CN110265996A - 一种适于光伏/风电功率预测的时间特征尺度建模方法 - Google Patents
一种适于光伏/风电功率预测的时间特征尺度建模方法 Download PDFInfo
- Publication number
- CN110265996A CN110265996A CN201910461328.6A CN201910461328A CN110265996A CN 110265996 A CN110265996 A CN 110265996A CN 201910461328 A CN201910461328 A CN 201910461328A CN 110265996 A CN110265996 A CN 110265996A
- Authority
- CN
- China
- Prior art keywords
- photovoltaic
- wind
- power
- active power
- electricity generation
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Photovoltaic Devices (AREA)
- Control Of Electrical Variables (AREA)
Abstract
一种适于光伏/风电功率预测的时间特征尺度建模方法,属于新能源发电技术领域,首先利用三次样条插值法对持续变动状态功率曲线进行分段线性拟合,采用算术平均值法消除同一水平线上的相同极大或极小值点,构造反映光伏/风电有功功率持续变动状态的梯形图,通过建立的基于多目标优化的间歇式能源有功功率时间特征尺度仿真模型,确定间歇式能源有功功率最佳的时间特征尺度。本发明适应于光伏/风电电站,具有适用性强、应用性广等优点。同时对于规律性和周期性较强的数据信息,能够提高光伏/风电电站有功功率短期预测精度,满足电网调度需求。
Description
技术领域
本发明属于新能源发电技术领域,特别是涉及到一种适于光伏/风电功率预 测的时间特征尺度建模方法。
背景技术
风电/光伏发电作为一种清洁丰富的可再生新能源,备受国内外学者的关注。 针对风电/光伏发电的研究日趋成熟,主要集中在功率预测,优化控制及风电/光 伏/储能系统容量配置等方面。由于风电/光伏电站的数据库中存储着大量数据, 在对风电/光伏出力数据进行分析时,需要考虑数据采集的密集程度与采集数量, 即数据的采样时间特征尺度和数据跨度。在采集跨度一定的情况下,如果时间 特征尺度很小,会大大增加测量和计算的工作量,数据规模成倍增长,也会增 加随机干扰和其他非物理性因素的干扰;如果时间特征尺度过大,即使数据规 模迅速下降,也会疏漏数据记录的重要信息。
目前国内外针对数据时间特征尺度选择已有一定成果,常见的时间特征尺 度度从1s至60min各有不同。针对数据时间特征尺度的研究主要集中在对高 频的时间序列进行降频采样,分析在不同的时间尺度上对模型某些特征量的灵 敏度变化。然而风电/光伏电站出力时间序列具有一定周期性变化特点,针对间 歇性能源的时间特征尺度研究方面还不成熟,目前国内外还没有相似的研究成 果。同时不同的时间特征尺度对于光伏/风电有功功率超度其预测精度有重要的 影响。因此现有技术当中亟需要一种新型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:提供一种适于光伏/风电功率预测的时间特 征尺度建模方法,适应于光伏/风电电站,具有适用性强、应用性广等优点。同 时对于规律性和周期性较强的数据信息,能够提高光伏/风电电站有功功率短期 预测精度,满足电网调度需求。
一种适于光伏/风电功率预测的时间特征尺度建模方法,其特征是:包括以 下步骤,且以下步骤顺次进行,
步骤一、通过数据采集与监控系统读取全年光伏/风电电站有功功率的历史 数据P*;
步骤二、对光伏/风电电站的有功功率历史数据P*进行预处理,起点补0, 末尾补0,得到新的有功功率时间序列P,计算每日时间序列P的长度N;
步骤三、利用三次样条线性插值法对步骤二得到的新的有功功率时间序列 P的持续状态进行分段线性化拟合,得到光伏/风电电站有功功率的分段线性拟 合曲线;
步骤四、提取所述步骤三获得的分段线性拟合曲线的极大值点和极小值点, 建立光伏/风电电站有功功率波动特征指标;
步骤五、根据光伏/风电电站日有功功率波动状态,提取有功功率持续波动 状态特征,建立基于多目标优化的光伏/风电电站有功功率时间特征尺度模型, 并利用蚁群算法对该模型进行求解,进行光伏/风电电站有功功率的时间特征尺 度标定,获得最佳时间特征尺度;
步骤六、将所述步骤五获得的最佳时间特征尺度代入光伏\风电功率超短期 预测模型,验证各时间尺度对光伏\风电功率预测精度的影响。
所述步骤三中三次样条线性插值法对新的有功功率时间序列P的持续状态 进行分段线性化拟合方法为,
令Mi=S″(xi)
插值条件为:
S(xi)=f(xi),(i=1,2,...,N)
其中,Mi=S″(xi)为待定参数;S”(x)是三样插值函数S(x)的二阶导数; x=[x1,x2,...,xN]是每日光伏/风电有功功率时间序列;N是每日光伏/风电有功 功率时间序列的数据长度;
经过两次积分,得到三次样条插值函数S(x)的表达式为:
其中,hi-1=xi-xi-1;yi=f(xi)=P(i)为任意时刻的风电/光伏输出功率;
根据三次自然样条插值法,增加自然边界条件:
得到如下方程组:
式中,
求解上述方程组,求得Mi(i=1,2,...,N)并将其代入公式,得到S(x)在每个子区间[xi-1,xi](i=2,3,...,N)上的三次样条函数。
所述步骤四中,建立光伏/风电电站有功功率波动特征指标为,
①、根据光伏/风电电站有功功率分段线性拟合曲线,依次计算光伏/风电电 站有功功率相邻极值点之差ΔP(i),计算公式如下:
ΔP(i)=P(i+1)-P(i),(1≤i<N)
其中,ΔP(i)>0,光伏/风电电站有功功率曲线在该步长内单调递增;
ΔP(i)<0,光伏/风电电站有功功率曲线在该步长内单调递减;
②、对ΔP(i)再次计算差值ΔP′(i)=(P(i+1)-2×P(i)+P(i-1))/2,差值ΔP′(i)=0, 依据极大值、极小值的判断条件,确定该步长内的光伏/风电电站有功功率P的 极大值或极小值以及对应的位置序号;
极大值判断条件:ΔP′(i)<0,光伏/风电电站有功功率曲线在该步长内存在 极大值,当P(i-1)≤P(i)且P(i)≥P(i+1)时,P(i)为极大值点;
极小值判断条件:ΔP′(i)>0,光伏/风电电站有功功率曲线在该步长内存在 极小值,当P(i-1)≥P(i)且P(i)≤P(i+1)时,P(i)为极小值点;
③、建立光伏/风电电站有功功率持续状态向量矩阵W及其有功功率持续时 间特征向量矩阵Ti:
Ti=[T1 T2...Tn](i=1,2...n)
其中,W1,n为极值点的类型,W1,n=1时为极大值,W1,n=-1时为极小值; W2,n为该极值点所对应的光伏/风电有功功率值;b为极值点的位置序号;n为每 日有功功率持续时间的数据长度;
④、相邻的极大值点或极小值点相同,对同一水平线上的极值进行筛选,选 取相邻极值点所对应的起始时间序列号α和终点时间序列号β的算术平均值q,并 将其作为新的极值点所对应的时间特征序列号0<α<q<β<n,剔 除冗余的极大、极小值点,得到新的光伏/风电电站有功功率持续状态向量矩阵 W*及其有功功率持续变动时间特征向量矩阵Ti *:
其中,k是剔除冗余极值之后的有功功率持续时间的数据长度;
⑤、计算该时间序列的持续波动状态特征指标,计算公式如下:
各相邻极值点所对应的时间特征量:ΔTk=tk+1-tk;
各相邻极值点的波动幅值:ΔPk=w2,k+1-w2,k;
各相邻极值点所构成的直线斜率:
各相邻极值点围城的三角形面积:
其中,tk、tk+1为相邻极值点k、k+1所对应的时间特征量;w2,k,w2,k+1为 相邻极值点k、k+1所对应的光伏/风电有功功率值。
所述步骤五中,基于多目标优化的光伏/风电电站有功功率时间特征尺度模 型建立方法为,
目标函数:
约束条件:
其中,f1、f2、f3、f4分别为目标函数1、目标函数2、目标函数3、目标 函数4;rk为波动率;Prat为光伏/风电电站的额定功率。
所述步骤六中,结合光伏/风电功率的出力特性,利用绝对马尔可夫链实 现光伏/风电功率超短期预测,具体步骤如下:
①、选择建立模型的数据并进行预处理;
②、将处理后的数据按照等分法划分N个状态,取历史数据的最大值作为 上限,记作Pmax。将[0,Pmax]区间内的数N等分,则ε=Pmax/N;
③、对状态序列{x1,x2,…,xn}进行统计计算,得到转移频数矩阵fij(i,j∈S)和 一步转移概率矩阵Pij,其中fi为状态序列中状态i出现次数的总和;
④、马氏性检验:当n充分大时,计算统计量如果则认为该序列具有马氏性,其中α=0.05为显著性水平;
⑤、计算初始状态分布:设初始状态向量为n×1维的行向量,s0处于状态Si ((1≤i≤N))区间内,则初始状态向量的第i列为1,其余列均为0,即 P0=[0 0…li…0];
⑥、通过初始数据得到初始概率向量,结合一步转移概率矩阵,求得预测 时刻的概率分布P(k)=P0Pk,k是时间间距;
⑦、预测值提取,预测值所处状态空间为所得概率分布中最大值对应的状 态空间,预测值为该空间的平均值。
通过上述设计方案,本发明可以带来如下有益效果:一种适于光伏/风电功 率预测的时间特征尺度建模方法,首先利用三次样条插值法对持续变动状态功 率曲线进行分段线性拟合,采用算术平均值法消除同一水平线上的相同极大或 极小值点,构造反映光伏/风电有功功率持续变动状态的梯形图,通过建立的基 于多目标优化的间歇式能源有功功率时间特征尺度仿真模型,确定间歇式能源 有功功率最佳的时间特征尺度。该方法适应于光伏/风电电站,具有适用性强、 应用性广等优点。同时对于规律性和周期性较强的数据信息,能够提高光伏/风 电电站有功功率短期预测精度,满足电网调度需求。
附图说明
以下结合附图和具体实施方式对本发明作进一步的说明:
图1为本发明一种适于光伏/风电功率预测的时间特征尺度建模方法流程示 意框图。
图2为本发明三次样条插值拟合曲线与原始光伏功率曲线对比结果示意图。
图3为本发明多目标粒度标定模型初始解空间示意图Ⅰ。
图4为本发明多目标粒度标定模型初始解空间示意图Ⅱ。
图5为本发明不同时间特征尺度下的光伏/风电有功功功率超短期预测精度 对比曲线示意图。
具体实施方式
一种适于光伏/风电功率预测的时间特征尺度建模方法,如图1所示,包括 以下步骤,
步骤一:由数据采集与监视控制系统读取全年光伏/风电电站有功功率的历 史数据P*;
步骤二:对光伏/风电电站的有功功率历史数据P*进行预处理,起点补0, 末尾补0,得到新的有功功率时间序列P,计算每日时间序列P的长度N;
步骤三:利用三次样条线性插值法对步骤2得到的新的有功功率时间序列P 进行分段线性化拟合,得到光伏/风电电站有功功率的分段线性拟合曲线;
步骤四:提取步骤3得到的分段线性拟合曲线的极大值点和极小值点,建 立光伏/风电电站有功功率的波动特征指标;
步骤五:根据光伏/风电电站的日有功功率变动状态,提取有功功率持续波 动状态特征,建立基于多目标优化的光伏/风电电站有功功率时间特征尺度模型, 并利用蚁群算法对该模型进行求解,实现光伏/风电电站有功功率的时间特征尺 度标定;
步骤六:将得到的最佳时间特征尺度代入光伏\风电功率超短期预测模型, 验证不同时间尺度对光伏\风电功率预测精度的影响。
附图2为三次样条插值拟合曲线与功率持续变动特征挖掘指标提取,图2 所示,所述方法包括如下步骤:
S1:令Mi=S″(xi).
插值条件为:
S(xi)=f(xi),(i=1,2,...,N)
其中,Mi=S″(xi)为待定参数;S”(x)是三样插值函数S(x)的二阶导数; x=[x1,x2,...,xN]是每日光伏/风电有功功率时间序列;N是每日光伏/风电有功 功率时间序列的数据长度。
S2:经过两次积分,得到三次样条插值函数S(x)的表达式为:
其中,hi-1=xi-xi-1;yi=f(xi)=P(i)为任意时刻的风电/光伏输出功率。
S3:根据三次自然样条插值法,增加自然边界条件:
得到如下方程组:
式中,
S4:求解上述方程组,求得Mi(i=1,2,...,N)并将其代入公式,得到S(x)在每个子区间[xi-1,xi](i=2,3,...,N)上的三次样条函数。
S5:根据光伏/风电电站有功功率分段线性拟合曲线,依次计算相邻光伏/ 风电电站有功功率相邻极值点之差ΔP(i),计算公式如下:
ΔP(i)=P(i+1)-P(i),(1≤i<N)
当ΔP(i)>0时,表明光伏/风电电站有功功率曲线在该步长内单调递增;
当ΔP(i)<0时,表明光伏/风电电站有功功率曲线在该步长内单调递减;
S6:对ΔP(i)再次计算差值ΔP′(i)=(P(i+1)-2×P(i)+P(i-1))/2,令差值ΔP′(i)=0, 依据极大值、极小值的判断条件,确定该步长内的光伏/风电电站有功功率P的 极大值或极小值以及对应的位置序号;
极大值判断条件:当ΔP′(i)<0时,表明光伏/风电电站有功功率曲线在该步 长内存在极大值,即当P(i-1)≤P(i)且P(i)≥P(i+1)时,P(i)是极大值点;
极小值判断条件:当ΔP′(i)>0时,表明光伏/风电电站有功功率曲线在该步 长内存在极小值,即当P(i-1)≥P(i)且P(i)≤P(i+1)时,P(i)是极小值点;
S7:建立光伏/风电电站有功功率持续状态向量矩阵W及其有功功率持续 时间特征向量矩阵Ti:
Li=[T1 T2...Tn](i=1,2,...,n)
其中,W1,n表示极值点的类型;W1,n=1时表示极大值,W1,n=-1时表示 极小值;W2,n表示该极值点所对应的光伏/风电有功功率值;b表示的是极值点的 位置序号;n是每日有功功率持续时间的数据长度。
S8:当相邻的极大值点或极小值点相同时,对同一水平线上的极值进行筛 选,选取相邻极值点所对应的起始时间序列号α和终点时间序列号β的算术平均 值q,并将其作为新的极值点所对应的时间特征序列号 0<α<q<β<n,剔除冗余的极大、极小值点,得到新的光伏/风 电电站有功功率持续状态向量矩阵W*及其有功功率持续变动时间特征向量矩阵 Ti *:
其中,k是剔除冗余极值之后的有功功率持续时间的数据长度。
S9:计算该时间序列的持续波动状态特征指标,计算公式如下:
各相邻极值点所对应的时间特征量:ΔTk=tk+1-tk;
各相邻极值点的波动幅值:
各相邻极值点所构成的直线斜率(爬坡率):
各相邻极值点围城的三角形面积:
其中,tk、tk+1为相邻极值点k、k+1所对应的时间特征量;w2,k,w2,k+1为 相邻极值点k、k+1所对应的光伏/风电有功功率值。
在时间特征量一定的情况下,通过挖掘光伏/风电电站有功功率的持续变动 极限状态,可以合理的标定光伏/风电有功功率时间特征尺度。在该时间序列中, 持续变动极限状态应同时满足各相邻极值点所对应的时间特征量最短、各相邻 极值点所构成的直线斜率最大、由各相邻极值点的波动幅值和所对应极值点的 时间特征量围成的三角形面积最大以及波动率λ最小等4个目标函数。根据上 述约束条件可以得出持续变动极限状态,以此状态的持续时间确定光伏/风电电 站的最佳时间特征尺度。
附图3和附图4为多目标粒度标定模型初始解空间,可以看出采用该算法 求解的有效性。
利用蚁群算法对该模型进行求解,需要优化的变量有3个,即各相邻极值 点之间的时间特征量间隔Tk、各相邻极值点的波动幅值Pk以及各相邻极值点之和 PSumk,通过优化变量Tk、Pk和PSumk,得出持续变动极限状态,根据所述状态的持 续时间确定光伏/风电电站的最佳时间特征尺度,即帕累托Pareto最优解。其中, 在寻找Pareto最优解的同时,须满足Tk越小越好。
附图5为不同时间特征尺度下的光伏/风电有功功功率超短期预测精度对比 曲线,分别对粒度值取1s、45s、60s、120s、300s时的光伏功率预测结果,计 算三个误差评价指标,如表1所示:
表1不同采样粒度下的光伏功率预测精度
从表中结果可以看出来,当粒度增大时,1s~45s的变化很微小,60s开始 误差增幅变大,预测误差略大。因此取粒度值为60s作为预测模型的最佳采样时 间间隔,即可以有效的记录光伏功率的重要波动,节约了经济成本,同时也可 以保证了预测算法所需要的数据量的要求。
此实施例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。因此,本发明的保护范 围应该以权利要求的保护范围为准。
Claims (5)
1.一种适于光伏/风电功率预测的时间特征尺度建模方法,其特征是:包括以下步骤,且以下步骤顺次进行,
步骤一、通过数据采集与监控系统读取全年光伏/风电电站有功功率的历史数据P*;
步骤二、对光伏/风电电站的有功功率历史数据P*进行预处理,起点补0,末尾补0,得到新的有功功率时间序列P,计算每日时间序列P的长度N;
步骤三、利用三次样条线性插值法对步骤二得到的新的有功功率时间序列P的持续状态进行分段线性化拟合,得到光伏/风电电站有功功率的分段线性拟合曲线;
步骤四、提取所述步骤三获得的分段线性拟合曲线的极大值点和极小值点,建立光伏/风电电站有功功率波动特征指标;
步骤五、根据光伏/风电电站日有功功率波动状态,提取有功功率持续波动状态特征,建立基于多目标优化的光伏/风电电站有功功率时间特征尺度模型,并利用蚁群算法对该模型进行求解,进行光伏/风电电站有功功率的时间特征尺度标定,获得最佳时间特征尺度;
步骤六、将所述步骤五获得的最佳时间特征尺度代入光伏\风电功率超短期预测模型,验证各时间尺度对光伏\风电功率预测精度的影响。
2.根据权利要求1所述的一种适于光伏/风电功率预测的时间特征尺度建模方法,其特征是:所述步骤三中三次样条线性插值法对新的有功功率时间序列P的持续状态进行分段线性化拟合方法为,
令Mi=S″(xi)
插值条件为:
S(xi)=f(xi),(i=1,2,...,N)
其中,Mi=S″(xi)为待定参数;S”(x)是三样插值函数S(x)的二阶导数;x=[x1,x2,...,xN]是每日光伏/风电有功功率时间序列;N是每日光伏/风电有功功率时间序列的数据长度;
经过两次积分,得到三次样条插值函数S(x)的表达式为:
其中,hi-1=xi-xi-1;yi=f(xi)=P(i)为任意时刻的风电/光伏输出功率;
根据三次自然样条插值法,增加自然边界条件:
得到如下方程组:
式中,u0=0;β0=0;βn=0;λn=0;
求解上述方程组,求得Mi(i=1,2,...,N)并将其代入公式,得到S(x)在每个子区间[xi-1,xi](i=2,3,...,N)上的三次样条函数。
3.根据权利要求1所述的一种适于光伏/风电功率预测的时间特征尺度建模方法,其特征是:所述步骤四中,建立光伏/风电电站有功功率波动特征指标为,
①、根据光伏/风电电站有功功率分段线性拟合曲线,依次计算光伏/风电电站有功功率相邻极值点之差ΔP(i),计算公式如下:
ΔP(i)=P(i+1)-P(i),(1≤i<N)
其中,ΔP(i)>0,光伏/风电电站有功功率曲线在该步长内单调递增;
ΔP(i)<0,光伏/风电电站有功功率曲线在该步长内单调递减;
②、对ΔP(i)再次计算差值ΔP′(i)=(P(i+1)-2×P(i)+P(i-1))/2,差值ΔP′(i)=0,依据极大值、极小值的判断条件,确定该步长内的光伏/风电电站有功功率P的极大值或极小值以及对应的位置序号;
极大值判断条件:ΔP′(i)<0,光伏/风电电站有功功率曲线在该步长内存在极大值,当P(i-1)≤P(i)且P(i)≥P(i+1)时,P(i)为极大值点;
极小值判断条件:ΔP′(i)>0,光伏/风电电站有功功率曲线在该步长内存在极小值,当P(i-1)≥P(i)且P(i)≤P(i+1)时,P(i)为极小值点;
③、建立光伏/风电电站有功功率持续状态向量矩阵W及其有功功率持续时间特征向量矩阵Ti:
Ti=[T1 T2 ... Tn](i=1,2,...,n)
其中,W1,n为极值点的类型,W1,n=1时为极大值,W1,n=-1时为极小值;W2,n为该极值点所对应的光伏/风电有功功率值;b为极值点的位置序号;n为每日有功功率持续时间的数据长度;
④、相邻的极大值点或极小值点相同,对同一水平线上的极值进行筛选,选取相邻极值点所对应的起始时间序列号α和终点时间序列号β的算术平均值q,并将其作为新的极值点所对应的时间特征序列号0<α<q<β<n,剔除冗余的极大、极小值点,得到新的光伏/风电电站有功功率持续状态向量矩阵W*及其有功功率持续变动时间特征向量矩阵Ti *:
其中,k是剔除冗余极值之后的有功功率持续时间的数据长度;
⑤、计算该时间序列的持续波动状态特征指标,计算公式如下:
各相邻极值点所对应的时间特征量:ΔTk=tk+1-tk;
各相邻极值点的波动幅值:ΔPk=w2,k+1-w2,k;
各相邻极值点所构成的直线斜率:
各相邻极值点围城的三角形面积:
其中,tk、tk+1为相邻极值点k、k+1所对应的时间特征量;w2,k,w2,k+1为相邻极值点k、k+1所对应的光伏/风电有功功率值。
4.根据权利要求1所述的一种适于光伏/风电功率预测的时间特征尺度建模方法,其特征是:所述步骤五中,基于多目标优化的光伏/风电电站有功功率时间特征尺度模型建立方法为,
目标函数:
约束条件:
其中,f1、f2、f3、f4分别为目标函数1、目标函数2、目标函数3、目标函数4;rk为波动率;Prat为光伏/风电电站的额定功率。
5.根据权利要求1所述的一种适于光伏/风电功率预测的时间特征尺度建模方法,其特征是:所述步骤六中,结合光伏/风电功率的出力特性,利用绝对马尔可夫链实现光伏/风电功率超短期预测,具体步骤如下:
①、选择建立模型的数据并进行预处理;
②、将处理后的数据按照等分法划分N个状态,取历史数据的最大值作为上限,记作Pmax。将[0,Pmax]区间内的数N等分,则ε=Pmax/N;
③、对状态序列{x1,x2,…,xn}进行统计计算,得到转移频数矩阵fij(i,j∈S)和一步转移概率矩阵Pij,其中fi为状态序列中状态i出现次数的总和;
④、马氏性检验:当n充分大时,计算统计量如果则认为该序列具有马氏性,其中α=0.05为显著性水平;
⑤、计算初始状态分布:设初始状态向量为n×1维的行向量,s0处于状态Si((1≤i≤N))区间内,则初始状态向量的第i列为1,其余列均为0,即P0=[0 0 …li…0];
⑥、通过初始数据得到初始概率向量,结合一步转移概率矩阵,求得预测时刻的概率分布P(k)=P0Pk,k是时间间距;
⑦、预测值提取,预测值所处状态空间为所得概率分布中最大值对应的状态空间,预测值为该空间的平均值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910140200 | 2019-02-26 | ||
CN201910140200X | 2019-02-26 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110265996A true CN110265996A (zh) | 2019-09-20 |
CN110265996B CN110265996B (zh) | 2023-04-07 |
Family
ID=67915949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910461328.6A Active CN110265996B (zh) | 2019-02-26 | 2019-05-30 | 一种适于光伏/风电功率预测的时间特征尺度建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110265996B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027229A (zh) * | 2019-12-26 | 2020-04-17 | 中南大学 | 基于稀疏异方差多样条回归的风功率曲线拟合的方法 |
CN111200298A (zh) * | 2020-01-13 | 2020-05-26 | 国网内蒙古东部电力有限公司 | 一种基于风电预测误差估计的储能电源容量优化方法 |
CN113075565A (zh) * | 2021-03-29 | 2021-07-06 | 潍柴动力股份有限公司 | 电池耐久测试工况设计方法、装置及电池耐久测试方法 |
CN116404647A (zh) * | 2023-06-09 | 2023-07-07 | 山东大学 | 计及动态汇聚特性的分布式光伏短期功率预测方法及系统 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208029A (zh) * | 2013-03-11 | 2013-07-17 | 中国电力科学研究院 | 基于净空模型的光伏电站超短期功率预测方法 |
CN104268659A (zh) * | 2014-10-09 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种光伏电站发电功率超短期预测方法 |
CN104700151A (zh) * | 2014-05-26 | 2015-06-10 | 国网辽宁省电力有限公司 | 一种基于三次样条插值曲线拟合的风电功率考核方法 |
EP2933157A1 (en) * | 2014-04-17 | 2015-10-21 | Palo Alto Research Center Incorporated | Control system for hybrid vehicles with high degree of hybridization |
CN105260789A (zh) * | 2015-09-24 | 2016-01-20 | 东北电力大学 | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 |
CN106503828A (zh) * | 2016-09-22 | 2017-03-15 | 上海电力学院 | 一种光伏输出功率超短期混沌预测方法 |
CN107194495A (zh) * | 2017-04-21 | 2017-09-22 | 北京信息科技大学 | 一种基于历史数据挖掘的光伏功率纵向预测方法 |
CN107565607A (zh) * | 2017-10-24 | 2018-01-09 | 华北电力大学(保定) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 |
CN108460501A (zh) * | 2018-05-10 | 2018-08-28 | 湖北工业大学 | 一种基于组合模型的风力电站输出功率预测方法 |
CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
CN108846527A (zh) * | 2018-08-27 | 2018-11-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏发电功率预测方法 |
-
2019
- 2019-05-30 CN CN201910461328.6A patent/CN110265996B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103208029A (zh) * | 2013-03-11 | 2013-07-17 | 中国电力科学研究院 | 基于净空模型的光伏电站超短期功率预测方法 |
EP2933157A1 (en) * | 2014-04-17 | 2015-10-21 | Palo Alto Research Center Incorporated | Control system for hybrid vehicles with high degree of hybridization |
CN104700151A (zh) * | 2014-05-26 | 2015-06-10 | 国网辽宁省电力有限公司 | 一种基于三次样条插值曲线拟合的风电功率考核方法 |
CN104268659A (zh) * | 2014-10-09 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种光伏电站发电功率超短期预测方法 |
CN105260789A (zh) * | 2015-09-24 | 2016-01-20 | 东北电力大学 | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 |
CN106503828A (zh) * | 2016-09-22 | 2017-03-15 | 上海电力学院 | 一种光伏输出功率超短期混沌预测方法 |
CN107194495A (zh) * | 2017-04-21 | 2017-09-22 | 北京信息科技大学 | 一种基于历史数据挖掘的光伏功率纵向预测方法 |
CN107565607A (zh) * | 2017-10-24 | 2018-01-09 | 华北电力大学(保定) | 一种基于实时电价机制的微电网多时间尺度能量调度方法 |
CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
CN108460501A (zh) * | 2018-05-10 | 2018-08-28 | 湖北工业大学 | 一种基于组合模型的风力电站输出功率预测方法 |
CN108846527A (zh) * | 2018-08-27 | 2018-11-20 | 云南电网有限责任公司电力科学研究院 | 一种光伏发电功率预测方法 |
Non-Patent Citations (4)
Title |
---|
SUN RONG,等: "Wind Speed Prediction Model for Multiple Sites Using Heterogeneous Spatio-Temporal Learning", 《2021 IEEE SUSTAINABLE POWER AND ENERGY CONFERENCE (ISPEC)》 * |
万筱钟,等: "西北地区风电功率波动特性概率密度及波动统计", 《电网与清洁能源》 * |
张泽麟,等: "基于神经网络的风电功率预测", 《渭南师范学院学报》 * |
陈又星,等: "《管理科学研究方法——数据模型决策》", 28 February 2013 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027229A (zh) * | 2019-12-26 | 2020-04-17 | 中南大学 | 基于稀疏异方差多样条回归的风功率曲线拟合的方法 |
CN111027229B (zh) * | 2019-12-26 | 2021-12-07 | 中南大学 | 基于稀疏异方差多样条回归的风功率曲线拟合的方法 |
CN111200298A (zh) * | 2020-01-13 | 2020-05-26 | 国网内蒙古东部电力有限公司 | 一种基于风电预测误差估计的储能电源容量优化方法 |
CN111200298B (zh) * | 2020-01-13 | 2023-03-24 | 国网内蒙古东部电力有限公司 | 一种基于风电预测误差估计的储能电源容量优化方法 |
CN113075565A (zh) * | 2021-03-29 | 2021-07-06 | 潍柴动力股份有限公司 | 电池耐久测试工况设计方法、装置及电池耐久测试方法 |
CN113075565B (zh) * | 2021-03-29 | 2022-12-13 | 潍柴动力股份有限公司 | 电池耐久测试工况设计方法、装置及电池耐久测试方法 |
CN116404647A (zh) * | 2023-06-09 | 2023-07-07 | 山东大学 | 计及动态汇聚特性的分布式光伏短期功率预测方法及系统 |
CN116404647B (zh) * | 2023-06-09 | 2023-08-29 | 山东大学 | 计及动态汇聚特性的分布式光伏短期功率预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110265996B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110265996A (zh) | 一种适于光伏/风电功率预测的时间特征尺度建模方法 | |
CN102269124B (zh) | 超短期风电场发电功率预测系统 | |
CN108022001A (zh) | 基于pca和分位数回归森林的短期负荷概率密度预测方法 | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN103390202B (zh) | 一种基于相似数据选取的光伏电站输出功率预测方法 | |
Zhang et al. | GEFCom2014 probabilistic solar power forecasting based on k-nearest neighbor and kernel density estimator | |
CN110580549B (zh) | 一种考虑天气的区域短期能源功率预测方法及系统 | |
CN110084412A (zh) | 一种基于特征转换多标签学习的光伏发电大数据预测方法 | |
CN106505631B (zh) | 智能风电风功率预测系统 | |
CN110097220B (zh) | 一种风力发电月度电量预测方法 | |
CN109995090B (zh) | 考虑用户需求特征及能源利用成本的多能互补方法 | |
CN106997495A (zh) | 一种电力负荷预测方法 | |
CN112968441B (zh) | 一种应用于大规模风电基地的电网规划方法 | |
CN102236795A (zh) | 风电场风速预测方法 | |
Yang et al. | Photovoltaic power forecasting with a rough set combination method | |
CN102930155A (zh) | 获取电力需求的预警参数的方法及装置 | |
Barque et al. | Improving wind power prediction with retraining machine learning algorithms | |
CN106354931A (zh) | 一种基于水泵特性曲线更新的泵站优化调度方法 | |
Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
CN109919382A (zh) | 考虑日周期性影响的光伏功率爬坡事件非精确概率预测方法及系统 | |
CN108808671A (zh) | 一种风电场短期风速集合预报方法 | |
CN104820869B (zh) | 一种含模型切换机制的风电功率爬坡事件预测方法 | |
CN112803491B (zh) | 一种耦合弃电风险的风光水多能互补短期优化调度方法 | |
CN113947499A (zh) | 基于分层优化模型的水、风、光规划方案集优选方法 | |
Agga et al. | Convolutional neural network (cnn) extended architectures for photovoltaic power production forecasting |
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 |