CN109190789B - 中长期风电功率预测方法、装置、计算机设备及存储介质 - Google Patents

中长期风电功率预测方法、装置、计算机设备及存储介质 Download PDF

Info

Publication number
CN109190789B
CN109190789B CN201810798484.7A CN201810798484A CN109190789B CN 109190789 B CN109190789 B CN 109190789B CN 201810798484 A CN201810798484 A CN 201810798484A CN 109190789 B CN109190789 B CN 109190789B
Authority
CN
China
Prior art keywords
probability density
cumulative probability
wind power
preset period
key parameter
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
CN201810798484.7A
Other languages
English (en)
Other versions
CN109190789A (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
Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Henan 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, Economic and Technological Research Institute of State Grid Henan Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN201810798484.7A priority Critical patent/CN109190789B/zh
Publication of CN109190789A publication Critical patent/CN109190789A/zh
Application granted granted Critical
Publication of CN109190789B publication Critical patent/CN109190789B/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)
  • 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)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供的中长期风电功率预测方法、装置、计算机设备及存储介质，该方法包括：对每一预设周期内的风电功率归一化，得到每一所述预设周期内归一化后的风电功率，根据所述归一化后的风电功率，获取经验累积概率密度函数，通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值，通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。计算机设备能够通过正则非完全贝塔函数对经验累积概率密度进行拟合，得到预测风电功率在中长期尺度内的出力特性，从而提高中长期发电计算中预测结果的可用性。

Description

中长期风电功率预测方法、装置、计算机设备及存储介质
技术领域
本发明涉及风电功率预测技术领域，特别是涉及一种中长期风电功率预测方法、装置、计算机设备及存储介质。
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，作为目前应用较广、发展空间较大的新能源之一。面对大规模的风电并网，电力系统的安全、稳定、经济、可靠运行受到了极大的威胁，风电功率预测对电网的意义日益凸显。目前大部分研究主要集中在短期和超短期尺度内，中长期风电功率目前仍是空缺状态，考虑到中长期发电计划中对于中长期预测风电功率的需求，在中长期尺度内给出风力发电能力的预测值，是目前亟待研究的问题。
传统技术中，中长期尺度的风电预测的主要形式是预测一个月、一年内的电量，可以提供未来一段时间内的一个简单的电量数值。
但是，传统技术预测的单一的电量值，所能提供的信息量仅可以支撑对风电资源丰裕程度的分析，基本满足检修计划和粗糙的电源规划的要求，并不能支撑中长期发电计划中的进一步应用，导致在中长期发电计划中预测结果无可用性。
发明内容
基于此，有必要针对传统技术基本满足检修计划和粗糙的电源规划的要求，并不能支撑中长期发电计划中的进一步应用，导致在中长期发电计划中预测结果无可用性的问题，提供一种中长期风电功率预测方法。
第一方面，本发明实施例提供一种中长期风电功率预测方法，包括：
对每一预设周期内的风电功率归一化，得到每一所述预设周期内归一化后的风电功率；
根据所述归一化后的风电功率，获取经验累积概率密度函数；
通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值；
通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。
在其中一个实施例中，所述根据所述归一化后的风电功率，获取经验累积概率密度函数，包括：
根据所述归一化后的风电功率，以及所述归一化后的风电功率的数量，得到所述经验累积概率密度函数。
在其中一个实施例中，所述通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值，包括：
通过所述正则非完全贝塔函数对上一周期的所述经验累积概率密度函数进行拟合，得到上一周期的累积概率密度的关键参数；
根据所述上一周期的累积概率密度的关键参数、风资源丰度和每一所述预设周期累积概率密度的关键参数，确定每一所述预设周期累积概率密度的关键参数的典型值。
在其中一个实施例中，所述根据所述上一周期的累积概率密度的关键参数、风资源丰度和每一所述预设周期累积概率密度的关键参数，确定每一所述预设周期累积概率密度的关键参数的典型值，包括：
通过所述上一周期的累积概率密度的关键参数、所述风资源丰度与每一所述预设周期累积概率密度的关键参数，确定特征变量；
根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，得到与季节特征对应的每一所述预设周期累积概率密度的关键参数的典型值。
在其中一个实施例中，所述根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，得到与季节特征对应的每一所述预设周期累积概率密度的关键参数的典型值，包括：
根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，判断每一类中所述特征变量与每一所述预设周期累积概率密度的关键参数有无函数关系；
若无函数关系，则将每一类中每一所述预设周期累积概率密度的关键参数的均值作为所述典型值。
在其中一个实施例中，所述根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，判断每一类中所述特征变量与每一所述预设周期累积概率密度的关键参数有无函数关系，还包括：
若有函数关系，则拟合每一类中所述特征变量与每一所述预设周期累积概率密度的关键参数的函数关系，根据所述函数关系确定所述典型值。
在其中一个实施例中，所述通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度，包括：
将每一所述预设周期累积概率密度的关键参数的典型值代入所述正则非完全贝塔函数，确定所述待预测周期风电功率累积概率密度。
第二方面，本发明实施例提供一种中长期风电功率预测装置，包括：
归一化模块，用于对每一预设周期内的风电功率归一化，得到每一所述预设周期归一化后的风电功率；
获取模块，用于根据所述归一化后的风电功率，获取经验累积概率密度函数；
获取典型值模块，用于通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值；
确定模块，用于通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。
第三方面，本发明实施例提供的一种计算机设备，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：
对每一预设周期内的风电功率归一化，得到每一所述预设周期内归一化后的风电功率；
根据所述归一化后的风电功率，获取经验累积概率密度函数；
通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值；
通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。
第四方面，本发明实施例提供的一种存储介质，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：
对每一预设周期内的风电功率归一化，得到每一所述预设周期内归一化后的风电功率；
根据所述归一化后的风电功率，获取经验累积概率密度函数；
通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值；
通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。
本实施例提供的中长期风电功率预测方法、装置、计算机设备及可读存储介质，计算机设备能够通过正则非完全贝塔函数对经验累积概率密度进行拟合，得到预测风电功率在中长期尺度内的出力特性，从而提高中长期发电计算中预测结果的可用性。
附图说明
图1为一实施例提供的中长期风电功率预测方法的流程示意图；
图2为另一实施例提供的得到每一所述预设周期累积概率密度的关键参数的典型值方法的流程提示图；
图3为另一实施例提供的确定每一所述预设周期累积概率密度的关键参数的典型值方法的具体流程示意图；
图4为一个实施例提供的中长期风电功率预测装置的结构示意图；
图5为另一个实施例提供的中长期风电功率预测装置的结构示意图；
图6为另一个实施例提供的中长期风电功率预测装置的结构示意图；
图7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。
本实施例提供的中长期风电功率预测方法，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。可选的，上述中长期的时间尺度可以为72小时以上的时间尺度。
需要说明的是，本发明实施例提供的中长期风电功率预测方法，其执行主体可以是中长期风电功率预测装置，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，本实施例对计算机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为一实施例提供的中长期风电功率预测方法的流程示意图。本实施例涉及的是计算机设备通过正则非完全贝塔函数对经验累积概率密度进行拟合，得到待预测周期风电功率累积概率密度的具体过程。如图1所示，该方法包括：
S101、对每一预设周期内的风电功率归一化，得到每一所述预设周期归一化后的风电功率。
具体的，计算机设备可以对每一个预设周期内的风电功率进行归一化处理，得到每一个预设周期内归一化后的风电功率。可选的，上述预设周期可以表征未来希望预测风电功率的周期，预设周期可以为中长期尺度，具体可以为小时、周、月份、年，对此本实施例并不做任何限定。可选的，该归一化可以表征将数据映射到0～1范围内的数据处理方法。可选的，本发明实施例以预设周期为月份为例进行说明。
需要说明的是，当预设周期为月份时，计算机设备可以对风电功率逐月归一化，得到每月归一化后的风电功率，且计算机设备可以采用如下算式对风电功率进行归一化处理：
Figure BDA0001736524960000071
式中m(k)为归一化后的风电功率数据，M(k)为归一化前的风电功率数据，min(M)为风电功率数据序列M(k)中的最小值，max(M)为风电功率数据序列M(k)中的最大值。
S102、根据所述归一化后的风电功率，获取经验累积概率密度函数。
具体的，计算机设备可以根据每一个预设周期内归一化后的风电功率，计算得到预设周期经验累积概率密度函数。可选的，上述归一化后的风电功率可以表征取值在0～1之间的连续性随机变量。需要说明的是，当预设周期为月份时，计算机设备可以根据每月归一化后的风电功率，计算得到每月经验累积概率密度函数。
S103、通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值。
具体的，计算机设备可以采用最大似然方法得到正则非完全贝塔函数对每一预设周期的经验累积概率密度函数进行拟合，并且可以通过分类方法得到每一预设周期内累积概率密度的关键参数的典型值。可选的，上述分类方法可以表征为根据数学对象之间的相同点和异同点将数学对象划分成不同的类，该分类方法可以包括现象分类和本质分类。
S104、通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。
具体的，计算机设备可以通过获取的每一预设周期内累积概率密度的未知关键参数的典型值，以及上述得到的含参正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。需要说明的是，上述待预测周期可以表征为待预测时间段，且待预测周期和每一预设周期的时间尺度是相同的。
本实施例提供的中长期风电功率预测方法，计算机设备对每一预设周期内的风电功率归一化，得到每一所述预设周期归一化后的风电功率，根据所述归一化后的风电功率，获取经验累积概率密度函数，通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值，对每一所述预设周期累积概率密度的关键参数的典型值进行聚类，确定待预测周期风电功率累积概率密度。由于计算机设备能够通过正则非完全贝塔函数对经验累积概率密度进行拟合，得到预测风电功率在中长期尺度内的出力特性，从而提高中长期发电计算中预测结果的可用性。
在其中一个实施例中，上述S102中计算机设备根据所述归一化后的风电功率，获取经验累积概率密度函数，可以通过以下方法实现，包括：根据所述归一化后的风电功率，以及所述归一化后的风电功率的数量，得到所述经验累积概率密度函数。
具体的，计算机设备可以根据归一化后的风电功率，以及归一化后的风电功率的数量，计算得到预设周期经验累积概率密度函数。
需要说明的是，当预设周期为月份时，月经验累积概率密度函数可以表征为：
Figure BDA0001736524960000091
其中，Ω表示当月归一化后的风电功率组成的集合，card表示集合中元素的数量，x表示任意实数，xi表示归一化后的风电功率。
本实施例提供的中长期风电功率预测方法，计算机设备可以根据所述归一化后的风电功率，以及所述归一化后的风电功率的数量，得到所述经验累积概率密度函数。由于计算机设备可以通过风电功率归一化后的数据得到经验累积概率密度函数，以确定正则非完全贝塔函数的关键参数。
在其中一个实施例中，上述S104中计算机设备通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度，可以通过以下方法实现，包括：将每一所述预设周期累积概率密度的关键参数的典型值代入所述正则非完全贝塔函数，确定所述待预测周期风电功率累积概率密度。
需要说明的是，当预设周期为月份时，计算机设备可以将获得的每月累积概率密度的关键参数的典型值代入到获得的正则非完全贝塔函数中，得到月风电功率累积概率密度的预测结果。
本实施例提供的中长期风电功率预测方法，计算机设备可以通过获得的每一预设周期累积概率密度的关键参数的典型值，得到预测风电功率在中长期尺度内的出力特性，从而提高中长期发电计算中预测结果的可用性。
图2为另一个实施例提供的中长期风电功率预测方法，本实施例涉及的是通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值的具体过程。在上述实施例的基础上，可选的，上述S103可以包括：
S1031、通过所述正则非完全贝塔函数对上一周期的经验累积概率密度函数进行拟合，得到上一周期的累积概率密度的关键参数。
需要说明的是，当预设周期为月份时，计算机设备通过正则非完全贝塔函数对前一个月的经验累积概率密度函数进行拟合，得到前一个月的累积概率密度的关键参数。上述正则非完全贝塔函数可以表示为：
Figure BDA0001736524960000101
其中，B(x；α,β)表示不完全贝塔函数，且
Figure BDA0001736524960000102
B(α,β)表示完全贝塔函数，且
Figure BDA0001736524960000103
Γ(·)表示伽马函数，可以通过公式
Figure BDA0001736524960000104
表示，x表示函数变量，α和β表示正则非完全贝塔函数的关键参数。
S1032、根据所述上一周期的累积概率密度的关键参数、风资源丰度和每一所述预设周期累积概率密度的关键参数，确定每一所述预设周期累积概率密度的关键参数的典型值。
需要说明的是，当预设周期为月份时，计算机设备可以根据前一个月的累积概率密度的关键参数，风资源丰度和每月累积概率密度的关键参数α和β，通过分类方法确定每月累积概率密度的关键参数的典型值。可选的，该风资源丰度可以通过风电利用小时数表征，其中，每个月的风资源丰度可以为大风月，还可以为小风月。可选的，该风资源丰度可以通过待预测周期所对应的月均风速确定，月均风速可以通过待预测周期所属的月份的历史风速数据确定。可选的，关键参数的典型值可以表征为最具有代表性的关键参数。
本实施例提供的中长期风电功率预测方法，计算机设备通过所述正则非完全贝塔函数对上一周期的经验累积概率密度函数进行拟合，得到上一周期的累积概率密度的关键参数，根据所述上一周期的累积概率密度的关键参数、风资源丰度和每一所述预设周期累积概率密度的关键参数，确定每一所述预设周期累积概率密度的关键参数的典型值。由于计算机设备能够通过正则非完全贝塔函数对经验概率密度函数进行拟合，得到每一预设周期累积概率密度的关键参数的典型值，从而得到待预测周期风电功率累积概率密度函数，提高中长期发电计算中预测结果的可用性。
在其中一个实施例中，上述S1032中计算机设备根据所述上一周期的累积概率密度的关键参数、风资源丰度和每一所述预设周期累积概率密度的关键参数，确定每一所述预设周期累积概率密度的关键参数的典型值，可以通过图3所述的方法实现，包括：
S1132、通过所述上一周期的累积概率密度的关键参数、所述风资源丰度与每一所述预设周期累积概率密度的关键参数，确定特征变量。
具体的，计算机设备可以获取上一周期的累积概率密度的关键参数α和β分别与风电利用小时数的关系，以及上一周期的累积概率密度的关键参数α和β分别与每一预设周期累积概率密度的对应关键参数α和β的关系，选取最优利于进行特征划分的一个变量，确定为特征变量。可选的，上述选取的变量可以为上一周期的关键参数α或β，还可以为风电利用小时数。
S1232、根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，得到与季节特征对应的每一所述预设周期累积概率密度的关键参数的典型值。
具体的，计算机设备可以根据风资源的季节特性，采用聚类算法将获得的特征变量与每一预设周期累积概率密度的对应关键参数α或β分别进行聚类，得到与季节特征对应的每一预设周期累积概率密度的关键参数的典型值α'和β'。可选的，风资源的季节特性可以根据不同的气候地带对风资源的季节进行划分。可选的，聚类算法可以为Kmeans聚类方法，还可以为层次聚类方法，当然还可以为FCM聚类方法，具体的实施例中是以Kmeans聚类方法为例进行分析的。
需要说明的是，当确定的特征变量为上一周期的累积概率密度的关键参数α时，计算机设备可以将上一周期的累积概率密度的关键参数α与每一预设周期累积概率密度的对应关键参数α进行聚类，然后确定每一预设周期累积概率密度的关键参数的典型值α′；当确定的特征变量为上一周期的累积概率密度的关键参数β时，计算机设备可以将上一周期的累积概率密度的关键参数β与每一预设周期累积概率密度的对应关键参数β进行聚类，然后确定每一预设周期累积概率密度的关键参数的典型值β'；当确定的特征变量为风电利用小时数时，计算机设备可以将上一周期的风电利用小时数分别与每一预设周期累积概率密度的对应关键参数α和β进行聚类。本实施例中，进行聚类之前需要先将聚类数据中的异常值剔除，再通过聚类算法将选取的特征变量划分成几个典型类。
本实施例提供的中长期风电功率预测方法，计算机设备通过所述上一周期的累积概率密度的关键参数、所述风资源丰度与每一所述预设周期累积概率密度的关键参数，确定特征变量，根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，得到与季节特征对应的每一所述预设周期累积概率密度的关键参数的典型值。计算机设备可以根据季节特征采用聚类算法确定关键参数的典型值，能够得到准确的关键参数，从而提高中长期预测的准确性及中长期发电计算中预测结果的可用性。
在其中一个实施例中，上述S1232中计算机设备根据所述上一周期的累积概率密度的关键参数、风资源丰度和每一所述预设周期累积概率密度的关键参数，确定每一所述预设周期累积概率密度的关键参数的典型值，可以通过以下方法实现，包括：根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，判断每一类中所述特征变量与所述预设周期累积概率密度的关键参数有无函数关系；若无函数关系，则将每一类中每一所述预设周期累积概率密度的关键参数的均值作为所述典型值。
具体的，计算机设备可以根据风资源的季节特性，采用聚类算法将选取的特征变量与每一预设周期累积概率密度的对应关键参数α或β分别进行聚类，通过聚类结果判断每一类中所选的特征变量，与每一预设周期累积概率密度的关键参数α或β有无函数关系，如果没有函数关系，可以将每一类中每一预设周期累积概率密度的关键参数α和β的均值作为典型值α'和β'。可选的，该函数关系可以为线性关系。
本实施例提供的中长期风电功率预测方法，计算机设备可以根据季节特征，将特征变量与每一预设周期累积概率密度的对应关键参数进行聚类，确定每一预设周期累积概率密度的关键参数的典型值，能够得到准确的关键参数，从而提高中长期预测的准确性及中长期发电计算中预测结果的可用性。
在其中一个实施例中，计算机设备根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，判断每一类中所述特征变量与每一所述预设周期累积概率密度的关键参数有无函数关系，还包括：若有函数关系，则拟合每一类中所述特征变量与每一所述预设周期累积概率密度的关键参数的函数关系，根据所述函数关系确定所述典型值。
具体的，计算机设备若判断每一类中特征变量与每一预设周期累积概率密度的关键参数α和β有函数关系时，可以采用最小二乘法拟合该函数关系，并通过上一周期累积概率密度的关键参数α和β，确定预设周期累积概率密度的关键参数的典型值。
本实施例提供的中长期风电功率预测方法，计算机设备可以根据季节特征，将特征变量与每一预设周期累积概率密度的对应关键参数进行聚类，确定每一预设周期累积概率密度的关键参数的典型值，能够得到准确的关键参数，从而提高中长期预测的准确性及中长期发电计算中预测结果的可用性。
应该理解的是，虽然图1-3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1-3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。
关于中长期风电功率预测装置的具体限定可以参见上文中对于中长期风电功率预测方法的限定，在此不再赘述。上述计算机设备的中长期风电功率预测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4为一实施例提供的中长期风电功率预测装置结构流程示意图。如图4所示，该装置可以包括：归一化模块11、获取模块12、获取典型值模块13和确定模块14。
具体的，归一化模块11，用于对每一预设周期内的风电功率归一化，得到每一所述预设周期归一化后的风电功率；
获取模块12，用于根据所述归一化后的风电功率，获取经验累积概率密度函数；
获取典型值模块13，用于通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值；
确定模块14，用于通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。
本实施例提供的中长期风电功率预测装置，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4，在上述图4所示的实施例的基础上，所述归一化模块11具体用于根据所述归一化后的风电功率，以及所述归一化后的风电功率的数量，得到所述经验累积概率密度函数。
本实施例提供的中长期风电功率预测装置，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4，在上述图4所示的实施例的基础上，所述确定模块14用于将每一所述预设周期累积概率密度的关键参数的典型值代入所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。
本实施例提供的中长期风电功率预测装置，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5为另一个实施例提供的中长期风电功率预测装置的结构示意图。在上述图4所示的实施例的基础上，如图5所示，所述获取典型值模块13，包括：获取关键参数单元131和确定典型值单元132。
具体的，获取关键参数单元131，用于通过所述正则非完全贝塔函数对上一周期的经验累积概率密度函数进行拟合，得到上一周期的所述累积概率密度分布的关键参数；
确定典型值单元132，用于根据所述上一周期的累积概率密度的关键参数、风资源丰度和每一所述预设周期累积概率密度的关键参数，确定每一所述预设周期累积概率密度的关键参数的典型值。
本实施例提供的中长期风电功率预测装置，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，在上述图5所示实施例的基础上，如图6所示，所述确定典型值单元132，包括：确定特征变量子单元1321和获取典型值子单元1322。
具体的，确定特征变量子单元1321，用于通过所述上一周期的累积概率密度的关键参数、所述风资源丰度与每一所述预设周期累积概率密度的关键参数，确定特征变量；
获取典型值子单元1322，用于根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，得到与季节特征对应的每一所述预设周期累积概率密度的关键参数的典型值。
本实施例提供的中长期风电功率预测装置，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5所示的实施例的基础上，所述获取典型值子单元1322用于根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，判断每一类中所述特征变量与每一所述预设周期累积概率密度的关键参数有无函数关系；
可选的，所述获取典型值子单元1322具体用于若无函数关系，则将每一类中每一所述预设周期累积概率密度的关键参数的均值作为所述典型值。
本实施例提供的中长期风电功率预测装置，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，所述获取典型值子单元1322具体用于若有函数关系，则拟合每一类中所述特征变量与每一所述预设周期累积概率密度的关键参数的函数关系，根据所述函数关系确定所述典型值。
本实施例提供的中长期风电功率预测装置，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7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中长期风电功率预测方法。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7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：
对每一预设周期内的风电功率归一化，得到每一所述预设周期内归一化后的风电功率；
根据所述归一化后的风电功率，获取经验累积概率密度函数；
通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值；
通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。
在一个实施例中，提供了一种存储介质，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：
对每一预设周期内的风电功率归一化，得到每一所述预设周期内归一化后的风电功率；
根据所述归一化后的风电功率，获取经验累积概率密度函数；
通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值；
通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。
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)

1.一种中长期风电功率预测方法，其特征在于，所述方法包括：
对每一预设周期内的风电功率归一化，得到每一所述预设周期内归一化后的风电功率；
根据所述归一化后的风电功率以及所述归一化后的风电功率的数量，获取经验累积概率密度函数；
通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值；其中，所述正则非完全贝塔函数为
Figure FDA0002523368770000011
B(x；α,β)表示不完全贝塔函数，且
Figure FDA0002523368770000012
B(α,β)表示完全贝塔函数，且
Figure FDA0002523368770000013
Γ(·)表示伽马函数，可以通过公式
Figure FDA0002523368770000014
表示，x表示函数变量，α和β表示正则非完全贝塔函数的关键参数；
通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述归一化后的风电功率以及所述归一化后的风电功率的数量，计算经验累积概率密度函数的步骤包括：
Figure FDA0002523368770000015
其中，Ω表示当月归一化后的风电功率组成的集合，card表示集合中元素的数量，x表示任意实数，xi表示归一化后的风电功率，Fe(x)表示经验累积概率密度函数。
3.根据权利要求1所述的方法，其特征在于，所述通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值的步骤包括：
通过所述正则非完全贝塔函数对上一周期的所述经验累积概率密度函数进行拟合，得到上一周期的累积概率密度的关键参数；
根据所述上一周期的累积概率密度的关键参数、风资源丰度和每一所述预设周期累积概率密度的关键参数，确定每一所述预设周期累积概率密度的关键参数的典型值。
4.根据权利要求3所述的方法，其特征在于，所述根据所述上一周期的累积概率密度的关键参数、风资源丰度和每一所述预设周期累积概率密度的关键参数，确定每一所述预设周期累积概率密度的关键参数的典型值的步骤包括：
通过所述上一周期的累积概率密度的关键参数、所述风资源丰度与每一所述预设周期累积概率密度的关键参数，确定特征变量；
根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，得到与季节特征对应的每一所述预设周期累积概率密度的关键参数的典型值。
5.根据权利要求4所述的方法，其特征在于，所述根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，得到与季节特征对应的每一所述预设周期累积概率密度的关键参数的典型值的步骤包括：
根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，判断每一类中所述特征变量与每一所述预设周期累积概率密度的关键参数有无函数关系；
若无函数关系，则将每一类中每一所述预设周期累积概率密度的关键参数的均值作为所述典型值。
6.根据权利要求5所述的方法，其特征在于，所述根据季节特征，将所述特征变量与每一所述预设周期累积概率密度的关键参数进行聚类，判断每一类中所述特征变量与每一所述预设周期累积概率密度的关键参数有无函数关系，还包括：
若有函数关系，则拟合每一类中所述特征变量与每一所述预设周期累积概率密度的关键参数的函数关系，根据所述函数关系确定所述典型值。
7.根据权利要求1所述的方法，其特征在于，所述通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度的步骤包括：
将每一所述预设周期累积概率密度的关键参数的典型值代入所述正则非完全贝塔函数，确定所述待预测周期风电功率累积概率密度。
8.一种中长期风电功率预测装置，其特征在于，包括：
归一化模块，用于对每一预设周期内的风电功率归一化，得到每一所述预设周期归一化后的风电功率；
获取模块，用于根据所述归一化后的风电功率以及所述归一化后的风电功率的数量，获取经验累积概率密度函数；
获取典型值模块，用于通过正则非完全贝塔函数对所述经验累积概率密度进行拟合，得到每一所述预设周期累积概率密度的关键参数的典型值；其中，所述正则非完全贝塔函数为
Figure FDA0002523368770000031
B(x；α,β)表示不完全贝塔函数，且
Figure FDA0002523368770000032
B(α,β)表示完全贝塔函数，且
Figure FDA0002523368770000033
Γ(·)表示伽马函数，可以通过公式
Figure FDA0002523368770000034
表示，x表示函数变量，α和β表示正则非完全贝塔函数的关键参数；
确定模块，用于通过每一所述预设周期累积概率密度的关键参数的典型值，以及所述正则非完全贝塔函数，确定待预测周期风电功率累积概率密度。
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7中任一项所述方法的步骤。
10.一种存储介质，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7中任一项所述方法的步骤。
CN201810798484.7A 2018-07-19 2018-07-19 中长期风电功率预测方法、装置、计算机设备及存储介质 Active CN109190789B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810798484.7A CN109190789B (zh) 2018-07-19 2018-07-19 中长期风电功率预测方法、装置、计算机设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810798484.7A CN109190789B (zh) 2018-07-19 2018-07-19 中长期风电功率预测方法、装置、计算机设备及存储介质

Publications (2)

Publication Number Publication Date
CN109190789A CN109190789A (zh) 2019-01-11
CN109190789B true CN109190789B (zh) 2020-07-31

Family

ID=64936378

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810798484.7A Active CN109190789B (zh) 2018-07-19 2018-07-19 中长期风电功率预测方法、装置、计算机设备及存储介质

Country Status (1)

Country Link
CN (1) CN109190789B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113743756B (zh) * 2021-08-25 2024-05-24 国网山东省电力公司电力科学研究院 一种综合能源系统同步量测系统及同步量测算法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103683274B (zh) * 2013-07-16 2016-06-15 国家电网公司 区域中长期风电发电量概率预测方法
CN103530508B (zh) * 2013-09-30 2017-01-11 国家电网公司 一种建立风速功率转换概率模型的方法
CN105426998B (zh) * 2015-11-19 2020-05-12 广西大学 一种基于多条件下的风电功率区间预测方法
CN106099932B (zh) * 2016-07-22 2021-11-19 中国电力科学研究院 一种考虑不确定性的时空相关性的日前计划潮流分析方法
CN106295899B (zh) * 2016-08-17 2017-08-11 合肥工业大学 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法
CN106548253A (zh) * 2016-11-08 2017-03-29 中国地质大学（武汉） 基于非参数核密度估计的风电功率预测的方法

Also Published As

Publication number Publication date
CN109190789A (zh) 2019-01-11

Similar Documents

Publication Publication Date Title
CN110929954A (zh) 负荷预测方法、装置、计算机设备和存储介质
CN112907062A (zh) 融合温度特征的电网电量预测方法、装置、介质及终端
Gao et al. Spectral clustering based demand-oriented representative days selection method for power system expansion planning
CN112306835A (zh) 用户数据监控分析方法、装置、设备及介质
CN112907064A (zh) 基于自适应窗的电量预测方法、装置、存储介质及终端
CN109190789B (zh) 中长期风电功率预测方法、装置、计算机设备及存储介质
CN117394370B (zh) 一种供电网智能动态节电调度系统及方法
CN108694472B (zh) 预测误差极值分析方法、装置、计算机设备和存储介质
CN110909921B (zh) 中长期风电电量预测方法、装置、计算机设备及存储介质
CN111190890B (zh) 用户日用电量数据清洗方法、装置、设备和介质
CN116826796A (zh) 需量控制方法、装置及荷储系统
CN115481767A (zh) 面向配电网检修的运行数据处理方法、装置和计算机设备
CN111951123B (zh) 控制用电负荷的方法、装置、计算机设备和存储介质
CN113792995B (zh) 电力资源支配程度的确定方法、装置、设备和存储介质
CN114817985A (zh) 一种用电数据的隐私保护方法、装置、设备及存储介质
CN113342502B (zh) 数据湖的性能诊断方法、装置、计算机设备及存储介质
CN115619138A (zh) 基于数字孪生的楼宇管控运营的方法、装置、设备及介质
CN112510679B (zh) 分布式储能优化调度方法、装置、计算机设备和存储介质
CN111582679B (zh) 应用服务分区的处理方法、装置、设备及存储介质
CN114282952A (zh) 电价计费异常识别方法、装置、计算机设备和存储介质
CN113837467A (zh) 点对点能源项目评估方法、装置、计算机设备和存储介质
CN112949908A (zh) 一种电价概率预测方法及装置
CN108985492B (zh) 风电功率组合预测方法、装置、计算机设备和可读存储介质
CN113361960B (zh) 一种大规模需求响应能力量化方法、介质、装置及设备
CN109636162B (zh) 风电弃风电量的计算方法、装置、计算机设备和存储介质

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