一種用於由發電廠特別是可再生發電廠所產生的電能的使用的計算機輔助確定的方法

2023-05-12 09:59:11 3

一種用於由發電廠特別是可再生發電廠所產生的電能的使用的計算機輔助確定的方法
【專利摘要】本發明涉及一種用於由發電廠特別是可再生發電廠所產生的電能的使用的計算機輔助確定的方法。所述方法使用具有不同的結構或者被不同地學習到的多個神經網絡(NN1,NN2)以便計算由發電廠所產生的將來的能量數量。為了這樣做，由所述多個神經網絡(NN1,NN2)所預測的所述發電廠的能量輸出被用來建立直方圖。基於那些直方圖，描述能量數量的可用性的可能性的不同的置信水平的能量數量被確定並且不同的用途被分配給不同的能量數量。特別地，將來具有可用性的較高可能性的能量數量被以比其他能量數量更高的價格出售。本發明的方法優選地被用於可再生發電廠，對於所述可再生發電廠所述能量輸出正根據環境條件波動。例如，本發明可以被用於風力發電廠或太陽能發電廠。
【專利說明】-種用於由發電廠特別是可再生發電廠所產生的電能的使 用的計算機輔助確定的方法
[0001] 本發明涉及一種用於由發電廠特別是可再生發電廠所產生的電能的使用的計算 機輔助確定的方法，以及涉及一種對應的電腦程式產品並且涉及一種對應的計算機程 序。
[0002] 由發電廠以及特別是可再生發電廠所產生的能量可以變化，以便使得不可以給出 確保的能量可用性。就可再生發電廠而論，這個變化是由於不同的環境條件而引起的，所述 不同的環境條件例如用於風力發電廠的不同的風速或風向或用於太陽能發電廠的變化的 太陽能福射。由於這個事實，來自可再生能源的波動能量橫向進給（infeeds)在一些國家 中只有當那些橫向進給不對能量傳輸網絡造成安全擔憂才被接受。
[0003] 從現有技術已知為了確定針對將來由可再生發電廠所產生的能量的預測而使用 天氣預報。這些預測在化石能量負荷曲線的規劃中被考慮。然而，在將來的時間間隔中由 可再生發電廠所產生的能量未被分類以便被用於不同的目的。
[0004] 因此，本發明的目的是提供計算機輔助方法以便預測由發電廠所產生的將來的能 量，以便使得用於適當的用途的能量數量被規定。
[0005] 這個目的由獨立權利要求來解決。本發明的優選實施例在從屬權利要求中定義。
[0006] 根據本發明的方法，提供了由訓練數據所學習到的多個神經網絡。每個神經網絡 包括用於描述影響由電廠所產生的能量的輸入的神經元的輸入層、神經元的一個或多個隱 藏層以及用於描述電廠的能量輸出的神經元的輸出層，所述能量輸出包括針對在將來的時 間段內的多個時間點的將來的能量輸出，其中所述多個網絡中的每個神經網絡都具有不同 的結構和/或被不同地學習到。因此，神經網絡的整體用本發明的方法加以處理。上述術 語"能量輸出"以及在下面所提到的術語"能量水平"將被寬泛地解釋。那些術語可以指的 是在一段時間裡產生的特定能量，但是它們還可以指的是電功率，即每次能量。特別地，能 量輸出可以對應於在特定時間點產生的電功率（以瓦特為單位）。可替換地，能量輸出可以 指的是在後續時間點之間產生的電能（以焦耳或Ws的倍數為單位，例如MWh)。
[0007] 根據本發明，多個時間點的將來的能量輸出通過每個神經網絡來預測。基於這些 預測，計算將來的能量輸出的一個或多個直方圖，每個直方圖表示由多個神經網絡針對在 包括一個或多個後續時間點的對應的時間間隔中的時間點所預測的將來的能量輸出的分 布以及因此的可能性。因此，將來的時間段以數個將來的時間間隔加以劃分，其中對於每個 將來的時間間隔，基於神經網絡的預測計算對應直方圖。
[0008] 在下一個步驟中，為每個時間間隔確定一個或多個能量水平，其中每個能量水平 得自許多置信水平中的一置信水平，每個置信水平表示將來的能量輸出在對應直方圖中的 百分比，其中在這個百分比內的每個將來的能量輸出具有相同的值或比為對應的置信水平 所得到的能量水平更大的值。
[0009] 在下一個步驟中，預定用途根據相應的時間間隔中的每個能量水平被分配給能量 數量，其中根據能量水平的能量數量表示在該能量水平與下一個較低能量水平之間的能 量。如果能量水平是最低能量水平，則下一個較低能量水平對應於零的能量。
[0010] 本發明是基於如下理解的：通過使用多個不同的神經網絡，能夠計算對應直方圖， 其使得能實現能量數量在該能量數量將是可用的可能性方面不同的確定。那些能量數量能 夠被分配給適當的用途。
[0011] 用於預測的多個神經網絡優選地包括一個或多個遞歸（recurrent)神經網絡，特 別是在時間上展開的時延遞歸神經網絡，諸如在文檔DE 10 2007 001 026 B4中所公開的 遞歸神經網絡。這個文檔的整個公開內容通過引用併入在本申請中。替代地或作為替代方 案，多個神經網絡可以包括一個或多個前饋網絡和/或將至少一個前饋網絡嵌入到至少一 個遞歸神經網絡中的一個或多個網絡。
[0012] 根據本發明的方法具有特定優點，在於發電廠是可再生發電廠，特別是包括許多 風力渦輪機的風力發電廠和/或包括許多太陽能電池板的太陽能發電廠。這是因為由這些 電廠所產生的能量正在強烈地波動。
[0013] 在特別優選的實施例中，本發明的方法中所使用的置信水平包括一個或多個第一 置信水平，其中根據與第一置信水平相對應的能量水平使用能量數量是這樣的，即使得尚 未出售給第三方或者尚未以其他方式保留的對應的能量數量的部分被作為可消耗的能量 以預定每單位價格提供給第三方，其中預定每單位價格隨著由第一置信水平所表示的將來 的能量輸出的漸增百分比而提高。
[0014] 在另一優選實施例中，提供給第三方的能量數量在能量交易平臺上例如在電力交 易所上被交易，所述電力交易所諸如German EEX或可比較的系統，例如智能電網。
[0015] 在本發明的另一實施例中，每個神經網絡的輸入包括關於發電廠的環境和/或發 電廠的一個或多個特性的數據，特別是在發電廠的環境中的多個位置處的天氣數據和/或 關於發電廠的位置的地理數據。所有那些參數可以對電廠的能量輸出有影響。此外，每個 神經網絡的輸入優選地包括例如基於可以由氣象服務提供的天氣預測在過去的時間點測 量的和/或針對將來的時間點預測的數據，特別是天氣數據。
[0016] 天氣數據優選地包括溫度值和/或大氣壓力值和/或大氣溼度值和/或風速和/ 或風向和/或湍流值和/或關於太陽能輻射的參數。關於風速和風向的參數對於形式為風 力發電廠的發電廠來說是特別重要的。與此相反，關於太陽能輻射的參數對於太陽能發電 廠是特別重要的。這個數據可以指的是有雲天空的覆蓋範圍或太陽能輻射的強度。上面提 到的地理數據可以指的是在發電廠周圍可能對所生成的能量有影響的景色。例如，在森林 位於風力渦輪機附近情況下或在風力渦輪機位於山谷中情況下，能量輸出比對於在小山上 或由水圍繞的風力渦輪機的低。
[0017] 在另一優選實施例中，置信水平包括優選地表示比第一置信水平更低的百分比的 第二置信水平，其中根據與第二置信水平相對應的能量水平使用能量數量包括以下用途中 的一個： -提供尚未出售給第三方或者尚未以其他方式作為控制能量保留給第三方的所對應 的能量數量的部分，其中控制能量（與可消耗的能量相反）被僅用作在能量電網的能量生 產中用於短期或中期波動的儲備能量； -抑制提供尚未出售給第三方或者尚未以其他方式保留給第三方的所對應的能量數 量的部分，並且可選地保留能量數量的這個部分以用於延長發電廠的壽命和/或減少發電 廠的噪聲發射和/或在發電廠處執行維護工作。
[0018] 在能量數量被用於壽命延長或噪聲減少情況下，電廠的能量輸出能夠減少這個能 量數量（例如通過減少風力渦輪機的旋轉速度），從而導致更長的壽命和較低的噪聲發射。 在能量數量被用於維護工作情況下，由電廠所產生的能量能夠減少這個能量數量，以便停 止風力發電廠中的一些風力渦輪機以便對那些渦輪機執行維護工作。
[0019] 在本發明的另一實施例中，至少一個前饋網絡包括數個隱藏層，每個隱藏層被耦 合到單獨的輸出聚類。這個前饋網絡的輸入層被優選地耦合到每個隱藏層。特別地，可以在 本發明的方法中使用德國專利申請DE 10 2011 081 197.4中所描述的神經前饋網絡。該 德國專利申請的整個公開內容通過引用併入在本申請中。
[0020] 在發明方法的另一變體中，多個神經網絡中的每個神經網絡用不同的訓練數據和 /或不同的學習參數加以學習和/或被不同地初始化。因此，可能的是神經網絡具有相同的 結構，但是在關於學習階段的其他特徵上不同。
[0021] 在本發明的另一實施例中，置信水平基於實際的能量輸出與已由每個神經網絡所 預測的對應的能量輸出之間的比較而被適配。因此，能夠考慮實際產生的能量輸出執行統 計模型的適當的再校準。
[0022] 除上面描述的方法之外，本發明進一步涉及電腦程式產品，其包括存儲在計算 機可讀介質上的程序代碼以用於在程序在計算機上運行時執行根據本發明的方法。此外， 本發明涉及電腦程式，其包括程序代碼以用於在程序代碼在計算機上運行時執行本發明 的方法。
[0023] 將基於附圖在下文中詳細地描述本發明的實施例，在附圖中： 圖1示出了能夠被用在本發明的一個實施例中以便預測發電廠的能量輸出的遞歸神 經網絡； 圖2示出了能夠被用在本發明的另一實施例中以便預測發電廠的能量輸出的前饋神 經網絡；以及 圖3示出了圖示根據本發明的一個實施例不同地使用的能量數量的圖。
[0024] 在下文中，將相對於形式為包括數個風力渦輪機的風場的可再生發電廠對本發明 進行描述。然而，本發明還可以被應用於其他發電廠以及特別是可再生發電廠，例如用於包 括對應數目的太陽電池板的太陽能發電廠。
[0025] 可再生能量的問題存在於產生的能量的數量強烈地取決於在電廠周圍的環境條 件的事實中。對於風場，風速和風向是對能量生產有影響的主要因素。根據在下文中所描 述的本發明，由電廠所產生的將來的能量數量的適當預測被與置信水平相結合地給出。置 信水平對應於能量數量將來將是可用的可能性，並且基於這個水平，能夠例如經由能量交 易平臺以不同的價格向第三方提供所對應的能量數量。
[0026] 為了為將來的能量數量確定表示預定置信水平的能量水平，在下文中所描述的本 發明使用數個神經網絡的整體，其中每個神經網絡被不同地構造和/或訓練並且提供風場 的將來的能量輸出的對應預測。在下文中，那些能量輸出對應於由電廠針對在將來的時間 段內的對應時間點所提供的電功率值。
[0027] 圖1和圖2示出了可以被用在神經網絡的整體中的神經網絡。圖1的網絡是時延 遞歸神經網絡NN1，其被在時間上展開成捕獲系統的記憶加上將來的能量輸出所被確定針 對的預測範圍。將來的能量輸出所被確定針對的時間點可以是基於每小時間隔的，然而預 測範圍可以包括數天或甚至數星期。
[0028] 圖1中所示出的網絡是從現有技術獲知的。特別地，這個網絡具有與在文檔DE 10 2007 001 026 B1中所公開的網絡相同的結構。網絡包括輸入層I、遞歸隱藏層Η以及輸出 層〇。輸入層包括數個測量輸入xt- 3、xt-2、Xh，xt形成對風場的能量輸出有影響的輸入向 量。特別地，那些輸入包括電網天氣數據，包括在風場的環境內的數個水平和垂直位置中的 天氣參數。電網天氣數據特別地包括溫度值和/或大氣壓力值和/或風速和/或風向和/ 或湍流值和/或大氣溼度值。在電廠是太陽能發電廠情況下，數據還可以包括關於太陽能 輻射的參數，例如有雲天空的覆蓋範圍或太陽能輻射的強度等等。
[0029] 在圖1中所示出的網絡的變體中，同樣由適當的模型所預測的和例如由氣象服務 所提供的電網天氣數據可以被用作圖1中的輸入數據。在這樣的變體中，對於將來的時間 點t、t+Ι等等輸入層同樣包括輸入x t+1、xt+2等等。輸入層I經由矩陣B和適當的偏置Θ 與隱藏層Η中的隱藏遞歸神經聚類st_3、st_2等等耦合。隱藏聚類經由矩陣A被連接。隱藏 神經聚類中的每一個都經由矩陣C被連接到輸出層0中的輸出聚類yt+yH等等。那些輸 出聚類形成由神經網絡針對將來的時間點t+1、t+2等等被預測的上面提到的能量輸出。
[0030] 圖2示出了還可以被用在神經網絡的整體中以便預測風場的能量輸出的前饋神 經網絡NN2的實施例。網絡對應於如在上面已經提到的德國專利申請DE 10 2011 081 197. 4中所描述的網絡。網絡包括一個輸入層I、數個隱藏層HI、H2和H3以及包括數個輸 出聚類01、02和03的輸出層0。類似於圖1，輸入層包括對應的輸入向量。在圖2的網絡 的變體中，可以使用例如形式為預測天氣數據的僅將來的預測輸入向量。在圖2中所示出 的網絡中，輸入層的輸入被饋送給所有中間隱藏層HI、H2以及H3以避免輸入信息的損失。 此外，每個隱藏層被連接到輸出聚類，即隱藏層H1被連接到輸出聚類01，隱藏層H2被連接 到輸出聚類02以及隱藏層H3被連接到輸出聚類03。類似於圖1，圖2中所示出的輸出聚 類表示由神經網絡所預測的風場的對應將來的能量輸出。在圖2中所示出的實施例中，每 個輸出聚類表示相同的將來的能量輸出。為對應的時間點所確定的最後能量輸出可以由每 個輸出聚類的能量輸出的平均值來表示。
[0031] 當學習圖2的網絡時，學習被不僅應用於最後一個輸出層而且應用於中間隱藏 層。在圖2中所示出的網絡的第一級（隱藏層H1)中，能量輸出的預測是僅基於輸入層I 的輸入數據的。在第二級（隱藏層H2)中，網絡不僅使用外部影響而且使用來自前一級的 已處理輸入信息，即來自第一隱藏層H1的信息流。相同情況適用於隱藏層H3,所述隱藏層 H3使用除來自輸入層I的輸入信息之外的隱藏層H2的已處理信息。
[0032] 在本發明的另一實施例中，神經網絡的整體可以包括圖1的遞歸神經網絡和圖2 的前饋網絡的組合。圖2的前饋網絡的拷貝可以替代經由矩陣B耦合在輸入與隱藏神經聚 類之間的圖1的網絡。即，網絡NN2的輸出層被用作隱藏層Η中的神經聚類。此外，圖1的 矩陣Β被使輸入層I與輸出聚類01至03耦合的圖2的結構取代。此外，圖1中所示出的 每個輸入向量x t-3、xt-2等等被圖2中所示出的輸入層I取代。同樣可以根據本發明使用神 經網絡的其他變體。然而，需要構造並且學習神經網絡，以便使得它們能夠為風場或另一發 電廠的將來的能量輸出的序列提供適當的預測。即，神經網絡通過與發電廠的已知輸入和 已知能量輸出相對應的適當的訓練數據來學習。
[0033] 本發明使用適當地學習到的神經網絡的整體，其中整體的每個網絡不同於其他網 絡。特別地，網絡可以具有不同的結構或者可以被不同地學習或者初始化。特別地，有可能 使用對於整體中的所有神經網絡而言相同的結構，但是每個神經網絡用不同的訓練數據和 /或不同的學習參數加以學習。例如，網絡的學習速率可以是不同的。此外，網絡可以由不 同的（隨機的）矩陣來初始化。
[0034] 圖3示出了圖示根據本發明的一個實施例針對預測範圍的能量數量的預測。圖DI 的橫坐標t對應於從出現to到將來的時間點tl的預測範圍。在這個時間段中，形式為能量 塊EA1、EA2以及EA3的不同的能量數量針對對應的時間間隔TI被計算。出於清晰原因，僅 時間間隔中的一些和僅能量塊中的一些由附圖標記標明。能量數量EA1由斜影線塊指示， 能量數量EA2由點塊指示並且能量數量EA3由垂直影線塊指示。塊EA1、EA2以及EA3的上 界分別對應於能量水平LI、L2以及L3。那些能量水平根據圖DI的縱坐標對應於電功率P 的特定水平。將在下文中對這個能量水平的計算進行描述。
[0035] 對於在t0與tl之間的時間段內的多個不同的時間點，神經網絡中的每一個在神 經網絡的整體中的對應的能量輸出被計算。後續時間點之間的距離小於時間間隔TI，即時 間間隔TI包括數個時間點。特別地，時間間隔TI可以指的是一天的時間段，然而後續時間 點之間的差可以是一小時間隔。對於在對應的時間間隔TI內的所有時間點，由多個神經網 絡所預測的能量輸出的發生的直方圖被確定。其後，能量水平L1、L2以及L3針對對應的置 信水平被得到。每個置信水平規定具有等於或高於待確定的對應的能量水平的值的在直方 圖中包括的能量輸出的百分比。即，基於預定置信閾值（例如99%)，能量輸出和置信值的預 測指示在這個時間段中可用的能量等於或大於在Y軸上針對這個置信所示出的能量水平。
[0036] 在相應的時間間隔TI內所對應的能量數量EA1、EA2以及EA3被定義如下。能量數 量EA1指的是在相應的時間間隔TI內由在能量水平L1下面的區域所表示的累積能量。能 量數量EA2指的是在相應的時間間隔TI內在能量水平L2與能量水平L1之間的累積能量。 能量水平EA3指的是在時間間隔TI內在能量水平L3與能量水平L2之間的累積能量。顯 然，根據不同的置信水平的不同的能量塊具有可用性的不同可能性。特別地，分配給置信水 平的百分比從由能量水平L1所表示的置信水平降低至由能量水平L3所表示的置信水平。 在圖3中所示出的實施例中，參考能量水平L1的置信水平指的是確實可用的能量數量，即 指的是基本負荷可比較的能量數量。這可以對應於例如99%的百分比。能量數量EA2表示 例如80%的較低百分比並且指的是待可用的具有高可能性的能量。與此相反，能量數量EA3 指的是例如60%的最低置信水平並且對應于波動能量的能量塊。
[0037] 根據針對不同的置信水平的將來的能量數量，針對那些數量的不同用途被定義。 在圖3中所示出的實施例中，用途指的是尚未出售或者尚未以其他方式作為可消耗的能量 保留給第三方的對應的能量數量的部分例如經由能量交易平臺的提供。能量數量的每單位 價格由於能量將是可用的可能性降低的事實而正在時間間隔TI內從能量數量EA1降低至 能量數量EA3。此外，將來針對對應的能量數量從一個時間間隔到下一個時間間隔的每單位 價格將降低，因為預測的可靠性將降低。
[0038] 除圖3中所使用的置信水平之外，可以定義另外的置信水平。那些置信水平的對 應的能量數量可以具有其他用途。例如，能夠定義針對待用作所謂的控制能量的能量數量 的置信水平。這個能量數量指的是低置信水平以便使得該能量不適合於被作為可消耗的能 量出售，但是能夠在能量電網中的波動電力情況下作為電網運營商的儲備能量被提供。針 對這個控制能量的每單位價格比針對直接地可消耗的能量低得多。此外，由於不可用性的 高風險而可以為不旨在被提供給第三方的能量數量定義甚至更低的置信水平。視需要，這 個能量數量能夠被用來減少風場的噪聲發射並且用來例如通過以較低旋轉速度操作風力 渦輪機來延長風力渦輪機或風場的壽命。此外，可以為了執行維護工作使用這個能量，即風 場中的風力渦輪機中的一些被停止以便使得能量生產被按這個能量減少。因此，能夠對已 停止風力渦輪機執行維護工作。
[0039] 如在下文中所描述的本發明具有數個優點。特別地，能夠根據能量將是可用的可 能性來對能量在將來的時間段內的預測數量進行分類。根據不同的類別，不同的用途與所 對應的能量數量相關聯。確實可用的基本負荷可比較的能量數量能夠被以高價出售。具有 較低置信水平的能量數量能夠被降價出售，例如作為控制能量，或者可以被用來減少發電 廠的壽命消耗或噪聲發射。此外，根據置信水平關於將來的能量數量的信息可以被提供給 能量電網運營商以用於化石電力生產曲線的規劃。
【權利要求】
1. 一種用於由發電廠特別是可再生的發電廠所產生的電能的使用的計算機輔助確定 的方法，包括以下步驟： -提供由訓練數據所學習到的多個神經網絡（剛1，NN2)，每個神經網絡（NN1，NN2)包 括用於描述影響由所述電廠所產生的所述能量的輸入（Xh，xt-2，Xt+ xt)的神經元的輸 入層（I)、神經元的一個或多個隱藏層（H，Hl，H2, H3)以及用於描述所述電廠的能量輸出 (yt-3，yt- 2，yt-i，yt，yt+i，yt+2，y t+3)的神經元的輸出層（〇，〇1，〇2，〇3)，所述能量輸出 包括針對在將來的時間段內的多個時間點的將來的能量輸出（y t+1，yt+2，yt+3)，其中每個神 經網絡（NN1, NN2)具有不同的結構和/或被不同地學習到； -通過每個神經網絡（NN1，NN2)來預測所述多個時間點的所述將來的能量輸出（yt+1， y"t+2，y"t+3); -計算將來的能量輸出（yt+1，yt+2, yt+3)的一個或多個直方圖，每個直方圖表示由所述 多個神經網絡（NNl，NN2)針對在包括一個或多個後續時間點的對應的時間間隔（TI)中的 時間點所預測的將來的能量輸出（y t+1，yt+2, yt+3)的分布； -為每個時間間隔（T1)確定一個或多個能量水平，其中每個能量水平（Ll，L2，L3) 得自許多置信水平中的一置信水平，每個置信水平表示所述將來的能量輸出（yt+1，yt+2， yt+3)在對應直方圖中的百分比，其中在這個百分比內的每個將來的能量輸出（yt+1，y t+2， yt+3)具有相同的值或比為所述對應的置信水平所得到的所述能量水平（Ll，L2，L3)更大 的值； -根據在每個時間間隔（TI)中的每個能量水平將預定用途分配給能量數量（EA1， EA2，EA3)，其中根據能量水平（Ll，L2，L3)的能量數量（EA1，EA2，EA3)表示在所述相 應的時間間隔（TI)內在所述能量水平（EA1，EA2，EA3)與下一個較低能量水平之間的所 述能量。
2. 根據前述權利要求中一項所述的方法，其中所述多個神經網絡（NN1，NN2)包括一 個或多個遞歸的神經網絡（NN1)，特別是在時間上展開的時延遞歸神經網絡，和/或一個 或多個前饋網絡（NN2)和/或將至少一個前饋網絡（NN1)嵌入到至少一個遞歸神經網絡 (NN1)中的一個或多個網絡。
3. 根據權利要求1或2所述的方法，其中所述可再生發電廠是包括許多風力渦輪機的 風力發電廠和/或包括許多太陽能電池板的太陽能發電廠。
4. 根據前述權利要求中一項所述的方法，其中所述置信水平包括一個或多個第一置信 水平，其中根據與第一置信水平相對應的所述能量水平（Ll，L2，L3)使用所述能量數量 (EA1，EA2，EA3)是這樣的，即使得尚未出售給第三方或者尚未以其他方式保留的所述能 量數量（EA1，EA2，EA3)的部分被作為可消耗的能量以預定每單位價格提供給第三方，其 中所述預定每單位價格隨著由所述第一置信水平所表示的所述將來的能量輸出（y t+1，yt+2， yt+3)的提商的百分比而提商。
5. 根據權利要求4所述的方法，其中提供給第三方的所述能量數量（EA1，EA2，EA3) 在能量交易平臺上被交易。
6. 根據前述權利要求中一項所述的方法，其中每個神經網絡（NN1，NN2)的所述輸入 (xt_3, xt_2, Xt_i，xt)包括關於所述發電廠的環境和/或所述發電廠的一個或多個特性的數 據，特別是在所述發電廠的所述環境中的多個位置處的天氣數據和/或關於所述發電廠的 位置的地理數據。
7. 根據前述權利要求中一項所述的方法，其中每個神經網絡（NN1，NN2)的所述輸入 (xt_3，x t_2，Xt_i，xt)包括在過去的時間點測量的和/或針對將來的時間點預測的數據，特 別是天氣數據。
8. 根據權利要求6或7所述的方法，其中所述天氣數據包括溫度值和/或大氣壓力值 和/或大氣溼度值和/或風速和/或風向和/或湍流值和/或關於太陽能輻射的參數。
9. 根據前述權利要求中一項所述的方法，其中所述置信水平包括優選地表示比所述第 一置信水平更低的百分比的一個或多個第二置信水平，其中根據與第二置信水平相對應的 所述能量水平（Ll，L2, L3)使用所述能量數量（EA1，EA2, EA3)包括以下用途中的一個： -提供尚未出售給第三方或者尚未以其他方式作為控制能量保留給第三方的所述能 量數量（EA1，EA2，EA3)的所述部分； -抑制提供尚未出售給第三方或者尚未以其他方式保留給第三方的所述能量數量 (EA1，EA2，EA3)的所述部分，並且可選地保留所述能量數量的這個部分以用於延長所述 發電廠的壽命和/或減少所述發電廠的噪聲發射和/或在所述發電廠處執行維護工作。
10. 與權利要求2相結合地根據前述權利要求中的權利要求一所述的方法，其中至少 一個前饋網絡（NN1)包括數個隱藏層（Hl，H2, H3)，每個隱藏層被耦合到單獨的輸出聚類 (01，02，03)。
11. 根據權利要求10所述的方法，其中所述至少一個前饋網絡（NN1)的所述輸入層 (I)被耦合到每個隱藏層（Hl，H2，H3)。
12. 根據前述權利要求中一項所述的方法，其中所述多個神經網絡（NN1，NN2)中的每 個神經網絡（NN1，NN2)用不同的訓練數據和/或不同的學習參數加以學習和/或被不同 地初始化以用於學習。
13. 根據前述權利要求中一項所述的方法，其中所述置信水平基於實際的能量輸出與 已由每個神經網絡（NN1，NN2)所預測的所述對應的能量輸出（y t+1，yt+2，yt+3 )之間的比 較而被適配。
14. 電腦程式產品，其包括存儲在計算機可讀介質上的程序代碼以用於在所述程序 代碼在計算機運行時執行根據前述權利要求中一項的方法。
15. 電腦程式，其包括程序代碼以用於在所述程序代碼在計算機運行時執行根據權 利要求1至13中一項的方法。
【文檔編號】G06N3/04GK104115166SQ201280070293
【公開日】2014年10月22日 申請日期:2012年12月19日 優先權日:2011年12月21日
【發明者】P.埃格達爾, R.格羅特曼, V.施特青格, T.倫克勒 申請人:西門子公司