CN108694472B - 预测误差极值分析方法、装置、计算机设备和存储介质 - Google Patents

预测误差极值分析方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN108694472B
CN108694472B CN201810620054.6A CN201810620054A CN108694472B CN 108694472 B CN108694472 B CN 108694472B CN 201810620054 A CN201810620054 A CN 201810620054A CN 108694472 B CN108694472 B CN 108694472B
Authority
CN
China
Prior art keywords
prediction error
wind power
power prediction
maximum value
covariates
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810620054.6A
Other languages
English (en)
Other versions
CN108694472A (zh
Inventor
鲁宗相
乔颖
张帆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Corp of China SGCC
State Grid Beijing Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University, State Grid Corp of China SGCC, State Grid Beijing Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN201810620054.6A priority Critical patent/CN108694472B/zh
Publication of CN108694472A publication Critical patent/CN108694472A/zh
Application granted granted Critical
Publication of CN108694472B publication Critical patent/CN108694472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种预测误差极值分析方法、装置、计算机设备及存储介质，该方法包括：获取风电功率预测误差、数值天气预报数据和历史测风数据，根据预设条件与风电功率预测误差的对应关系，将风电功率预测误差进行划分，得到多个区组，获取每一个区组中的区组最大值，根据数值天气预报数据、历史测风数据和每一区组最大值，选取协变量，通过协变量及每一区组最大值，得到风电功率预测误差的极值分布。该方法对日前风电功率预测误差的极端值进行分析，以增大极值建模精度，提高了日前预测结果的调度可用性。

Description

预测误差极值分析方法、装置、计算机设备和存储介质
技术领域
本发明涉及风力发电技术领域，特别是涉及一种预测误差极值分析方法、装置、计算机设备和存储介质。
背景技术
随着环境污染和能源短缺问题日趋严重，风电以其资源丰富、清洁无污染、实际占地少、可再生性等优势占电力系统发电总量的比例逐年增加。由于风电属于随机波动的不稳定能源，给电力系统带来的一系列问题日益突出，严重影响到风电产业的发展，所以需要对风电功率进行及时准确的预测来解决这一问题。目前，风电功率预测在调度的主要应用聚集在日前以内的时间尺度，虽然风电功率预测的整体误差水平符合国家标准要求，但是存在局部时段的极大预测误差。
传统技术中，针对预测值局部误差大，是通过全定义域的概率预测方法对局部时段的所有风电功率预测误差进行分析的。
但是，传统技术对极值建模精度不足，效果较差，导致日前预测结果的调度可用性低。
发明内容
基于此，有必要针对传统技术中通过全定义域的概率预测方法对局部时段的所有风电功率预测误差进行分析，日前预测结果的调度可用性低的问题，提供一种预测误差极值分析方法、装置、计算机设备及存储介质。
第一方面，本发明实施例提供一种预测误差极值分析方法，包括：
获取风电功率预测误差、数值天气预报数据和历史测风数据；
根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；
获取每一个区组中的区组最大值；
根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；
通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布。
在其中一个实施例中，所述根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组，包括：
根据区组内风电功率预测误差最大值的中位数，将所述风电功率预测误差进行划分，得到多个区组。
在其中一个实施例中，所述根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量，包括：
根据所述数值天气预报数据和所述历史测风数据，确定候选协变量；
通过所述候选协变量与所述区组最大值的相关性，选取所述协变量。
在其中一个实施例中，所述通过所述候选协变量与所述区组最大值的相关性，选取所述协变量，包括：
采用斯皮尔曼相关系数，获取所述候选协变量与所述区组最大值的相关性；
根据所述相关性确定所述协变量。
在其中一个实施例中，所述通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布，包括：
获取所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数；
通过所述含参函数及每一所述区组最大值，获得所述风电功率预测误差的极值分布。
在其中一个实施例中，所述获取所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数，包括：
采用条件密度神经网络模型以及所述协变量进行拟合，得到所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数。
在其中一个实施例中，所述风电功率预测误差的极值分布通过以下公式获得：
Figure GDA0002422771600000031
其中，μ表示位置参数，ξ表示形状参数，σ表示规模参数。
第二方面，本发明实施例提供一种预测误差极值分析装置，包括：
获取数据模块，用于获取风电功率预测误差、数值天气预报数据和历史测风数据；
划分模块，用于根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；
获取最大值模块，用于获取每一个区组中的区组最大值；
选取模块，用于根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；
获取极值分布模块，用于通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布。
第三方面，本发明实施例提供一种计算机设备，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取风电功率预测误差、数值天气预报数据和历史测风数据；
根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；
获取每一个区组中的区组最大值；
根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；
通过所述协变量，得到风电功率预测误差的极值分布。
第四方面，本发明实施例提供的一种可读存储介质，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取风电功率预测误差、数值天气预报数据和历史测风数据；
根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；
获取每一个区组中的区组最大值；
根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；
通过所述协变量，得到风电功率预测误差的极值分布。
本实施例提供的预测误差极值分析方法、装置、计算机设备及存储介质，通过针对日前风电功率预测误差的极端值进行分析，并考虑风过程的长期非平稳性，使得计算机设备能够解决风过程的长期非平稳性导致的极大值互相关问题，增大极值建模精度。因此，采用本实施例的预测误差极值分析方法、装置、计算机设备及存储介质，提高了日前预测结果的调度可用性。
附图说明
图1为一实施例提供的预测误差极值分析方法的流程示意图；
图2为另一实施例提供的选取协变量方法的流程示意图；
图3为另一实施例提供的选取协变量具体方法的流程示意图；
图4为另一实施例提供的得到风电功率预测误差的极值分布方法的流程示意图；
图5为一个实施例提供的预测误差极值分析装置的结构示意图；
图6为另一个实施例提供的预测误差极值分析装置的结构示意图；
图7为另一个实施例提供的预测误差极值分析装置的结构示意图；
图8为一个实施例提供的提供一种计算机设备的内部结构示意图。
具体实施方式
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，本领域普通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。
本实施例提供的预测误差极值分析方法，可以适用于计算机设备中。该计算机设备可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备，本实施例对计算机设备的具体形式不做限定。
需要说明的是，本发明实施例提供的预测误差极值分析方法，其执行主体可以是预测误差极值分析装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，该计算机设备可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备，本实施例对电子设备的具体形式并不做限定。下述方法实施例的执行主体以计算机设备为例来进行说明。
为了使本发明的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本发明实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定发明。
图1为一实施例提供的预测误差极值分析方法的流程示意图。本实施例涉及的是计算机设备对风电功率预测误差进行划分，得到多个区组，通过每个区组最大值获取协变量，并根据协变量得到风电功率预测误差的极值分布的具体过程。如图1所示，该方法包括：
S101、获取风电功率预测误差、数值天气预报数据和历史测风数据。
具体的，计算机设备可以获取风电功率预测误差，可以通过数值天气预报数据和历史测风数据采用预测模型计算的，获取数值天气预报数据可以通过预测误差极值分析装置实时采集的数据，获取历史测风数据可以是通过预测误差极值分析装置采集的历史测风数据。可选的，上述数值天气预报数据可以为风速预测数据，还可以为风向预测数据。可选的，上述历史测风数据可以为历史风速、风向、风电出力数据，对此本实施例并不作任何限定。
S102、根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组。
具体的，计算机设备可以根据预设的区组长度将风电功率预测误差进行划分，得到多个区组。可选的，区组长度可以根据研究的问题的具体物理意义确定。需要说明的是，由于风电功率观测值的时间间隔相等，得到的风电功率预测误差的时间序列间隔也是相同的，所以每一个区组的区组长度是相同的，并且每一个区组中的风电功率预测误差之间近似独立同分布。作为本发明具体的实施例，区组长度设定为24h，相当于一日。可选的，该预设的预测误差水平可以为待预测日前一日的风电功率预测误差最大值。
S103、获取每一个区组中的区组最大值。
具体的，计算机设备可以根据获取的多个区组，提取每一个区组中的风电功率预测误差最大值，获取的方式可以为通过预测误差极值分析装置确定区组最大值。需要说明的是，计算机设备可以选取每一个区组中任意比例的风电功率预测误差作为样本集，该样本集为本实施例后续处理的每一个区组数据集。
S104、根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量。
具体的，计算机设备可以根据获取的数值天气预报数据和历史测风数据中的任意几个数据，与获取的每一个区组内最大值之间的关系，确定协变量。
S105、通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布。
具体的，计算机设备可以建立协变量与风电功率预测误差极值的关键参数之间的关系式，通过获得的关系式及每一区组最大值得到风电功率预测误差的极值分布。可选的，该关系式可以为线性的，也可以为非线性的。可选的，建立关系式的方式可以为一种线性模型，还可以为一种非线性模型，对此本实施例并不作任何限定。
本实施例提供的预测误差极值分析方法，计算机设备获取风电功率预测误差、数值天气预报数据和历史测风数据，根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组，获取每一个区组中的区组最大值，根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量，通过所述协变量及每一所述区组最大值，从而得到风电功率预测误差的极值分布。该计算机设备在预测误差极值分析过程中，考虑了风过程的长期非平稳性，增大日前预测误差极值建模精度，从而提高日前预测结果的调度可用性。
在其中一个实施例中，上述S102中计算机设备根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组，可以通过以下方法实现，包括：根据区组内风电功率预测误差最大值的中位数，将所述风电功率预测误差进行划分，得到多个区组。
具体的，计算机设备根据区组内风电功率预测误差最大值的中位数，可以将风电功率预测误差进行划分，得到两个区组。可选的，区组内风电功率预测误差最大值的数量可以为大于1的正整数。
示例性的，区组长度为24h时，相等于一日，则区组内风电功率预测误差最大值为待预测日之前的每一日风电功率预测误差最大值，若待预测日之前的每一日风电功率预测误差最大值为λDM，确定λDM的中位数为
Figure GDA0002422771600000081
则可以将风电功率预测误差分成两个区组，其中一个区组风电功率预测误差最大值范围为
Figure GDA0002422771600000082
另一个区组风电功率预测误差最大值范围为
Figure GDA0002422771600000083
本实施例提供的预测误差极值分析方法，计算机设备根据区组内风电功率预测误差最大值的中位数，将风电功率预测误差进行划分，得到多个区组。由于计算机设备依据选定的中位数对风电功率预测误差进行划分，得到两个区组，使得划分后的区组尽可能均衡，避免出现两个区组中的样本偏重现象。
图2为另一个实施例提供的预测误差极值分析方法流程示意图，本实施例涉及的是选取协变量的具体过程。在上述实施例的基础上，可选的，如图2所示，上述S104可以包括：
S1041、根据所述数值天气预报数据和所述历史测风数据，确定候选协变量。
具体的，计算机设备可以将数值天气预报数据和历史测风数据中的任意几个变量的均值、方差或极值作为候选协变量。可选的，候选协变量的数量可以为大于1的正整数。可选的，该数值天气预报数据可以为风速预测数据和风向预测数据，可选的，上述历史测风数据可以为历史风速、风向、风电出力数据。示例性的，若候选协变量有三组，则第一组包括的变量可以为前一日风速和风向，第二组包括的变量可以为前一日风电出力，第三组包括的变量可以为待预测日内来自数值天气预报的风速和风向的预测值。
S1042、通过所述候选协变量与所述区组最大值的相关性，选取所述协变量。
具体的，计算机设备可以获取的候选协变量分别与每一个区组最大值的相关性，将每一个区组中相关性最大的候选协变量确定为对应区组中的协变量。可选的，该相关性的计算方法可以为皮尔逊相关系数，还可以为皮尔森相关系数，对此本实施例并不作任何限定。可选的，确定的协变量数量可以为1或2。
本实施例提供的预测误差极值分析方法，计算机设备根据数值天气预报数据和历史测风数据，确定候选协变量，通过候选协变量与所述区组最大值，选取协变量。由于计算机设备可以通过候选协变量，确定影响日前极大误差分布的协变量，从而提高建模精度。
在其中一个实施例中，上述S1042中计算机设备通过所述候选协变量与所述区组最大值的相关性，选取所述协变量，可以通过图3所述的方法实现，包括：
S1142、采用斯皮尔曼相关系数，获取所述候选协变量与所述区组最大值的相关性。
具体的，计算机设备可以采用斯皮尔曼相关系数，计算候选协变量与区组最大值之间的互相关性。示例性的，若候选协变量有两组，第一组包括的变量为前一日风速和风向，第二组包括的变量为前一日风电出力，则可以通过斯皮尔曼相关系数计算前一日风速均值与区组最大值之间的相关性，也可以通过斯皮尔曼相关系数计算前一日风速方差与区组最大值之间的相关性，当然还可以通过斯皮尔曼相关系数计算前一日风速极值与区组最大值之间的相关性等。
S1242、根据所述相关性确定所述协变量。
需要说明的是，计算机设备可以将候选协变量与区组最大值相关系数最大候选协变量确定为协变量，若要选取两个协变量，则要选择互相关系数最小的作为两个协变量。示例性的，若有三个候选协变量，分别为前一日风速的极差、日内预测风速均值和日内预测风速的极差，其中前一日风速的极差和日内预测风速均值，分别与区组最大值之间的斯皮尔曼相关系数分别为0.35和0.36，且它们之间的互相关系数约为0.30，互相关系数并不是很大，所以选取这两个候选协变量为协变量；若区组最大值和日内预测风速的极差之间的斯皮尔曼相关系数为0.33，仅次于0.35和0.36，但是区组最大值和日内预测风速均值的相关性非常高，两者之间的斯皮尔曼相关系数高达0.64，所以就不能选择日内预测风速的极差作为协变量之一。
本实施例提供的预测误差极值分析方法，计算机设备采用斯皮尔曼相关系数，获取所述候选协变量与所述区组最大值的相关性，根据所述相关性确定所述协变量。由于计算机设备可以通过候选协变量，确定影响日前极大误差分布的协变量，从而提高建模精度。
图4为另一个实施例提供的预测误差极值分析方法流程示意图，本实施例涉及的是得到风电功率预测误差的极值分布的具体过程。在上述实施例的基础上，可选的，如图4所示，上述S105可以包括：
S1051、获取所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数。
具体的，计算机设备可以通过获取的协变量采用最大似然方法进行拟合，得到风电功率预测误差极值的位置参数、形状参数以及规模参数，与获取的协变量有关的含参函数。
S1052、通过所述含参函数及每一所述区组最大值，获得所述风电功率预测误差的极值分布。
具体的，计算机设备可以根据Fisher-Tippett-Gnedenko定理，获得的含参函数及每一区组最大值，得到每一区组对应的风电功率预测误差的极值分布。
本实施例提供的预测误差极值分析方法，计算机设备获取所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数，通过所述含参函数及每一所述区组最大值，获得所述风电功率预测误差的极值分布。计算机设备通过拟合协变量与风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数，获取风电功率预测误差的极值分布，考虑了风过程的长期非平稳性，增大极值建模精度，从而提高日前预测结果的调度可用性。
在其中一个实施例中，上述S1051中计算机设备获取所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数，可以通过包括：采用条件密度神经网络模型以及所述协变量进行拟合，得到所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数。
具体的，计算机设备可以预设条件密度神经网络模型中，隐含层节点数目，激活函数类型，采用该条件密度神经网络模型由最大似然方法进行拟合，得到协变量与风电功率预测误差极值的位置参数、形状参数以及规模参数之间的含参函数。可选的，该含参函数可以为
Figure GDA0002422771600000121
其中，{covi}表征协变量covi组成的集合，N表征选取的协变量数量。
需要说明的是，计算机设备预设条件密度神经网络模型中，隐含层节点数目和激活函数类型均可以通过试验法进行筛选，选取指标最好的数据和函数。示例性的，本实施例可以具体试验含有多种隐藏层节点数目、激活函数形式的模型，确定隐藏层节点可以为一个或两个，激活函数可以为线性函数和非线性的logistic函数。
本实施例提供的预测误差极值分析方法，计算机设备采用条件密度神经网络模型以及所述协变量进行拟合，得到所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数。计算机设备采用条件密度神经网络模型，拟合协变量和风电功率预测误差极值中的关键参数之间的含参函数，考虑了风过程的长期非平稳性，增大极值建模精度，从而提高日前预测结果的调度可用性。
在其中一个实施例中，上述S1052中风电功率预测误差的极值分布可以通过公式
Figure GDA0002422771600000122
得到，其中，μ表示位置参数，ξ表示形状参数，σ表示规模参数。
需要说明的是，计算机设备可以将上述获取的含参函数代替位置参数，形状参数和规模参数，获得协变量与风电功率预测误差的极值分布之间的关系。
本实施例提供的预测误差极值分析方法，计算机设备通过获取的风电功率预测误差的极值中的表达式，得到风电功率预测误差的极值分布，考虑了风过程的长期非平稳性，增大极值建模精度，从而提高日前预测结果的调度可用性。
应该理解的是，虽然图1-4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1-4中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
关于预测误差极值分析装置的具体限定可以参见上文中对于预测误差极值分析方法的限定，在此不再赘述。上述计算机设备的预测误差极值分析装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图5为一实施例提供的预测误差极值分析装置结构流程示意图。如图5所示，该装置可以包括：获取数据模块11、划分模块12、获取最大值模块13、选取模块14和获取极值分布模块15。
具体的，获取数据模块11，用于获取风电功率预测误差、数值天气预报数据和历史测风数据；
划分模块12，用于根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；
获取最大值模块13，用于获取每一个区组中的区组最大值；
选取模块14，用于根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；
获取极值分布模块15，用于通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布。
本实施例提供的预测误差极值分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
继续参见上述图5，在上述图5所示的实施例的基础上，所述划分模块12具体用于根据区组内风电功率预测误差最大值的中位数，将所述风电功率预测误差进行划分，得到多个区组。
本实施例提供的预测误差极值分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图6为另一个实施例提供的预测误差极值分析装置的结构示意图。在上述图5所示的实施例的基础上，如图6所示，所述选取模块14具体包括：确定候选协变量单元141和选取协变量单元142。
具体的，确定候选协变量单元141，用于根据所述数值天气预报数据和所述历史测风数据，确定候选协变量；
选取协变量单元142，用于通过所述候选协变量与所述区组最大值的相关性，选取所述协变量。
本实施例提供的预测误差极值分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
继续参见上述图6，在上述图6所示的实施例的基础上，所述选取协变量单元142具体包括：获取相关性子单元1421和确定协变量子单元1422。
具体的，获取相关性子单元1421，用于采用斯皮尔曼相关系数，获取所述候选协变量与所述区组最大值的相关性；
确定协变量子单元1422，用于根据所述相关性确定所述协变量。
本实施例提供的预测误差极值分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
图7另一个实施例提供的预测误差极值分析装置的结构示意图。在上述图6所示的实施例基础上，如图7所示，所述获取极值分布模块15具体包括：获取含参函数单元151和获取极值分布单元152。
具体的，获取含参函数单元151，用于获取所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数；
获取极值分布单元152，用于通过所述含参函数及每一所述区组最大值，获得所述风电功率预测误差的极值分布。
本实施例提供的预测误差极值分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
继续参见上述图7，所述获取含参函数单元151具体用于采用条件密度神经网络模型以及所述协变量进行拟合，得到所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数。
本实施例提供的预测误差极值分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
继续参见上述图7，所述获取极值分布单元152具体用于风电功率预测误差的极值分布通过以下公式获得：
Figure GDA0002422771600000161
其中，μ表示位置参数，ξ表示形状参数，σ表示规模参数。
本实施例提供的预测误差极值分析装置，可以执行上述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在一个实施例中，提供了一种计算机设备，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种预测误差极值分析方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图8中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取风电功率预测误差、数值天气预报数据和历史测风数据；
根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；
获取每一个区组中的区组最大值；
根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；
通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布。
在一个实施例中，提供了一种可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取风电功率预测误差、数值天气预报数据和历史测风数据；
根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；
获取每一个区组中的区组最大值；
根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；
通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布。
本领域普通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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种预测误差极值分析方法，其特征在于，包括：
获取风电功率预测误差、数值天气预报数据和历史测风数据；
根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；
获取每一个区组中的区组最大值；
将所述数值天气预报数据和所述历史测风数据中的任意几个变量的均值、方差或极值作为候选协变量；
获取所述候选协变量与所述区组最大值的相关性；
将所述候选协变量与区组最大值相关性最大候选协变量确定为协变量；其中，若选取两个协变量，则选择互相关性最小的作为两个协变量；
采用条件密度神经网络模型以及所述协变量进行拟合，得到所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数；
通过所述含参函数及每一所述区组最大值，获得所述风电功率预测误差的极值分布；其中，所述风电功率预测误差的极值分布通过以下公式获得：
Figure FDA0002490854050000011
其中，μ表示位置参数，ξ表示形状参数，σ表示规模参数。
2.根据权利要求1所述的方法，其特征在于，所述根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组的步骤包括：
根据区组内风电功率预测误差最大值的中位数，将所述风电功率预测误差进行划分，得到多个区组。
3.根据权利要求1所述的方法，其特征在于，所述根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组的步骤包括：
根据每一所述区组内风电功率预测误差最大值的中位数，将所述风电功率预测误差进行划分，得到两个区组。
4.根据权利要求1所述的方法，其特征在于，所述获取每一个区组中的区组最大值，包括：
提取每一个所述区组中的风电功率预测误差最大值，并将所述风电功率预测误差最大值作为每一个所述区组中的所述区组最大值。
5.根据权利要求1所述的方法，其特征在于，所述获取所述候选协变量与所述区组最大值的相关性，包括：
采用斯皮尔曼相关系数，获取所述候选协变量与所述区组最大值的相关性。
6.一种预测误差极值分析装置，其特征在于，包括：
获取数据模块，用于获取风电功率预测误差、数值天气预报数据和历史测风数据；
划分模块，用于根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；
获取最大值模块，用于获取每一个区组中的区组最大值；
选取模块，用于将所述数值天气预报数据和所述历史测风数据中的任意几个变量的均值、方差或极值作为候选协变量；
获取相关性模块，用于获取所述候选协变量与所述区组最大值的相关性；
确定协变量模块，用于将所述候选协变量与区组最大值相关性最大候选协变量确定为协变量；其中，若选取两个协变量，则选择互相关性最小的作为两个协变量；
拟合模块，用于采用条件密度神经网络模型以及所述协变量进行拟合，得到所述协变量与风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数；
获取极值分布模块，用于通过所述含参函数及每一所述区组最大值，获得所述风电功率预测误差的极值分布；其中，所述风电功率预测误差的极值分布通过以下公式获得：
Figure FDA0002490854050000031
其中，μ表示位置参数，ξ表示形状参数，σ表示规模参数。
7.根据权利要求6所述的装置，其特征在于，所述划分模块具体用于根据区组内风电功率预测误差最大值的中位数，将所述风电功率预测误差进行划分，得到多个区组。
8.根据权利要求6所述的装置，其特征在于，所述获取最大值模块具体用于提取每一个所述区组中的风电功率预测误差最大值，并将所述风电功率预测误差最大值作为每一个所述区组中的所述区组最大值。
9.一种计算机设备，包括存储器、处理器，所述存储器上存储有可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
CN201810620054.6A 2018-06-15 2018-06-15 预测误差极值分析方法、装置、计算机设备和存储介质 Active CN108694472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810620054.6A CN108694472B (zh) 2018-06-15 2018-06-15 预测误差极值分析方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810620054.6A CN108694472B (zh) 2018-06-15 2018-06-15 预测误差极值分析方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN108694472A CN108694472A (zh) 2018-10-23
CN108694472B true CN108694472B (zh) 2020-07-31

Family

ID=63849775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810620054.6A Active CN108694472B (zh) 2018-06-15 2018-06-15 预测误差极值分析方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN108694472B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111950764B (zh) * 2020-07-03 2024-03-22 国网冀北电力有限公司 一种极端天气条件电网风电功率预测修正方法
CN112036658B (zh) * 2020-09-09 2022-06-14 华东交通大学 一种基于随差遗忘长短期记忆的风电功率实时预测方法
CN112581312B (zh) * 2020-12-21 2024-03-08 国网陕西省电力公司电力科学研究院 风电功率预测误差分布分析方法、装置、计算机设备和可读存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009011611A1 (ru) * 2007-07-17 2009-01-22 Zakrytoe Aktsionernoe Obschestvo 'vniira-Navigator' Способ посадки летательных аппаратов с использованием спутниковой навигационной системы и система посадки на его основе
CN102914969A (zh) * 2012-09-28 2013-02-06 南方电网科学研究院有限责任公司 一种短期风电功率预测系统的综合误差修正方法
JP2014203332A (ja) * 2013-04-08 2014-10-27 日本電信電話株式会社 予測誤差評価装置及び方法
CN105701590A (zh) * 2014-11-28 2016-06-22 国家电网公司 一种基于极大似然估计的风电功率波动概率分布描述方法
CN106022594A (zh) * 2016-05-16 2016-10-12 西安交通大学 基于极值理论的电力系统在线运行安全风险评估方法
CN108090623A (zh) * 2017-12-29 2018-05-29 广东电网有限责任公司惠州供电局 一种基于广义极值理论和层次分析法的电网停电事故的危险性评估方法
CN108205713A (zh) * 2016-12-16 2018-06-26 中国电力科学研究院 一种区域风电功率预测误差分布确定方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009011611A1 (ru) * 2007-07-17 2009-01-22 Zakrytoe Aktsionernoe Obschestvo 'vniira-Navigator' Способ посадки летательных аппаратов с использованием спутниковой навигационной системы и система посадки на его основе
CN102914969A (zh) * 2012-09-28 2013-02-06 南方电网科学研究院有限责任公司 一种短期风电功率预测系统的综合误差修正方法
JP2014203332A (ja) * 2013-04-08 2014-10-27 日本電信電話株式会社 予測誤差評価装置及び方法
CN105701590A (zh) * 2014-11-28 2016-06-22 国家电网公司 一种基于极大似然估计的风电功率波动概率分布描述方法
CN106022594A (zh) * 2016-05-16 2016-10-12 西安交通大学 基于极值理论的电力系统在线运行安全风险评估方法
CN108205713A (zh) * 2016-12-16 2018-06-26 中国电力科学研究院 一种区域风电功率预测误差分布确定方法和装置
CN108090623A (zh) * 2017-12-29 2018-05-29 广东电网有限责任公司惠州供电局 一种基于广义极值理论和层次分析法的电网停电事故的危险性评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于实测数据的风电功率曲线建模及不确定估计;林鹏 等;《电力自动化设备》;20150430;第35卷(第4期);第90-95页 *
基于风电场功率特性的风电预测误差分布估计;吴晓刚 等;《电网技术》;20170630;第41卷(第6期);第1801-1807页 *
惯导系统最大定位误差的极值分析;李琳 等;《天津航海》;20051231(第4期);第45-47页 *

Also Published As

Publication number Publication date
CN108694472A (zh) 2018-10-23

Similar Documents

Publication Publication Date Title
CN109902801B (zh) 一种基于变分推理贝叶斯神经网络的洪水集合预报方法
CN110619432B (zh) 一种基于深度学习的特征提取水文预报的方法
CN108694472B (zh) 预测误差极值分析方法、装置、计算机设备和存储介质
CN109472403B (zh) 一种集合经验模态分解及遥相关的中长期径流预报方法
CN112506990A (zh) 一种基于时空信息的水文数据异常检测方法
De Wilde et al. Building simulation approaches for the training of automated data analysis tools in building energy management
Fan et al. Development of PCA-based cluster quantile regression (PCA-CQR) framework for streamflow prediction: Application to the Xiangxi river watershed, China
CN109981749A (zh) 一种基于极限梯度提升的云工作流任务执行时间预测方法
Eastoe et al. Statistical measures of extremal dependence illustrated using measured sea surface elevations from a neighbourhood of coastal locations
Ye et al. Hydrologic time series anomaly detection based on flink
Lu et al. Neural network interpretability for forecasting of aggregated renewable generation
CN103885867A (zh) 一种模拟电路性能的在线评价方法
CN115099135A (zh) 一种改进的人工神经网络多类型作业功耗预测方法
Wu et al. Application of time serial model in water quality predicting
Wang et al. Spatial variation of catchment-oriented extreme rainfall in England and Wales
CN112465250A (zh) 电力负荷预测方法、装置、计算机设备和存储介质
CN116894687A (zh) 一种基于机器学习的用电量分析方法及系统、电子设备
CN114692529B (zh) 一种cfd高维响应的不确定度量化方法、装置、计算机设备
CN115549082A (zh) 基于负荷挖掘和lstm神经网络的电力负荷预测方法
Li et al. The extreme counts: modeling the performance uncertainty of cloud resources with extreme value theory
Huang et al. Generalized Pareto model based on particle swarm optimization for anomaly detection
CN111061985B (zh) 无资料地区水库调节径流的计算方法、装置和存储介质
Huo et al. Traffic anomaly detection method based on improved GRU and EFMS-Kmeans clustering
CN111027680B (zh) 基于变分自编码器的监控量不确定性预测方法及系统
Dikbas Frequency based imputation of precipitation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant