CN108108837A - 一种地区新能源电源结构优化预测方法和系统 - Google Patents
一种地区新能源电源结构优化预测方法和系统 Download PDFInfo
- Publication number
- CN108108837A CN108108837A CN201711351376.7A CN201711351376A CN108108837A CN 108108837 A CN108108837 A CN 108108837A CN 201711351376 A CN201711351376 A CN 201711351376A CN 108108837 A CN108108837 A CN 108108837A
- Authority
- CN
- China
- Prior art keywords
- new energy
- power supply
- energy power
- prediction
- electric quantity
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000005457 optimization Methods 0.000 title claims abstract description 29
- 230000005611 electricity Effects 0.000 claims abstract description 14
- 238000011161 development Methods 0.000 claims description 19
- 238000012937 correction Methods 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 8
- 230000002087 whitening effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000010248 power generation Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 206010020015 Heterophoria Diseases 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种地区新能源电源结构优化预测方法和系统,构建“总量‑结构‑分量”的三阶段综合优化预测模型,包括:利用改进的灰色预测模型对新能源电源上网电量总量进行预测,并对电源上网电量总量预测结果进行优化,得到新能源电源上网电量总量预测结果X;运用基于误差优化的动态规划预测模型对新能源上网电量结构进行预测,得到新能源电源分电源类型的结构预测结果F;利用上述得到的新能源电源上网电量总量预测结果X和新能源电源分电源类型的结构预测结果F,得到新能源电源分电源类型的分量预测结果R。本发明能够实现对地区新能源电源结构的优化预测,具有较大的适用范围、较高的预测精度。
Description
技术领域
本发明涉及新能源发电的技术领域,尤其涉及一种地区新能源电源结构优化预测方法和系统。
背景技术
新能源发电因其环境友好、污染度低、可再生等特点,受到了世界各国的青睐。受到国家政策鼓励和扶持,近十年来我国新能源发电发展很快,目前已经成为全球风电规模最大、发展速度最快的国家。新能源的异军突起为我国能源的持续利用提供了替代方案,但是新能源发电出力不稳定、随机波动的特点,大规模、集中式的新能源开发模式,大容量、远距离、高电压的输电模式,都给我国电网规划建设和运行管理等方面带来了巨大的挑战。以风电为例,我国的风能资源主要集中在西北、华北、东北地区,这些地区风电消纳能力有限,又受跨区输送通道建设滞后的影响,电网与风电矛盾越来越突出,新能源电源与电网的发展规划严重脱节。因此对新能源发电的发展情况进行预测分析可以较好地支持电网针对新能源电源的发展规划,为电网与新能源发电在规划层面提供技术支持,为国家在新能源发展规划上的决策提供方法依据,对我国新能源未来发展布局具有重大的现实意义。
目前,新能源结构优化方法集中于污染物排放、发电成本最小等多目标约束下的规划问题。常见的预测方法为传统的趋势外推、线性回归以及智能预测方法,如神经网络、支持向量机等。多目标的规划问题只将部分因素纳入到模型中来,将其应用于受到经济、技术、政策等多方面影响新能源结构预测,预测规律僵化、结果精度不高。常见的预测方法大多直接对预测对象进行分析,将预测对象所蕴含的过多数据噪音引入的预测模型中,随着预测时间的推移,误差陡增,预测精度呈现断崖式地下降。
发明内容
鉴于上述的分析,本发明旨在提供一种新能源电源结构优化预测方法和系统,通过构建“总量-结构-分量”的三阶段综合优化预测模型,解决现有对新能源电源结构预测规律僵化、预测精度不高或不稳定的问题。
本发明的目的主要通过以下技术方案实现的:
提供了一种地区新能源电源结构优化预测方法,包括以下步骤:
利用灰色预测模型对目标地区新能源电源上网电量总量进行预测,并对预测的电源上网电量总量进行优化,得到新能源电源上网电量总量预测结果X;
运用基于误差优化的动态规划预测模型对目标地区新能源上网电量结构进行预测,得到新能源电源分电源类型的结构预测结果F;
利用上述得到的新能源电源上网电量总量预测结果X和新能源电源分电源类型的结构预测结果F,得到目标地区新能源电源分电源类型的分量预测结果R。
在上述方案的基础上,本发明还做了如下改进:
进一步,所述对预测的电源上网电量总量进行优化,包括对预测的电源上网电量总量的预测残值进行修正。
进一步,所述对预测的电源上网电量总量的预测残值进行修正,包括构建多重灰色预测残差修正模型,所述多重灰色预测残差修正模型为:
其中,为构建的w重灰色预测残差修正模型,为k时刻的灰色模型的预测值,δi(k+1)为i重残差修正的符号函数,为i重残差修正的残差灰色模型的拟合值。
采用上述进一步方案的有益效果是:
在不破坏原始数据中的趋势和因果规律前提下,利用灰色预测模型推理数列自身的变化,并利用多重灰色预测模型对预测残值进行修正,实现最优化的预测结果。
进一步,新能源电源分电源类型的结构预测结果F为:
F=α(k+1)=α(k)*P
式中,α(k),α(k+1)分别为时刻k和时刻k+1的结构状态矩阵;P为新能源电源分电源类型的结构状态转移矩阵,所述P的值为当误差模型f(P)取最小值时P的取值,所述误差模型f(P)为:
式中,P=(pij)n×n为新能源电源分电源类型的结构状态转移矩阵,pij为由状态i转移到状态j的概率α(k)=(pk(1),pk(2),…pk(n)),pk(n)为时刻k在第n个状态类型下的比重,m为预测时刻。
采用上述进一步方案的有益效果是:
从新能源结构比重角度分析其内在演变规律,利用动态规划理论挖掘其结构状态转移的时空规律,预测未来新能源电源的发展结构,模型适应范围更广,预测精度更高。
进一步,利用灰色预测模型对新能源电源上网电量总量进行预测,包括以下步骤:
对获取的新能源电源上网电量总量原始数据作一次累加生成,得到新的数据序列;
建立与上述新的数据序列相关的一阶线性灰微分方程的白化微分方程;
利用最小二乘法求解上述白化微分方程的发展系数a和灰作用量u;
利用上述求得的白化微分方程计算k时刻的一次累加后的灰色预测值;
将上述求得的灰色预测值进行还原处理,得到k时刻的灰色预测值。
采用上述进一步方案的有益效果是:
灰色预测模型具有所需原始数据少,指数性拟合的优点,预测简单有效。
进一步,所述得到新能源电源分电源类型的分量预测结果R为:
R=X*F
式中,X为新能源电源上网电量总量预测结果,F为新能源电源分电源类型的结构预测结果。
采用上述进一步方案的有益效果是:
构建“总量-结构-分量”的三阶段综合优化预测框架模型,对新能源电源分电源类型的分量进行预测,不直接使用分类新能源电源分量的历史数据构建模型,避免分量数据多次使用预测模型而导致内涵数据噪音放大,进而使得误差增加。
进一步,还包括:获取目标地区新能源电源分类上网电量历史数据,计算各类电源的上网电量总量为新能源电源上网电量总量的原始数据;对所述新能源电源上网电量总量原始数据进行三点移动平滑处理。
还提供了一种地区新能源电源结构优化预测系统,其特征在于,包括:
新能源电源上网电量总量预测模块,通过灰色预测模型,利用新能源电源上网电量总量的原始数据,对新能源电源上网电量总量进行预测,得到新能源电源上网电量总量预测结果;
新能源电源分电源类型的结构预测模块,运用基于误差优化的动态规划预测模型对新能源上网电量结构进行预测,得到新能源电源分电源类型的结构预测结果;
新能源电源分电源类型的分量预测模块,通过上述得到的新能源电源上网电量总量预测结果和新能源电源分电源类型的结构预测结果,得到新能源电源分电源类型的分量预测结果。
进一步,还包括数据输入模块和数据预处理模块;
所述数据输入模块,获取目标地区新能源电源分类上网电量历史数据,计算各类电源的上网电量总量为新能源电源上网电量总量的原始数据;
所述数据预处理模块,对所述新能源电源上网电量总量原始数据进行三点移动平滑处理。
采用上述进一步方案的有益效果是:
对原始数据进行预处理,增强了原始数据的规律性,提高了预测的精度。
进一步,还包括新能源电源上网电量总量预测结果优化模块;所述预测结果优化模块通过多重灰色预测残差修正模型对预测的新能源电源上网电量总量的预测残值进行修正。
采用上述进一步方案的有益效果是:
在不破坏原始数据中的趋势和因果规律前提下,利用灰色预测模型推理数列自身的变化,并利用多重灰色预测模型对预测残值进行修正,实现最优化的预测结果。
本发明有益效果如下:
本发明提出的地区新能源电源结构优化预测方法和系统,不直接使用分类新能源电源分量的历史数据构建模型,避免分量数据多次使用预测模型而导致内涵数据噪音放大,进而使得误差增加。框架模型以新能源电源总量数据为依托进行总量预测,再考虑其结构演变时序变化,最后对新能源电源分量进行预测。能实现对地区新能源电源发展规模的精确预测,且预测过程稳定,为电网与新能源电源以及新能源电源发展布局提供预测支持。
本发明中,上述各技术方案之间还可以相互组合,以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述,并且,部分优点可从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的,而并不认为是对本发明的限制,在整个附图中,相同的参考符号表示相同的部件。
图1示出了一种地区新能源电源结构优化预测方法流程图。
图2示出了一种地区新能源电源结构优化预测系统结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例,其中,附图构成本申请一部分,并与本发明的实施例一起用于阐释本发明的原理,并非用于限定本发明的范围。
本发明的一个具体实施例,公开了一种地区新能源电源结构优化预测方法,通过构建“总量-结构-分量”的三阶段综合优化预测模型,对新能源的结构优化预测。如图1所示,对新能源电源发展总量进行预测分析,在不破坏原始数据中的趋势和因果规律前提下,利用改进的灰色预测模型推理数列自身的变化,并对预测残值进行修正,实现最优化的预测结果;对新能源发展结构进行预测分析,从新能源电源结构比重角度分析其内在演变规律,利用动态规划理论挖掘其结构状态转移的时空规律,预测未来新能源电源的发展结构;基于总量预测及结构预测的结果,得到分电源类型的新能源电源分量的预测结果。
具体地,包括以下步骤:
步骤S1、收集目标地区新能源电源分类上网电量历史数据,计算各类电源的上网电量总量为新能源电源总量的原始数据。
新能源电源上网电量是指:新能源电站在上网电量计量点向电网输入的电量。优选的,收集目标地区至少五年的新能源上网电量数据。
步骤S2、使用滑动平均法对上述收集的电源总量原始数据进行数据预处理。
利用滑动平均法对收集到的电源总量原始数据进行预处理,增强了原始数据的规律性,提高了预测的精度;优选的,使用三点平滑处理。
具体地,设有原始数据序列:x'(0)={x'(0)(1),x'(0)(2),...x'(0)(n)},其中,n为数据序列总数。
使用三点平滑处理方法对上述原始数据序列进行处理:
式中,x(0)(t)为原始数据序列第t(1<t<n)个数据,。
对上述原始数据序列中的端点数据进行如下处理:
式中,x(0)(1)、x(0)(n)分别为两个端点的数据。
步骤S3、利用改进的灰色GM(1,1)模型预测新能源电源上网电量总量。
通过构建改进的灰色GM(1,1)模型,利用经过移动平滑处理后的地区新能源电源的上网电量总量原始数据,得到新能源电源上网电量总量预测结果;包括以下步骤:
步骤S301、对上述步骤S2中平滑处理后得到的数据作一次累加生成,得到数据序列{x(1)(i)},i=1,2,…n,其中,n为数据总数,即:
步骤S302、建立与x(1)(i)相关的一阶线性灰微分方程的白化微分方程:
式中,a、u为一阶线性灰微分方程的白化微分方程的参数,a为发展系数,u为灰作用量。
步骤S303、利用最小二乘法求解上述白化微分方程的参数a、u为:
式中,矩阵Yn=[x(0)(2),x(0)(3),...x(0)(n)]T,
步骤S304、计算x(1)(k)的灰色预测值即:
步骤S305、还原计算得到x(0)(k)的灰色预测值即:
步骤S4、构建多重灰色预测残差修正模型,对上述预测的新能源电源上网电量总量进行修正,得到新能源电源上网电量总量预测结果X。
对步骤S3中GM(1,1)模型的预测结果进行优化,构建多重灰色预测残差修正模型,对预测结果进行修正,降低了预测模型的平均误差;
构建残差序列:
残差修正模型可以表示为:
其中,δ1(k+1)为符号函数, 为残差灰色模型的拟合,
同理,为了提高模型精度可以继续对残差进行修正,构建的多重残差修正模型如下所示:
式中,为构建的w重灰色预测残差修正模型,为k时刻的灰色模型的预测值,δi(k+1)为符号函数,为残差灰色模型的拟合值。
步骤S5、运用基于误差优化的动态规划预测模型对上网电量结构进行预测,获得未来新能源电源分电源类型的结构预测结果F。
利用上述获取的新能源电源分类上网电量数据,计算分类新能源电源上网电量比重;从新能源结构比重角度分析其内在演变规律,利用动态规划理论挖掘其结构状态转移的时空规律,预测未来新能源电源的发展结构。
建立状态转移矩阵P=(pij)n×n;
pij为状态i到状态j的转移概率,且
建立最优化模型,求解状态转移矩阵P;
利用误差优化思想确定转移矩阵P,作为新能源电源分电源类型的结构预测结果。考虑到客观环境的变化,相邻时刻的一步转移概率矩阵并不完全相同,因此α(k+1)与α(k)P之间必然会存在误差,基于误差平方和最小的原则,使得实际概率矩阵与理论计算的概率矩阵的误差平方和达到最小,所述P的值为当误差模型f(P)取最小值时P的取值,所述误差模型f(P)为:
式中,P=(pij)n×n为新能源电源分电源类型的结构状态转移矩阵,pij为由状态i转移到状态j的概率α(k)=(pk(1),pk(2),…pk(n)),pk(n)为时刻k在第n个状态类型的比重,m为预测时刻。
求取新能源电源分电源类型的结构预测结果F:
F=α(k+1)=α(k)*P
式中,α(k),α(k+1)分别为时刻k和时刻k+1的结构状态矩阵;P为新能源电源分电源类型的结构状态转移矩阵,
步骤S6、求取新能源电源分电源类型的分量预测结果R。
基于上述得到的电源总量预测结果和电源结构预测结果,求解新能源电源分量上网电量预测结果R:
R=X*F
式中,X为新能源电源上网电量总量预测结果,F为新能源电源分电源类型的结构预测结果。
本发明的另一个具体实施例,公开了一种地区新能源电源结构优化预测系统。包括:数据输入模块、预处理模块、新能源电源上网电量总量预测模块、电源总量预测结果优化模块、新能源电源分电源类型的结构预测模块、新能源电源分电源类型的分量预测模块。
具体地,所述数据输入模块,获取目标地区至少五年的新能源电源分类上网电量历史数据,计算各类电源的上网电量总量为新能源电源上网电量总量的原始数据。
所述预处理模块,利用三点滑动平均法对数据输入模块的新能源电源上网电量总量原始数据进行预处理。
所述新能源电源上网电量总量预测模块,利用改进的灰色预测模型对新能源电源上网电量总量进行预测,并对电源上网电量总量预测结果进行优化,得到新能源电源上网电量总量预测结果;
所述电源总量预测结果优化模块,对电源总量预测模块得到的电源总量预测结果进行优化,得到预测的电源总量;
所述新能源电源分电源类型的结构预测模块,运用基于误差优化的动态规划预测模型对新能源上网电量结构进行预测,得到新能源电源分电源类型的结构预测结果;
所述新能源电源分电源类型的分量预测模块,通过上述得到的新能源电源上网电量总量预测结果和新能源电源分电源类型的结构预测结果,得到新能源电源分电源类型的分量预测结果。
需要说明的是,本发明中的方法、系统原理相同,相关之处可以相互参照。
所述预处理模块,被配置执行步骤S2的流程对数据输入模块的新能源电源上网电量总量原始数据进行预处理。
所述新能源电源上网电量总量预测模块,被配置执行步骤S301-S305的流程对新能源电源上网电量总量进行预测。
所述电源总量预测结果优化模块,被配置执行步骤S4中的流程,构建多重灰色预测残差修正模型,对所述新能源电源上网电量总量预测模块的预测结果进行修正。
所述新能源电源分电源类型的结构预测模块,被配置执行步骤S5中的流程对新能源电源分电源类型的结构进行预测。
所述新能源电源分电源类型的分量预测模块,被配置执行步骤S6中的流程计算新能源电源分电源类型的分量。
综上所述,本发明提供了一种地区新能源电源结构优化预测方法和系统,构建“总量-结构-分量”的三阶段综合优化预测框架模型,不直接使用分类新能源电源分量的历史数据构建模型,避免分量数据多次使用预测模型而导致内涵数据噪音放大,进而使得误差增加。框架模型以新能源电源总量数据为依托进行总量预测,再考虑其结构演变时序变化,最后对新能源电源分量进行预测,能实现对地区新能源电源发展规模的精确预测,为电网与新能源电源发展布局提供预测支持。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,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计算机可读存储介质中。其中,所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种地区新能源电源结构优化预测方法,其特征在于,包括以下步骤:
利用灰色预测模型对目标地区新能源电源上网电量总量进行预测,并对预测的电源上网电量总量进行优化,得到新能源电源上网电量总量预测结果X;
运用基于误差优化的动态规划预测模型对目标地区新能源上网电量结构进行预测,得到新能源电源分电源类型的结构预测结果F;
利用上述得到的新能源电源上网电量总量预测结果X和新能源电源分电源类型的结构预测结果F,得到目标地区新能源电源分电源类型的分量预测结果R。
2.根据权利要求1所述的方法,其特征在于,所述对预测的电源上网电量总量进行优化,包括对预测的电源上网电量总量的预测残值进行修正。
3.根据权利要求2所述的方法,其特征在于,所述对预测的电源上网电量总量的预测残值进行修正,包括构建多重灰色预测残差修正模型,所述多重灰色预测残差修正模型为:
<mrow>
<mover>
<mrow>
<msup>
<mmultiscripts>
<mi>x</mi>
<mi>w</mi>
</mmultiscripts>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
</mrow>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mover>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mo>^</mo>
</mover>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>w</mi>
</munderover>
<msub>
<mi>&delta;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<msub>
<mover>
<mi>E</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,为构建的w重灰色预测残差修正模型,为k时刻的灰色模型的预测值,δi(k+1)为i重残差修正的符号函数,为i重残差修正的残差灰色模型的拟合值。
4.根据权利要求1或2或3所述的方法,其特征在于,新能源电源分电源类型的结构预测结果F为:
F=α(k+1)=α(k)*P
式中,α(k),α(k+1)分别为时刻k和时刻k+1的结构状态矩阵;P为新能源电源分电源类型的结构状态转移矩阵,所述P的值为当误差模型f(P)取最小值时P的取值,所述误差模型f(P)为:
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mo>|</mo>
<mo>|</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>&alpha;</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mi>P</mi>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>(</mo>
<mrow>
<mi>k</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>&alpha;</mi>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
<mi>P</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
</mrow>
式中,P=(pij)n×n为新能源电源分电源类型的结构状态转移矩阵,pij为由状态i转移到状态j的概率α(k)=(pk(1),pk(2),…pk(n)),其中pk(n)为时刻k在第n个状态类型下的比重;m为预测时刻。
5.根据权利要求4所述的方法,其特征在于,利用灰色预测模型对新能源电源上网电量总量进行预测,包括以下步骤:
对获取的新能源电源上网电量总量原始数据作一次累加生成,得到新的数据序列;
建立与上述新的数据序列相关的一阶线性灰微分方程的白化微分方程;
利用最小二乘法求解上述白化微分方程的发展系数a和灰作用量u;
利用上述求得的白化微分方程计算k时刻的一次累加后的灰色预测值;
将上述求得的灰色预测值进行还原处理,得到k时刻的灰色预测值。
6.根据权利要求5所述的方法,其特征在于,目标地区新能源电源分电源类型的分量预测结果R为:
R=X*F
式中,X为新能源电源上网电量总量预测结果,F为新能源电源分电源类型的结构预测结果。
7.根据权利要求5~6之一所述的方法,其特征在于,还包括:
获取目标地区新能源电源分类上网电量历史数据,计算各类电源的上网电量总量为新能源电源上网电量总量的原始数据;对所述新能源电源上网电量总量原始数据进行三点移动平滑处理。
8.一种地区新能源电源结构优化预测系统,其特征在于,包括:
新能源电源上网电量总量预测模块,通过灰色预测模型,利用目标地区新能源电源上网电量总量的原始数据,对新能源电源上网电量总量进行预测,得到新能源电源上网电量总量预测结果;
新能源电源分电源类型的结构预测模块,运用基于误差优化的动态规划预测模型对新能源上网电量结构进行预测,得到新能源电源分电源类型的结构预测结果;
新能源电源分电源类型的分量预测模块,通过上述得到的新能源电源上网电量总量预测结果和新能源电源分电源类型的结构预测结果,得到新能源电源分电源类型的分量预测结果。
9.根据权利要求8所述的地区新能源电源结构优化预测系统,其特征在于:还包括数据输入模块和数据预处理模块,
所述数据输入模块,获取目标地区新能源电源分类上网电量历史数据,计算各类新能源电源的上网电量总量为新能源电源上网电量总量的原始数据;
所述数据预处理模块,对所述数据输入模块得到的新能源电源上网电量总量原始数据进行三点移动平滑处理。
10.根据权利要求9所述的地区新能源电源结构优化预测系统,其特征在于:还包括新能源电源上网电量总量预测结果优化模块;所述预测结果优化模块通过多重灰色预测残差修正模型对预测的新能源电源上网电量总量的预测残值进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711351376.7A CN108108837B (zh) | 2017-12-15 | 2017-12-15 | 一种地区新能源电源结构优化预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711351376.7A CN108108837B (zh) | 2017-12-15 | 2017-12-15 | 一种地区新能源电源结构优化预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108108837A true CN108108837A (zh) | 2018-06-01 |
CN108108837B CN108108837B (zh) | 2020-10-27 |
Family
ID=62217255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711351376.7A Active CN108108837B (zh) | 2017-12-15 | 2017-12-15 | 一种地区新能源电源结构优化预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108108837B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165777A (zh) * | 2018-08-10 | 2019-01-08 | 广东电网有限责任公司 | 一种居民用电电量预测方法、装置、设备及存储介质 |
CN109598375A (zh) * | 2018-11-23 | 2019-04-09 | 国网山东省电力公司经济技术研究院 | 一种基于能源需求总量改进的能源需求结构预测方法 |
CN113435653A (zh) * | 2021-07-02 | 2021-09-24 | 国网新疆电力有限公司经济技术研究院 | 一种基于logistic模型的饱和用电量预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927596A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于复合数据源自回归模型的风电功率超短期预测方法 |
US20150154504A1 (en) * | 2012-12-17 | 2015-06-04 | Arizona Board Of Regents On Behalf Of Arizona State University | Support vector machine enhanced models for short-term wind farm generation forecasting |
CN106503865A (zh) * | 2016-11-11 | 2017-03-15 | 吉林省电力科学研究院有限公司 | 一种基于机会约束规划的混合储能容量优化配置方法 |
-
2017
- 2017-12-15 CN CN201711351376.7A patent/CN108108837B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150154504A1 (en) * | 2012-12-17 | 2015-06-04 | Arizona Board Of Regents On Behalf Of Arizona State University | Support vector machine enhanced models for short-term wind farm generation forecasting |
CN103927596A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于复合数据源自回归模型的风电功率超短期预测方法 |
CN106503865A (zh) * | 2016-11-11 | 2017-03-15 | 吉林省电力科学研究院有限公司 | 一种基于机会约束规划的混合储能容量优化配置方法 |
Non-Patent Citations (1)
Title |
---|
杜洪波: "灰色模型在电量预测中的应用", 《农林电气化》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165777A (zh) * | 2018-08-10 | 2019-01-08 | 广东电网有限责任公司 | 一种居民用电电量预测方法、装置、设备及存储介质 |
CN109598375A (zh) * | 2018-11-23 | 2019-04-09 | 国网山东省电力公司经济技术研究院 | 一种基于能源需求总量改进的能源需求结构预测方法 |
CN109598375B (zh) * | 2018-11-23 | 2023-02-10 | 国网山东省电力公司经济技术研究院 | 一种基于能源需求总量改进的能源需求结构预测方法 |
CN113435653A (zh) * | 2021-07-02 | 2021-09-24 | 国网新疆电力有限公司经济技术研究院 | 一种基于logistic模型的饱和用电量预测方法及系统 |
CN113435653B (zh) * | 2021-07-02 | 2022-11-04 | 国网新疆电力有限公司经济技术研究院 | 一种基于logistic模型的饱和用电量预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108108837B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Using a self-adaptive grey fractional weighted model to forecast Jiangsu’s electricity consumption in China | |
CN108964042B (zh) | 基于深度q网络的区域电网运行点调度优化方法 | |
Peng et al. | Dynamic economic dispatch for wind-thermal power system using a novel bi-population chaotic differential evolution algorithm | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
Xie et al. | Forecasting China’s energy demand and self-sufficiency rate by grey forecasting model and Markov model | |
Zhou et al. | Multi-objective artificial bee colony algorithm for short-term scheduling of hydrothermal system | |
Xia et al. | Drivers analysis and empirical mode decomposition based forecasting of energy consumption structure | |
CN105631528B (zh) | 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法 | |
CN108108837B (zh) | 一种地区新能源电源结构优化预测方法和系统 | |
CN113344192B (zh) | 企业级电机系统节能优化自动控制方法及系统 | |
CN111144663A (zh) | 计及出力波动过程的海上风电场超短期风功率预测方法 | |
Li et al. | A new wind power forecasting approach based on conjugated gradient neural network | |
CN104915788B (zh) | 一种考虑多风场相关性的电力系统动态经济调度的方法 | |
CN104834975A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
Wang et al. | Look-ahead decision making for renewable energy: A dynamic “predict and store” approach | |
Sui et al. | Intelligent grey forecasting model based on periodic aggregation generating operator and its application in forecasting clean energy | |
CN114429248A (zh) | 一种变压器视在功率预测方法 | |
CN114169916A (zh) | 一种适应新型电力系统的市场成员报价策略制定方法 | |
CN114037209A (zh) | 分布式光伏接入直流配电系统综合效益分析方法及装置 | |
Zhang et al. | Data-driven voltage/var optimization control for active distribution network considering PV inverter reliability | |
WO2024082836A1 (zh) | 一种水风光储多能互补系统综合效益评估方案寻优方法 | |
CN117239754A (zh) | 一种考虑碳排放的风-光-火多电源协调运行方法及系统 | |
CN113078677A (zh) | 一种考虑可再生能源不确定性的能源消耗量风险排除方法 | |
CN115513945A (zh) | 一种基于物联网的分布式电源管理方法 | |
CN115629576A (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 |
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 |