CN109816165B - 风电超短期功率预测方法及系统 - Google Patents
风电超短期功率预测方法及系统 Download PDFInfo
- Publication number
- CN109816165B CN109816165B CN201910038987.9A CN201910038987A CN109816165B CN 109816165 B CN109816165 B CN 109816165B CN 201910038987 A CN201910038987 A CN 201910038987A CN 109816165 B CN109816165 B CN 109816165B
- Authority
- CN
- China
- Prior art keywords
- power
- sequence
- power sequence
- actual
- ultra
- 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
Links
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供一种风电超短期功率预测方法及系统，该方法包括：获取当前实发功率序列和历史同季节实发功率序列，从历史同季节实发功率序列中选取多个参考实发功率序列；分别计算当前实发功率序列与每个参考实发功率序列之间的关联度，将关联度不小于设定阈值的参考实发功率序列作为目标参考实发功率序列；基于目标参考实发功率序列对当前实发功率序列进行订正，并根据订正后的当前实发功率序列预测获得第一超短期功率。本发明实施例从历史数据中寻找到相同发电趋势的功率曲线，并利用历史发电趋势相似的功率数据来订正当前的发电规律曲线，得到超短期功率，能够有效减小预报误差，提高预测准确率。
Description
技术领域
本发明实施例涉及电力技术领域，更具体地，涉及一种风电超短期功率预测方法及系统。
背景技术
风能是一种清洁、无污染的可再生能源，但风具有随机性及不可控性，不稳定的风能在并网后会对电网产生巨大冲击，影响电网系统的安全稳定运行。风电功率预测是帮助实现风电并网稳定运行的重要手段。风电功率预测方法按照输入数据的不同可以分为两种：基于数值天气预报的功率预测方法和基于历史数据的功率预测方法。目前功率预测方法多采用基于数值天气预报的功率预测方法。该方法的功率预测准确性主要依赖于数值天气预报的准确性。而由于初值的不准确性以及模式中物理过程方案的不确定性和随机性，数值天气预报的准确性存在随机性。
发明内容
为了解决上述问题，本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的风电超短期功率预测方法及系统。
根据本发明实施例的第一方面，提供一种风电超短期功率预测方法，该方法包括：获取当前实发功率序列和历史同季节实发功率序列，从历史同季节实发功率序列中选取多个参考实发功率序列；分别计算当前实发功率序列与每个参考实发功率序列之间的关联度，将关联度不小于设定阈值的参考实发功率序列作为目标参考实发功率序列；基于目标参考实发功率序列对当前实发功率序列进行订正，并根据订正后的当前实发功率序列预测获得第一超短期功率。
根据本发明实施例第二方面，提供了一种风电超短期功率预测系统，该系统包括：获取模块，用于获取当前实发功率序列和历史同季节实发功率序列，从历史同季节实发功率序列中选取多个参考实发功率序列；计算模块，用于分别计算当前实发功率序列与每个参考实发功率序列之间的关联度，将关联度不小于设定阈值的参考实发功率序列作为目标参考实发功率序列；第一预测模块，用于基于目标参考实发功率序列对当前实发功率序列进行订正，并根据订正后的当前实发功率序列预测获得第一超短期功率。
根据本发明实施例的第三方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的风电超短期功率预测方法。
根据本发明实施例的第四方面，提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式所提供的风电超短期功率预测方法。
本发明实施例提供的风电超短期功率预测方法及系统，通过将关联度不小于设定阈值的参考实发功率序列作为目标参考实发功率序列，并基于目标参考实发功率序列对当前实发功率序列进行订正，从而从历史数据中寻找到相同发电趋势的功率曲线，并利用历史发电趋势相似的功率数据来订正当前的发电规律曲线，得到超短期功率，能够有效减小预报误差，提高预测准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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，还可以根据这些图获得其他的附图。
图1为本发明实施例提供的风电超短期功率预测方法的流程示意图；
图2为本发明实施例提供的某风场2018年1-3月预测结果对比图；
图3为本发明实施例提供的预测效果准确率对比图；
图4为本发明实施例提供的风电超短期功率预测系统的结构示意图；
图5为本发明实施例提供的电子设备的实体结构示意图。
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。
本发明实施例提供一种风电超短期功率预测方法，参见图1，该方法包括：
101、获取当前实发功率序列和历史同季节实发功率序列，从历史同季节实发功率序列中选取多个参考实发功率序列。
其中，当前实发功率序列是距离当前时刻T最近设定小时(例如4小时)的发电功率序列，该序列可具有一定的时间分辨率，例如15min。本发明实施例中以Y表示当前实发功率序列。历史同季节实发功率序列是指历史记录的、与当前时刻处于相同季节的历史时段所记录的实发功率序列，本发明实施例中以H表示历史同季节实发功率序列。H的序列长度可以为L，并与当前实发功率序列具有相同的时间分辨率，例如同样为15min。由于H中的序列长度与Y不同，因此，可以从H中选取多个序列长度与Y相同的参考实发功率序列，该参考实发功率序列可以Xi表示，其中，i＝1,2，…，L-32。
102、分别计算当前实发功率序列与每个参考实发功率序列之间的关联度，将关联度不小于设定阈值的参考实发功率序列作为目标参考实发功率序列。
具体地，本发明实施例的目的是从历史数据(即历史同季节实发功率序列)中寻找与当前数据(即当前实发功率序列)具有相同发电趋势的功率曲线。因此，为了找到具有相同发电趋势的功率曲线，本发明实施例采用基于关联度的方式。其中，关联度具体可采用灰色关联度，灰色关联性分析的基本思想是：根据各比较数列集构成的曲线族与参考数列构成的曲线之间的几何相似程度来确定比较数列集与参考数列之间的关联度，比较数列构成的曲线与参考数列构成的曲线的几何形状越相似，其关联度越大。
灰色关联分析的具体实现步骤如下：
步骤1、确定反映系统行为特征的参考数列和影响系统行为的比较数列。
步骤2、对参考数列和比较数列进行无量纲化处理。
由于系统中各因素的物理意义不同，导致数据的量纲也不一定相同，不便于比较，或在比较时难以得到正确的结论。因此，在进行灰色关联度分析时，一般都要进行无量纲化的数据处理。
步骤3、求参考数列与比较数列的灰色关联系数。
所谓关联程度，实质上是曲线间几何形状的差别程度。因此曲线间差值大小，可作为关联程度的衡量尺度。关联系数的计算公式如下：
式中，ξ0i为参考数列x0与比较数列xi之间的关联系数；ρ为分辨系数，一般在0～1之间，通常取0.5。
步骤4、求关联度
因为关联系数是比较数列与参考数列在各个时刻(即曲线中的各点)的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体性比较。因此有必要将各个时刻(即曲线中的各点)的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示，关联度的计算公式如下所示：
式中，r0i为比较数列xi与参考数列x0曲线的灰色关联度，r0i越接近1，相关性越好。
权重系数的计算公式：
利用关联度系数Gi确定权重系数Wi。
因此，基于上述灰色关联度的计算方法可计算Y与Xi之间的关联度Gi。并进一步基于Gi对参考实发功率序列进行筛选，将Gi大于设定阈值(例如0.8)的参考实发功率序列作为目标参考实发功率序列，该序列所对应的功率曲线与当前数据对应的功率曲线相同。
103、基于目标参考实发功率序列对当前实发功率序列进行订正，并根据订正后的当前实发功率序列预测获得第一超短期功率。
具体地，在步骤102中获得目标参考实发功率序列后，可采用目标参考实发功率序列对Y进行订正。利用历史发电趋势相似的功率数据来订正当前的发电规律后，采用订正后的当前实发功率序列来预测获得第一超短期功率bsP1。
本发明实施例提供的风电超短期功率预测方法，通过将关联度不小于设定阈值的参考实发功率序列作为目标参考实发功率序列，并基于目标参考实发功率序列对当前实发功率序列进行订正，从而从历史数据中寻找到相同发电趋势的功率曲线，并利用历史发电趋势相似的功率数据来订正当前的发电规律曲线，得到超短期功率，能够有效减小预报误差，提高预测准确率。
基于上述实施例的内容，作为一种可选实施例，提供一种基于目标参考实发功率序列对当前实发功率序列进行订正的方法，包括但不限于：
步骤1、对于每一个目标参考实发功率序列，从历史同季节实发功率序列中获取与参考实发功率序列相连的后续设定数量个实发功率数据序列，将后续设定数量个实发功率数据序列与目标参考实发功率序列进行组合，获得每一个目标参考实发功率序列对应的一个组合实发功率序列。
具体地，针对每一个目标参考实发功率Xi，从H中取得与Xi相连的后续设定数量(例如16)个实发功率数据序列，组合在一起，获得组合实发功率序列，该序列可记为Zi。
步骤2、基于组合实发功率序列对当前实发功率序列进行订正。
基于上述实施例的内容，作为一种可选实施例，该步骤2具体包括：
步骤2.1、分别计算当前实发功率序列与每个目标参考实发功率序列之间的相关系数，并计算当前实发功率序列的标准差及每个目标参考实发功率序列的标准差。
其中，标准差的计算公式为：
式中，
为序列X的平均值。
其中，相关系数的计算公式为：
因此，基于上述相关系数和标准差的计算公式，可获得Y的标准差，记为σy；Y与Xi之间的相关系数，记为ri，Xi的标准差，记为σXi。
步骤2.2、根据当前实发功率序列的标准差、每个目标参考实发功率序列对应的相关系数及标准差计算每个目标参考实发功率序列的判定系数。
具体地，作为一种可选实施例，订正法包括一元回归订正法和差值订正法；判定系数为，
式中，Ni为判定系数，r为相关系数，
为目标参考实发功率序列的方差，
为当前实发功率序列的方差。
步骤2.3、判断每个目标参考实发功率序列的样本数与判定系数的大小关系，并根据判断结果选择每个目标参考实发功率对应的订正法。
其中，基于上述判定系数，作为一种可选实施例，根据判断结果选择每个目标参考实发功率对应的订正法，包括：
若n>Ni，则为目标参考实发功率选择一元回归订正法；否则，选择差值订正法；其中，n为目标参考实发功率序列的样本数。
具体地，从统计学的角度分析，当n>Ni时，即
式中，n表示X的样本数，r表示序列X、Y的相关系数，
分别表示两个序列X、Y的方差；
一元回归订正法优于差值订正法；否则，差值订正法优于一元回归订正法。
其中，一元回归订正的基本公式为：
式中，
分别表示参考序列X、订正序列Y的平均值；σx、σy分别表示序列X、Y的标准差；r表示序列X、Y之间的相关系数；n<N。
差值订正法的基本公式为：
因此，可按照上述Ni的计算公式获得每一个目标参考实发功率序列对应的判定系数，从而可以基于判定系数为每一目标参考实发功率选择相应的订正法。
步骤2.4、基于每个目标参考实发功率对应的订正法，采用目标参考实发功率对应的组合实发功率序列分别对当前实发功率序列进行订正。
作为一种可选实施例，上述步骤2.4包括：针对每一个组合实发数据序列，基于订正法，采用组合实发数据序列订正当前实发功率序列，获得每一个组合实发数据序列对应的目标当前实发功率序列；目标当前实发功率序列中的最后一个数据为当前时刻后续设定数量个点的超短期预测功率。
具体地，根据所选择的订正法，采用Zi订正Y，记订正后的数据为目标当前实发功率序列Y1，则Y1的最后一个数据即为T时刻(即当前时刻)未来第16个点(即后续设定数量个点)的超短期预测功率，记为为Pi。
相应地，根据订正后的当前实发功率序列预测获得第一超短期功率，包括：将多个目标当前实发功率序列中的超短期预测功率进行加权平均计算，获得第一超短期功率。
具体地，对多个Y1中的Pi进行加权平均计算，计算的结果作为第一超短期功率bsP1。
基于上述实施例的内容，作为一种可选实施例，根据订正后的当前实发功率序列预测获得第一超短期功率之后，还包括：将第一超短期功率及基于数值天气预报预测获得的第二超短期功率输入至多元回归模型，获得多元回归模型输出的当前时刻后续设定数量个点的目标超短期功率；其中，多元回归模型是基于历史第一超短期功率、历史第二超短期功率及历史实发功率创建的。
具体地，基于数值天气预报的超短期预测功率可记为bsP2。通过对历史设定时段(例如10天)的超短期预测结果bsP1(历史第一超短期功率)、bsP2(历史第二超短期功率)和历史实发功率进行采集，建立多元线性回归模型。多元线性回归模型可具有一定的更新周期，例如10天。
其中，多元线性回归模型可通过如下方式创建：
含有两个自变量的多元回归模型是最简单的多元回归模型。实发功率为因变量，记为y；两种方法分别所得的超短期预测功率(即第一超短期功率和第二超短期功率)为自变量，分别记为x1、x2。则多元回归模型为：
y＝β1*x1+β2*x2+β0
式中，β0为常数项、β1、β2为回归系数。
多元性回归模型的参数估计，是在要求误差平方和最小的前提下，用最小二乘法求解参数。
在建立获得多元回归模型后，将T时刻(即当前时刻)得到的bsP1(第一超短期功率)、bsP2(第二超短期功率)代入上述多元回归模型后，得到T时刻未来第16点(即当前时刻后续设定数量个点)最终的超短期预测功率(即目标超短期功率)。
基于数值天气的预测方法，是利用数值天气预报数据作为输入条件进行风电功率预测(即获得第二超短期功率的方法)。基于历史数据的预测方式，是探究风电场相关监测设备记录的历史观测数据与输出功率之间关系的方法(即获得第一超短期功率的方法)。根据风电场的历史数据与实时数据间的关系建立预测模型，进行功率预测，具有预测速度快、模型简单的特点。
基于此，本发明实施例基于历史时段的两种方法的超短期预测功率、实发功率建立多元线性回归方程，将基于数值天气预报的功率预测方法和基于历史数据的功率预测方法结合起来，可以有效地减小预报误差，提高预测准确率。
为了对本发明实施例提供的风电超短期功率预测方法的预测效果进行说明，以下以某电场2018年1月-3月的数据进行验证，该风场的装机容量为49.5MW。结果参见图2和图3，从上图可以看出，相比较基于数值天气预报方法的预测结果，本方法预测结果的误差分布更集中，说明本方法的预测结果更准确。基于数值天气预报方法的超短期预测准确率平均为84.05％，本方法的超短期预测准确率平均为86.35％，准确率提高2.3％。
综上，本发明实施例提供的风电超短期功率预测方法从历史数据中寻找相同发电趋势的功率曲线，并使用数据订正方法，利用历史发电趋势相似的功率数据来订正当前的发电规律曲线，从而得到相应的超短期功率预测数据。而且，基于最近一个月的两种方法的超短期预测功率、实发功率建立多元线性回归方程，将基于数值天气预报的功率预测方法和基于历史数据的功率预测方法结合起来，可以有效地减小预报误差，提高预测准确率。
基于上述实施例的内容，本发明实施例提供了一种风电超短期功率预测系统，该风电超短期功率预测系统用于执行上述方法实施例中的风电超短期功率预测方法。参见图4，该系统包括：获取模块401、计算模块402和第一预测模块403；其中，获取模块401，用于获取当前实发功率序列和历史同季节实发功率序列，从历史同季节实发功率序列中选取多个参考实发功率序列；计算模块402，用于分别计算当前实发功率序列与每个参考实发功率序列之间的关联度，将关联度不小于设定阈值的参考实发功率序列作为目标参考实发功率序列；第一预测模块403，用于基于目标参考实发功率序列对当前实发功率序列进行订正，并根据订正后的当前实发功率序列预测获得第一超短期功率。
具体地，当前实发功率序列Y是距离当前时刻T最近设定小时(例如4小时)的发电功率序列，历史同季节实发功率序列H是指历史记录的、与当前时刻处于相同季节的历史时段所记录的实发功率序列，获取模块401可以从H中选取多个序列长度与Y相同的参考实发功率序列。计算模块402从历史数据(即历史同季节实发功率序列)中寻找与当前数据(即当前实发功率序列)具有相同发电趋势的功率曲线。第一预测模块403可采用目标参考实发功率序列对Y进行订正。利用历史发电趋势相似的功率数据来订正当前的发电规律后，采用订正后的当前实发功率序列来预测获得第一超短期功率bsP1。
本发明实施例提供的风电超短期功率预测系统，通过将关联度不小于设定阈值的参考实发功率序列作为目标参考实发功率序列，并基于目标参考实发功率序列对当前实发功率序列进行订正，从而从历史数据中寻找到相同发电趋势的功率曲线，并利用历史发电趋势相似的功率数据来订正当前的发电规律曲线，得到超短期功率，能够有效减小预报误差，提高预测准确率。
基于上述实施例的内容，作为一种可选实施例，该系统还包括：第二预测模块，用于将第一超短期功率及基于数值天气预报预测获得的第二超短期功率输入至多元回归模型，获得多元回归模型输出的当前时刻后续设定数量个点的目标超短期功率；其中，多元回归模型是基于历史第一超短期功率、历史第二超短期功率及历史实发功率创建的。
本发明实施例提供了一种电子设备，如图5所示，该设备包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和通信总线504，其中，处理器501，通信接口502，存储器503通过通信总线504完成相互间的通信。处理器501可以调用存储器503上并可在处理器501上运行的计算机程序，以执行上述各实施例提供的风电超短期功率预测方法，例如包括：获取当前实发功率序列和历史同季节实发功率序列，从历史同季节实发功率序列中选取多个参考实发功率序列；分别计算当前实发功率序列与每个参考实发功率序列之间的关联度，将关联度不小于设定阈值的参考实发功率序列作为目标参考实发功率序列；基于目标参考实发功率序列对当前实发功率序列进行订正，并根据订正后的当前实发功率序列预测获得第一超短期功率。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元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。
本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的风电超短期功率预测方法，例如包括：获取当前实发功率序列和历史同季节实发功率序列，从历史同季节实发功率序列中选取多个参考实发功率序列；分别计算当前实发功率序列与每个参考实发功率序列之间的关联度，将关联度不小于设定阈值的参考实发功率序列作为目标参考实发功率序列；基于目标参考实发功率序列对当前实发功率序列进行订正，并根据订正后的当前实发功率序列预测获得第一超短期功率。
以上所描述的电子设备等实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种风电超短期功率预测方法，其特征在于，包括：
获取当前实发功率序列和历史同季节实发功率序列，从所述历史同季节实发功率序列中选取多个参考实发功率序列；
分别计算所述当前实发功率序列与每个所述参考实发功率序列之间的关联度，将所述关联度不小于设定阈值的所述参考实发功率序列作为目标参考实发功率序列；
基于所述目标参考实发功率序列对所述当前实发功率序列进行订正，并根据订正后的所述当前实发功率序列预测获得第一超短期功率；
所述基于所述目标参考实发功率序列对所述当前实发功率序列进行订正，包括：
对于每一个所述目标参考实发功率序列，从所述历史同季节实发功率序列中获取与所述参考实发功率序列相连的后续设定数量个实发功率数据序列，将所述后续设定数量个实发功率数据序列与所述目标参考实发功率序列进行组合，获得每一个所述目标参考实发功率序列对应的一个组合实发功率序列；
基于所述组合实发功率序列对所述当前实发功率序列进行订正；
所述基于所述组合实发功率序列对所述当前实发功率序列进行订正，包括：
分别计算所述当前实发功率序列与每个所述目标参考实发功率序列之间的相关系数，并计算所述当前实发功率序列的标准差及每个所述目标参考实发功率序列的标准差；
根据所述当前实发功率序列的标准差、每个所述目标参考实发功率序列对应的相关系数及标准差计算每个所述目标参考实发功率序列的判定系数；
判断每个所述目标参考实发功率序列的样本数与所述判定系数的大小关系，并根据判断结果选择每个所述目标参考实发功率对应的订正法；
基于每个所述目标参考实发功率对应的订正法，采用所述目标参考实发功率对应的所述组合实发功率序列分别对所述当前实发功率序列进行订正。
2.根据权利要求1所述的方法，其特征在于，所述订正法包括一元回归订正法和差值订正法；所述判定系数为，
式中，Ni为判定系数，r为相关系数，
为目标参考实发功率序列的方差，
为当前实发功率序列的方差；
相应地，所述根据判断结果选择每个所述目标参考实发功率对应的订正法，包括：
若n>Ni，则为所述目标参考实发功率选择所述一元回归订正法；否则，选择所述差值订正法；其中，n为目标参考实发功率序列的样本数。
3.根据权利要求1所述的方法，其特征在于，所述基于每个所述目标参考实发功率对应的订正法，采用所述目标参考实发功率对应的所述组合实发功率序列分别对所述当前实发功率序列进行订正，包括：
针对每一个所述组合实发数据序列，基于所述订正法，采用所述组合实发数据序列订正所述当前实发功率序列，获得每一个所述组合实发数据序列对应的目标当前实发功率序列；所述目标当前实发功率序列中的最后一个数据为当前时刻后续设定数量个点的超短期预测功率；
相应地，所述根据订正后的所述当前实发功率序列预测获得第一超短期功率，包括：
将多个所述目标当前实发功率序列中的超短期预测功率进行加权平均计算，获得所述第一超短期功率。
4.根据权利要求1或3所述的方法，其特征在于，所述根据订正后的所述当前实发功率序列预测获得第一超短期功率之后，还包括：
将所述第一超短期功率及基于数值天气预报预测获得的第二超短期功率输入至多元回归模型，获得所述多元回归模型输出的当前时刻后续设定数量个点的目标超短期功率；其中，所述多元回归模型是基于历史第一超短期功率、历史第二超短期功率及历史实发功率创建的。
5.一种风电超短期功率预测系统，其特征在于，包括：
获取模块，用于获取当前实发功率序列和历史同季节实发功率序列，从所述历史同季节实发功率序列中选取多个参考实发功率序列；
计算模块，用于分别计算所述当前实发功率序列与每个所述参考实发功率序列之间的关联度，将关联度不小于设定阈值的所述参考实发功率序列作为目标参考实发功率序列；
第一预测模块，用于基于所述目标参考实发功率序列对所述当前实发功率序列进行订正，并根据订正后的所述当前实发功率序列预测获得第一超短期功率；所述基于所述目标参考实发功率序列对所述当前实发功率序列进行订正，包括：
对于每一个所述目标参考实发功率序列，从所述历史同季节实发功率序列中获取与所述参考实发功率序列相连的后续设定数量个实发功率数据序列，将所述后续设定数量个实发功率数据序列与所述目标参考实发功率序列进行组合，获得每一个所述目标参考实发功率序列对应的一个组合实发功率序列；
基于所述组合实发功率序列对所述当前实发功率序列进行订正；
所述基于所述组合实发功率序列对所述当前实发功率序列进行订正，包括：
分别计算所述当前实发功率序列与每个所述目标参考实发功率序列之间的相关系数，并计算所述当前实发功率序列的标准差及每个所述目标参考实发功率序列的标准差；
根据所述当前实发功率序列的标准差、每个所述目标参考实发功率序列对应的相关系数及标准差计算每个所述目标参考实发功率序列的判定系数；
判断每个所述目标参考实发功率序列的样本数与所述判定系数的大小关系，并根据判断结果选择每个所述目标参考实发功率对应的订正法；
基于每个所述目标参考实发功率对应的订正法，采用所述目标参考实发功率对应的所述组合实发功率序列分别对所述当前实发功率序列进行订正。
6.根据权利要求5所述的系统，其特征在于，还包括：
第二预测模块，用于将所述第一超短期功率及基于数值天气预报预测获得的第二超短期功率输入至多元回归模型，获得所述多元回归模型输出的当前时刻后续设定数量个点的目标超短期功率；其中，所述多元回归模型是基于历史第一超短期功率、历史第二超短期功率及历史实发功率创建的。
7.一种电子设备，包括存储器、处理器及存储在存储器上并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程序时实现如权利要求1至4任一项所述风电超短期功率预测方法的步骤。
8.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至4任一项所述风电超短期功率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910038987.9A CN109816165B (zh) | 2019-01-16 | 2019-01-16 | 风电超短期功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910038987.9A CN109816165B (zh) | 2019-01-16 | 2019-01-16 | 风电超短期功率预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109816165A CN109816165A (zh) | 2019-05-28 |
| CN109816165B true CN109816165B (zh) | 2020-09-25 |
Family
ID=66604458
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910038987.9A Active CN109816165B (zh) | 2019-01-16 | 2019-01-16 | 风电超短期功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109816165B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111931967B (zh) * | 2019-12-20 | 2022-07-22 | 南京南瑞继保电气有限公司 | 一种风电场短期功率预测方法 |
| CN112651560B (zh) * | 2020-12-28 | 2023-04-25 | 华润电力技术研究院有限公司 | 一种超短期风功率预测方法、装置及设备 |
| CN115097376B (zh) * | 2022-08-24 | 2022-11-01 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计量设备的校验数据的处理方法、装置和计算机设备 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103440529A (zh) * | 2013-08-12 | 2013-12-11 | 新疆大学 | 一种风电功率预测系统的横向误差平移修正方法 |
| CN103473438A (zh) * | 2013-08-15 | 2013-12-25 | 国家电网公司 | 风功率预测模型优选及修正方法 |
| CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
| CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
| CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
| CN107230977A (zh) * | 2017-05-05 | 2017-10-03 | 浙江工商大学 | 基于误差修正和提升小波组合预测模型的风电功率预测方法 |
| CN108074015A (zh) * | 2017-12-25 | 2018-05-25 | 中国电力科学研究院有限公司 | 一种风电功率超短期预测方法及系统 |
| CN108320050A (zh) * | 2018-01-11 | 2018-07-24 | 国家电网公司 | 一种基于风速预报提高光伏短期功率预测精度的方法 |
-
2019
- 2019-01-16 CN CN201910038987.9A patent/CN109816165B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN103440529A (zh) * | 2013-08-12 | 2013-12-11 | 新疆大学 | 一种风电功率预测系统的横向误差平移修正方法 |
| CN103473438A (zh) * | 2013-08-15 | 2013-12-25 | 国家电网公司 | 风功率预测模型优选及修正方法 |
| CN103729501A (zh) * | 2013-12-18 | 2014-04-16 | 国网山西省电力公司晋中供电公司 | 基于灰色理论的短期电力负荷预测方法 |
| CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
| CN106447098A (zh) * | 2016-09-22 | 2017-02-22 | 许昌许继软件技术有限公司 | 一种光伏超短期功率预测方法及装置 |
| CN107230977A (zh) * | 2017-05-05 | 2017-10-03 | 浙江工商大学 | 基于误差修正和提升小波组合预测模型的风电功率预测方法 |
| CN108074015A (zh) * | 2017-12-25 | 2018-05-25 | 中国电力科学研究院有限公司 | 一种风电功率超短期预测方法及系统 |
| CN108320050A (zh) * | 2018-01-11 | 2018-07-24 | 国家电网公司 | 一种基于风速预报提高光伏短期功率预测精度的方法 |
Non-Patent Citations (2)
| Title |
|---|
| "基于线性回归的风电功率预测误差修正方法";杨红英 等;《电力系统及其自动化学报》;20130831;全文 * |
| "计及历史数据熵关联信息挖掘的短期风电功率预测";史坤鹏 等;《电力系统自动化》;20170210;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109816165A (zh) | 2019-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109816165B (zh) | 风电超短期功率预测方法及系统 | |
| CN109543295B (zh) | 数值天气预报的气象要素数据处理方法及装置 | |
| CN107038292B (zh) | 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法 | |
| CN111428201B (zh) | 基于经验模态分解和前馈神经网络对时序数据的预测方法 | |
| CN111144663B (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 | |
| Omane-Adjepong et al. | Determining the better approach for short-term forecasting of ghana’s inflation: Seasonal ARIMA Vs holt-winters | |
| CN113657668A (zh) | 基于lstm网络的电力负荷预测方法及系统 | |
| CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
| CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
| CN111222687A (zh) | 基于同源异构神经网络的电力负荷概率预测方法及装置 | |
| CN111159640A (zh) | 适用于网格预报的小雨消空方法、消空系统、电子设备及存储介质 | |
| CN114519470A (zh) | 一种风电中长期发电量预测方法及装置 | |
| JP2020171217A (ja) | 収穫量予測方法、装置およびプログラム | |
| CN112836885A (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
| CN116842440A (zh) | 基于情境感知的自适应链路切换方法及系统、设备、介质 | |
| CN109376957B (zh) | 一种火电厂负荷的预测方法 | |
| CN116388184A (zh) | 一种基于风速日波动特征的超短期风速修订方法、系统 | |
| CN113642766B (zh) | 一种电力系统站点停电数的预测方法、装置、设备及介质 | |
| CN116205123A (zh) | 一种超短期风电场功率预测方法及系统 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| CN111859286B (zh) | 一种疫情影响下售电量精准预测方法 | |
| Pinson et al. | Generation of statistical scenarios of short-term wind power production | |
| CN114169704B (zh) | 产品生产过程质量控制方法、装置、设备及存储介质 | |
| CN116720630B (zh) | 一种基于时间序列的煤矿原煤产量预测方法、设备及介质 | |
| CN116049768B (zh) | 基于广义线性回归模型的主被动微波土壤水分融合算法 |
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 |