CN110909921A - 中长期风电电量预测方法、装置、计算机设备及存储介质 - Google Patents
中长期风电电量预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110909921A CN110909921A CN201911088302.8A CN201911088302A CN110909921A CN 110909921 A CN110909921 A CN 110909921A CN 201911088302 A CN201911088302 A CN 201911088302A CN 110909921 A CN110909921 A CN 110909921A
- Authority
- CN
- China
- Prior art keywords
- wind power
- beta distribution
- wind
- characteristic information
- electric quantity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 34
- 230000009466 transformation Effects 0.000 claims abstract description 32
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 24
- 238000012216 screening Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 27
- 238000004590 computer program Methods 0.000 claims description 17
- 238000007499 fusion processing Methods 0.000 claims description 16
- 230000001186 cumulative effect Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 9
- 230000007774 longterm Effects 0.000 description 7
- 238000010248 power generation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000407 epitaxy Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请提供中长期风电电量预测方法、装置、计算机设备及存储介质，该方法包括：对历史风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期，对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值，根据所有主导周期和所述风资源丰枯特性，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值，根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值，对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量，从而实现了中长期风电电量预测，提高了中长期风电电量预测结果准确性。
Description
技术领域
本申请涉及风电电量预测技术领域，特别是涉及一种中长期风电电量预测方法、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、可再生性等优势受到人类的广泛关注。由于风电具有的随机性和波动性对电网产生的较大冲击给风电产业的发展带来了巨大挑战，考虑到中长期发电计划中对于中长期预测的需求，所以需要采用风电电量预测技术解决这一问题。
传统技术中，采用时间序列外推法来预测风电电量。但是，传统技术针对中长期泛化能力不足，导致中长期风电电量预测结果的准确性较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高中长期风电电量预测结果准确性的中长期风电电量预测方法、装置、计算机设备及存储介质。
本申请实施例提供一种中长期风电电量预测方法，所述方法包括：
对历史风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期；
对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值；
根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值；
根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值；
对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量。
在其中一个实施例中，所述对历史风电风电电量进行小波变换，得到风资源变化的主导周期和风资源丰枯特性信息，包括：
根据基小波以及所述历史风电风电电量得到小波变换系数；
根据所述小波变换系数的值，确定与所述小波变换系数匹配的所述风资源丰枯特性信息；
根据所述小波变换系数计算小波方差；
根据所述小波方差计算所述风资源变化的极大值，根据所述极大值得到所述风资源变化的主导周期。
在其中一个实施例中，所述根据基小波以及所述历史风电风电电量得到小波变换系数，包括：
对所述基小波进行伸缩处理以及平移处理，得到连续小波；其中，所述基小波满足预设条件；
根据所述连续小波以及所述历史风电风电电量，得到所述小波变换系数。
在其中一个实施例中，所述根据所述小波方差计算所述风资源变化的极大值，根据所述极大值得到所述风资源变化的主导周期，包括：对所述小波方差求导数获取极大值点，将所述极大值点对应的周期作为所述风资源变化的主导周期。
在其中一个实施例中，所述对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值，包括：对所述历史风电功率进行预处理，得到预处理后的风电功率；对预处理后的风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值。
在其中一个实施例中，所述根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值，包括：
获取所有主导周期按照所述风资源丰枯特性信息进行分类后的对应类别总数量；
根据所述总数量对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值。
在其中一个实施例中，所述根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值，包括：根据不同类别包含的所有贝塔分布参数估计值计算中位数值，得到不同类别对应的参数典型值。
在其中一个实施例中，所述预测周期包括多个预测时段；所述对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量，包括：
根据所述小波方差，得到不同预测时段内不同主导周期对应的所述风资源丰枯特性信息；
根据所述风资源丰枯特性信息，获取与所述风资源丰枯特性对应的贝塔分布的参数预测值；
根据所述贝塔分布的参数预测值，得到贝塔分布的累积概率密度函数；
根据所述累积概率密度函数，得到与所述累积概率密度函数匹配的预测周期内的风电电量。
在其中一个实施例中，所述根据所述小波方差，得到不同预测时段内不同主导周期对应的所述风资源丰枯特性信息，包括：
根据所述小波方差得到所述风资源丰枯特性信息持续时间对应的经验分布；
根据所述经验分布，获取不同预测时段内不同主导周期对应的风资源丰枯特性信息。
在其中一个实施例中，所述根据所述风资源丰枯特性信息，获取与所述风资源丰枯特性对应的贝塔分布的参数预测值，包括：
根据所述风资源丰枯特性信息确定对应的类别；
将不同预测时段所属类别对应的参数典型值，作为所述风资源丰枯特性对应的贝塔分布的参数预测值。
本申请实施例提供一种中长期风电电量预测装置，所述装置包括：
小波变换模块，用于对历史风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期；
估计模块，用于对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值；
分类模块，用于根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值；
获取典型值模块，用于根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值；
预测模块，用于对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量。
本申请实施例提供一种计算机设备，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：
对历史风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期；
对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值；
根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值；
根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值；
对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量。
本申请实施例提供一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
对历史风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期；
对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值；
根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值；
根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值；
对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量。
本实施例提供的中长期风电电量预测方法、装置、计算机设备及存储介质，该方法对历史风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期，对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值，根据所有主导周期和风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值，根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值，对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量，从而实现了中长期风电电量预测，提高了中长期风电电量预测结果准确性。
附图说明
图1为一实施例提供的中长期风电电量预测方法的流程示意图；
图2为一实施例提供的中长期风电电量预测装置的结构示意图；
图3为一个实施例提供的计算机设备的内部结构图。
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电量预测方法，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，但是，在本实施例中，中长期的时间尺度可以为月时间尺度。
需要说明的是，本发明实施例提供的中长期风电电量预测方法，其执行主体可以是中长期风电电量预测装置，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电量预测方法的流程示意图。本实施例涉及的是如何实现中长期风电电量预测的过程。如图1所示，该方法包括：
S101、对历史风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期。
具体的，上述历史风电电量可以为电力系统存储的实际的历史风电电量数据。可选的，风资源变化的主导周期可以表征为多尺度中能够体现风资源主要变化特性的主导周期。可选的，计算机设备可以对对历史风电电量进行小波变换，以得到风资源变化的主导周期，其中，得到的主导周期的数量可以大于等于1。可选的，风资源丰枯特性信息可以表征为风资源丰富或匮乏的信息。
S102、对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值。
具体的，得到的历史风电功率对应的贝塔分布参数估计值的数量可以大于1。
需要说明的是，上述步骤S101与步骤S102的执行顺序可以交换，对此本实施例不做任何限定。
S103、根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值。
可选的，上述S103中根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值以及不同类别对应的风资源丰枯特性信息的步骤，具体可以包括：获取所有主导周期按照所述风资源丰枯特性信息进行分类后的对应类别总数量；根据所述总数量对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值。
具体的，计算机设备可以获取所有主导周期按照上述风资源丰枯特性信息进行分类后的对应类别总数量，并根据该总数量对所有所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值。
需要说明的是，风资源变化可以有N(N大于等于1)个主导周期；以1个主导周期为依据对所有贝塔分布参数估计值进行分类时，可以有两种类别，分别对应风资源在该主导周期上可以呈现“丰”和“枯”的特性，其中，丰可以表征风资源丰富，枯可以表征风资源匮乏；以2个主导周期为依据对所有贝塔分布参数估计值进行分类时，可以有四种类别，分别对应风资源在这两个主导周期上可以呈现“丰-丰”、“丰-枯”、“枯-丰”、“枯-枯”的特性。另外，若风资源变化的主导周期数量为N，则对所有贝塔分布参数估计值进行分类可以得到2的N次方个类别。
S104、根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值。
具体的，计算机设备对所有贝塔分布参数估计值进行分类后，可以得到每个类别中包含的所有贝塔分布参数估计值，并且根据每个类别中包含的所有贝塔分布参数估计值，可以得到每个类别对应的参数典型值。可选的，上述预设方式可以为对不同类别包含的所有贝塔分布参数估计值进行的算术运算。可选的，计算机设备可以对每个类别中包含的所有贝塔分布参数估计值进行算术运算，得到每个类别对应的参数典型值。
可选的，上述S104中根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值的步骤，具体可以包括：根据不同类别包含的所有贝塔分布参数估计值计算中位数值，得到不同类别对应的参数典型值。
需要说明的是，计算机设备可以计算每个类别中包含的所有贝塔分布参数估计值对应的中位数值，并将每个类别对应的中位数值作为，得到每个类别的参数典型值。
S105、对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量。
具体的，计算机设备可以根据所述参数典型值以及不同类别对应的所述风资源丰枯特性信息得到贝塔分布的参数预测值，进而可以得到预测周期内的风电电量。可选的，上述融合处理可以表征为结合处理的过程。
需要说明的是，计算机设备可以将预测时段对应类别的参数典型值作为该预测时段贝塔分布的参数估计值，以计算预测周期内的风电电量。可选的，预测周期可以包括每个预测时段。
本实施例提供的中长期风电电量预测方法，该方法对历史风电电量进行小波变换，得到风资源变化的主导周期，对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值，根据所有主导周期根据所有主导周期和风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值，根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值，对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量，从而实现了中长期风电电量预测，提高了中长期风电电量预测结果准确性；同时，该方法在一定程度上将中长期风资源丰枯变化情况纳入中长期风电预测，避免了中长期气象序列预测结果不可靠的问题。
作为其中一个实施例，上述S101中对历史风电风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期的步骤，可以包括：
S1011、根据基小波以及所述历史风电风电电量得到小波变换系数。
可选的，上述S1011中根据基小波以及所述历史风电风电电量得到小波变换系数的步骤，具体可以包括：对所述基小波进行伸缩处理以及平移处理，得到连续小波，所述基小波满足预设条件；根据所述连续小波以及所述历史风电风电电量，得到所述小波变换系数。
具体的，若基小波用ψ(t)表示，则对基小波进行伸缩处理以及平移处理后，得到的连续小波ψa,b(t)可以表示为：
ψa,b(t)＝|a|-1/2ψ((t-b)/a)a,b∈R,a≠0；
其中，a表示尺度变换因子，b表示平移变换因子，上述基小波满足的预设条件可以表示为
该预设条件为一个时域函数。
可选的，历史风电风电电量可以通过f(t)表示，并且f(t)在一定的数学空间内(f(t)∈L2(R))时，关于连续小波的小波变换系数(Wψf)(a,b)可以表示为：
S1012、根据所述小波变换系数的值，确定与所述小波变换系数匹配的所述风资源丰枯特性信息。
具体的，根据小波变换系数，可以得到风资源丰枯特性信息。可选的，风资源丰枯特性信息可以包括丰和枯，其中，丰可以表征风资源丰富，枯可以表征风资源匮乏。在本实施例中，若将基小波作为复Morlet小波，则得到的小波变换系数可以为复数；该小波变换系数的实部为正数时，可以表征风资源为丰；该小波小波变换系数的实部为负数时，可以表征风资源为枯。
S1013、根据所述小波变换系数计算小波方差。
具体的，计算机设备可以对上述小波变换系数的平方再对平移变换因子的积分，得到对应尺度下的小波方差Var(a)，即小波方差Var(a)可以表示为：
需要说明的是，小波方差可以表征不同周期成分对应的能量大小。
S1014、根据所述小波方差计算所述风资源变化的极大值，根据所述极大值得到所述风资源变化的主导周期。
可选的，上述S1014中根据所述小波方差计算所述风资源变化的极大值，根据所述极大值得到所述风资源变化的主导周期的步骤，具体可以包括：对所述小波方差求导数获取极大值点，将所述极大值点对应的周期作为所述风资源变化的主导周期。
具体的，小波方差越大的周期分量，可以表征为风资源变化的主导周期。可选的，计算机设备可以对小波方差求取随尺度变换因子的导数，将极大值点对应的小波方差对应的周期作为风资源变化的主导周期。
本实施例提供的中长期风电电量预测方法，该方法根据基小波以及所述历史风电风电电量得到小波变换系数，根据小波变换系数的值，确定与所述小波变换系数匹配的风资源丰枯特性信息，根据小波变换系数计算小波方差，根据小波方差计算风资源变化的极大值，根据极大值得到所述风资源变化的主导周期，进而根据小波方差得到风资源变化的主导周期，对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值，根据所有主导周期和风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值，根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值，根据参数典型值得到预测周期内的风电电量，从而实现了中长期风电电量预测，提高了中长期风电电量预测结果准确性；同时，该方法在一定程度上将中长期风资源丰枯变化情况纳入中长期风电预测，避免了中长期气象序列预测结果不可靠的问题。
作为其中一个实施例，上述S102中对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值的步骤，具体可以包括：对所述历史风电功率进行预处理，得到预处理后的风电功率；对预处理后的风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值。
具体的，计算机设备可以对历史风电功率序列x进行预处理，该预处理可以为归一化处理。可选的，归一化处理的方式可以表征为通过历史风电功率xi除以风电机组的安装总容量，得到归一化后的历史风电功率序列x'。
进一步地，根据归一化后的历史风电功率序列x'，采用极大似然估计法得到历史不同月份贝塔分布参数的估计值，即
和
可选的，极大似然估计表达式可以表征为：
其中，x'i可以表示归一化后的历史风电功率序列x'中的数据，i可以等于0，...，n，n可以表示历史风电功率序列中包含的样本数量。
需要说明的是，上述f(x'i；α,β)可以表示贝塔分布的概率密度函数，该贝塔分布的概率密度函数f(x'i；α,β)可以表示为：
其中，
B(α,β)表示贝塔函数，α和β表示贝塔分布参数。
本实施例提供的中长期风电电量预测方法，该方法对历史风电功率进行预处理，得到预处理后的风电功率；对预处理后的风电功率进行极大似然估计处理，得到历史风电功率对应的贝塔分布参数估计值，进而根据所有主导周期和风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值，根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值，根据参数典型值得到预测周期内的风电电量，从而实现了中长期风电电量预测，提高了中长期风电电量预测结果准确性；同时，该方法在一定程度上将中长期风资源丰枯变化情况纳入中长期风电预测，避免了中长期气象序列预测结果不可靠的问题。
作为其中一个实施例，所述预测周期包括多个预测时段；上述S105中对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量的步骤，可以包括：
S1051、根据所述小波方差，得到不同预测时段内不同主导周期对应的所述风资源丰枯特性信息。
具体的，计算机设备可以根据小波方差，得到各主导周期下的风资源丰枯特性信息持续时间对应的经验分布，并通过随机抽样外延推算不同预测时段内不同主导周期对应的风资源丰枯特性信息。
可选的，上述S1051中根据所述小波方差，得到不同预测时段内不同主导周期对应的所述风资源丰枯特性信息的步骤，具体可以包括：根据所述小波方差得到所述风资源丰枯特性信息持续时间对应的经验分布；根据所述经验分布，获取不同预测时段内不同主导周期对应的风资源丰枯特性信息。
需要说明的是，计算机设备可以根据小波方差，得到风资源丰枯特性信息持续时间对应的经验分布，该经验分布可以根据实际情况确定，并不具有固定性。可选的，计算机设备可以对经验分布进行随机抽样，得到不同预测时段对应的不同主导周期对应的风资源丰枯特性信息。可选的，上述不同预测时段之和可以等于预测周期。
S1052、根据所述风资源丰枯特性信息，获取与所述风资源丰枯特性对应的贝塔分布的参数预测值。
可选的，上述S1052中根据所述风资源丰枯特性信息，获取与所述风资源丰枯特性对应的贝塔分布的参数预测值的步骤，具体可以包括：根据所述风资源丰枯特性信息确定对应的类别；将不同预测时段所属类别对应的参数典型值，作为所述风资源丰枯特性对应的贝塔分布的参数预测值。
具体的，计算机设备可以根据不同预测时段对应的不同主导周期对应的风资源丰枯特性信息，确定不同预测时段对应的类别，进而可以得到不同预测时段所属类别对应的参数典型值，并将参数典型值作为贝塔分布的参数预测值。
S1053、根据所述贝塔分布的参数预测值，得到与所述累积概率密度函数匹配的贝塔分布的累积概率密度函数。
具体的，计算机设备可以根据获取到的贝塔分布的参数预测值，得到贝塔分布的累积概率密度函数F(x'；α',β')，贝塔分布的累积概率密度函数F(x'；α',β')可以表示为：
其中，x'i表示归一化后的历史风电功率序列，α'和β'表示贝塔分布的参数预测值。
S1054、根据所述累积概率密度函数，得到与所述累积概率密度函数匹配的预测周期内的风电电量。
具体的，计算机设备可以根据贝塔分布的累积概率密度函数F(x'；α',β')进行变换处理，得到预测周期内的风电电量W。可选的，上述变换处理可以表征为：
其中，上述PM表示风电装机容量，Δt表示累积概率密度函数的离散化步长，即计算的间隔周期。
本实施例提供的中长期风电电量预测方法，该方法根据小波方差，得到不同预测时段内不同主导周期对应的所述风资源丰枯特性信息，根据风资源丰枯特性信息，获取与所述风资源丰枯特性对应的贝塔分布的参数预测值，根据贝塔分布的参数预测值，得到贝塔分布的累积概率密度函数，根据累积概率密度函数，得到预测周期内的风电电量，从而实现了中长期风电电量预测，提高了中长期风电电量预测结果准确性；同时，该方法在一定程度上将中长期风资源丰枯变化情况纳入中长期风电预测，避免了中长期气象序列预测结果不可靠的问题。
应该理解的是，虽然图1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。
关于中长期风电电量预测装置的具体限定可以参见上文中对于中长期风电电量预测方法的限定，在此不再赘述。上述计算机设备中中长期风电电量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2为一实施例提供的中长期风电电量预测装置结构示意图。如图2所示，该系统可以包括：小波变换模块11、估计模块12、分类模块13、获取典型值模块14以及预测模块15。
具体的，所述小波变换模块11，用于对历史风电电量进行小波变换，得到风资源变化的主导周期；
所述估计模块12，用于对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值；
所述分类模块13，用于根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值；
所述获取典型值模块14，用于根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值；
所述预测模块15，用于对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量。
可选的，所述预测周期包括多个预测时段。
本实施例提供的中长期风电电量预测装置，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。
在其中一个实施例中，所述小波变换模块11包括：获取变换系数单元、获取丰枯特性单元、获取方差单元以及获取主导周期单元。
具体的，所述获取变换系数单元，用于根据基小波以及所述历史风电风电电量得到小波变换系数；
所述获取丰枯特性单元，用于根据所述小波变换系数的值，确定与所述小波变换系数匹配的所述风资源丰枯特性信息；
所述获取方差单元，用于根据所述小波变换系数计算小波方差；
所述获取主导周期单元，用于根据所述小波方差计算所述风资源变化的极大值，根据所述极大值得到所述风资源变化的主导周期。
本实施例提供的中长期风电电量预测装置，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。
可选的，所述获取变换系数单元具体用于对所述基小波进行伸缩处理以及平移处理，得到连续小波，所述基小波满足预设条件，并根据所述连续小波以及所述历史风电风电电量，得到所述小波变换系数。
可选的，所述获取主导周期单元具体用于根据所述小波方差计算所述风资源变化的极大值，根据所述极大值得到所述风资源变化的主导周期。
本实施例提供的中长期风电电量预测装置，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。
在其中一个实施例中，所述估计模块12具体用于对所述历史风电功率进行预处理，得到预处理后的风电功率，并对预处理后的风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值。
本实施例提供的中长期风电电量预测装置，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。
在其中一个实施例中，所述分类模块13包括：获取总数量单元以及分类单元。
具体的，所述获取总数量单元，用于获取所有主导周期按照所述风资源丰枯特性信息进行分类后的对应类别总数量；
所述分类单元，用于根据所述总数量和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值。
本实施例提供的中长期风电电量预测装置，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。
在其中一个实施例中，所述获取典型值模块14具体用于根据不同类别包含的所有贝塔分布参数估计值计算中位数值，得到不同类别对应的参数典型值。
本实施例提供的中长期风电电量预测装置，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。
在其中一个实施例中，所述预测模块15包括：获取丰枯特性单元、获取参数预测值单元、获取概率密度函数单元以及预测单元。
具体的，所述获取丰枯特性单元，用于根据所述小波方差，得到不同预测时段内不同主导周期对应的所述风资源丰枯特性信息；
所述获取参数预测值单元，用于根据所述风资源丰枯特性信息，获取与所述风资源丰枯特性对应的贝塔分布的参数预测值；
所述获取概率密度函数单元，用于根据所述贝塔分布的参数预测值，得到贝塔分布的累积概率密度函数；
所述预测单元，用于根据所述累积概率密度函数，得到与所述累积概率密度函数匹配的预测周期内的风电电量。
本实施例提供的中长期风电电量预测装置，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。
在其中一个实施例中，所述获取丰枯特性单元具体用于根据所述小波方差得到所述风资源丰枯特性信息持续时间对应的经验分布，并根据所述经验分布，获取不同预测时段内不同主导周期对应的风资源丰枯特性信息。
本实施例提供的中长期风电电量预测装置，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。
在其中一个实施例中，所述预测单元具体用于根据所述风资源丰枯特性信息确定对应的类别，并将不同预测时段所属类别对应的参数典型值，作为所述风资源丰枯特性对应的贝塔分布的参数预测值。
本实施例提供的中长期风电电量预测装置，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3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、显示屏和输入系统。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终端通过网络连接通信。该计算机程序被处理器执行时以实现一种中长期风电电量预测方法。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系统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3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：
对历史风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期；
对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值；
根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值；
根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值；
对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量。
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：
对历史风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期；
对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值；
根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值；
根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值；
对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量。
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申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种中长期风电电量预测方法，其特征在于，所述方法包括：
对历史风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期；
对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值；
根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值；
根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值；
对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量。
2.根据权利要求1所述的方法，其特征在于，所述对历史风电风电电量进行小波变换，得到风资源变化的主导周期和风资源丰枯特性信息，包括：
根据基小波以及所述历史风电风电电量得到小波变换系数；
根据所述小波变换系数的值，确定与所述小波变换系数匹配的所述风资源丰枯特性信息；
根据所述小波变换系数计算小波方差；
根据所述小波方差计算所述风资源变化的极大值，根据所述极大值得到所述风资源变化的主导周期。
3.根据权利要求2所述的方法，其特征在于，所述根据基小波以及所述历史风电风电电量得到小波变换系数，包括：
对所述基小波进行伸缩处理以及平移处理，得到连续小波；其中，所述基小波满足预设条件；
根据所述连续小波以及所述历史风电风电电量，得到所述小波变换系数；
以及优选地，所述根据所述小波方差计算所述风资源变化的极大值，根据所述极大值得到所述风资源变化的主导周期，包括：对所述小波方差求导数获取极大值点，将所述极大值点对应的周期作为所述风资源变化的主导周期。
4.根据权利要求1所述的方法，其特征在于，所述对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值，包括：对所述历史风电功率进行预处理，得到预处理后的风电功率；对预处理后的风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值。
5.根据权利要求1所述的方法，其特征在于，所述根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值，包括：
获取所有主导周期按照所述风资源丰枯特性信息进行分类后的对应类别总数量；
根据所述总数量对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值。
6.根据权利要求1所述的方法，其特征在于，所述根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值，包括：根据不同类别包含的所有贝塔分布参数估计值计算中位数值，得到不同类别对应的参数典型值。
7.根据权利要求1所述的方法，其特征在于，所述预测周期包括多个预测时段；所述对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量，包括：
根据所述小波方差，预测时段内不同主导周期对应的所述风资源丰枯特性信息；
根据所述风资源丰枯特性信息，获取与所述风资源丰枯特性对应的贝塔分布的参数预测值；
根据所述贝塔分布的参数预测值，得到贝塔分布的累积概率密度函数；
根据所述累积概率密度函数，得到与所述累积概率密度函数匹配的预测周期内的风电电量；
以及优选地，所述根据所述小波方差，得到不同预测时段内不同主导周期对应的所述风资源丰枯特性信息，包括：
根据所述小波方差得到所述风资源丰枯特性信息持续时间对应的经验分布；
根据所述经验分布，获取不同预测时段内不同主导周期对应的风资源丰枯特性信息；
以及优选地，所述根据所述风资源丰枯特性信息，获取与所述风资源丰枯特性对应的贝塔分布的参数预测值，包括：
根据所述风资源丰枯特性信息确定对应的类别；
将不同预测时段所属类别对应的参数典型值，作为所述风资源丰枯特性对应的贝塔分布的参数预测值。
8.一种中长期风电电量预测装置，其特征在于，所述装置包括：
小波变换模块，用于对历史风电电量进行小波变换，得到风资源丰枯特性信息和风资源变化的主导周期；
估计模块，用于对历史风电功率进行极大似然估计处理，得到所述历史风电功率对应的贝塔分布参数估计值；
分类模块，用于根据所有主导周期和所述风资源丰枯特性信息，对所有贝塔分布参数估计值进行分类，得到不同类别包含的贝塔分布参数估计值；
获取典型值模块，用于根据预设方式对不同类别包含的所有贝塔分布参数估计值进行筛选，得到不同类别对应的参数典型值；
预测模块，用于对所述参数典型值以及不同类别对应的所述风资源丰枯特性信息进行融合处理，得到预测周期内的风电电量。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911088302.8A CN110909921B (zh) | 2019-11-08 | 2019-11-08 | 中长期风电电量预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911088302.8A CN110909921B (zh) | 2019-11-08 | 2019-11-08 | 中长期风电电量预测方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110909921A true CN110909921A (zh) | 2020-03-24 |
| CN110909921B CN110909921B (zh) | 2023-04-14 |
Family
ID=69817034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911088302.8A Active CN110909921B (zh) | 2019-11-08 | 2019-11-08 | 中长期风电电量预测方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909921B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112581312A (zh) * | 2020-12-21 | 2021-03-30 | 国网陕西省电力公司电力科学研究院 | 风电功率预测误差分布分析方法、装置、计算机设备和可读存储介质 |
| CN112766831A (zh) * | 2021-04-08 | 2021-05-07 | 南京上古网络科技有限公司 | 一种应用于电力行业的数据处理系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103683274A (zh) * | 2013-07-16 | 2014-03-26 | 国家电网公司 | 区域中长期风电发电量概率预测方法 |
| CN104218578A (zh) * | 2014-09-15 | 2014-12-17 | 华北电力大学 | 一种分布式供电系统的规划方法及装置 |
| CN108429288A (zh) * | 2018-04-12 | 2018-08-21 | 荆州市荆力工程设计咨询有限责任公司 | 一种考虑需求响应的离网型微电网储能优化配置方法 |
-
2019
- 2019-11-08 CN CN201911088302.8A patent/CN110909921B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103683274A (zh) * | 2013-07-16 | 2014-03-26 | 国家电网公司 | 区域中长期风电发电量概率预测方法 |
| CN104218578A (zh) * | 2014-09-15 | 2014-12-17 | 华北电力大学 | 一种分布式供电系统的规划方法及装置 |
| CN108429288A (zh) * | 2018-04-12 | 2018-08-21 | 荆州市荆力工程设计咨询有限责任公司 | 一种考虑需求响应的离网型微电网储能优化配置方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112581312A (zh) * | 2020-12-21 | 2021-03-30 | 国网陕西省电力公司电力科学研究院 | 风电功率预测误差分布分析方法、装置、计算机设备和可读存储介质 |
| CN112581312B (zh) * | 2020-12-21 | 2024-03-08 | 国网陕西省电力公司电力科学研究院 | 风电功率预测误差分布分析方法、装置、计算机设备和可读存储介质 |
| CN112766831A (zh) * | 2021-04-08 | 2021-05-07 | 南京上古网络科技有限公司 | 一种应用于电力行业的数据处理系统及方法 |
| CN112766831B (zh) * | 2021-04-08 | 2021-06-29 | 南京上古网络科技有限公司 | 一种应用于电力行业的数据处理系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110909921B (zh) | 2023-04-14 |
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 | |
| 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 | |
| CN112766596B (zh) | 建筑能耗预测模型的构建方法、能耗预测方法及装置 | |
| CN112330078B (zh) | 用电量预测方法、装置、计算机设备和存储介质 | |
| CN111738404B (zh) | 模型训练任务处理方法、装置、电子设备和存储介质 | |
| CN112380044B (zh) | 数据异常检测方法、装置、计算机设备和存储介质 | |
| Sigauke et al. | Modelling non-stationary time series using a peaks over threshold distribution with time varying covariates and threshold: An application to peak electricity demand | |
| CN103425564A (zh) | 一种智能手机软件使用预测方法 | |
| Jones et al. | Fluid queue models of battery life | |
| CN111310963A (zh) | 电站的发电数据预测方法、装置、计算机设备和存储介质 | |
| CN114065653A (zh) | 电力负荷预测模型的构建方法与电力负荷预测方法 | |
| CN108694472B (zh) | 预测误差极值分析方法、装置、计算机设备和存储介质 | |
| CN115794369A (zh) | 内存占用数值的预测方法及装置、存储介质、终端 | |
| Tzoumpas et al. | A data filling methodology for time series based on CNN and (Bi) LSTM neural networks | |
| Yang et al. | Regularized ELM bagging model for tropical cyclone tracks prediction in South China Sea | |
| Zhang et al. | A novel hybrid model for docker container workload prediction | |
| 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 | |
| Tu et al. | Unveiling Energy Efficiency in Deep Learning: Measurement, Prediction, and Scoring across Edge Devices | |
| Li et al. | The extreme counts: modeling the performance uncertainty of cloud resources with extreme value theory | |
| CN113610174A (zh) | 基于Phik特征选择的电网主机负载预测方法、设备及介质 | |
| Dong et al. | Image-based processing mechanism for peak load forecasting in smart grids | |
| CN113011674A (zh) | 一种光伏发电预测方法、装置、电子设备及存储介质 | |
| Zhang et al. | Sparta: Heat-Budget-Based Scheduling Framework on IoT Edge Systems | |
| Chen et al. | Modeling conceptual characteristics of virtual machines for CPU utilization prediction | |
| Luo et al. | The ELM model with residual compensation based on ARIMA for North Atlantic oscillation index prediction |
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 |