CN114897223A - 一种风功率的预测方法、装置及计算机可读存储介质 - Google Patents
一种风功率的预测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN114897223A CN114897223A CN202210421589.7A CN202210421589A CN114897223A CN 114897223 A CN114897223 A CN 114897223A CN 202210421589 A CN202210421589 A CN 202210421589A CN 114897223 A CN114897223 A CN 114897223A
- Authority
- CN
- China
- Prior art keywords
- power
- predicted
- actual
- moment
- actual power
- 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 62
- 238000004590 computer program Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011437 continuous method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001052 transient 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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种风功率的预测方法、装置及计算机可读存储介质,涉及风力技术领域。通过获取第一预设时刻到第二预设时刻的第一实际功率,获取第二预设时刻到当前时刻的第一预测功率和第二实际功率,并根据第一实际功率、第二实际功率和第一预测功率确定用于表征预测的权重因子,获取第三预设时刻的第二预测功率,根据权重因子、第二预测功率和当前时刻的第三实际功率确定第三预设时刻的预测功率。可以看出,此方法先通过历史实际功率和历史预测功率确定出比较准确的权重因子,再根据权重因子和当前时刻的实际功率确定出预测功率,避免了通过建立模型对风功率进行预测,降低了系统预测时的复杂性,提高了预测的准确性。
Description
技术领域
本申请涉及风力技术领域,特别是涉及一种风功率的预测方法、装置及计算机可读存储介质。
背景技术
风电作为新能源,比较适合大规模的开发,准确的风功率预测数据可以缓解电力系统的调峰和调频压力,最大化电力现货交易的收益。合理安排风机检修,以减少未必要的停机和发电量的损失,从而降低安全隐患。因此,电网和发电企业都高度重视风功率的预测,且要求也越来越高。目前,风电场功率预测系统一般是根据短期预测功率数据和实际运行功率,采用持续法、滑动平均法或机器学习算法建立超短期功率预测模型,通过预测模型对功率进行短期预测。
但是需要对每个预测时段都需要先进行模型训练,也就是如果是预测未来四小时的功率,且每15分钟预测一次,则每15分钟都需要进行模型训练,每15分钟都会出现未来四小时的功率预测,当其中一次数据出现问题,则全部数据都需要重新确定,增加了系统的复杂度和不确定性。
鉴于上述技术问题,寻求一种风功率的预测方法,是本领域技术人员亟待解决的技术问题。
发明内容
本申请的目的是提供一种风功率的预测方法、装置及计算机可读存储介质,用于实现短期内的功率预测。
为解决上述技术问题,本申请提供一种风功率的预测方法,包括:
获取第一预设时刻到第二预设时刻的第一实际功率;
获取所述第二预设时刻到当前时刻的第一预测功率和第二实际功率;
根据所述第一实际功率、所述第二实际功率和所述第一预测功率确定用于表征预测准确率的权重因子;
获取第三预设时刻的第二预测功率;
根据所述权重因子、所述第二预测功率和所述当前时刻的第三实际功率确定所述第三预设时刻的预测功率;
其中,所述第二预设时刻晚于所述第一预设时刻,所述当前时刻晚于所述第二预设时刻,所述第三预设时刻晚于所述当前时刻。
优选地,所述根据所述第一实际功率、所述第二实际功率和所述第一预测功率确定用于表征预测的权重因子包括:
对所述第一实际功率和所述第一预测功率分配多种权重组合;
根据各所述权重组合、所述第一实际功率以及所述第一预测功率确定所述第二预设时刻到所述当前时刻的第三预测功率;
根据所述第三预测功率和所述第二实际功率确定各所述权重组合的准确率;
将所述准确率最高的权重组合作为所述权重因子。
优选地,在所述根据所述权重因子、所述第二预测功率和当前时刻的第三实际功率确定所述第三预设时刻的预测功率之后,还包括:
根据所述第三实际功率和所述预测功率通过线性差值确定所述当前时刻到所述第三预设时刻的功率序列。
优选地,所述根据所述第三预测功率和所述第二实际功率确定每个所述权重组合的准确率包括:
确定各所述权重组合对应的所述第三预测功率与所述第二实际功率的误差;
根据所述误差确定所述准确率。
优选地,各所述权重组合的权重之和为1。
优选地,所述权重组合的个数为11。
为解决上述技术问题,本申请还提供一种风功率的预测装置,包括:
第一获取模块,用于获取第一预设时刻到第二预设时刻的第一实际功率;
第二获取模块,用于获取所述第二预设时刻到当前时刻的第一预测功率和第二实际功率;
第一确定模块,用于根据所述第一实际功率、所述第二实际功率和所述第一预测功率确定用于表征预测准确率的权重因子;
第三获取模块,用于获取第三预设时刻的第二预测功率;
第二确定模块,用于根据所述权重因子、所述第二预测功率和当前时刻的第三实际功率确定所述第三预设时刻的预测功率;
其中,所述第二预设时刻晚于所述第一预设时刻,所述当前时刻晚于所述第二预设时刻,所述第三预设时刻晚于所述当前时刻。
为解决上述技术问题,本申请还提供一种风功率的预测装置,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如上述所述的风功率的预测方法的步骤。
为解决上述技术问题,本申请还提供一种计算机可读存储介质,所述计算机可读存储介质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述所述的风功率的预测方法的步骤。
本申请所提供的一种风功率的预测方法,通过获取第一预设时刻到第二预设时刻的第一实际功率,获取第二预设时刻到当前时刻的第一预测功率和第二实际功率,并根据第一实际功率、第二实际功率和第一预测功率确定用于表征预测的权重因子,获取第三预设时刻的第二预测功率,根据权重因子、第二预测功率和当前时刻的第三实际功率确定第三预设时刻的预测功率。可以看出,此方法先通过历史实际功率和历史预测功率确定出比较准确的权重因子,再根据权重因子和当前时刻的实际功率确定出预测功率,避免了通过建立模型对风功率进行预测,降低了系统预测时的复杂性,提高了预测的准确性。
在此基础上,本申请还提供一种风功率的预测装置和计算机可读存储介质,具有与风功率的预测方法相同的有益效果。
附图说明
为了更清楚地说明本申请实施例,下面将对实施例中所需要使用的附图做简单的介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,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为本申请实施例提供的一种风功率的预测方法的流程图;
图2为本申请实施例提供的另一种风功率的预测方法的流程图;
图3为本申请实施例提供的一种风功率的预测装置的结构图;
图4为本申请另一实施例提供的风功率的预测装置的结构图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下,所获得的所有其他实施例,都属于本申请保护范围。
本申请的核心是提供一种风功率的预测方法、装置及计算机可读存储介质,用于实现短期内风功率的预测。
为了使本技术领域的人员更好地理解本申请方案,下面结合附图和具体实施方式对本申请作进一步的详细说明。
图1为本申请实施例提供的一种风功率的预测方法的流程图,如图1所示,风功率的预测方法包括如下步骤:
S10:获取第一预设时刻到第二预设时刻的第一实际功率。
S11:获取第二预设时刻到当前时刻的第一预测功率和第二实际功率。
S12:根据第一实际功率、第二实际功率和第一预测功率确定用于表征预测准确率的权重因子。
S13:获取第三预设时刻的第二预测功率。
S14:根据权重因子、第二预测功率和当前时刻的第三实际功率确定第三预设时刻的预测功率。
风电作为新能源,比较适合大规模的开发,准确的风功率预测数据可以缓解电力系统的调峰和调频压力,最大化电力现货交易的收益。合理安排风机检修,以减少未必要的停机和发电量的损失,从而降低安全隐患。因此,电网和发电企业都高度重视风功率的预测,且要求也越来越高。目前,风电场功率预测系统一般是根据短期预测功率数据和实际运行功率,采用持续法、滑动平均法或机器学习算法建立超短期功率预测模型,通过预测模型对功率进行短期预测。但是需要对每个预测时段都需要先进行模型训练,也就是如果是预测未来四小时的功率,且每15分钟预测一次,则每15分钟都需要进行模型训练,每15分钟都会出现未来四小时的功率预测,当其中一次数据出现问题,则全部数据都需要重新确定,增加了系统的复杂度和不确定性。因此,提出一种超短期风功率的预测方法。
在步骤S10和步骤S11中所说,获取第一预设时刻到第二预设时刻的第一实际功率,获取第二预设时刻到当前时刻的第一预测功率和第二实际功率。其中,第二预设时刻晚于第一预设时刻,此外,第一实际功率是时间间隔为15分钟的全场所有风机的总的实际功率序列,该数据基于每台风机的秒级实时有功功率,对每台风机的15分钟平均功率求和得到。第一预测功率是时间间隔为15分钟的全场所有风机的总的短期预测功率序列,是通过中尺度气象预测数据和短期功率预测模型计算得到。而第二实际功率的获取方法与第一实际功率的获取方法相同。
在步骤S12中提到,根据第一实际功率、第二实际功率和第一预测功率确定用于表征预测准确率的权重因子。具体地为,假定第一预设时刻为0点,第二预设时刻为4点,当前时刻为8点。则,第一实际功率为0点到4点的实际功率,第一预测功率是4点到8点的预测功率,第二实际功率为4点到8点的实际功率。可以理解的是,第一预测功率是通过第一实际功率预测得到,通过设定第一预设功率和第一实际功率权重因子,确定出结果,再将结果与第二实际功率对比,确定出比较准确的权重因子。本实施例对权重因子的具体类型不作限定,可以是对第一实际功率和第一预测功率设置权重组合,选出比较准确的权重组合。
此外,获取准确率高的权重因子之后,获取第三预设时刻的第二预测功率。根据权重因子、第二预测功率和当前时刻的第三实际功率确定第三预设时刻的预测功率。也就是说,通过第一预测功率和第一实际功率确定出比较准确的权重因子,则可以通过相同的方法,获取第三预设时刻的第二预测功率,其中,第三预设时刻晚于当前时刻,且第二预测功率的获取方法与第一预测功率的获取方法相同。再获取当前时刻的第三实际功率,则就可以通过第三实际功率、第二预测功率和权重因子确定出第三时刻的预测功率。值得注意的是,本实施例是确定出第三时刻的预测功率,并不是将当前时刻到第三时刻的功率序列确定出来。可以通过线性插值的方法,得到当前时刻到第三预设时刻时间间隔为15分钟的预测功率序列,一共16个值。本实施例对此不作限定,只需满足将第三预设时刻的功率预测处理即可。另外,如上述所说,第一预设时刻为0点,第二预设时刻为4点,当前时刻为8点,则第三预设时刻为12点,本实施例仅为一种优选的实施方式,并不对此限定。
可以看出,本实施例提供一种风功率的预测方法,通过获取第一预设时刻到第二预设时刻的第一实际功率,获取第二预设时刻到当前时刻的第一预测功率和第二实际功率,并根据第一实际功率、第二实际功率和第一预测功率确定用于表征预测的权重因子,获取第三预设时刻的第二预测功率,根据权重因子、第二预测功率和当前时刻的第三实际功率确定第三预设时刻的预测功率。此方法先通过历史实际功率和历史预测功率确定出比较准确的权重因子,再根据权重因子和当前时刻的实际功率确定出预测功率,避免了通过建立模型对风功率进行预测,降低了系统预测时的复杂性,提高了预测的准确性。
在上述实施例的基础上,对如何根据第一实际功率、第二实际功率和第一预测功率确定用于表征预测的权重因子进行描述,其包括:
对第一实际功率和第一预测功率分配多种权重组合;
根据各权重组合、第一实际功率以及第一预测功率确定第二预设时刻到当前时刻的第三预测功率;
根据第三预测功率和第二实际功率确定每个权重组合的准确率;
将准确率最高的权重组合作为权重因子。
可以理解的是,对第一实际功率和第一预测功率分配多种权重组合,例如对第一实际功率分配1的权重,对第一预测功率分配2的权重,本实施例对此不作限定。但作为一种优选的实施例,将第一实际功率和第一预测功率所分配的权重组合中的权重之和设定为1,也就是说,若第一实际功率的权重为0.1,则第一预测功率的权重为0.9,最多有11种情况,分别为,0和1,0.1和0.9,0.2和0.8,0.3和0.7,0.4和0.6,0.5和0.5,0.6和0.4,0.7和0.3,0.8和0.2,0.9和0.1,1和0。通过多组权重组合和第一实际功率以及第一预测功率确定第二预设时刻到当前时刻的第三预测功率,值得注意的是,第三预测功率与第一预测功率不同,但都是第二预设时刻到当前时刻的预设功率。
通过第三预测功率与第二实际功率进行对比,确定出每组权重组合的准确率,也就是说,假如一共十一组权重组合,则有十一个第三预测功率,通过这十一个第三预测功率与第二实际功率进行对比,确定出最为接近的第三预测功率,再将这个第三预测功率对应的权重组合确定为权重因子。此外,本实施例仅仅为一种优选的实施例对权重因子进行确定,也可以通过其余方式对权重因子进行确定,本实施例不再赘述。
可以看出,本实施例通过各权重组合、第一实际功率以及第一预测功率确定第二预设时刻到当前时刻的第三预测功率,根据第三预测功率和第二实际功率确定每个权重组合的准确率,将准确率最高的权重组合作为权重因子。此方法,可以获取比较准确的权重因子,减少了系统的复杂度。
在具体实施例中,只确定出第三预设时刻的预测功率并不能满足风功率的预测,还需要将当前时刻到第三预设时刻的功率序列计算出来,考虑到这种情况,本实施例提出另一种风功率的风功率的预测方法的流程图,图2为本申请实施例提供的另一种风功率的预测方法的流程图,如图2所示,在步骤S14之后,还包括:
S15:根据第三实际功率和预测功率通过线性差值确定当前时刻到第三预设时刻的功率序列。
可以理解的是,上述实施例只是确定了第三预设时刻的预测功率,并没有确定当前时刻到第三预设时刻的功率序列,因此如步骤S15所说,根据第三实际功率和预测功率并通过线性差值确定当前时刻到第三预设时刻的功率序列,对具体如何通过线性差值确定功率序列不作限定。
本实施例所提供的,根据第三实际功率和预测功率通过线性差值确定当前时刻到第三预设时刻的功率序列,可以对当前时刻到第三预设时刻的功率序列进行预测,避免了系统的复杂度,提高了预测的效率。
在上述实施例的基础上,对如何根据第三预测功率和第二实际功率确定每个权重组合的准确率进行描述,具体地为:
确定各权重组合对应的第三预测功率与第二实际功率的误差;
根据误差确定准确率。
可以看出是通过每组权重组合对应的第三预测功率和第二实际功率的误差,根据误差确定准确率。值得注意的是,可以通过确定第三预测功率与第二实际功率的差值的方式确定出误差,也可以通过确定二者的均方根误差,将误差最小的作为准确率最高。此外,本实施例对此不作限定,只需满足将最接近第二实际功率的第三预测功率确定出来,再将当前第三预测功率对应的权重组合确定出来即可。
可以看出,此方法确定准确率的方式比较简单,并降低了系统的复杂度,以提高整体预测风功率的效率。
作为一种优选的实施例,每组的权重组合的权重之和为1,且权重组合的个数为11。
在上述实施例中,对于风功率的预测方法进行了详细描述,本申请还提供风功率的预测装置对应的实施例。需要说明的是,本申请从两个角度对装置部分的实施例进行描述,一种是基于功能模块的角度,另一种是基于硬件的角度。
图3为本申请实施例提供的一种风功率的预测装置的结构图,如图3所示,风功率的预测装置包括:
第一获取模块15,用于获取第一预设时刻到第二预设时刻的第一实际功率;
第二获取模块16,用于获取第二预设时刻到当前时刻的第一预测功率和第二实际功率;
第一确定模块17,用于根据第一实际功率、第二实际功率和第一预测功率确定用于表征预测准确率的权重因子;
第三获取模块18,用于获取第三预设时刻的第二预测功率;
第二确定模块19,用于根据权重因子、第二预测功率和当前时刻的第三实际功率确定第三预设时刻的预测功率;
其中,第二预设时刻晚于第一预设时刻,当前时刻晚于第二预设时刻,第三预设时刻晚于当前时刻。
本实施例所提供的一种风功率的预测装置包括第一获取模块、第二获取模块、第一确定模块、第三获取模块以及第二确定模块用于实现风功率的预测方法的步骤,其通过获取第一预设时刻到第二预设时刻的第一实际功率,获取第二预设时刻到当前时刻的第一预测功率和第二实际功率,并根据第一实际功率、第二实际功率和第一预测功率确定用于表征预测的权重因子,获取第三预设时刻的第二预测功率,根据权重因子、第二预测功率和当前时刻的第三实际功率确定第三预设时刻的预测功率。可以看出,此装置先通过历史实际功率和历史预测功率确定出比较准确的权重因子,再根据权重因子和当前时刻的实际功率确定出预测功率,避免了通过建立模型对风功率进行预测,降低了系统预测时的复杂性,提高了预测的准确性。
图4为本申请另一实施例提供的风功率的预测装置的结构图,如图4所示,风功率的预测装置包括:存储器20,用于存储计算机程序;
处理器21,用于执行计算机程序时实现如上述实施例中所提到的风功率的预测方法的步骤。
本实施例提供的风功率的预测装置可以包括但不限于智能手机、平板电脑、笔记本电脑或台式电脑等。
其中,处理器21可以包括一个或多个处理核心,比如4核心处理器、8核心处理器等。处理器21可以采用数字信号处理器(Digital Signal Processor,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器21也可以包括主处理器和协处理器,主处理器是用于对在唤醒状态下的数据进行处理的处理器,也称中央处理器(CentralProcessing Unit,CPU);协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中,处理器21可以集成有图形处理器(Graphics Processing Unit,GPU),GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中,处理器21还可以包括人工智能(Artificial Intelligence,AI)处理器,该AI处理器用于处理有关机器学习的计算操作。
存储器20可以包括一个或多个计算机可读存储介质,该计算机可读存储介质可以是非暂态的。存储器20还可包括高速随机存取存储器,以及非易失性存储器,比如一个或多个磁盘存储设备、闪存存储设备。本实施例中,存储器20至少用于存储以下计算机程序201,其中,该计算机程序被处理器21加载并执行之后,能够实现前述任一实施例公开的风功率的预测方法的相关步骤。另外,存储器20所存储的资源还可以包括操作系统202和数据203等,存储方式可以是短暂存储或者永久存储。其中,操作系统202可以包括Windows、Unix、Linux等。数据203可以包括但不限于风功率的预测方法的数据等。
在一些实施例中,风功率的预测装置还可包括有显示屏22、输入输出接口23、通信接口24、电源25以及通信总线26。
本领域技术人员可以理解,图4中示出的结构并不构成对风功率的预测装置的限定,可以包括比图示更多或更少的组件。
本实施例所提供的风功率的预测装置,包括存储器和处理器,存储器用于存储风功率的预测方法的程序,处理器用于执行所存储的程序,其通过获取第一预设时刻到第二预设时刻的第一实际功率,获取第二预设时刻到当前时刻的第一预测功率和第二实际功率,并根据第一实际功率、第二实际功率和第一预测功率确定用于表征预测的权重因子,获取第三预设时刻的第二预测功率,根据权重因子、第二预测功率和当前时刻的第三实际功率确定第三预设时刻的预测功率。可以看出,此装置先通过历史实际功率和历史预测功率确定出比较准确的权重因子,再根据权重因子和当前时刻的实际功率确定出预测功率,避免了通过建立模型对风功率进行预测,降低了系统预测时的复杂性,提高了预测的准确性。
最后,本申请还提供一种计算机可读存储介质对应的实施例。计算机可读存储介质上存储有计算机程序,计算机程序被处理器执行时实现如上述方法实施例中记载的步骤。
可以理解的是,如果上述实施例中的方法以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
可见,本实施例所提供的计算机可读存储介质,通过将风功率的预测方法的程序存储在介质中,在所需要的时候执行所存储的程序,其通过获取第一预设时刻到第二预设时刻的第一实际功率,获取第二预设时刻到当前时刻的第一预测功率和第二实际功率,并根据第一实际功率、第二实际功率和第一预测功率确定用于表征预测的权重因子,获取第三预设时刻的第二预测功率,根据权重因子、第二预测功率和当前时刻的第三实际功率确定第三预设时刻的预测功率。可以看出,先通过历史实际功率和历史预测功率确定出比较准确的权重因子,再根据权重因子和当前时刻的实际功率确定出预测功率,避免了通过建立模型对风功率进行预测,降低了系统预测时的复杂性,提高了预测的准确性。
以上对本申请所提供的风功率的预测方法、装置及计算机可读存储介质进行了详细介绍。说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以对本申请进行若干改进和修饰,这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (9)
1.一种风功率的预测方法,其特征在于,包括:
获取第一预设时刻到第二预设时刻的第一实际功率;
获取所述第二预设时刻到当前时刻的第一预测功率和第二实际功率;
根据所述第一实际功率、所述第二实际功率和所述第一预测功率确定用于表征预测准确率的权重因子;
获取第三预设时刻的第二预测功率;
根据所述权重因子、所述第二预测功率和所述当前时刻的第三实际功率确定所述第三预设时刻的预测功率;
其中,所述第二预设时刻晚于所述第一预设时刻,所述当前时刻晚于所述第二预设时刻,所述第三预设时刻晚于所述当前时刻。
2.根据权利要求1所述的风功率的预测方法,其特征在于,所述根据所述第一实际功率、所述第二实际功率和所述第一预测功率确定用于表征预测的权重因子包括:
对所述第一实际功率和所述第一预测功率分配多种权重组合;
根据各所述权重组合、所述第一实际功率以及所述第一预测功率确定所述第二预设时刻到所述当前时刻的第三预测功率;
根据所述第三预测功率和所述第二实际功率确定各所述权重组合的准确率;
将所述准确率最高的权重组合作为所述权重因子。
3.根据权利要求1所述的风功率的预测方法,其特征在于,在所述根据所述权重因子、所述第二预测功率和当前时刻的第三实际功率确定所述第三预设时刻的预测功率之后,还包括:
根据所述第三实际功率和所述预测功率通过线性差值确定所述当前时刻到所述第三预设时刻的功率序列。
4.根据权利要求2所述的风功率的预测方法,其特征在于,所述根据所述第三预测功率和所述第二实际功率确定每个所述权重组合的准确率包括:
确定各所述权重组合对应的所述第三预测功率与所述第二实际功率的误差;
根据所述误差确定所述准确率。
5.根据权利要求2所述的风功率的预测方法,其特征在于,各所述权重组合的权重之和为1。
6.根据权利要求5所述的风功率的预测方法,其特征在于,所述权重组合的个数为11。
7.一种风功率的预测装置,其特征在于,包括:
第一获取模块,用于获取第一预设时刻到第二预设时刻的第一实际功率;
第二获取模块,用于获取所述第二预设时刻到当前时刻的第一预测功率和第二实际功率;
第一确定模块,用于根据所述第一实际功率、所述第二实际功率和所述第一预测功率确定用于表征预测准确率的权重因子;
第三获取模块,用于获取第三预设时刻的第二预测功率;
第二确定模块,用于根据所述权重因子、所述第二预测功率和当前时刻的第三实际功率确定所述第三预设时刻的预测功率;
其中,所述第二预设时刻晚于所述第一预设时刻,所述当前时刻晚于所述第二预设时刻,所述第三预设时刻晚于所述当前时刻。
8.一种风功率的预测装置,其特征在于,包括存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述的风功率的预测方法的步骤。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质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权利要求1至6任一项所述的风功率的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210421589.7A CN114897223A (zh) | 2022-04-21 | 2022-04-21 | 一种风功率的预测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210421589.7A CN114897223A (zh) | 2022-04-21 | 2022-04-21 | 一种风功率的预测方法、装置及计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114897223A true CN114897223A (zh) | 2022-08-12 |
Family
ID=82717554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210421589.7A Pending CN114897223A (zh) | 2022-04-21 | 2022-04-21 | 一种风功率的预测方法、装置及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114897223A (zh) |
-
2022
- 2022-04-21 CN CN202210421589.7A patent/CN114897223A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110289631B (zh) | 一种风电场储能装置容量的计算方法及系统 | |
CN114707734A (zh) | 一种超短期风功率的预测方法、装置及介质 | |
CN116502771B (zh) | 一种基于电力物资预测的配电方法及系统 | |
CN114897223A (zh) | 一种风功率的预测方法、装置及计算机可读存储介质 | |
CN116961052A (zh) | 一种分布式储能系统的选址定容方法及系统 | |
CN115882451A (zh) | 新能源电站的发电功率预测方法、装置、以及设备 | |
CN115940148A (zh) | 最小惯量需求评估方法、装置、电子设备及存储介质 | |
CN115577925A (zh) | 风电储能调用方法、装置设备及介质 | |
CN114328597A (zh) | 光伏电站增发电量计算方法、装置、服务器及存储介质 | |
CN112398172A (zh) | 一种源网荷协调运行控制方法及相关装置 | |
CN112686467A (zh) | 含自备电厂的大用户生产运行优化方法、装置和终端设备 | |
CN109149655A (zh) | 一种风电消纳水平的计算方法、装置与存储介质 | |
CN117526348B (zh) | 基于峰谷时段的台区无功补偿方法及系统 | |
CN112467782B (zh) | 水光互补系统的运行安全校核方法和装置、电子设备 | |
CN117955150A (zh) | 风力发电机并网系统的控制方法及系统 | |
CN116154818A (zh) | 储能系统与风电机组的协同控制方法、装置及电子设备 | |
CN116914737A (zh) | 配电网光伏承载力评估方法、装置、设备及存储介质 | |
CN114462712A (zh) | 一种风机发电功率的超短期预测方法、装置及介质 | |
CN115986777A (zh) | 一种利用变压器过负荷能力的储能调频方法及系统 | |
CN115456455A (zh) | 一种储能配置方法、装置、设备及存储介质 | |
CN117728449A (zh) | 多级配电的三相平衡控制系统及方法 | |
CN115456661A (zh) | 一种合约电量曲线修正方法、装置及其介质 | |
CN114257154A (zh) | 一种空调电机载波模式控制方法、装置及介质 | |
CN115906429A (zh) | 抽水蓄能机组的可靠性评测方法、装置、设备与存储介质 | |
CN114722712A (zh) | 双层架构下基于神经网络的虚拟电厂经济调度方法及装置 |
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 |