CN112581312B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112581312B CN112581312B CN202011521702.6A CN202011521702A CN112581312B CN 112581312 B CN112581312 B CN 112581312B CN 202011521702 A CN202011521702 A CN 202011521702A CN 112581312 B CN112581312 B CN 112581312B
- Authority
- CN
- China
- Prior art keywords
- data
- wind power
- prediction error
- prediction
- predicted
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000010248 power generation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000008569 process Effects 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
- 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
- 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"
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)
- 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，获取风功率历史实际出力数据与对应时刻预测数据，获取所述风功率未来预测数据，对所有数据按照容量进行标幺化后，依照精度要求将所有数据按照预测提前期分类；对某一类别下数据进行分箱，计算不同箱中实际出力数据的均值和标准差以及预测数据的均值作为统计值，对所有统计值进行参数拟合，确定实际出力数据均值与预测数据均值、实际出力数据标准差与实际出力数据均值之间的关系；本发明的分析方法是基于beta分布提供的功率预测误差分布分析方法，实现了考虑预测提前期的对风电功率预测误差分布的准确实用的分析方法。
Description
技术领域
本发明属于电力系统风力发电功率预测技术领域，具体涉及一种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。
背景技术
近年来，世界各个国家大力发展可再生清洁能源以应对日趋严重的能源危机与环境污染问题，风电渗透率不断提高。风电具有高随机性与不可调度性，为了减小风电对系统带来的诸多风险，人们提出了各种预测手段以求不断提高预测准确度，但是无论哪种预测方法都不可避免地存在预测误差。合理估计预测误差的分布，可以为降低发电成本、设置系统备用容量等多方面提供技术支撑，从而实现系统运行更加经济与高效。
高斯分布被广泛用于估计预测误差分布，但高斯分布存在明显的弊端。在实践中发现，预测误差分布往往具有高峰度、肥尾特性。电力系统中，调度人员希望找到可能的最大预测误差从而预留足够的调度空间以保证系统平稳运行，因此人们并不关心大多数准确预测的时刻，而是少数预测误差大、对系统影响更大的时刻，即肥尾部分，而高斯分布无法体现这种特点。另一方面，由于风功率出力曲线具有类S型曲线特性，当风速低于切入风速时风电功率为0，当风速大于切出风速时风电功率为1，对于这两部分及其附近的功率预测值往往较为准确，而对于风速处于中间时刻的风电功率预测误差更加大，因此风电功率预测误差分布对于不同的预测值具有不同的形状，高斯分布固定的对称特性与此是相矛盾的。此外，对于标幺化的功率，预测误差分布是有界的，例如如果预测功率为0.5，则预测误差为[-0.5,0.5]，而高斯分布却是无界的。最后，由于预测误差与预测提前期具有正相关关系，预测提前期越长预测误差越大，误差的概率密度函数峰值降低，肥尾现象更加明显，因此在进行误差分布估计时还应考虑到这一因素。
综上可以发现，风电功率预测误差分布具有高峰度、肥尾、有界、不同预测值误差分布具有不同形状等特点，而常用的高斯分布不能准确描述风电功率预测误差分布的这些特征，此外预测误差分布还受预测提前期影响，因此亟待寻求一种形状灵活的概率密度函数，形成能够考虑预测提前期的预测误差分布分析方法，从而为电力系统运行调度等提供技术支持。
发明内容
为了解决现有技术中存在的问题，本发明的目的在于提供一种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，本发明的分析方法是基于beta分布提供的功率预测误差分布分析方法。
为实现上述目的，本发明采用的技术方案是，风电功率预测误差分布分析方法，包括以下步骤：
步骤1：数据获取与预处理，获取风功率历史实际出力数据与对应时刻预测数据，获取所述风功率未来预测数据，对所有数据按照容量进行标幺化后，依照精度要求将所有数据按照预测提前期分类；
步骤2：参数拟合，对某一类别下数据进行分箱，计算不同箱中实际出力数据的均值和标准差以及预测数据的均值作为统计值，对所有统计值进行参数拟合，确定实际出力数据均值与预测数据均值、实际出力数据标准差与实际出力数据均值之间的关系；
步骤3：分布估计，根据步骤2得到的关系以及某类别下某预测值，计算误差分布的均值和标准差，计算beta分布参数α,β，得到该预测功率的预测误差概率密度函数。
进一步的，所述步骤1对所有获取的风功率历史实际数据P、对应时刻预测数据P*以及未来预测数据进行的预处理包括：
1)将所有数据按照容量进行标幺化；
2)标幺化完成后，根据对预测误差分布估计精度的要求，对所有数据按照预测提前期分类，每一类包含<P,P*>数据以及与该类数据对应的
进一步的，所述步骤2中的参数拟合包括如下内容：
1)取步骤1分类后的任意一类数据<P,P*>进行分箱，第i个箱的数据记为<Pi,Pi *>，共M个箱的数据；
2)计算每个箱中实际功率的均值μi、标准差σi以及预测功率的均值的统计值；
3)假设实际功率均值μ与预测功率均值实际功率标准差σ与实际功率均值μ存在如下关系：
使用最小二乘法对步骤2)中得到的数据进行拟合，确定公式(1)、公式(2)中的待定系数a,b,c,d；拟合后的系数保存以供下次预测误差分布估计使用。
进一步的，当待定系数c,d相等或c,d的相对偏差小于1％时，用公式(3)代替公式(2)进行系数拟合：
σ＝cμ(1-μ) (10)。
进一步的，当进行参数拟合时，读取到已保存的系数，则跳过参数拟合步骤，直接进行步骤3的预测误差分布估计。
进一步的，所述步骤3的分布估计包括如下内容：
1)对于步骤1中获得的未来预测功率使用对应该类别的系数a,b,c,d进行计算，采用式(4)计算beta分布的均值μ，使用式(2)或式(3)计算标准差σ：
2)使用式(5)与式(6)计算beta分布参数α与β：
3)根据步骤2)中求得的beta分布参数α、β得到预测误差分布估计为：
得到预测功率为时，其预测误差的概率分布估计式。
进一步的，在步骤3之后还包括步骤4：将所有预测误差分布估计的结果整理并上报调度部门以供进一步应用。
本发明的另一目的是提供一种风电功率预测误差分布分析装置，包括：
数据获取与预处理模块，用于获取风功率历史实际出力数据与对应时刻预测数据，获取所述风功率未来预测数据，对所有数据按照容量进行标幺化后，依照精度要求将所有数据按照预测提前期分类；
参数拟合模块，用于对某一类别下数据进行分箱，计算不同箱中实际出力数据的均值和标准差以及预测数据的均值作为统计值，对所有统计值进行参数拟合，确定实际出力数据均值与预测数据均值、实际出力数据标准差与实际出力数据均值之间的关系；
分布估计模块，用于根据实际出力数据均值与预测数据均值、实际出力数据标准差与实际出力数据均值之间的关系以及某类别下某预测值，计算误差分布的均值和标准差，计算beta分布参数α,β，得到该预测功率的预测误差概率密度函数。
本发明还有一个目的是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是实现上述风电功率预测误差分布分析方法的步骤。
本发明还有一个目的是提供一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行是实现上述风电功率预测误差分布分析方法的步骤。
与现有技术相比，本发明至少具有以下有益效果：能有效解决现有高斯分布对预测误差特点不能准确描述、不同预测提前期预测误差未能分开考虑的弊端，提供了一种工程实用的准确性高的风电功率预测误差分布分析方法。
进一步的，由于预测提前期越长，预测误差越大，其分布呈现不同形状，在实际的风电功率预测中往往一次性需要预测数小时至数天的风电功率，不同的预测提前期必然导致预测误差分布不同，不能简单直接地对所有数据进行误差分布估计，而现有技术却忽略这一重要特征。考虑到这一因素，本发明提出将数据按照预测提前期分类，具有相邻相近预测提前期的数据可以分为一类。根据技术使用者对精度的要求，可以灵活调整分类数量，例如需要更高精度的分布估计，则可以将更少预测提前期的数据归为一类。
本发明采用beta分布进行误差估计具有以下有益效果：预测误差分布具有有界性，而beta分布天然有界，其范围为[0,1]，这与标幺化的风功率范围一致，因此本发明充分利用这一特性首先使用beta分布对风功率进行估计，然后将其转化为对预测误差的估计；beta分布具有两个参数α和β，随着这两个参数的变化beta分布的概率密度函数可以呈现多种形状，在不同形状下，可以反映出预测误差在风功率很大或很小时预测更加准确而在中间状态预测误差更大的情况；beta分布还具有肥尾特性，这有效弥补了高斯分布的不足。
综上所述本发明从风电功率预测误差分布特征出发，巧妙利用了beta分布的有界性和形状灵活等特点，能够准确对风功率进行估计。考虑了实际功率预测中需要对未来不同时间进行预测的客观事实，可以对不同预测提前期下的预测误差分布进行估计。
附图说明
图1为本发明所采用的技术路线框图。
以下结合附图对本发明做进一步的详细说明。
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。
本实施例提供的风电功率预测误差分布分析方法，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。
需要说明的是，本发明实施例提供的风电功率预测误差分布分析方法，其执行主体可以是风电功率预测误差分布分析装置，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，本实施例对电子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。
如图1所示，本发明的风电功率预测误差分布分析方法，包括以下步骤：
步骤1，获取历史实际出力数据与对应时刻历史预测数据，获取未来预测功率，本发明即是要对未来预测功率的预测误差分布进行估计，首先将所有数据按照容量进行标幺化。
一般地，时刻t对时刻t+h的预测值可以表示为用/>表示获取的未来预测功率。用P(t)表示获取的历史实际风电功率，P*(t|t-h)表示对应时刻的预测功率，以上分别简记为P，P*。注意对应某一P，可能会有在不同预测提前期h预测得到的多个P*。将所有P、P*按照h分类并将该类数据记作<P,P*>，例如将h＝1～H归为一类，h＝(H+1)～2H归为一类，以此类推，直到所有数据归类。每一类中包含的预测提前期越少则预测误差分布估计越准确。将/>按照如上完全相同的规则归类。值得说明的是，历史实际出力数据与对应时刻历史预测数据应足够多，从而使误差分布估计具有统计意义。
此后所有步骤均对每类中的数据分别进行，因此之后分别用P、P*、表示某一类中历史实际出力数据、对应时刻历史预测数据和未来预测功率。
步骤2，对类<P,P*>中所有数据按照P*进行分箱，第i个箱的数据记为<Pi,Pi *>，例如分为M个箱，则预测功率介于[0,1/M]的数据对<P,P*>分在第一个箱<P1,P1 *>中，预测功率介于[1/M,2/M]的数据对分在第二个箱中，以此类推，从而得到M个箱的数据。分箱的意义在于，对于处于某区间的预测功率P*其对应的实际功率有各种可能性，通过对箱中的实际功率拟合得到该区间的概率分布。M越大，则需要更多的历史数据，从而使得拟合的概率分布具有统计意义。
计算每个箱中实际功率的均值μi、标准差σi以及预测功率的均值作为统计值。假设实际功率均值μ与预测功率均值/>实际功率标准差σ与实际功率均值μ存在如下关系：
式中a,b,c,d均为待定系数，则以上计算得到的统计值应满足公式所示关系，使用最小二乘法即可拟合求得式中待定系数。显然，步骤1中不同类别数据将拟合得到不同的待定系数a,b,c,d。
在某些优选实施例中，当拟合得到的系数c,d相等或相对偏差小于1％时，则可以直接用公式(3)代替公式(2)进行系数拟合:
σ＝cμ(1-μ) (17)
在实际应用中，此步骤拟合得到的系数a,b,c,d需进行保存，下次使用本发明进行预测误差分布估计时，只需要判断是否已经过拟合，如果已经完成过步骤2，不需要再进行此步骤，直接进入步骤3。
步骤3，对于步骤1中获得的未来预测功率使用对应该类别的系数a,b,c,d进行计算。采用式(4)计算beta分布均值μ：
式中a,b两参数由步骤2确定。使用式(2)或式(3)计算beta分布标准差σ，其中c,d两参数由步骤2确定。
beta分布参数α,β由式(5)、式(6)确定：
则预测功率对应的实际功率P应满足如下beta分布：
预测误差ε、预测功率实际功率P具有如下关系：
即，将此等式代入公式(7)，即得到预测误差ε的分布估计：
步骤4，在一次预测过程后，对多个预测功率的误差分布按照上述步骤估计，整理结果并将其上报至调度部门以供进一步应用。
为使本发明实施例的目的、技术方案更加清楚，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。
实施例数据来自我国某省2019年1月1日至2020年5月23日风力发电数据，包括预测功率与实际功率，时间分辨率为小时，预测提前期由1小时至72小时。
首先将数据按照预测提前期分类，本实施例采用每9小时分为一类，即h＝1～9为第一类，h＝10～18为第二类，以此类推，共分得8类。以下取第6类为例进行分布估计。
将该类数据按照预测功率每0.02区间长度分箱，例如第一个箱对应预测功率为[0,0.02]，共分得50个箱。计算50个箱中实际功率均值μ、标准差σ与预测功率均值其结果如表1所示。
表1.第六类各箱数据统计值
表1中没有箱号为1以及44及以后的统计值是由于这几个箱中没有数据。
对表1中数据按照公式(1)和公式(2)进行最小二乘拟合，得到参数a＝1.016,b＝-0.016,c＝0.650,d＝0.619。
若某一预测功率则按照公式(4)和公式(2)计算得到其对应实际功率均值和标准差分别估计为0.038与0.028，进一步按照公式(5)和公式(6)计算得到α＝1.644,β＝42.164。则可以得到预测误差分布的估计为：
以上即完成了对一个预测值的预测误差分布估计。完成所有预测值的分布估计即可将结果整理上报，用于调整发电以及设置系统备用。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (8)
1.风电功率预测误差分布分析方法，其特征在于，包括以下步骤：
步骤1：数据获取与预处理，获取风功率历史实际出力数据与对应时刻预测数据，获取所述风功率未来预测数据，对所有数据按照容量进行标幺化后，依照精度要求将所有数据按照预测提前期分类；
步骤2：参数拟合，对某一类别下数据进行分箱，计算不同箱中实际出力数据的均值和标准差以及预测数据的均值作为统计值，对所有统计值进行参数拟合，确定实际出力数据均值与预测数据均值、实际出力数据标准差与实际出力数据均值之间的关系；
步骤3：分布估计，根据步骤2得到的关系以及某类别下某预测值，计算误差分布的均值和标准差，计算beta分布参数α,β，得到该预测功率的预测误差概率密度函数；
所述步骤2中的参数拟合包括如下内容：
1)取步骤1分类后的任意一类数据<P,P*>进行分箱，第i个箱的数据记为<Pi,Pi *>，共M个箱的数据；
2)计算每个箱中实际功率的均值μi、标准差σi以及预测功率的均值的统计值；
3)假设实际功率均值μ与预测功率均值实际功率标准差σ与实际功率均值μ存在如下关系：
使用最小二乘法对步骤2)中得到的数据进行拟合，确定公式(1)、公式(2)中的待定系数a,b,c,d；拟合后的系数保存以供下次预测误差分布估计使用；
当待定系数c,d相等或c,d的相对偏差小于1％时，用公式(3)代替公式(2)进行系数拟合：
σ＝cμ(1-μ) (3)。
2.如权利要求1所述的风电功率预测误差分布分析方法，其特征在于：所述步骤1对所有获取的风功率历史实际数据P、对应时刻预测数据P*以及未来预测数据进行的预处理包括：
1)将所有数据按照容量进行标幺化；
2)标幺化完成后，根据对预测误差分布估计精度的要求，对所有数据按照预测提前期分类，每一类包含<P,P*>数据以及与该类数据对应的
3.如权利要求1所述风电功率预测误差分布分析方法，其特征在于，当进行参数拟合时，读取到已保存的系数，则跳过参数拟合步骤，直接进行步骤3的预测误差分布估计。
4.如权利要求1所述风电功率预测误差分布分析方法，其特征在于：所述步骤3的分布估计包括如下内容：
1)对于步骤1中获得的未来预测功率使用对应该类别的系数a,b,c,d进行计算，采用式(4)计算beta分布的均值μ，使用式(2)或式(3)计算标准差σ：
2)使用式(5)与式(6)计算beta分布参数α与β：
3)根据步骤2)中求得的beta分布参数α、β得到预测误差分布估计为：
得到预测功率为时，其预测误差的概率分布估计式。
5.如权利要求1所述风电功率预测误差分布分析方法，其特征在于：在步骤3之后还包括步骤4：将所有预测误差分布估计的结果整理并上报调度部门以供进一步应用。
6.风电功率预测误差分布分析装置，其特征在于，包括：
数据获取与预处理模块，用于获取风功率历史实际出力数据与对应时刻预测数据，获取所述风功率未来预测数据，对所有数据按照容量进行标幺化后，依照精度要求将所有数据按照预测提前期分类；
参数拟合模块，用于对某一类别下数据进行分箱，计算不同箱中实际出力数据的均值和标准差以及预测数据的均值作为统计值，对所有统计值进行参数拟合，确定实际出力数据均值与预测数据均值、实际出力数据标准差与实际出力数据均值之间的关系；
分布估计模块，用于根据实际出力数据均值与预测数据均值、实际出力数据标准差与实际出力数据均值之间的关系以及某类别下某预测值，计算误差分布的均值和标准差，计算beta分布参数α,β，得到该预测功率的预测误差概率密度函数。
7.一种计算机设备，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是实现权利要求1至5中任一项所述方法的步骤。
8.一种可读存储介质，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是实现权利要求1至5中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011521702.6A CN112581312B (zh) | 2020-12-21 | 2020-12-21 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011521702.6A CN112581312B (zh) | 2020-12-21 | 2020-12-21 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112581312A CN112581312A (zh) | 2021-03-30 |
| CN112581312B true CN112581312B (zh) | 2024-03-08 |
Family
ID=75136443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011521702.6A Active CN112581312B (zh) | 2020-12-21 | 2020-12-21 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112581312B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014021555A (ja) * | 2012-07-12 | 2014-02-03 | Toyota Motor Corp | 自然エネルギー量予測装置 |
| CN105975751A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种表征可再生能源功率概率分布的截断通用分布模型 |
| CN106485362A (zh) * | 2016-10-18 | 2017-03-08 | 江苏省电力试验研究院有限公司 | 一种基于高维风电预测误差模型及降维技术的发电调度方法 |
| CN108197837A (zh) * | 2018-02-07 | 2018-06-22 | 沈阳工业大学 | 基于KMeans聚类的光伏发电预测方法 |
| CN108694472A (zh) * | 2018-06-15 | 2018-10-23 | 清华大学 | 预测误差极值分析方法、装置、计算机设备和可读存储介质 |
| CN109494716A (zh) * | 2018-11-15 | 2019-03-19 | 沈阳工业大学 | 基于Bootstrap的风电输出功率置信区间预测方法 |
| CN110909921A (zh) * | 2019-11-08 | 2020-03-24 | 国家电网有限公司 | 中长期风电电量预测方法、装置、计算机设备及存储介质 |
| CN111008504A (zh) * | 2019-12-18 | 2020-04-14 | 武汉大学 | 一种基于气象模式识别的风电功率预测误差建模方法 |
| CN111049193A (zh) * | 2019-12-16 | 2020-04-21 | 国家电网公司华中分部 | 一种风电系统多调度场景的备用需求动态评估方法 |
| CN112054561A (zh) * | 2020-09-16 | 2020-12-08 | 三峡大学 | 基于SARSA(λ)算法的风电-抽蓄联合系统日随机动态调度方法 |
-
2020
- 2020-12-21 CN CN202011521702.6A patent/CN112581312B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014021555A (ja) * | 2012-07-12 | 2014-02-03 | Toyota Motor Corp | 自然エネルギー量予測装置 |
| CN105975751A (zh) * | 2016-04-29 | 2016-09-28 | 武汉大学 | 一种表征可再生能源功率概率分布的截断通用分布模型 |
| CN106485362A (zh) * | 2016-10-18 | 2017-03-08 | 江苏省电力试验研究院有限公司 | 一种基于高维风电预测误差模型及降维技术的发电调度方法 |
| CN108197837A (zh) * | 2018-02-07 | 2018-06-22 | 沈阳工业大学 | 基于KMeans聚类的光伏发电预测方法 |
| CN108694472A (zh) * | 2018-06-15 | 2018-10-23 | 清华大学 | 预测误差极值分析方法、装置、计算机设备和可读存储介质 |
| CN109494716A (zh) * | 2018-11-15 | 2019-03-19 | 沈阳工业大学 | 基于Bootstrap的风电输出功率置信区间预测方法 |
| CN110909921A (zh) * | 2019-11-08 | 2020-03-24 | 国家电网有限公司 | 中长期风电电量预测方法、装置、计算机设备及存储介质 |
| CN111049193A (zh) * | 2019-12-16 | 2020-04-21 | 国家电网公司华中分部 | 一种风电系统多调度场景的备用需求动态评估方法 |
| CN111008504A (zh) * | 2019-12-18 | 2020-04-14 | 武汉大学 | 一种基于气象模式识别的风电功率预测误差建模方法 |
| CN112054561A (zh) * | 2020-09-16 | 2020-12-08 | 三峡大学 | 基于SARSA(λ)算法的风电-抽蓄联合系统日随机动态调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112581312A (zh) | 2021-03-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113609443B (zh) | 基于区块链的碳足迹跟踪处理方法、装置及存储介质 | |
| CN111062617A (zh) | 一种海上风电出力特性分析方法及系统 | |
| CN113159102A (zh) | 一种多时间尺度的光伏功率预测方法及系统 | |
| CN113112099A (zh) | 电网日电量预测模型训练方法和电网日电量预测方法 | |
| CN116739172B (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
| CN110516849A (zh) | 一种基于典型日负荷曲线的负荷分类结果评价方法 | |
| CN116151464A (zh) | 一种光伏发电功率预测方法、系统及可存储介质 | |
| CN112581312B (zh) | 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 | |
| CN114154684A (zh) | 基于数据挖掘和多核支持向量机的短期光伏功率预测方法 | |
| CN112330017A (zh) | 电力负荷预测方法、装置、电子设备和存储介质 | |
| CN111159840A (zh) | 一种数据驱动的新能源不确定集建模方法 | |
| Luo et al. | Research on prediction of photovoltaic power generation probability interval based on Gaussian mixture model | |
| CN109582921B (zh) | 配电变压器负载状态评估方法及终端设备 | |
| CN110298603B (zh) | 分布式光伏系统容量估计方法 | |
| CN104484418B (zh) | 一种基于双分辨率的特征量化方法及系统 | |
| CN113505943A (zh) | 一种电网短期负荷的预测方法、系统、设备和介质 | |
| CN117332901B (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 | |
| CN112036607A (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 | |
| CN112531629B (zh) | 配电网保护定值自动整定方法、装置及终端设备 | |
| CN110401210A (zh) | 需求响应参与下风电储能系统调度方法 | |
| CN115063255B (zh) | 一种海上风电场的运维资源优化配置方法、装置及系统 | |
| CN117892982B (zh) | 光储直柔建筑的用电调度方法、装置、设备及存储介质 | |
| CN115241877A (zh) | 预估电力系统需求方法及相关设备 | |
| Tao et al. | Adjustable robust dynamic economic dispatch of renewable energy considering statistical information | |
| Xu et al. | Wind Power Scenarios Analysis Method Based on Prediction Box and Improved k-means Algorithm |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240722 Address after: No. 669, Aerospace Middle Road, National Civil Aerospace Industry Base, Xi'an City, Shaanxi Province 710199 Patentee after: Electric Power Research Institute of State Grid Shaanxi Electric Power Co.,Ltd. Country or region after: China Patentee after: XI'AN JIAOTONG University Patentee after: STATE GRID CORPORATION OF CHINA Address before: No.669, Hangtian Middle Road, Chang'an District, Xi'an City, Shaanxi Province Patentee before: STATE GRID SHAANXI ELECTRIC POWER Research Institute Country or region before: China Patentee before: XI'AN JIAOTONG University Patentee before: STATE GRID CORPORATION OF CHINA |