CN112653198A - 一种基于预测箱的风电出力场景生成方法及系统 - Google Patents

一种基于预测箱的风电出力场景生成方法及系统 Download PDF

Info

Publication number
CN112653198A
CN112653198A CN202011494817.0A CN202011494817A CN112653198A CN 112653198 A CN112653198 A CN 112653198A CN 202011494817 A CN202011494817 A CN 202011494817A CN 112653198 A CN112653198 A CN 112653198A
Authority
CN
China
Prior art keywords
wind power
prediction
power output
scene
value
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
Application number
CN202011494817.0A
Other languages
English (en)
Inventor
张书怡
吴秋伟
陈健
潘博
齐世强
刘刚
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.)
Jiaxing Guodiantong New Energy Technology Co ltd
State Grid Information and Telecommunication Co Ltd
Shandong University
Beijing Guodiantong Network Technology Co Ltd
Original Assignee
Jiaxing Guodiantong New Energy Technology Co ltd
State Grid Information and Telecommunication Co Ltd
Shandong University
Beijing Guodiantong Network Technology 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 Jiaxing Guodiantong New Energy Technology Co ltd, State Grid Information and Telecommunication Co Ltd, Shandong University, Beijing Guodiantong Network Technology Co Ltd filed Critical Jiaxing Guodiantong New Energy Technology Co ltd
Priority to CN202011494817.0A priority Critical patent/CN112653198A/zh
Publication of CN112653198A publication Critical patent/CN112653198A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Wind Motors (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本公开提供了一种风电出力场景生成方法及系统，包括获取风电出力实际值和预测值的历史数据；构建预设数量的基于某日预测值的预测箱，并基于实际值确定各预测箱的累计经验分布函数；构建协方差矩阵，生成服从多元标准正态分布的随机变量；将所述随机变量逆变换为单位风电出力值，进而生成风电出力场景。所提方法根据风电在不同时间不同预测功率下误差范围内的概率分布与大量多元标准正态分布随机变量的累积概率值进行等概率逆变换，生成大量具有时间相关性的场景，有效模拟了基于预测的风电出力趋势及波动特性，不仅以预测功率为基础同时考虑了预测误差范围，解决了日前调度中短期预测带来的误差较大问题，避免了直接采用确定性建模的准确性不高问题。

Description

一种基于预测箱的风电出力场景生成方法及系统
技术领域
本公开涉及风电技术领域，尤其涉及一种基于预测箱的风电出力场景生成方法及系统。
背景技术
与常规能源相比，风力和光伏电站的输出功率随风能和太阳辐射变化，受天气、季节、区域等变量影响具有较强的随机性、波动性和间歇性的特征。当可再生能源大规模接入电网时，给电力系统的规划、运行以及优化调度都带来了困难。简化不确定性的表达虽可以有效控制计算量，保证求解的可行性，但却难以体现可再生能源的波动特征，无法真实准确的反映随机性波动的影响。但是过于精细的不确定性表达给模型求解带来巨大挑战。利用场景法分析可再生能源出力场景的不确定性并建立模型生成典型场景，可以有效的将不确定性优化问题转换为确定性问题来研究，对电力系统安全经济运行具有十分重要的价值与意义。
场景法包括场景生成和场景缩减。场景生成根据研究对象的统计特征，采用一定方法对其抽样来描述不确定性特征场景。场景缩减将大量场景缩减为少数有代表性的场景，主要目的是简化应用过程中的计算量。场景生成的关键在于是否能够真实反映风电和光伏的不确定性，是否能够涵盖风电和光伏的特征以及历史范围。目前应用较多的方法主要是以下三种：一、依据风力发电预测功率的统计特性对他们的概率分布特征抽样；二、直接对风力发电的概率分布特征抽样；三、建立风力发电统计特征的数学模型再进行抽样。
发明人发现，采用直接或间接的方法对风电功率的概率分布函数进行抽样以生成风电出力场景虽然可以从概率测度的角度逼近原始风电功率出力值的概率分布情况，但是目前生成的场景广泛作为超前电力时序场景来解决电力系统优化问题，且关于风力发电的预测技术已经被广泛应用于电力系统的日前调度中以确定常规机组的启停状态以及发电计划，所以研究基于风电预测功率的场景生成方法具有重要意义；同时，依据风电功率预测值的统计特性确定预测功率的大小，虽然能够将不确定性问题合理地转化为确定性问题，但现有的风电预测技术不可避免的与实际出力存在着一定误差，并且很难直接判断预测误差服从的概率分布函数。此外，现有的场景生成方法并未考虑不同时刻的场景之间时间上的相关性，生成的场景波动过大，与真实情况不符。
发明内容
本公开为了解决现有技术存在的问题，提供了一种基于预测箱并考虑时间相关性的风电出力场景生成方法及系统，基于风电出力历史数据，通过研究不同时段各自预测误差范围内的累积经验分布以及不同时段风电的时间性关系，有效模拟实际风电出力的波动特性与变化趋势，解决了日前调度中短期预测带来的精度较差和误差较大问题，避免了直接采用确定性建模的准确性不高问题。
根据本公开实施例的第一个方面，提供了一种基于预测箱的风电出力场景生成方法，包括：
获取风电出力实际值和预测值的历史数据；
构建预设数量的基于某日预测值的预测箱，并基于实际值确定各预测箱的累计经验分布函数；
构建协方差矩阵，生成服从多元标准正态分布的随机变量；
将所述随机变量逆变换为单位风电出力值，进而生成风电出力场景。
进一步的，所述构建预设数量的基于某日预测值的预测箱的具体步骤为：设定时间间隔，根据预设时间间隔将一天划分为若干时段，每个时段对应一个预测箱。
进一步的，所述随机变量的生成的包括，采用指数函数法构建协方差矩阵，基于所述协方差矩阵确定多元标准正态分布函数，进而获得每个预测箱的随机变量序列，且考虑了不同预测箱内随机序列之间的相关性。
进一步的，所述随机变量逆变换是通过生成的随机变量序列对风电功率拟合的累积经验分布函数进行抽样，进而得到符合协方差矩阵所规定的相关性的大量风电场景。
进一步的，为了检验生成场景的有效性，通过质量评估指标的计算，针对所述随机变量逆变换结果进行有效性检验。
进一步的，所述有效性检验包括：判断生成的场景是否能够考虑风电的波动性、判断生成的场景是否能够覆盖历史观测值以及判断生成场景中的爬坡事件是否与历史数据类似。
根据本公开实施例的第二个方面，提供了一种基于预测箱的风电出力场景生成系统，包括：
数据获取模块，其用于获取风电出力实际值和预测值的历史数据；
预测箱构建模块，其用于构建预设数量的基于某日预测值的预测箱，并基于实际值确定各预测箱的累计经验分布函数；
随机变量生成模块，其用于构建协方差矩阵，生成服从多元标准正态分布的随机变量；
出力场景生成模块，其用于将所述随机变量逆变换为单位风电出力值，进而生成风电出力场景。
根据本公开实施例的第三个方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于预测箱的风电出力场景生成方法。
根据本公开实施例的第四个方面，提供了一种非暂态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所述的一种基于预测箱的风电出力场景生成方法。
与现有技术相比，本公开的有益效果是：
(1)本公开所述方案选用大量历史数据的累积经验分布来估计每个预测箱内服从多元标准正态分布的随机变量，这种基于预测误差的间接风电场景生成方法，通过研究不同时段各自预测误差范围内的累积经验分布，更好的模拟了实际风电出力的波动特性与变化趋势，解决了日前调度中短期预测带来的精度较差和误差较大问题。
(2)本公开所述方案根据风电在不同时间不同预测功率下误差范围内的概率分布与大量多元标准正态分布随机变量的累积概率值进行等概率逆变换，生成了大量场景。
(3)本公开所述方案应用指数函数法构建了随机变量的协方差矩阵，所生成的场景有效考虑了不同时段风电在时间上的相关性。
(4)本公开所述方案避免了直接采用确定性建模的准确性不高问题；并且验证了生成场景的质量与有效性。
本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例一中所述的场景生成方法详细流程图；
图2为本公开实施例一中所述的以某日风电功率预测值为基准生成的各预测箱范围示意图；
图3为本公开实施例一中所述方法应用中各预测箱内归一化风电出力的累积经验分布示意图；
图4为本公开实施例一中应用中服从多元标准正态分布的随机变量累积概率分布示意图；
图5为本公开实施例一中所述方法应用的逆变换采样示意图；
图6本公开实施例一中所述方法应用后生成的基于预测箱的风电场景示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一：
本实施例的目的是提供一种基于预测箱的风电出力场景生成方法。
正如背景技术所介绍的，风电短期预测技术对日前调度等问题具有重要意义，而目前预测技术仍不可避免有误差，通过研究风电在不同时间不同预测功率下误差范围内的概率分布生成具有时间相关性的大量场景，有效模拟了基于预测的风电出力趋势及波动特性。
风电场景的生成考虑的是时间相关性而不是功率独立的时间段。其基本原理是通过等概率逆变换将一个多元高斯矢量转换为一个随时间变化的场景。如图1所述，一种基于基于预测箱的风电出力场景生成方法，包括如下步骤：
步骤1：获取风电出力历史数据，并进行预处理；
具体的，从历史数据中生成包含风电实际值和预测值的Nsam×2维矩阵；矩阵的每一行元素都为[实际值，预测值]。所有元素除以相应项的最大值后都被归一化为[0，1]之间的值。其中Nsam为历史数据的抽样规模。
步骤2:构建预设数量的基于某日预测值的预测箱；
具体的，将每天以15分钟为间隔，划分为96个时段，每个时段对应一个预测箱，第t个预测箱的范围为
Figure BDA0002841818060000071
从第一步建立的矩阵中依次寻找预测值在各预测箱相应范围内的数据对。其中
Figure BDA0002841818060000072
为某日t时段归一化的风电功率预测值，Wpu为预测箱的区间宽度，其值取决于历史数据的样本大小。如图2所示，红色为某日归一化的风电功率预测值，绿色为预测箱范围。
步骤3:确定各预测箱基于实际值的累计经验分布函数；
如图3所示展示了各预测箱的累积经验分布函数；具体的，假设对于第t个预测箱，共有J个数据对，将预测箱各数据对中的风电功率实际值ξ从小到大排序为ξ1≤ξ2≤…≤ξJ，那么t时段的累积经验分布函数(CDF)Ft可表示为：
Figure BDA0002841818060000073
Figure BDA0002841818060000074
其中
Figure BDA0002841818060000075
为t时段归一化的风电功率值。
步骤4:确定多元正态分布的协方差矩阵与随机变量，并利用所述随机变量累计概率值；
具体的，生成高斯随机向量
Figure BDA0002841818060000076
矩阵Z为S×NT阶的矩阵，其中S是指随机序列的数量，NT指每条随机序列的维度，由于这S个随机序列是用来对大量风电出力场景进行抽样生成的，所以S的具体含义就是最终生成的风电场景数目，NT为风电场景的长度，也就是时段总数目预测箱的个数。多元标准正态分布矩阵Z～N(μ,Σ)，矩阵中的元素
Figure BDA0002841818060000077
即为生成的服从多元标准正态分布的随机变量。μ为NT维零向量，代表每个预测箱内生成随机变量的均值。协方差矩阵Σ的构建如下：
Figure BDA0002841818060000081
Σ中的元素
Figure BDA0002841818060000082
表示了Z矩阵中任意两列
Figure BDA0002841818060000083
和
Figure BDA0002841818060000084
间的协方差，描述了任意两个时间段即任意两个预测箱内风电出力之间的相关性。
通过此方法生成的大量随机序列，在每组随机数中具有一定的相关性，所以用此方法生成的大量随机序列对风电功率拟合的累积经验分布函数进行抽样，可以得到符合协方差矩阵所规定的相关性的大量风电场景，如图4所示展示了服从多元标准正态分布的随机变量累积概率分布示意图。
采用指数函数法构建协方差矩阵的元素
Figure BDA0002841818060000085
具体表示方法如下：
Figure BDA0002841818060000086
范围参数ε用来控制变量
Figure BDA0002841818060000087
和
Figure BDA0002841818060000088
之间相关性的强度。根据指数函数的性质可知，
Figure BDA0002841818060000089
随着|t1-t2|的增大而减小，范围参数ε用来控制衰减速率的大小。当ε越大时，指数函数
Figure BDA00028418180600000810
衰减速度越慢，即当t1、t2取相同值时，
Figure BDA00028418180600000811
和
Figure BDA00028418180600000812
取值越接近，等价于
Figure BDA00028418180600000813
和
Figure BDA00028418180600000814
之间的相关性越大，也就是随机序列Z各列之间的相关性越大。随机序列中的随机数距离越小，相关性越大，距离越大，相关性越小，对应的生成的风电场景也表现出相近时刻的风电出力值相关性较大，而时刻相差较大的风电出力值相关性较小。由此可知，协方差矩阵的范围参数ε与风电出力场景不同时刻之间的相关性有关，表现在生成的场景上就是对波动性有一定影响，ε的搜索范围为0-400，通常认为当100<ε<300时，可以满足大多数风电实际出力情况对波动性的要求。ε可以寻找到一个最优值，并且是随不同日期不同风力发电情况而变化的。
步骤5:将高斯随机变量逆变换为单位风电出力值。
具体的，表达式如下：
Figure BDA0002841818060000091
其中，
Figure BDA0002841818060000092
是Ft的逆变换。如图5所示，左图为第一个预测箱内归一化的实际风电出力情况累积经验分布函数，右图是第一个预测箱内服从正态分布随机变量的累积概率分布函数。右图中a为第一个预测箱内众多随机数中的一个，由于各随机变量服从标准正态分布，可以根据累积概率分布函数找到随机数a对应的概率值b，根据等概率逆变换的思想，在左图分布函数中找到概率值等于b的点，即c点，在此累积经验分布函数中对应的归一化风电出力值为d。
在随机变量的累积概率分布函数中，概率值P≥0.975或P≤0.025对应的随机变量数目已经很少，在应用于场景生成中，为避免生成非常极端的与真实情况不符的场景，可做出如下调整：
P≥0.975时，取P＝0.975；
P≤0.025时，取P＝0.025。
步骤6:生成大规模风电场景；
将归一化的风电出力值乘以第一步中的最大值，转换为实际值，得到最终生成的大量场景。如图6所示，蓝色线为某日风电出力实际值，红色为当日的预测值，绿色为用此方法生成的500个场景。
进一步的，由于场景的生成基于某日预测值并且应用等概率变换的方法，需要对本方法做一个有效性检验即对场景生成的质量进行评价。评价指标主要从以下三个方面进行考虑：生成的场景是否能够考虑风电的波动性；生成的场景是否能够覆盖历史观测值；生成场景中的爬坡事件是否与历史事件类似。
指标pA:评估历史实际场景与生成的场景时间相关性之间的差异，用来判断生成的场景是否能够真实反映风电的波动性。
Figure BDA0002841818060000101
其中，
Figure BDA0002841818060000102
表示时段t1和t2之间历史风电数据的相关系数；
Figure BDA0002841818060000103
表示时段t1和t2之间生成的风电场景的相关系数。
指标pB:定义为根据大量风电历史数据的实际值所生成的场景的覆盖率，用来判断生成的场景是否能够覆盖历史风电数据，即是否能完整的表现出风电的变化范围及变化规律。
Figure BDA0002841818060000104
其中，二元变量Bt用于证明历史数据中的风力发电值
Figure BDA0002841818060000105
是否存在于生成的大量场景与它对应时刻的风力发电最大值与最小值之间，如果是，即生成的场景涵盖了该历史值，那么Bt＝1，否则生成的场景未能涵盖该历史值，Bt＝0。指标pB的范围为[0,1]。pB的值越大，意味着历史值被生成的场景覆盖的越多，生成的场景越能完整表现风电的变化趋势。
指标pC:用于评判生成的大量场景与风电历史数据之间爬坡事件的相似性。
Figure BDA0002841818060000111
其中，Ns为生成场景的总数目，Ns为每个场景内时间周期的数目即预测箱的数目，
Figure BDA0002841818060000112
为生成的场景中任意两相邻时段风电出力的爬坡值，
Figure BDA0002841818060000113
为任意两相邻时刻的实际爬坡情况。
本公开基于大量风力发电实际值与预测值的历史数据，以风电在不同预测功率下误差波动的范围为基础生成预测箱，用实际值生成各预测箱累积经验分布函数，结合抽样与逆变换思想，提出了大规模考虑时间相关性的基于预测箱的风电场景生成方法。该方法实质上是基于等概率反变换将一个多元高斯矢量转换为一个场景的时间轨迹。该方法主要包括生成各预测箱的累积经验分布、多元正态分布随机变量概率分布逆变换和有效性检验三部分。
预测箱的累积经验分布生成部分以大量历史数据为基础，将每天划为96个预测箱，在各个预测箱内生成该时段的风电功率累积经验分布；风电功率逆变换部分首先生成大量96维服从多元正态分布的随机变量，基于第一部分的概率分布进行逆变换得到风电出力场景；有效性检验用来对生成的场景进行评价，说明本方法的有效性和生成场景的质量。
实施例二：
本实施例的目的是提供一种基于预测箱的风电出力场景生成系统。
一种基于预测箱的风电出力场景生成系统，包括：
数据获取模块，其用于获取风电出力实际值和预测值的历史数据；
预测箱构建模块，其用于构建预设数量的基于某日预测值的预测箱，并基于实际值确定各预测箱的累计经验分布函数；
随机变量生成模块，其用于构建协方差矩阵，生成服从多元标准正态分布的随机变量；
出力场景生成模块，其用于将所述随机变量逆变换为单位风电出力值，进而生成风电出力场景。
实施例三：
本实施例的目的是提供一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现所述的一种基于预测箱的风电出力场景生成方法，包括：
获取风电出力实际值和预测值的历史数据；
构建预设数量的基于某日预测值的预测箱，并基于实际值确定各预测箱的累计经验分布函数；
构建协方差矩阵，生成服从多元标准正态分布的随机变量；
将所述随机变量逆变换为单位风电出力值，进而生成风电出力场景。
实施例四：
本实施例的目的是提供一种非暂态计算机可读存储介质。
一种非暂态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所述的一种基于预测箱的风电出力场景生成方法，包括：
获取风电出力实际值和预测值的历史数据；
构建预设数量的基于某日预测值的预测箱，并基于实际值确定各预测箱的累计经验分布函数；
构建协方差矩阵，生成服从多元标准正态分布的随机变量；
将所述随机变量逆变换为单位风电出力值，进而生成风电出力场景。
上述实施例提供的一种基于预测箱的风电出力场景生成方法及系统完全可以实现，具有广阔的应用前景。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种基于预测箱的风电出力场景生成方法，其特征在于，包括:
获取风电出力实际值和预测值的历史数据；
构建预设数量的基于某日预测值的预测箱，并基于实际值确定各预测箱的累计经验分布函数；
构建协方差矩阵，生成服从多元标准正态分布的随机变量；
将所述随机变量逆变换为单位风电出力值，进而生成风电出力场景。
2.如权利要求1所述的一种基于预测箱的风电出力场景生成方法，其特征在于，某日预测值的预测箱的具体步骤为：设定时间间隔，根据预设时间间隔将一天划分为若干时段，每个时段对应一个预测箱。
3.如权利要求1所述的一种基于预测箱的风电出力场景生成方法，其特征在于，所述累计经验分布函数可表示为：
Figure FDA0002841818050000011
Figure FDA0002841818050000012
其中，
Figure FDA0002841818050000013
为t时段归一化的风电功率值，ξj为预测箱第j个数据对中的风电功率实际值。
4.如权利要求1所述的一种基于预测箱的风电出力场景生成方法，其特征在于，所述随机变量的生成的包括，采用指数函数法构建协方差矩阵，考虑了随机变量间的相关性；基于所述协方差矩阵确定多元标准正态分布函数，进而获得每个预测箱的随机变量序列。
5.如权利要求1所述的一种基于预测箱的风电出力场景生成方法，其特征在于，所述随机变量逆变换是通过生成的随机变量序列对风电功率拟合的累积经验分布函数进行抽样，进而得到符合协方差矩阵所规定的相关性的大量风电场景。
6.如权利要求1所述的一种基于预测箱的风电出力场景生成方法，其特征在于，为了检验生成场景的有效性，通过质量评估指标的计算，针对所述随机变量逆变换结果进行有效性检验。
7.如权利要求6所述的一种基于预测箱的风电出力场景生成方法，其特征在于，所述有效性检验包括：判断生成的场景是否能够考虑风电的波动性、判断生成的场景是否能够覆盖历史观测值以及判断生成场景中的爬坡事件是否与历史数据类似。
8.一种基于预测箱的风电出力场景生成系统，其特征在于，包括：
数据获取模块，其用于获取风电出力实际值和预测值的历史数据；
预测箱构建模块，其用于构建预设数量的基于某日预测值的预测箱，并基于实际值确定各预测箱的累计经验分布函数；
随机变量生成模块，其用于构建协方差矩阵，生成服从多元标准正态分布的随机变量；
出力场景生成模块，其用于将所述随机变量逆变换为单位风电出力值，进而生成风电出力场景。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-7任一项所述的一种基于预测箱的风电出力场景生成方法。
10.一种非暂态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如权利要求1-7任一项所述的一种基于预测箱的风电出力场景生成方法。
CN202011494817.0A 2020-12-17 2020-12-17 一种基于预测箱的风电出力场景生成方法及系统 Pending CN112653198A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011494817.0A CN112653198A (zh) 2020-12-17 2020-12-17 一种基于预测箱的风电出力场景生成方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011494817.0A CN112653198A (zh) 2020-12-17 2020-12-17 一种基于预测箱的风电出力场景生成方法及系统

Publications (1)

Publication Number Publication Date
CN112653198A true CN112653198A (zh) 2021-04-13

Family

ID=75355475

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011494817.0A Pending CN112653198A (zh) 2020-12-17 2020-12-17 一种基于预测箱的风电出力场景生成方法及系统

Country Status (1)

Country Link
CN (1) CN112653198A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487080A (zh) * 2021-07-05 2021-10-08 湖北工业大学 一种基于风速分类的风速动态场景生成方法、系统及终端
CN115545768A (zh) * 2022-10-06 2022-12-30 大连川禾绿能科技有限公司 一种考虑合同分解的大水电跨省跨区日前随机竞价方法
CN116306030A (zh) * 2023-05-16 2023-06-23 南方电网数字电网研究院有限公司 考虑预测误差和波动分布的新能源预测动态场景生成方法
CN116720448A (zh) * 2023-08-09 2023-09-08 长江三峡集团实业发展(北京)有限公司 一种风力发电随机模拟方法、装置、设备及介质
CN116976532A (zh) * 2023-09-25 2023-10-31 南方电网数字电网研究院有限公司 非参数化的新能源场景-概率-区间一体化预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955779A (zh) * 2014-05-23 2014-07-30 武汉大学 一种风电功率爬坡事件概率场景预测方法
US20160169202A1 (en) * 2013-05-03 2016-06-16 State Grid Corporation Of China Short-term operation optimization method of electric power system including large-scale wind power
CN106651473A (zh) * 2017-01-23 2017-05-10 国网福建省电力有限公司 考虑日前小时电价和多种需求响应促进风电接纳水平方法
CN111027732A (zh) * 2018-10-09 2020-04-17 中国电力科学研究院有限公司 一种多风电场出力场景的生成方法及系统
CN111934319A (zh) * 2020-08-14 2020-11-13 合肥工业大学 一种基于风电典型场景集的生成方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160169202A1 (en) * 2013-05-03 2016-06-16 State Grid Corporation Of China Short-term operation optimization method of electric power system including large-scale wind power
CN103955779A (zh) * 2014-05-23 2014-07-30 武汉大学 一种风电功率爬坡事件概率场景预测方法
CN106651473A (zh) * 2017-01-23 2017-05-10 国网福建省电力有限公司 考虑日前小时电价和多种需求响应促进风电接纳水平方法
CN111027732A (zh) * 2018-10-09 2020-04-17 中国电力科学研究院有限公司 一种多风电场出力场景的生成方法及系统
CN111934319A (zh) * 2020-08-14 2020-11-13 合肥工业大学 一种基于风电典型场景集的生成方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
仉梦林等: "基于动态场景集和需求响应的二阶段随机规划调度模型", 《电力系统自动化》 *
杨娴等: "基于自适应预测箱的风电场景分析方法", 《电网与清洁能源》 *
王小飞等: "短期风功率场景质量的评估框架构建研究", 《电网技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113487080A (zh) * 2021-07-05 2021-10-08 湖北工业大学 一种基于风速分类的风速动态场景生成方法、系统及终端
CN113487080B (zh) * 2021-07-05 2022-07-22 湖北工业大学 一种基于风速分类的风速动态场景生成方法、系统及终端
CN115545768A (zh) * 2022-10-06 2022-12-30 大连川禾绿能科技有限公司 一种考虑合同分解的大水电跨省跨区日前随机竞价方法
CN116306030A (zh) * 2023-05-16 2023-06-23 南方电网数字电网研究院有限公司 考虑预测误差和波动分布的新能源预测动态场景生成方法
CN116720448A (zh) * 2023-08-09 2023-09-08 长江三峡集团实业发展(北京)有限公司 一种风力发电随机模拟方法、装置、设备及介质
CN116720448B (zh) * 2023-08-09 2024-01-26 长江三峡集团实业发展(北京)有限公司 一种风力发电随机模拟方法、装置、设备及介质
CN116976532A (zh) * 2023-09-25 2023-10-31 南方电网数字电网研究院有限公司 非参数化的新能源场景-概率-区间一体化预测方法

Similar Documents

Publication Publication Date Title
Han et al. Multi‐step wind power forecast based on VMD‐LSTM
CN112653198A (zh) 一种基于预测箱的风电出力场景生成方法及系统
Raza et al. An ensemble framework for day-ahead forecast of PV output power in smart grids
CN111784068A (zh) 基于eemd的电力负荷组合预测方法及装置
Aliberti et al. Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions.
CN113256033A (zh) 基于模态互补的发电站选址定容方法、装置、系统及介质
CN117744916A (zh) 储能容量的预测方法、装置、计算机设备及可读存储介质
CN116151464A (zh) 一种光伏发电功率预测方法、系统及可存储介质
CN117613883A (zh) 发电功率预测方法、装置、计算机设备及存储介质
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
CN107358059A (zh) 短期光伏能量预测方法和装置
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
CN117132132A (zh) 基于气象数据的光伏发电功率预测方法
CN115965177A (zh) 基于注意力机制改进的自回归误差补偿风电功率预测方法
CN116128211A (zh) 基于风光不确定性预报场景的风光水联合短期优化调度方法
CN112232714B (zh) 一种基于深度学习的结构参数不完备下配电网风险评估方法
CN114298133A (zh) 短期风速混合预测方法及装置
CN114372615A (zh) 一种考虑空间相关性的短期光伏功率预测方法及系统
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统
Mohammed et al. Ultra-short-term wind power prediction using a hybrid model
CN110365010A (zh) 基于2m点估计法的含DG配电网可靠性评估指标获取方法
CN116776613B (zh) 风光出力场景重构系统
CN116957223B (zh) 一种基于光照图像的光伏功率预测方法及装置
CN117713238B (zh) 光伏发电和储能微电网结合的随机优化运行策略
CN116842855B (zh) 分布式光伏配电网出力预测方法、装置、电子设备及介质

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210413