CN115099067A - 基于蒙特卡洛法的超短期功率预测数据的修正方法及系统 - Google Patents

基于蒙特卡洛法的超短期功率预测数据的修正方法及系统 Download PDF

Info

Publication number
CN115099067A
CN115099067A CN202210892555.6A CN202210892555A CN115099067A CN 115099067 A CN115099067 A CN 115099067A CN 202210892555 A CN202210892555 A CN 202210892555A CN 115099067 A CN115099067 A CN 115099067A
Authority
CN
China
Prior art keywords
ultra
prediction data
power prediction
term power
short term
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
Application number
CN202210892555.6A
Other languages
English (en)
Inventor
李鹏飞
申旭辉
杨介立
孙财新
李楠
潘霄峰
范文光
关何格格
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.)
Huaneng Clean Energy Research Institute
Huaneng New Energy Co Ltd Shanxi Branch
Original Assignee
Huaneng Clean Energy Research Institute
Huaneng New Energy Co Ltd Shanxi Branch
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 Huaneng Clean Energy Research Institute, Huaneng New Energy Co Ltd Shanxi Branch filed Critical Huaneng Clean Energy Research Institute
Priority to CN202210892555.6A priority Critical patent/CN115099067A/zh
Publication of CN115099067A publication Critical patent/CN115099067A/zh
Pending legal-status Critical Current

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
    • 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
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请提出基于蒙特卡洛法的超短期功率预测数据的修正方法及系统，其中，所述修正方法包括：获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型；利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数；基于所述原始超短期功率预测数据、所述实发功率数据及所述修正系数求解所述超短期功率预测数据修正模型，得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。本申请提出的技术方案，利用蒙特卡洛法确定修正系数，并基于所述修正系数对原始超短期功率预测数据进行修正，进而提高了超短期功率预测数据的精度。

Description

基于蒙特卡洛法的超短期功率预测数据的修正方法及系统
技术领域
本申请涉及超短期功率预测领域，尤其涉及基于蒙特卡洛法的超短期功率预测数据的修正方法及系统。
背景技术
在“风储”场景下，风电场一般会采用超短期功率预测数据作为储能系统充放电控制的核心边界(即作为风电场实发功率)，但是，由于风力的间隙性、随机性等自然属性，导致超短期功率预测精度普遍不高，进而影响到储能系统的充放电控制策略，间接影响到“风储”联合输出功率，最终影响风电场在现货市场中的收益。
现有技术中根据天气预报数据建立对应的算法模型来实现对风电超短期功率的预测，并以一天或一段时间的准确率作为评价指标，在小时、分钟等更细时间粒度上的精度较低，并且未对超短期功率的预测结果的精确度进行进一步的提升处理，使得超短期功率预测数据的精度较低。
发明内容
本申请提供的基于蒙特卡洛法的超短期功率预测数据的修正方法及系统，以至少解决超短期功率预测数据的精度较低的技术问题。
本申请第一方面实施例提出一种基于蒙特卡洛法的超短期功率预测数据的修正方法，所述修正方法包括：
获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型；
利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数；
基于所述原始超短期功率预测数据、所述实发功率数据及所述修正系数求解所述超短期功率预测数据修正模型，得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
优选的，所述超短期功率预测数据的修正模型的计算式如下：
Padjust,t＝Ppredict,t+β1(Preal,t-1-Ppredict,t-1)+β2(Preal,t-2-Ppredict,t-2)
式中，Padjust,t为第t个时刻修正后的超短期功率预测数据，Ppredict,t为第t个时刻的原始超短期功率预测数据，β1、β2∈[0,1]，β1为第t-1个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-1为第t-1个时刻的实发功率数据，Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据，β2为第t-2个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-2为第t-2个时刻的实发功率数据，Ppredict,t-2为第t-2个时刻的原始超短期功率预测数据。
优选的，所述利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数，包括：
获取所述预设时段内风电场对应的理想折扣率及投资回报率；
以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标，并利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数。
进一步的，所述以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标，并利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数，包括：，包括：
步骤F1:在[0，1]中进行第n次分别随机抽取β1对应的值及β2对应的值；
步骤F2：将抽取得的β1的值和β2的值代入所述超短期功率预测数据的修正模型中进行计算，得到当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据Padjust,t，然后计算所述当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据与第t个时刻的实发功率数据间的差值绝对值；
步骤F3：令n＝n+1，并返回步骤F1,直至n＝N时，进入步骤F4，其中，N为预设的修正系数抽取次数；
步骤F4：对N个所述差值绝对值进行统计分析，得到该差值绝对值整体的分布，并将该差值绝对值进行从小到大进行排序，形成差值序列，然后选取所述差值序列中的前m个差值对应的第t个时刻修正后的超短期功率预测数据；
步骤F5：分别基于前m个差值对应的第t个时刻修正后的超短期功率预测数据计算所述预设时段内的风电场对应的投资回报率与理想折扣率之和，并选取所述之和最大时对应的β1及β2值，将选取的所述β1及β2值作为所述超短期功率预测数据修正模型对应的修正系数。
本申请第二方面实施例提出基于蒙特卡洛法的超短期功率预测数据的修正系统，包括：
获取模块，用于获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型；
确定模块，用于利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数；
修正模块，用于基于所述原始超短期功率预测数据、所述实发功率数据及所述修正系数求解所述超短期功率预测数据修正模型，得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
优选的，所述超短期功率预测数据的修正模型的计算式如下：
Padjust,t＝Ppredict,t+β1(Preal,t-1-Ppredict,t-1)+β2(Preal,t-2-Ppredict,t-2)
式中，Padjust,t为第t个时刻修正后的超短期功率预测数据，Ppredict,t为第t个时刻的原始超短期功率预测数据，β1、β2∈[0,1]，β1为第t-1个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-1为第t-1个时刻的实发功率数据，Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据，β2为第t-2个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-2为第t-2个时刻的实发功率数据，Ppredict,t-2为第t-2个时刻的原始超短期功率预测数据。
优选的，所述确定模块，包括：
获取单元，用于获取所述预设时段内风电场对应的理想折扣率及投资回报率；
确定单元，用于以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标，并利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数。
进一步的，所述确定单元用于：
步骤E1:在[0，1]中进行第n次分别随机抽取β1对应的值及β2对应的值；
步骤E2：将抽取得的β1的值和β2的值代入所述超短期功率预测数据的修正模型中进行计算，得到当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据Padjust,t，然后计算所述当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据与第t个时刻的实发功率数据间的差值绝对值；
步骤E3：令n＝n+1，并返回步骤E1直至n＝N时，进入步骤E4，其中，N为预设的修正系数抽取次数；
步骤E4：对N个所述差值绝对值进行统计分析，得到该差值绝对值整体的分布，并将该差值绝对值进行从小到大进行排序，形成差值序列，然后选取所述差值序列中的前m个差值对应的第t个时刻修正后的超短期功率预测数据；
步骤5：分别基于前m个差值对应的第t个时刻修正后的超短期功率预测数据计算所述预设时段内的风电场对应的投资回报率与理想折扣率之和，并选取所述之和最大时对应的β1及β2值，将选取的所述β1及β2值作为所述超短期功率预测数据修正模型对应的修正系数。
本申请第三方面实施例提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面实施例所述的方法。
本申请第四方面实施例提出计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现如第一方面实施例所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果：
本申请提出了基于蒙特卡洛法的超短期功率预测数据的修正方法及系统，其中，所述修正方法包括：获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型；利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数；基于所述原始超短期功率预测数据、所述实发功率数据及所述修正系数求解所述超短期功率预测数据修正模型，得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。本申请提出的技术方案，利用蒙特卡洛法确定修正系数，并基于所述修正系数对原始超短期功率预测数据进行修正，进而提高了超短期功率预测数据的精度。
本申请附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面以及优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请一个实施例提供的基于蒙特卡洛法的超短期功率预测数据的修正方法的流程图；
图2为根据本申请一个实施例提供的基于蒙特卡洛法的超短期功率预测数据的修正系统的结构图；
图3为根据本申请一个实施例提供的基于蒙特卡洛法的超短期功率预测数据的修正系统中确定模块的结构图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
本申请提出的基于蒙特卡洛法的超短期功率预测数据的修正方法及系统，其中，所述修正方法包括：获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型；利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数；基于所述原始超短期功率预测数据、所述实发功率数据及所述修正系数求解所述超短期功率预测数据修正模型，得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。本申请提出的技术方案，利用蒙特卡洛法确定修正系数，并基于所述修正系数对原始超短期功率预测数据进行修正，进而提高了超短期功率预测数据的精度。
下面参考附图描述本申请实施例的基于蒙特卡洛法的超短期功率预测数据的修正方法及系统。
实施例一
图1为根据本申请一个实施例提供的一种基于蒙特卡洛法的超短期功率预测数据的修正方法的流程图，如图1所示，所述修正方法包括：
步骤1：获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型；
需要说明的是，使用相关性统计分析算法对风电场的原始超短期功率预测数据及实发功率数据进行系统地统计分析，获取与预设时段内各时刻的超短期功率预测值相关的原始超短期功率预测值与实发功率数据。
所述超短期功率预测数据的修正模型的计算式如下：
Padjust,t＝Ppredict,t+β1(Preal,t-1-Ppredict,t-1)+β2(Preal,t-2-Ppredict,t-2)
式中，Padjust,t为第t个时刻修正后的超短期功率预测数据，Ppredict,t为第t个时刻的原始超短期功率预测数据，β1、β2∈[0,1]，β1为第t-1个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-1为第t-1个时刻的实发功率数据，Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据，β2为第t-2个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-2为第t-2个时刻的实发功率数据，Ppredict,t-2为第t-2个时刻的原始超短期功率预测数据。
进一步的，所述超短期功率预测数据的修正模型的计算式还可以为：
Padjust,t＝Ppredict,t+β(Preal,t-1-Ppredict,t-1)
式中，Padjust,t为第t个时刻修正后的超短期功率预测数据，Ppredict,t为第t个时刻的原始超短期功率预测数据，β∈[0,1]，β为原始超短期功率预测数据对应的修正系数，Preal,t-1为第t-1个时刻的实发功率数据，Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据。
进一步的，所述超短期功率预测数据的修正模型的计算还可以为：
Figure BDA0003768165630000061
式中，βi为第i个时刻的原始超短期功率预测数据对应的修正系数，i∈[1-N]，N为预设时段内的第t个时刻前的N个时刻的时刻总数，Preal,t-i为第t-i个时刻的实发功率数据，Ppredict,t-i为第t-i个时刻的原始超短期功率预测数据,N≤T-1，t∈T，T为预设时段内的时刻总数。
步骤2：利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数；
在本公开实施例中，所述步骤2具体包括：
步骤2-1：获取所述预设时段内风电场对应的理想折扣率及投资回报率；
其中，所述预设时段内风电场对应的理想折扣率的计算式如下：
Figure BDA0003768165630000062
式中，IDR为预设时段内风电场对应的理想折扣率，Actual为基于原始超短期功率预测数据计算得到的预设时段的总收益，Ideal为基于实发功率数据计算得到的预设时段的总收益。
其中，所述投资回报率的获取方法可以为：获取风电站在预设时段内的总收益及投资总成本，将所述总收益及投资总成本的比值作为所述预设时段内风电场对应的投资回报率；
需要说明的是，所述预设时段内的总收益的计算式可以为：
Figure BDA0003768165630000063
其中，
Figure BDA0003768165630000064
Benefit为预设时段内的总收益，benefitt为第t个时刻对应的收益，Pjishu,t为第t个时刻对应的基数电价，Qjishu,t为第t个时刻对应的基数电量，Pzhong,t为第t个时刻对应的中长期电价，Qzhong,t为第t个时刻对应的中长期电量，Priqian,t为第t个时刻对应的日前出清电价，Qriqian,t为第t个时刻对应的日前出清电量，Pshishi,t为第t个时刻对应的实时出清电价，Padjust,t为第t个时刻修正后的超短期功率预测数据。
所述预设时段内的投资总成本的计算式可以为：Cost＝H1*S+H2*W+H3，其中，Cost为预设时段内的投资总成本，H1为储能系统的单位容量造价，S为储能系统的额定容量，H2为储能系统的单位功率造价，W为储能系统的额定功率，H3为储能系统的固定成本投资金额。
步骤2-2：以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标，并利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数。
进一步的所述步骤2-2包括：
步骤F1:在[0，1]中进行第n次分别随机抽取β1对应的值及β2对应的值；
步骤F2：将抽取得的β1的值和β2的值代入所述超短期功率预测数据的修正模型中进行计算，得到当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据Padjust,t，然后计算所述当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据与第t个时刻的实发功率数据间的差值绝对值；
步骤F3：令n＝n+1，并返回步骤F1,直至n＝N时，进入步骤F4，其中，N为预设的修正系数抽取次数；
步骤F4：对N个所述差值绝对值进行统计分析，得到该差值绝对值整体的分布，并将该差值绝对值进行从小到大进行排序，形成差值序列，然后选取所述差值序列中的前m个差值对应的第t个时刻修正后的超短期功率预测数据；
步骤F5：分别基于前m个差值对应的第t个时刻修正后的超短期功率预测数据计算所述预设时段内的风电场对应的投资回报率与理想折扣率之和，并选取所述之和最大时对应的β1及β2值，将选取的所述β1及β2值作为所述超短期功率预测数据修正模型对应的修正系数。
需要说明的是，步骤F1是随机抽的β要根据所述超短期功率预测数据的修正模型中β的个数进行抽取。保证所述模型中的β均被取到，如模型有2个β，则分别随机抽取。
步骤3：基于所述原始超短期功率预测数据、所述实发功率数据及所述修正系数求解所述超短期功率预测数据修正模型，得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
示例的，将所述原始超短期功率预测数据、所述实发功率数据及所述修正系数代入Padjust,t＝Ppredict,t+β1(Preal,t-1-Ppredict,t-1)+β2(Preal,t-2-Ppredict,t-2)中进行求解，得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
综上所述，本实施例提出的基于蒙特卡洛法的超短期功率预测数据的修正方法，利用蒙特卡洛法确定修正系数，并基于所述修正系数对原始超短期功率预测数据进行修正，提高了超短期功率预测数据的精度，同时提升储能系统灵活控制策略的准确性，且本申请不涉及大量建模计算，可直接应用到实际的工业生产当中，同时可根据不同风电场站的实际情况进行灵活的自主调整，具有较高的泛化能力。
实施例二
图2为根据本申请一个实施例提供的基于蒙特卡洛法的超短期功率预测数据的修正系统，如图2所示，包括：
获取模块100，用于获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型；
确定模块200，用于利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数；
修正模块300，用于基于所述原始超短期功率预测数据、所述实发功率数据及所述修正系数求解所述超短期功率预测数据修正模型，得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
在本公开实施例中，所述超短期功率预测数据的修正模型的计算式如下：
Padjust,t＝Ppredict,t+β1(Preal,t-1-Ppredict,t-1)+β2(Preal,t-2-Ppredict,t-2)
式中，Padjust,t为第t个时刻修正后的超短期功率预测数据，Ppredict,t为第t个时刻的原始超短期功率预测数据，β1、β2∈[0,1]，β1为第t-1个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-1为第t-1个时刻的实发功率数据，Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据，β2为第t-2个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-2为第t-2个时刻的实发功率数据，Ppredict,t-2为第t-2个时刻的原始超短期功率预测数据。
在本公开实施例中，如图3所示，所述确定模块200，包括：
获取单元201，用于获取所述预设时段内风电场对应的理想折扣率及投资回报率；
确定单元202，用于以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标，并利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数。
进一步的，所述确定单元202用于：
步骤E1:在[0，1]中进行第n次分别随机抽取β1对应的值及β2对应的值；
步骤E2：将抽取得的β1的值和β2的值代入所述超短期功率预测数据的修正模型中进行计算，得到当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据Padjust,t，然后计算所述当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据与第t个时刻的实发功率数据间的差值绝对值；
步骤E3：令n＝n+1，并返回步骤E1直至n＝N时，进入步骤E4，其中，N为预设的修正系数抽取次数；
步骤E4：对N个所述差值绝对值进行统计分析，得到该差值绝对值整体的分布，并将该差值绝对值进行从小到大进行排序，形成差值序列，然后选取所述差值序列中的前m个差值对应的第t个时刻修正后的超短期功率预测数据；
步骤5：分别基于前m个差值对应的第t个时刻修正后的超短期功率预测数据计算所述预设时段内的风电场对应的投资回报率与理想折扣率之和，并选取所述之和最大时对应的β1及β2值，将选取的所述β1及β2值作为所述超短期功率预测数据修正模型对应的修正系数。
综上所述，本实施例提出的基于蒙特卡洛法的超短期功率预测数据的修正系统，利用蒙特卡洛法确定修正系数，并基于所述修正系数对原始超短期功率预测数据进行修正，提高了超短期功率预测数据的精度，同时提升储能系统灵活控制策略的准确性，且本申请不涉及大量建模计算，可直接应用到实际的工业生产当中，同时可根据不同风电场站的实际情况进行灵活的自主调整，具有较高的泛化能力。
实施例三
为了实现上述实施例，本公开还提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如实施例一所述的方法。
实施例四
为了实现上述实施例，本公开还提出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，该程序被处理器执行时，实现如实施例一所述的方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种基于蒙特卡洛法的超短期功率预测数据的修正方法，其特征在于，所述修正方法包括：
获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型；
利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数；
基于所述原始超短期功率预测数据、所述实发功率数据及所述修正系数求解所述超短期功率预测数据修正模型，得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
2.如权利要求1所述的修正方法，其特征在于，所述超短期功率预测数据的修正模型的计算式如下：
Padjust,t＝Ppredict,t+β1(Preal,t-1-Ppredict,t-1)+β2(Preal,t-2-Ppredict,t-2)
式中，Padjust,t为第t个时刻修正后的超短期功率预测数据，Ppredict,t为第t个时刻的原始超短期功率预测数据，β1、β2∈[0,1]，β1为第t-1个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-1为第t-1个时刻的实发功率数据，Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据，β2为第t-2个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-2为第t-2个时刻的实发功率数据，Ppredict,t-2为第t-2个时刻的原始超短期功率预测数据。
3.如权利要求2所述的修正方法，其特征在于，所述利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数，包括：
获取所述预设时段内风电场对应的理想折扣率及投资回报率；
以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标，并利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数。
4.如权利要求3所述的修正方法，其特征在于，所述以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标，并利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数，包括：
步骤F1:在[0，1]中进行第n次分别随机抽取β1对应的值及β2对应的值；
步骤F2：将抽取得的β1的值和β2的值代入所述超短期功率预测数据的修正模型中进行计算，得到当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据Padjust,t，然后计算所述当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据与第t个时刻的实发功率数据间的差值绝对值；
步骤F3：令n＝n+1，并返回步骤F1,直至n＝N时，进入步骤F4，其中，N为预设的修正系数抽取次数；
步骤F4：对N个所述差值绝对值进行统计分析，得到该差值绝对值整体的分布，并将该差值绝对值进行从小到大进行排序，形成差值序列，然后选取所述差值序列中的前m个差值对应的第t个时刻修正后的超短期功率预测数据；
步骤F5：分别基于前m个差值对应的第t个时刻修正后的超短期功率预测数据计算所述预设时段内的风电场对应的投资回报率与理想折扣率之和，并选取所述之和最大时对应的β1及β2值，将选取的所述β1及β2值作为所述超短期功率预测数据修正模型对应的修正系数。
5.一种基于蒙特卡洛法的超短期功率预测数据的修正系统，其特征在于，包括：
获取模块，用于获取预设时段内风电场对应的原始超短期功率预测数据、实发功率数据及超短期功率预测数据修正模型；
确定模块，用于利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数；
修正模块，用于基于所述原始超短期功率预测数据、所述实发功率数据及所述修正系数求解所述超短期功率预测数据修正模型，得到所述原始超短期功率预测数据对应的修正后的超短期功率预测数据。
6.如权利要求5所述的修正系统，其特征在于，所述超短期功率预测数据的修正模型的计算式如下：
Padjust,t＝Ppredict,t+β1(Preal,t-1-Ppredict,t-1)+β2(Preal,t-2-Ppredict,t-2)
式中，Padjust,t为第t个时刻修正后的超短期功率预测数据，Ppredict,t为第t个时刻的原始超短期功率预测数据，β1、β2∈[0,1]，β1为第t-1个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-1为第t-1个时刻的实发功率数据，Ppredict,t-1为第t-1个时刻的原始超短期功率预测数据，β2为第t-2个时刻的原始超短期功率预测数据对应的修正系数，Preal,t-2为第t-2个时刻的实发功率数据，Ppredict,t-2为第t-2个时刻的原始超短期功率预测数据。
7.如权利要求6所述的修正系统，其特征在于，所述确定模块，包括：
获取单元，用于获取所述预设时段内风电场对应的理想折扣率及投资回报率；
确定单元，用于以所述预设时段内风电场对应的投资回报率与理想折扣率之和最大为目标，并利用蒙特卡洛法确定所述超短期功率预测数据修正模型对应的修正系数。
8.如权利要求7所述的修正系统，其特征在于，所述确定单元用于：
步骤E1:在[0，1]中进行第n次分别随机抽取β1对应的值及β2对应的值；
步骤E2：将抽取得的β1的值和β2的值代入所述超短期功率预测数据的修正模型中进行计算，得到当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据Padjust,t，然后计算所述当前抽取β1及β2值对应的第t个时刻修正后的超短期功率预测数据与第t个时刻的实发功率数据间的差值绝对值；
步骤E3：令n＝n+1，并返回步骤E1直至n＝N时，进入步骤E4，其中，N为预设的修正系数抽取次数；
步骤E4：对N个所述差值绝对值进行统计分析，得到该差值绝对值整体的分布，并将该差值绝对值进行从小到大进行排序，形成差值序列，然后选取所述差值序列中的前m个差值对应的第t个时刻修正后的超短期功率预测数据；
步骤5：分别基于前m个差值对应的第t个时刻修正后的超短期功率预测数据计算所述预设时段内的风电场对应的投资回报率与理想折扣率之和，并选取所述之和最大时对应的β1及β2值，将选取的所述β1及β2值作为所述超短期功率预测数据修正模型对应的修正系数。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如权利要求1至4中任一项所述的方法。
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，该程序被处理器执行时实现如权利要求1至4中任一项所述的方法。
CN202210892555.6A 2022-07-27 2022-07-27 基于蒙特卡洛法的超短期功率预测数据的修正方法及系统 Pending CN115099067A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210892555.6A CN115099067A (zh) 2022-07-27 2022-07-27 基于蒙特卡洛法的超短期功率预测数据的修正方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210892555.6A CN115099067A (zh) 2022-07-27 2022-07-27 基于蒙特卡洛法的超短期功率预测数据的修正方法及系统

Publications (1)

Publication Number Publication Date
CN115099067A true CN115099067A (zh) 2022-09-23

Family

ID=83297811

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210892555.6A Pending CN115099067A (zh) 2022-07-27 2022-07-27 基于蒙特卡洛法的超短期功率预测数据的修正方法及系统

Country Status (1)

Country Link
CN (1) CN115099067A (zh)

Similar Documents

Publication Publication Date Title
CN103117546B (zh) 一种超短期风电功率滑动预测方法
EP2608118B1 (en) A method for computer-assisted determination of the usage of electrical energy produced by a power generation plant, particularly a renewable power generation plant
CN102930155A (zh) 获取电力需求的预警参数的方法及装置
CN111553750A (zh) 一种计及电价不确定性和损耗成本的储能竞价策略方法
CN115099477A (zh) 一种水库旱限水位优化及抗旱调度方法
CN112884232A (zh) 一种考虑丰、枯水期入流预报不确定性差异的水库生态调度方法
CN115619180A (zh) 一种确定多能互补系统发电方案的方法、装置及电子设备
CN115796023A (zh) 一种基于碳配额的电力系统调度方法、装置及设备
Carpio Mitigating the risk of photovoltaic power generation: A complementarity model of solar irradiation in diverse regions applied to Brazil
Giannitrapani et al. Bidding strategies for renewable energy generation with non stationary statistics
CN115954951A (zh) 一种新能源可靠出力水平的计算方法和装置
CN108694475B (zh) 基于混合模型的短时间尺度光伏电池发电量预测方法
Borkowski et al. Battery energy storage system for grid-connected photovoltaic farm–Energy management strategy and sizing optimization algorithm
Baran et al. A two‐step machine‐learning approach to statistical post‐processing of weather forecasts for power generation
CN115099067A (zh) 基于蒙特卡洛法的超短期功率预测数据的修正方法及系统
CN115081344A (zh) 基于蚁群优化的超短期功率预测数据的修正方法及系统
CN110648176B (zh) 一种电力容量市场与电能量市场的衔接方法、装置及设备
CN115117886A (zh) 一种风电场的储能控制方法、装置及存储介质
CN111668844A (zh) 风电/光伏富余电力参与跨省消纳的优化配置方法
CN115224708A (zh) 一种基于超短期功率预测数据的储能优化控制方法及系统
CN113935182A (zh) 基于混合整数规划模型的量化电池寿命衰减预测方法
CN113011923A (zh) 一种基于自定义策略的分段报量报价方法
CN113947007A (zh) 能源的负荷预测方法、装置及设备
CN115173451A (zh) 一种风储联合运行的储能优化控制方法及系统
CN112785068B (zh) 一种超短期电量预测的最优窗口模型建立方法

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