CN112700027B - 用于电功率预测模型的多精度指标综合评价方法及系统 - Google Patents
用于电功率预测模型的多精度指标综合评价方法及系统 Download PDFInfo
- Publication number
- CN112700027B CN112700027B CN201911115292.2A CN201911115292A CN112700027B CN 112700027 B CN112700027 B CN 112700027B CN 201911115292 A CN201911115292 A CN 201911115292A CN 112700027 B CN112700027 B CN 112700027B
- Authority
- CN
- China
- Prior art keywords
- model
- evaluated
- electric power
- prediction
- precision
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000005457 optimization Methods 0.000 claims abstract description 16
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 15
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000010248 power generation Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012706 support-vector machine 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
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于电功率预测模型的多精度指标综合评价方法及系统，涉及电功率预测模型评价技术领域，其包括以下步骤：选取从不同角度反映待评价模型的精度指标，计算各精度指标对于待评价模型的独立评价值，并构建独立评价值数据矩阵；根据功效系数法和极值法对各独立评价值进行无量纲化处理；基于Dempster合成法则计算各待评价模型的综合评价值；根据各待评价模型的综合评价值大小进行模型排序，实现各待评价模型的优选或者组合。本发明实施对电功率预测模型的全方位综合评价，进行电功率预测模型的优选或者组合，以提高电功率预测的精准度，指导电力系统规划设计和优化运行调度，实现电网安全、可靠、经济运行。
Description
技术领域
本发明涉及电功率预测模型评价技术领域，特别是涉及一种用于电功率预测模型的多精度指标综合评价方法及系统。
背景技术
电功率预测，包括但不限于风电功率预测、光伏发电功率预测、负荷预测。准确的电功率预测是电力规划设计的基础和前提，也是实现电网安全经济运行的重要保障。目前可构建多种电功率预测模型，如基于数据挖掘技术的预测模型、神经网络预测模型、灰色预测模型、回归方法及支持向量机预测模型等，这些模型从不同的角度利用数据信息来预测电功率。如何进行模型优选，需要首先对模型进行评价。现在常用的预测模型的筛选方法大多通过单一的精度评价指标来进行，即利用单个精度评价指标计算每个模型的独立评价值，将评价值超过设定阈值的模型进行剔除，完成模型的筛选过程。实际上，任何单一精度评价指标均无法完全反映预测模型的有效性。不同指标是从不同角度揭示预测模型精度的产生机理和特性，选择使用单一指标对电功率预测模型进行评价时，难以全面反映模型的预测效果，而且在不同的指标下，模型的评价结果可能会发生变化，也可能存在冲突性，因此，当使用精准度不高的电功率预测模型进行电力规划设计及运行调度时，预测误差大，导致电力规划失误，并严重影响系统运行的经济性、安全性、可靠性。准确的电功率预测是电力规划设计的依据，是电力部门有效制定电力调配计划、合理安排发电机组的启停和检修以及有效保障电力系统稳定运行的前提和基础
发明内容
针对现有技术中的不足，本发明提供一种用于电功率预测模型的多精度指标综合评价方法，进行全方位评价电功率预测模型，指导和优化电力系统规划布局及运行调度，实现电网安全、可靠、经济运行。
为实现上述目的，本发明的技术方案如下：
一种用于电功率预测模型的多精度指标综合评价方法，其包括以下步骤：
步骤1：获取电功率实时数据，构建至少两个电功率预测模型，将电功率预测模型作为待评价模型；
步骤2：选取能够从不同角度反映待评价模型预测精准度的精度指标并计算各精度指标对于各待评价模型的独立评价值，构建独立评价值的数据矩阵；
步骤3：根据功效系数法和极值法对各独立评价值进行无量纲化处理；
步骤4：基于Dempster合成法则计算各待评价模型的综合评价值；
步骤5：根据各待评价模型的综合评价值大小进行模型排序，进行模型优选或者组合。
如上所述的用于电功率预测模型的多精度指标综合评价方法，进一步地，在步骤2中：
所述不同角度，包括考虑预测误差的平均值大小、离散化水平、预测值和实际值的相关性。
所述精度指标包括单点预测精度指标和预测数据相关性指标，所述单点预测精度指标包括平均绝对误差、平均绝对百分比误差、均方根误差、误差标准差；所述预测数据相关性指标包括相关系数和预测有效度。
根据实测电功率数据、待评价模型的预测电功率数据以及各精度指标的计算公式计算各精度指标对于各待评价模型的独立评价值。
如上所述的用于电功率预测模型的多精度指标综合评价方法，进一步地，所述构建各待评价模型的独立评价值的数据矩阵为：
式中：n1为精度指标的数目，n2为待评价模型的数目，yi,j为第i项精度指标对第j个待评价模型的评价值，i＝1,2,…,n1，j＝1,2,…,n2。
如上所述的用于电功率预测模型的多精度指标综合评价方法，进一步地，步骤3中，对于逆指标：平均绝对误差、平均绝对百分比误差、均方根误差以及误差标准差，其无量纲化处理公式为：
式中，xi,j为yi,j经功效系数法结合极值法的无量纲化处理后的值，Maxi和Mini表示各待评价模型在第i项精度指标下的最大值和最小值，α为功效系数；
对于正指标：相关系数和预测有效度，其无量纲化处理公式为：
式中，xi,j为yi,j经功效系数法结合极值法的无量纲化处理后的值，Maxi和Mini表示各待评价模型在第i项精度指标下的最大值和最小值，α为功效系数。
如上所述的用于电功率预测模型的多精度指标综合评价方法，进一步地，步骤4中，基于Dempster合成法则计算各待评价模型的综合评价值为：
式中，xi,j为识别框架Ω上对应基本信度分配mi的基本可信数；识别框架Ω为i项精度指标对j个待评价模型的无量纲化处理后的评价值的集合；基本信度分配mi的焦点元素个数为n2。m1对应的焦点元素为m2对应的焦点元素为/>且有/>其中p＝1,2,…,n2,q＝1,2,…,n2。利用上述公式两项精度指标对待评价模型的独立评价值相继融合，直至所有精度指标对待评价模型的独立评价值融合完毕。
如上所述的用于电功率预测模型的多精度指标综合评价方法，进一步地，步骤5中：为提高预测精准度，按照系统规划设计或者运行调度对预测模型数目要求，当仅需选择一种电功率预测模型时，应选择综合评价值最大的预测模型；当需选择两种及以上预测模型进行组合预测时，则需按照所述综合评价值从大到小，选择前两种及以上的模型，然后按照权重系数法进行组合预测。
一种用于电功率预测模型的多精度指标综合评价系统，其包括：
电功率采集模块，用于获取可再生能源发电或者负荷电功率实时数据；
电功率预测建模模块，用于基于电功率实时数据构建至少两个电功率预测模型；
精度指标独立评价模块，用于选取能够从不同角度反映待评价模型预测精准度的精度指标，并计算各精度指标对于各待评价模型的独立评价值，构建各独立评价值的数据矩阵；
无量纲化处理模块，用于根据功效系数法和极值法对各独立评价值进行无量纲化处理；
预测模型综合评价模块，用于基于Dempster合成法则计算各待评价模型的综合评价值；
模型优选与组合模块，根据各待评价模型的综合评价值大小进行模型排序，进行模型优选或者组合。
如上所述的用于电功率预测模型的多精度指标综合评价系统，进一步地，所述精度指标独立评价模块：
所述不同角度包括考虑预测误差的平均值大小、离散化水平、预测值和实际值的相关性。
所述精度指标包括单点预测精度指标和预测数据相关性指标，所述单点预测精度指标包括平均绝对误差、平均绝对百分比误差、均方根误差、误差标准差；所述预测数据相关性指标包括相关系数和预测有效度。
根据实测电功率数据、待评价模型的预测电功率数据以及各精度指标的计算公式计算各精度指标对于各待评价模型的独立评价值。
如上所述的用于电功率预测模型的多精度指标综合评价系统，进一步地，构建所述待评价模型的独立评价值的数据矩阵为：
式中：n1为精度指标的数目，n2为待评价模型的数目，yi,j为第i项精度指标对第j个待评价模型的评价值，i＝1,2,…,n1，j＝1,2,…,n2。
如上所述的用于电功率预测模型的多精度指标综合评价系统，进一步地，
对于逆指标：平均绝对误差、平均绝对百分比误差、均方根误差以及误差标准差，其无量纲化处理公式为：
式中，xi,j为yi,j经功效系数法结合极值法的无量纲化处理后的值，Maxi和Mini表示各待评价模型在第i项精度指标下的最大值和最小值，α为功效系数；
对于正指标：相关系数和预测有效度，其无量纲化处理公式为：
式中，xi,j为yi,j经功效系数法结合极值法的无量纲化处理后的值，Maxi和Mini表示各待评价模型在第i项精度指标下的最大值和最小值，α为功效系数。
如上所述的用于电功率预测模型的多精度指标综合评价系统，进一步地，基于Dempster合成法则计算各待评价模型的综合评价值为：
式中，xi,j为识别框架Ω上对应基本信度分配mi的基本可信数；识别框架Ω为i项精度指标对j个待评价模型的无量纲化处理后的评价值的集合；基本信度分配mi的焦点元素个数为n2。m1对应的焦点元素为m2对应的焦点元素为/>且有/>其中p＝1,2,…,n2,q＝1,2,…,n2。利用上述公式两项精度指标对待评价模型的独立评价值相继融合，直至所有精度指标对待评价模型的独立评价值融合完毕。
如上所述的用于电功率预测模型的多精度指标综合评价系统，进一步地，所述根据各待评价模型的综合评价值大小进行模型排序，进行模型优选或者组合，具体包括：为提高预测精准度，按照系统规划设计或者运行调度对预测模型数目要求，当仅需选择一种电功率预测模型时，应选择综合评价值最大的预测模型；当需选择两种及以上预测模型进行组合预测时，则按照所述综合评价值从大到小，选择前两种及以上的模型，然后按照权重系数法进行组合预测。
本发明与现有技术相比，其有益效果在于：现有技术仅从单一精度指标角度评价电功率预测模型的精度，忽略了不同精度指标对预测模型进行评价的多角度性，且不同指标对同一模型的评价结果可能存在冲突，这导致仅利用单一精度指标对预测模型评价的不可靠性以及不准确性。本发明基于不同精度指标从不同角度分析预测模型精度的产生机理和特性，多角度挖掘出模型的预测效果，综合反映预测模型单点误差的精度指标，以及能反映预测模型误差趋势曲线的精度指标，基于Dempster合成法则进行全方位评价电功率预测模型，利用评价方法获得的优选或者组合的电功率预测模型进行预测，提高了预测精准度，指导和优化电力系统规划设计及运行调度，实现电网安全、可靠、经济运行。
附图说明
图1为本发明实施例用于电功率预测模型的多精度指标综合评价方法的工作流程图；
图2为本发明实施例用于电功率预测模型的多精度指标综合评价系统的结构图。
图中，10、电功率采集模块；20、电功率预测建模模块；30、精度指标独立评价模块；40、无量纲化处理模块；50、预测模型综合评价模块；60、模型优选与组合模块。
具体实施方式
下面结合附图和具体实施方式对本发明的内容做进一步详细说明。
实施例：
参见图1，一种用于电功率预测模型的多精度指标综合评价方法，其包括以下步骤：
步骤1：获取电功率实时数据，构建至少两个电功率预测模型，将电功率预测模型作为待评价模型。
步骤2：选取精度指标，计算各精度指标对于各待评价模型的独立评价值，并构建独立评价值数据矩阵。具体地，选取能够从不同角度反映待评价模型不同预测情况的精度指标，然后根据实测电功率数据、待评价模型的预测电功率数据以及各精度指标的计算公式计算各精度指标对于待评价模型的独立评价值。其中，待评价电功率预测模型简称为待评价模型，不同角度包括考虑预测误差的平均值大小、离散化水平、预测值和实际值的相关性。
进一步地，精度指标包括单点预测精度指标和预测数据相关性指标，单点预测精度指标包括但不限于平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage error,MAPE)、均方根误差(Root Mean Square Error,RMSE)、误差标准差(Standard Deviation of Error,SDE)；预测数据相关性指标包括但不限于相关系数(relative coefficient,r)和预测有效度(Forecasting EffectiveMeasure,FEM)。
其中，平均绝对误差(Mean Absolute Error,MAE)：
平均绝对百分比误差(Mean Absolute Percentage error,MAPE)：
均方根误差(Root Mean Square Error,RMSE)：
误差标准差(Standard Deviation of Error,SDE)：
相关系数(relative coefficient,r)：
预测有效度(Forecasting Effective Measure,FEM)：
FEM＝EP(a)[1-σ(a)]
式中，且/>所述pt表示在t(t＝1,2,…,N)时刻的实测电功率数据，et表示预测模型在t时刻的绝对误差，/>表示预测模型在N时段内的绝对误差平均值，pt′表示预测模型在t时刻的预测电功率数据，at表示预测模型在t时刻的预测精度，at∈[0,1]；EP(a)为预测模型在N时段内预测精度的期望；σ(a)是预测模型在N时段内预测精度的标准差。
进一步地，构建所述各待评价模型的独立评价值的数据矩阵为：
式中：n1为精度指标的数目，n2为待评价模型的数目，yi,j为第i项精度指标对第j个待评价模型的评价值，i＝1,2,…,n1，j＝1,2,…,n2。
步骤3：根据功效系数法和极值法对各独立评价值进行无量纲化处理。
进一步地，对于单点预测精度指标中的平均绝对误差、平均绝对百分比误差、均方根误差以及误差标准差等逆指标，其无量纲化处理公式为：
式中，xi,j为yi,j经功效系数法结合极值法的无量纲化处理后的值，Maxi和Mini表示各待评价模型在第i项精度指标下的最大值和最小值，α为功效系数；
对于预测数据相关性指标中的相关系数和预测有效度等正指标，其无量纲化处理公式为：
式中，xi,j为yi,j经功效系数法结合极值法的无量纲化处理后的值，Maxi和Mini表示各待评价模型在第i项精度指标下的最大值和最小值，α为功效系数。
步骤4：基于Dempster合成法则计算各待评价模型的综合评价值。
基于Dempster合成法则计算各待评价模型的综合评价值为：
式中，xi,j为识别框架Ω上对应基本信度分配mi的基本可信数；识别框架Ω为i项精度指标对j个待评价模型的无量纲化处理后的评价值的集合；基本信度分配mi的焦点元素个数为n2。m1对应的焦点元素为m2对应的焦点元素为/>且有/>其中p＝1,2,…,n2,q＝1,2,…,n2。利用上述公式两项精度指标对待评价模型的独立评价值相继融合，直至所有精度指标对待评价模型的独立评价值融合完毕。
步骤5：根据各待评价模型的综合评价值大小进行模型排序，进行电功率预测模型优选或者组合。
为提高预测精准度，按照系统规划设计或者运行调度对预测模型数目要求，当仅需选择一种电功率预测模型时，应选择综合评价值最大的预测模型；当需选择两种及以上预测模型进行组合预测时，按照所述综合评价值从大到小，选择前两种及以上的模型，然后按照权重系数法进行组合预测。以两种预测模型组合为例：
假设综合评价值从大到小排列在前两位的待评价模型分别为Mod1和Mod2，其评价值分别为P1和P2，则Mod1和Mod2组合预测的权重系数分别：P1/(P1+P2)，P2/(P1+P2)。
一种电功率预测模型的多精度指标综合评价系统，其包括：
电功率采集模块10，用于获取可再生能源发电或者负荷电功率实时数据；
电功率预测建模模块20，用于基于电功率实时数据构建至少两个电功率预测模型；
精度指标独立评价模块30，用于选取能够从不同角度反映待评价模型预测精准度的精度指标，计算各精度指标对于各待评价模型的独立评价值，构建独立评价值数据矩阵；
无量纲化处理模块40，用于根据功效系数法和极值法对各独立评价值进行无量纲化处理；
预测模型综合评价模块50，用于基于Dempster合成法则计算各待评价模型的综合评价值；
模型优选与组合模块60，根据各待评价模型的综合评价值大小进行模型排序，进行模型优选或者组合。
进一步地，所述精度指标独立评价模块30：
所述不同角度包括考虑预测误差的平均值大小、离散化水平、预测值和实际值的相关性。
所述精度指标包括单点预测精度指标和预测数据相关性指标，所述单点预测精度指标包括平均绝对误差、平均绝对百分比误差、均方根误差、误差标准差；所述预测数据相关性指标包括相关系数和预测有效度。
根据实测电功率数据、待评价模型的预测电功率数据以及各精度指标的计算公式计算各精度指标对于各待评价模型的独立评价值。
进一步地，构建所述待评价模型的独立评价值的数据矩阵为：
式中：n1为精度指标的数目，n2为待评价模型的数目，yi,j为第i项精度指标对第j个待评价模型的评价值，i＝1,2,…,n1，j＝1,2,…,n2。
进一步地，对于逆指标：平均绝对误差、平均绝对百分比误差、均方根误差以及误差标准差，其无量纲化处理公式为：
式中，xi,j为yi,j经功效系数法结合极值法的无量纲化处理后的值，Maxi和Mini表示各待评价模型在第i项精度指标下的最大值和最小值，α为功效系数；
对于正指标：相关系数和预测有效度，其无量纲化处理公式为：
式中，xi,j为yi,j经功效系数法结合极值法的无量纲化处理后的值，Maxi和Mini表示各待评价模型在第i项精度指标下的最大值和最小值，α为功效系数。
进一步地，基于Dempster合成法则计算各待评价模型的综合评价值为：
式中，xi,j为识别框架Ω上对应基本信度分配mi的基本可信数；识别框架Ω为i项精度指标对j个待评价模型的无量纲化处理后的评价值的集合；基本信度分配mi的焦点元素个数为n2。m1对应的焦点元素为m2对应的焦点元素为/>且有/>其中p＝1,2,…,n2,q＝1,2,…,n2。利用上述公式两项精度指标对待评价模型的独立评价值相继融合，直至所有精度指标对待评价模型的独立评价值融合完毕。
进一步地，所述模型优选与组合模块60，用于根据各待评价模型的综合评价值大小进行模型排序，进行模型优选或者组合，具体包括：为提高预测精准度，按照系统规划设计或者运行调度对预测模型数目要求，当仅需选择一种电功率预测模型时，应选择综合评价值最大的预测模型；当需选择两种及以上预测模型进行组合预测时，则需按照所述综合评价值从大到小，选择前两种及以上的模型，然后按照权重系数法进行组合预测。
本发明有益效果在于：现有技术仅从单一精度指标角度评价电功率预测模型的精度，忽略了不同精度指标对预测模型进行评价的多角度性，且不同指标对同一模型的评价结果可能存在冲突，这导致仅利用单一精度指标对预测模型评价的不可靠以及不准确性。本发明基于不同精度指标从不同角度分析预测模型精度的产生机理和特性，多角度挖掘出模型的预测效果，综合反映预测模型单点误差的精度指标，以及能反映预测模型误差趋势曲线的精度指标，基于Dempster合成法则进行全方位评价电功率预测模型，进行电功率预测模型的优选或者组合，提高了电功率预测的精准度，指导电力系统规划设计和优化运行调度，实现电网安全、可靠、经济运行。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。
Claims (2)
1.一种用于电功率预测模型的多精度指标综合评价方法，其特征在于，包括以下步骤：
步骤1：获取电功率实时数据，构建至少两个电功率预测模型，将电功率预测模型作为待评价模型；
步骤2：选取反映待评价模型的精度指标并计算各精度指标对于各待评价模型的独立评价值，构建独立评价值的数据矩阵；
步骤3：根据功效系数法和极值法对各独立评价值进行无量纲化处理；
步骤4：基于Dempster合成法则计算各待评价模型的综合评价值；
步骤5：根据各待评价模型的综合评价值大小进行模型排序，进行电功率预测模型优选或者组合；
在步骤2中：
选取考虑预测误差的平均值大小、离散化水平以及预测值和实际值相关性的精度指标，包括单点预测精度指标和预测数据相关性指标，所述单点预测精度指标包括平均绝对误差、平均绝对百分比误差、均方根误差以及误差标准差；所述预测数据相关性指标包括相关系数和预测有效度；
根据实测电功率数据、待评价模型的预测电功率数据以及各精度指标的计算公式计算各精度指标对于各待评价模型的独立评价值；
所述待评价模型的独立评价值的数据矩阵为：
式中：n1为精度指标的数目，n2为待评价模型的数目，yi,j为第i项精度指标对第j个待评价模型的评价值，i＝1,2,…,n1，j＝1,2,…,n2；
步骤3中，针对属于逆指标的平均绝对误差、平均绝对百分比误差、均方根误差以及误差标准差，其无量纲化处理公式为：
式中，xi,j为yi,j经功效系数法结合极值法的无量纲化处理后的值，Maxi和Mini表示各待评价模型在第i项精度指标下的最大值和最小值，α为功效系数；
针对属于正指标的相关系数和预测有效度，其无量纲化处理公式为：
步骤4中，基于Dempster合成法则计算各待评价模型的综合评价值为：
式中，xi，j的值作为识别框架Ω上对应基本信度分配mi的基本可信数；识别框架Ω为i项精度指标对j个待评价模型的无量纲化处理后的评价值的集合；基本信度分配mi的焦点元素个数为n2；m1对应的焦点元素为m2对应的焦点元素为/>且有/>其中p＝1,2,…,n2,q＝1,2,…,n2；
利用上述基于Dempster合成法则计算各待评价模型的综合评价值公式将各精度指标对待评价模型的独立评价值相继融合，直至所有精度指标对待评价模型的独立评价值融合完毕；
步骤5中：按照系统规划设计或者运行调度对电功率预测模型数目要求，当仅需选择一种电功率预测模型时，选择综合评价值最大的电功率预测模型；当需选择两种及以上电功率预测模型进行组合预测时，则按照所述综合评价值从大到小，选择前两种及以上的电功率预测模型，然后按照权重系数法进行组合预测。
2.一种用于电功率预测模型的多精度指标综合评价系统，其特征在于，包括：
电功率采集模块，用于获取可再生能源发电或者负荷电功率实时数据；
电功率预测建模模块，用于基于电功率实时数据构建至少两个电功率预测模型；
精度指标独立评价模块，用于精度指标选取及计算各精度指标对于各待评价模型的独立评价值，构建独立评价值的数据矩阵；
无量纲化处理模块，用于根据功效系数法和极值法对各独立评价值进行无量纲化处理；
预测模型综合评价模块，用于基于Dempster合成法则计算各待评价模型的综合评价值；
模型优选与组合模块，根据各待评价模型的综合评价值大小进行模型排序，进行模型优选或者组合；
所述精度指标独立评价模块：
考虑预测误差的平均值大小、离散化水平、预测值和实际值的相关性，选取精度指标包括单点预测精度指标和预测数据相关性指标，所述单点预测精度指标包括平均绝对误差、平均绝对百分比误差、均方根误差、误差标准差；所述预测数据相关性指标包括相关系数和预测有效度；
根据实测电功率数据、待评价模型的预测电功率数据以及各精度指标的计算公式计算各精度指标对于各待评价模型的独立评价值；
构建所述待评价模型的独立评价值的数据矩阵为：
式中：n1为精度指标的数目，n2为待评价模型的数目，yi,j为第i项精度指标对第j个待评价模型的评价值，i＝1,2,…,n1，j＝1,2,…,n2；
对于逆指标：平均绝对误差、平均绝对百分比误差、均方根误差以及误差标准差逆指标，其无量纲化处理公式为：
式中，xi,j为yi,j经功效系数法结合极值法的无量纲化处理后的值，Maxi和Mini表示各待评价模型在第i项精度指标下的最大值和最小值，α为功效系数；
对于正指标：相关系数和预测有效度，其无量纲化处理公式为：
基于Dempster合成法则计算各待评价模型的综合评价值为：
式中，xi,j的值作为识别框架Ω上对应基本信度分配mi的基本可信数；识别框架Ω为i项精度指标对j个待评价模型的无量纲化处理后的评价值的集合；基本信度分配mi的焦点元素个数为n2；m1对应的焦点元素为m2对应的焦点元素为/>且有/>其中p＝1,2,…,n2,q＝1,2,…,n2；
利用上述基于Dempster合成法则计算各待评价模型的综合评价值公式将各精度指标对待评价模型的独立评价值相继融合，直至所有精度指标对待评价模型的独立评价值融合完毕；
所述模型优选与组合模块，具体用于：
按照系统规划设计或者运行调度对电功率预测模型数目要求，当仅需选择一种电功率预测模型时，应选择综合评价值最大的电功率预测模型；当需选择两种及以上电功率预测模型进行组合预测时，按照所述综合评价值从大到小，选择前两种及以上的模型，然后按照权重系数法进行组合预测。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2019110036727 | 2019-10-22 | ||
| CN201911003672 | 2019-10-22 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112700027A CN112700027A (zh) | 2021-04-23 |
| CN112700027B true CN112700027B (zh) | 2023-10-31 |
Family
ID=75505356
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911115292.2A Active CN112700027B (zh) | 2019-10-22 | 2019-11-14 | 用于电功率预测模型的多精度指标综合评价方法及系统 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112700027B (zh) |
| WO (1) | WO2021077646A1 (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113269470A (zh) * | 2021-06-23 | 2021-08-17 | 云南电网有限责任公司电力科学研究院 | 一种电能替代能效综合评价方法 |
| CN113469533A (zh) * | 2021-07-02 | 2021-10-01 | 河海大学 | 一种含综合能源系统的配电网运行评价方法 |
| CN113506021A (zh) * | 2021-07-26 | 2021-10-15 | 云南电网有限责任公司电力科学研究院 | 一种用于综合评价的指标无量纲化处理方法 |
| CN113705874B (zh) * | 2021-08-19 | 2024-03-15 | 国家电网有限公司 | 新能源电网演化预测方法、装置、计算机设备和存储介质 |
| CN114118786A (zh) * | 2021-11-24 | 2022-03-01 | 国网山东省电力公司枣庄供电公司 | 综合能源系统能效评价方法、装置和终端设备 |
| CN115859554B (zh) * | 2022-10-08 | 2024-04-26 | 常熟理工学院 | 基于大数据的民用天然气动态智能调配方法 |
| CN116050725A (zh) * | 2022-11-08 | 2023-05-02 | 华北电力大学 | 一种综合能源系统运行调度的区块链共识机制构建方法 |
| CN115866037A (zh) * | 2023-03-02 | 2023-03-28 | 江西昌大清科信息技术有限公司 | 多技术融合的水文站实时推流平台 |
| CN116304606A (zh) * | 2023-05-22 | 2023-06-23 | 北京城建集团有限责任公司 | 一种岩土本构模型工程化推荐方法 |
| CN116934274A (zh) * | 2023-09-14 | 2023-10-24 | 济南科金信息技术有限公司 | 一种基于人工智能的工程进度管理系统 |
| CN117318052B (zh) * | 2023-11-28 | 2024-03-19 | 南方电网调峰调频发电有限公司检修试验分公司 | 发电机组进相试验无功功率预测方法、装置和计算机设备 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657856A (zh) * | 2018-12-14 | 2019-04-19 | 中国科学院广州能源研究所 | 一种用于电功率预测模型评价的精度指标构建方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103822793B (zh) * | 2014-01-20 | 2016-05-11 | 北京邮电大学 | 一种复杂设备声学故障识别定位方法 |
| CN104318339A (zh) * | 2014-09-15 | 2015-01-28 | 国家电网公司 | 一种基于综合赋权法的电网投资效益评价方法 |
| CN104809532A (zh) * | 2015-05-25 | 2015-07-29 | 海南汉能薄膜太阳能有限公司 | 一种光伏系统发电量的预测方法 |
| CN105447640A (zh) * | 2015-11-27 | 2016-03-30 | 国家电网公司 | 一种大电网建设经济型评估方法 |
| CN105719023A (zh) * | 2016-01-24 | 2016-06-29 | 东北电力大学 | 一种基于混合高斯分布的风电功率实时预测误差分析方法 |
| JP6797780B2 (ja) * | 2017-11-07 | 2020-12-09 | 株式会社東芝 | 情報処理装置、情報処理方法及びプログラム |
-
2019
- 2019-11-14 CN CN201911115292.2A patent/CN112700027B/zh active Active
-
2020
- 2020-02-17 WO PCT/CN2020/075474 patent/WO2021077646A1/zh active Application Filing
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109657856A (zh) * | 2018-12-14 | 2019-04-19 | 中国科学院广州能源研究所 | 一种用于电功率预测模型评价的精度指标构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| Blind Noisy Image Quality Assessment Using Sub-Band Kurtosis;Chenwei Deng et al.;IEEE Transactions on Cybernetics;第50卷(第3期);第1146 - 1156页 * |
| 基于多指标评价优选的风电功率融合预测;刘婷婷等;《计算机工程与设计》;20180516;第39卷(第05期);第1446-1449页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021077646A1 (zh) | 2021-04-29 |
| CN112700027A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112700027B (zh) | 用于电功率预测模型的多精度指标综合评价方法及系统 | |
| CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
| CN102938093A (zh) | 一种风电功率预测的方法 | |
| CN110413775A (zh) | 一种数据打标签分类方法、装置、终端及存储介质 | |
| CN112884008B (zh) | 一种电力信息采集系统运行状态的预测评估方法及装置 | |
| KR102296309B1 (ko) | 태양광 발전량 예측 장치 및 그 방법 | |
| CN104102951A (zh) | 一种基于emd历史数据预处理的短期风电功率预测方法 | |
| Qiao et al. | Maximizing profit of a wind genco considering geographical diversity of wind farms | |
| CN115471362A (zh) | 深度特征指导两阶段迁移学习的综合能源源—荷预测方法 | |
| CN109711715A (zh) | 电力通信网风险评估方法 | |
| CN104504465A (zh) | 一种发电燃料供应预测方法 | |
| CN112836876B (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN112801357B (zh) | 日照辐射量预测方法、装置、设备及存储介质 | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
| Tena-García et al. | Implementing data reduction strategies for the optimal design of renewable energy systems | |
| CN115564310A (zh) | 一种基于卷积神经网络的新能源电力系统可靠性评估方法 | |
| CN111832785A (zh) | 一种电能替代潜力的预测方法和系统 | |
| Rizqi et al. | Green energy mix modeling under supply uncertainty: Hybrid system dynamics and adaptive PSO approach | |
| CN115713027A (zh) | 一种变压器状态评估方法、装置及系统 | |
| 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 | |
| CN103279896B (zh) | 一种优化编制检修票的方法 | |
| CN112347695B (zh) | 一种变压器顶层油温的预测方法及系统 | |
| CN116720662B (zh) | 基于集对分析的分布式能源系统适用性评估方法 | |
| Liu et al. | Demand Based Bidding Strategies Under Interval Demand for Integrated Demand and Supply Management | |
| CN118115045A (zh) | 一种新能源项目后评价方法、系统、设备和可读存储介质 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230526 Address after: Guangzhou City, Guangdong province 510640 energy road No. 2 Tianhe District Wushan Applicant after: GUANGZHOU INSTITUTE OF ENERGY CONVERSION, CHINESE ACADEMY OF SCIENCES Applicant after: SOUTH CHINA University OF TECHNOLOGY Address before: Guangzhou City, Guangdong province 510640 energy road No. 2 Tianhe District Wushan Applicant before: GUANGZHOU INSTITUTE OF ENERGY CONVERSION, CHINESE ACADEMY OF SCIENCES |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Cui Qiong Inventor after: Shu Jie Inventor after: Zhu Jizhong Inventor after: Huang Lei Inventor after: Li Yixue Inventor before: Cui Qiong Inventor before: Shu Jie Inventor before: Huang Lei Inventor before: Li Yixue |