CN110400011B - 电力现货交易中风电场出力申报方案的确定方法及装置 - Google Patents
电力现货交易中风电场出力申报方案的确定方法及装置 Download PDFInfo
- Publication number
- CN110400011B CN110400011B CN201910631347.9A CN201910631347A CN110400011B CN 110400011 B CN110400011 B CN 110400011B CN 201910631347 A CN201910631347 A CN 201910631347A CN 110400011 B CN110400011 B CN 110400011B
- Authority
- CN
- China
- Prior art keywords
- prediction
- power
- wind
- sub
- output
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000009826 distribution Methods 0.000 claims description 39
- 230000008901 benefit Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 description 12
- 238000010248 power generation Methods 0.000 description 7
- 230000005611 electricity Effects 0.000 description 6
- 230000003203 everyday effect Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000230491 Gulo Species 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (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
本发明实施例提供一种电力现货交易中风电场出力申报方案的确定方法及装置。其中，方法包括：根据风电场所属区域的气象资源历史数据，确定风电场所属子区域；根据子区域的气象资源预测数据，获取子区域的风速预测结果；根据子区域的风速预测结果，获取风电场输出功率的初步预测结果；根据风电场输出功率的历史数据，获取功率的各概率预测区间，根据功率的概率预测区间对初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果。本发明实施例提供的电力现货交易中风电场出力申报方案的确定方法及装置，能在获得更准确的功率预测结果的同时最大程度提高电力交易的收益。
Description
技术领域
本发明涉及电力技术领域，更具体地，涉及一种电力现货交易中风电场出力申报方案的确定方法及装置。
背景技术
跨区域省间富余可再生能源电力现货交易试点(以下简称“跨区现货交易”)于2017年8月18日开启。该交易试点由国家电力调度控制中心和北京电力交易中心组织，卖方目前是西北、西南(主要是甘肃、新疆、宁夏、青海、四川五省)电网内的可再生能源发电企业，买方可以是受端电网公司、电力用户、售电公司以及火电企业。考虑到受端市场成熟程度，试点初期主要由电网公司代理用户参与购买。
可再生能源跨省区外送现货市场定位为各类中长期外送计划、交易之外的富余可再生能源发电的增量外送交易，是在送电省发电侧、负荷侧调节资源已经全部用尽，可再生能源仍有富余发电能力、可能造成弃水、弃风、弃光时，充分利用国调直调跨区通道富余输电能力，用市场化方式(同时不违反现有政策规定)组织开展的日前、日内跨省区外送交易。
日前、日内申报的电力主要依据上报的功率预测曲线自动给出剩余容量；风电场希望能多发电多收益，通过调高功率预测曲线的形式来调整电站出力，但是调节不准确会导致被国家电力调度控制中心考核罚款或者拉停，而且风电场自己调节没有依据，可能会多带来功率预测的考核罚款；风电场在大风期限电，限电情况下，希望成交更多的现货。
因此，现有可再生能源电力现货交易中电力现货交易中风电场出力申报方案的确定方法不能兼顾收益与预测精度，存在风电场出力申报方案与实际情况相差较大的不足。
发明内容
本发明实施例提供一种电力现货交易中风电场出力申报方案的确定方法及装置，用以解决或者至少部分地解决现有技术风电场出力申报方案与实际情况相差较大的缺陷。
第一方面，本发明实施例提供一种电力现货交易中风电场出力申报方案的确定方法，包括：
根据风电场所属区域的气象资源历史数据，确定所述风电场所属子区域；
根据所述子区域的气象资源预测数据，获取所述子区域的风速预测结果；
根据所述子区域的风速预测结果，获取风电场输出功率的初步预测结果；
根据所述风电场输出功率的历史数据，获取功率的各概率预测区间，根据所述功率的概率预测区间对所述初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果。
优选地，所述根据所述风电场输出功率的历史数据，获取功率的各概率预测区间的具体步骤包括：
根据Bootstrap方法，将所述风电场输出功率的历史数据按照每一功率区间进行置信区间估计，获取所述各概率预测区间。
优选地，所述根据所述功率的概率预测区间对所述初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果的具体步骤包括：
对于每一所述概率预测区间，根据所述初步预测结果在所述概率预测区间计算预测收益和预测考核罚款，获取所述概率预测区间中使得预测收益与预测考核罚款之差最大的输出功率预测值；
根据各所述概率预测区间中使得预测收益与预测考核罚款之差最大的输出功率预测值，获取所述输出功率预测结果。
优选地，所述根据所述子区域的风速预测结果，获取风电场输出功率的初步预测结果的具体步骤包括：
根据所述子区域的风速预测结果和威布尔分布，获取所述子区域的出力；
根据所述子区域的出力和博弈论，获取达到纳什平衡的所述子区域中各风电场输出功率的初步预测结果。
优选地，所述根据所述子区域的出力和博弈论，获取达到纳什平衡的所述子区域中各风电场输出功率的初步预测结果的具体步骤包括：
基于古诺模型，将所述子区域的出力作为市场容量，根据所述子区域中各风电场的成本和所述市场容量进行博弈，获取所述子区域中各风电场输出功率的初步预测结果。
优选地，所述根据风电场所属区域的气象资源历史数据，确定所述风电场所属子区域的具体步骤包括：
根据所述风电场所属区域的气象资源历史数据，将所述风电场所属区域划分成多个子区域，并确定所述风电场所属子区域。
优选地，所述根据所述风电场所属区域的气象资源历史数据，将所述风电场所属区域划分成多个子区域的具体步骤包括：
根据经验正交函数分析方法对所述风电场所属区域的气象资源历史数据进行分析，将所述风电场所属区域划分成多个子区域。
第二方面，本发明实施例提供一种电力现货交易中风电场出力申报方案的确定装置，包括：
区域划分模块，用于根据风电场所属区域的气象资源历史数据，确定所述风电场所属子区域；
风速预测模块，用于根据所述子区域的气象资源预测数据，获取所述子区域的风速预测结果；
功率预测模块，用于根据所述子区域的风速预测结果，获取风电场输出功率的初步预测结果；
结果修正模块，用于根据所述风电场输出功率的历史数据，获取功率的各概率预测区间，根据所述功率的概率预测区间对所述初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果。
第三方面，本发明实施例提供一种电子设备，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，执行所述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电力现货交易中风电场出力申报方案的确定方法的步骤。
第四方面，本发明实施例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电力现货交易中风电场出力申报方案的确定方法的步骤。
本发明实施例提供的电力现货交易中风电场出力申报方案的确定方法及装置，通过概率预测方法获取输出功率初步预测结果的预测精度带来的考核罚款，结合预测收益与预测考核罚款，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定电力现货交易中风电场出力申报方案的确定结果，能够兼顾电力现货交易带来的收益与预测精度，能在获得更准确的输出功率预测结果的同时最大程度的提高电力交易的收益，能获得更符合实际的风电场出力申报方案并能减少风力的损失。
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一简单地介绍，显而易见地，下面描述中的附图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，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例提供的电力现货交易中风电场出力申报方案的确定方法的流程示意图；
图2为根据本发明实施例提供的电力现货交易中风电场出力申报方案的确定装置的结构示意图；
图3为根据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、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作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。
为了克服现有技术的上述问题，本发明实施例提供一种电力现货交易中风电场出力申报方案的确定方法及装置，其发明构思是，根据概率预测方法获取输出功率初步预测结果的预测精度带来的考核罚款，结合预测收益与预测考核罚款，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力的最终申报方案电力现货交易中风电场出力申报方案的确定，向调度中心进行申报，从而能够兼顾电力现货交易带来的收益与预测精度。
图1为根据本发明实施例提供的电力现货交易中风电场出力申报方案的确定方法的流程示意图。如图1所示，该方法包括：步骤S101、根据风电场所属区域的气象资源历史数据，确定风电场所属子区域。
需要说明的是，本发明实施例提供的电力现货交易中风电场出力申报方案的确定方法，适用于向可再生能源电力现货交易提供电力的风电场。
可以理解的是，步骤S101之前，先获取风电场所属区域的气象资源历史数据。
通过大气模式模拟历史多年(例如30年)的气象资源，通过历史气象资源，能够精确掌握风力能源的分布情况。
可以利用欧洲中心(ECMWF)ERA-interim数据或美国NCAR/NCEP的再分析资料的历史多年数据分别作为初始场驱动大气模式。
风电场所属区域可以包括多个子区域。
通过对风电场所属区域的气象资源历史数据的分析，获取风电场所属区域的气象资源的分布特征，根据风电场所属区域的气象资源的分布特征，可以将风电场所属区域划分为多个子区域，使得不同子区域内的气象资源的分布特征不同。
将风电场所属区域划分成多个子区域之后，可以确定每个子区域中的各风电场，从而可以根据每一风电场的气象资源历史数据和子区域的划分结果，以确定该风电场所属的子区域。
步骤S102、根据子区域的气象资源预测数据，获取子区域的风速预测结果。
具体地，可以利用子区域的气象资源预测数据，如欧洲中心(ECMWF)ERA-interim数据或美国NCAR/NCEP的再分析资料对未来的预测数据，从中获取风电场所属子区域的气象资源预测数据。
对预测出来的网格化气象资源分布结果，可以结合多年观测资料进行订正或同化，使预测结果更加准确。
在预测结果的基础上，可以每天定时对未来的风速进行预测，获取风电场所属子区域的风速预测结果。
通常风电场每天向调度中心申报次日的输出功率预测结果，因此，步骤S101中相应地获取次日的风速预测结果。
由于每天的风速是不断变化的，通常获取每天中的多个时刻的风速预测结果。多个时刻可以为等间隔的24、48、72或96个时刻。
步骤S103、根据子区域的风速预测结果，获取风电场输出功率的初步预测结果。
需要说明的是，风力发电因风速不确定性和不稳定性,它是否处于发电状态及出力大小都决定于风速的状况,风速的不稳定性和间歇性决定了风电的出力也具有波动性和间歇性的特点。风速预测是进行风电出力预测的前提。出力，即输出功率。
具体地，根据子区域的风速预测结果和预先获得的风速概率密度函数，获取风电场输出功率的初步预测结果。
风速概率密度函数，可以根据风电场子区域风速的历史实测数据，基于概率分布模型获取。
概率分布模型可以对风速分布进行拟合。概率分布模型可以为威布尔(Weibull)分布、瑞利(Rayleigh)分布或对数正态(Lognormal)分布等。
步骤S104、根据风电场输出功率的历史数据，获取功率的各概率预测区间，根据功率的概率预测区间对初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果。
需要说明的是，通常风电场每天向调度中心申报次日的输出功率预测结果，若次日的实际输出功率与申报的结果存在较大的差异，调度中心会根据差异的大小进行考核罚款，甚至拉停(即停止交易)。因此，申报高的输出功率预测结果实际上并不一定能带来高的实际收益。
为了获得更大的实际收益，可以对风电场输出功率的初步预测结果进行修正，以减少修正后的预测结果与实际输出功率之间的差异。
可以基于风电场输出功率的历史数据和概率预测进行修正。
基于历史数据分布的建模方法在一定程度上反映了风电场输出功率随机变量真实的分布特征，较为合理的量化了电力交易收益最大化与功率预测精度，结合风电功率预测技术及不确定性分析结果，推断未来风电出力在所有置信水平下的分布，即输出功率的概率密度预测分布。概率预测是对未来风电不确定性最全面的估计，可以更好的应用于电力交易的申报决策。
将风电场输出功率的历史数据中的每一个值作为一个样本，基于概率论和数量统计的方法，对各样本按照每一功率区间进行置信区间估计，获取功率的各概率预测区间。
对于每一概率预测区间，根据初步预测结果在概率预测区间计算预测收益和预测考核罚款，获取概率预测区间中使得预测收益与预测考核罚款之差最大的输出功率预测值。
预测收益与预测考核罚款之差，即实际利润的预测值。
根据各概率预测区间中使得预测收益与预测考核罚款之差最大的输出功率预测值，获取输出功率预测结果，将此时获得的修正后的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果，向调度中心申报。
需要说明的是，每天将前一日的风速实测数据和输出功率的实际数据分别加入历史气象数据和输出功率的历史数据中，以更新历史数据，获得更准确的输出功率预测结果。
本发明实施例通过概率预测方法获取输出功率初步预测结果的预测精度带来的考核罚款，结合预测收益与预测考核罚款，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果，能够兼顾电力现货交易带来的收益与预测精度，能在获得更准确的输出功率预测结果的同时最大程度的提高电力交易的收益，能获得更符合实际的风电场出力申报方案，并能减少风力的损失。
基于上述各实施例的内容，根据风电场输出功率的历史数据，获取功率的各概率预测区间的具体步骤包括：根据Bootstrap方法，将风电场输出功率的历史数据按照每一功率区间进行置信区间估计，获取各概率预测区间。
具体地，可以根据Bootstrap方法获取各概率预测区间。
基于非参数Bootstrap方法的概率预测模型在预测时无需假设各变量的分布类型，便可直接从历史误差数据分析获得所需信息，从而实现区间预测，避免误差的概率分布函数形式复杂时，难以求得需求的分布参数。不同风速段的误差分布相差较大，另外功率曲线的转换过程是非线性的，所以风电功率预测误差的分布更加难以用假设分布方法计算。非参数的Bootstrap方法从历史数据中统计得出概率分布，对样本数据进行大量重复抽样，实现未来的概率区间预测。
首先对功率区间进行划分，以ΔP为间隔，区间为长度为Pi＝[Pmin+(i-1)ΔP,Pmin+iΔP],i＝1,2,…,n，区间个数
其中，Pmax为风电场输出功率的历史数据中的功率最大值,Pmin为风电场输出功率的历史数据中的功率最小值，ΔP为功率间隔；n为区间数，Pi为第i个功率区间。
Bootstrap方法的的具体步骤包括：
对于样本区间Pi按放回抽样的方法，进行B次抽样，得到B个新的样本；其中，B为预设的抽样次数；
采用极大似然估计法，计算样本参数
(i＝1,...,B)；
对对
按照从小到大排序为
(j＝1,...,B)，则样本区间Pi的置信度为1-α的概率预测区间为
对每个功率区间均通过上述步骤进行置信区间估计，从而可以获得整个功率范围的概率预测区间。
本发明实施例通过Bootstrap方法将风电场输出功率的历史数据按照每一功率区间进行置信区间估计，获取各概率预测区间，能获得更准确的概率预测区间，从而能获得更符合实际的风电场出力申报方案，并能减少风力的浪费。
基于上述各实施例的内容，根据功率的概率预测区间对初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果的具体步骤包括：对于每一概率预测区间，根据初步预测结果在概率预测区间计算预测收益和预测考核罚款，获取概率预测区间中使得预测收益与预测考核罚款之差最大的输出功率预测值。
具体地，对于每一概率预测区间，预测收益＝(功率初步预测值-成本)×售电价格。
预测考核罚款，与实际输出功率与申报值之间的差异有关。差异越大，预测考核罚款越多；差异越小，预测考核罚款越少。
将概率预测区间作为实际输出功率的预测值，将初步预测结果作为申报值，从而可以计算出每一概率预测区间中的预测收益和预测考核罚款，从而可以获得该概率预测区间中使得预测收益与预测考核罚款之差最大的输出功率预测值。
根据各概率预测区间中使得预测收益与预测考核罚款之差最大的输出功率预测值，获取输出功率预测结果。
具体地，对各概率预测区间中使得预测收益与预测考核罚款之差最大的输出功率预测值进行拟合，从而可以获得最终的输出功率预测结果。最终的输出功率预测结果，可以是输出功率预测曲线。
本发明实施例根据各概率预测区间对初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果，能够兼顾电力现货交易带来的收益与预测精度，能在获得更准确的输出功率预测结果的同时最大程度的提高电力交易的收益，能获得更符合实际的风电场出力申报方案，并能减少风力的损失。
基于上述各实施例的内容，根据子区域的风速预测结果，获取风电场输出功率的初步预测结果的具体步骤包括：根据子区域的风速预测结果和威布尔分布，获取子区域的出力。
具体地，威布尔分布可以包括单参数威布尔分布、双参数威布尔分布及三参数威布尔分布等形式。
作为一个优选实施例，可以采用双参数威布尔分布进行风速概率密度描述，能更准确地描述风速分布，从而能获得更准确的子区域的出力。
双参数威布尔概率密度函数为
其分布函数为
其中，v表示风速；k和λ为参数。
k和λ，可以根据风电场所属子区域的风速历史数据进行拟合获取。
将子区域视为一个电场，则子区域的出力E为
其中，v1和v2分别表示子区域的风速预测结果中的最小值和最大值。
需要说明的是，由于获取的是多个时刻的风速预测结果，因此，对应地获取上述子区域多个时刻的出力。
根据子区域的出力和博弈论，获取达到纳什平衡的子区域中各风电场输出功率的初步预测结果。
具体地，由于子区域内可能存在多个风电场，各风电场之间对风资源存在竞争，因此，可以将子区域的出力作为竞争中的约束条件，基于博弈论，获取该子区域中各风电场输出功率的初步预测结果。上述各风电场输出功率的初步预测结果，满足纳什平衡。
本发明实施例根据威布尔分布能获得更准确的子区域的出力，且基于博弈论，考虑了风电场所在区域的资源和其他风电场，能获得更准确的输出功率预测结果，从而能根据该预测结果获得更符合实际的风电场出力申报方案，并能减少风力的损失。
基于上述各实施例的内容，根据子区域的出力和博弈论，获取达到纳什平衡的子区域中各风电场输出功率的初步预测结果的具体步骤包括：基于古诺模型，将子区域的出力作为市场容量，根据子区域中各风电场的成本和市场容量进行博弈，获取子区域中各风电场输出功率的初步预测结果。
具体地，可以采用博弈论中的古诺模型。
某一子区域内存在n个风电场，输出功率分别为q1,q2,...,qn，且qi∈(0,∞),i＝1,2,…,n，i为风电场的编号；n为正整数。
对于第i个风电场，其成本近似固定，则成本表示为c(qi)＝ci。
子区域的总输出功率Q为
售电价格p(Q)为
第i个风电场的收益为
由纳什均衡的定义可以得到，对于某风电场q1，是使在其他风电场出力为qi时，自己的利润最大，即
根据纳什平衡的定义，纳什平衡就是由各个博弈方(风电场)相互最优的策略组成的策略组合。
通过博弈，风电场可以获得包括自身所属子区域中各风电场输出功率的初步预测结果，自然也获得自身的输出功率的初步预测结果。
本发明实施例基于博弈论，兼顾全子区域与自身风电场相对水平的变化，考虑了邻近的其他风电场的影响，能获得更准确的输出功率预测结果，从而能根据该预测结果获得更符合实际的风电场出力申报方案，并能减少风力的损失。
基于上述各实施例的内容，根据风电场所属区域的气象资源历史数据，确定风电场所属子区域的具体步骤包括：根据风电场所属区域的气象资源历史数据，将风电场所属区域划分成多个子区域，并确定风电场所属子区域。
需要说明的是，风电场所属区域一般为风电所在的较大一级行政区域(如省级行政区)。对于风电场所属区域，由于该区域内地形等不同，风力资源在该区域内的分布也是不均匀的，因此，可以将该区域分成若干个子区域，进一步细化风力资源的分布。
受地形等因素的影响，不同子区域的风力资源呈现出不同的分布，因此，可以根据风电场所属区域的气象资源历史数据，将风电场所属区域划分成多个子区域。
将风电场所属区域划分成多个子区域之后，可以确定每个子区域中的各风电场，从而可以根据每一风电场的气象资源历史数据和子区域的划分结果，确定该风电场所属的子区域。
本发明实施例通过将风电场所述区域划分多个子区域，确定风电场所属的子区域，基于历史数据获取该子区域的风速预测结果，考虑了整个区域的风力资源情况，从而能根据该子区域的风速预测结果，获得更准确的输出功率预测结果，从而能根据该预测结果获得更符合实际的风电场出力申报方案，并能减少风力的损失。
基于上述各实施例的内容，根据风电场所属区域的气象资源历史数据，将风电场所属区域划分成多个子区域的具体步骤包括：根据经验正交函数分析方法对风电场所属区域的气象资源历史数据进行分析，将风电场所属区域划分成多个子区域。
具体地，可以根据经验正交函数分析方法，将风电场所属区域划分成多个子区域。
经验正交函数分析方法(Empirical Orthogonal Function，EOF)，也称特征向量分析(Eigenvector Analysis)，是一种分析矩阵数据中的结构特征，提取主要数据特征量的一种方法。
将风电场所属区域的气象资源历史数据以矩阵形式表示，记为X，矩阵X的大小为m×n，每一行表示一个空间观测点，每一列表示一个观测时间。
经验正交函数分析，就是将矩阵X分解为时间函数Z和空间函数V两部分，即
X＝VZ。
其中，Z和V也是矩阵。
矩阵XXT(m×m)的特征值所对应的特征向量为LR，矩阵XTX(n×n)的特征值所对应的特征向量为LQ，首先求XTX的特征值。
据矩阵的特征值性质有：
(XTX)LQ＝λLQ
其中，λ为矩阵XTX的任一非零特征值。
对上式左乘X有
(XTX)XLQ＝λXLQ
令L＝XLQ
则(XTX)L＝λL。
由此可知，矩阵XXT和矩阵XTX有相同的非零的特征值，而特征向量不同，但特征向量L并不是标准化的特征向量，根据其标准化可以得到标准化的特征向量LR和LQ。
获取矩阵XTX的特征值及其特征向量LQ之后，即可以求出矩阵XXT的特征向量LR，进而可以将整个区域分成多个子区域。
需要说明的是，除了可以采用标准的EOF方法之外，还可以采用扩展EOF(EEOF)方法，旋转EOF(REOF)方法，风场EOF(EOFW)方法，复变量EOF(CEOF)方法。
经验正交函数(EOF)方法，适合于分析各气候要素的原始序列或距平的空间分布特征。EOF方法没有固定的函数、能在有限区域对不规则分布的站点进行分解，展开收敛快，很容易将变量场的信息集中在几个模态上和分离出的空间结构具有一定的物理意义等优点。
本发明实施例根据经验正交函数分析方法对风电场所属区域的气象资源历史数据进行分析，将风电场所属区域划分成多个子区域，能获得更准确的区域内的资源分布，能获得更准确的子区域划分结果，从而能根据风电场所属的子区域获得更准确的输出功率预测结果，能根据该预测结果获得更符合实际的风电场出力申报方案，并能减少风力的损失。
图2为根据本发明实施例提供的电力现货交易中风电场出力申报方案的确定装置的结构示意图。基于上述各实施例的内容，如图2所示，该装置包括区域划分模块201、风速预测模块202、功率预测模块203和结果修正模块204，其中：
区域划分模块201，用于根据风电场所属区域的气象资源历史数据，确定风电场所属子区域；
风速预测模块202，用于根据风电场所属区域的气象资源历史数据，获取风电场所属子区域的风速预测结果；
功率预测模块203，用于根据子区域的风速预测结果，获取风电场输出功率的初步预测结果；
结果修正模块204，用于根据风电场输出功率的历史数据，获取功率的各概率预测区间，根据功率的概率预测区间对初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果。
具体地，区域划分模块201可以通过对风电场所属区域的气象资源历史数据的分析，将风电场所属区域划分为多个子区域，根据风电场的气象资源历史数据和子区域的划分结果，确定该风电场所属的子区域。
风速预测模块202可以利用子区域的气象资源预测数据，在该预测数据的基础上，可以每天定时对未来的风速进行预测，获取风电场所属子区域的风速预测结果。
功率预测模块203可以根据子区域的风速预测结果和预先获得的风速概率密度函数，获取风电场输出功率的初步预测结果。
风速概率密度函数，可以根据风电场子区域风速的历史实测数据，基于概率分布模型获取。
结果修正模块204可以基于风电场输出功率的历史数据和概率预测，对初步预测结果进行修正，以减少修正后的预测结果与实际输出功率之间的差异，确定最终的电力现货交易中风电场出力申报方案。
本发明实施例提供的电力现货交易中风电场出力申报方案的确定装置，用于执行本发明上述各实施例提供的电力现货交易中风电场出力申报方案的确定方法，该电力现货交易中风电场出力申报方案的确定装置包括的各模块实现相应功能的具体方法和流程详见上述电力现货交易中风电场出力申报方案的确定方法的实施例，此处不再赘述。
该电力现货交易中风电场出力申报方案的确定装置用于前述各实施例的电力现货交易中风电场出力申报方案的确定方法。因此，在前述各实施例中的电力现货交易中风电场出力申报方案的确定方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。
本发明实施例通过概率预测方法获取输出功率初步预测结果的预测精度带来的考核罚款，结合预测收益与预测考核罚款，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果，能够兼顾电力现货交易带来的收益与预测精度，能在获得更准确的输出功率预测结果的同时最大程度的提高电力交易的收益，，能获得更符合实际的风电场出力申报方案，并能减少风力的浪费。
图3为根据本发明实施例提供的电子设备的结构框图。基于上述实施例的内容，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302和总线303；其中，处理器301和存储器302通过总线303完成相互间的通信；处理器301用于调用存储在存储器302中并可在处理器301上运行的计算机程序指令，以执行上述各方法实施例所提供的电力现货交易中风电场出力申报方案的确定方法，例如包括：根据风电场所属区域的气象资源历史数据，确定风电场所属子区域；根据子区域的气象资源预测数据，获取子区域的风速预测结果；根据子区域的风速预测结果，获取风电场输出功率的初步预测结果；根据风电场输出功率的历史数据，获取功率的各概率预测区间，根据功率的概率预测区间对初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果。
本发明另一实施例公开一种计算机程序产品，计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，计算机程序包括程序指令，当程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的电力现货交易中风电场出力申报方案的确定方法，例如包括：根据风电场所属区域的气象资源历史数据，确定风电场所属子区域；根据子区域的气象资源预测数据，获取子区域的风速预测结果；根据子区域的风速预测结果，获取风电场输出功率的初步预测结果；根据风电场输出功率的历史数据，获取功率的各概率预测区间，根据功率的概率预测区间对初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果。
此外，上述的存储器302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，本发明实施例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。
本发明另一实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例所提供的电力现货交易中风电场出力申报方案的确定方法，例如包括：根据风电场所属区域的气象资源历史数据，确定风电场所属子区域；根据子区域的气象资源预测数据，获取子区域的风速预测结果；根据子区域的风速预测结果，获取风电场输出功率的初步预测结果；根据风电场输出功率的历史数据，获取功率的各概率预测区间，根据功率的概率预测区间对初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果。
以上所描述的装置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。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)执行上述各个实施例或者实施例的某些部分的方法。
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 (9)
1.一种电力现货交易中风电场出力申报方案的确定方法，其特征在于，包括：
根据风电场所属区域的气象资源历史数据，确定所述风电场所属子区域；
根据所述子区域的气象资源预测数据，获取所述子区域的风速预测结果；
根据所述子区域的风速预测结果，获取风电场输出功率的初步预测结果；
根据所述风电场输出功率的历史数据，获取功率的各概率预测区间，根据所述功率的概率预测区间对所述初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中所述风电场出力申报方案的确定结果；
所述根据所述子区域的风速预测结果，获取风电场输出功率的初步预测结果的具体步骤包括：
根据所述子区域的风速预测结果和威布尔分布，获取所述子区域的出力；
根据所述子区域的出力和博弈论，获取达到纳什平衡的所述子区域中各风电场输出功率的初步预测结果。
2.根据权利要求1所述的电力现货交易中风电场出力申报方案的确定方法，其特征在于，所述根据所述风电场输出功率的历史数据，获取功率的各概率预测区间的具体步骤包括：
根据Bootstrap方法，将所述风电场输出功率的历史数据按照每一功率区间进行置信区间估计，获取所述各概率预测区间。
3.根据权利要求2所述的电力现货交易中风电场出力申报方案的确定方法，其特征在于，所述根据所述功率的概率预测区间对所述初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果的具体步骤包括：
对于每一所述概率预测区间，根据所述初步预测结果在所述概率预测区间计算预测收益和预测考核罚款，获取所述概率预测区间中使得预测收益与预测考核罚款之差最大的输出功率预测值；
根据各所述概率预测区间中使得预测收益与预测考核罚款之差最大的输出功率预测值，获取所述输出功率预测结果。
4.根据权利要求1所述的电力现货交易中风电场出力申报方案的确定方法，其特征在于，所述根据所述子区域的出力和博弈论，获取达到纳什平衡的所述子区域中各风电场输出功率的初步预测结果的具体步骤包括：
基于古诺模型，将所述子区域的出力作为市场容量，根据所述子区域中各风电场的成本和所述市场容量进行博弈，获取所述子区域中各风电场输出功率的初步预测结果。
5.根据权利要求1至4任一所述的电力现货交易中风电场出力申报方案的确定方法，其特征在于，所述根据风电场所属区域的气象资源历史数据，确定所述风电场所属子区域的具体步骤包括：
根据所述风电场所属区域的气象资源历史数据，将所述风电场所属区域划分成多个子区域，并确定所述风电场所属子区域。
6.根据权利要求5所述的电力现货交易中风电场出力申报方案的确定方法，其特征在于，所述根据所述风电场所属区域的气象资源历史数据，将所述风电场所属区域划分成多个子区域的具体步骤包括：
根据经验正交函数分析方法对所述风电场所属区域的气象资源历史数据进行分析，将所述风电场所属区域划分成多个子区域。
7.一种电力现货交易中风电场出力申报方案的确定装置，其特征在于，包括：
区域划分模块，用于根据风电场所属区域的气象资源历史数据，确定所述风电场所属子区域；
风速预测模块，用于根据所述子区域的气象资源预测数据，获取所述子区域的风速预测结果；
功率预测模块，用于根据所述子区域的风速预测结果，获取风电场输出功率的初步预测结果；
结果修正模块，用于根据所述风电场输出功率的历史数据，获取功率的各概率预测区间，根据所述功率的概率预测区间对所述初步预测结果进行修正，获取使得预测收益与预测考核罚款之差最大的输出功率预测结果，作为电力现货交易中风电场出力申报方案的确定结果；
所述功率预测模块，具体用于根据所述子区域的风速预测结果和威布尔分布，获取所述子区域的出力；根据所述子区域的出力和博弈论，获取达到纳什平衡的所述子区域中各风电场输出功率的初步预测结果。
8.一种电子设备，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6任一项所述的电力现货交易中风电场出力申报方案的确定方法的步骤。
9.一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6任一项所述的电力现货交易中风电场出力申报方案的确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910631347.9A CN110400011B (zh) | 2019-07-12 | 2019-07-12 | 电力现货交易中风电场出力申报方案的确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910631347.9A CN110400011B (zh) | 2019-07-12 | 2019-07-12 | 电力现货交易中风电场出力申报方案的确定方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110400011A CN110400011A (zh) | 2019-11-01 |
| CN110400011B true CN110400011B (zh) | 2022-02-22 |
Family
ID=68325472
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910631347.9A Active CN110400011B (zh) | 2019-07-12 | 2019-07-12 | 电力现货交易中风电场出力申报方案的确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110400011B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110866345A (zh) * | 2019-11-21 | 2020-03-06 | 国网江苏省电力有限公司南通供电分公司 | 一种风电分布式电源模型的建立方法 |
| CN111898093B (zh) * | 2020-07-01 | 2024-02-20 | 武汉大学 | 适用于气象集合预报的多维后处理方法、装置以及系统 |
| CN115641175A (zh) * | 2022-12-26 | 2023-01-24 | 国能日新科技股份有限公司 | 新能源电站的中长期电力交易辅助决策确定方法和装置 |
| CN116258023B (zh) * | 2023-05-15 | 2023-07-18 | 中国船舶集团风电发展有限公司 | 风电场的风速预测方法及终端设备 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102570449B (zh) * | 2011-12-21 | 2013-12-11 | 西安交通大学 | 一种基于时空分布特性的区域风电功率预测方法 |
| CN102938562B (zh) * | 2012-07-19 | 2015-07-08 | 中国电力科学研究院 | 一种区域内风电总功率的预测方法 |
| US9460478B2 (en) * | 2012-12-17 | 2016-10-04 | Arizona Board Of Regents On Behalf Of Arizona State University | System and method for wind generation forecasting |
| CN104598715B (zh) * | 2014-11-07 | 2018-12-11 | 国家电网公司 | 一种基于气候态风速预测的区域风电电量预测方法 |
| CN107194499A (zh) * | 2017-04-28 | 2017-09-22 | 国网冀北电力有限公司 | 区域风电短期功率的预测方法及预测装置 |
| CN109872248B (zh) * | 2018-12-18 | 2021-07-30 | 国网青海省电力公司经济技术研究院 | 一种风电场集群出力计算方法及系统 |
-
2019
- 2019-07-12 CN CN201910631347.9A patent/CN110400011B/zh active Active
Non-Patent Citations (3)
| Title |
|---|
| 基于专用数值天气预报的风电功率预测系统;许晨宇;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20190115(第1期);C042-1438 * |
| 基于滑动分块百分位数Bootsrap法的风电功率概率区间预测;杨锡运等;《太阳能学报》;20190228;第40卷(第2期);第433-434页 * |
| 风电场发电计划上报策略研究;谢春雨;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20150315(第3期);C042-578 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110400011A (zh) | 2019-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110400011B (zh) | 电力现货交易中风电场出力申报方案的确定方法及装置 | |
| CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
| CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| CN113191828B (zh) | 一种用户用电价值等级标签构建方法、装置、设备及介质 | |
| CN103810538A (zh) | 售电量分配方法和装置 | |
| CN113159835A (zh) | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 | |
| CN114037191A (zh) | 基于大数据的虚拟电厂优化调度方法、装置、设备及介质 | |
| KR20200022255A (ko) | 에너지 발전량 및 입찰량을 기초로 에너지 저장 장치를 최적화하는 방법 및 장치 | |
| CN112836885B (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
| CN111668851A (zh) | 一种电采暖负荷调节优化方法及装置 | |
| CN116258019A (zh) | 土地利用/覆被变化的模拟方法、装置、设备及存储介质 | |
| CN112950033B (zh) | 一种基于水库调度规则合成的水库调度决策方法及系统 | |
| CN112508280B (zh) | 一种综合能源系统实时性能的评价和优化方法及系统 | |
| CN110969294A (zh) | 虚拟电厂分段出力计划确定和储能系统配置方法及装置 | |
| CN112653121A (zh) | 一种新能源微电网参与电网调频能力的评估方法及装置 | |
| CN110912162B (zh) | 一种储能装置方案的确定方法及装置 | |
| CN110782136B (zh) | 基于综合能源大数据的能源信息处理系统及方法 | |
| CN116167621A (zh) | 一种电网运行风险指标的展示方法、装置及存储介质 | |
| Alcántara et al. | networks for the quantile estimation of regional renewable energy production. Appl Intell (2022). | |
| Antonio et al. | Deep neural networks for the quantile estimation of regional renewable energy production | |
| CN116050749A (zh) | 基于深度强化学习的任务调度网络训练方法 | |
| CN115860342A (zh) | 预计送达时间的调整方法、装置、电子设备及存储介质 | |
| CN113937769A (zh) | 考虑风能出力不确定性的机组组合确定方法及装置 | |
| CN118195145A (zh) | 新能源消纳能力评价方法及装置 |
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 |