超算与智算融合，中科院团队构建光伏多时间尺度功率预测模型，可融合气象数据
💡
原文中文，约4500字，阅读约需11分钟。
📝
内容提要
在第20届CCF HPC China 2024年会上，万萌介绍了深度学习在光伏发电和电力负荷预测中的应用，提出了多种新能源预测模型，提升了预测精度。
🎯
关键要点
- 在第20届CCF HPC China 2024年会上，万萌介绍了深度学习在光伏发电和电力负荷预测中的应用。
- 时间序列研究分为四个部分：未来预测、空值填补、异常检测和分类。
- 新能源预测面临三大挑战：数值天气预报精度不足、集中式光伏电站模型不适应功率波动、分布式光伏电站缺乏地面辐照度数据。
- 提出了集中式和分布式光伏多时间尺度功率预测模型，结合多源气象数据进行预测。
- 开发了全电压等级多时间尺度的光伏发电监视、预测和调控系统平台。
- 在非新能源领域，提出了基于语义增强和多流管道的通用无损压缩框架。
- 提出了面向通用时间序列的多尺度模型CSIformer，提升了长序列信息的捕获能力。
- 光伏预测的多级序列分解模型在河北的发电站中提高了预测精度40%以上。
❓
延伸问答
光伏发电预测面临哪些主要挑战？
光伏发电预测面临数值天气预报精度不足、集中式光伏电站模型不适应功率波动、分布式光伏电站缺乏地面辐照度数据等三大挑战。
中科院团队提出了哪些光伏功率预测模型？
团队提出了集中式和分布式光伏多时间尺度功率预测模型，结合多源气象数据进行预测。
如何提高光伏发电的预测精度？
通过构建多时间尺度的预测模型和结合多源气象数据，团队在河北的发电站中提高了预测精度40%以上。
在时间序列研究中，主要分为哪几个部分？
时间序列研究主要分为未来预测、空值填补、异常检测和分类四个部分。
万萌在CCF HPC China 2024年会上分享了什么内容？
万萌分享了深度学习在光伏发电和电力负荷预测中的应用，以及多种新能源预测模型的研究进展。
光伏发电监视和预测系统平台的功能有哪些？
该平台包括光伏资源及运行数据监测、集中式和分布式光伏全时间尺度预测、以及光伏一体化控制功能模块。
➡️
