选的实施方式，所述装置还包括：第一识别模块，用于对获取到的所述历史发电功率数据进行异常数据和/或缺失数据的识别操作；第一处理模块，用于对识别到的历史发电功率异常数据和历史发电功率缺失数据进行异常处理。

[0093] 作为本发明实施例一种可选的实施方式，所述第一识别模块包括：第一判定子模块，用于当获取的任意两个相邻的所述历史发电功率数据对应的时间间隔大于预设时长，判定所述两个相邻的历史发电功率数据为历史发电功率缺失数据。

[0094] 作为本发明实施例一种可选的实施方式，所述第一处理模块包括：第一处理子模块，用于在获取到的历史发电功率数据中删除所述历史发电功率缺失数据并利用预设监督学习方法对所述历史发电功率异常数据进行处理。

[0095] 作为本发明实施例一种可选的实施方式，所述多能源联合发电系统包括水能发电系统。

[0096] 作为本发明实施例一种可选的实施方式，所述第一获取模块包括：第一计算子模块，用于获取水电站历史数据并根据所述水电站历史数据计算对应的水能历史发电功率数据。

[0097] 本发明实施例提供的多能源联合发电系统的功率预测模型构建装置的功能描述详细参见上述实施例中多能源联合发电系统的功率预测模型构建方法描述。

[0098] 本发明实施例还提供一种多能源联合发电系统的功率预测装置，如图5所示，该装置包括：

[0099] 第二获取模块501，用于获取待预测多能源联合发电系统中每一种发电方式的发电功率数据对应的气象因子；详细内容参见上述方法实施例中步骤S201的相关描述。

[0100] 第二输入模块502，用于将所述每一种发电方式的发电功率数据对应的气象因子输入如本发明实施例所述的多能源联合发电系统的功率预测模型构建方法构建得到的多能源联合发电系统的功率预测模型，得到所述待预测多能源联合发电系统的功率；详细内容参见上述方法实施例中步骤S202的相关描述。

[0101] 本发明实施例提供的多能源联合发电系统的功率预测装置，利用训练好的多能源联合发电系统的功率预测模型进行预测，实现了多能源联合发电系统功率的同步、联合预测。

[0102] 本发明实施例提供的多能源联合发电系统的功率预测装置的功能描述详细参见上述实施例中多能源联合发电系统的功率预测方法描述。

[0103] 本发明实施例还提供一种存储介质，如图6所示，其上存储有计算机程序601，该指令被处理器执行时实现上述实施例中多能源联合发电系统的功率预测模型构建方法或多能源联合发电系统的功率预测方法的步骤。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

[0104] 本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体(Read－Only Memory，ROM)、随机存储记忆体(RandomAccessMemory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid－State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。

[0105] 本发明实施例还提供了一种电子设备，如图7所示，该电子设备可以包括处理器71和存储器72，其中处理器71和存储器72可以通过总线或者其他方式连接，图7中以通过总线连接为例。

[0106] 处理器71可以为中央处理器(Central Processing Unit，CPU)。处理器71还可以为其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。

[0107] 存储器72作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的对应的程序指令/模块。处理器71通过运行存储在存储器72中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理，即实现上述方法实施例中的多能源联合发电系统的功率预测模型构建方法或多能源联合发电系统的功率预测方法。

[0108] 存储器72可以包括存储程序区和存储数据区，其中，存储程序区可存储操作装置、至少一个功能所需要的应用程序；存储数据区可存储处理器71所创建的数据等。此外，存储器72可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器72可选包括相对于处理器71远程设置的存储器，这些远程存储器可以通过网络连接至处理器71。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

[0109] 所述一个或者多个模块存储在所述存储器72中，当被所述处理器71执行时，执行如图1－3所示实施例中的多能源联合发电系统的功率预测模型构建方法或多能源联合发电系统的功率预测方法。

[0110] 上述电子设备具体细节可以对应参阅图1至图3所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。

[0111] 虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。