CN108876060A - 一种基于大数据的样本采集风电出力概率预测方法 - Google Patents

一种基于大数据的样本采集风电出力概率预测方法 Download PDF

Info

Publication number
CN108876060A
CN108876060A CN201810864310.6A CN201810864310A CN108876060A CN 108876060 A CN108876060 A CN 108876060A CN 201810864310 A CN201810864310 A CN 201810864310A CN 108876060 A CN108876060 A CN 108876060A
Authority
CN
China
Prior art keywords
data
power output
wind
probability
prediction
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
Application number
CN201810864310.6A
Other languages
English (en)
Other versions
CN108876060B (zh
Inventor
吴振扬
郭雷
李振元
傅吉悦
曲绍杰
郭健
高重晖
李少华
王尧
许铎
王俊
田际平
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.)
State Grid Corp of China SGCC
State Grid Jilin Electric Power Corp
Original Assignee
State Grid Corp of China SGCC
State Grid Jilin Electric Power Corp
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 State Grid Corp of China SGCC, State Grid Jilin Electric Power Corp filed Critical State Grid Corp of China SGCC
Priority to CN201810864310.6A priority Critical patent/CN108876060B/zh
Publication of CN108876060A publication Critical patent/CN108876060A/zh
Application granted granted Critical
Publication of CN108876060B publication Critical patent/CN108876060B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas 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
    • 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)

Abstract

本发明一种基于大数据的样本采集风电出力概率预测方法，属于新型能源技术应用领域，特别涉及到一种风电出力概率的预测方法；本发明提出了一种基于大数据的样本采集风电出力概率预测方法，将大数据的信息根据发生概率分割成不同样本，实现对全部数据的统一风电出力预测模型。根据预测模型的不同趋势及概率，将采集的信息按不同横向时间段比对，可以给出各概率下的短期风电出力预测，提高了电网风电消纳能力，减少“窝风电”的可能性，增强了调度的安全性，并且通过不断更新数据库，提高数据库容量加强预测能力，实现更大范围更大精度的预测。

Description

一种基于大数据的样本采集风电出力概率预测方法
技术领域
本发明属于新型能源技术应用领域，特别涉及到一种风电出力概率的预测方法。
背景技术
最近几年可再生能源的发展非常迅猛，尤其是风电、光伏的建设规模越来越大，装机容量成指数级别增长。但是，大部分可再生能源，尤其是当前利用较高的风力和太阳能与大气环境关系密切，其不确定性以及分散性的特点对并网的可再生能源消纳提出了较大的考验。对可再生能源发电能力的预测可以及时调整电网结构，保证电网的安全稳定运行。
目前采用较多的预测模型是根据历史出力以及气象预测条件建立的回归预测模型，回归分析预测模型的方法是在分析某种现象的自变量与因变量之间关系的基础上，建立的函数关系方程，并将此方程作为预测模型，依据自变量的数量变化来预测因变量的相关关系。它是一种市场预测方法，需要找到预测对象的主要因素，并且对象尽可能少，避免方程中因变量过多，无法计算。
而新能源的分散性决定了不同地区及不同时段的风电出力特性是在不断变化的，模型的建立均有局限性，预测偏差较大，无法跟踪最新的动态条件，以及对未来较长时间段可能出现的情况给出合理的信息，从而造成电网平衡能力的降低。
因此现有技术当中亟需要一种新的技术方案来解决这一问题。
发明内容
本发明所要解决的技术问题是：提供了一种风电出力概率预测方法，能避免现有预测模型的局限性，减小预测偏差，并且可以更新跟踪新的数据以便能在较长时间内预测出新的处理信息的风电出力预测方法。
为实现上述目的，本发明提供如下技术方案：
一种基于大数据的样本采集风电出力概率预测方法，其特征是：包括以下步骤，且按照如下顺序实施：
步骤一、获取原始数据：获取地区历史气象资料，通过查询当地日志、气象台的记录信息以及其他气候监测系统的记录信息对原始气象数据以及风力情况进行处理，得到不同风速变化的数据情况。
步骤二、数据处理：校核已经采集到的初始信息，对初始风速、环境、气象条件等采集信息进行前置处理，根据不同的环境信息，将前置处理后的系数与风电出力样本进行匹配。
步骤三、建立初步预测数据模型：步骤二中匹配后得出的数据样本，将该数据样本按时间段进行处理，得出结合了风机数量和环境情况的初始风电出力情况的预测数据模型，所述预测数据模型标记不同时间段上风电出力情况形成一条风力发电的曲线图谱。
步骤四、细化初步预测数据模型：对步骤三中形成的预测数据模型进行筛选：按照不同的趋势变化设定一个横向时间的波动范围，根据横向时间比较这一地区各个时间段内的风速变化情况，按照不同时间段风速变化的不同，将预测数据模型中的数据按照一定系数和阈值进行筛选，将不符合范围内的数据单独储存。
步骤五、按照概率归档预测数据模型：将步骤四中所有数据按照出现频率进行记录，创建根据不同概率归类的预测数据模型。
步骤六、采集新数据：通过大数据技术，对相应区域内的所有气象及风机发电量数据进行采集。
步骤七、数据比对：将步骤六中新采集到的数据与步骤五中按照不同概率归类的不同的预测数据模型进行比对。比对后如果新采集的数据与已有的不同概率归类的不同的预测数据模型相同则输出比对后的结果，如果不同则将结果带入步骤二中的初始采集信息中。
所述步骤一中的其他气候监测系统包括测风塔。
通过上述设计方案，本发明可以带来如下有益效果：本发明提出了一种基于大数据的样本采集风电出力概率预测方法，将大数据的信息根据发生概率分割成不同样本，实现对全部数据的统一风电出力预测模型。根据预测模型的不同趋势及概率，将采集的信息按不同横向时间段比对，可以给出各概率下的短期风电出力预测，提高了电网风电消纳能力，减少“窝风电”的可能性，增强了调度的安全性，并且通过不断更新数据库，提高数据库容量加强预测能力，实现更大范围更大精度的预测。
附图说明
下面结合附图说明和具体实施方式对本发明作进一步说明：
图1为本发明的流程图。
具体实施方式
请参照图1，一种基于大数据的样本采集风电出力概率预测方法，其特征是：包括以下步骤，且按照如下顺序实施：
步骤一、获取原始数据：获取地区历史气象资料，通过查询当地日志、气象台的记录信息以及其他气候监测系统的记录信息对原始气象数据以及风力情况进行处理，得到不同风速变化的数据情况。在此步骤中，工作人员需要广泛应用大数据技术收集相应的气象数据和风力发电情况。利用大数据技术收集信息，可以最大化的获取相关数据，确保未来模型建立的广泛性和全面性。
步骤二、数据处理：校核已经采集到的初始信息，对初始风速、环境、气象条件等采集信息进行前置处理，根据不同的环境信息，将前置处理后的系数与风电出力样本进行匹配。所述前置处理是数据梳理的一个必要过程，因为数据采集的过程中难免会有一些噪音，这些数据点会影响样本匹配的精度，所以需要进行数据前置处理，比如设置波动幅值等方式将这些噪音点刨除。
步骤三、建立初步预测数据模型：步骤二中匹配后得出的数据样本，将该数据样本按时间段进行处理，得出结合了风机数量和环境情况的初始风电出力情况的预测数据模型，所述预测数据模型标记不同时间段上风电出力情况形成一条风力发电的曲线图谱。
步骤四、细化初步预测数据模型：对步骤三中形成的预测数据模型进行筛选：按照不同的趋势变化设定一个横向时间的波动范围，根据横向时间比较这一地区各个时间段内的风速变化情况，按照不同时间段风速变化的不同，将预测数据模型中的数据按照一定系数和阈值进行筛选，将不符合范围内的数据单独储存。
步骤五、将按照概率归档预测数据模型：将步骤四中所有数据按照出现频率进行记录，创建根据不同概率归类的预测数据模型。建立基于不同概率的预测数据模型可以更大幅度的覆盖可能出现的情况，提高预测的准确性。
步骤六、采集新数据：通过大数据技术，对相应区域内的所有气象及风机发电量数据进行采集。
步骤七、数据比对：将步骤六中新采集到的数据与步骤五中按照不同概率归类的不同的预测数据模型进行比对。比对后如果新采集的数据与已有的不同概率归类的不同的预测数据模型相同则输出比对后的结果，如果不同则将结果带入步骤二中的初始采集信息中，不同的数据将成为新的采集数据经过上述步骤的处理后成为预测数据模型的一部分，扩大预测数据模型的覆盖范围。
所述步骤一中的其他气候监测系统包括测风塔。
所述步骤四中数据模型筛选可以是幅值波动范围筛选或与之相近的其他筛选方案。
所述步骤六中对采集数据进行波动范围处理或其他基于数学方法的处理。

Claims (2)

1.一种基于大数据的样本采集风电出力概率预测方法，其特征是：包括以下步骤，且按照如下顺序实施：
步骤一、获取原始数据：获取地区历史气象资料，通过查询当地日志、气象台的记录信息以及其他气候监测系统的记录信息对原始气象数据以及风力情况进行处理，得到不同风速变化的数据情况。
步骤二、数据处理：校核已经采集到的初始信息，对初始风速、环境、气象条件等采集信息进行前置处理，根据不同的环境信息，将前置处理后的系数与风电出力样本进行匹配。
步骤三、建立初步预测数据模型：步骤二中匹配后得出的数据样本，将该数据样本按时间段进行处理，得出结合了风机数量和环境情况的初始风电出力情况的预测数据模型，所述预测数据模型标记不同时间段上风电出力情况形成一条风力发电的曲线图谱。
步骤四、细化初步预测数据模型：对步骤三中形成的预测数据模型进行筛选：按照不同的趋势变化设定一个横向时间的波动范围，根据横向时间比较这一地区各个时间段内的风速变化情况，按照不同时间段风速变化的不同，将预测数据模型中的数据按照一定系数和阈值进行筛选，将不符合范围内的数据单独储存。
步骤五、按照概率归档预测数据模型：将步骤四中所有数据按照出现频率进行记录，创建根据不同概率归类的预测数据模型。
步骤六、采集新数据：通过大数据技术，对相应区域内的所有气象及风机发电量数据进行采集。
步骤七、数据比对：将步骤六中新采集到的数据与步骤五中按照不同概率归类的不同的预测数据模型进行比对。比对后如果新采集的数据与已有的不同概率归类的不同的预测数据模型相同则输出比对后的结果，如果不同则将结果带入步骤二中的初始采集信息中。
2.根据权利要求1所述的一种基于大数据的样本采集风电出力概率预测方法，其特征是：所述步骤一中的其他气候监测系统包括测风塔。
CN201810864310.6A 2018-08-01 2018-08-01 一种基于大数据的样本采集风电出力概率预测方法 Active CN108876060B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810864310.6A CN108876060B (zh) 2018-08-01 2018-08-01 一种基于大数据的样本采集风电出力概率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810864310.6A CN108876060B (zh) 2018-08-01 2018-08-01 一种基于大数据的样本采集风电出力概率预测方法

Publications (2)

Publication Number Publication Date
CN108876060A true CN108876060A (zh) 2018-11-23
CN108876060B CN108876060B (zh) 2021-05-11

Family

ID=64307272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810864310.6A Active CN108876060B (zh) 2018-08-01 2018-08-01 一种基于大数据的样本采集风电出力概率预测方法

Country Status (1)

Country Link
CN (1) CN108876060B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111240282A (zh) * 2019-12-31 2020-06-05 联想(北京)有限公司 一种工艺优化方法、装置、设备及计算机可读存储介质
CN113937763A (zh) * 2021-10-14 2022-01-14 远景智能国际私人投资有限公司 风电功率预测方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103580020A (zh) * 2013-03-07 2014-02-12 长沙理工大学 一种基于NSGA-II和Look-ahead的含风电场电力系统多目标动态优化调度方法
CN104732300A (zh) * 2015-04-07 2015-06-24 北京国能日新系统控制技术有限公司 一种基于模糊分区理论的神经网络风功率短期预测方法
CN104820868A (zh) * 2015-04-23 2015-08-05 北京恒泰实达科技股份有限公司 一种基于风电概率进行预测的调度展示方法
CN106251242A (zh) * 2016-08-08 2016-12-21 东南大学 一种风电出力区间组合预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103580020A (zh) * 2013-03-07 2014-02-12 长沙理工大学 一种基于NSGA-II和Look-ahead的含风电场电力系统多目标动态优化调度方法
CN104732300A (zh) * 2015-04-07 2015-06-24 北京国能日新系统控制技术有限公司 一种基于模糊分区理论的神经网络风功率短期预测方法
CN104820868A (zh) * 2015-04-23 2015-08-05 北京恒泰实达科技股份有限公司 一种基于风电概率进行预测的调度展示方法
CN106251242A (zh) * 2016-08-08 2016-12-21 东南大学 一种风电出力区间组合预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JANA HECKENBERGEROVA,ET AL: "Principal Component Analysis for Evaluation of Wind Ramp Event Probability", 《2014 ELECTRICAL POWER AND ENERGY CONFERENCE》 *
魏梦洋 等: "服务于预测评价的风功率出力模式聚类研究", 《电力建设》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111240282A (zh) * 2019-12-31 2020-06-05 联想(北京)有限公司 一种工艺优化方法、装置、设备及计算机可读存储介质
CN111240282B (zh) * 2019-12-31 2021-12-24 联想(北京)有限公司 一种工艺优化方法、装置、设备及计算机可读存储介质
CN113937763A (zh) * 2021-10-14 2022-01-14 远景智能国际私人投资有限公司 风电功率预测方法、装置、设备及存储介质
CN113937763B (zh) * 2021-10-14 2023-09-26 远景智能国际私人投资有限公司 风电功率预测方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN108876060B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
Bludszuweit et al. Statistical analysis of wind power forecast error
CN113496311A (zh) 光伏电站发电功率预测方法及系统
CN110110912B (zh) 一种光伏功率多模型区间预测方法
Dou et al. Hybrid model for renewable energy and loads prediction based on data mining and variational mode decomposition
CN104299044A (zh) 基于聚类分析的风功率短期预测系统及预测方法
CN109376951B (zh) 一种光伏概率预测方法
Dai et al. Investigation of energy output in mountain wind farm using multiple-units SCADA data
CN105787594B (zh) 基于多元时间序列及回归分析的辐照预测方法
CN103473621A (zh) 风电场短期功率预测方法
CN109146063B (zh) 一种基于重要点分割的多分段短期负荷预测方法
Anuradha et al. Analysis of solar power generation forecasting using machine learning techniques
Yang et al. Photovoltaic power forecasting with a rough set combination method
CN114006369A (zh) 区域风光场站功率联合预测方法、装置、电子设备和存储介质
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN108876060A (zh) 一种基于大数据的样本采集风电出力概率预测方法
CN114399081A (zh) 一种基于天气分类的光伏发电功率预测方法
CN112348236A (zh) 用于智能用电监测终端的异常日负荷需求预测系统与方法
CN112215392A (zh) 基于设备状态和环境因素的风电中长期区域发电量预测法
CN115456440A (zh) 分布式光伏电站发电特性的评估方法、装置及系统
CN113505909B (zh) 一种面向短期风电功率趋势预测的误差补偿方法
CN111898812B (zh) 一种分布式光伏数据虚拟采集方法
Zhou et al. Ultra-short term hybrid power forecasting model for photovoltaic power station with meteorological monitoring data
CN113610285A (zh) 一种分散式风电的功率预测方法
Wu et al. Short-term wind power prediction based on time series analysis model
CN112132344A (zh) 一种基于相似日和frs-svm的短期风电功率预测方法

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