CN109165797A - 一种风电功率预测方法及装置 - Google Patents

一种风电功率预测方法及装置 Download PDF

Info

Publication number
CN109165797A
CN109165797A CN201811190821.0A CN201811190821A CN109165797A CN 109165797 A CN109165797 A CN 109165797A CN 201811190821 A CN201811190821 A CN 201811190821A CN 109165797 A CN109165797 A CN 109165797A
Authority
CN
China
Prior art keywords
wind power
power prediction
error
calculating
result
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.)
Pending
Application number
CN201811190821.0A
Other languages
English (en)
Inventor
耿天翔
张莉
范高锋
雷震
王铮
王勃
安德超
林文莉
王奎
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.)
Nanjing Wisdom Electric Technology Co Ltd
National Network Ningxia Electric Power Co Ltd
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Nanjing Wisdom Electric Technology Co Ltd
National Network Ningxia Electric Power Co Ltd
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Jiangsu 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 Nanjing Wisdom Electric Technology Co Ltd, National Network Ningxia Electric Power Co Ltd, State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Jiangsu Electric Power Co Ltd filed Critical Nanjing Wisdom Electric Technology Co Ltd
Priority to CN201811190821.0A priority Critical patent/CN109165797A/zh
Publication of CN109165797A publication Critical patent/CN109165797A/zh
Pending legal-status Critical Current

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—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
    • 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)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提出一种风电功率预测方法及装置，涉及电力系统风电功率预测领域。该方法及装置通过对获取的风功率参数进行预处理以获得预测样本，然后基于预建立的径向基函数网络模型及预测样本预测第一风功率预测结果，接着依据第一风功率预测结果以及获取的风功率实际结果计算相对误差，最后依据相对误差以及预建立的误差修正模型获取第二风功率预测结果；由于在获取第一风功率预测结果后，还求取相对误差并依据该相对误差获取第二风功率预测结果，从而使最终获得的第二风功率预测结果更加贴近实际，误差更小，从而运行调度人员可以依据该第二风功率预测结果实现对电力系统的精确调度、维护和规划。

Description

一种风电功率预测方法及装置
技术领域
本发明涉及电力系统风电功率预测领域，具体而言，涉及一种风电功率预测方法及装置。
背景技术
风能取之不尽，用之不竭，与传统能源相比具有可再生、低成本，没有污染物和碳排放等优点，同时其规模化和商业化的开发前景和清洁的利用方式，都使得风能资源的发电、传输及使用相关技术成为目前行业的研究热点。但由于风能的随机性和不确定性，当大规模风电并网时，其对电网电能质量将造成重要影响。精确的风电功率预测对电力系统的调度、维护和规划十分重要。
传统的风电功率预测发方法有支持向量机法、模糊集法和组合预测方法等。但这些传统方法不能有效地反应风电功率的不确定，所以其提供给运行调度人员的信息不够准确。
发明内容
有鉴于此，本发明的目的在于提供一种风电功率预测方法及装置，以解决上述问题。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种风电功率预测方法，所述风电功率预测方法包括：
对获取的风功率参数进行预处理以获得预测样本；
基于预建立的径向基函数网络模型及所述预测样本预测第一风功率预测结果；
依据所述第一风功率预测结果以及获取的风功率实际结果计算相对误差；
依据所述相对误差以及预建立的误差修正模型获取第二风功率预测结果。
进一步地，所述依据所述相对误差以及预建立的误差修正模型获取第二风功率预测结果的步骤包括：
利用均值-均方差分级法对所述相对误差进行预测误差状态区间划分，获得多个状态区间；
计算多个所述状态区间的初始概率分布矩阵；
基于多个所述状态区间计算状态转移矩阵；
基于所述初始概率分布矩阵及所述状态转移矩阵计算状态转移结果；
基于所述第一风功率预测结果及所述状态转移结果计算所述第二风功率预测结果。
进一步地，所述基于所述第一风功率预测结果及所述状态转移结果计算所述第二风功率预测结果的步骤包括：
基于所述状态转移结果确定误差上限以及误差下限；
基于所述第一风功率预测结果、所述误差上限以及所述误差下限计算所述第二风功率预测结果。
进一步地，所述基于所述第一风功率预测结果、所述误差上限以及所述误差下限计算所述第二风功率预测结果的步骤包括：
通过算式计算所述第二风功率预测结果，其中，O2为第二风功率预测结果，O1为第一风功率预测结果，δm为误差上限，δn为误差下限。
进一步地，所述基于多个所述状态区间计算状态转移矩阵的步骤包括：
基于算式pij(k)＝p(si→sj)＝p(Yn+k＝j|yn＝i),(i,j＝1,2,3…n)计算由状态si移到状态sj的概率值，其中，pij(k)为由状态si移到状态sj的概率值；
基于pij(k)确定所述状态转移矩阵，其中，所述状态转移矩阵P＝(pij)n×n。
进一步地，所述基于所述初始概率分布矩阵及所述状态转移矩阵计算状态转移结果的步骤包括：
基于算式S(d)＝S(0)Pd计算所述状态转移结果，其中，S(d)为状态转移结果，S(0)为初始概率分布矩阵，P为状态转移矩阵。
第二方面，本发明实施例还提供了一种风电功率预测装置，所述风电功率预测装置包括：
预处理单元，用于对获取的风功率参数进行预处理以获得预测样本；
预测单元，用于基于预建立的径向基函数网络模型及所述预测样本预测第一风功率预测结果；
计算单元，用于依据所述第一风功率预测结果以及获取的风功率实际结果计算相对误差；
误差修正单元，用于依据所述相对误差以及预建立的误差修正模型获取第二风功率预测结果。
进一步地，所述误差修正单元用于利用均值-均方差分级法对所述相对误差进行预测误差状态区间划分，获得多个状态区间；
所述误差修正单元还用于计算多个所述状态区间的初始概率分布矩阵；
所述误差修正单元还用于基于多个所述状态区间计算状态转移矩阵；
所述误差修正单元还用于基于所述初始概率分布矩阵及所述状态转移矩阵计算状态转移结果；
所述误差修正单元还用于基于所述第一风功率预测结果及所述状态转移结果计算所述第二风功率预测结果。
进一步地，所述误差修正单元还用于基于所述状态转移结果确定误差上限以及误差下限；
基于所述第一风功率预测结果、所述误差上限以及所述误差下限计算所述第二风功率预测结果。
进一步地，所述误差修正单元还用于通过算式计算所述第二风功率预测结果，其中，O2为第二风功率预测结果，O1为第一风功率预测结果，δm为误差上限，δn为误差下限。
本发明实施例提供的风电功率预测方法及装置，通过对获取的风功率参数进行预处理以获得预测样本，然后基于预建立的径向基函数网络模型及预测样本预测第一风功率预测结果，接着依据第一风功率预测结果以及获取的风功率实际结果计算相对误差，最后依据相对误差以及预建立的误差修正模型获取第二风功率预测结果；由于在获取第一风功率预测结果后，还求取相对误差并依据该相对误差获取第二风功率预测结果，从而使最终获得的第二风功率预测结果更加贴近实际，误差更小，从而运行调度人员可以依据该第二风功率预测结果实现对电力系统的精确调度、维护和规划。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1示出了可以用于本发明实施例的服务器的方框示意图。
图2示出了本发明实施例提供的风电功率预测方法的流程图。
图3示出了图2中步骤S204的具体流程图。
图4示出了图3中子步骤S2045的具体流程图。
图5示出了本发明实施例提供的风电功率预测装置的功能模块图。
图标：100-服务器；111-存储器；112-处理器；113-通信单元；200-风电功率预测装置；210-预处理单元；220-预测单元；230-计算单元；240-误差修正单元。
具体实施方式
下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的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。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
请参照图1，是可以用于本发明实施例的服务器100的方框示意图。所述服务器100包括风电功率预测装置200、存储器111、处理器112及通信单元113。
所述存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。所述风电功率预测装置200包括至少一个可以软件或固件(Firmware)的形式存储于所述存储器111中或固化在所述服务器100的操作系统(Operating System，OS)中的软件功能模块。所述处理器112用于执行所述存储器111中存储的可执行模块，例如所述风电功率预测装置200所包括的软件功能模块及计算机程序等。
其中，所述存储器111可以是，但不限于，随机存取存储器(Random AccessMemory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(ProgrammableRead-Only Memory，PROM)，可擦除只读存储器(Erasable Programmable Read-OnlyMemory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-OnlyMemory，EEPROM)等。其中，存储器111用于存储程序或者数据。所述通信单元113用于通过所述网络建立所述服务器100与其它通信终端之间的通信连接，并用于通过所述网络收发数据。
应当理解的是，图1所示的结构仅为服务器100的结构示意图，所述服务器100还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。图1中所示的各组件可以采用硬件、软件或其组合实现。
第一实施例
本发明实施例提供了一种风电功率预测方法，用于预测风电功率。请参阅图2，为本发明实施例提供的风电功率预测方法的流程图。该风电功率预测方法包括：
步骤S201：对获取的风功率参数进行预处理以获得预测样本。
需要说明的是，该风功率参数包括但不仅限于风速、风向、桨距角、等物理量。
在一种优选的实施例中，获得预测样本需要对获取的风功率参数进行归一化处理。
具体地，利用算式对风功率参数进行归一化处理以获得预测样本；其中，为预测样本，xi为风功率参数，xmin为风功率参数的最小值，xmax为风功率参数的最大值。
步骤S202：基于预建立的径向基函数网络模型及预测样本预测第一风功率预测结果。
将预测样本输入预建立的径向基函数网络模型，便可以直接获得第一风功率预测结果。
步骤S203：依据第一风功率预测结果以及获取的风功率实际结果计算相对误差。
可以理解地，第一风功率预测结果与风功率实际结果的差值即为相对误差。该相对误差反映了第一风功率预测结果与风功率实际结果的情况。
步骤S204：依据相对误差以及预建立的误差修正模型获取第二风功率预测结果。
请参阅图3，为步骤S204的具体流程图。该步骤S204包括：
子步骤S2041：利用均值-均方差分级法对相对误差进行预测误差状态区间划分，获得多个状态区间。
需要说明的是，获得的多个状态区间，分别为S1,S2,…,Sb，其中，b为状态区间的数量。
子步骤S2042：计算多个状态区间的初始概率分布矩阵。
初始概率分布矩阵即为表征相对误差初始状态下的分布状态的矩阵。
子步骤S2043：基于多个状态区间计算状态转移矩阵。
具体地，基于算式pij(k)＝p(si→sj)＝p(Yn+k＝j|yn＝i),(i,j＝1,2,3…n)计算由状态si移到状态sj的概率值。
其中，pij(k)为由状态si移到状态sj的概率值。
子步骤S2044：基于初始概率分布矩阵及状态转移矩阵计算状态转移结果。
具体地，基于算式S(d)＝S(0)Pd计算状态转移结果，其中，S(d)为状态转移结果，S(0)为初始概率分布矩阵，P为状态转移矩阵。
需要说明的是，该状态转移结果即为反映d状态时，预测误差的概率分布的矩阵。
子步骤S2045：基于第一风功率预测结果及状态转移结果计算第二风功率预测结果。
请参阅图4，为子步骤S2045的具体流程图。该子步骤S2045包括：
子步骤S20451：基于状态转移结果确定误差上限以及误差下限。
具体地，取状态转移结果包含的所有元素的最大值作为误差上限，取状态转移结果包含的所有元素的最小值作为误差下限。
子步骤S20452：基于第一风功率预测结果、误差上限以及误差下限计算第二风功率预测结果。
具体地，通过算式计算第二风功率预测结果，其中，O2为第二风功率预测结果，O1为第一风功率预测结果，δm为误差上限，δn为误差下限。
第二实施例
请参阅图5，图5为本发明较佳实施例提供的一种风电功率预测装置200的功能模块图。需要说明的是，本实施例所提供的风电功率预测装置200，其基本原理及产生的技术效果和上述实施例相同，为简要描述，本实施例部分未提及之处，可参考上述的实施例中相应内容。该风电功率预测装置200包括预处理单元210、预测单元220、计算单元230以及误差修正单元240。
其中，预处理单元210用于对获取的风功率参数进行预处理以获得预测样本。
可以理解地，在一种优选的实施例中，该预处理单元210可用于执行步骤S201。
预测单元220用于基于预建立的径向基函数网络模型及预测样本预测第一风功率预测结果。
可以理解地，在一种优选的实施例中，该预测单元220可用于执行步骤S202。
计算单元230用于依据第一风功率预测结果以及获取的风功率实际结果计算相对误差。
可以理解地，在一种优选的实施例中，该计算单元230可用于执行步骤S203。
误差修正单元240用于依据相对误差以及预建立的误差修正模型获取第二风功率预测结果。
具体地，误差修正单元240用于利用均值-均方差分级法对相对误差进行预测误差状态区间划分，获得多个状态区间；并用于计算多个状态区间的初始概率分布矩阵；还用于基于多个状态区间计算状态转移矩阵；误差修正单元240还用于基于初始概率分布矩阵及状态转移矩阵计算状态转移结果；误差修正单元240还用于基于第一风功率预测结果及状态转移结果计算第二风功率预测结果。
误差修正单元240还用于基于状态转移结果确定误差上限以及误差下限，并基于第一风功率预测结果、误差上限以及误差下限计算第二风功率预测结果。
可以理解地，在一种优选的实施例中，该误差修正单元240可用于执行步骤S204、子步骤S2041、子步骤S2042、子步骤S2043、子步骤S2044、子步骤S2045、子步骤S20451以及子步骤S20452。
综上所述，本发明实施例提供的风电功率预测方法及装置，通过对获取的风功率参数进行预处理以获得预测样本，然后基于预建立的径向基函数网络模型及预测样本预测第一风功率预测结果，接着依据第一风功率预测结果以及获取的风功率实际结果计算相对误差，最后依据相对误差以及预建立的误差修正模型获取第二风功率预测结果；由于在获取第一风功率预测结果后，还求取相对误差并依据该相对误差获取第二风功率预测结果，从而使最终获得的第二风功率预测结果更加贴近实际，误差更小，从而运行调度人员可以依据该第二风功率预测结果实现对电力系统的精确调度、维护和规划。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种风电功率预测方法，其特征在于，所述风电功率预测方法包括：
对获取的风功率参数进行预处理以获得预测样本；
基于预建立的径向基函数网络模型及所述预测样本预测第一风功率预测结果；
依据所述第一风功率预测结果以及获取的风功率实际结果计算相对误差；
依据所述相对误差以及预建立的误差修正模型获取第二风功率预测结果。
2.根据权利要求1所述的风电功率预测方法，其特征在于，所述依据所述相对误差以及预建立的误差修正模型获取第二风功率预测结果的步骤包括：
利用均值-均方差分级法对所述相对误差进行预测误差状态区间划分，获得多个状态区间；
计算多个所述状态区间的初始概率分布矩阵；
基于多个所述状态区间计算状态转移矩阵；
基于所述初始概率分布矩阵及所述状态转移矩阵计算状态转移结果；
基于所述第一风功率预测结果及所述状态转移结果计算所述第二风功率预测结果。
3.根据权利要求2所述的风电功率预测方法，其特征在于，所述基于所述第一风功率预测结果及所述状态转移结果计算所述第二风功率预测结果的步骤包括：
基于所述状态转移结果确定误差上限以及误差下限；
基于所述第一风功率预测结果、所述误差上限以及所述误差下限计算所述第二风功率预测结果。
4.根据权利要求3所述的风电功率预测方法，其特征在于，所述基于所述第一风功率预测结果、所述误差上限以及所述误差下限计算所述第二风功率预测结果的步骤包括：
通过算式计算所述第二风功率预测结果，其中，O2为第二风功率预测结果，O1为第一风功率预测结果，δm为误差上限，δn为误差下限。
5.根据权利要求2所述的风电功率预测方法，其特征在于，所述基于多个所述状态区间计算状态转移矩阵的步骤包括：
基于算式pij(k)＝p(si→sj)＝p(Yn+k＝j|yn＝i),(i,j＝1,2,3…n)计算由状态si移到状态sj的概率值，其中，pij(k)为由状态si移到状态sj的概率值；
基于pij(k)确定所述状态转移矩阵，其中，所述状态转移矩阵P＝(pij)n×n。
6.根据权利要求2所述的风电功率预测方法，其特征在于，所述基于所述初始概率分布矩阵及所述状态转移矩阵计算状态转移结果的步骤包括：
基于算式S(d)＝S(0)Pd计算所述状态转移结果，其中，S(d)为状态转移结果，S(0)为初始概率分布矩阵，P为状态转移矩阵。
7.一种风电功率预测装置，其特征在于，所述风电功率预测装置包括：
预处理单元，用于对获取的风功率参数进行预处理以获得预测样本；
预测单元，用于基于预建立的径向基函数网络模型及所述预测样本预测第一风功率预测结果；
计算单元，用于依据所述第一风功率预测结果以及获取的风功率实际结果计算相对误差；
误差修正单元，用于依据所述相对误差以及预建立的误差修正模型获取第二风功率预测结果。
8.根据权利要求7所述的风电功率预测装置，其特征在于，所述误差修正单元用于利用均值-均方差分级法对所述相对误差进行预测误差状态区间划分，获得多个状态区间；
所述误差修正单元还用于计算多个所述状态区间的初始概率分布矩阵；
所述误差修正单元还用于基于多个所述状态区间计算状态转移矩阵；
所述误差修正单元还用于基于所述初始概率分布矩阵及所述状态转移矩阵计算状态转移结果；
所述误差修正单元还用于基于所述第一风功率预测结果及所述状态转移结果计算所述第二风功率预测结果。
9.根据权利要求8所述的风电功率预测装置，其特征在于，所述误差修正单元还用于基于所述状态转移结果确定误差上限以及误差下限；
基于所述第一风功率预测结果、所述误差上限以及所述误差下限计算所述第二风功率预测结果。
10.根据权利要求8所述的风电功率预测装置，其特征在于，所述误差修正单元还用于通过算式计算所述第二风功率预测结果，其中，O2为第二风功率预测结果，O1为第一风功率预测结果，δm为误差上限，δn为误差下限。
CN201811190821.0A 2018-10-12 2018-10-12 一种风电功率预测方法及装置 Pending CN109165797A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811190821.0A CN109165797A (zh) 2018-10-12 2018-10-12 一种风电功率预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811190821.0A CN109165797A (zh) 2018-10-12 2018-10-12 一种风电功率预测方法及装置

Publications (1)

Publication Number Publication Date
CN109165797A true CN109165797A (zh) 2019-01-08

Family

ID=64878099

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811190821.0A Pending CN109165797A (zh) 2018-10-12 2018-10-12 一种风电功率预测方法及装置

Country Status (1)

Country Link
CN (1) CN109165797A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661530A (zh) * 2009-09-30 2010-03-03 华北电力大学（保定） 基于相关分析求取风电场稳态等效风速与发电功率的方法
KR20130089738A (ko) * 2011-12-30 2013-08-13 주식회사 효성 에너지관리시스템을 위한 예측시스템
CN103986156A (zh) * 2014-05-14 2014-08-13 国家电网公司 一种考虑风电接入的动态概率潮流计算方法
CN103996084A (zh) * 2014-06-06 2014-08-20 山东大学 基于纵向时刻Markov链模型的风功率概率预测方法
CN104463371A (zh) * 2014-12-16 2015-03-25 山东大学 基于风电功率变化量的Markov链建模、预测方法
CN104636823A (zh) * 2015-01-23 2015-05-20 中国农业大学 一种风电功率预测方法
JP2016111822A (ja) * 2014-12-05 2016-06-20 中国電力株式会社 予測装置
CN107358060A (zh) * 2017-09-06 2017-11-17 大连理工大学 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法
CN108155673A (zh) * 2018-01-24 2018-06-12 国网浙江省电力公司 考虑发电侧组合发电不确定性的电力系统优化调度方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101661530A (zh) * 2009-09-30 2010-03-03 华北电力大学（保定） 基于相关分析求取风电场稳态等效风速与发电功率的方法
KR20130089738A (ko) * 2011-12-30 2013-08-13 주식회사 효성 에너지관리시스템을 위한 예측시스템
CN103986156A (zh) * 2014-05-14 2014-08-13 国家电网公司 一种考虑风电接入的动态概率潮流计算方法
CN103996084A (zh) * 2014-06-06 2014-08-20 山东大学 基于纵向时刻Markov链模型的风功率概率预测方法
JP2016111822A (ja) * 2014-12-05 2016-06-20 中国電力株式会社 予測装置
CN104463371A (zh) * 2014-12-16 2015-03-25 山东大学 基于风电功率变化量的Markov链建模、预测方法
CN104636823A (zh) * 2015-01-23 2015-05-20 中国农业大学 一种风电功率预测方法
CN107358060A (zh) * 2017-09-06 2017-11-17 大连理工大学 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法
CN108155673A (zh) * 2018-01-24 2018-06-12 国网浙江省电力公司 考虑发电侧组合发电不确定性的电力系统优化调度方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴道林: "短期风电功率预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
杨晓萍: "风电场短期功率预测", 《电力系统及其自动化学报》 *
赵林利: "基于马尔科夫链风速修正的风电功率预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Similar Documents

Publication Publication Date Title
KR102159692B1 (ko) 빅데이터 분석을 통한 태양광 발전량 예측 장치 및 방법
US20200210824A1 (en) Scalable system and method for forecasting wind turbine failure with varying lead time windows
Chiu et al. An integrative machine learning method to improve fault detection and productivity performance in a cyber-physical system
CN114723285B (zh) 一种电网设备安全性评估预测方法
CN112308281A (zh) 一种温度信息预测方法及装置
CN116224473B (zh) 一种风速预报方法、模型训练方法、装置和存储介质
CN113822418A (zh) 一种风电场功率预测方法、系统、设备和存储介质
CN112906757A (zh) 模型训练方法、光功率预测方法、装置、设备及存储介质
Shayesteh et al. Scenario reduction, network aggregation, and DC linearisation: which simplifications matter most in operations and planning optimisation?
Kalli Integrating Renewable Energy into Healthcare IT: A Cyber-Secure Approach
CN117526274A (zh) 极端气候下新能源功率预测方法、电子设备和存储介质
Fawzy et al. Trio-V wind analyzer: a generic integral system for wind farm suitability design and power prediction using big data analytics
CN117933531A (zh) 一种分布式光伏发电功率预测系统及方法
Alijoyo AI-powered deep learning for sustainable industry 4.0 and Internet of Things: Enhancing energy management in smart buildings
CN117592209A (zh) 基于分层元重要抽样的涡轮轴疲劳寿命可靠性分析方法
CN109165797A (zh) 一种风电功率预测方法及装置
CN113723712B (zh) 风电功率预测方法、系统、设备及介质
CN115841343A (zh) 一种销售额度的确定方法及装置
CN115423159A (zh) 光伏发电预测方法、装置及终端设备
CN113052509B (zh) 模型评估方法、模型评估装置、电子设备和存储介质
CN114565004A (zh) 一种风电机组功率曲线异常散点剔除方法及装置
CN115275975A (zh) 一种光储充电站电力数据匹配度的确定方法及装置
CN109063936A (zh) 一种建立风电功率预测模型的方法及装置
Galphade et al. Intelligent multiperiod wind power forecast model using statistical and machine learning model
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190108