CN113690883A - 新能源区域能源需求预测方法、装置、终端设备及介质 - Google Patents
新能源区域能源需求预测方法、装置、终端设备及介质 Download PDFInfo
- Publication number
- CN113690883A CN113690883A CN202110948603.4A CN202110948603A CN113690883A CN 113690883 A CN113690883 A CN 113690883A CN 202110948603 A CN202110948603 A CN 202110948603A CN 113690883 A CN113690883 A CN 113690883A
- Authority
- CN
- China
- Prior art keywords
- new energy
- probability distribution
- predicted
- power
- calculating
- 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 62
- 238000009826 distribution Methods 0.000 claims abstract description 127
- 230000007613 environmental effect Effects 0.000 claims abstract description 20
- 238000010248 power generation Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 16
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 14
- 239000003345 natural gas Substances 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000005457 optimization Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000003245 coal Substances 0.000 description 3
- 239000003921 oil Substances 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003034 coal gas Substances 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000003209 petroleum derivative Substances 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
-
- 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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种新能源区域能源需求预测方法、装置、终端设备及介质，该方法包括：根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布，包括风电场风速的概率分布、光伏电站日照强度的概率分布及电力负荷的概率分布；待预测新能源区域为多个新能源区域中的一个区域；利用概率分布计算待预测新能源区域与每个新能源区域之间的时空相关系数；利用概率分布和时空相关系数计算待预测新能源区域的发电功率平均值，包括风电场发电功率平均值、光伏电站发电功率平均值及对应的权重系数；根据发电功率平均值及权重系数对待预测新能源区域进行能源需求预测。本发明克服了现有预测方法中存在局限性强的问题，提高了预测结果的精度。
Description
技术领域
本发明涉及新能源区域能源需求预测技术领域，尤其涉及一种新能源区域能源需求预测方法、装置、终端设备及介质。
背景技术
在新能源区域能源需求预测过程中，风光发电功率的预测是至关重要的一个环节。传统的风光发电功率预测方法虽然都有各自的适用性和局限性，但它们也同时有一个共同特点，即通常以单个区域的风光发电功率预测为目标，仅采用单一的数据信息，例如待预测目标风电场自身的气象预测数据、历史实测风电功率以及实测气象数据等，最后通过各种方法挖掘出历史数据到未来数据的时间演变规律或气象数据到功率数据的映射规律，进而对目标区域未来发电功率进行预测。然而，这种预测方法虽然较为容易实现，但由于其使用的元素相对孤立，无法构成较为完整的预测体系，因此导致风光发电功率的预测精度无法保证，最终影响新能源区域能源需求预测结果的精度。
发明内容
本发明的目的在于提供一种新能源区域能源需求预测方法、装置、终端设备及介质，以解决现有技术中新能源区域能源需求预测方法中存在的预测精度低、局限性强的问题。
为实现上述目的，本发明提供一种新能源区域能源需求预测方法，包括：
根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布；所述待预测新能源区域为所述多个新能源区域中的一个区域；所述概率分布包括风电场风速的概率分布、光伏电站日照强度的概率分布及电力负荷的概率分布；
利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数；
利用所述概率分布和多个所述时空相关系数，计算所述待预测新能源区域的目标参数；所述目标参数包括风电场发电功率平均值及其对应的权重系数、光伏电站发电功率平均值及其对应的权重系数、电力负荷功率平均值；
利用所述目标参数对所述待预测新能源区域进行能源需求预测。
进一步地，所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布，包括：
根据多个新能源区域的历史风电场风速数据，利用威布尔分布计算待预测新能源区域的风电场风速的概率分布，并获取在预设时间段内风电场风速按照威布尔分布规律变化的均值及方差。
进一步地，所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布，还包括：
根据多个新能源区域的历史光伏电站日照强度数据，利用贝塔分布计算待预测新能源区域的光伏电站日照强度的概率分布，并获取在所述预设时间段内光伏电站日照强度按照贝塔分布规律变化的均值及方差。
进一步地，所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布，还包括：
根据多个新能源区域的历史电力负荷数据，利用正态分布计算待预测新能源区域的电力负荷的概率分布，并获取在所述预设时间段内电力负荷按照正态规律变化的均值及方差。
进一步地，所述利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数，包括：
利用皮尔逊相关系数法以及所述在预设时间段内风电场风速按照威布尔分布规律变化的均值及方差，计算所述待预测新能源区域与每个新能源区域之间的风电场发电功率的时空相关系数。
进一步地，所述利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数，还包括：
利用斯尔曼相关系数法以及所述在预设时间段内光伏电站日照强度按照贝塔分布规律变化的均值及方差，计算所述待预测新能源区域与每个新能源区域之间的光伏电站发电功率的时空相关系数。
进一步地，在所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布之前，还包括：
对所述多个新能源区域的环境数据进行数据预处理，所述预处理包括数据清洗及数据归一化处理。
本发明还提供一种新能源区域能源需求预测装置，包括：
概率分布计算单元，用于根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布；所述待预测新能源区域为所述多个新能源区域中的一个区域；所述概率分布包括风电场风速的概率分布、光伏电站日照强度的概率分布及电力负荷的概率分布；
时相关系数计算单元，用于利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数；
功率及权重计算单元，用于利用所述概率分布和多个所述时空相关系数，计算所述待预测新能源区域的目标参数；所述目标参数包括风电场发电功率平均值及其对应的权重系数、光伏电站发电功率平均值及其对应的权重系数、电力负荷功率平均值；
能源需求预测单元，用于利用所述目标参数对所述待预测新能源区域进行能源需求预测。
本发明还提供一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的新能源区域能源需求预测方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的新能源区域能源需求预测方法。
相对于现有技术，本发明的有益效果在于：
本发明提供的新能源区域能源需求预测方法，通过利用需求侧风-光在不同时间尺度上的多区域空间相关性以及负荷与多区域风-光存在的时间相关性，确定风-光新能源在不同时间尺度与主网的电力功率交换情况；通过采用概率论的方法计算风电场风速、光伏电站日照强度和新能源区域电力负荷的概率分布，采用皮尔逊相关系数计算多个风电场的时空相关系数，采用斯尔曼系数计算多个光伏电站的时空相关系数，然后通过多区域风-光功率的概率分布和与其相对应的时空相关系数预测风电场发电功率和光伏电站发电功率，并采用权重系数的方法，最终对新能源区域电力用户未来一定时期内对能源的需求量进行了准确的预测。本发明克服了现有预测方法中存在的输入数据单一、局限性强的问题，同时提高了预测结果的精度。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方其中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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是本发明某一实施例提供的新能源区域能源需求预测方法的流程示意图；
图2是本发明某一实施例提供的新能源区域能源需求预测装置的结构示意图；
图3是本发明某一实施例提供的终端设备的结构示意图。
具体实施方式
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作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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，本发明某一实施例提供一种新能源区域能源需求预测方法，包括以下步骤：
S10、根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布；所述待预测新能源区域为所述多个新能源区域中的一个区域；所述概率分布包括风电场风速的概率分布、光伏电站日照强度的概率分布及电力负荷的概率分布。
需要说明的是，在本实施例中，新能源区域指的是政府集中统一规划指定区域，区域内专门设置某类特定行业、形态的企业、公司等进行统一管理，典型的如工业新能源区域，自贸新能源区域，产业新能源区域及动漫新能源区域等。新能源区域往往是多种能源协同优化的载体，新能源区域里面可以有效汇集多种能源方式，如以风光为代表的新能源，电力、天然气等传统能源，他们形成综合能源系统。其中，新能源区域综合能源系统隶属于用户级，含工厂、住宅、商业建筑等用能单元的聚集体，其核心依然在于各能源子系统的协同优化，且各类新能源区域表现出明显特点，即自然资源不统一、气候条件不相和地形地貌不单调，促使不同新能源区域主导的能源类型也将随之变化。具体地，新能源区域形成的综合能源系统也即在各能源子系统的规划、建设和运行过程中，对各类型能源的产生、传输与分配、转换、存储、消费等多环节进行有机协调与优化后所形成的产－供－销一体化能源系统。新能源区域多是新能源与电力、天然气等能源的协同优化，比如风光等分布式新能源，广泛应用于各类新能源区域，为新能源区域的能源优化管理以及低碳经济等提供坚实基础。
进一步地，本实施例中的能源主要是指新能源区域中的一次能源，例如煤炭、石油及天然气，也即“能源需求预测”主要是指对新能源区域未来某一时段的一次能源需求量进行预测。
在某一个可选的实施方其中，在所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布之前，需要首先获取多个新能源区域的环境数据，其中，此处的环境数据主要是指新能源区域在过去某一段时间的风电场风速、光伏电站日照强度的相关数据以及电力用户的电力负荷数据，通过这些数据可以计算对应时间段的概率分布。需要说明的是，由于在步骤S40中需要使用历史能源使用量数据，因此在获取历史的环境数据时，会同时从数据库搜集与获取环境数据相同时间段内的历史能源使用量数据，即煤炭、石油、天然气的使用量数据。
需要说明的是，由于从数据库中直接获取的历史的环境数据和能源使用量数据样本会存在质量缺陷，例如缺失值、重复值、数据格式不统一等问题。因此为了保证数据样本的质量，在一具体的实施方式中，会对这些环境数据及能源使用量数据进行数据预处理，具体包括数据清洗和归一化处理。
在某一实施例中，所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布，包括：
根据多个新能源区域的历史风电场风速数据，利用威布尔分布计算待预测新能源区域的风电场风速的概率分布，并获取在预设时间段内风电场风速按照威布尔分布规律变化的均值及方差。
需要说明的是，实际风速一般是连续的时间序列，受外界自然因素的影响较大，因此认为风速可以采用结构简单的双参数威布尔(Weibull)分布进行有效拟合。设定风速序列为：V＝{V1,V2,...,Vi,...,Vn}，风速在不同区间的变化服从Weibull分布的分布函数为：
其中，λ和k分别为Weibull分布的两个关键性参数，λ为比例参数，k形状参数。
概率密度函数为：
进一步地，采用概率Weibull分布的方法，通过历史风电场风速数据，计算新能源区域在一段时间T＝{1,...,i,...,T}内风电场风速按照Weibull分布规律变化的均值μW和方差σW。其中，均值μW和方差σW的计算公式分别为：
其中，Γ为伽马函数，具体表示为：
在某一实施例中，所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布，还包括：
根据多个新能源区域的历史光伏电站日照强度数据，利用贝塔分布计算待预测新能源区域的光伏电站日照强度的概率分布，并获取在所述预设时间段内光伏电站日照强度按照贝塔分布规律变化的均值及方差。
需要说明的是，实际日照强度是非连续的时间序列，受外界自然因素的影响较大，特别是太阳辐射等。一般认为日照强度的不确定性可以采用结构完整的贝塔(Beta)分布进行有效描述。
具体地，设定日照强度序列为：
日照强度在不同区间的变化服从Beta分布的分布函数为：
其中，α和β分别为Beta分布的两个关键性参数，
为不完全B函数。
概率密度函数为：
其中，Γ为伽马函数，具体表示为：
进一步地，采用概率Beta分布的方法，通过历史的光伏电站日照强度数据，计算新能源区域在一段时间T＝{1,...,i,...,T}内光伏电站日照强度按照Beta分布规律变化的均值μPV和方差σPV。其中，均值μPV和方差σPV的计算公式分别为：
在某一实施例中，所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布，还包括：
根据多个新能源区域的历史电力负荷数据，利用正态分布计算待预测新能源区域的电力负荷的概率分布，并获取在所述预设时间段内电力负荷按照正态规律变化的均值及方差。
需要说明的是，新能源区域的电力负荷也是连续的时间序列，受外界自然因素的影响较大，特别是新能源区域的气象因素等。一般认为用户电力负荷的不确定性可以采用线性分明的正态分布进行有效描述。
具体地，设定电力负荷序列为：PL＝{PL,1,PL,2,...,PL,h,...,PL,t}，电力负荷在不同区间的变化服从正态分布的概率密度函数为：
其中，μ和σ分别为正态分布的两个关键性参数，μ为正态分布的期望，σ为正态分布的标准差。
进一步地，采用概率正态分布的方法，通过历史电力负荷数据集，计算新能源区域在一段时间T＝{1,...,i,...,T}内用户的电力负荷按照正态分布规律变化的均值μL和方差σL。其中，均值μL和方差σL的计算公式分别为：
μL＝μ
σL＝σ2
S20、利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数。
本步骤主要是利用概率分布得到均值及方差，来求解待预测新能源区域与每个新能源区域之间的时空相关系数。需要说明的是，传统的风光发电功率预测方法之所以存在较强的局限性，是因为它们往往以单个区域的风光发电功率预测为目标，仅采用单一的数据信息，一般会局限于待预测目标风电场自身的气象预测数据、历史实测风电功率、实测气象数据等。由于这些方法在预测时是互相独立的，并忽视了新能源区域内的地理地形、气象、环境以及风电场、光伏电站之间的空间相关关系等因素的影响，因此预测结果精度还有待提高。
需要说明的是，从风光发电功率在时间和空间上的自然特性来讲，由于风光发电功率的大小是由天气系统的状态决定的，而天气系统具有一定的惯性，也就是说，一个区域内天气状态不仅在时间上是逐渐演变的，在空间上也是连续传播的。因此，风光发电功率不仅在时间上具有持续性(时间相关性)，而且在空间上具有连续性或关联性(空间相关性)，即一个特定地理位置的风速、风向、日照强度以及发电功率大小不仅会受其他临近地理位置的状态信息的影响，同时该位置的状态信息也会影响其他地理位置的状态信息。因此，在进行风电功率预测时，如果能考虑风电场之间的交互影响，将参考信息从点扩大到面，从时间维度拓展到时间－空间维度，将会更有利于提高预测精度。
同理，从电力系统运行对风电功率预测的需求来讲，随着风光发电并网规模的进一步增大以及智能电网的发展，未来电力系统的调度运行和电力市场交易强调区域内或跨区域的资源之间的协调与联动，这对风光发电功率预测的精度和效率都提出了更高的要求，同时也迫切需要风光发电功率预测模式的转变，不再将各个风电场和光伏电站视作单一的、互不关联的独立单元，而是将一个大的区域范围内的风光资源即所有的风力发电单元、光伏发电单元作为一个整体看待，在进行风光发电功率预测时做到信息的互补，充分利用全局的数据资源来促进预测目标的精度提升。
综上所述，新能源区域“源-荷”协同运行是一种良性的互动，有助于提高配电网随机、动态适应能力。由光伏、风机、地热等多种分布式能源供应，可实现在用户侧能源的自发自用、互相补充、就地平衡，实现多能互补综合利用，有利于降低能源消耗。随着新能源区域“源-荷”协同运行过程中越来越多新风光分布式能源的参与，新能源区域“源-荷”协同运行的不确定性随着多区域风光发电功率的随机性逐渐增高，新能源区域能源需求预测复杂程度加剧，因此步骤S20旨在提供多个新能源区域之间的时空相关系数的计算方法，从而为后续能源预测过程提供依据。
在某一实施例中，所述利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数，包括：
利用皮尔逊相关系数法以及所述在预设时间段内风电场风速按照威布尔分布规律变化的均值及方差，计算所述待预测新能源区域与每个新能源区域之间的风电场发电功率的时空相关系数。
需要说明的是，皮尔逊相关系数广泛用于度量两个变量之间的相关程度，其值介于-1与1之间，通过计算两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商得到相关系数，常用于描述符合Weibull分布的多变量相关性计算。多区域风电功率时空相关性的皮尔逊相关性系数计算公式为：
其中，ρW(x,y)为不同区域x和y的风电功率皮尔逊相关性系数。
设定n-1个风电场区域与待预测新能源区域风电功率呈现强相关，则n-1个风电场区域与待预测新能源区域的风速相关系数矩阵ρW为：
其中，ρW为多区域风速相关系数矩阵；ρW,12和ρW,1n分别为区域1和区域2、区域1和区域i的风速相关系数，ρW,1i＝ρW,i1，i＝1,...,n。
在某一实施例中，所述利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数，还包括：
利用斯尔曼相关系数法以及所述在预设时间段内光伏电站日照强度按照贝塔分布规律变化的均值及方差，计算所述待预测新能源区域与每个新能源区域之间的光伏电站发电功率的时空相关系数。
需要说明的是，斯皮尔曼等级相关主要用于解决名称数据和顺序数据相关的问题。适用于两列变量，而且具有等级变量性质具有线性关系的资料，可以理解成就是一种顺序或者排序，那么它就是根据原始数据的排序位置进行求解，常用于描述符合Beta分布的多变量相关性计算。多区域光伏发电功率时空相关性的斯尔曼相关性系数计算公式为：
其中，ρPV(x,y)为不同区域x和y的光伏发电功率斯尔曼相关性系数。
设定m-1个光伏电站区域与待预测新能源区域光伏发电功率呈现强相关，则m-1个光伏电站区域与待预测新能源区域的光伏发电功率秩相关系数矩阵ρPV为：
其中，ρPV为多区域光伏发电功率秩相关系数矩阵；ρPV,12和ρPV,1n分别为区域1和区域2、区域1和区域j的光伏发电功率秩相关系数，ρPV,1j＝ρPV,j1，j＝1,...,m。
S30、利用所述概率分布和多个所述时空相关系数，计算所述待预测新能源区域的目标参数；所述目标参数包括风电场发电功率平均值及其对应的权重系数、光伏电站发电功率平均值及其对应的权重系数、电力负荷功率平均值；
具体地，本步骤主要包括以下三个子步骤：
1)考虑时间相关性的新能源区域的风电场发电功率的概率计算。
1.1)计算单个区域风速平均值：
其中，vci、vco分别为风电机组的切入、切出风速。
1.2)计算单个区域风电场发电功率的平均值：
其中，PW,i为单个区域风电场发电功率的平均值，k0、k1、k2、k3分别为与平均风速相关的比例系数。
1.3)计算考虑多区域新能源区域风电场时空相关性的发电功率平均值及对应的权重系数：
考虑到不同相邻风电场存在空间相关性的特点，利用皮尔逊相关系数计算的相关系数矩阵确定待预测新能源区域的风电场发电功率平均值，假定新能源区域为第n个区域，不同区域风电场平均值的权重系数为：
其中，kW,in为第i个区域风电场发电功率的平均值权重系数。
新能源区域的风电场发电功率平均值为：
2)考虑时间相关性的新能源区域光伏电站发电功率概率计算。
2.1)计算单个区域日照强度平均值：
2.2)计算单个区域光伏电站发电功率的平均值：
其中，PPV,j为单个区域光伏电站发电功率的平均值，kPV0、kPV1、kPV2分别为与平均日照强度相关的比例系数。
2.3)计算考虑多区域新能源区域光伏电站时空相关性的发电功率平均值及对应的权重系数：
考虑到不同相邻光伏电站存在空间相关性的特点，利用斯尔曼相关系数计算的相关系数矩阵确定待预测新能源区域的光伏电站发电功率平均值，假定新能源区域为第m个区域，不同区域光伏电站平均值的权重系数为：
其中，kW,in为第i个区域光伏电站发电功率的平均值权重系数。
新能源区域的光伏电站发电功率平均值为：
3)新能源区域电力负荷功率的概率计算。
3.1)计算新能源区域电力负荷平均值：
3.2)计算新能源区域电力用户过去一段时间T内用电功率的平均值：
其中，PL为新能源区域电力用户历史用电功率的平均值，kL0、kL1分别为与平均用电负荷相关的比例系数。
3.2)计算一次能源比例系数：
考虑到新能源区域电力负荷与其他一次能源煤炭、石油、天然气的相关性，采用权重系数方法确定考虑“源-荷”时空相关性的能源比例系数，其计算式分别为：
其中，C1、O1、G1分别为历史一段时间T内新能源区域用户对煤炭、石油、天然气的需求量。
3.4)计算新能源区域电力用户未来一段时间内用电功率的平均值：
其中，PL为新能源区域电力用户未来一段时间T内用电功率的平均值，kL0、kL1分别为与平均用电负荷相关的比例系数。
S40、利用所述目标参数对所述待预测新能源区域进行能源需求预测。
最后，在本步骤中，考虑“源-荷”时空相关性的影响，未来一段时间内新能源区域电力用户对煤炭、石油、天然气、核能的需求量的预测结果分别为：
C2＝kC(PLF-kWPW-kPVPPV)
O2＝kO(PLF-kWPW-kPVPPV)
G2＝kG(PLF-kWPW-kPVPPV)
本发明实施例提供的新能源区域能源需求预测方法，采用概率论的方法计算风电场风速、光伏电站日照强度和新能源区域电力负荷的概率分布，采用皮尔逊相关系数计算多个风电场的时空相关系数，采用斯尔曼系数计算多个光伏电站的时空相关系数，最后结合时空相关系数，以求解风电场发电功率平均值及其对应的权重系数、光伏电站发电功率平均值及其对应的权重系数、电力负荷功率平均值，最终进行能源需求预测，本发明实施例不仅能克服现有预测方法中存在的输入数据单一、局限性强的缺陷，同时能提高预测结果的精度。
请参阅图2，本发明某一实施例还提供一种新能源区域能源需求预测装置，包括：
概率分布计算单元01，用于根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布；所述待预测新能源区域为所述多个新能源区域中的一个区域；所述概率分布包括风电场风速的概率分布、光伏电站日照强度的概率分布及电力负荷的概率分布；
时相关系数计算单元02，用于利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数；
功率及权重计算单元03，用于利用所述概率分布和多个所述时空相关系数，计算所述待预测新能源区域的目标参数；所述目标参数包括风电场发电功率平均值及其对应的权重系数、光伏电站发电功率平均值及其对应的权重系数、电力负荷功率平均值；
能源需求预测单元04，用于利用所述目标参数对所述待预测新能源区域进行能源需求预测。
可以理解的是，本发明实施例提供的新能源区域能源需求预测装置用于执行如上述任一项实施例所述的能源需求预测方法。本发明实施例采用概率论的方法计算风电场风速、光伏电站日照强度和新能源区域电力负荷的概率分布，采用皮尔逊相关系数计算多个风电场的时空相关系数，采用斯尔曼系数计算多个光伏电站的时空相关系数，最后结合时空相关系数，以求解风电场发电功率平均值及其对应的权重系数、光伏电站发电功率平均值及其对应的权重系数、电力负荷功率平均值，最终进行能源需求预测，本发明实施例不仅能克服现有预测方法中存在的输入数据单一、局限性强的缺陷，同时能提高预测结果的精度。
请参阅图3，本发明某一实施例提供一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的新能源区域能源需求预测方法。
处理器用于控制该终端设备的整体操作，以完成上述的新能源区域能源需求预测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作，这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在一示例性实施例中，终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的新能源区域能源需求预测方法，并达到如上述方法一致的技术效果。
在另一示例性实施例中，还提供一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现如上述任一项实施例所述的新能源区域能源需求预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由终端设备的处理器执行以完成如上述任一项实施例所述的新能源区域能源需求预测方法，并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式，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，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种新能源区域能源需求预测方法，其特征在于，包括：
根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布；所述待预测新能源区域为所述多个新能源区域中的一个区域；所述概率分布包括风电场风速的概率分布、光伏电站日照强度的概率分布及电力负荷的概率分布；
利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数；
利用所述概率分布和多个所述时空相关系数，计算所述待预测新能源区域的目标参数；所述目标参数包括风电场发电功率平均值及其对应的权重系数、光伏电站发电功率平均值及其对应的权重系数、电力负荷功率平均值；
利用所述目标参数对所述待预测新能源区域进行能源需求预测。
2.根据权利要求1所述的新能源区域能源需求预测方法，其特征在于，所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布，包括：
根据多个新能源区域的历史风电场风速数据，利用威布尔分布计算待预测新能源区域的风电场风速的概率分布，并获取在预设时间段内风电场风速按照威布尔分布规律变化的均值及方差。
3.根据权利要求2所述的新能源区域能源需求预测方法，其特征在于，所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布，还包括：
根据多个新能源区域的历史光伏电站日照强度数据，利用贝塔分布计算待预测新能源区域的光伏电站日照强度的概率分布，并获取在所述预设时间段内光伏电站日照强度按照贝塔分布规律变化的均值及方差。
4.根据权利要求3所述的新能源区域能源需求预测方法，其特征在于，所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布，还包括：
根据多个新能源区域的历史电力负荷数据，利用正态分布计算待预测新能源区域的电力负荷的概率分布，并获取在所述预设时间段内电力负荷按照正态规律变化的均值及方差。
5.根据权利要求2所述的新能源区域能源需求预测方法，其特征在于，所述利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数，包括：
利用皮尔逊相关系数法以及所述在预设时间段内风电场风速按照威布尔分布规律变化的均值及方差，计算所述待预测新能源区域与每个新能源区域之间的风电场发电功率的时空相关系数。
6.根据权利要求3所述的新能源区域能源需求预测方法，其特征在于，所述利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数，还包括：
利用斯尔曼相关系数法以及所述在预设时间段内光伏电站日照强度按照贝塔分布规律变化的均值及方差，计算所述待预测新能源区域与每个新能源区域之间的光伏电站发电功率的时空相关系数。
7.根据权利要求1所述的新能源区域能源需求预测方法，其特征在于，在所述根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布之前，还包括：
对所述多个新能源区域的环境数据进行数据预处理，所述预处理包括数据清洗及数据归一化处理。
8.一种新能源区域能源需求预测装置，其特征在于，包括：
概率分布计算单元，用于根据多个新能源区域的环境数据，计算待预测新能源区域的概率分布；所述待预测新能源区域为所述多个新能源区域中的一个区域；所述概率分布包括风电场风速的概率分布、光伏电站日照强度的概率分布及电力负荷的概率分布；
时相关系数计算单元，用于利用所述概率分布计算所述待预测新能源区域与每个新能源区域之间的时空相关系数；
功率及权重计算单元，用于利用所述概率分布和多个所述时空相关系数，计算所述待预测新能源区域的目标参数；所述目标参数包括风电场发电功率平均值及其对应的权重系数、光伏电站发电功率平均值及其对应的权重系数、电力负荷功率平均值；
能源需求预测单元，用于利用所述目标参数对所述待预测新能源区域进行能源需求预测。
9.一种终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7任一项所述的新能源区域能源需求预测方法。
10.一种计算机可读存储介质，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时实现如权利要求1-7任一项所述的新能源区域能源需求预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110948603.4A CN113690883B (zh) | 2021-08-18 | 2021-08-18 | 新能源区域能源需求预测方法、装置、终端设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110948603.4A CN113690883B (zh) | 2021-08-18 | 2021-08-18 | 新能源区域能源需求预测方法、装置、终端设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113690883A true CN113690883A (zh) | 2021-11-23 |
| CN113690883B CN113690883B (zh) | 2024-05-14 |
Family
ID=78580401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110948603.4A Active CN113690883B (zh) | 2021-08-18 | 2021-08-18 | 新能源区域能源需求预测方法、装置、终端设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113690883B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070782A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市三和电力科技有限公司 | 一种基于大数据的能源储备管理方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050117888A (ko) * | 2004-06-11 | 2005-12-15 | 주식회사 우암닷컴 | 에너지 수요예측 방법 및 시스템 |
| CN108197751A (zh) * | 2018-01-23 | 2018-06-22 | 国网山东省电力公司电力科学研究院 | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 |
| CN112862215A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种微电网能源需求预测方法、系统及设备 |
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
-
2021
- 2021-08-18 CN CN202110948603.4A patent/CN113690883B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050117888A (ko) * | 2004-06-11 | 2005-12-15 | 주식회사 우암닷컴 | 에너지 수요예측 방법 및 시스템 |
| CN108197751A (zh) * | 2018-01-23 | 2018-06-22 | 国网山东省电力公司电力科学研究院 | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 |
| US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
| CN112862215A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种微电网能源需求预测方法、系统及设备 |
Non-Patent Citations (3)
| Title |
|---|
| 唐平雅: "电力需求预测方法和能源需求预测模型探讨", 中国电力, no. 04, 20 April 2000 (2000-04-20) * |
| 张健;张国强;鲍冠南;郭少青;匡洪辉;黄红伟;: "考虑新能源空间相关性的母线负荷预测方法", 电气自动化, no. 06, 30 November 2018 (2018-11-30) * |
| 罗煜;吴杰康;简俊威;廖一键;郭清元;: "基于机会约束规划的多类型分布式电源容量与布点优化方法", 广东电力, no. 04, 22 May 2018 (2018-05-22) * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116070782A (zh) * | 2023-03-06 | 2023-05-05 | 深圳市三和电力科技有限公司 | 一种基于大数据的能源储备管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113690883B (zh) | 2024-05-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rodríguez et al. | Predicting solar energy generation through artificial neural networks using weather forecasts for microgrid control | |
| Van der Meer et al. | Probabilistic forecasting of electricity consumption, photovoltaic power generation and net demand of an individual building using Gaussian Processes | |
| Sawle et al. | PV-wind hybrid system: A review with case study | |
| Mellit et al. | Short-term forecasting of power production in a large-scale photovoltaic plant | |
| Yan et al. | Novel cost model for balancing wind power forecasting uncertainty | |
| Buwei et al. | A solar power prediction using support vector machines based on multi-source data fusion | |
| Aghaei et al. | Transmission switching, demand response and energy storage systems in an innovative integrated scheme for managing the uncertainty of wind power generation | |
| Liu et al. | Optimal stochastic scheduling of hydropower-based compensation for combined wind and photovoltaic power outputs | |
| Arriagada et al. | A probabilistic economic dispatch model and methodology considering renewable energy, demand and generator uncertainties | |
| Toubeau et al. | Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices | |
| Jurj et al. | Overview of electrical energy forecasting methods and models in renewable energy | |
| Schinke-Nendza et al. | Probabilistic forecasting of photovoltaic power supply—A hybrid approach using D-vine copulas to model spatial dependencies | |
| Gupta et al. | Long term estimation of global horizontal irradiance using machine learning algorithms | |
| Gen | Reliability and cost/worth evaluation of generating systems utilizing wind and solar energy | |
| Emblemsvåg | On the levelised cost of energy of solar photovoltaics | |
| Tikkiwal et al. | Multi-objective optimisation of a grid-connected hybrid PV-battery system considering battery degradation | |
| CN113690883B (zh) | 新能源区域能源需求预测方法、装置、终端设备及介质 | |
| Koivisto et al. | Statistical modeling of aggregated electricity consumption and distributed wind generation in distribution systems using AMR data | |
| Salkuti | An efficient allocation of D-STATCOM and DG with network reconfiguration in distribution networks | |
| Lysenko et al. | Hybrid Power System Stochastic Optimization | |
| Tymchuk et al. | Fuzzy predictive model of solar panel for decision support system in the management of hybrid grid | |
| Priolkar et al. | Forecasting of Load and Solar PV Power to Assess Demand Response Potential | |
| Mantri et al. | Solar Power Generation Prediction for Better Energy Efficiency using Machine Learning | |
| EL-AAL et al. | FORECASTING SOLAR PHOTOVOLTAIC ENERGY PRODUCTION USING LINEAR REGRESSIONBASED TECHNIQUES | |
| Bugaje et al. | Influence of input parameters on artificial neural networks for off-grid solar photovoltaic power forecasting |
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 |