CN113591332B - 一种短期风电功率预测方法、装置、存储介质及处理器 - Google Patents

一种短期风电功率预测方法、装置、存储介质及处理器 Download PDF

Info

Publication number
CN113591332B
CN113591332B CN202111147147.XA CN202111147147A CN113591332B CN 113591332 B CN113591332 B CN 113591332B CN 202111147147 A CN202111147147 A CN 202111147147A CN 113591332 B CN113591332 B CN 113591332B
Authority
CN
China
Prior art keywords
period
feature data
prediction
meteorological
data
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
Application number
CN202111147147.XA
Other languages
English (en)
Other versions
CN113591332A (zh
Inventor
周海
陈卫东
李登宣
马文文
胡思雨
吴骥
秦放
丁煌
程序
崔方
朱想
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.)
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
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 China Electric Power Research Institute Co Ltd CEPRI filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202111147147.XA priority Critical patent/CN113591332B/zh
Publication of CN113591332A publication Critical patent/CN113591332A/zh
Application granted granted Critical
Publication of CN113591332B publication Critical patent/CN113591332B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/06—Wind turbines or wind farms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及新能源发电技术领域，具体提供了一种短期风电功率预测方法、装置、存储介质及处理器，包括：获取与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；基于所述实测功率数据及其对应的预设权重确定预测时段的预测功率数据。本发明提供的技术方案简化了风电功率预测程序，减少了风电功率转化过程中的误差，有助于提升功率预测精度，具有简单实用、计算可靠等特点，易于实现和工程现场部署，具有很强的可操作性和推广应用价值。

Description

一种短期风电功率预测方法、装置、存储介质及处理器
技术领域
本发明涉及新能源发电技术领域，具体涉及一种短期风电功率预测方法、装置、存储介质及处理器。
背景技术
短期风电功率预测是指次日零时起3天的有功功率，时间分辨率15min。风力发电具有较强的波动性和随机性，大规模风电并网会给电力系统的安全稳定运行造成较大的影响。准确的短期风电功率预测有助于电力调度部门能够提前根据风力发电功率变化及时调整调度计划，保证电能质量，同时使得风资源得到充分的利用，增强风电参与电力市场的竞争力，从而获得更大的经济效益和社会效益，因此，有必要对风电场的输出功率进行准确预测。
目前，现有的短期风电功率预测方法存在误差大的特点，例如：一种短期风电功率预测的物理方法，是在数值天气预报输出的风速、风向、气温、湿度、气压等气象要素的基础上，考虑风电场地形地貌、风电机组排布等信息，建立风电场内气象要素量化模型，结合风电机组技术参数进行发电功率预测。
采用物理方法建立短期风电功率预测模型的关键环节包括中尺度模式短期预报、场内气象要素精细化预报、风电转化模型建立，基于物理方法进行短期风电功率预测的算法如图1所示，主要步骤如下：
(1)收集风电场地理信息、风电机组性能参数、风电机组排布信息；
(2)利用中尺度数值天气预报模式，预报风速、风向、气温、湿度、气压等气象要素；
(3)结合风电场地理信息及风电机组性能参数，对数值天气预报结果进行精细化释用，建立风电场气象要素量化模型；
(4)基于风电机组性能参数、风电场气象数据及运行数据，建立风电转化模型；
(5)将风电场气象要素量化结果输入风电转化模型，输出风电功率预报结果。
该短期风电功率预测的物理方法存在的缺陷在于，误差环节较多，具体为：气象预报、风功转化等环节都会产生误差，进而需要大量实测气象和实测功率数据参与模型校正。
发明内容
为了克服上述缺陷，本发明提供了一种短期风电功率预测方法、装置、存储介质及处理器。
第一方面，提供一种短期风电功率预测方法，所述短期风电功率预测方法包括：
获取与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
基于所述实测功率数据及其对应的预设权重确定预测时段的预测功率数据。
优选的，所述气象特征数据包括下述中的至少一种：地表降水、地表总辐射、边界层高度、感热通量、潜热通量、温度、气压、湿度、风速风向。
优选的，所述获取与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据，包括：
分别采用奇异值分解方法对预测时段气象特征数据矩阵和各历史时段气象特征数据矩阵进行转换，得到预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项；
分别对所述预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项进行分解，得到所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵；
利用所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵计算所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数，并选择与所述预测时段气象特征数据的相关系数最大的前m个历史时段气象特征数据作为与预测时段气象特征数据相关的历史时段气象特征数据；
获取所述与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
其中，m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
进一步的，所述预测时段气象特征数据矩阵的计算式如下：
Figure DEST_PATH_IMAGE001
所述历史时段气象特征数据矩阵的计算式如下：
Figure 461004DEST_PATH_IMAGE002
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，n为气象特征数据总类数，t为预测时段的时刻总数，xnt为预测时段中第t个时刻的第n类气象特征数据值，ynt为历史时段中第t个时刻的第n类气象特征数据值。
进一步的，所述预测时段气象特征数据矩阵对应的时间系数项的计算式如下：
B=CTZ
所述历史时段气象特征数据矩阵对应的时间系数项的计算式如下：
A=LTS
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，B为历史时段气象特征数据矩阵对应的时间系数项，A为预测时段气象特征数据矩阵对应的时间系数项，T为转置符号，C为所述预测时段气象特征数据对应的右场的正交线性变换矩阵，L为所述历史时段气象特征数据对应的左场的正交线性变换矩阵。
进一步的，所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数的计算式如下：
Figure DEST_PATH_IMAGE003
上式中，R为历史时段气象特征数据与预测时段气象特征数据之间的相关系数，n为气象特征数据总类数，l为历史时段气象特征数据对应的左场的正交线性变换矩阵的平均值向量, r为所述预测时段气象特征数据对应的右场的正交线性变换矩阵中各列向量的平均值向量，li为历史时段气象特征数据对应的左场的正交线性变换矩阵的第i列向量，ri为所述预测时段气象特征数据对应的右场的正交线性变换矩阵的第i列向量，n为气象特征数据总类数。
优选的，所述预测时段的预测功率数据的计算式如下：
Figure 198147DEST_PATH_IMAGE004
上式中，P为预测时段的预测功率数据，wj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重，Pj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据， m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
进一步的，所述与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重wj的计算式如下：
Figure DEST_PATH_IMAGE005
上式中，Rj为第j个历史时段气象特征数据与预测时段气象特征数据之间的相关系数。
进一步的，所述预测时段气象特征数据相关的历史时段气象特征数据的预设个数m=10%M，其中，M为与预测时段气象特征数据相关的历史时段气象特征数据的样本总数。
第二方面，提供一种短期风电功率预测装置，所述短期风电功率预测装置包括：
获取模块，用于获取与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
确定模块，用于基于所述实测功率数据及其对应的预设权重确定预测时段的预测功率数据。
优选的，所述气象特征数据包括下述中的至少一种：地表降水、地表总辐射、边界层高度、感热通量、潜热通量、温度、气压、湿度、风速风向。
优选的，所述获取模块具体用于：
分别采用奇异值分解方法对预测时段气象特征数据矩阵和各历史时段气象特征数据矩阵进行转换，得到预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项；
分别对所述预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项进行分解，得到所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵；
利用所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵计算所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数，并选择与所述预测时段气象特征数据的相关系数最大的前m个历史时段气象特征数据作为与预测时段气象特征数据相关的历史时段气象特征数据；
获取所述与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
其中，m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
进一步的，所述预测时段气象特征数据矩阵的计算式如下：
Figure 642510DEST_PATH_IMAGE001
所述历史时段气象特征数据矩阵的计算式如下：
Figure 45504DEST_PATH_IMAGE002
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，n为气象特征数据总类数，t为预测时段的时刻总数，xnt为预测时段中第t个时刻的第n类气象特征数据值，ynt为历史时段中第t个时刻的第n类气象特征数据值。
进一步的，所述预测时段气象特征数据矩阵对应的时间系数项的计算式如下：
B=CTZ
所述历史时段气象特征数据矩阵对应的时间系数项的计算式如下：
A=LTS
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，B为历史时段气象特征数据矩阵对应的时间系数项，A为预测时段气象特征数据矩阵对应的时间系数项，T为转置符号，C为所述预测时段气象特征数据对应的右场的正交线性变换矩阵，L为所述历史时段气象特征数据对应的左场的正交线性变换矩阵。
进一步的，所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数的计算式如下：
Figure 488118DEST_PATH_IMAGE003
上式中，R为历史时段气象特征数据与预测时段气象特征数据之间的相关系数，n为气象特征数据总类数，l为历史时段气象特征数据对应的左场的正交线性变换矩阵的平均值向量, r为所述预测时段气象特征数据对应的右场的正交线性变换矩阵中各列向量的平均值向量，li为历史时段气象特征数据对应的左场的正交线性变换矩阵的第i列向量，ri为所述预测时段气象特征数据对应的右场的正交线性变换矩阵的第i列向量，n为气象特征数据总类数。
优选的，所述预测时段的预测功率数据的计算式如下：
Figure 317534DEST_PATH_IMAGE004
上式中，P为预测时段的预测功率数据，wj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重，Pj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据， m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
进一步的，所述与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重wj的计算式如下：
Figure 314440DEST_PATH_IMAGE005
上式中，Rj为第j个历史时段气象特征数据与预测时段气象特征数据之间的相关系数。
进一步的，所述预测时段气象特征数据相关的历史时段气象特征数据的预设个数m=10%M，其中，M为与预测时段气象特征数据相关的历史时段气象特征数据的样本总数。
第三方面，提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行所述的短期风电功率预测方法。
第四方面，提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的短期风电功率预测方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
本发明涉及新能源发电技术领域，具体提供了一种短期风电功率预测方法、装置、存储介质及处理器，包括：获取与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；基于所述实测功率数据及其对应的预设权重确定预测时段的预测功率数据。本发明提供的技术方案简化了风电功率预测程序，避免了风电场气象要素和风电功率转化过程中产生的误差，不需要实测气象和实测功率数据进行实时校正；
进一步的，本发明提供的技术方案可为新能源调度提供决策支持，也可为新能源场站有功功率控制、电力市场实时交易提供参考，方法简单实用，计算可靠，易于实现和工程现场部署，具有很强的可操作性和推广应用价值。
附图说明
图1是本发明实施例中基于物理方法的短期风电功率预测流程示意图；
图2是本发明实施例中短期风电功率预测方法流程示意图；
图3是本发明实施例中短期风电功率预测装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
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它实施例，都属于本发明保护的范围。
参阅附图2，图2是根据本发明的一个实施例的短期风电功率预测方法的主要步骤流程示意图。如图2所示，本发明实施例中的短期风电功率预测方法主要包括以下步骤：
步骤S101：获取与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
步骤S102：基于所述实测功率数据及其对应的预设权重确定预测时段的预测功率数据。
其中，所述气象特征数据包括下述中的至少一种：地表降水、地表总辐射、边界层高度、感热通量、潜热通量；温度、气压、湿度、风速风向。
具体的，本发明提供的实施例中可以利用下述方式实现所述步骤S101，具体包括：
分别采用奇异值分解方法对预测时段气象特征数据矩阵和各历史时段气象特征数据矩阵进行转换，得到预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项，在一个实施方式中，历史时段气象特征数据及其对应的实测功率数据可以为整编1年以上的风电场实测功率和数值天气预报历史数据集；
分别对所述预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项进行分解，得到所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵；
利用所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵计算所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数，并选择与所述预测时段气象特征数据的相关系数最大的前m个历史时段气象特征数据作为与预测时段气象特征数据相关的历史时段气象特征数据；
获取所述与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
其中，m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
在一个实施方式中，所述预测时段气象特征数据矩阵的计算式如下：
Figure 887503DEST_PATH_IMAGE001
所述历史时段气象特征数据矩阵的计算式如下：
Figure 856728DEST_PATH_IMAGE002
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，n为气象特征数据总类数，t为预测时段的时刻总数，xnt为预测时段中第t个时刻的第n类气象特征数据值，ynt为历史时段中第t个时刻的第n类气象特征数据值。
在一个实施方式中，所述预测时段气象特征数据矩阵对应的时间系数项的计算式如下：
B=CTZ
所述历史时段气象特征数据矩阵对应的时间系数项的计算式如下：
A=LTS
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，B为历史时段气象特征数据矩阵对应的时间系数项，A为预测时段气象特征数据矩阵对应的时间系数项，T为转置符号，C为所述预测时段气象特征数据对应的右场的正交线性变换矩阵，L为所述历史时段气象特征数据对应的左场的正交线性变换矩阵。
在一个实施方式中，所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数的计算式如下：
Figure 60307DEST_PATH_IMAGE003
上式中，R为历史时段气象特征数据与预测时段气象特征数据之间的相关系数，n为气象特征数据总类数，l为历史时段气象特征数据对应的左场的正交线性变换矩阵的平均值向量, r为所述预测时段气象特征数据对应的右场的正交线性变换矩阵中各列向量的平均值向量，li为历史时段气象特征数据对应的左场的正交线性变换矩阵的第i列向量，ri为所述预测时段气象特征数据对应的右场的正交线性变换矩阵的第i列向量，n为气象特征数据总类数。
进一步的，在获取与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据之后，需基于所述实测功率数据及其对应的预设权重确定预测时段的预测功率数据，具体的，所述步骤S102中，所述预测时段的预测功率数据的计算式如下：
Figure 465880DEST_PATH_IMAGE004
上式中，P为预测时段的预测功率数据，wj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重，Pj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据， m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
其中，所述与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重wj的计算式如下：
Figure 794967DEST_PATH_IMAGE005
上式中，Rj为第j个历史时段气象特征数据与预测时段气象特征数据之间的相关系数。
在一个实施方式中，所述预测时段气象特征数据相关的历史时段气象特征数据的预设个数m=10%M，其中，M为与预测时段气象特征数据相关的历史时段气象特征数据的样本总数。
下面以装机容量为100MW的某风电场为例，验证本发明的预测效果。选取2021年4月1日-4月15日15天的短期预测功率数据、实际发电功率数据进行验证，预测效果如表1所示。算例结果表明，本发明短期预测功率各项误差指标均优于传统物理方法的短期预测功率，应用本发明的方法可以有效提高短期风电功率预测精度。
表1 预测误差指标
Figure DEST_PATH_IMAGE007
本发明提供的技术方案具有简单实用、计算可靠等特点，易于实现和工程现场部署，具有很强的可操作性和推广应用价值。该技术已在多个省调及新能源场站推广应用，为新能源调度、电站有功功率控制等提供了有力的数据支撑。
基于同一发明构思，本发明还提供一种短期风电功率预测装置，如图3所示，所述短期风电功率预测装置包括：
获取模块，用于获取与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
确定模块，用于基于所述实测功率数据及其对应的预设权重确定预测时段的预测功率数据。
优选的，所述气象特征数据包括下述中的至少一种：地表降水、地表总辐射、边界层高度、感热通量、潜热通量、温度、气压、湿度、风速风向。
优选的，所述获取模块具体用于：
分别采用奇异值分解方法对预测时段气象特征数据矩阵和各历史时段气象特征数据矩阵进行转换，得到预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项；
分别对所述预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项进行分解，得到所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵；
利用所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵计算所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数，并选择与所述预测时段气象特征数据的相关系数最大的前m个历史时段气象特征数据作为与预测时段气象特征数据相关的历史时段气象特征数据；
获取所述与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
其中，m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
进一步的，所述预测时段气象特征数据矩阵的计算式如下：
Figure 149856DEST_PATH_IMAGE008
所述历史时段气象特征数据矩阵的计算式如下：
Figure DEST_PATH_IMAGE009
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，n为气象特征数据总类数，t为预测时段的时刻总数，xnt为预测时段中第t个时刻的第n类气象特征数据值，ynt为历史时段中第t个时刻的第n类气象特征数据值。
进一步的，所述预测时段气象特征数据矩阵对应的时间系数项的计算式如下：
B=CTZ
所述历史时段气象特征数据矩阵对应的时间系数项的计算式如下：
A=LTS
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，B为历史时段气象特征数据矩阵对应的时间系数项，A为预测时段气象特征数据矩阵对应的时间系数项，T为转置符号，C为所述预测时段气象特征数据对应的右场的正交线性变换矩阵，L为所述历史时段气象特征数据对应的左场的正交线性变换矩阵。
进一步的，所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数的计算式如下：
Figure 524336DEST_PATH_IMAGE010
上式中，R为历史时段气象特征数据与预测时段气象特征数据之间的相关系数，n为气象特征数据总类数，l为历史时段气象特征数据对应的左场的正交线性变换矩阵的平均值向量, r为所述预测时段气象特征数据对应的右场的正交线性变换矩阵中各列向量的平均值向量，li为历史时段气象特征数据对应的左场的正交线性变换矩阵的第i列向量，ri为所述预测时段气象特征数据对应的右场的正交线性变换矩阵的第i列向量，n为气象特征数据总类数。
优选的，所述预测时段的预测功率数据的计算式如下：
Figure DEST_PATH_IMAGE011
上式中，P为预测时段的预测功率数据，wj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重，Pj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据， m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
进一步的，所述与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重wj的计算式如下：
Figure 902359DEST_PATH_IMAGE012
上式中，Rj为第j个历史时段气象特征数据与预测时段气象特征数据之间的相关系数。
进一步的，所述预测时段气象特征数据相关的历史时段气象特征数据的预设个数m=10%M，其中，M为与预测时段气象特征数据相关的历史时段气象特征数据的样本总数。
下面以装机容量为100MW的某风电场为例，验证本发明的短期风电功率预测装置的预测效果。选取2021年4月1日-4月15日15天的短期预测功率数据、实际发电功率数据进行验证，预测效果如表2所示。算例结果表明，本发明的短期风电功率预测装置短期预测功率各项误差指标均优于传统物理预测装置的短期预测功率，应用本发明的装置可以有效提高短期风电功率预测精度。
表2 预测误差指标
Figure 676280DEST_PATH_IMAGE014
本发明提供的技术方案具有简单实用、计算可靠等特点，易于实现和工程现场部署，具有很强的可操作性和推广应用价值。该技术已在多个省调及新能源场站推广应用，为新能源调度、电站有功功率控制等提供了有力的数据支撑。
进一步的，本发明提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行所述的短期风电功率预测方法。
进一步的，本发明提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行所述的短期风电功率预测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (18)

1.一种短期风电功率预测方法，其特征在于，所述方法包括：
获取与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
基于所述实测功率数据及其对应的预设权重确定预测时段的预测功率数据；
所述获取与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据，包括：
分别采用奇异值分解方法对预测时段气象特征数据矩阵和各历史时段气象特征数据矩阵进行转换，得到预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项；
分别对所述预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项进行分解，得到所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵；
利用所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵计算所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数，并选择与所述预测时段气象特征数据的相关系数最大的前m个历史时段气象特征数据作为与预测时段气象特征数据相关的历史时段气象特征数据；
获取所述与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
其中，m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
2.如权利要求1所述的方法，其特征在于，所述气象特征数据包括下述中的至少一种：地表降水、地表总辐射、边界层高度、感热通量、潜热通量、温度、气压、湿度、风速风向。
3.如权利要求1所述的方法，其特征在于，所述预测时段气象特征数据矩阵的计算式如下：
Figure 791289DEST_PATH_IMAGE001
所述历史时段气象特征数据矩阵的计算式如下：
Figure 172592DEST_PATH_IMAGE002
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，n为气象特征数据总类数，t为预测时段的时刻总数，xnt为预测时段中第t个时刻的第n类气象特征数据值，ynt为历史时段中第t个时刻的第n类气象特征数据值。
4.如权利要求1所述的方法，其特征在于，所述预测时段气象特征数据矩阵对应的时间系数项的计算式如下：
B=CTZ
所述历史时段气象特征数据矩阵对应的时间系数项的计算式如下：
A=LTS
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，B为历史时段气象特征数据矩阵对应的时间系数项，A为预测时段气象特征数据矩阵对应的时间系数项，T为转置符号，C为所述预测时段气象特征数据对应的右场的正交线性变换矩阵，L为所述历史时段气象特征数据对应的左场的正交线性变换矩阵。
5.如权利要求1所述的方法，其特征在于，所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数的计算式如下：
Figure 215634DEST_PATH_IMAGE003
上式中，R为历史时段气象特征数据与预测时段气象特征数据之间的相关系数，n为气象特征数据总类数，l为历史时段气象特征数据对应的左场的正交线性变换矩阵的平均值向量, r为所述预测时段气象特征数据对应的右场的正交线性变换矩阵中各列向量的平均值向量，li为历史时段气象特征数据对应的左场的正交线性变换矩阵的第i列向量，ri为所述预测时段气象特征数据对应的右场的正交线性变换矩阵的第i列向量，n为气象特征数据总类数。
6.如权利要求1所述的方法，其特征在于，所述预测时段的预测功率数据的计算式如下：
Figure 24190DEST_PATH_IMAGE004
上式中，P为预测时段的预测功率数据，wj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重，Pj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据， m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
7.如权利要求6所述的方法，其特征在于，所述与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重wj的计算式如下：
Figure 143063DEST_PATH_IMAGE005
上式中，Rj为第j个历史时段气象特征数据与预测时段气象特征数据之间的相关系数。
8.如权利要求6所述的方法，其特征在于，所述预测时段气象特征数据相关的历史时段气象特征数据的预设个数m=10%M，其中，M为与预测时段气象特征数据相关的历史时段气象特征数据的样本总数。
9.一种短期风电功率预测装置，其特征在于，所述装置包括：
获取模块，用于获取与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
确定模块，用于基于所述实测功率数据及其对应的预设权重确定预测时段的预测功率数据；
所述获取模块具体用于：
分别采用奇异值分解装置对预测时段气象特征数据矩阵和各历史时段气象特征数据矩阵进行转换，得到预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项；
分别对所述预测时段气象特征数据矩阵对应的时间系数项和各历史时段气象特征数据矩阵对应的时间系数项进行分解，得到所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵；
利用所述预测时段气象特征数据对应的右场的正交线性变换矩阵和各历史时段气象特征数据对应的左场的正交线性变换矩阵计算所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数，并选择与所述预测时段气象特征数据的相关系数最大的前m个历史时段气象特征数据作为与预测时段气象特征数据相关的历史时段气象特征数据；
获取所述与预测时段气象特征数据相关的历史时段气象特征数据对应的实测功率数据；
其中，m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
10.如权利要求9所述的装置，其特征在于，所述气象特征数据包括下述中的至少一种：地表降水、地表总辐射、边界层高度、感热通量、潜热通量、温度、气压、湿度、风速风向。
11.如权利要求9所述的装置，其特征在于，所述预测时段气象特征数据矩阵的计算式如下：
Figure 328056DEST_PATH_IMAGE001
所述历史时段气象特征数据矩阵的计算式如下：
Figure 225605DEST_PATH_IMAGE002
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，n为气象特征数据总类数，t为预测时段的时刻总数，xnt为预测时段中第t个时刻的第n类气象特征数据值，ynt为历史时段中第t个时刻的第n类气象特征数据值。
12.如权利要求9所述的装置，其特征在于，所述预测时段气象特征数据矩阵对应的时间系数项的计算式如下：
B=CTZ
所述历史时段气象特征数据矩阵对应的时间系数项的计算式如下：
A=LTS
上式中，S为预测时段气象特征数据矩阵，Z为历史时段气象特征数据矩阵，B为历史时段气象特征数据矩阵对应的时间系数项，A为预测时段气象特征数据矩阵对应的时间系数项，T为转置符号，C为所述预测时段气象特征数据对应的右场的正交线性变换矩阵，L为所述历史时段气象特征数据对应的左场的正交线性变换矩阵。
13.如权利要求9所述的装置，其特征在于，所述预测时段气象特征数据与各历史时段气象特征数据之间的相关系数的计算式如下：
Figure 470642DEST_PATH_IMAGE003
上式中，R为历史时段气象特征数据与预测时段气象特征数据之间的相关系数，n为气象特征数据总类数，l为历史时段气象特征数据对应的左场的正交线性变换矩阵的平均值向量, r为所述预测时段气象特征数据对应的右场的正交线性变换矩阵中各列向量的平均值向量，li为历史时段气象特征数据对应的左场的正交线性变换矩阵的第i列向量，ri为所述预测时段气象特征数据对应的右场的正交线性变换矩阵的第i列向量，n为气象特征数据总类数。
14.如权利要求9所述的装置，其特征在于，所述预测时段的预测功率数据的计算式如下：
Figure 843854DEST_PATH_IMAGE004
上式中，P为预测时段的预测功率数据，wj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重，Pj为与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据， m为与预测时段气象特征数据相关的历史时段气象特征数据的预设个数。
15.如权利要求14所述的装置，其特征在于，所述与预测时段气象特征数据相关的第j个历史时段气象特征数据对应的实测功率数据对应的权重wj的计算式如下：
Figure 442326DEST_PATH_IMAGE005
上式中，Rj为第j个历史时段气象特征数据与预测时段气象特征数据之间的相关系数。
16.如权利要求14所述的装置，其特征在于，所述预测时段气象特征数据相关的历史时段气象特征数据的预设个数m=10%M，其中，M为与预测时段气象特征数据相关的历史时段气象特征数据的样本总数。
17.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至8中任意一项所述的短期风电功率预测方法。
18.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至8中任意一项所述的短期风电功率预测方法。
CN202111147147.XA 2021-09-29 2021-09-29 一种短期风电功率预测方法、装置、存储介质及处理器 Active CN113591332B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111147147.XA CN113591332B (zh) 2021-09-29 2021-09-29 一种短期风电功率预测方法、装置、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111147147.XA CN113591332B (zh) 2021-09-29 2021-09-29 一种短期风电功率预测方法、装置、存储介质及处理器

Publications (2)

Publication Number Publication Date
CN113591332A CN113591332A (zh) 2021-11-02
CN113591332B true CN113591332B (zh) 2022-04-05

Family

ID=78242514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111147147.XA Active CN113591332B (zh) 2021-09-29 2021-09-29 一种短期风电功率预测方法、装置、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN113591332B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376971A (zh) * 2018-12-29 2019-02-22 北京中电普华信息技术有限公司 一种面向电力用户的负荷曲线预测方法及系统
CN110580549A (zh) * 2019-09-02 2019-12-17 山东大学 一种考虑天气的区域短期能源功率预测方法及系统
CN111861023A (zh) * 2020-07-28 2020-10-30 南方电网科学研究院有限责任公司 基于统计学的混合风电功率预测方法、装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107092989A (zh) * 2017-04-28 2017-08-25 北京天诚同创电气有限公司 短期风电功率的预测方法和设备
CN107341569B (zh) * 2017-06-26 2020-04-24 清华大学 结合光伏功率物理模型与数据驱动的光伏功率预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109376971A (zh) * 2018-12-29 2019-02-22 北京中电普华信息技术有限公司 一种面向电力用户的负荷曲线预测方法及系统
CN110580549A (zh) * 2019-09-02 2019-12-17 山东大学 一种考虑天气的区域短期能源功率预测方法及系统
CN111861023A (zh) * 2020-07-28 2020-10-30 南方电网科学研究院有限责任公司 基于统计学的混合风电功率预测方法、装置

Also Published As

Publication number Publication date
CN113591332A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
CN103390116B (zh) 采用分步方式的光伏电站发电功率预测方法
CN112348292B (zh) 一种基于深度学习网络的短期风电功率预测方法和系统
CN110880789B (zh) 一种风电、光伏联合发电系统经济调度方法
Hoori et al. Electric load forecasting model using a multicolumn deep neural networks
CN107506843A (zh) 一种短期负荷预测方法及装置
CN105160423A (zh) 一种基于马尔科夫残差修正的光伏发电预测方法
WO2023216576A1 (zh) 一种光伏发电短期功率预测方法和系统
CN102479347A (zh) 基于数据驱动的风电场短期风速预测方法和系统
CN106886839B (zh) 基于混合整数规划的水火电机组组合优化调度方法
CN103296701A (zh) 一种风电场有功功率控制方法
CN103345585A (zh) 基于支持向量机的风功率预测校正方法及系统
CN111832800A (zh) 一种光伏电站功率预测方法和装置
CN105373849A (zh) 光伏电池组件温度的分步预测方法
Phan et al. An approach using transformer-based model for short-term PV generation forecasting
CN112101626A (zh) 一种分布式光伏发电功率预测方法及系统
CN102750542A (zh) 一种插值修匀优化的支持向量回归机风速组合预测方法
CN107221933A (zh) 一种概率潮流计算方法
CN113591332B (zh) 一种短期风电功率预测方法、装置、存储介质及处理器
CN111756031B (zh) 一种电网运行趋势估算方法和系统
CN111126716A (zh) 一种基于极端梯度提升算法预测电价的系统模型
CN115566680A (zh) 一种新能源电力系统时序生产模拟运行优化方法及装置
CN112036672B (zh) 一种基于迭代订正的新能源发电超短期功率预测方法及系统
CN115344994A (zh) 风电场理论发电量快速确定方法
CN111178593A (zh) 一种光伏系统输出功率预测方法及装置
CN114693022A (zh) 一种基于深度学习的分布式光伏出力估算方法及系统

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