CN113850445A - 区域分布式电源发电功率预测方法及系统 - Google Patents
区域分布式电源发电功率预测方法及系统 Download PDFInfo
- Publication number
- CN113850445A CN113850445A CN202111201477.2A CN202111201477A CN113850445A CN 113850445 A CN113850445 A CN 113850445A CN 202111201477 A CN202111201477 A CN 202111201477A CN 113850445 A CN113850445 A CN 113850445A
- Authority
- CN
- China
- Prior art keywords
- power
- predicted
- distributed power
- prediction model
- power supply
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000010248 power generation Methods 0.000 title claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- 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)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供的所述区域分布式电源发电功率预测方法及系统,在一定区域内,构建区域的天气预测模型,获取区域的预测气象数据,构建区域内的每个分布式电源的功率预测模型,并将所有分布式电源虚拟为一个新能源厂站,构建新能源厂站的功率预测模型。一方面,构建区域的天气预测模型,区域内各分布式电源的就地气象数据可以相互验证和校核,减少单个气象站数据不准确的问题。另一方面,将区域所有分布式电源虚拟成一个集中式的新能源厂站,进行发电功率预测,来对单个分布式电源功率预测的总和进行校验。通过集中提高功率预测的覆盖面积和覆盖容量,从而提高分布式电源的功率预测精度。
Description
技术领域
本申请涉及新能源发电技术领域,特别涉及一种区域分布式电源发电功率预测方法及系统。
背景技术
随着分布式电源的大规模应用,电网中随机性、波动性和间歇性的小型分布式电源所占比例会越来越大,甚至将成为电网不可或缺的组成部分。大量分布式电源接入电网,改变了电网原有的结构,而且量大分散。随着电力体制改革的进一步推进和电力市场的进一步完善,分布式电源既能够与电网进行友好互动,相互支持,也因为形态复杂、主体多元而增加了电网运行管理的复杂性,将对电网的安全、可靠、稳定运行及控制带来诸多方面的影响。
为了保证大规模分布式电源接入后电网的经济安全稳定运行,同时更好的为分布式电源提供友好的互动服务,精准的分布式电源发电功率预测极为重要,有助于提高分布式电源的消纳水平,提高分布式电源的可观测性和可控制性程度。
但分布式电源通常仅安装一套气象采集装置,而且分布式电源占地面积小,受局部天气变化影响大。分布式电源装机容量小,采集数据少,概率偏差大,不容易预测准确。因此传统新能源发电功率预测技术无法适用于分布式电源的发电功率预测。
发明内容
基于此,本发明提出一种区域分布式电源发电功率预测方法及系统,以提高分布式新能源的预测精准度,保证电网系统平稳运行。
一种区域分布式电源发电功率预测方法,包括:
构建区域的天气预测模型,根据所述天气预测模型获取所述区域的预测气象数据;
构建所述区域内的每个分布式电源的功率预测模型,根据所述预测气象数据和每个所述分布式电源的功率预测模型获取每个所述分布式电源的预测功率;
将所述区域内的所有所述分布式电源虚拟为一个新能源厂站,构建所述新能源厂站的功率预测模型,获取所述新能源厂站的预测功率;
根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
在一个实施例中,所述构建区域的天气预测模型,根据所述天气预测模型获取所述区域的预测气象数据包括:
从气象局获取所述区域的天气预报数据;
获取所述区域内的每个所述分布式电源的实测气象数据;
根据所述天气预报数据和所述实测气象数据,构建所述天气预测模型;
通过所述天气预测模型预测所述区域未来的大气运动状态和天气现象。
在一个实施例中,所述获取所述区域内的每个所述分布式电源的实测气象数据包括:
将所述区域内的每个所述分布式电源的本地气象站组成区域气象监测网络;
所述区域气象监测网络将每个所述分布式电源的本地气象站采集的气象数据上传云端;
在所述云端对所述气象数据进行筛选和校验得到所述实测气象数据。
在一个实施例中,所述构建所述区域内的每个分布式电源的功率预测模型,根据所述预测气象数据和每个所述分布式电源的功率预测模型获取每个所述分布式电源的预测功率包括:
采集所述区域内的每个所述分布式电源的历史功率数据;
基于机器学习算法,根据每个所述分布式电源的历史气象数据与所述历史功率数据,构建每个所述分布式电源的功率预测模型;
向每个所述分布式电源的功率预测模型输入所述预测气象数据,获得每个所述分布式电源未来的输出功率;
对每个所述分布式电源的功率预测模型进行循环训练。
在一个实施例中,所述将所述区域内的所有所述分布式电源虚拟为一个新能源厂站,构建所述新能源厂站的功率预测模型,获取所述新能源厂站的预测功率包括:
获取所述新能源厂站的历史输出功率;
基于机器学习算法,根据所述区域的历史气象数据与所述新能源厂站的历史输出功率,构建所述新能源厂站的功率预测模型;
向所述新能源厂站的功率预测模型输入所述预测气象数据,获得所述新能源厂站的预测功率;
对所述新能源厂站的功率预测模型进行循环训练。
在一个实施例中,所述获取所述新能源厂站的历史输出功率包括:
将每个所述分布式电源的历史功率加总得到所述新能源厂站的历史输出功率。
在一个实施例中,所述根据所述每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率包括:
将每个所述分布式电源的预测功率加总得到所述分布式电源的预测功率总和;
比较所述分布式电源的预测功率总和与所述新能源厂站的预测功率,对所述分布式电源预测功率总和进行校验修正,获得所述区域的预测功率。
一种区域分布式电源发电功率预测系统,包括:天气预测模块,用于构建区域的天气预测模型,根据所述天气预测模型获取所述区域的预测气象数据;模型建立模块,用于构建所述区域内的每个分布式电源的功率预测模型,将所述区域内的所有所述分布式电源虚拟为一个新能源厂站,构建所述新能源厂站的功率预测模型;功率预测模块,用于根据所述区域的预测气象数据和每个所述分布式电源的功率预测模型、所述新能源厂站的功率预测模型,获取每个所述分布式电源的预测功率和所述新能源厂站的预测功率,根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一实施例所述方法的步骤。
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上述任一实施例所述的方法的步骤。
本申请提供的所述区域分布式电源发电功率预测方法及系统,在一定区域内,构建区域的天气预测模型,获取区域的预测气象数据,构建区域内的每个分布式电源的功率预测模型,并将所有分布式电源虚拟为一个新能源厂站,构建新能源厂站的功率预测模型。一方面,构建区域的天气预测模型,区域内各分布式电源的就地气象数据可以相互验证和校核,减少单个气象站数据不准确的问题。另一方面,将区域所有分布式电源虚拟成一个集中式的新能源厂站,进行发电功率预测,来对单个分布式电源功率预测的总和进行校验。通过集中提高功率预测的覆盖面积和覆盖容量,从而提高分布式电源的功率预测精度。
附图说明
图1为本申请提供的一实施例中区域分布式电源发电功率预测方法的流程图示意。
图2为本申请提供的一实施例中区域分布式电源发电功率预测方法的框架示意图。
图3为本申请提供的一实施例中获取区域的预测气象数据方法的流程图示意。
图4为本申请提供的一实施例中获取每个分布式电源的实测气象数据方法的流程图示意。
图5为本申请提供的一实施例中获取每个分布式电源的预测功率方法的流程图示意。
图6为本申请提供的一实施例中获取虚拟新能源厂站的预测功率方法的流程图示意。
图7为本申请提供的一实施例中获取区域的预测功率方法的流程图示意。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施的限制。
本文中为部件所编序号本身,例如“第一”、“第二”等,仅用于分所描述的对象,不具有任何顺序或技术含义。而本申请所说“连接”、“联接”,如无特别说明,均包括直接和间接连接(联接)。在本申请的描述中,需要理解的是,术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。
在本申请中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
参见图1,本申请实施例提供一种区域分布式电源发电功率预测方法。所述区域分布式电源发电功率预测方法包括:
S100,构建区域的天气预测模型,根据所述天气预测模型获取所述区域的预测气象数据;
S200,构建所述区域内的每个分布式电源的功率预测模型,根据所述预测气象数据和每个所述分布式电源的功率预测模型获取每个所述分布式电源的预测功率;
S300,将所述区域内的所有所述分布式电源虚拟为一个新能源厂站,构建所述新能源厂站的功率预测模型,获取所述新能源厂站的预测功率;
S400,根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
所述S100中,所述区域可以是很大的区域,如某个市,也可以是较小的区域,如某个居民小区。如图2所示,工作人员可以在云端构建所述天气预测模型。所述预测气象数据可以包括温度、湿度、光照情况、降水概率和风风速等数据。
所述S200中,所述分布式电源分布在所述区域内。工作人员可以在云端构建每个所述分布式电源的功率预测模型并获取预测功率。
所述S300中,工作人员可以在云端构建所述新能源厂站的功率预测模型并获取预测功率。
所述S400中,工作人员可以在云端根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
传统的新能源发电功率预测技术在应用于装机容量大、接入主网的风电场、光伏电站等集中式新能源发电时,准确率较高的原因如下:(1)集中式新能源占地面积大,气象采集装置安装密度高,采集的气象数据更准确,受局部天气变化的影响小;(2)集中式新能源装机容量大,概率偏差小,历史数据参考意义更大,预测更容易准确;(3)集中式新能源总投资大,功率预测投资占比小,能够购买更精准的数值电气预报数据和功率预测系统。但分布式电源装机容量小,通常仅安装一套气象采集装置,而且占地面积小,受局部天气变化影响大;分布式电源装机容量小,概率偏差大,不容易预测准确;分布式电源总投资小,对成本敏感,大部分业主不会采购就地功率预测系统。因此,传统的新能源发电功率预测技术无法适用于分布式电源的发电功率预测。
本申请实施例提供的所述区域分布式电源发电功率预测方法区别于单个分布式电源的就地功率预测,在一定区域内,由云端收集区域内所有分布式电源的就地气象数据、历史和实时功率数据,在云端接入数值天气预报数据,在云端集中进行区域分布式电源发电功率预测。一方面,区域内各分布式电源的就地气象数据可以相互验证和校核,减少单个气象站数据不准确的问题。另一方面,将区域所有分布式电源虚拟成一个集中式的新能源厂站,进行发电功率预测,来对单个分布式电源功率预测的总和进行校验。通过集中提高功率预测的覆盖面积和覆盖容量,从而提高分布式电源的功率预测精度。
参见图3,在一个实施例中,所述S100包括:
S110,从气象局获取所述区域的天气预报数据;
S120,获取所述区域内的每个所述分布式电源的实测气象数据;
S130,根据所述天气预报数据和所述实测气象数据,构建所述天气预测模型;
S140,通过所述天气预测模型预测所述区域未来的大气运动状态和天气现象。
所述S110中,所述云端可以在网络接入气象局上所述区域日前一天的天气预报数据。所述天气预报数据可以包括温度、湿度、光照情况、降水概率和风风速等数据。
所述S140中,工作人员可以在所述云端通过所述天气预测模型预测所述区域内未来一天的大气运动状态和天气现象。例如针对分布式光伏电源,获取未来一天的辐照度等数据。针对分布式风电电源,获取未来一天的风速等数据。
参见图4,在一个实施例中,所述S120包括:
S121,将所述区域内的每个所述分布式电源的本地气象站组成区域气象监测网络;
S122,所述区域气象监测网络将每个所述分布式电源的本地气象站采集的气象数据上传云端;
S123,在所述云端对所述气象数据进行筛选和校验得到所述实测气象数据。
所述S122中,每个所述分布式电源的本地气象站可以采集实时气象数据和历史气象数据。所述区域气象监测网络将每个所述分布式电源的实时气象数据和历史气象数据上传云端。每个所述分布式电源的实时气象数据和历史气象数据统称为气象数据。
所述S123中,工作人员可以通过云端对每个所述分布式电源的实时气象数据和历史气象数据与同时间的所述天气预报数据作对比,将偏差较大的气象数据筛选删除。
参见图5,在一个实施例中,所述S200包括:
S210,采集所述区域内的每个所述分布式电源的历史功率数据;
S220,基于机器学习算法,根据每个所述分布式电源的历史气象数据与所述历史功率数据,构建每个所述分布式电源的功率预测模型;
S230,向每个所述分布式电源的功率预测模型输入所述预测气象数据,获得每个所述分布式电源未来的输出功率;
S240,对每个所述分布式电源的功率预测模型进行循环训练。
所述S240中,工作人员可以在云端对每个所述分布式电源的功率预测模型预测出的未来一天的输出功率与第二天实际上的输出功率作对比,如果预测出的未来一天的输出功率与第二天实际上的输出功率差距超过某一个阈值,则修正对应的每个所述分布式电源的功率预测模型的参数。
参加图6,在一个实施例中,所述S300包括:
S310,获取所述新能源厂站的历史输出功率;
S320,基于机器学习算法,根据所述区域的历史气象数据与所述新能源厂站的历史输出功率,构建所述新能源厂站的功率预测模型;
S330,向所述新能源厂站的功率预测模型输入所述预测气象数据,获得所述新能源厂站的预测功率;
S340,对所述新能源厂站的功率预测模型进行循环训练。
所述320中,所述区域的历史气象数据可以为从所述区域的本地气象站获得的历史气象数据。
所述S330中,向所述新能源厂站的功率预测模型输入未来一天的所述预测气象数据,可以获得所述新能源厂站未来一天的预测功率。
所述S340中,工作人员可以在云端对所述新能源厂站的功率预测模型预测出的未来一天的输出功率与第二天实际上的输出功率作对比,如果预测出的未来一天的输出功率与第二天实际上的输出功率差距超过某一个阈值,则修正所述新能源厂站的功率预测模型的某个参数。
在一个实施例中,所述S310包括:将每个所述分布式电源的历史功率加总得到所述新能源厂站的历史输出功率。
参见图7,在一个实施例中,所述S400包括:
S410,将每个所述分布式电源的预测功率加总得到所述分布式电源的预测功率总和;
S420,比较所述分布式电源的预测功率总和与所述新能源厂站的预测功率,对所述分布式电源预测功率总和进行校验修正,获得所述区域的预测功率。
所述S420中,工作人员可以在云端对所述分布式电源的预测功率总和与所述新能源厂站的预测功率作对比,将所述新能源厂站的预测功率作为修改后的所述分布式电源的预测功率总和并将其输出为所述区域的预测功率,并据此调整所述分布式电源预测功率模型的参数。
本申请实施例还提供一种区域分布式电源发电功率预测系统。所述区域分布式电源发电功率预测系统包括天气预测模块、模型建立模块和功率预测模块。所述天气预测模块用于构建区域的天气预测模型,根据所述天气预测模型获取所述区域的预测气象数据。所述模型建立模块用于构建所述区域内的每个分布式电源的功率预测模型。所述模型建立模块还用于将所述区域内的所有所述分布式电源虚拟为一个新能源厂站,构建所述新能源厂站的功率预测模型。所述功率预测模块用于根据所述区域的预测气象数据和每个所述分布式电源的功率预测模型、所述新能源厂站的功率预测模型,获取每个所述分布式电源的预测功率和所述新能源厂站的预测功率。根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
在一个实施例中,提供了一种计算机设备。所述计算机设备包括存储器和处理器。所述存储器存储有计算机程序。所述处理器执行所述计算机程序时实现上述任一实施例所述区域分布式电源发电功率预测方法的步骤。
所述计算机设备可以是终端。所述计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,所述计算机设备的处理器用于提供计算和控制能力。所述计算机设备的存储器包括非易失性存储介质、内存储器。所述非易失性存储介质存储有操作系统和计算机程序。所述内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。所述计算机设备的网络接口用于与外部的终端通过网络连接通信。所述计算机程序被处理器执行时以实现一种区域分布式电源发电功率预测方法。所述计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,所述计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
在一个实施例中,提供了一种计算机可读存储介质。所述计算机可读存储介质存储有计算机程序。所述计算机程序被处理器执行时实现上述实施例中任一所述区域分布式电源发电功率预测方法的步骤。
具体地,所述处理器可以包括中央处理器(CPU),或者特定集成电路(ApplicationSpecific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种区域分布式电源发电功率预测方法,其特征在于,包括:
构建区域的天气预测模型,根据所述天气预测模型获取所述区域的预测气象数据;
构建所述区域内的每个分布式电源的功率预测模型,根据所述预测气象数据和每个所述分布式电源的功率预测模型获取每个所述分布式电源的预测功率;
将所述区域内的所有所述分布式电源虚拟为一个新能源厂站,构建所述新能源厂站的功率预测模型,获取所述新能源厂站的预测功率;
根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
2.如权利要求1所述的区域分布式电源发电功率预测方法,其特征在于,所述构建区域的天气预测模型,根据所述天气预测模型获取所述区域的预测气象数据包括:
从气象局获取所述区域的天气预报数据;
获取所述区域内的每个所述分布式电源的实测气象数据;
根据所述天气预报数据和所述实测气象数据,构建所述天气预测模型;
通过所述天气预测模型预测所述区域未来的大气运动状态和天气现象。
3.如权利要求2所述的区域分布式电源发电功率预测方法,其特征在于,所述获取所述区域内的每个所述分布式电源的实测气象数据包括:
将所述区域内的每个所述分布式电源的本地气象站组成区域气象监测网络;
所述区域气象监测网络将每个所述分布式电源的本地气象站采集的气象数据上传云端;
在所述云端对所述气象数据进行筛选和校验得到所述实测气象数据。
4.如权利要求3所述的区域分布式电源发电功率预测方法,其特征在于,所述构建所述区域内的每个分布式电源的功率预测模型,根据所述预测气象数据和每个所述分布式电源的功率预测模型获取每个所述分布式电源的预测功率包括:
采集所述区域内的每个所述分布式电源的历史功率数据;
基于机器学习算法,根据每个所述分布式电源的历史气象数据与所述历史功率数据,构建每个所述分布式电源的功率预测模型;
向每个所述分布式电源的功率预测模型输入所述预测气象数据,获得每个所述分布式电源未来的输出功率;
对每个所述分布式电源的功率预测模型进行循环训练。
5.如权利要求4所述的区域分布式电源发电功率预测方法,其特征在于,所述将所述区域内的所有所述分布式电源虚拟为一个新能源厂站,构建所述新能源厂站的功率预测模型,获取所述新能源厂站的预测功率包括:
获取所述新能源厂站的历史输出功率;
基于机器学习算法,根据所述区域的历史气象数据与所述新能源厂站的历史输出功率,构建所述新能源厂站的功率预测模型;
向所述新能源厂站的功率预测模型输入所述预测气象数据,获得所述新能源厂站的预测功率;
对所述新能源厂站的功率预测模型进行循环训练。
6.如权利要求5所述的区域分布式电源发电功率预测方法,其特征在于,所述获取所述新能源厂站的历史输出功率包括:
将每个所述分布式电源的历史功率加总得到所述新能源厂站的历史输出功率。
7.如权利要求1所述的区域分布式电源发电功率预测方法,其特征在于,所述根据所述每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率包括:
将每个所述分布式电源的预测功率加总得到所述分布式电源的预测功率总和;
比较所述分布式电源的预测功率总和与所述新能源厂站的预测功率,对所述分布式电源预测功率总和进行校验修正,获得所述区域的预测功率。
8.一种区域分布式电源发电功率预测系统,其特征在于,包括:
天气预测模块,用于构建区域的天气预测模型,根据所述天气预测模型获取所述区域的预测气象数据;
模型建立模块,用于构建所述区域内的每个分布式电源的功率预测模型,将所述区域内的所有所述分布式电源虚拟为一个新能源厂站,构建所述新能源厂站的功率预测模型;
功率预测模块,用于根据所述区域的预测气象数据和每个所述分布式电源的功率预测模型、所述新能源厂站的功率预测模型,获取每个所述分布式电源的预测功率和所述新能源厂站的预测功率,根据每个所述分布式电源的预测功率和所述新能源厂站的预测功率获得所述区域的预测功率。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
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权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201477.2A CN113850445A (zh) | 2021-10-15 | 2021-10-15 | 区域分布式电源发电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111201477.2A CN113850445A (zh) | 2021-10-15 | 2021-10-15 | 区域分布式电源发电功率预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113850445A true CN113850445A (zh) | 2021-12-28 |
Family
ID=78978366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111201477.2A Pending CN113850445A (zh) | 2021-10-15 | 2021-10-15 | 区域分布式电源发电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113850445A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462722A (zh) * | 2022-04-12 | 2022-05-10 | 南方电网数字电网研究院有限公司 | 新能源发电功率轻量化高精度云预测系统、方法和装置 |
CN117111068A (zh) * | 2023-10-19 | 2023-11-24 | 南京信大卫星应用研究院有限公司 | 一种基于卫星散射计数据的海面风场监测系统 |
-
2021
- 2021-10-15 CN CN202111201477.2A patent/CN113850445A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114462722A (zh) * | 2022-04-12 | 2022-05-10 | 南方电网数字电网研究院有限公司 | 新能源发电功率轻量化高精度云预测系统、方法和装置 |
CN114462722B (zh) * | 2022-04-12 | 2022-07-29 | 南方电网数字电网研究院有限公司 | 新能源发电功率轻量化高精度云预测系统、方法和装置 |
CN117111068A (zh) * | 2023-10-19 | 2023-11-24 | 南京信大卫星应用研究院有限公司 | 一种基于卫星散射计数据的海面风场监测系统 |
CN117111068B (zh) * | 2023-10-19 | 2024-03-22 | 南京信大卫星应用研究院有限公司 | 一种基于卫星散射计数据的海面风场监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113850445A (zh) | 区域分布式电源发电功率预测方法及系统 | |
Gangammanavar et al. | Stochastic optimization of sub-hourly economic dispatch with wind energy | |
Qi et al. | Joint planning of energy storage and transmission for wind energy generation | |
CN100568249C (zh) | 用基本原理仿真辅助半导体制造过程的系统和方法 | |
CN107507097A (zh) | 一种风电功率短期预测方法 | |
Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
CN109670549B (zh) | 火电机组的数据筛选方法、装置以及计算机设备 | |
Gupta et al. | Long term estimation of global horizontal irradiance using machine learning algorithms | |
CN114825638A (zh) | 新能源发电监控方法、系统及终端 | |
CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
Ma et al. | Modeling city-scale building energy dynamics through inter-connected distributed adjacency blocks | |
CN113935512A (zh) | 风电功率预测方法、装置、计算机设备和存储介质 | |
CN117668093A (zh) | 一种基于大数据分析的区域内碳汇监测计量方法 | |
CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库系统 | |
Zhang et al. | Reliability assessment of converter-dominated power systems using variance-based global sensitivity analysis | |
Yin et al. | Stochastic wind farm expansion planning with decision-dependent uncertainty under spatial smoothing effect | |
Zhang et al. | Short‐Term Power Prediction of Wind Power Generation System Based on Logistic Chaos Atom Search Optimization BP Neural Network | |
CN112232886B (zh) | 一种电价概率预测方法、系统、计算机设备和存储介质 | |
CN113011477B (zh) | 一种太阳辐照数据的清洗和补全系统及方法 | |
CN114547452A (zh) | 一种基于多维画像评估的网格管理优化方法及系统 | |
Dong et al. | Sensitivity‐based reliability coordination for power systems considering wind power reserve based on hybrid correlation control method for wind power forecast error | |
Arjun et al. | Multivariate regression models for prediction of wind speed | |
CN111507591A (zh) | 电力系统状态确定方法、装置、计算机介质及存储介质 | |
CN115408485B (zh) | 一种基于站点集水区小样本观测的径流重建方法和系统 | |
CN115907307B (zh) | 面向电网实时数据交互的电力系统碳排放流在线分析方法 |
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 |
Effective date of registration: 20230412 Address after: Full Floor 14, Unit 3, Building 2, No. 11, Middle Spectra Road, Huangpu District, Guangzhou, Guangdong 510700 Applicant after: China Southern Power Grid Digital Grid Technology (Guangdong) Co.,Ltd. Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province Applicant before: Southern Power Grid Digital Grid Research Institute Co.,Ltd. |
|
TA01 | Transfer of patent application right |