CN112052981B - 基于簇类的风电出力波动区间预测方法、装置及存储介质 - Google Patents
基于簇类的风电出力波动区间预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN112052981B CN112052981B CN202010754486.3A CN202010754486A CN112052981B CN 112052981 B CN112052981 B CN 112052981B CN 202010754486 A CN202010754486 A CN 202010754486A CN 112052981 B CN112052981 B CN 112052981B
- Authority
- CN
- China
- Prior art keywords
- wind power
- fluctuation
- cluster
- power output
- 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 41
- 238000004590 computer program Methods 0.000 claims description 21
- 238000005315 distribution function Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012502 risk assessment Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于簇类的风电出力波动区间预测方法,包括:对风电出力序列进行划分,得到若干个划分区间;对所述划分区间内的风电相对出力进行聚类划分,得到若干个风电出力簇类;建立所述风电出力簇类与未来时间段的风电波动区间的对应关系;对所述风电出力簇类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;对各簇类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。本发明公开的一种基于簇类的风电出力波动区间预测方法,能够提高风电出力波动区间预测的准确性,准确地反映风电功率波动特性。本发明还公开了一种装置和存储介质。
Description
技术领域
本发明涉及电力系统技术领域,尤其涉及一种基于簇类的风电出力波动区间预测方法、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簇类的风电出力波动区间预测方法,能够提高风电出力波动区间预测的准确性,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簇类的风电出力波动区间预测方法,包括:
对风电出力序列进行划分,得到若干个划分区间;
对所述划分区间内的风电相对出力进行聚类划分,得到若干个风电出力簇类;
建立所述风电出力簇类与未来时间段的风电波动区间的对应关系,并对所述风电出力簇类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;
对各簇类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,所述对所述划分区间内的风电相对出力进行聚类划分,得到若干个风电出力簇类,具体包括:
基于自适应AP聚类技术,采用余弦距离进行相似性度量,对历史2小时风电相对出力进行聚类划分,得到3个风电出力簇类;
其中,所述对历史2小时风电的相对出力进行聚类划分,具体包括:以2小时终止时刻风电出力为基准值,基于2小时步长的时序出力序列得到2小时内的相对出力序列。
作为上述方案的改进,所述建立所述风电出力簇类与未来时间段的风电波动区间的对应关系,并对所述风电出力簇类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:
建立各所述风电出力簇类与未来30分钟、1小时和2小时的风电波动区间的对应关系;
对所述各风电出力簇类中的未来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,建立各簇类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,所述对各簇类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:
对各簇类在各预测步长下的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,所述对各簇类在各预测步长下的t Location-Scale概率模型在95%和90%置信度的波动量进行统计,得到各簇类下各步长的波动区间预测情况,具体包括:
对各所述风电出力簇类对应的未来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,建立各簇类在各预测步长下的风电波动概率模型;
对各簇类在各预测步长下的t Location-Scale概率模型在95%和90%置信度的波动量进行统计,得到3种不同出力模式下对应30分钟、1小时和2小时不同预测步长的基于簇类的风电出力波动区间预测表。
作为上述方案的改进,还包括:获取当前时刻t和历史时刻的风电功率Pt,以Δt为步长对t+Δt时刻的风电出力Pt+Δt进行区间预测。
作为上述方案的改进,所述获取当前时刻t和历史时刻的风电功率Pt,以Δt为步长对t+Δt时刻的风电出力Pt+Δt进行区间预测,具体包括:
通过所述历史2小时风电历史时序出力序列[Pt-2h…Pt]得到2小时相对波动序列
计算所述相对波动序列与各个所述相对出力序列间的余弦距离,并将所述相对出力序列归于余弦距离最近的类簇中;
根据所归入的类簇和预测步长,在所述基于簇类的风电出力波动区间预测表中,选取相应的波动区间[ΔPt,down,ΔPt,up];
将选取的波动区间叠加至Pt上,得到t+Δt时刻的风电出力Pt+Δt的区间预测结果[ΔPt,down+Pt,ΔPt,up+Pt]。
本发明实施例二对应提供了一种基于簇类的风电出力波动区间预测装置,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簇类的风电出力波动区间预测方法。
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簇类的风电出力波动区间预测方法。
本发明实施例提供的一种基于簇类的风电出力波动区间预测方法,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,通过应用AP聚类技术,将历史2小时风电出力进行聚类划分为3个风电短时出力簇类(即3个2小时短时风电出力波动模式);并通过建立各风电短时出力簇类(即2小时短时风电出力波动模式)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3种不同出力模式下对应30分钟、1小时和2小时等不同预测步长的基于簇类的风电出力波动区间预测表,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,并据此进行未来不同时间尺度下的风电波动区间预测,为实际调度提供重要指导和参考;提高风电出力波动区间预测的准确性,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簇类的风电出力波动区间预测方法的流程示意图。
图2是本发明实施例一提供的风电出力簇类的简化示意图。
图3是本发明实施例一提供的基于2小时步长的时序出力序列得到2小时内的相对出力序列的示意图。
图4是本发明实施例一提供的各预测步长下的风电波动概率模型示意图。
图5是本发明实施例一提供的不同预测步长的基于簇类的风电出力波动区间预测表。
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簇类的风电出力波动区间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。
具体地,将一年划分为四季,每个季节2160小时,分别对各季节进行日内短时基于簇类的风电出力波动区间预测。一个季度内对风电历史时序出力数据以2小时为步长,划分为1080个时序出力序列。
S102、对划分区间内的风电相对出力进行聚类划分,得到若干个风电出力簇类;
进一步地,对划分区间内的风电相对出力进行聚类划分,得到若干个风电出力簇类,具体包括:
基于自适应AP聚类技术,采用余弦距离进行相似性度量,对历史2小时风电相对出力进行聚类划分,简化得到3个风电出力簇类,即3个2小时短时风电出力波动模式;
具体地,参见图2,是风电出力簇类的简化示意图。
其中,对历史2小时风电的相对出力进行聚类划分,具体包括:以2小时终止时刻风电出力为基准值,基于2小时步长的时序出力序列得到2小时内的相对出力序列。
具体地,参见图3,是基于2小时步长的时序出力序列得到2小时内的相对出力序列的示意图。
S103、建立风电出力簇类与未来时间段的风电波动区间的对应关系,并对风电出力簇类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;
进一步地,建立风电出力簇类与未来时间段的风电波动区间的对应关系,并对风电出力簇类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:
建立各风电出力簇类与未来30分钟、1小时和2小时的风电波动区间的对应关系;
对各风电出力簇类中的未来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,建立各簇类在各预测步长下的风电波动概率模型。
具体地,参见图4,是各预测步长下的风电波动概率模型示意图。
S104、对各簇类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,对各簇类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:
对各簇类在各预测步长下的t Location-Scale概率模型在95%和90%置信度的波动量进行统计,得到各簇类下各步长的波动区间预测情况。
进一步地,对各簇类在各预测步长下的t Location-Scale概率模型在95%和90%置信度的波动量进行统计,得到各簇类下各步长的波动区间预测情况,具体包括:
对各风电出力簇类对应的未来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,建立各簇类在各预测步长下的风电波动概率模型;
对各簇类在各预测步长下的t Location-Scale概率模型在95%和90%置信度的波动量进行统计,得到3种不同出力模式下对应30分钟、1小时和2小时不同预测步长的基于簇类的风电出力波动区间预测表。
具体地,参见图5,是不同预测步长的基于簇类的风电出力波动区间预测表。
进一步地,还包括:获取当前时刻t和历史时刻的风电功率Pt,以Δt为步长对t+Δt时刻的风电出力Pt+Δt进行区间预测。
进一步地,获取当前时刻t和历史时刻的风电功率Pt,以Δt为步长对t+Δt时刻的风电出力Pt+Δt进行区间预测,具体包括:
通过历史2小时风电历史时序出力序列[Pt-2h…Pt]得到2小时相对波动序列
计算相对波动序列与各个相对出力序列间的余弦距离,并将相对出力序列归于余弦距离最近的类簇中;
根据所归入的类簇和预测步长,在基于簇类的风电出力波动区间预测表中,选取相应的波动区间[ΔPt,down,ΔPt,up];
将选取的波动区间叠加至Pt上,得到t+Δt时刻的风电出力Pt+Δt的区间预测结果[ΔPt,down+Pt,ΔPt,up+Pt]。
本发明实施例提供的一种基于簇类的风电出力波动区间预测方法、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,通过应用AP聚类技术,将历史2小时风电出力进行聚类划分为3个风电短时出力簇类(即3个2小时短时风电出力波动模式);并通过建立各风电短时出力簇类(即2小时短时风电出力波动模式)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3种不同出力模式下对应30分钟、1小时和2小时等不同预测步长的基于簇类的风电出力波动区间预测表,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,并据此进行未来不同时间尺度下的风电波动区间预测,为实际调度提供重要指导和参考;提高风电出力波动区间预测的准确性,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簇类的风电出力波动区间预测装置,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簇类的风电出力波动区间预测方法。所述基于簇类的风电出力波动区间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。所述基于簇类的风电出力波动区间预测装置可包括,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簇类的风电出力波动区间预测方法。
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簇类的风电出力波动区间预测装置的控制中心,利用各种接口和线路连接整个基于簇类的风电出力波动区间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,实现所述基于簇类的风电出力波动区间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,所述基于簇类的风电出力波动区间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 (6)
1.一种基于簇类的风电出力波动区间预测方法,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;
对所述划分区间内的风电相对出力进行聚类划分,得到若干个风电出力簇类;
建立所述风电出力簇类与未来时间段的风电波动区间的对应关系,并对所述风电出力簇类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;
对各簇类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:对各簇类在各预测步长下的t Location-Scale概率模型在95%和90%置信度的波动量进行统计,得到各簇类下各步长的波动区间预测情况,其中,所述对各簇类在各预测步长下的t Location-Scale概率模型在95%和90%置信度的波动量进行统计,得到各簇类下各步长的波动区间预测情况,具体包括:对各所述风电出力簇类对应的未来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,建立各簇类在各预测步长下的风电波动概率模型;对各簇类在各预测步长下的t Location-Scale概率模型在95%和90%置信度的波动量进行统计,得到3种不同出力模式下对应30分钟、1小时和2小时不同预测步长的基于簇类的风电出力波动区间预测表;其中,所述3种不同出力模式为以2小时风电历史时序出力数据为分析样本,通过应用自适应AP聚类技术,将历史2小时风电出力进行聚类划分的3个风电短时出力簇类;
获取当前时刻t和历史时刻的风电功率,以∆t为步长对t+∆t时刻的风电出力/>进行区间预测,具体包括:通过所述历史2小时风电历史时序出力序列/>得到2小时相对波动序列/>;计算所述相对波动序列与各个所述相对出力序列间的余弦距离,并将所述相对出力序列归于余弦距离最近的类簇中;根据所归入的类簇和预测步长,在所述基于簇类的风电出力波动区间预测表中,选取相应的波动区间;将选取的波动区间叠加至/>上,得到t+∆t时刻的风电出力/>的区间预测结果/>。
2.如权利要求1所述的一种基于簇类的风电出力波动区间预测方法,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所述的一种基于簇类的风电出力波动区间预测方法,其特征在于,所述对所述划分区间内的风电相对出力进行聚类划分,得到若干个风电出力簇类,具体包括:
基于所述自适应AP聚类技术,采用余弦距离进行相似性度量,对历史2小时风电相对出力进行聚类划分,得到3个所述风电短时出力簇类;
其中,所述对历史2小时风电的相对出力进行聚类划分,具体包括:以2小时终止时刻风电出力为基准值,基于2小时步长的时序出力序列得到2小时内的相对出力序列。
4.如权利要求3所述的一种基于簇类的风电出力波动区间预测方法,其特征在于,所述建立所述风电出力簇类与未来时间段的风电波动区间的对应关系,并对所述风电出力簇类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:
建立各所述风电出力簇类与未来30分钟、1小时和2小时的风电波动区间的对应关系;
对所述各风电出力簇类中的未来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,建立各簇类在各预测步长下的风电波动概率模型。
5.一种基于簇类的风电出力波动区间预测装置,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4中任意一项所述的一种基于簇类的风电出力波动区间预测方法。
6.一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4中任意一项所述的一种基于簇类的风电出力波动区间预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010754486.3A CN112052981B (zh) | 2020-07-30 | 2020-07-30 | 基于簇类的风电出力波动区间预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010754486.3A CN112052981B (zh) | 2020-07-30 | 2020-07-30 | 基于簇类的风电出力波动区间预测方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112052981A CN112052981A (zh) | 2020-12-08 |
CN112052981B true CN112052981B (zh) | 2023-08-22 |
Family
ID=73601183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010754486.3A Active CN112052981B (zh) | 2020-07-30 | 2020-07-30 | 基于簇类的风电出力波动区间预测方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112052981B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108376262A (zh) * | 2018-02-23 | 2018-08-07 | 新疆大学 | 一种风电出力典型特性的分析模型构建方法 |
CN109344875A (zh) * | 2018-08-31 | 2019-02-15 | 中国南方电网有限责任公司电网技术研究中心 | 基于聚类分析的日风电出力时序生成方法、装置与介质 |
-
2020
- 2020-07-30 CN CN202010754486.3A patent/CN112052981B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108376262A (zh) * | 2018-02-23 | 2018-08-07 | 新疆大学 | 一种风电出力典型特性的分析模型构建方法 |
CN109344875A (zh) * | 2018-08-31 | 2019-02-15 | 中国南方电网有限责任公司电网技术研究中心 | 基于聚类分析的日风电出力时序生成方法、装置与介质 |
Non-Patent Citations (1)
Title |
---|
风电场风电功率预测误差分析及置信区间估计研究;叶瑞丽等;《陕西电力》;20170220(第02期);第22-24页第3节 * |
Also Published As
Publication number | Publication date |
---|---|
CN112052981A (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200082318A1 (en) | Method and device for determining delivery region | |
CN108399564B (zh) | 信用评分方法及装置 | |
US10244503B2 (en) | Systems and methods to measure the population of mobile devices in a predefined geographical region | |
WO2021133253A1 (en) | Method and apparatus for predicting energy consumption, and device and storage medium thereof | |
CN112613680A (zh) | 续航里程估算方法、装置、设备及存储介质 | |
CN112945329B (zh) | 确定农业机井灌溉水量的方法、装置及终端 | |
CN116028838B (zh) | 一种基于聚类算法的能源数据处理方法、装置及终端设备 | |
CN113505537A (zh) | 楼宇能耗检测方法、装置、计算机设备和存储介质 | |
CN109947874B (zh) | 移动轨迹的聚合方法、装置及设备 | |
CN110909804B (zh) | 基站异常数据的检测方法、装置、服务器和存储介质 | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
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 | |
CN111241106A (zh) | 近似数据处理方法、装置、介质及电子设备 | |
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 | |
CN117422182A (zh) | 数据预测方法、装置及存储介质 | |
CN115035017A (zh) | 细胞密度分群方法、装置、电子设备及存储介质 | |
CN112328851A (zh) | 分布式电源监测方法、装置及电子设备 | |
CN109344875B (zh) | 基于聚类分析的日风电出力时序生成方法及装置 | |
CN114691630B (zh) | 一种智慧供应链大数据共享方法及系统 | |
CN109241146A (zh) | 集群环境下的学生智助方法和系统 | |
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 | |
CN113723712A (zh) | 风电功率预测方法、系统、设备及介质 | |
CN109472454B (zh) | 活动评估方法、装置、电子设备及存储介质 | |
CN112163696B (zh) | 基于水文指数的电力系统稳定性预测方法及装置 | |
CN117353302B (zh) | 新能源发电功率的预测方法、装置、设备及介质 |
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 |