一种可再生能源出力的预测方法、装置及存储介质与流程

1.本发明涉及可再生能源出力预测技术领域，具体涉及一种可再生能源出力的预测方法、装置及存储介质。


背景技术：

2.与化石燃料发电相比，可再生能源发电被认为是最有前途的解决方案之一，因为它具有绿色、清洁和在广阔的地理区域自然补充的关键特征。然而，可再生能源的使用也带来了不可调度的不确定性，这会降低能源部门的稳定性和可靠性，特别是对于大规模并网可再生能源而言，可再生能源具有随机性、间歇性和强烈的波动性，这增加了发电成本，同时还需要大量的电子设备，从而降低了电力系统的转动惯量和稳定性。
3.精确的再生能源出力预测(repp)是减少不确定性的有效方法，这对于能源部门和系统的运营、管理和规划非常重要，与传统的物理和统计方法相比，基于人工智能的预测模型产生了可喜的结果，因为它们在从历史数据中提取代表性特征方面具有潜力，然而，包括支持向量机、反向传播算法、最大熵和提升方法在内的这些模型采用了80年代开发的浅层架构，这些模型的主要问题是需要人为设置特征工程、部分泛化能力和样本复杂性，由于re数据很庞大，浅层模型会出现参数不收敛和计算不稳定的问题，与浅层模型相比，深度学习(dl)具有独特的无监督学习、大数据训练和强大的泛化能力。
4.目前的深度学习预测还主要是从单一方法进行的，例如基于cnn的模型在提取空间信息方面非常稳健，但是，历史发电量数据是时间序列数据，同时包含空间和时间信息，单一的模型在预测精度上较差。


技术实现要素：

5.有鉴于此，本发明的目的在于提供一种可再生能源出力的预测方法、装置及存储介质，以解决现有技术中，通过单一的cnn模型进行预测，对于空间信息的提取较为稳健，但是历史发电量数据是时间序列数据，同时包含空间和时间信息，单一的模型在预测精度上较差的问题。
6.根据本发明实施例的第一方面，提供一种可再生能源出力的预测方法，所述方法包括：获取风电以及光伏输出功率的历史时段样本数据，根据所述历史时段样本数据获取影响风电以及光伏机组输出功率的影响因素；将获取的影响因素输入到预设的ism模型中，得到多阶数据矩阵，求解所述多阶数据矩阵，获取影响风电以及光伏机组输出功率的主要影响因素集；在所述历史时段样本数据中选取与待预测时段的各参数数据最接近的样本作为相似时段样本，获取相似时段样本的主要影响因素集中的影响因素；将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型中，所述esn模型输出所述相似时段样本的主要影响因素集中的影响因素的时间特征；
将所述时间特征输入到预设的cnn模型的卷积层中，所述cnn模型的卷积层将所述时间特征与自身的卷积核进行卷积输出特征向量，将所述特征向量依次重复进行卷积池化操作，进行空间特征的提取，直到最后一个池化层输出特征图，通过所述特征图对待预测时段的风电以及光伏输出功率进行预测，获得输出功率预测值。
7.优选地，还包括：所述获取风电以及光伏输出功率的历史时段样本数据后，对所述历史时段样本数据通过三西格玛经验法则移除异常值；对移除异常值后的历史时段样本数据通过nan插值方法进行缺失值填充；对进行缺失值填充后的历史时段样本数据采用最小-最大数据归一化方法转换为特定范围的标准历史时段样本数据。
8.优选地，所述将获取的影响因素输入到预设的ism模型中，得到多阶数据矩阵，求解所述多阶数据矩阵，获取影响风电以及光伏机组输出功率的主要影响因素集包括：将获取的影响因素作为输入数据，输入到ism模型中，形成阶数据矩阵；计算所述数据矩阵中项影响因素两两之间的关联系数，得到阶系数矩阵；通过预设阈值对系数矩阵进行处理，得到阶邻接矩阵；通过预设的运算规则对邻接矩阵进行处理，得到阶可达矩阵；获取可达矩阵中各个元素相对应的可达集p、先行集q以及两者的交集s，根据可达集p、先行集q以及两者的交集s得到 pqs集合；在pqs集合中，从影响因素最高层开始筛选指标，选择前项指标作为成果指标群；从最底层开始筛选指标，选择前项指标作为驱动指标群，将所述成果指标群和驱动指标群的集合作为影响风电以及光伏机组输出功率的主要影响因素集。
9.优选地，所述将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型中，所述esn模型输出所述相似时段样本的主要影响因素集中的影响因素的时间特征包括：将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型的输入层；通过esn模型的储存层的激活函数在储存层依次重复对所述相似时段样本的主要影响因素集中的影响因素进行激活操作，并传递给esn模型的输出层；通过esn模型的输出层的激活函数再对所述相似时段样本的主要影响因素集中的影响因素重复进行激活操作，完成相似时段样本的主要影响因素集中的影响因素的时间特征的提取。
10.优选地，还包括：获取待预测时段的风电以及光伏输出功率的实际值；通过输出功率预测值以及实际值获取误差指标，通过误差指标判断预测结果的精准度。
11.优选地，所述在所述历史时段样本数据中选取与待预测时段的各参数数据最接近的样本作为相似时段样本包括：通过所述历史时段样本数据中各时段的判定因素获取历史各时段的判定特征向量；通过待预测时段的判断因素获取待预测时段的判定特征向量；通过判定特征向量计算各历史时段分别与待预测时段的关联度；选取关联度最高的历史时段作为相似时段样本。
12.根据本发明实施例的第二方面，提供一种可再生能源出力的预测装置，所述装置包括：影响因素获取模块：用于获取风电以及光伏输出功率的历史时段样本数据，根据所述历史时段样本数据获取影响风电以及光伏机组输出功率的影响因素；主要影响因素集获取模块：用于将获取的影响因素输入到预设的ism模型中，得到多阶数据矩阵，求解所述多阶数据矩阵，获取影响风电以及光伏机组输出功率的主要影响因素集；相似时段获取模块：用于在所述历史时段样本数据中选取与待预测时段的各参数数据最接近的样本作为相似时段样本，获取相似时段样本的主要影响因素集中的影响因素；时间特征提取模块：用于将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型中，所述esn模型输出所述相似时段样本的主要影响因素集中的影响因素的时间特征；预测模块：用于将所述时间特征输入到预设的cnn模型的卷积层中，所述cnn模型的卷积层将所述时间特征与自身的卷积核进行卷积输出特征向量，将所述特征向量依次重复进行卷积池化操作，进行空间特征的提取，直到最后一个池化层输出特征图，通过所述特征图对待预测时段的风电以及光伏输出功率进行预测，获得输出功率预测值。
13.根据本发明实施例的第三方面，提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现所述的一种可再生能源出力的预测方法中的各个步骤。
14.本发明的实施例提供的技术方案可以包括以下有益效果：本技术通过构建可再生出力主要影响因素集合，据此筛选相似时段，集成了具有残差连接的esn和cnn架构，其中结合了esn来提取时间信息，结合了cnn网络来提取空间信息，然后将ism-esn-cnn的输出作为依据以进行最终预测，从而提高性能，esn和cnn是通过残差连接的，可以通过重新处理前面的激活函数来解决特征表示中的消失梯度问题及其长期时间依赖性，与单一方法或其他混合方法相比，该方法提供了更好的预测精度和更低的时间复杂度，错误率显着降低，计算复杂度更低。
15.应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
16.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
17.图1是根据一示例性实施例示出的一种可再生能源出力的预测方法的流程示意图；图2是根据另一示例性实施例示出的一种可再生能源出力的预测装置的系统示意图；附图中：1-影响因素获取模块，2-主要影响因素集获取模块，3-相似时段获取模块，4-时间特征提取模块，5-预测模块。
具体实施方式
18.这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
19.实施例一图1是根据一示例性实施例示出的一种可再生能源出力的预测方法的流程示意图，如图1所示，该方法包括：s1，获取风电以及光伏输出功率的历史时段样本数据，根据所述历史时段样本数据获取影响风电以及光伏机组输出功率的影响因素；s2，将获取的影响因素输入到预设的ism模型中，得到多阶数据矩阵，求解所述多阶数据矩阵，获取影响风电以及光伏机组输出功率的主要影响因素集；s3，在所述历史时段样本数据中选取与待预测时段的各参数数据最接近的样本作为相似时段样本，获取相似时段样本的主要影响因素集中的影响因素；s4，将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型中，所述esn模型输出所述相似时段样本的主要影响因素集中的影响因素的时间特征；s5，将所述时间特征输入到预设的cnn模型的卷积层中，所述cnn模型的卷积层将所述时间特征与自身的卷积核进行卷积输出特征向量，将所述特征向量依次重复进行卷积池化操作，进行空间特征的提取，直到最后一个池化层输出特征图，通过所述特征图对待预测时段的风电以及光伏输出功率进行预测，获得输出功率预测值；可以理解的是，获取风电以及光伏输出功率的历史时段样本数据，包括依据历史风电功率数据、机组状态、天气条件等，风电场通常由多台同型号的风电机组按照一定规则排成集群供电，单台风电机组的输出功率表达式为：式中，为风电机组的输出功率；为空气密度；为风能利用系数；为叶片尺
寸；为实际风速；为风电机组额定输出功率；为风电机组的切入风速；为风电机组的额定风速；为风电机组的切出风速；光伏组件单元可以直接将太阳能转化为电能，其出力在晴朗的白日较为稳定，输出功率可表示如下：式中，是光伏组件实际出力，是光电转化效率，、和分别是大气温度、正常工作温度和参考温度，代表的是t时刻光辐射强度，是光伏板参考效率，是指单个光伏板面积，是指光伏板的数量；结合上述风电、光伏机组输出功率分析可知，风速、风向、温度、湿度、气压、叶尖速比、桨距角等因素对风电输出功率有影响，效率、温度、辐射强度、光伏板面积和数量等因素对光伏输出功率有影响；将上述步骤考虑的风光输出功率的影响因素作为输入数据，输入到ism模型中得到多阶数据矩阵，求解所述多阶数据矩阵，获取影响风电以及光伏机组输出功率的主要影响因素集；基于上述步骤建立的主要影响因素集，依据历史风电功率数据、机组状态、天气条件等，选择与待预测时段最相似的时段，构成输出功率的训练样本和测试样本，相似时段是指从风电光伏输出功率的历史时段样本中选取的与待测时段的各参数数据最接近的样本；建立esn模型，通过esn模型进行时间学习，其中esn是rnn的一种特殊的、新颖的形式，它比其他rnn变体更容易实现并且在计算上更智能，esn为rnn提供了完整的架构和监督学习策略，esn由输入层、储存层和输出层组成，其中输入单元i被分配到输入层，储存层有内部单元r，输出层有输出单元o，经筛选的相似时段的风速、风向、光照强度、气温、气象等数据通过被加入到储备层，通过esn模型输出所述相似时段样本的主要影响因素集中的影响因素的时间特征，将esn获得的数据传递给cnn，cnn是专门设计用于从输入数据中捕获局部（空间）信息的专用神经网络，通过在架构中对其进行显式编码，cnn可以通过扩展1d或3d数据更好地处理图像(2d)数据，cnn体系结构具有权值共享和局部连接的两大特点，这使得它们有别于传统的神经网络，cnn模型的主要架构通常包括卷积层以及池化层，卷积运算是cnn的主要思想，用于从数据中获取局部空间特征，在卷积层中，将所述esn模型输出的时间特征与自身的卷积核进行卷积输出特征向量x，其中可能包括多个特征向量卷积，如果是一个特征向量，并且n是样本数，第一个卷积层的数学运算可以如下所示进行：其中，是第一个卷积层的输出，x是一个特征向量，是偏离量，w代表权重指标，m表示索引过滤器值，是激活函数；第l层卷积层的输出可以通过下式计算：
其中使用了relu激活函数，如下所示：将esn获得的数据传递给cnn，依次重复进行卷积池化操作，直到最后一个池化层输出特征图后，即可对风电功率进行预测。本技术通过构建可再生出力主要影响因素集合，据此筛选相似时段，集成了具有残差连接的esn和cnn架构，其中结合了esn来提取时间信息，结合了cnn网络来提取空间信息，然后将ism-esn-cnn的输出作为依据以进行最终预测，从而提高性能，esn和cnn是通过残差连接的，可以通过重新处理前面的激活函数来解决特征表示中的消失梯度问题及其长期时间依赖性，与单一方法或其他混合方法相比，该方法提供了更好的预测精度和更低的时间复杂度，错误率显着降低，计算复杂度更低。
20.优选地，还包括：所述获取风电以及光伏输出功率的历史时段样本数据后，对所述历史时段样本数据通过三西格玛经验法则移除异常值；对移除异常值后的历史时段样本数据通过nan插值方法进行缺失值填充；对进行缺失值填充后的历史时段样本数据采用最小-最大数据归一化方法转换为特定范围的标准历史时段样本数据；可以理解的是，一般而言，混合模型在可再生能源出力预测方面比单一模型表现更好，因此，本发明开发了一种基于esn和cnn模型组合的混合模型，这些esn和cnn模型用于从电力生产的历史数据中提取时间和空间特征，首先对历史发电数据的输入序列进行预处理，去除异常值、缺失值等异常数据，使用三西格玛经验法则移除异常值，其数学表示如下所示：式中，f是一个函数，是数据集的子集，代表可再生发电的数据值；和分别是数据集的平均值和标准差；为了填补缺失值，我们使用nan插值方法，其数学表达式如下所示：其中，nan表示缺失值集合；移除异常值并填充缺失值后，我们随后应用最小-最大数据归一化程序将精细化数据转换为特定范围，因为可再生能源生产数据本质上是多种多样的，神经网络对这样的数据范围较为敏感，最小-最大归一化过程的数学表示如下所示：然后将细化的数据转发到模型进行学习预测。
21.优选地，所述将获取的影响因素输入到预设的ism模型中，得到多阶数据矩阵，求解所述多阶数据矩阵，获取影响风电以及光伏机组输出功率的主要影响因素集包括：
将获取的影响因素作为输入数据，输入到ism模型中，形成阶数据矩阵；计算所述数据矩阵中项影响因素两两之间的关联系数，得到阶系数矩阵；通过预设阈值对系数矩阵进行处理，得到阶邻接矩阵；通过预设的运算规则对邻接矩阵进行处理，得到阶可达矩阵；获取可达矩阵中各个元素相对应的可达集p、先行集q以及两者的交集s，根据可达集p、先行集q以及两者的交集s得到 pqs集合；在pqs集合中，从影响因素最高层开始筛选指标，选择前项指标作为成果指标群；从最底层开始筛选指标，选择前项指标作为驱动指标群，将所述成果指标群和驱动指标群的集合作为影响风电以及光伏机组输出功率的主要影响因素集；可以理解的是，将上述步骤考虑的风光输出功率的影响因素作为输入数据，输入到ism模型中，形成阶数据矩阵，以适当减少影响指标筛选范围，即：式中，表示第m组数据第n个指标的值，为指标个数，为数据组数；对数据矩阵进行处理，计算数据矩阵中项影响因素两两之间的关联系数，得到阶系数矩阵，以的第一列和第二列为例，两个因素的关联系数的计算公式为：得到阶系数矩阵：式中，为关联系数；根据预设阈值对系数矩阵进行处理，得到阶邻接矩阵，处理方式如下：若，则令，否则令，其中，取值可以进行定义，一般取值为0.85，得到的阶邻接矩阵为：
对邻接矩阵进行处理，得到阶可达矩阵，其中邻接矩阵和可达矩阵满足下列运算规则：对可达矩阵进行处理，找出中各个元素相对应的可达集p、先行集q以及两者的交集s。其中，求解可达集p是找出每一行中元素为1对应的列；求解先行集q是找出每一列中元素为1对应的行，通过处理得到各个元素相对应的可达集p、先行集q以及两者的交集s，从而形成pqs集合，在得到的pqs集合的基础上，进行主要影响因素筛选与优化，从影响因素最高层开始筛选指标，选择前项指标作为成果指标群；从最底层开始筛选指标，选择前项指标作为驱动指标群，输出成果指标群和驱动指标群，筛选出主要影响因素，形成风电输出功率的主要影响因素集。
22.优选地，所述将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型中，所述esn模型输出所述相似时段样本的主要影响因素集中的影响因素的时间特征包括：将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型的输入层；通过esn模型的储存层的激活函数在储存层依次重复对所述相似时段样本的主要影响因素集中的影响因素进行激活操作，并传递给esn模型的输出层；通过esn模型的输出层的激活函数再对所述相似时段样本的主要影响因素集中的影响因素重复进行激活操作，完成相似时段样本的主要影响因素集中的影响因素的时间特征的提取；可以理解的是，esn由输入层、储存层和输出层组成，其中输入单元i被分配到输入层，储存层有内部单元r，输出层有输出单元o，输入（u）、内部（x）和输出单元（y）的计算公式分别如下所示：分别如下所示：分别如下所示：内部单元和输出单元的典型更新公式如下所示：内部单元和输出单元的典型更新公式如下所示：将上述步骤筛选的相似时段的风速、风向、光照强度、气温、气象等主要影响因素集中的影响因素数据导入输入层，通过激活函数在储存层依次重复进行操作，然后将储存层的数据传递给输出层，通过输出层激活函数重复进行操作，esn就实现了对特征因子的时间特征的提取；在实际预测过程中，主要包括以下步骤：
①
初始化，并设置相关参数；
②
经筛选的相似时段的风速、风向、光照强度、气温、气象等数据通过被加入到储备层；
③
按照内部单元和输出单元的典型更新公式依次完成储备层状态变量和输出变量的计算，并构成矩阵形式，输出层的读出函数g可以使用线性函数进行线性读出，也可使用非线性函数进行非线性读出；
④
根据输出权值计算公式输出，所述的计算公式如下所示：上式中，f和g分别表示储存层单元和输出层单元的激活函数，总权重指标，，和分别表示输入、储层、返回和输出权值，m代表储备层的状态矩阵，在实际应用过程中通常是可以省略的，来自储存层的权重矩阵在学习过程中被更新，而权重指标随机选择并保持不变，将返回权值设置为0，忽略输出层对动态储备池的反馈，因此，对esn进行训练，就是对输出权值进行训练。
23.优选地，还包括：获取待预测时段的风电以及光伏输出功率的实际值；通过输出功率预测值以及实际值获取误差指标，通过误差指标判断预测结果的精准度；可以理解的是，模型的性能可以根据mse、mbe、mae和rmse的指标进行评估，这些指标在以往的模型评估中被广泛使用。mse是模型的实际值和估计值之间的差异，而mbe是模型的实际值和预测值的平均偏差。mbe的负值和正值分别表示模型低估和高估，mae是测试集和模型输出值之间的绝对值的平均值，而rmse是平方根均值差，这些指标的数学表达式如下所示：如下所示：如下所示：如下所示：其中，是实际值；是模型预测的值。
24.优选地，所述在所述历史时段样本数据中选取与待预测时段的各参数数据最接近的样本作为相似时段样本包括：
通过所述历史时段样本数据中各时段的判定因素获取历史各时段的判定特征向量；通过待预测时段的判断因素获取待预测时段的判定特征向量；通过判定特征向量计算各历史时段分别与待预测时段的关联度；选取关联度最高的历史时段作为相似时段样本；可以理解的是，相似时段是指从风电光伏输出功率的历史时段样本中选取的与待测时段的各参数数据最接近的样本，由相似时段的判定因素构建特征向量，此处以风电为例，即：式中，表示判定特征向量；分别表示风电输出功率历史时段内风速的最大值、最小值和平均值；分别表示历史时段内风向的正弦值和余弦值；表示历史时段的平均温度；表示历史时段的平均湿度；表示历史时段的平均气压。
25.待测时段和第个历史时段的判定特征向量分别为：式中，表示待测时段的判定特征向量；表示第个历史时段的判定特征向量；表示待测时段的第个判定因素；表示第个历史时段的第个判定；采用极差法对和进行归一化量纲处理，降低计算难度和误差；计算各历史时段与待测时段的关联系数及关联度；确定相似时段范围，根据关联度计算结果，对历史时段按照降序排序，即：，选取为相似时段。
26.实施例二图2是根据另一示例性实施例示出的一种可再生能源出力的预测装置的系统示意图，包括：影响因素获取模块1：用于获取风电以及光伏输出功率的历史时段样本数据，根据所述历史时段样本数据获取影响风电以及光伏机组输出功率的影响因素；主要影响因素集获取模块2：用于将获取的影响因素输入到预设的ism模型中，得到多阶数据矩阵，求解所述多阶数据矩阵，获取影响风电以及光伏机组输出功率的主要影响因素集；相似时段获取模块3：用于在所述历史时段样本数据中选取与待预测时段的各参数数据最接近的样本作为相似时段样本，获取相似时段样本的主要影响因素集中的影响因素；时间特征提取模块4：用于将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型中，所述esn模型输出所述相似时段样本的主要影响因素集中的影响因素的时间特征；预测模块5：用于将所述时间特征输入到预设的cnn模型的卷积层中，所述cnn模型
的卷积层将所述时间特征与自身的卷积核进行卷积输出特征向量，将所述特征向量依次重复进行卷积池化操作，进行空间特征的提取，直到最后一个池化层输出特征图，通过所述特征图对待预测时段的风电以及光伏输出功率进行预测，获得输出功率预测值；可以理解的是，通过影响因素获取模块1用于获取风电以及光伏输出功率的历史时段样本数据，根据所述历史时段样本数据获取影响风电以及光伏机组输出功率的影响因素；通过主要影响因素集获取模块2用于将获取的影响因素输入到预设的ism模型中，得到多阶数据矩阵，求解所述多阶数据矩阵，获取影响风电以及光伏机组输出功率的主要影响因素集；通过相似时段获取模块3用于在所述历史时段样本数据中选取与待预测时段的各参数数据最接近的样本作为相似时段样本，获取相似时段样本的主要影响因素集中的影响因素；通过时间特征提取模块4用于将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型中，所述esn模型输出所述相似时段样本的主要影响因素集中的影响因素的时间特征；通过预测模块5用于将所述时间特征输入到预设的cnn模型的卷积层中，所述cnn模型的卷积层将所述时间特征与自身的卷积核进行卷积输出特征向量，将所述特征向量依次重复进行卷积池化操作，进行空间特征的提取，直到最后一个池化层输出特征图，通过所述特征图对待预测时段的风电以及光伏输出功率进行预测，获得输出功率预测值；本技术通过构建可再生出力主要影响因素集合，据此筛选相似时段，集成了具有残差连接的esn和cnn架构，其中结合了esn来提取时间信息，结合了cnn网络来提取空间信息，然后将ism-esn-cnn的输出作为依据以进行最终预测，从而提高性能，esn和cnn是通过残差连接的，可以通过重新处理前面的激活函数来解决特征表示中的消失梯度问题及其长期时间依赖性，与单一方法或其他混合方法相比，该方法提供了更好的预测精度和更低的时间复杂度，错误率显着降低，计算复杂度更低。
27.实施例三：本实施例提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现上述方法中的各个步骤；可以理解的是，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
28.可以理解的是，上述各实施例中相同或相似部分可以相互参考，在一些实施例中未详细说明的内容可以参见其他实施例中相同或相似的内容。
29.需要说明的是，在本发明的描述中，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。此外，在本发明的描述中，除非另有说明，“多个”的含义是指至少两个。
30.流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
31.应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路
的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（pga），现场可编程门阵列（fpga）等。
32.本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
33.此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
34.上述提到的存储介质可以是只读存储器，磁盘或光盘等。
35.在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
36.尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

技术特征：
1.一种可再生能源出力的预测方法，其特征在于，所述方法包括：获取风电以及光伏输出功率的历史时段样本数据，根据所述历史时段样本数据获取影响风电以及光伏机组输出功率的影响因素；将获取的影响因素输入到预设的ism模型中，得到多阶数据矩阵，求解所述多阶数据矩阵，获取影响风电以及光伏机组输出功率的主要影响因素集；在所述历史时段样本数据中选取与待预测时段的各参数数据最接近的样本作为相似时段样本，获取相似时段样本的主要影响因素集中的影响因素；将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型中，所述esn模型输出所述相似时段样本的主要影响因素集中的影响因素的时间特征；将所述时间特征输入到预设的cnn模型的卷积层中，所述cnn模型的卷积层将所述时间特征与自身的卷积核进行卷积输出特征向量，将所述特征向量依次重复进行卷积池化操作，进行空间特征的提取，直到最后一个池化层输出特征图，通过所述特征图对待预测时段的风电以及光伏输出功率进行预测，获得输出功率预测值。2.根据权利要求1所述的方法，其特征在于，还包括：所述获取风电以及光伏输出功率的历史时段样本数据后，对所述历史时段样本数据通过三西格玛经验法则移除异常值；对移除异常值后的历史时段样本数据通过nan插值方法进行缺失值填充；对进行缺失值填充后的历史时段样本数据采用最小-最大数据归一化方法转换为特定范围的标准历史时段样本数据。3.根据权利要求1所述的方法，其特征在于，所述将获取的影响因素输入到预设的ism模型中，得到多阶数据矩阵，求解所述多阶数据矩阵，获取影响风电以及光伏机组输出功率的主要影响因素集包括：将获取的影响因素作为输入数据，输入到ism模型中，形成阶数据矩阵；计算所述数据矩阵中项影响因素两两之间的关联系数，得到阶系数矩阵；通过预设阈值对系数矩阵进行处理，得到阶邻接矩阵；通过预设的运算规则对邻接矩阵进行处理，得到阶可达矩阵；获取可达矩阵中各个元素相对应的可达集p、先行集q以及两者的交集s，根据可达集p、先行集q以及两者的交集s得到 pqs集合；在pqs集合中，从影响因素最高层开始筛选指标，选择前项指标作为成果指标群；从最底层开始筛选指标，选择前项指标作为驱动指标群，将所述成果指标群和驱动指标群的集合作为影响风电以及光伏机组输出功率的主要影响因素集。4.根据权利要求3所述的方法，其特征在于，所述将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型中，所述esn模型输出所述相似时段样本的主要影响因素集中的影响因素的时间特征包括：将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型的输入层；通过esn模型的储存层的激活函数在储存层依次重复对所述相似时段样本的主要影响因素集中的影响因素进行激活操作，并传递给esn模型的输出层；
通过esn模型的输出层的激活函数再对所述相似时段样本的主要影响因素集中的影响因素重复进行激活操作，完成相似时段样本的主要影响因素集中的影响因素的时间特征的提取。5.根据权利要求1所述的方法，其特征在于，还包括：获取待预测时段的风电以及光伏输出功率的实际值；通过输出功率预测值以及实际值获取误差指标，通过误差指标判断预测结果的精准度。6.根据权利要求1所述的方法，其特征在于，所述在所述历史时段样本数据中选取与待预测时段的各参数数据最接近的样本作为相似时段样本包括：通过所述历史时段样本数据中各时段的判定因素获取历史各时段的判定特征向量；通过待预测时段的判断因素获取待预测时段的判定特征向量；通过判定特征向量计算各历史时段分别与待预测时段的关联度；选取关联度最高的历史时段作为相似时段样本。7.一种可再生能源出力的预测装置，其特征在于，所述装置包括：影响因素获取模块：用于获取风电以及光伏输出功率的历史时段样本数据，根据所述历史时段样本数据获取影响风电以及光伏机组输出功率的影响因素；主要影响因素集获取模块：用于将获取的影响因素输入到预设的ism模型中，得到多阶数据矩阵，求解所述多阶数据矩阵，获取影响风电以及光伏机组输出功率的主要影响因素集；相似时段获取模块：用于在所述历史时段样本数据中选取与待预测时段的各参数数据最接近的样本作为相似时段样本，获取相似时段样本的主要影响因素集中的影响因素；时间特征提取模块：用于将所述相似时段样本的主要影响因素集中的影响因素输入到esn模型中，所述esn模型输出所述相似时段样本的主要影响因素集中的影响因素的时间特征；预测模块：用于将所述时间特征输入到预设的cnn模型的卷积层中，所述cnn模型的卷积层将所述时间特征与自身的卷积核进行卷积输出特征向量，将所述特征向量依次重复进行卷积池化操作，进行空间特征的提取，直到最后一个池化层输出特征图，通过所述特征图对待预测时段的风电以及光伏输出功率进行预测，获得输出功率预测值。8.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现如权利要求1-6任一项所述的一种可再生能源出力的预测方法中的各个步骤。

技术总结
本发明涉及一种可再生能源出力的预测方法、装置及存储介质，应用于可再生能源出力预测技术领域，包括：本申请通过构建可再生出力主要影响因素集合，据此筛选相似时段，集成了具有残差连接的ESN和CNN架构，其中结合了ESN来提取时间信息，结合了CNN网络来提取空间信息，然后将混合模型的输出作为依据以进行最终预测，从而提高性能，ESN和CNN是通过残差连接的，可以通过重新处理前面的激活函数来解决特征表示中的消失梯度问题及其长期时间依赖性，与单一方法或其他混合方法相比，该方法提供了更好的预测精度和更低的时间复杂度，错误率显着降低，计算复杂度更低。计算复杂度更低。计算复杂度更低。


技术研发人员：杨鹏 郁丹 朱维骏 翁华 吴君
受保护的技术使用者：浙江华云电力工程设计咨询有限公司
技术研发日：2023.09.12
技术公布日：2023/10/20