CN112651560A - 一种超短期风功率预测方法、装置及设备 - Google Patents
一种超短期风功率预测方法、装置及设备 Download PDFInfo
- Publication number
- CN112651560A CN112651560A CN202011583653.9A CN202011583653A CN112651560A CN 112651560 A CN112651560 A CN 112651560A CN 202011583653 A CN202011583653 A CN 202011583653A CN 112651560 A CN112651560 A CN 112651560A
- Authority
- CN
- China
- Prior art keywords
- prediction
- data
- weight
- power
- short
- 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 67
- 238000003860 storage Methods 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000013075 data extraction Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011437 continuous method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2477—Temporal data queries
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种超短期风功率预测方法，通过获取日前预测数据及当前功率数据；根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据；根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率；通过第一数量的所述预测准确率，确定准确率走势信息；根据所述准确率走势信息确定预测权重及当前功率权重；根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。本发明提升预测效率与预测准确率。本发明同时还提供了一种具有上述有益效果的超短期风功率预测装置、设备及计算机可读存储介质。
Description
技术领域
本发明涉及风力发电领域，特别是涉及一种超短期风功率预测方法、装置、设备及计算机可读存储介质。
背景技术
电力系统是复杂的、动态的，需要维持电网、输电、用电侧之间的功率平衡。风电场输出功率具有波动性和间歇性，大大增加了制定发电计划的难度，甚至出现弃风现象，导致风能资源利用率降低，也对电力系统调度运行带来巨大挑战。风电作为新能源，适合大规模开发，准确的超短期风功率预测数据，可缓解电力系统调峰、调频压力，最大化电量现货交易的收益，合理安排风机检修，减少未必要停机和发电量损失，降低安全隐患。因此，电网和发电企业都高度重视超短期风功率预测，并且对预测准确性的要求也越来越高。
目前，超短期风功率预测一般为根据历史预测功率数据和实际运行功率，采用持续法、滑动平均法或机器学习算法建立超短期风功率预测模型，进行超短期风功率预测，由于超短期功率预测的预测时间范围是未来15分钟到4小时，时间尺度较短，风速工况短时间内具有很强的波动性，直接采用中尺度短期预测功率，很难训练得到合适的拟合模型，由于短期预测功率原本就具有一定的偏差，可能导致超短期预测功率出现严重偏差。另外，每个预测时次都需要先进行模型训练，这样提高了生产运行环境的性能要求，增加了系统的复杂度、不确定性。
综上所述，如何解决现有技术中超短期风功率预测中效率低、计算量大及准确率不足的问题，是本领域技术人员亟待解决的问题。
发明内容
本发明的目的是提供一种超短期风功率预测方法、装置、设备及计算机可读存储介质，以解决现有技术中超短期风功率预测中效率低、计算量大及准确率不足的问题。
为解决上述技术问题，本发明提供一种超短期风功率预测方法，包括：
获取日前预测数据及当前功率数据；
根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据；
根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率；
通过第一数量的所述预测准确率，确定准确率走势信息；
根据所述准确率走势信息确定预测权重及当前功率权重；
根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。
可选地，在所述的超短期风功率预测方法中，所述根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据包括：
根据所述预测权重及所述待矫正功率数据得到预测功率占比数据；
根据所述当前功率权重及所述当前功率数据得到当前功率占比数据；
通过所述预测功率占比数据及所述当前功率占比数据得到所述超短期预测风功率数据。
可选地，在所述的超短期风功率预测方法中，所述根据所述准确率走势信息确定预测权重及当前功率权重包括：
通过第一数量的所述预测准确率，确定准确率区间信息；
根据所述准确率走势信息及所述准确率区间信息确定预测权重及当前功率权重。
可选地，在所述的超短期风功率预测方法中，所述根据所述准确率走势信息确定预测权重及当前功率权重包括：
根据所述准确率走势信息及预设的预测权重下降曲线信息确定预测权重及当前功率权重。
可选地，在所述的超短期风功率预测方法中，所述根据所述准确率走势信息确定预测权重及当前功率权重包括：
根据所述准确率走势信息通过预训练的机器学习模型确定预测权重及当前功率权重。
一种超短期风功率预测装置，包括：
获取模块，用于获取日前预测数据及当前功率数据；
数据抽取模块，用于根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据；
准确率模块，用于根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率；
走势模块，用于通过第一数量的所述预测准确率，确定准确率走势信息；
权重模块，用于根据所述准确率走势信息确定预测权重及当前功率权重；
预测模块，用于根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。
可选地，在所述的超短期风功率预测装置中，所述预测模块包括：
预测占比单元，用于根据所述预测权重及所述待矫正功率数据得到预测功率占比数据；
当前占比单元，用于根据所述当前功率权重及所述当前功率数据得到当前功率占比数据；
合并单元，用于通过所述预测功率占比数据及所述当前功率占比数据得到所述超短期预测风功率数据。
可选地，在所述的超短期风功率预测装置中，所述权重模块包括：
区间单元，用于通过第一数量的所述预测准确率，确定准确率区间信息；
区间综合权重单元，用于根据所述准确率走势信息及所述准确率区间信息确定预测权重及当前功率权重。
一种超短期风功率预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一种所述的超短期风功率预测方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质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如上述任一种所述的超短期风功率预测方法的步骤。
本发明所提供的超短期风功率预测方法，通过获取日前预测数据及当前功率数据；根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据；根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率；通过第一数量的所述预测准确率，确定准确率走势信息；根据所述准确率走势信息确定预测权重及当前功率权重；根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。
本发明通过日前预测数据的预测准确率的走向，对目标时间段内的日前预测数据(即所述待矫正数据)进行修正，与现有技术中的通过机器学习进行超短期风功率的方法相比，大大降低了预测所需的计算量，提升预测效率，同时也降低了系统复杂度，提升了工作稳定性，并且不会因风场波动而失准，大大提升预测准确率。本发明同时还提供了一种具有上述有益效果的超短期风功率预测装置、设备及计算机可读存储介质。
附图说明
为了更清楚的说明本发明实施例或现有技术的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的超短期风功率预测方法的一种具体实施方式的流程示意图；
图2为本发明提供的超短期风功率预测方法的另一种具体实施方式的流程示意图；
图3为本发明提供的超短期风功率预测方法的又一种具体实施方式的流程示意图；
图4为本发明提供的超短期风功率预测装置的一种具体实施方式的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。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。
本发明的核心是提供一种超短期风功率预测方法，其一种具体实施方式的流程示意图如图1所示，称其为具体实施方式一，包括：
S101：获取日前预测数据及当前功率数据。
所述日前预测数据为预先计算的短期预测数据，由下文可知，所述日前预测数据应当包括历史短期预测功率数据。历史短期预测功率，是指当前预测时次往前一段时间的、时间间隔为预设时间单元的全场所有风机的总短期预测功率，该数据基于中尺度气象预测数据和短期功率预测模型计算得到，和超短期预测功率具有较好的相关性。
S102：根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据。
在本步骤中，通过所述日前预测数据获得所述待矫正数据，所述待矫正数据即为本发明中的超短期风功率预测中需要预测的目标时间段对应的日前预测数据。
所述预设时间单元可为所述日前预测数据或所述超短期风功率预测的时间单元，即所述日前预测数据或所述超短期风功率预测是以所述预设时间单元为功率记录的最小单位的，本技术领域内常用间的所述预设时间单元为15分钟。举例说明，当所述预设时间单元为15分钟，第一数量为3时，多个所述历史实际功率数据与对应的历史预测功率数据可为某日8:00～12:00、08:15～12:15、08:30～12:30的三段时间内的历史数据。
历史实际功率，是指当前预测时次往前一段时间的、时间间隔为预设时间单元的全场所有风机的总实际功率，该数据基于每台风机的秒级实时有功功率，对每台风机的预设时间单元内的平均功率求和得到，和超短期预测功率具有较好的指导性。
S103：根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率。
优选地，采用均方根误差的方式计算各个时段的预测准确率(即不同组的历史实际功率数据及历史预测功率数据的预测准确率)，当然，也可根据实际情况选择其他方法。
S104：通过第一数量的所述预测准确率，确定准确率走势信息。
要预测准确率的走势，至少需要3个准确率的数据点，因此，所述第一数量优选地为3，当然，也可根据实际情况相应变动。
作为一种具体实施方式，所述准确率走势信息可分为上升、持平、下降三种情况，当然也可根据实际需要包括其他情况。
S105：根据所述准确率走势信息确定预测权重及当前功率权重。
举例说明，若上一步中测得随时间推进，所述准确率走势信息呈现上升态势，说明所述日前预测数据越来越准，这种情况下要预测未来几小时内的功率数据(即超短期功率数据)，则应当给所述待矫正功率数据(即目标时间段内的日前预测数据)更高的权重，如预测权重0.7，易知所述预测权重与所述当前功率权重的和应为1，则对应的当前功率权重为0.3。反之亦然，当准确率走势信息呈现下降态势，说明所述日前预测数据越来越不准，给到的预测权重就可能偏低，如0.3，具体权重及对应准确率走势信息可根据实际需要设定。
另外，还可根据所述准确率走势信息通过预训练的机器学习模型确定预测权重及当前功率权重，即采用人工智能优化算法进行寻优，以大量的、长期的历史实际功率数据、历史预测功率数据作为训练和测试样本，以超短期功率预测准确率为优化函数，采用人工智能优化算法对上述各步骤构建的超短期功率预测模型进行训练和测试评估，不断修正不同情况下的权重系数及下文中的准确率区间，得到最佳的超短期功率预测模型参数。当然还可通过人工手段根据经验或历史数据对参数进行修正，在此不再赘述。
S106：根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。
作为一种具体实施方式，本步骤具体包括：
S061：根据所述预测权重及所述待矫正功率数据得到预测功率占比数据。
S062根据所述当前功率权重及所述当前功率数据得到当前功率占比数据。
S063：通过所述预测功率占比数据及所述当前功率占比数据得到所述超短期预测风功率数据。
如测未来4小时的超短期风功率，所述预设时间单元为15分钟，最新得到未来4小时的、时间间隔15分钟的短期预测功率序列值，共16个值，分别乘以未来短期预测功率的所述预测权重，再加上当前预测时次的实际功率与所述当前功率权重的乘积，得到未来4小时的、时间间隔15分钟的超短期预测功率序列值，共16个值。
举一例说明，若4小时内第5个15分钟的待矫正功率数据为100W，所述预测权重为0.7，所述当前功率权重为0.3，所述当前功率数据90W，则该15分钟的超短期预测风功率数据为0.7*100W+0.3*90W＝97W。
本发明所提供的超短期风功率预测方法，通过获取日前预测数据及当前功率数据；根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据；根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率；通过第一数量的所述预测准确率，确定准确率走势信息；根据所述准确率走势信息确定预测权重及当前功率权重；根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。本发明通过日前预测数据的预测准确率的走向，对目标时间段内的日前预测数据(即所述待矫正数据)进行修正，与现有技术中的通过机器学习进行超短期风功率的方法相比，大大降低了预测所需的计算量，提升预测效率，同时也降低了系统复杂度，提升了工作稳定性，并且不会因风场波动而失准，大大提升预测准确率。
在具体实施方式一的基础上，进一步对所述预测权重及所述当前权重的确定方式做限定，得到具体实施方式二，其流程示意图如图2所示，包括：
S201：获取日前预测数据及当前功率数据。
S202：根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据。
S203：根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率。
S204：通过第一数量的所述预测准确率，确定准确率走势信息。
S205：通过第一数量的所述预测准确率，确定准确率区间信息。
在上一步骤中，通过按照时间顺序排列所述预测准确率得知所述准确率走势信息，在本步骤中，可预先设定多个准确率区间，如准确率91％～100％设为第一区间，准确率81％～90％设为第二区间。
S206：根据所述准确率走势信息及所述准确率区间信息确定预测权重及当前功率权重。
接前文例子，若第一数量的所述预测准确率全部落在所述第一区间内，则说明预测准确率较高，适当提高所述预测权重，如0.8，若第一数量的所述预测准确率全部落在所述第二区间内，则说明预测没那么准，相比第一区间降低所述预测权重，如0.7，当然，可根据实际情况作调整.
S207：根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。
本具体实施方式中通过给所述预测准确率设定区间，对准确率大小不同，但走势相同的不同预测准确率组作了区分，可进一步提高本发明提供的超短期风功率预测方法的预测准确率。
在具体实施方式一的基础上，提出另一种方法对所述预测权重及所述当前权重作出修正，得到具体实施方式三，其流程示意图如图3所示，包括：
S301：获取日前预测数据及当前功率数据。
S302：根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据。
S303：根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率。
S304：通过第一数量的所述预测准确率，确定准确率走势信息。
S305：根据所述准确率走势信息及预设的预测权重下降曲线信息确定预测权重及当前功率权重。
S306：根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。
需要注意的是，由于风场不可能瞬间改变，则需要预测的时间距离当下越接近，代表实际功率的所述当前功率权重占比应该越大，因此所述超短期预测风功率数据中每个所述预设时间单元对应的预测权重应随时间推进而变小，进一步提升预测准确率。
下面对本发明实施例提供的超短期风功率预测装置进行介绍，下文描述的超短期风功率预测装置与上文描述的超短期风功率预测方法可相互对应参照。
图4为本发明实施例提供的超短期风功率预测装置的结构框图，参照图4超短期风功率预测装置可以包括：
获取模块100，用于获取日前预测数据及当前功率数据；
数据抽取模块200，用于根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据；
准确率模块300，用于根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率；
走势模块400，用于通过第一数量的所述预测准确率，确定准确率走势信息；
权重模块500，用于根据所述准确率走势信息确定预测权重及当前功率权重；
预测模块600，用于根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。
作为一种优选实施方式，所述预测模块600包括：
预测占比单元，用于根据所述预测权重及所述待矫正功率数据得到预测功率占比数据；
当前占比单元，用于根据所述当前功率权重及所述当前功率数据得到当前功率占比数据；
合并单元，用于通过所述预测功率占比数据及所述当前功率占比数据得到所述超短期预测风功率数据。
作为一种优选实施方式，所述权重模块500包括：
区间单元，用于通过第一数量的所述预测准确率，确定准确率区间信息；
区间综合权重单元，用于根据所述准确率走势信息及所述准确率区间信息确定预测权重及当前功率权重。
作为一种优选实施方式，所述权重模块500包括：
下降权重单元，用于根据所述准确率走势信息及预设的预测权重下降曲线信息确定预测权重及当前功率权重。
作为一种优选实施方式，所述权重模块500包括：
机器学习单元，用于根据所述准确率走势信息通过预训练的机器学习模型确定预测权重及当前功率权重。
本发明所提供的超短期风功率预测装置，通过获取模块100，用于获取日前预测数据及当前功率数据；数据抽取模块200，用于根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据；准确率模块300，用于根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率；走势模块400，用于通过第一数量的所述预测准确率，确定准确率走势信息；权重模块500，用于根据所述准确率走势信息确定预测权重及当前功率权重；预测模块600，用于根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。本发明通过日前预测数据的预测准确率的走向，对目标时间段内的日前预测数据(即所述待矫正数据)进行修正，与现有技术中的通过机器学习进行超短期风功率的方法相比，大大降低了预测所需的计算量，提升预测效率，同时也降低了系统复杂度，提升了工作稳定性，并且不会因风场波动而失准，大大提升预测准确率。
本实施例的超短期风功率预测装置用于实现前述的超短期风功率预测方法，因此超短期风功率预测装置中的具体实施方式可见前文中的超短期风功率预测方法的实施例部分，例如，获取模块100，数据抽取模块200，准确率模块300，走势模块400，权重模块500及预测模块600，分别用于实现上述超短期风功率预测方法中步骤S101，S102，S103，S104，S105及S106，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
本发明还同时提供了一种一种超短期风功率预测设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上述任一种所述的超短期风功率预测方法的步骤。本发明所提供的超短期风功率预测方法，通过获取日前预测数据及当前功率数据；根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据；根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率；通过第一数量的所述预测准确率，确定准确率走势信息；根据所述准确率走势信息确定预测权重及当前功率权重；根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。本发明通过日前预测数据的预测准确率的走向，对目标时间段内的日前预测数据(即所述待矫正数据)进行修正，与现有技术中的通过机器学习进行超短期风功率的方法相比，大大降低了预测所需的计算量，提升预测效率，同时也降低了系统复杂度，提升了工作稳定性，并且不会因风场波动而失准，大大提升预测准确率。
一种计算机可读存储介质，所述计算机可读存储介质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如上述任一种所述的超短期风功率预测方法的步骤。本发明所提供的超短期风功率预测方法，通过获取日前预测数据及当前功率数据；根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据；根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率；通过第一数量的所述预测准确率，确定准确率走势信息；根据所述准确率走势信息确定预测权重及当前功率权重；根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。本发明通过日前预测数据的预测准确率的走向，对目标时间段内的日前预测数据(即所述待矫正数据)进行修正，与现有技术中的通过机器学习进行超短期风功率的方法相比，大大降低了预测所需的计算量，提升预测效率，同时也降低了系统复杂度，提升了工作稳定性，并且不会因风场波动而失准，大大提升预测准确率。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的超短期风功率预测方法、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。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，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种超短期风功率预测方法，其特征在于，包括：
获取日前预测数据及当前功率数据；
根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据；
根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率；
通过第一数量的所述预测准确率，确定准确率走势信息；
根据所述准确率走势信息确定预测权重及当前功率权重；
根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。
2.如权利要求1所述的超短期风功率预测方法，其特征在于，所述根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据包括：
根据所述预测权重及所述待矫正功率数据得到预测功率占比数据；
根据所述当前功率权重及所述当前功率数据得到当前功率占比数据；
通过所述预测功率占比数据及所述当前功率占比数据得到所述超短期预测风功率数据。
3.如权利要求1所述的超短期风功率预测方法，其特征在于，所述根据所述准确率走势信息确定预测权重及当前功率权重包括：
通过第一数量的所述预测准确率，确定准确率区间信息；
根据所述准确率走势信息及所述准确率区间信息确定预测权重及当前功率权重。
4.如权利要求1所述的超短期风功率预测方法，其特征在于，所述根据所述准确率走势信息确定预测权重及当前功率权重包括：
根据所述准确率走势信息及预设的预测权重下降曲线信息确定预测权重及当前功率权重。
5.如权利要求1所述的超短期风功率预测方法，其特征在于，所述根据所述准确率走势信息确定预测权重及当前功率权重包括：
根据所述准确率走势信息通过预训练的机器学习模型确定预测权重及当前功率权重。
6.一种超短期风功率预测装置，其特征在于，包括：
获取模块，用于获取日前预测数据及当前功率数据；
数据抽取模块，用于根据所述日前预测数据确定待矫正功率数据、间隔预设时间单元的第一数量的历史实际功率数据及与所述历史实际功率数据对应的历史预测功率数据；
准确率模块，用于根据所述历史实际功率数据与对应的历史预测功率数据，确定第一数量的预测准确率；
走势模块，用于通过第一数量的所述预测准确率，确定准确率走势信息；
权重模块，用于根据所述准确率走势信息确定预测权重及当前功率权重；
预测模块，用于根据所述预测权重、所述待矫正功率数据、所述当前功率权重及所述当前功率数据确定超短期预测风功率数据。
7.如权利要求1所述的超短期风功率预测装置，其特征在于，所述预测模块包括：
预测占比单元，用于根据所述预测权重及所述待矫正功率数据得到预测功率占比数据；
当前占比单元，用于根据所述当前功率权重及所述当前功率数据得到当前功率占比数据；
合并单元，用于通过所述预测功率占比数据及所述当前功率占比数据得到所述超短期预测风功率数据。
8.如权利要求1所述的超短期风功率预测装置，其特征在于，所述权重模块包括：
区间单元，用于通过第一数量的所述预测准确率，确定准确率区间信息；
区间综合权重单元，用于根据所述准确率走势信息及所述准确率区间信息确定预测权重及当前功率权重。
9.一种超短期风功率预测设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述的超短期风功率预测方法的步骤。
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如权利要求1至5任一项所述的超短期风功率预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011583653.9A CN112651560B (zh) | 2020-12-28 | 2020-12-28 | 一种超短期风功率预测方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011583653.9A CN112651560B (zh) | 2020-12-28 | 2020-12-28 | 一种超短期风功率预测方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112651560A true CN112651560A (zh) | 2021-04-13 |
| CN112651560B CN112651560B (zh) | 2023-04-25 |
Family
ID=75363705
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011583653.9A Active CN112651560B (zh) | 2020-12-28 | 2020-12-28 | 一种超短期风功率预测方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112651560B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537595A (zh) * | 2021-07-16 | 2021-10-22 | 上海电气风电集团股份有限公司 | 模型训练方法、风功率预测方法、系统、设备及介质 |
| CN115207913A (zh) * | 2022-07-27 | 2022-10-18 | 中国华能集团清洁能源技术研究院有限公司 | 风储联合运行的超短期功率预测数据的修正方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006221310A (ja) * | 2005-02-09 | 2006-08-24 | Fuji Electric Holdings Co Ltd | 予測方法、予測装置、予測プログラムおよび記録媒体 |
| CN103440529A (zh) * | 2013-08-12 | 2013-12-11 | 新疆大学 | 一种风电功率预测系统的横向误差平移修正方法 |
| CN107992976A (zh) * | 2017-12-15 | 2018-05-04 | 中国传媒大学 | 热点话题早期发展趋势预测系统及预测方法 |
| CN108074015A (zh) * | 2017-12-25 | 2018-05-25 | 中国电力科学研究院有限公司 | 一种风电功率超短期预测方法及系统 |
| CN109784563A (zh) * | 2019-01-18 | 2019-05-21 | 南方电网科学研究院有限责任公司 | 一种基于虚拟测风塔技术的超短期功率预测方法 |
| CN109816165A (zh) * | 2019-01-16 | 2019-05-28 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
| CN110571850A (zh) * | 2019-08-28 | 2019-12-13 | 中国农业大学 | 一种风电场功率波动轨迹预测和校正控制方法 |
| CN111310121A (zh) * | 2019-11-14 | 2020-06-19 | 中国电力科学研究院有限公司 | 一种新能源出力概率预测方法和系统 |
| CN111489038A (zh) * | 2020-04-14 | 2020-08-04 | 宁波金风绿能能源有限公司 | 一种提升风电场超短期功率预测准确率的方法 |
| CN111507512A (zh) * | 2020-04-10 | 2020-08-07 | 阳光电源股份有限公司 | 一种光伏超短期预测功率的修正方法及装置 |
| CN112131467A (zh) * | 2020-09-15 | 2020-12-25 | 北京值得买科技股份有限公司 | 一种数据预测方法、系统、介质及设备 |
-
2020
- 2020-12-28 CN CN202011583653.9A patent/CN112651560B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006221310A (ja) * | 2005-02-09 | 2006-08-24 | Fuji Electric Holdings Co Ltd | 予測方法、予測装置、予測プログラムおよび記録媒体 |
| CN103440529A (zh) * | 2013-08-12 | 2013-12-11 | 新疆大学 | 一种风电功率预测系统的横向误差平移修正方法 |
| CN107992976A (zh) * | 2017-12-15 | 2018-05-04 | 中国传媒大学 | 热点话题早期发展趋势预测系统及预测方法 |
| CN108074015A (zh) * | 2017-12-25 | 2018-05-25 | 中国电力科学研究院有限公司 | 一种风电功率超短期预测方法及系统 |
| CN109816165A (zh) * | 2019-01-16 | 2019-05-28 | 国能日新科技股份有限公司 | 风电超短期功率预测方法及系统 |
| CN109784563A (zh) * | 2019-01-18 | 2019-05-21 | 南方电网科学研究院有限责任公司 | 一种基于虚拟测风塔技术的超短期功率预测方法 |
| CN110571850A (zh) * | 2019-08-28 | 2019-12-13 | 中国农业大学 | 一种风电场功率波动轨迹预测和校正控制方法 |
| CN111310121A (zh) * | 2019-11-14 | 2020-06-19 | 中国电力科学研究院有限公司 | 一种新能源出力概率预测方法和系统 |
| CN111507512A (zh) * | 2020-04-10 | 2020-08-07 | 阳光电源股份有限公司 | 一种光伏超短期预测功率的修正方法及装置 |
| CN111489038A (zh) * | 2020-04-14 | 2020-08-04 | 宁波金风绿能能源有限公司 | 一种提升风电场超短期功率预测准确率的方法 |
| CN112131467A (zh) * | 2020-09-15 | 2020-12-25 | 北京值得买科技股份有限公司 | 一种数据预测方法、系统、介质及设备 |
Non-Patent Citations (2)
| Title |
|---|
| 叶林 等: "超短期风电功率预测误差数值特性分层分析方法", 《中国电机工程学报》 * |
| 李娜 等: "用于提升风电场短期功率预测准确率的储能系统出力控制策略", 《储能科学与技术》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113537595A (zh) * | 2021-07-16 | 2021-10-22 | 上海电气风电集团股份有限公司 | 模型训练方法、风功率预测方法、系统、设备及介质 |
| CN115207913A (zh) * | 2022-07-27 | 2022-10-18 | 中国华能集团清洁能源技术研究院有限公司 | 风储联合运行的超短期功率预测数据的修正方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112651560B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101425686B (zh) | 电力系统在线安全稳定评估预想故障集自适应筛选方法 | |
| Yan et al. | Reviews on uncertainty analysis of wind power forecasting | |
| KR20140105506A (ko) | 전력 생산 용량의 적응 및 에너지 저장 유닛 사이즈의 결정 | |
| CN112651560A (zh) | 一种超短期风功率预测方法、装置及设备 | |
| CN106022530A (zh) | 一种电力需求侧柔性负荷有功功率预测方法 | |
| CN110264110B (zh) | 基于配电网多应用场景的储能电站选址定容方法 | |
| CN110991725B (zh) | 一种基于风速分频和权值匹配的rbf超短期风电功率预测方法 | |
| CN106096810A (zh) | 基于配电网运行数据与地理拓扑信息的规划方法及系统 | |
| CN110197296B (zh) | 一种基于时间序列相似性的机组负荷预测方法 | |
| CN101414317A (zh) | 一种处理风电场静态功率等值分散性问题的等效风速法 | |
| CN107579528A (zh) | 基于能量变化的暂态频率安全紧急控制决策方法 | |
| CN102904248B (zh) | 基于风电出力不确定性集合的电力系统调度方法 | |
| CN104951654A (zh) | 基于控制变量抽样的大规模风电场可靠性评估方法 | |
| CN103199616A (zh) | 大区电网风电群运行数据监测分析系统 | |
| CN112491142A (zh) | 一种光伏电站性能分析系统及方法 | |
| CN109510240B (zh) | 一种大规模新能源并网对电力系统运行影响的分析方法 | |
| CN105048491A (zh) | 基于机组组合和经济调度的多阶段风电接纳范围计算方法 | |
| Guizzi et al. | Intermittent non-dispatchable renewable generation and reserve requirements: historical analysis and preliminary evaluations on the Italian electric grid | |
| CN105226678A (zh) | 系统调频容量分析方法及装置 | |
| Puglisi et al. | Cost saving due to imbalances reduction in the Italian ancillary services market | |
| CN105260789A (zh) | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 | |
| CN117791626B (zh) | 一种智能综合电力箱电力供给优化方法 | |
| EP3648283B1 (en) | Method for forecasting the electric power production of a renewable energy power generation plant | |
| CN117277355B (zh) | 一种智慧监测数据的输电方法及系统 | |
| CN112886600B (zh) | 一种台区变压器调压能力评估方法及装置 |
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 |