CN110807554B - 基于风电/光伏经典场景集的生成方法及系统 - Google Patents
基于风电/光伏经典场景集的生成方法及系统 Download PDFInfo
- Publication number
- CN110807554B CN110807554B CN201911058944.3A CN201911058944A CN110807554B CN 110807554 B CN110807554 B CN 110807554B CN 201911058944 A CN201911058944 A CN 201911058944A CN 110807554 B CN110807554 B CN 110807554B
- Authority
- CN
- China
- Prior art keywords
- error
- scene
- wind power
- photovoltaic
- 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
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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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)
Abstract
本发明提供一种基于风电/光伏经典场景集的生成方法及系统,包括S100,对风电/光伏的出力进行点预测;S200,结合风电/光伏的点预测数据与实测数据,对点预测误差进行归一化处理,并将其划分为训练集与测试集;S300,利用误差训练集数据,构建误差的神经网络分位数回归模型得到相应的参数;S400,利用测试集,对训练后的误差的神经网络分位数回归模型进行测试,推导出误差的概率密度分布;S500,在不同时刻对误差概率密度函数进行拉丁超立方抽样,处理得到风电/光伏出力的样本,对样本进行柯列斯基分解,得到多种初始场景;S600,对初始场景先进行初步消减,再采用后向消减法进行场景消减,得到经典场景集。
Description
技术领域
本发明涉及一种新能源出力场景集的生成,尤其具体涉及一种关于风电/光伏出力的场景生成与消减方法。
背景技术
面对传统化石能源的日益枯竭,以风能、太阳能为代表的新能源发电在电网中的渗透率与日俱增。然而,风电、光伏出力具有随机性、波动性和间歇性,这对于电网的长期规划、中期运行和短期调度提出挑战。目前的新能源出力预测软件,其短期预测精度尚可,随着预测时间尺度的增加,预测精度亦随之下降。场景分析技术通过构造少量带有概率特性的时序场景来刻画出力的随机特性,对电网的规划调度具有重大指导意义。
场景分析技术主要分为场景生成和场景消减两部分,场景生成部分产生大量符合概率特性的初始场景,场景消减部分则是用少量场景来代表大量初始场景。
场景生成方法一般分为三类:一、直接对风电、光伏出力的概率分布函数进行抽样得到初始场景;二、对预测误差的概率分布函数进行抽样,转换可以得到出力的初始场景;三、对风电、光伏出力进行数学建模,再对该模型进行抽样。
其中,抽样方法主要包括蒙特卡洛抽样法和拉丁超立方抽样法。
目前,场景消减方法中应用较多的主要有聚类消减法、后向缩减法、快速前向选择法、经验缩减法等,以及所述方法的改进方法。聚类消减法适合大规模场景的消减,难点在于聚类中心的选择和最终聚类数的确定;后向缩减法和快速前向选择法消减效果较好,缺点在于消减速度较慢;经验缩减法是由专家根据自身经验,选择若干历史场景作为代表场景,消减效果受人为因素影响大。
发明内容
本发明提供了一种风电/光伏出力经典场景集的生成方法,为电网调度提供数据支撑,以解决现有的风电/光伏点预测精度不足而导致的电网调度问题。
本发明提供了一种风电/光伏出力经典场景集的生成方法,所述方法包括:
S100,对风电/光伏的出力进行点预测;
S200,结合风电/光伏的点预测数据与实测数据,对点预测误差进行归一化处理,并将其划分为训练集与测试集;
S300,利用误差训练集数据,构建误差的神经网络分位数回归模型得到相应的参数;
S400,利用测试集,对训练后的神经网络分位数回归模型进行测试,推导出误差的概率密度分布;
S500,在不同时刻对误差概率密度函数进行拉丁超立方抽样(LHS),处理得到风电/光伏出力的样本,对样本进行柯列斯基分解,得到多种初始场景;
S600,先对初始场景先进行初步消减,再采用后向消减法进行场景消减,得到经典场景集。
优选的,S300,利用误差训练集数据,构建误差的神经网络分位数回归模型,得到相应参数,具体包括:
S310,利用公式
表示神经网络分位数回归模型输入层与输出层之间的关系,其中,
解释变量X=[x1,x2,…,xK]为输入层,对应与误差密切相关的气象因素、星期类型、点预测值等;相应变量yj为输出层;J为隐含层节点数;j=1,2,…,r;为yj的τ条件分位数;和为输出层和隐含层权重;和分别为输出层和隐含层偏移。
设置神经网络分位数回归模型的目标函数
其中,
利用利用赤池信息量准则(AIC)公式,
筛选出惩罚参数ρ和隐含层节点数J,其中D是样本数,K是输入层节点数;
S320,利用公式(4),求取不同分位点下AIC的最小值,筛选出最佳惩罚系数ρ和隐含层节点数J;
S330,将最佳惩罚系数ρ和隐含层节点数J代入公式(2),通过循环算法,使得最优估计参数θ(τ;ρ,J)最小,得到隐含层权重向量和偏移向量、输出层权重向量和偏移向量。
S340,取不同的分位点,重复S320和S330,即可得到神经网络分位数回归模型的相应参数。
优选的,S400,利用测试集数据,对训练后的神经网络分位数回归模型进行测试,推导出误差的概率密度分布。
S410,输入层的解释变量对应与风电/光伏出力密切相关的气象因素、星期类型、点预测值等,将解释变量代入训练过后的神经网络分位数回归模型,得到M个分位点的误差预测值样本。
S420,对误差预测值样本,采用MATLAB中的ksdensity函数进行非参数核密度估计,得到预测误差的概率密度函数。
优选的,S500,在N个时刻对误差概率密度函数进行拉丁超立方抽样,处理得到风电/光伏出力的样本,对样本进行柯列斯基分解,得到多种初始场景。
S510,处理第i(i=1,2,…,L)时刻的误差概率密度函数,得到累积分布函数。
S520,对累积分布函数进行拉丁超立方抽样,得到误差样本,将样本值加上该时刻点预测值,得到第i时刻风电/光伏出力的场景Pi=[Pi 1,Pi 2,…Pi M]T。
S530,遍历时间区间内各个场景,得到各时刻出力场景Pi(i=1,2,…N)。
S540,将所有场景构成M×N阶矩阵P,P=(P1,P2,…PN),对P进行柯列斯基分解。分解过后得到新矩阵M×N阶矩阵P*,P*的M个行向量Pi *(i=1,2,…,M)即M个初始场景。
优选的,S600,对初始场景集先进行K-means消减,再对初次消减过后的剩余场景集采用后向消减法进行场景消减,得到经典场景集。
本发明还提供一种基于风电/光伏经典场景集的生成系统,包括
点预测模块,对风电/光伏的出力进行点预测;
数据集生成模块,结合风电/光伏的点预测数据与实测数据,对点预测误差进行归一化处理,并将其划分为训练集与测试集;
模型构建模块,利用误差训练集数据,构建误差的神经网络分位数回归模型得到相应的参数;
测试模块,利用测试集,对训练后的误差的神经网络分位数回归模型进行测试,推导出误差的概率密度分布;
初始场景获得模块,在不同时刻对误差概率密度函数进行拉丁超立方抽样,处理得到风电/光伏出力的样本,对样本进行柯列斯基分解,得到多种初始场景;
经典场景集获得模块,对初始场景先进行初步消减,再采用后向消减法进行场景消减,得到经典场景集。
优选的,所述模型构建模块构建模型的具体过程为:
利用公式
表示误差的神经网络分位数回归模型输入层与输出层之间的关系,其中,
解释变量X=[x1,x2,…,xK]为输入层,对应与误差密切相关的气象因素、星期类型、点预测值等;相应变量yj为输出层;J为隐含层节点数;j=1,2,…,r;为yj的τ条件分位数;和为输出层和隐含层权重;和分别为输出层和隐含层偏移;
设置误差的神经网络分位数回归模型的目标函数
其中,
利用赤池信息量准则公式,
筛选出惩罚参数ρ和隐含层节点数J,
利用公式(4),求取不同分位点下赤池信息量的最小值,筛选出最佳惩罚系数ρ和隐含层节点数J;其中D是样本数,K是输入层节点数;
将最佳惩罚系数ρ和隐含层节点数J代入公式(2),通过循环算法,使得最优估计参数θ(τ;ρ,J)最小,得到隐含层权重向量和偏移向量、输出层权重向量和偏移向量;
取不同的分位点,重复S320和S330,即可得到误差的神经网络分位数回归模型的相应参数。
优选的,所述测试模块的具体测试过程为:
输入层的解释变量对应与风电/光伏出力密切相关的气象因素、星期类型、点预测值等,将解释变量代入训练过后的神经网络分位数回归模型,得到M个分位点的误差预测值样本;
对误差预测值样本,采用MATLAB中的ksdensity函数进行非参数核密度估计,得到预测误差的概率密度函数。
优选的,所述初始场景获得模块在N个时刻对误差概率密度函数进行拉丁超立方抽样,处理得到风电/光伏出力的样本,对样本进行柯列斯基分解,得到多种初始场景;
处理第i(i=1,2,…,L)时刻的误差概率密度函数,得到累积分布函数;
对累积分布函数进行拉丁超立方抽样,得到误差样本,将样本值加上该时刻点预测值,得到第i时刻风电/光伏出力的场景Pi=[Pi 1,Pi 2,…Pi M]T;
遍历时间区间内各个场景,得到各时刻出力场景Pi(i=1,2,…N);
将所有场景构成M×N阶矩阵P,P=(P1,P2,…PN),对P进行柯列斯基分解分解过后得到新矩阵M×N阶矩阵P*,P*的M个行向量Pi *(i=1,2,…,M)即M个初始场景。
优选的,所述经典场景集获得模块对初始场景集先采用聚类算法初步消减,再对初次消减过后的剩余场景集采用后向消减法进行场景消减,得到经典场景集。
本发明相比现有技术具有以下优点:
首先,结合神经网络分位数回归模型和非参数核密度估计,得到预测误差概率密度函数,充分考虑了气象因素、星期类型、点预测值等因素对预测误差的影响,得到更准确的预测误差概率密度函数。其次,本发明采用在点预测基础上加误差的方法获取初始场景,由于点预测已考虑到了出力的时序性,故生成的初始场景是时序场景。最后,本发明场景消减采用K-means消减和后向消减法结合的思想,综合了K-means消减的快速性和后向消减法的准确性,可以在得到少量代表性场景的同时节省大量时间成本。
附图说明
图1为本发明实施例1提供的一种风电/光伏经典场景集的生成方法的流程示意图。
具体实施方式
下面对本发明的实施例作详细说明,本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
本发明实施例提供了一种风电/光伏经典场景集的生成方法,下面首先就本发明实施例提供的风电/光伏经典场景集的生成方法进行介绍。
图1为本发明实施例提供的一风电/光伏经典场景集的生成方法的流程示意图,如图1所示,所述方法包括:
S100,对风电/光伏的出力进行点预测;
S200,结合风电/光伏的点预测数据与实测数据,对点预测误差进行归一化处理,并将其划分为训练集与测试集;
S300,利用误差训练集数据,构建误差的神经网络分位数回归模型得到相应的参数;
S400,利用测试集,对训练后的神经网络分位数回归模型进行测试,推导出误差的概率密度分布;
S500,在不同时刻对误差概率密度函数进行拉丁超立方抽样(LHS),处理得到风电/光伏出力的样本,对样本进行柯列斯基分解,得到多种初始场景;
S600,对初始场景先进行K-means消减,再采用后向消减法进行场景消减,得到经典场景集。
以下将对实现过程进行具体说明。
S100,对风电/光伏的出力进行点预测。
本实施例中,该步骤获得的点预测值需满足一定的精度和时序性,精度越高、时序性越好,越有利于后续场景集的生成。
S200,结合风电/光伏的点预测数据与实测数据,对点预测误差进行归一化处理,并将其划分为训练集与测试集。
本实施例中,该步骤具体包括
获取点预测数据和实测数据并对误差进行归一化,检验和修正归一化的误差值,将处理后的误差值划分为训练集与测试集,训练集与测试集的比例可由实验人员按实际情况确定。
S300,利用误差训练集数据,构建误差的神经网络分位数回归模型得到相应的参数。
本实施例中,该步骤具体包括
S310,利用公式
表示神经网络分位数回归模型输入层与输出层之间的关系,其中,
解释变量X=[x1,x2,…,xK]为输入层,对应与误差密切相关的气象因素、星期类型、点预测值等;相应变量yj为输出层;J为隐含层节点数;j=1,2,…,r;为yj的τ条件分位数;和为输出层和隐含层权重;和分别为输出层和隐含层偏移。
设置神经网络分位数回归模型的目标函数
其中,
利用利用赤池信息量准则(AIC)公式,
筛选出惩罚参数ρ和隐含层节点数J。其中D是样本数,K是输入层节点数。
S320,利用公式(4),求取某一分位点下AIC的最小值,筛选出最佳惩罚系数ρ和隐含层节点数J.
S330,将最佳惩罚系数ρ和隐含层节点数J代入公式(2),通过循环算法,使得最优估计参数θ(τ;ρ,J)最小,得到隐含层权重向量和偏移向量、输出层权重向量和偏移向量。
S340,分位点τ取不同的值,重复S320和S330,共得到M个分位点下神经网络分位数回归模型的相应参数。
S400,利用测试集,对训练后的神经网络分位数回归模型进行测试,推导出某时刻误差的概率密度分布。
本实施例中,该步骤具体包括
S410,将该时刻对应与风电/光伏出力密切相关的气象因素(风电对应风速,光伏对应温度和光照强度)、星期类型、点预测值等作为输入层的解释变量,将解释变量代入训练过后的神经网络分位数回归模型,得到L个分位点的误差预测值样本。
S420,对L个误差预测值样本,采用MATLAB中的ksdensity函数进行非参数核密度估计,得到预测误差的概率密度函数。
S500,在不同时刻对误差概率密度函数进行拉丁超立方抽样(LHS),处理得到风电/光伏出力的样本,对样本进行柯列斯基分解,得到多种初始场景。
本实施例中,该步骤具体包括
S510,处理第i(i=1,2,…,N)时刻的误差概率密度函数,再采用MATLAB中的cdf函数得到累积分布函数。
S520,对每个累积分布函数进行拉丁超立方抽样,得到M个误差样本,将样本值加上该时刻点预测值,得到第i时刻风电/光伏出力的场景Pi=[Pi 1,Pi 2,…Pi M]T。
S530,遍历时间区间内各个时刻,得到各时刻出力场景Pi(i=1,2,…N)。
S540,将所有场景构成M×N阶矩阵P,P=(P1,P2,…PN),对P进行柯列斯基分解。分解过后得到新矩阵M×N阶矩阵P*,P*的M个行向量Pi *(i=1,2,…,M)即M个初始场景,一共得到M个初始场景。
当然,M和N的数值由实验人员根据实际情况而定。
S600,对初始场景先进行K-means消减,再采用后向消减法进行场景消减,得到经典场景集。
本实施例中,该步骤具体包括
首先采用K-means消减法将N个初始场景快速消减到例如50个,得到初次消减之后的场景,再采用后向消减法将场景消减到例如5个左右,得到最终的经典场景集。当然,初次消减和最终消减过后剩余场景的数量,由实验人员根据实际情况而定。
实施例2
本实施例提供一种基于风电/光伏经典场景集的生成系统,包括
点预测模块,对风电/光伏的出力进行点预测;
数据集生成模块,结合风电/光伏的点预测数据与实测数据,对点预测误差进行归一化处理,并将其划分为训练集与测试集;
模型构建模块,利用误差训练集数据,构建误差的神经网络分位数回归模型得到相应的参数;
测试模块,利用测试集,对训练后的误差的神经网络分位数回归模型进行测试,推导出误差的概率密度分布;
初始场景获得模块,在不同时刻对误差概率密度函数进行拉丁超立方抽样,处理得到风电/光伏出力的样本,对样本进行柯列斯基分解,得到多种初始场景;
经典场景集获得模块,对初始场景先进行初步消减,再采用后向消减法进行场景消减,得到经典场景集。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于风电/光伏经典场景集的生成方法,其特征在于:
S100,对风电/光伏的出力进行点预测;
S200,结合风电/光伏的点预测数据与实测数据,对点预测误差进行归一化处理,并将其划分为训练集与测试集;
S300,利用误差训练集数据,构建误差的神经网络分位数回归模型得到相应的参数;
S400,利用测试集,对训练后的误差的神经网络分位数回归模型进行测试,推导出误差的概率密度分布;
S500,在不同时刻对误差概率密度函数进行拉丁超立方抽样,处理得到风电/光伏出力的样本,对样本进行柯列斯基分解,得到多种初始场景;
S600,对初始场景先进行初步消减,再采用后向消减法进行场景消减,得到经典场景集;
所述步骤S400包括以下步骤:
S410,输入层的解释变量对应与风电/光伏出力密切相关的气象因素、星期类型、点预测值,将解释变量代入训练过后的神经网络分位数回归模型,得到M个分位点的误差预测值样本;
S420,对误差预测值样本,采用MATLAB中的ksdensity函数进行非参数核密度估计,得到预测误差的概率密度函数;
所述步骤S500包括以下步骤:
S510,处理第i(i=1,2,…,L)时刻的误差概率密度函数,得到累积分布函数;
S520,对累积分布函数进行拉丁超立方抽样,得到误差样本,将样本值加上该时刻点预测值,得到第i时刻风电/光伏出力的场景Pi=[Pi 1,Pi 2,…Pi M]T;
S530,遍历时间区间内各个场景,得到各时刻出力场景Pi(i=1,2,…N);
S540,将所有场景构成M×N阶矩阵P,P=(P1,P2,…PN),对P进行柯列斯基分解分,解过后得到新矩阵M×N阶矩阵P*,P*的M个行向量Pi *(i=1,2,…,M)即M个初始场景。
2.根据权利要求1所述的方法,其特征在于,S300,利用误差训练集数据,构建误差的神经网络分位数回归模型,得到相应参数,具体包括:
S310,利用公式
表示误差的神经网络分位数回归模型输入层与输出层之间的关系,其中,
解释变量X=[x1,x2,…,xK]为输入层,对应与误差密切相关的气象因素、星期类型、点预测值;相应变量yj为输出层;J为隐含层节点数;j=1,2,…,r;为yj的τ条件分位数;和为输出层和隐含层权重;和分别为输出层和隐含层偏移;
设置误差的神经网络分位数回归模型的目标函数
其中,
利用赤池信息量准则公式,
筛选出惩罚参数ρ和隐含层节点数J,其中D是样本数,K是输入层节点数;
S320,利用公式(4),求取不同分位点下赤池信息量的最小值,筛选出最佳惩罚系数ρ和隐含层节点数J;
S330,将最佳惩罚系数ρ和隐含层节点数J代入公式(2),通过循环算法,使得最优估计参数θ(τ;ρ,J)最小,得到隐含层权重向量和偏移向量、输出层权重向量和偏移向量;
S340,取不同的分位点,重复S320和S330,即可得到误差的神经网络分位数回归模型的相应参数。
3.根据权利要求1所述的方法,其特征在于,S600,对初始场景集先采用聚类算法进行初步消减,再对初次消减过后的剩余场景集采用后向消减法进行场景消减,得到经典场景集。
4.基于风电/光伏经典场景集的生成系统,其特征在于,包括
点预测模块,对风电/光伏的出力进行点预测;
数据集生成模块,结合风电/光伏的点预测数据与实测数据,对点预测误差进行归一化处理,并将其划分为训练集与测试集;
模型构建模块,利用误差训练集数据,构建误差的神经网络分位数回归模型得到相应的参数;
测试模块,利用测试集,对训练后的误差的神经网络分位数回归模型进行测试,推导出误差的概率密度分布;
初始场景获得模块,在不同时刻对误差概率密度函数进行拉丁超立方抽样,处理得到风电/光伏出力的样本,对样本进行柯列斯基分解,得到多种初始场景;
经典场景集获得模块,对初始场景先进行初步消减,再采用后向消减法进行场景消减,得到经典场景集;
所述测试模块的具体测试过程为:
输入层的解释变量对应与风电/光伏出力密切相关的气象因素、星期类型、点预测值,将解释变量代入训练过后的神经网络分位数回归模型,得到M个分位点的误差预测值样本;
对误差预测值样本,采用MATLAB中的ksdensity函数进行非参数核密度估计,得到预测误差的概率密度函数;
所述初始场景获得模块在N个时刻对误差概率密度函数进行拉丁超立方抽样,处理得到风电/光伏出力的样本,对样本进行柯列斯基分解,得到多种初始场景;
处理第i(i=1,2,…,L)时刻的误差概率密度函数,得到累积分布函数;
对累积分布函数进行拉丁超立方抽样,得到误差样本,将样本值加上该时刻点预测值,得到第i时刻风电/光伏出力的场景Pi=[Pi 1,Pi 2,…Pi M]T;
遍历时间区间内各个场景,得到各时刻出力场景Pi(i=1,2,…N);
将所有场景构成M×N阶矩阵P,P=(P1,P2,…PN),对P进行柯列斯基分解分解过后得到新矩阵M×N阶矩阵P*,P*的M个行向量Pi *(i=1,2,…,M)即M个初始场景。
5.根据权利要求4所述的系统,其特征在于,所述模型构建模块构建模型的具体过程为:
利用公式
表示误差的神经网络分位数回归模型输入层与输出层之间的关系,其中,解释变量X=[x1,x2,…,xK]为输入层,对应与误差密切相关的气象因素、星期类型、点预测值;相应变量yj为输出层;J为隐含层节点数;j=1,2,…,r;为yj的τ条件分位数;和为输出层和隐含层权重;和分别为输出层和隐含层偏移;
设置误差的神经网络分位数回归模型的目标函数
其中,
利用赤池信息量准则公式,
筛选出惩罚参数ρ和隐含层节点数J,
利用公式(4),求取不同分位点下赤池信息量的最小值,筛选出最佳惩罚系数ρ和隐含层节点数J;
将最佳惩罚系数ρ和隐含层节点数J代入公式(2),通过循环算法,使得最优估计参数θ(τ;ρ,J)最小,得到隐含层权重向量和偏移向量、输出层权重向量和偏移向量;
取不同的分位点,重复S320和S330,即可得到误差的神经网络分位数回归模型的相应参数。
6.根据权利要求4所述的系统,其特征在于,所述经典场景集获得模块对初始场景集先采用聚类算法初步消减,再对初次消减过后的剩余场景集采用后向消减法进行场景消减,得到经典场景集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911058944.3A CN110807554B (zh) | 2019-10-31 | 2019-10-31 | 基于风电/光伏经典场景集的生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911058944.3A CN110807554B (zh) | 2019-10-31 | 2019-10-31 | 基于风电/光伏经典场景集的生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807554A CN110807554A (zh) | 2020-02-18 |
CN110807554B true CN110807554B (zh) | 2022-11-04 |
Family
ID=69500963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911058944.3A Active CN110807554B (zh) | 2019-10-31 | 2019-10-31 | 基于风电/光伏经典场景集的生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807554B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111507532B (zh) * | 2020-04-18 | 2022-05-24 | 东北电力大学 | 基于源-荷-温度场景深度联合生成的多能源微网优化配置方法 |
CN111934319B (zh) * | 2020-08-14 | 2022-03-11 | 合肥工业大学 | 一种基于风电典型场景集的生成方法及系统 |
CN112036758B (zh) * | 2020-09-03 | 2022-09-13 | 合肥工业大学 | 基于成分数据的灰色qrnn修正的能耗结构预测方法 |
CN112186761B (zh) * | 2020-09-30 | 2022-03-01 | 山东大学 | 一种基于概率分布的风电功率场景生成方法及系统 |
CN112465251A (zh) * | 2020-12-08 | 2021-03-09 | 上海电力大学 | 一种基于最简门控神经网络的短期光伏出力概率预测方法 |
CN113283492B (zh) * | 2021-05-19 | 2022-09-23 | 清华大学 | 基于Catboost算法的光伏出力场景生成方法及场景生成装置 |
CN116720448B (zh) * | 2023-08-09 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 一种风力发电随机模拟方法、装置、设备及介质 |
CN117713238B (zh) * | 2023-12-14 | 2024-05-07 | 国网青海省电力公司清洁能源发展研究院 | 光伏发电和储能微电网结合的随机优化运行策略 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010191839A (ja) * | 2009-02-20 | 2010-09-02 | Mitsubishi Electric Corp | エネルギー統合評価装置 |
KR101764541B1 (ko) * | 2016-06-22 | 2017-08-02 | 두산중공업 주식회사 | 풍력발전기 유지보수 장치 및 방법 |
CN109325621A (zh) * | 2018-08-29 | 2019-02-12 | 华南理工大学 | 一种园区能源互联网两阶段优化调度控制方法 |
-
2019
- 2019-10-31 CN CN201911058944.3A patent/CN110807554B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010191839A (ja) * | 2009-02-20 | 2010-09-02 | Mitsubishi Electric Corp | エネルギー統合評価装置 |
KR101764541B1 (ko) * | 2016-06-22 | 2017-08-02 | 두산중공업 주식회사 | 풍력발전기 유지보수 장치 및 방법 |
CN109325621A (zh) * | 2018-08-29 | 2019-02-12 | 华南理工大学 | 一种园区能源互联网两阶段优化调度控制方法 |
Non-Patent Citations (5)
Title |
---|
"基于动态场景集和需求响应的二阶段随机规划调度模型";仉梦林等;《电力系统自动化》;20170610;第41卷(第11期);全文 * |
"基于因子分析和神经网络分位数回归的月度风电功率曲线概率预测";李丹等;《中国机电工程学报》;20170920;第37卷(第18期);全文 * |
Energy Management System Design and Testing for Smart Buildings Under Uncertain Generation (Wind/Photovoltaic) and Demand;Syed Furqan Rafique等;《Tsinghua Science and Technology》;20180615(第03期);全文 * |
The impacts of market reform on the market penetration of natural gas-fired electricity and renewable energy in China;Li-Jing Zhu等;《Petroleum Science》;20171115(第04期);全文 * |
基于Wasserstein距离和改进K-medoids聚类的风电/光伏经典场景集生成算法;王群等;《中国电机工程学报》;20150605(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110807554A (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN109558975B (zh) | 一种电力负荷概率密度多种预测结果的集成方法 | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN112434848A (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
CN114201924B (zh) | 基于迁移学习的太阳辐照度预测方法及预测系统 | |
CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
CN114091317A (zh) | 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 | |
CN113836783B (zh) | 斜拉桥主梁温致挠度监测基准值的数字回归模型建模方法 | |
CN109408896B (zh) | 一种污水厌氧处理产气量多元智能实时监控方法 | |
CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
CN111815051B (zh) | 考虑天气影响因素的grnn光伏发电预测方法 | |
CN110555566B (zh) | 一种基于b样条分位数回归的光电概率密度预测方法 | |
CN111061151B (zh) | 一种基于多元卷积神经网络的分布式能源状态监测方法 | |
CN116707331A (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
CN115017799B (zh) | 基于em-dbn融合的无量测区太阳辐射估计方法 | |
CN115796327A (zh) | 一种基于vmd和iwoa-f-gru模型的风电功率区间预测方法 | |
CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 | |
CN114154686A (zh) | 一种基于集成学习的大坝变形预测方法 | |
CN115035962A (zh) | 基于变分自编码器和生成对抗网络的虚拟样本生成及软测量建模方法 | |
CN113902492A (zh) | 一种分时电价预测方法及系统 | |
CN110543724B (zh) | 面向总体设计的卫星结构性能预测方法 | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |