CN111353651A - 一种区域功率预测方法、装置、设备和存储介质 - Google Patents
一种区域功率预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111353651A CN111353651A CN202010171725.2A CN202010171725A CN111353651A CN 111353651 A CN111353651 A CN 111353651A CN 202010171725 A CN202010171725 A CN 202010171725A CN 111353651 A CN111353651 A CN 111353651A
- Authority
- CN
- China
- Prior art keywords
- power
- predicted
- regional
- actual
- area
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000003062 neural network model Methods 0.000 claims description 8
- 241000544061 Cuculus canorus Species 0.000 claims description 7
- 230000001174 ascending effect Effects 0.000 claims description 7
- 238000010845 search algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000010187 selection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material 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
- 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)
- 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种区域功率预测方法、装置、设备和存储介质,其中预测方法根据区域内各有效电站在预设时间段内的预测功率序列和区域实际功率序列计算各有效电站在预设时间段内预测功率和区域实际功率的互信息;根据各有效电站在预设时间段内预测功率和区域实际功率的互信息,基于最大相关‑最小冗余原则在区域内有效电站中确定代表电站;将代表电站的预测功率升尺度为区域预测功率。可以使得提高对区域功率的预测精度。并且在一些电站数据不完备的情况下,也可完成对区域功率的预测;并且相对于现有对所有电站进行功率预测再求和的方式,可减少人力资源的耗费,缩短工程周期,减少对计算资源和存储空间的消耗。
Description
技术领域
本发明实施例涉及新能源发电功率预测技术领域,尤其涉及一种区域功率预测方法、装置、设备和存储介质。
背景技术
随着国内新能源发电的快速发展,单个电站的功率预测已经不能完全满足调度应用的需求,研究区域性电站功率预测问题(区域预测,也叫断面预测),对于保障新能源吸纳及电网安全经济运行具有重要意义。
目前,区域电站功率预测主要采用的技术路线为简单累加法,即对区域内所有电站的功率预测结果进行简单累加。然而该方法具有明显的局限性,具体表现如下:对所有电站进行功率预测,将极大地耗费人力资源,延长工程周期,且是对计算资源和存储空间的极大消耗;对于数据条件不完备的电站,难以建立准确的单电站功率预测模型,最终将影响区域电站的功率预测精度。
发明内容
本发明提供一种区域功率预测方法、装置、设备和存储介质,以实现在数据条件不完备的情况下,对区域功率进行预测,减少资源浪费,同时保证区域功率预测精度。
第一方面,本发明实施例提供了一种区域功率预测方法,包括:
根据区域内各有效电站在预设时间段内的预测功率序列和区域实际功率序列计算各有效电站在预设时间段内预测功率和区域实际功率的互信息;其中预测功率序列包括预设时间段内多个时间点对应的预测功率,区域实际功率序列数据包括预设时间段内多个时间点对应的区域实际功率,其中区域实际功率与预测功率一一对应;
根据各有效电站在预设时间段内预测功率和区域实际功率的互信息,基于最大相关-最小冗余原则在区域内有效电站中确定代表电站;
将代表电站的预测功率升尺度为区域预测功率。
可选的,根据区域内各有效电站在预设时间段内的预测功率序列数据和区域实际功率序列数据计算各有效电站在预设时间段内预测功率和区域实际功率的互信息,包括:
采用以下公式计算各有效电站在预设时间段内预测功率和区域实际功率的互信息:
其中,I(PF,p)表示有效电站预测功率和区域实际功率的互信息值,N为区域实际功率序列的总个数;Nfp(i)为将预测功率序列内预测功率按升序排列,把最大预测功率区间[PF min,PF max]等分为NFP个第一子区间后,落入第i个第一子区间内预测功率的个数,其中PF min表示预测功序列中最小预测功率值,PF max表示预测功率序列中最大预测功率值;Nrp(j)为将与预测功率序列对应的区域实际功率序列内区域实际功率按升序排列,把最大区域实际功率区间[pmin,pmax]等分为NRP个第二子区间后,落入第j个第二子区间内的区域实际功率个数;Nrf(i,j)为预测功率落入第i个第一子区间而其对应的区域实际功率落入第j个第二子区间的个数;当Nfp(i,j)=0时,不将其计算在内,log取自然常数e为底数;其中,NFp≥2,1≤i≤NFp,NRp≥2,1≤i≤NRp,且i、j、NFp、NRp均为正整数。
可选的,根据各有效电站在预设时间段内预测功率和区域实际功率的互信息,基于最大相关-最小冗余原则在区域内有效电站中确定代表电站包括:
将各有效电站的预测功率序列以及区域实际功率序列代入下述公式求出各有效电站对应的第一变量:
式中:ak表示第一变量,I(PFk,p)表示区域内第k个有效电站的预测功率与区域实际功率的互信息,I(PFk,PFs)表示区域内第k个有效电站与第s个有效电站的互信息;其中,n表示区域内有效电站的个数,n≥2;
根据所要选取代表电站的个数从对应最大第一变量的有效电站至最小第一变量的有效电站的顺序依次进行选取。
可选的,将代表电站的预测功率升尺度为区域预测功率,包括:
建立至少两种关于区域预测功率和代表电站的预测功率的预测模型,对根据至少两种预测模型计算得到的区域预测功率进行加权平均得到最终区域预测功率结果。
可选的,对根据至少两种预测模型计算得到的区域预测功率进行加权平均得到最终区域预测功率结果包括:
分别建立权重计算模型、神经网络模型和布谷鸟搜索算法模型;
根据权重计算模型计算得到的第一区域预测功率、神经网络模型计算得到的第二区域预测功率和布谷鸟搜索算法模型计算得到的第三区域预测功率进行加权平均得到最终区域预测功率结果。
可选的,在根据区域内各有效电站在预设时间段内的预测功率序列数据和实际功率序列数据计算各有效电站在预设时间段内预测功率和区域实际功率的互信息之前,还包括:
获取区域内各个电站的预测功率序列和实际功率序列,对预测功率序列和区域实际功率序列中的原始数据中的有效数据进行筛选,将有效数据占原始数据80%以上的电站确定为有效电站。
可选的,区域内包括风力发电站和光伏发电站,区域功率预测方法用于分别对区域内风力发电站和光伏发电站进行区域功率预测。
第二方面,本发明实施例还提供了一种区域功率预测装置,包括:
互信息计算模块,用于根据区域内各有效电站在预设时间段内的预测功率序列和区域实际功率序列计算各有效电站在预设时间段内预测功率和区域实际功率的互信息;其中预测功率序列包括预设时间段内多个时间点对应的预测功率,区域实际功率序列数据包括预设时间段内多个时间点对应的区域实际功率,其中区域实际功率与预测功率一一对应;
代表电站确定模块,用于根据各有效电站在预设时间段内预测功率和区域实际功率的互信息,基于最大相关-最小冗余原则在区域内有效电站中确定代表电站;
区域功率计算模块,用于将代表电站的预测功率升尺度为区域预测功率。
第三方面,本发明实施例还提供了一种设备,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上述第一方面提供的方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述第一方面提供的方法。
本实施例提供的区域功率预测方法、装置和存储介质,通过基于最大相关-最小冗余原则确定代表电站,不但可以使得选取出的代表电站的预测功率与区域实际功率具有较大相关性,还可以使得被选取处的各个代表电站之间的冗余度较小,进而使得所选取出的代表电站更具有代表性,则根据代表电站的预测功率对区域功率进行预测时,得到的区域预测功率更加准确,提高对区域功率的预测精度。并且,因本实施例提供的区域功率预测方法,根据对区域内有效电站预测功率和实际功率的数据即可实现对区域功率的预测,即无需根据每个电站的监测数据计算区域预测功率,进而在一些电站数据不完备的情况下,也可完成对区域功率的预测;并且相对于现有对所有电站进行功率预测再求和的方式,可减少人力资源的耗费,缩短工程周期,减少对计算资源和存储空间的消耗。
附图说明
图1为本发明实施例一提供的一种区域功率预测方法的流程图;
图2为本发明实施例二提供的一种区域功率预测方法的流程图;
图3为本发明实施例三提供的一种区域功率预测装置的结构示意图;
图4为本发明实施例四提供的一种设备的硬件结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种区域功率预测方法的流程图,本实施例可适用于对区域内各风力发电站进行整体功率预测的情况,也可适用于对区域内各光伏发电站进行整体功率预测的情况,该方法可以由区域功率预测装置来执行,具体包括如下步骤:
步骤110、根据区域内各有效电站在预设时间段内的预测功率序列和区域实际功率序列计算各有效电站在预设时间段内预测功率和区域实际功率的互信息;其中预测功率序列包括预设时间段内多个时间点对应的预测功率,区域实际功率序列数据包括预设时间段内多个时间点对应的区域实际功率,其中区域实际功率与预测功率一一对应;
具体的,区域内包括风力发电站和光伏发电站,区域功率预测方法用于分别对区域内风力发电站和光伏发电站进行区域功率预测(其中区域功率预测也称为断面预测),其中对区域内风力发电站进行区域功率预测即对区域内所包括的所有风力发电站进行整体发电功率的预测,对区域内光伏发电站进行区域功率预测即对区域内所包括的所有光伏发电站进行整体发电功率的预测,通过将对区域内风力发电站进行区域功率预测的结果和对区域内光伏发电站进行区域功率预测求和可求得区域整体的预测功率。
以下以对区域内风力发电站进行区域功率预测为例进行说明。风力发电站实际运行时,会有监测设备对风力发电站的实际功率进行监测,并将风力发电站的实际功率保存在场站端服务器的数据库,则区域实际功率可由各风力发电站的实际功率之和得到;并且风力发电站的预测功率也会保存在场站端服务器的数据库。进行上述数据的检测时,需要定时获取风力发电站的实际功率和预测功率,即在不同的时间点对风力发电站的实际功率和预测功率进行获取,例如每隔15分钟进行一次实际功率和预测功率的获取和保存。特定区域内,通常包括多个风力发电站,但因部分风力发电站可能存在监测数据不完备的情况,因此不能作为有效电站,即区域内监测数据较为完备的电站才可作为有效电站。
本步骤中,需分别计算各个有效电站在预设时间段内的预测功率与区域实际功率的互信息,具体采用以下公式计算:
其中,I(PF,p)表示有效电站预测功率和区域实际功率的互信息值,N为区域实际功率序列的总个数;Nfp(i)为将预测功率序列内预测功率按升序排列,把最大预测功率区间[PF min,PF max]等分为NFP个第一子区间后,落入第i个第一子区间内预测功率的个数,其中PF min表示预测功序列中最小预测功率值,PF max表示预测功率序列中最大预测功率值;Nrp(j)为将与预测功率序列对应的区域实际功率序列内区域实际功率按升序排列,把最大区域实际功率区间[pmin,pmax]等分为NRP个第二子区间后,落入第j个第二子区间内的区域实际功率个数;Nrf(i,j)为预测功率落入第i个第一子区间而其对应时间点的区域实际功率落入第j个第二子区间的个数;当Nfp(i,j)=0时,不将其计算在内,log取自然常数e为底数;其中,NFp≥2,1≤i≤NFp,NRp≥2,1≤i≤NRp,且i、j、NFp、NRp均为正整数。
示例性的,以序列1(例如序列1对应一有效电站预测功率系列)和的序列2(例如序列2对应区域实际功率序列)为例进行示例性说明。
其中序列1中的有效电站预测功率数据和序列2中区域实际功率数据分别如表1所示:
表1
序列1 | 序列2 |
55.85 | 76.31 |
53.10 | 67.02 |
57.18 | 75.28 |
57.78 | 74.32 |
56.63 | 77.88 |
50.97 | 67.48 |
52.21 | 69.74 |
51.06 | 66.84 |
46.66 | 57.12 |
38.95 | 53.20 |
37.27 | 51.72 |
33.83 | 38.16 |
30.23 | 34.03 |
28.13 | 31.91 |
34.39 | 20.89 |
33.01 | 18.25 |
32.89 | 22.06 |
34.54 | 16.42 |
33.85 | 15.88 |
36.53 | 12.57 |
33.19 | 19.67 |
分别对每列数据进行升序排序,可以得到排序后的序列1和排序后的序列2分别如表2所示:
表2
排序后序列1 | 排序后序列2 |
28.13 | 12.57 |
30.23 | 15.88 |
32.89 | 16.42 |
33.01 | 18.25 |
33.19 | 19.67 |
33.83 | 20.89 |
33.85 | 22.06 |
34.39 | 31.91 |
34.54 | 34.03 |
36.53 | 38.16 |
37.27 | 51.72 |
38.95 | 53.20 |
46.66 | 57.12 |
50.97 | 66.84 |
51.06 | 67.02 |
52.21 | 67.48 |
53.10 | 69.74 |
55.85 | 74.32 |
56.63 | 75.28 |
57.18 | 76.31 |
57.78 | 77.88 |
假设排序后的序列1和序列2分别等分为5个子区间,即NFP=5,NRP=5,则排序后的序列1和序列2的等分区间节点如下:
序列1区间节点为:[28.13,34.06,39.99,45.92,51.85,57.78]
序列2区间节点为:[12.57,25.64,38.70,51.76,64.82,77.88]
则公式中i=1、2、3、4、5时,Nfp(i)分别为:7、5、0、3、6,公式中j=1、2、3、4、5时,Nrp(j)分别为:7、3、1、2、8,序列1中有效电站的预测功率落入序列1第i个区间,且其对应的序列2中区域实际功率中落入第j个区间的个数,公式中Nfp(i,j)的值如下表所示:
将上述各个变量带入公式进行计算即可得到互信息,在此不再赘述。
步骤120、根据各有效电站在预设时间段内预测功率和区域实际功率的互信息,基于最大相关-最小冗余原则在区域内有效电站中确定代表电站;
具体的,基于最大相关-最小冗余原则在区域内有效电站中确定代表电站时,可以累加选取法(mRMR-A)和直接选取法(mRMR-D)进行代表电站的选取。
可选的,采用直接选取法(mRMR-D)进行代表电站的选取时,该步骤120可以包括:
步骤121、将各有效电站的预测功率序列以及区域实际功率序列代入下述公式求出各有效电站对应的第一变量:
式中:ak表示第一变量,I(PFk,p)表示区域内第k个有效电站的预测功率与区域实际功率的互信息,I(PFk,PFs)表示区域内第k个有效电站与第s个有效电站的互信息;其中,n表示区域内有效电站的个数,n≥2;
通过该公式进行第一变量的计算时,可以遍历任一有效电站和其他有效电站的互信息。
步骤122、根据所要选取代表电站的个数从对应最大第一变量的有效电站至最小第一变量的有效电站的顺序依次进行选取。
示例性的,若所要选取代表电站的个数为1个时,则将对应最大第一变量的有效电站确定为代表电站,若所要选取的代表电站的个数为2个时,则将对应最大第一变量的有效电站,以及对应第一变量仅次于最大第一变量的有效电站确定为代表电站,在选取更多个代表电站时,以此类推,在此不再赘述。
步骤130、将代表电站的预测功率升尺度为区域预测功率。
具体的,将代表电站的预测功率升尺度为区域预测功率时,可采用现有技术中的任意方法,本实施例在此不做具体限定。
本实施例提供的区域功率预测方法,通过基于最大相关-最小冗余原则确定代表电站,不但可以使得选取出的代表电站的预测功率与区域实际功率具有较大相关性,还可以使得被选取处的各个代表电站之间的冗余度较小,进而使得所选取出的代表电站更具有代表性,则根据代表电站的预测功率对区域功率进行预测时,得到的区域预测功率更加准确,提高对区域功率的预测精度。并且,因本实施例提供的区域功率预测方法,根据对区域内有效电站预测功率和实际功率的数据即可实现对区域功率的预测,即无需根据每个电站的监测数据计算区域预测功率,进而在一些电站数据不完备的情况下,也可完成对区域功率的预测;并且相对于现有对所有电站进行功率预测再求和的方式,可减少人力资源的耗费,缩短工程周期,减少对计算资源和存储空间的消耗。
实施例二
图2为本发明实施例二提供的一种区域功率预测方法的流程图,本实施例可建立在上述实施例一的基础上,参考图2,该区域功率预测方法包括:
步骤210、获取区域内各个电站的预测功率序列和实际功率序列,对预测功率序列和区域实际功率序列中的原始数据中的有效数据进行筛选,将有效数据占原始数据80%以上的电站确定为有效电站;
其中预测功率序列中的原始数据为多个时间点的预测功率,区域实际功率序列中的原始数据为多个时间点的区域功率。具体的,在进行互信息计算之前,首先对各个电站的原始数据中有效数据进行筛选,进而确定出有效电站。其中对有效数据的筛选过程也即对无效数据的剔除过程,其中无效数据可以包括缺省值、超出预设范围的数值和长时间恒定值(例如至少连续8个时间点对应的数据相同),有效数据即原始数据中出无效数据以外的数据。通过有效数据的筛选确定有效电站,可以保证后续跟进有效电站的原始数据对区域功率进行预测时具有较高的准确度。
步骤220、根据区域内各有效电站在预设时间段内的预测功率序列和区域实际功率序列计算各有效电站在预设时间段内预测功率和区域实际功率的互信息;其中预测功率序列包括预设时间段内多个时间点对应的预测功率,区域实际功率序列数据包括预设时间段内多个时间点对应的区域实际功率,其中区域实际功率与预测功率一一对应;该步骤与上述步骤110相同,在此不再赘述。
步骤230、根据各有效电站在预设时间段内预测功率和区域实际功率的互信息,基于最大相关-最小冗余原则在区域内有效电站中确定代表电站;该步骤与上述步骤120相同,在此不再赘述。
步骤240、建立至少两种关于区域预测功率和代表电站的预测功率的预测模型,对根据至少两种预测模型计算得到的区域预测功率进行加权平均得到最终区域预测功率结果。
具体的,本步骤240中,通过建立至少两种关于区域预测功率和代表电站的预测功率的预测模型,对根据至少两种预测模型计算得到的区域预测功率进行加权平均得到最终区域预测功率结果,可以避免现有技术中仅采用一种预测模型对区域功率进行预测造成的误差较大或误差忽高忽低不稳定的问题。
可选的,本步骤240包括:
步骤241、分别建立权重计算模型、神经网络模型和布谷鸟搜索算法模型;
1.权重计算模型
具体的,权重计算模型中,利用历史数据(包括各代表电站的实际功率数据和区域实际功率数据)计算代表电站实际功率与区域实际功率的相关系数矩阵RG,以及代表电站预测功率与代表电站实际功率的相关系数矩阵R。假设各代表电站的权重系数矩阵为β,则:
β=cb
PGh=βPFh
式中,“·”表示矩阵的阿达马乘积,PGh为区域实际功率,PFh为各代表电站的预测功率,c为统计常数,用最小二乘法,由历史数据可得到各代表电站的权重系数矩阵β。
进行区域功率预测时,利用以上训练好的权重系数矩阵,将代表电站的预测功率加权求和,升尺度为区域预测功率值。
2.神经网络模型
采用现有后向反馈神经网络模型,神经网络巡检步数值可设置为700,学习率可设置为0.02,误差可设置为1e-9,进行样本归一化。训练时输入各代表电站的预测功率以及区域实际功率进行学习训练,建立预报模型,误差指标采用均方根误差:
式中:PRi为i时刻的实际功率值,PFi为i时刻的预测功率值,Cap为区域电站的总装机容量,N为数据点的个数。
预测时将各代表电站的预测功率代入训练好的模型,输出区域功率预测值。
3.布谷鸟搜索算法(CS)
假设各代表电站的权重系数矩阵为ω,区域功率预测值PG可由以下公式计算得出:
PG=ω·PF
式中PF为各代表电站的功率预测值矩阵。
训练部分:利用历史区域实际功率和各代表电站的预测功率,由CS算法可以训练得到最优权重系数ω;预测部分:由训练所得最优权重系数ω与各代表电站预测功率值加权求和即可升尺度为区域预测功率。
步骤242、根据所述权重计算模型计算得到的第一区域预测功率、神经网络模型计算得到的第二区域预测功率和布谷鸟搜索算法模型计算得到的第三区域预测功率进行加权平均得到最终区域预测功率结果。
本实施例的技术方案,通过在计算互信息之前,获取区域内各个电站的预测功率序列和实际功率序列,对预测功率序列和数据功率序列中的原始数据中的有效数据进行筛选,将有效数据占原始数据80%以上的电站确定为有效电站,通过有效数据的筛选确定有效电站,可以保证后续跟进有效电站的原始数据对区域功率进行预测时具有较高的准确度;并且过建立至少两种关于区域预测功率和代表电站的预测功率的预测模型,对根据至少两种预测模型计算得到的区域预测功率进行加权平均得到最终区域预测功率结果,可以避免现有技术中仅采用一种预测模型对区域功率进行预测造成的误差较大或误差忽高忽低不稳定的问题。
实施例三
图3为本发明实施例三提供的一种区域功率预测装置的结构示意图,本实施例可适用于对区域内各风力发电站进行整体功率预测情况,该装置可以执行上述任意实施例提供的方法,参考图3,该区域功率预测装置的具体结构如下:
互信息计算模块310,用于根据区域内各有效电站在预设时间段内的预测功率序列和区域实际功率序列计算各有效电站在预设时间段内预测功率和区域实际功率的互信息;其中预测功率序列包括预设时间段内多个时间点对应的预测功率,区域实际功率序列数据包括预设时间段内多个时间点对应的区域实际功率,其中区域实际功率与预测功率一一对应;
代表电站确定模块310,用于根据各有效电站在预设时间段内预测功率和区域实际功率的互信息,基于最大相关-最小冗余原则在区域内有效电站中确定代表电站;
区域功率计算模块330,用于将代表电站的预测功率升尺度为区域预测功率。
本实施例提供的区域功率预测装置,通过代表电站确定模块基于最大相关-最小冗余原则确定代表电站,不但可以使得选取出的代表电站的预测功率与区域实际功率具有较大相关性,还可以使得被选取处的各个代表电站之间的冗余度较小,进而使得所选取出的代表电站更具有代表性,则区域功率计算模块根据代表电站的预测功率对区域功率进行预测时,得到的区域预测功率更加准确,提高对区域功率的预测精度。并且,因本实施例提供的区域功率预测装置,根据对区域内有效电站预测功率和实际功率的数据即可实现对区域功率的预测,即无需根据每个电站的监测数据计算区域预测功率,进而在一些电站数据不完备的情况下,也可完成对区域功率的预测;并且相对于现有对所有电站进行功率预测再求和的方式,可减少人力资源的耗费,缩短工程周期,减少对计算资源和存储空间的消耗。
实施例四
图4为本发明实施例四提供的一种设备的硬件结构示意图,如图4所示,该设备包括:
一个或多个处理器410,图4中以一个处理器410为例;
存储器420;
设备还可以包括:输入装置430和输出装置440。
设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或者其他方式连接,图4中以通过总线连接为例。
存储器420作为一种非暂态计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的一种区域功率预测的方法对应的程序指令/模块(例如,附图3所示的互信息计算模块310、代表电站确定模块、区域功率计算模块330)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述方法实施例的一种区域功率预测方法。
存储器420可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器420可以包括高速随机存取存储器,还可以包括非暂态性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态性固态存储器件。在一些实施例中,存储器420可选包括相对于处理器410远程设置的存储器,这些远程存储器可以通过网络连接至终端设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息,以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
本发明实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种区域功率预测方法,该方法包括:
根据区域内各有效电站在预设时间段内的预测功率序列和区域实际功率序列计算各有效电站在预设时间段内预测功率和区域实际功率的互信息;其中预测功率序列包括预设时间段内多个时间点对应的预测功率,区域实际功率序列数据包括预设时间段内多个时间点对应的区域实际功率,其中区域实际功率与预测功率一一对应;
根据各有效电站在预设时间段内预测功率和区域实际功率的互信息,基于最大相关-最小冗余原则在区域内有效电站中确定代表电站;
将代表电站的预测功率升尺度为区域预测功率。
可选的,该计算机可执行指令在由计算机处理器执行时还可以用于执行本发明任意实施例所提供的一种区域功率预测方法的技术方案。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。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,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,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)执行本发明各个实施例所述的方法。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种区域功率预测方法,其特征在于,包括:
根据区域内各有效电站在预设时间段内的预测功率序列和区域实际功率序列计算各所述有效电站在预设时间段内预测功率和区域实际功率的互信息;其中所述预测功率序列包括所述预设时间段内多个时间点对应的预测功率,所述区域实际功率序列数据包括所述预设时间段内多个时间点对应的区域实际功率,其中所述区域实际功率与所述预测功率一一对应;
根据各所述有效电站在预设时间段内预测功率和区域实际功率的互信息,基于最大相关-最小冗余原则在所述区域内有效电站中确定代表电站;
将所述代表电站的预测功率升尺度为区域预测功率。
2.根据权利要求1所述的区域功率预测方法,其特征在于,所述根据区域内各有效电站在预设时间段内的预测功率序列数据和区域实际功率序列数据计算各所述有效电站在预设时间段内预测功率和区域实际功率的互信息,包括:
采用以下公式计算各所述有效电站在预设时间段内预测功率和区域实际功率的互信息:
其中,I(PF,p)表示所述有效电站预测功率和区域实际功率的互信息值,N为区域实际功率序列的总个数;Nfp(i)为将所述预测功率序列内预测功率按升序排列,把最大预测功率区间[PFmin,PFmax]等分为NFP个第一子区间后,落入第i个第一子区间内预测功率的个数,其中PFmin表示所述预测功序列中最小预测功率值,PFmax表示所述预测功率序列中最大预测功率值;Nrp(j)为将与所述预测功率序列对应的区域实际功率序列内区域实际功率按升序排列,把最大区域实际功率区间[pmin,pmax]等分为NRP个第二子区间后,落入第j个第二子区间内的区域实际功率个数;Nrf(i,j)为所述预测功率落入第i个第一子区间而其对应的区域实际功率落入第j个第二子区间的个数;当Nfp(i,j)=0时,不将其计算在内,log取自然常数e为底数;其中,NFp≥2,1≤i≤NFp,NRp≥2,1≤i≤NRp,且i、j、NFp、NRp均为正整数。
3.根据权利要求1所述的区域功率预测方法,其特征在于,所述根据各所述有效电站在预设时间段内预测功率和区域实际功率的互信息,基于最大相关-最小冗余原则在所述区域内有效电站中确定代表电站包括:
将各所述有效电站的预测功率序列以及区域实际功率序列代入下述公式求出各有效电站对应的第一变量:
式中:ak表示第一变量,I(PFk,p)表示区域内第k个有效电站的预测功率与区域实际功率的互信息,I(PFk,PFs)表示区域内第k个有效电站与第s个有效电站的互信息;其中,n表示区域内有效电站的个数,n≥2;
根据所要选取代表电站的个数从对应最大所述第一变量的有效电站至最小所述第一变量的有效电站的顺序依次进行选取。
4.根据权利要求1所述的区域功率预测方法,其特征在于,所述将所述代表电站的预测功率升尺度为区域预测功率,包括:
建立至少两种关于所述区域预测功率和所述代表电站的预测功率的预测模型,对根据至少两种所述预测模型计算得到的区域预测功率进行加权平均得到最终区域预测功率结果。
5.根据权利要求4所述的区域功率预测方法,其特征在于,所述对根据至少两种所述预测模型计算得到的区域预测功率进行加权平均得到最终区域预测功率结果包括:
分别建立权重计算模型、神经网络模型和布谷鸟搜索算法模型;
根据所述权重计算模型计算得到的第一区域预测功率、神经网络模型计算得到的第二区域预测功率和布谷鸟搜索算法模型计算得到的第三区域预测功率进行加权平均得到最终区域预测功率结果。
6.根据权利要求1所述的区域功率预测方法,其特征在于,在所述根据区域内各有效电站在预设时间段内的预测功率序列数据和实际功率序列数据计算各所述有效电站在预设时间段内预测功率和区域实际功率的互信息之前,还包括:
获取区域内各个电站的预测功率序列和实际功率序列,对所述预测功率序列和区域实际功率序列中的原始数据中的有效数据进行筛选,将所述有效数据占所述原始数据80%以上的电站确定为有效电站。
7.根据权利要求1所述的区域功率预测方法,其特征在于,所述区域内包括风力发电站和光伏发电站,所述区域功率预测方法用于分别对区域内风力发电站和光伏发电站进行区域功率预测。
8.一种区域功率预测装置,其特征在于,包括:
互信息计算模块,用于根据区域内各有效电站在预设时间段内的预测功率序列和区域实际功率序列计算各所述有效电站在预设时间段内预测功率和区域实际功率的互信息;其中所述预测功率序列包括所述预设时间段内多个时间点对应的预测功率,所述区域实际功率序列数据包括所述预设时间段内多个时间点对应的区域实际功率,其中所述区域实际功率与所述预测功率一一对应;
代表电站确定模块,用于根据各所述有效电站在预设时间段内预测功率和区域实际功率的互信息,基于最大相关-最小冗余原则在所述区域内有效电站中确定代表电站;
区域功率计算模块,用于将所述代表电站的预测功率升尺度为区域预测功率。
9.一种设备,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1-7中任一所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171725.2A CN111353651A (zh) | 2020-03-12 | 2020-03-12 | 一种区域功率预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010171725.2A CN111353651A (zh) | 2020-03-12 | 2020-03-12 | 一种区域功率预测方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111353651A true CN111353651A (zh) | 2020-06-30 |
Family
ID=71196208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010171725.2A Pending CN111353651A (zh) | 2020-03-12 | 2020-03-12 | 一种区域功率预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111353651A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109802431A (zh) * | 2019-01-02 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种新能源并网运行控制方法及系统 |
CN110570030A (zh) * | 2019-08-22 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 基于深度学习的风电集群功率区间预测的方法及系统 |
CN110717610A (zh) * | 2018-07-11 | 2020-01-21 | 华北电力大学(保定) | 一种基于数据挖掘的风电功率预测方法 |
-
2020
- 2020-03-12 CN CN202010171725.2A patent/CN111353651A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717610A (zh) * | 2018-07-11 | 2020-01-21 | 华北电力大学(保定) | 一种基于数据挖掘的风电功率预测方法 |
CN109802431A (zh) * | 2019-01-02 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种新能源并网运行控制方法及系统 |
CN110570030A (zh) * | 2019-08-22 | 2019-12-13 | 国网山东省电力公司经济技术研究院 | 基于深度学习的风电集群功率区间预测的方法及系统 |
Non-Patent Citations (1)
Title |
---|
王威等: "宁波地区基于统计升尺度的新能源区域功率预测算法", 《中国电力》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109102146B (zh) | 基于多参数线性规划的电力系统风险评估加速方法 | |
CN110417011A (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN109242136A (zh) | 一种微电网风电功率混沌遗传-bp神经网络预测方法 | |
CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
Mandelli et al. | Dynamic PRA: an overview of new algorithms to generate, analyze and visualize data | |
CN115293454A (zh) | 一种考虑拓扑变化的电力系统可靠性快速优化方法 | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
CN109447512B (zh) | 基于均匀设计的大电网可靠性评估方法 | |
Cao et al. | Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree | |
CN112580844A (zh) | 气象数据处理方法、装置、设备及计算机可读存储介质 | |
CN111127242A (zh) | 一种基于小样本数据的电力系统可靠性动态实时评估方法 | |
CN108183499B (zh) | 一种基于拉丁超立方抽样概率潮流的静态安全分析方法 | |
CN113094899A (zh) | 一种随机潮流计算方法、装置、电子设备及存储介质 | |
CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
CN111353651A (zh) | 一种区域功率预测方法、装置、设备和存储介质 | |
CN116319377A (zh) | 一种抵御网络攻击的配电网分布式动态状态估计方法 | |
CN115173421A (zh) | 一种基于渐进拉丁超立方采样的概率最优潮流计算方法 | |
CN115952921A (zh) | 一种光伏能源功率预测方法、装置、电子设备及存储介质 | |
CN112967154B (zh) | 一种电力系统Well-being的评估方法及装置 | |
CN114118759A (zh) | 一种配变台区负荷过载状态评估方法及装置 | |
CN113836748A (zh) | 面向地磁扰动的防灾治理方法、装置、存储介质和设备 | |
CN109376494B (zh) | 一种基于电力系统的概率潮流确定方法及系统 | |
CN109657385A (zh) | 一种适用于输电线路随机状态生成的仿真计算方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200630 |
|
RJ01 | Rejection of invention patent application after publication |