CN112036607A - 基于出力水平的风电出力波动预测方法、装置及存储介质 - Google Patents

基于出力水平的风电出力波动预测方法、装置及存储介质 Download PDF

Info

Publication number
CN112036607A
CN112036607A CN202010749410.1A CN202010749410A CN112036607A CN 112036607 A CN112036607 A CN 112036607A CN 202010749410 A CN202010749410 A CN 202010749410A CN 112036607 A CN112036607 A CN 112036607A
Authority
CN
China
Prior art keywords
wind power
fluctuation
power output
prediction
output level
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
Application number
CN202010749410.1A
Other languages
English (en)
Other versions
CN112036607B (zh
Inventor
卢斯煜
周保荣
姚文峰
吴问足
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Southern Power Grid Co Ltd
Research Institute of Southern Power Grid Co Ltd
Original Assignee
China Southern Power Grid Co Ltd
Research Institute of Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Southern Power Grid Co Ltd, Research Institute of Southern Power Grid Co Ltd filed Critical China Southern Power Grid Co Ltd
Priority to CN202010749410.1A priority Critical patent/CN112036607B/zh
Publication of CN112036607A publication Critical patent/CN112036607A/zh
Application granted granted Critical
Publication of CN112036607B publication Critical patent/CN112036607B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Game Theory and Decision Science (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

本发明公开了一种基于出力水平的风电出力波动预测方法，包括：对风电出力序列进行划分，得到若干个划分区间；按照风电出力水平对每个数据集进行拆分，得到不同风电出力水平下的数据样本集；建立各所述风电出力水平与未来时间段的风电波动区间的对应关系，并对所述风电出力水平对应的未来时间段的风电波动量进行概率统计和拟合，得到风电波动概率模型；对各风电出力水平在各预测步长下的风电波动概率模型进行置信度的波动量统计，得到各簇类下各步长的波动区间预测情况。本发明还公开了一种基于出力水平的风电出力波动预测装置和存储介质。

Description

基于出力水平的风电出力波动预测方法、装置及存储介质
技术领域
本发明涉及电力系统技术领域，尤其涉及一种基于出力水平的风电出力波动预测方法、装置及存储介质。
背景技术
随着近年来全球化石资源储量的日益枯竭以及低碳、环保概念的逐步深入，以风能为代表的可再生能源的开发与利用日益受到国际社会的重视。与传统能源相比，风力发电受气候影响极为显著，其出力具有波动性、间歇性和随机性等特点，因此大规模风电的并网将会给电力系统安全运行和实际调度工作带来巨大的挑战。为了提高风电并网容量，准确、可靠的风电功率预测对于电力系统调度来说是必不可少的。
本领域技术人员在实施本发明的过程中发现，现有技术中确定性风电功率点预测依然存在较大误差，且其预测结果无法反映风电功率波动特性。因此，需要一种能够提高预测准确性的风电出力波动区间预测方法。
发明内容
本发明实施例提供一种基于出力水平的风电出力波动预测方法，能够提高基于出力水平的风电出力波动预测的准确性，准确地反映风电功率波动特性。
本发明实施例一提供一种基于出力水平的风电出力波动预测方法，包括：
对风电出力序列进行划分，得到若干个划分区间；
按照风电出力水平对每个数据集进行拆分，得到不同风电出力水平下的数据样本集；
建立各所述风电出力水平与未来时间段的风电波动区间的对应关系，并对所述风电出力水平对应的未来时间段的风电波动量进行概率统计和拟合，得到风电波动概率模型；
对各风电出力水平在各预测步长下的风电波动概率模型进行置信度的波动量统计，得到各簇类下各步长的波动区间预测情况。
作为上述方案的改进，所述对风电出力序列进行划分，得到若干个划分区间，具体包括：
对风电出力序列进行划分，得到若干个第一划分区间；并对所述第一划分区间进行划分，得到若干个第二划分区间；
其中，每一所述第一划分区间为2160小时；每一所述第二划分区间为2小时。
作为上述方案的改进，所述按照风电出力水平对每个数据集进行拆分，得到不同风电出力水平下的数据样本集，具体包括：
基于样本均分原则按照出力水平对每个数据集进一步拆分为不同出力水平下的数据样本集。
作为上述方案的改进，所述建立各所述风电出力水平与未来时间段的风电波动区间的对应关系，并对所述风电出力水平对应的未来时间段的风电波动量进行概率统计和拟合，得到风电波动概率模型，具体包括：
建立各风电出力水平与未来30分钟、1小时和2小时的风电波动区间的对应关系；
对不同风电出力水平下的未来30分钟、1小时和2小时的风电波动量进行概率统计，并采用t Location-Scale分布函数对波动量的概率分布进行拟合，建立不同风电出力水平下在各预测步长下的风电波动概率模型。
作为上述方案的改进，所述对各风电出力水平在各预测步长下的风电波动概率模型进行置信度的波动量统计，得到各簇类下各步长的波动区间预测情况，具体包括：
对不同风电出力水平下的未来30分钟、1小时和2小时的风电波动量进行概率统计，并采用t Location-Scale分布函数对波动量的概率分布进行拟合，建立不同风电出力水平下在各预测步长下的风电波动概率模型。
对不同风电出力水平下在各预测步长下的t Location-Scale概率模型在95％和90％置信度的波动量进行统计，得到不同风电出力水平下各步长的波动区间预测表。
作为上述方案的改进，还包括：在假设出力变化趋势不变的前提下对每个历史出力数据点进行粗略的出力预测；
其中，假设出力变化趋势不变，根据历史时刻t-Δt下的风电功率Pt-Δt和当前时刻t下的风电功率Pt，对t+Δt时刻的风电出力进行估计，具体如下：
Figure BDA0002609506550000031
式中，
Figure BDA0002609506550000032
为t+Δt时刻的风电预测出力。
作为上述方案的改进，还包括：根据t+Δt时刻的风电预测出力
Figure BDA0002609506550000033
按照所述波动区间预测表，选取风电出力水平所在的对应区间；
根据所述对应区间，获得相应Δt步长下的波动量预测区间
Figure BDA0002609506550000034
作为上述方案的改进，还包括：
将所述波动量预测区间叠加到t+Δt时刻的风电预测功率
Figure BDA0002609506550000035
上，得到未来Δt时间后的风电出力区间预测结果
Figure BDA0002609506550000036
预测区间的计算公式如下：
Figure BDA0002609506550000037
Figure BDA0002609506550000038
本发明实施例二对应提供了一种基于出力水平的风电出力波动预测装置，包括：处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例一所述的一种基于出力水平的风电出力波动预测方法。
本发明实施例三对应提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明实施例一所述的一种基于出力水平的风电出力波动预测方法。
本发明实施例提供的一种基于出力水平的风电出力波动预测方法，具有如下有益效果：
针对不同季节下，以2小时风电历史时序出力数据为分析样本，以样本均分为原则，将历史2小时风电出力划分为2个短时出力水平；并通过建立各风电短时出力水平与未来30分钟、1小时和2小时的风电波动区间的对应关系，得到不同出力水平下对应30分钟、1小时和2小时等不同预测步长的风电出力波动区间预测表。通过，假设出力变化趋势不变，对30分钟、1小时和2小时等不同预测步长下的风电出力值进行估计，通过分析该出力值所在的出力水平，预测未来不同时间尺度下的风电波动区间和出力区间，为电力系统日内实际调度提供重要指导和参考；有利于调度人员更好地认识未来变化可能存在的不确定性并进行风险评估，以保证系统经济、安全地运行；提高基于出力水平的风电出力波动预测的准确性，准确地反映风电功率波动特性。
附图说明
图1是本发明实施例一提供的一种基于出力水平的风电出力波动预测方法的流程示意图。
图2是本发明实施例一提供的历史2小时风电出力水平置信概率分布的示意图。
图3是本发明实施例一提供的基于t Location-Scale分布的风电波动模型示意图。
图4是本发明实施例一提供的各预测步长下不同置信度的波动区间示意图。
图5是本发明实施例一提供的出力区间预测示意图。
具体实施方式
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，所描述的实施例仅仅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。
参见图1，是本发明实施例一提供的一种基于出力水平的风电出力波动预测方法的流程示意图，包括：
S101、对风电出力序列进行划分，得到若干个划分区间；
进一步地，对风电出力序列进行划分，得到若干个划分区间，具体包括：
对风电出力序列进行划分，得到若干个第一划分区间；并对第一划分区间进行划分，得到若干个第二划分区间；
其中，每一第一划分区间为2160小时；每一第二划分区间为2小时。
S102、按照风电出力水平对每个数据集进行拆分，得到不同风电出力水平下的数据样本集；
进一步地，按照风电出力水平对每个数据集进行拆分，得到不同风电出力水平下的数据样本集，具体包括：
基于样本均分原则按照出力水平对每个数据集进一步拆分为不同出力水平下的数据样本集。
具体地，根据样本均分原则，按照出力水平对每个数据集进一步拆分为大、小出力水平下的两个数据样本集。可通过建立风电出力置信概率分布图(其中，横坐标为风电功率大小，纵坐标为置信概率)，选取置信概率为50％的点，其横坐标即为将样本数据等分为大、小出力区间的分界点，将风电出力划分为2个样本子集，如图2所示。
S103、建立各风电出力水平与未来时间段的风电波动区间的对应关系，并对风电出力水平对应的未来时间段的风电波动量进行概率统计和拟合，得到风电波动概率模型；
具体地，参见图3，是不同风电短时出力水平下在各预测步长下的风电波动概率模型示意图。
进一步地，建立各风电出力水平与未来时间段的风电波动区间的对应关系，并对风电出力水平对应的未来时间段的风电波动量进行概率统计和拟合，得到风电波动概率模型，具体包括：
建立各风电出力水平与未来30分钟、1小时和2小时的风电波动区间的对应关系；
对不同风电出力水平下的未来30分钟、1小时和2小时的风电波动量进行概率统计，并采用t Location-Scale分布函数对波动量的概率分布进行拟合，建立不同风电出力水平下在各预测步长下的风电波动概率模型。
S104、对各风电出力水平在各预测步长下的风电波动概率模型进行置信度的波动量统计，得到各簇类下各步长的波动区间预测情况；
进一步地，对各风电出力水平在各预测步长下的风电波动概率模型进行置信度的波动量统计，得到各簇类下各步长的波动区间预测情况，具体包括：
对不同风电出力水平下的未来30分钟、1小时和2小时的风电波动量进行概率统计，并采用t Location-Scale分布函数对波动量的概率分布进行拟合，建立不同风电出力水平下在各预测步长下的风电波动概率模型。
对不同风电出力水平下在各预测步长下的t Location-Scale概率模型在95％和90％置信度的波动量进行统计，得到不同风电出力水平下各步长的波动区间预测表。
具体地，参见图4，是各预测步长下不同置信度的波动区间示意图。
进一步地，还包括：在假设出力变化趋势不变的前提下对每个历史出力数据点进行粗略的出力预测；
其中，假设出力变化趋势不变，根据历史时刻t-Δt下的风电功率Pt-Δt和当前时刻t下的风电功率Pt，对t+Δt时刻的风电出力进行估计，具体如下：
Figure BDA0002609506550000071
式中，
Figure BDA0002609506550000072
为t+Δt时刻的风电预测出力。
进一步地，还包括：根据t+Δt时刻的风电预测出力
Figure BDA0002609506550000073
按照波动区间预测表，选取风电出力水平所在的对应区间；
根据对应区间，获得相应Δt步长下的波动量预测区间
Figure BDA0002609506550000074
进一步地，参见图5，还包括：
将波动量预测区间叠加到t+Δt时刻的风电预测功率
Figure BDA0002609506550000075
上，得到未来Δt时间后的风电出力区间预测结果
Figure BDA0002609506550000076
预测区间的计算公式如下：
Figure BDA0002609506550000077
Figure BDA0002609506550000078
本发明实施例提供的一种基于出力水平的风电出力波动预测方法、装置及存储介质，具有如下有益效果：
针对不同季节下，以2小时风电历史时序出力数据为分析样本，以样本均分为原则，将历史2小时风电出力划分为2个短时出力水平；并通过建立各风电短时出力水平与未来30分钟、1小时和2小时的风电波动区间的对应关系，得到不同出力水平下对应30分钟、1小时和2小时等不同预测步长的风电出力波动区间预测表。通过，假设出力变化趋势不变，对30分钟、1小时和2小时等不同预测步长下的风电出力值进行估计，通过分析该出力值所在的出力水平，预测未来不同时间尺度下的风电波动区间和出力区间，为电力系统日内实际调度提供重要指导和参考；有利于调度人员更好地认识未来变化可能存在的不确定性并进行风险评估，以保证系统经济、安全地运行；提高基于出力水平的风电出力波动预测的准确性，准确地反映风电功率波动特性。
本发明实施例二对应提供了一种基于出力水平的风电出力波动预测装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例一所述的基于出力水平的风电出力波动预测方法。所述基于出力水平的风电出力波动预测装置可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于出力水平的风电出力波动预测装置可包括，但不仅限于，处理器、存储器。
本发明实施例三对应提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如本发明实施例一所述的基于出力水平的风电出力波动预测方法。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述基于出力水平的风电出力波动预测装置的控制中心，利用各种接口和线路连接整个基于出力水平的风电出力波动预测装置的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述基于出力水平的风电出力波动预测装置的各种功能。所述存储器可主要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、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述基于出力水平的风电出力波动预测装置集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述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。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于出力水平的风电出力波动预测方法，其特征在于，包括：
对风电出力序列进行划分，得到若干个划分区间；
按照风电出力水平对每个数据集进行拆分，得到不同风电出力水平下的数据样本集；
建立各所述风电出力水平与未来时间段的风电波动区间的对应关系，并对所述风电出力水平对应的未来时间段的风电波动量进行概率统计和拟合，得到风电波动概率模型；
对各风电出力水平在各预测步长下的风电波动概率模型进行置信度的波动量统计，得到各簇类下各步长的波动区间预测情况。
2.如权利要求1所述的一种基于出力水平的风电出力波动预测方法，其特征在于，所述对风电出力序列进行划分，得到若干个划分区间，具体包括：
对风电出力序列进行划分，得到若干个第一划分区间；并对所述第一划分区间进行划分，得到若干个第二划分区间；
其中，每一所述第一划分区间为2160小时；每一所述第二划分区间为2小时。
3.如权利要求2所述的一种基于出力水平的风电出力波动预测方法，其特征在于，所述按照风电出力水平对每个数据集进行拆分，得到不同风电出力水平下的数据样本集，具体包括：
基于样本均分原则按照出力水平对每个数据集进一步拆分为不同出力水平下的数据样本集。
4.如权利要求3所述的一种基于出力水平的风电出力波动预测方法，其特征在于，所述建立各所述风电出力水平与未来时间段的风电波动区间的对应关系，并对所述风电出力水平对应的未来时间段的风电波动量进行概率统计和拟合，得到风电波动概率模型，具体包括：
建立各风电出力水平与未来30分钟、1小时和2小时的风电波动区间的对应关系；
对不同风电出力水平下的未来30分钟、1小时和2小时的风电波动量进行概率统计，并采用t Location-Scale分布函数对波动量的概率分布进行拟合，建立不同风电出力水平下在各预测步长下的风电波动概率模型。
5.如权利要求4所述的一种基于出力水平的风电出力波动预测方法，其特征在于，所述对各风电出力水平在各预测步长下的风电波动概率模型进行置信度的波动量统计，得到各簇类下各步长的波动区间预测情况，具体包括：
对不同风电出力水平下的未来30分钟、1小时和2小时的风电波动量进行概率统计，并采用t Location-Scale分布函数对波动量的概率分布进行拟合，建立不同风电出力水平下在各预测步长下的风电波动概率模型。
对不同风电出力水平下在各预测步长下的t Location-Scale概率模型在95％和90％置信度的波动量进行统计，得到不同风电出力水平下各步长的波动区间预测表。
6.如权利要求5所述的一种基于出力水平的风电出力波动预测方法，其特征在于，还包括：在假设出力变化趋势不变的前提下对每个历史出力数据点进行粗略的出力预测；
其中，假设出力变化趋势不变，根据历史时刻t-Δt下的风电功率Pt-Δt和当前时刻t下的风电功率Pt，对t+Δt时刻的风电出力进行估计，具体如下：
Figure FDA0002609506540000021
式中，
Figure FDA0002609506540000022
为t+Δt时刻的风电预测出力。
7.如权利要求6所述的一种基于出力水平的风电出力波动预测方法，其特征在于，还包括：根据t+Δt时刻的风电预测出力
Figure FDA0002609506540000031
按照所述波动区间预测表，选取风电出力水平所在的对应区间；
根据所述对应区间，获得相应Δt步长下的波动量预测区间
Figure FDA0002609506540000032
8.如权利要求7所述的一种基于出力水平的风电出力波动预测方法，其特征在于，还包括：
将所述波动量预测区间叠加到t+Δt时刻的风电预测功率
Figure FDA0002609506540000033
上，得到未来Δt时间后的风电出力区间预测结果
Figure FDA0002609506540000034
预测区间的计算公式如下：
Figure FDA0002609506540000035
Figure FDA0002609506540000036
9.一种基于出力水平的风电出力波动预测装置，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至8中任意一项所述的一种基于出力水平的风电出力波动预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至8中任意一项所述的一种基于出力水平的风电出力波动预测方法。
CN202010749410.1A 2020-07-30 2020-07-30 基于出力水平的风电出力波动预测方法、装置及存储介质 Active CN112036607B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010749410.1A CN112036607B (zh) 2020-07-30 2020-07-30 基于出力水平的风电出力波动预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010749410.1A CN112036607B (zh) 2020-07-30 2020-07-30 基于出力水平的风电出力波动预测方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN112036607A true CN112036607A (zh) 2020-12-04
CN112036607B CN112036607B (zh) 2023-07-25

Family

ID=73583595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010749410.1A Active CN112036607B (zh) 2020-07-30 2020-07-30 基于出力水平的风电出力波动预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112036607B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332901A (zh) * 2023-10-17 2024-01-02 南方电网数字电网研究院有限公司 采用分层时间聚合策略的新能源小时间尺度功率预测方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880989A (zh) * 2012-09-05 2013-01-16 中国电力科学研究院 一种风电出力时间序列建模方法
WO2014176930A1 (zh) * 2013-05-03 2014-11-06 国家电网公司 含大规模风电电力系统的短期运行优化方法
CN106251242A (zh) * 2016-08-08 2016-12-21 东南大学 一种风电出力区间组合预测方法
CN107103411A (zh) * 2017-04-08 2017-08-29 东北电力大学 基于改进马尔科夫链的模拟风电功率时间序列生成方法
CN109038675A (zh) * 2018-08-31 2018-12-18 中国南方电网有限责任公司电网技术研究中心 基于风电波动多尺度分解的建模方法
CN109149655A (zh) * 2018-09-14 2019-01-04 南方电网科学研究院有限责任公司 一种风电消纳水平的计算方法、装置与存储介质
CN111242353A (zh) * 2020-01-03 2020-06-05 深圳供电局有限公司 风电功率组合预测建模和预测方法
CN111353652A (zh) * 2020-03-13 2020-06-30 大连理工大学 一种风电出力短期区间预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102880989A (zh) * 2012-09-05 2013-01-16 中国电力科学研究院 一种风电出力时间序列建模方法
WO2014176930A1 (zh) * 2013-05-03 2014-11-06 国家电网公司 含大规模风电电力系统的短期运行优化方法
CN106251242A (zh) * 2016-08-08 2016-12-21 东南大学 一种风电出力区间组合预测方法
CN107103411A (zh) * 2017-04-08 2017-08-29 东北电力大学 基于改进马尔科夫链的模拟风电功率时间序列生成方法
CN109038675A (zh) * 2018-08-31 2018-12-18 中国南方电网有限责任公司电网技术研究中心 基于风电波动多尺度分解的建模方法
CN109149655A (zh) * 2018-09-14 2019-01-04 南方电网科学研究院有限责任公司 一种风电消纳水平的计算方法、装置与存储介质
CN111242353A (zh) * 2020-01-03 2020-06-05 深圳供电局有限公司 风电功率组合预测建模和预测方法
CN111353652A (zh) * 2020-03-13 2020-06-30 大连理工大学 一种风电出力短期区间预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
叶瑞丽等: "风电场风电功率预测误差分析及置信区间估计研究", 《陕西电力》 *
叶瑞丽等: "风电场风电功率预测误差分析及置信区间估计研究", 《陕西电力》, vol. 45, no. 02, 20 February 2017 (2017-02-20), pages 21 - 25 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117332901A (zh) * 2023-10-17 2024-01-02 南方电网数字电网研究院有限公司 采用分层时间聚合策略的新能源小时间尺度功率预测方法

Also Published As

Publication number Publication date
CN112036607B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN110542474A (zh) 器件的振动信号检测方法、系统、介质及装置
CN112036607B (zh) 基于出力水平的风电出力波动预测方法、装置及存储介质
CN115270633A (zh) 燃料电池三维物理场的预测方法、系统、设备及介质
CN113434518B (zh) 时序数据库查询方法、系统、设备及存储介质
CN110569230A (zh) 数据库设计模型与设计文档互相转换方法、系统及设备
CN115935723B (zh) 用于实现氮化镓制备场景下的设备组合分析方法及系统
CN116154768B (zh) 采用点预测误差经验分布逆变换的功率区间预测方法
CN116706884A (zh) 光伏发电量的预测方法、装置、终端及存储介质
CN109344875B (zh) 基于聚类分析的日风电出力时序生成方法及装置
CN116826859A (zh) 一种电源碳电协同规划方法、装置、设备及存储介质
CN112052981B (zh) 基于簇类的风电出力波动区间预测方法、装置及存储介质
CN115935212A (zh) 一种基于纵向趋势预测的可调节负荷聚类方法及系统
CN115169089A (zh) 基于核密度估计和copula的风电功率概率预测方法和装置
CN113190429B (zh) 服务器性能预测方法、装置及终端设备
CN114876731A (zh) 风电场低效运行风电机组排查方法、系统、设备和介质
CN114117349A (zh) 电力系统随机变量概率分析方法、系统、设备及存储介质
CN112148470A (zh) 参数同步方法、计算机装置及可读存储介质
CN116979540B (zh) 基于图技术的换流站潮流估计方法、装置、设备和介质
CN113435058B (zh) 配网自愈测试模型的数据降维方法、系统、终端及介质
CN117714305B (zh) 一种智能家居网关连接方法及系统
CN117591784B (zh) 一种基于fpga的旋转因子计算方法及fpga芯片
CN112329387B (zh) 一种公式模板配置方法及装置
CN112016049A (zh) 一种天然气用量的影响因素定量分析方法及装置
CN117332901A (zh) 采用分层时间聚合策略的新能源小时间尺度功率预测方法
CN114218298A (zh) 测点数据统计方法、装置、设备及存储介质

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