CN115207913A - 风储联合运行的超短期功率预测数据的修正方法及系统 - Google Patents

风储联合运行的超短期功率预测数据的修正方法及系统 Download PDF

Info

Publication number
CN115207913A
CN115207913A CN202210894274.4A CN202210894274A CN115207913A CN 115207913 A CN115207913 A CN 115207913A CN 202210894274 A CN202210894274 A CN 202210894274A CN 115207913 A CN115207913 A CN 115207913A
Authority
CN
China
Prior art keywords
prediction data
ultra
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
CN202210894274.4A
Other languages
English (en)
Inventor
孙财新
蒋宝平
申旭辉
宋立涛
潘霄峰
贾和宇
王鸿策
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 CN202210894274.4A priority Critical patent/CN115207913A/zh
Publication of CN115207913A publication Critical patent/CN115207913A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • 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
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Abstract

本申请提出风储联合运行的超短期功率预测数据的修正方法及系统，其中，所述方法包括：获取预设时段内风电场对应的原始超短期功率预测数据及实发功率数据；根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数；利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数；基于所述修正系数对所述原始超短期功率预测数据进行修正。本申请提出的技术方案，利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数，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

风储联合运行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，尤其涉及风储联合运行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
本申请提供的风储联合运行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风储联合运行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及实发功率数据；
根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数；
利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数；
基于所述修正系数对所述原始超短期功率预测数据进行修正。
优选的，所述根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数，包括：
获取所述原始超短期功率预测数据的修正模型，并基于所述修正模型确定所述预设时段内风电场对应的投资回报率；
根据所述预设时段内风电场对应的原始超短期功率预测数据及实发功率数据确定所述预设时段内风电场对应的理想折扣率；
将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作为风储联合运行第一目标函数。
优选的，所述利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数，包括：
获取预设的修正系数阈值范围；
基于所述预设的修正系数阈值范围，并利用贝叶斯调参算法对所述风储联合运行第一目标函数进行求解，得到所述原始超短期功率预测数据对应的修正系数，其中，所述预设的修正系数阈值范围为大于等于0且小于等于1。
优选的，所述基于所述修正系数对所述原始超短期功率预测数据进行修正，包括：
基于所述修正系数，对所述原始超短期功率预测数据的修正模型进行求解，得到修正后的超短期功率预测数据。
进一步的，所述原始超短期功率预测数据的修正模型的计算式如下：
Figure BDA0003768761480000021
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，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。
本申请第二方面实施例提出一种风储联合运行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及实发功率数据；
第一确定模块，用于根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数；
第二确定模块，用于利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数；
修正模块，用于基于所述修正系数对所述原始超短期功率预测数据进行修正。
优选的，所述第一确定模块，包括：
第一确定单元，用于获取所述原始超短期功率预测数据的修正模型，并基于所述修正模型确定所述预设时段内风电场对应的投资回报率；
第二确定单元，用于根据所述预设时段内风电场对应的原始超短期功率预测数据及实发功率数据确定所述预设时段内风电场对应的理想折扣率；
第三确定单元，用于将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作为风储联合运行第一目标函数。
优选的，所述第二确定模块，包括：
获取单元，用于获取预设的修正系数阈值范围；
第一求解单元，用于基于所述预设的修正系数阈值范围，并利用贝叶斯调参算法对所述风储联合运行第一目标函数进行求解，得到所述原始超短期功率预测数据对应的修正系数，其中，所述预设的修正系数阈值范围为大于等于0且小于等于1。
优选的，所述修正模块用于：
基于所述修正系数，对所述原始超短期功率预测数据的修正模型进行求解，得到修正后的超短期功率预测数据。
进一步的，所述原始超短期功率预测数据的修正模型的计算式如下：
Figure BDA0003768761480000031
式中，Padjust，t为第t个时刻修正后的超短期功率预测数据，Ppreedict，t为第t个时刻的原始超短期功率预测数据，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-1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。
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：
本申请提出了风储联合运行的超短期功率预测数据的修正方法及系统，其中，所述方法包括：获取预设时段内风电场对应的原始超短期功率预测数据及实发功率数据；根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数；利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数；基于所述修正系数对所述原始超短期功率预测数据进行修正。本申请提出的技术方案，利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数，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风储联合运行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风储联合运行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风储联合运行的超短期功率预测数据的修正系统中第一确定模块的结构图；
图4为根据本申请一个实施例提供的风储联合运行的超短期功率预测数据的修正系统中第二确定模块的结构图。
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。
本申请提出的风储联合运行的超短期功率预测数据的修正方法及系统，其中，所述方法包括：获取预设时段内风电场对应的原始超短期功率预测数据及实发功率数据；根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数；利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数；基于所述修正系数对所述原始超短期功率预测数据进行修正。本申请提出的技术方案，利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数，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风储联合运行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风储联合运行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及实发功率数据；
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。
步骤2：根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数；
在本公开实施例中，所述根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数，包括：
获取所述原始超短期功率预测数据的修正模型，并基于所述修正模型确定所述预设时段内风电场对应的投资回报率；
根据所述预设时段内风电场对应的原始超短期功率预测数据及实发功率数据确定所述预设时段内风电场对应的理想折扣率；
将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作为风储联合运行第一目标函数。
其中，所述原始超短期功率预测数据的修正模型的计算式如下：
Figure BDA0003768761480000061
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，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。
进一步的，基于所述修正模型确定所述预设时段内风电场对应的投资回报率，包括：
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；
其中，所述预设时段内的总收益的计算式可以为：
Figure BDA0003768761480000062
其中，
Figure BDA0003768761480000063
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。
进一步的，根据所述预设时段内风电场对应的原始超短期功率预测数据及实发功率数据确定所述预设时段内风电场对应的理想折扣率，包括：
按下式确定所述预设时段内风电场对应的理想折扣率：
Figure BDA0003768761480000071
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。
需要说明的是，所述风储联合运行第一目标函数的计算式可以为：J＝max(ROI+IDR)其中，J为预设时段内风电场对应的投资回报率与理想折扣率之和的最大值，ROI为预设时段内风电场对应的投资回报率。
步骤3：利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数；
在本公开实施例中，所述利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数，包括：
获取预设的修正系数阈值范围；
基于所述预设的修正系数阈值范围，并利用贝叶斯调参算法对所述风储联合运行第一目标函数进行求解，得到所述原始超短期功率预测数据对应的修正系数；
其中，所述预设的修正系数阈值范围为大于等于0且小于等于1。
需要说明是的，贝叶斯调参算法是已经封装好的成熟算法，只需要输入目标函数以及预设的修正系数阈值范围就可以得到预设时段内各个时刻对应的最优参数值，本发明输入的目标函数为风储联合运行第一目标函数，预设的修正系数阈值范围为大于等于0且小于等于1。
步骤4：基于所述修正系数对所述原始超短期功率预测数据进行修正。
在本公开实施例中，所述基于所述修正系数对所述原始超短期功率预测数据进行修正，包括：
基于所述修正系数，对所述原始超短期功率预测数据的修正模型进行求解，得到修正后的超短期功率预测数据。
示例的，将所述修正系数代入
Figure BDA0003768761480000081
中，得到修正后的超短期功率预测数据。
综上所述，本实施例提出的风储联合运行的超短期功率预测数据的修正方法，利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数，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，进一步的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一种风储联合运行的超短期功率预测数据的修正系统，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及实发功率数据；
第一确定模块200，用于根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数；
第二确定模块300，用于利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数；
修正模块400，用于基于所述修正系数对所述原始超短期功率预测数据进行修正。
在本公开实施例中，如图3所示，所述第一确定模块200，包括：
第一确定单元201，用于获取所述原始超短期功率预测数据的修正模型，并基于所述修正模型确定所述预设时段内风电场对应的投资回报率；
第二确定单元202，用于根据所述预设时段内风电场对应的原始超短期功率预测数据及实发功率数据确定所述预设时段内风电场对应的理想折扣率；
第三确定单元203，用于将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作为风储联合运行第一目标函数。
在本公开实施例中，如图4所示，所述第二确定模块300，包括：
获取单元301，用于获取预设的修正系数阈值范围；
第一求解单元302，用于基于所述预设的修正系数阈值范围，并利用贝叶斯调参算法对所述风储联合运行第一目标函数进行求解，得到所述原始超短期功率预测数据对应的修正系数；
其中，所述预设的修正系数阈值范围为大于等于0且小于等于1。
在本公开实施例中，所述修正模块400用于：
基于所述修正系数，对所述原始超短期功率预测数据的修正模型进行求解，得到修正后的超短期功率预测数据。
进一步的，所述原始超短期功率预测数据的修正模型的计算式如下：
Figure BDA0003768761480000091
式中，Padjust，t为第t个时刻修正后的超短期功率预测数据，Ppreedict，t为第t个时刻的原始超短期功率预测数据，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-1为第t-i个时刻的实发功率数据，Ppreedict，t-i为第t-i个时刻的原始超短期功率预测数据。
综上所述，本实施例提出的风储联合运行的超短期功率预测数据的修正系统，包括：获取模块100、第一确定模块200、第二确定模块300和修正模块400，利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数，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，进一步的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。
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)

1.一种风储联合运行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及实发功率数据；
根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数；
利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数；
基于所述修正系数对所述原始超短期功率预测数据进行修正。
2.如权利要求1所述的修正方法，其特征在于，所述根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数，包括：
获取所述原始超短期功率预测数据的修正模型，并基于所述修正模型确定所述预设时段内风电场对应的投资回报率；
根据所述预设时段内风电场对应的原始超短期功率预测数据及实发功率数据确定所述预设时段内风电场对应的理想折扣率；
将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作为风储联合运行第一目标函数。
3.如权利要求2所述的修正方法，其特征在于，所述利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数，包括：
获取预设的修正系数阈值范围；
基于所述预设的修正系数阈值范围，并利用贝叶斯调参算法对所述风储联合运行第一目标函数进行求解，得到所述原始超短期功率预测数据对应的修正系数，其中，所述预设的修正系数阈值范围为大于等于0且小于等于1。
4.如权利要求3所述的修正方法，其特征在于，所述基于所述修正系数对所述原始超短期功率预测数据进行修正，包括：
基于所述修正系数，对所述原始超短期功率预测数据的修正模型进行求解，得到修正后的超短期功率预测数据。
5.如权利要求4所述的修正方法，其特征在于，所述原始超短期功率预测数据的修正模型的计算式如下：
Figure FDA0003768761470000011
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，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。
6.一种风储联合运行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及实发功率数据；
第一确定模块，用于根据所述原始超短期功率预测数据及实发功率数据确定风储联合运行第一目标函数；
第二确定模块，用于利用贝叶斯调参算法及所述风储联合运行第一目标函数确定所述原始超短期功率预测数据对应的修正系数；
修正模块，用于基于所述修正系数对所述原始超短期功率预测数据进行修正。
7.如权利要求6所述的修正系统，其特征在于，所述第一确定模块，包括：
第一确定单元，用于获取所述原始超短期功率预测数据的修正模型，并基于所述修正模型确定所述预设时段内风电场对应的投资回报率；
第二确定单元，用于根据所述预设时段内风电场对应的原始超短期功率预测数据及实发功率数据确定所述预设时段内风电场对应的理想折扣率；
第三确定单元，用于将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作为风储联合运行第一目标函数。
8.如权利要求7所述的修正系统，其特征在于，所述第二确定模块，包括：
获取单元，用于获取预设的修正系数阈值范围；
第一求解单元，用于基于所述预设的修正系数阈值范围，并利用贝叶斯调参算法对所述风储联合运行第一目标函数进行求解，得到所述原始超短期功率预测数据对应的修正系数，其中，所述预设的修正系数阈值范围为大于等于0且小于等于1。
9.如权利要求8所述的修正系统，其特征在于，所述修正模块用于：
基于所述修正系数，对所述原始超短期功率预测数据的修正模型进行求解，得到修正后的超短期功率预测数据。
10.一种电子设备，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5中任一项所述的方法。
CN202210894274.4A 2022-07-27 2022-07-27 风储联合运行的超短期功率预测数据的修正方法及系统 Pending CN115207913A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210894274.4A CN115207913A (zh) 2022-07-27 2022-07-27 风储联合运行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
CN202210894274.4A CN115207913A (zh) 2022-07-27 2022-07-27 风储联合运行的超短期功率预测数据的修正方法及系统

Publications (1)

Publication Number Publication Date
CN115207913A true CN115207913A (zh) 2022-10-18

Family

ID=83584244

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210894274.4A Pending CN115207913A (zh) 2022-07-27 2022-07-27 风储联合运行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) CN115207913A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107404127A (zh) * 2017-08-10 2017-11-28 中国农业大学 考虑多时间尺度协调的风电鲁棒区间轨迹调度方法
CN110165693A (zh) * 2019-06-27 2019-08-23 上海电机学院 一种风电场优化储能配置方法
CN111507512A (zh) * 2020-04-10 2020-08-07 阳光电源股份有限公司 一种光伏超短期预测功率的修正方法及装置
JP2020123199A (ja) * 2019-01-31 2020-08-13 中国電力株式会社 予測システム、予測方法
CN112651560A (zh) * 2020-12-28 2021-04-13 华润电力技术研究院有限公司 一种超短期风功率预测方法、装置及设备
JP2021114856A (ja) * 2020-01-20 2021-08-05 株式会社東芝 風力発電出力の予測方法及び予測装置
KR20220042629A (ko) * 2020-09-28 2022-04-05 한국전기연구원 예측 범위 최적화 방법 및 장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107404127A (zh) * 2017-08-10 2017-11-28 中国农业大学 考虑多时间尺度协调的风电鲁棒区间轨迹调度方法
JP2020123199A (ja) * 2019-01-31 2020-08-13 中国電力株式会社 予測システム、予測方法
CN110165693A (zh) * 2019-06-27 2019-08-23 上海电机学院 一种风电场优化储能配置方法
JP2021114856A (ja) * 2020-01-20 2021-08-05 株式会社東芝 風力発電出力の予測方法及び予測装置
CN111507512A (zh) * 2020-04-10 2020-08-07 阳光电源股份有限公司 一种光伏超短期预测功率的修正方法及装置
KR20220042629A (ko) * 2020-09-28 2022-04-05 한국전기연구원 예측 범위 최적화 방법 및 장치
CN112651560A (zh) * 2020-12-28 2021-04-13 华润电力技术研究院有限公司 一种超短期风功率预测方法、装置及设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
俞金寿: "工业过程先进控制技术", 华东理工大学出版社, pages: 111 - 112 *

Similar Documents

Publication Publication Date Title
CN110474339B (zh) 一种基于深度发电负荷预测的电网无功控制方法
CN103390902B (zh) 一种基于最小二乘法的光伏电站超短期功率预测方法
CN106056256B (zh) 一种平衡电力供需关系的互动化微网调度方法
CN112868157A (zh) 用于将电功率馈送到供电网中的方法和风电场
CN105207253A (zh) 考虑风电及频率不确定性的agc随机动态优化调度方法
CN111245025A (zh) 综合能源系统运行策略的优化方法、终端设备及存储介质
CN112186802A (zh) 一种动态经济调度的多时间尺度滚动调度方法及其系统
CN112054561B (zh) 基于SARSA(λ)算法的风电-抽蓄联合系统日随机动态调度方法
CN115600793A (zh) 面向源网荷储一体化园区的协同控制方法及系统
CN111064190B (zh) 一种基于维纳随机过程的风电场储能系统配置方法
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
Li et al. Fuzzy logic-based coordinated control method for multi-type battery energy storage systems
CN115207913A (zh) 风储联合运行的超短期功率预测数据的修正方法及系统
CN111668844B (zh) 风电/光伏富余电力参与跨省消纳的优化配置方法
CN117439194A (zh) 一种水电光伏联合调峰方法及终端
CN109638886B (zh) 一种基于CVaR的风电日前出力申报优化方法
CN115117886A (zh) 一种风电场的储能控制方法、装置及存储介质
CN115173451A (zh) 一种风储联合运行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
JP6987331B1 (ja) 電力制御装置、電力制御方法およびプログラム
CN113947007A (zh) 能源的负荷预测方法、装置及设备
CN115207950B (zh) 一种基于随机扰动的储能系统控制方法及装置
CN112531751A (zh) 一种建立灵活控制风电储能策略模型的方法
CN109726929B (zh) 考虑气象预报不确定性累积过程的风水联合调度方法
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

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