CN115313522A - 一种考虑新能源出力预测偏差的备用容量配置方法及系统 - Google Patents
一种考虑新能源出力预测偏差的备用容量配置方法及系统 Download PDFInfo
- Publication number
- CN115313522A CN115313522A CN202211143494.XA CN202211143494A CN115313522A CN 115313522 A CN115313522 A CN 115313522A CN 202211143494 A CN202211143494 A CN 202211143494A CN 115313522 A CN115313522 A CN 115313522A
- Authority
- CN
- China
- Prior art keywords
- new energy
- historical
- predicted
- similar
- data
- 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
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
- H02J3/38—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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力运行技术领域,尤其涉及一种考虑新能源出力预测偏差的备用容量配置方法及系统,包括:根据新能源历史出力预测误差,得到新能源出力预测偏差率,并根据新能源出力预测偏差率划分预设周期,得到若干个相似日类别;根据k‑近邻算法和相似日类别,确定预测日的历史相似日;根据历史相似日各个时段的新能源出力预测偏差率,得到偏差率概率分布模型,从而确定基于新能源出力预测误差配置的备用容量。本发明通过k‑近邻算法和预测日类型进行系统备用容量需求的计算,解决了新能源出力的波动性和不确定性所带来的电力市场中电力备用容量供应不确定或不足的问题,为电力系统提供了足够的备用容量,保证电力系统运行的稳定性。
Description
技术领域
本发明涉及电力运行技术领域,尤其涉及一种考虑新能源出力预测偏差的备用容量配置方法及系统。
背景技术
随着经济技术的发展和人们生活水平的提高,电能已经成为了人们生产和生活中必不可少的二次能源,给人们的生产和生活带来了无尽的便利。而随着环境问题的凸显,新能源发电,如风力发电、光伏发电等,也得到了长足的发展。
现阶段,新能源的不可调度特性使其在调度运行中往往作为“负值负荷”进行处理,由于其具有波动性和不确定性,使电力系统对运行备用容量的需求增大,导致目前的电力系统不能配置合理的系统备用容量,难以预留足够的备用容量,这将显著影响到电网调度的安全性和经济性,且相比于单纯的发电负荷,“等效负荷”(发电负荷减去新能源)具有更大的波动性和不确定性,因此,亟需一种结合新能源的出力特性和波动性,针对新能源出力的预测偏差,进行备用容量配置的方法。
发明内容
本发明提供了一种考虑新能源出力预测偏差的备用容量配置方法及系统,解决的技术问题是,新能源出力的波动性和不确定性所带来的电力市场中电力备用容量供应不确定或不足。
为解决以上技术问题,本发明提供了一种考虑新能源出力预测偏差的备用容量配置方法及系统。
第一方面,本发明提供了一种考虑新能源出力预测偏差的备用容量配置方法,所述方法包括以下步骤:
获取新能源场站在预设周期内的新能源历史出力预测误差;
根据新能源历史出力预测误差,得到新能源出力预测偏差率,并根据新能源出力预测偏差率划分预设周期,得到若干个相似日类别;
根据k-近邻算法和相似日类别,确定预测日的历史相似日;
根据历史相似日各个时段的新能源出力预测偏差率,得到偏差率概率分布模型;
根据偏差率概率分布模型,得到基于新能源出力预测误差配置的备用容量。
在进一步的实施方案中,所述新能源出力预测偏差率的计算公式为:
式中,λ表示新能源出力预测偏差率;mreal表示历史新能源出力实际值;mfore表示历史新能源出力预测值;mpe表示新能源出力预测误差。
在进一步的实施方案中,所述根据k-近邻算法和相似日类别,确定预测日的历史相似日的步骤包括:
获取新能源场站在预设周期内的历史日气象数据和预测日气象预测数据;
将历史日气象数据和预测日气象预测数据进行线性归一化处理,得到归一化历史日气象数据和归一化预测日气象预测数据;
计算归一化预测日气象预测数据与各归一化历史日气象数据之间的距离,得到气象距离度量指标;
基于k-近邻算法,根据气象距离度量指标和相似日类别,确定预测日的历史相似日。
在进一步的实施方案中,所述基于k-近邻算法,根据气象距离度量指标和相似日类别,确定预测日的历史相似日的步骤包括:
将气象距离度量指标以预设排序规则进行排序,并选取与归一化预测日气象预测数据距离最小的k个归一化历史日气象数据,作为候选样本点;
确定候选样本点在各相似日类别中的出现频率,将出现频率最高的相似日类别中的相似日作为预测日的相似日。
在进一步的实施方案中,所述基于k-近邻算法,根据气象距离度量指标和相似日类别,确定预测日的历史相似日的步骤包括:
将气象距离度量指标以预设排序规则进行排序,并选取若干个k值,基于交叉验证,从若干个k值中选择误差最小的k值作为候选样本点总数;
根据候选样本点总数,选取与归一化预测日气象预测数据距离最近邻的归一化历史日气象数据,作为候选样本点;
确定候选样本点在各相似日类别中的出现频率,将出现频率最高的相似日类别中的相似日作为预测日的相似日。
在进一步的实施方案中,所述计算归一化预测日气象预测数据与各归一化日气象数据之间的距离,得到气象距离度量指标的步骤包括:
采用积差相关法计算各归一化日气象数据与归一化预测日气象预测数据之间的相关系数,根据相关系数确定各归一化日气象数据的气象相似权重;
利用气象相似权重计算归一化预测日气象预测数据与各归一化日气象数据之间的欧氏距离,得到气象距离度量指标。
在进一步的实施方案中,所述备用容量的计算公式为:
PR=Pf*λw′
式中,PR表示备用容量;Pf表示新能源在历史相似日的出力预测最大值;λw′表示预设置信水平下的预测偏差率。
第二方面,本发明提供了一种考虑新能源出力预测偏差的备用容量配置系统,所述系统包括:
数据采集模块,用于获取新能源场站在预设周期内的新能源历史出力预测误差;
相似日分类模块,用于根据新能源历史出力预测误差,得到新能源出力预测偏差率,并根据新能源出力预测偏差率划分预设周期,得到若干个相似日类别;
相似日确定模块,用于根据k-近邻算法和相似日类别,确定预测日的历史相似日;
容量配置模块,用于根据历史相似日各个时段的新能源出力预测偏差率,得到偏差率概率分布模型;还用于根据偏差率概率分布模型,得到基于新能源出力预测误差配置的备用容量。
同时,第三方面,本发明还提供了一种计算机设备,包括处理器和存储器,所述处理器与所述存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述计算机设备执行实现上述方法的步骤。
第四方面,本发明还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中存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
本发明提供了一种考虑新能源出力预测偏差的备用容量配置方法及系统,所述方法根据新能源场站的预测误差,计算出风电、光伏出力预测的偏差率;根据预测日的平均风速、湿度等气象预测数据,计算预测点与样本之间的距离;根据k-近邻算法选取k个候选样本点计算出现频率,并将频率最高的日期作为相似日;根据新能源出力预测偏差率绘制概率密度分布曲线,并根据曲线确定备用容量。与现有技术相比,本发明针对电力市场中的新能源出力波动情况,通过k-近邻算法和相似日进行系统备用容量需求的计算,保证电力运行可靠性,提高了电力系统的安全性。
附图说明
图1是本发明实施例提供的一种考虑新能源出力预测偏差的备用容量配置方法流程示意图;
图2是本发明实施例提供的偏差率概率分布模型示意图;
图3是本发明实施例提供的一种考虑新能源出力预测偏差的备用容量配置系统框图;
图4是本发明实施例提供的计算机设备的结构示意图。
具体实施方式
下面结合附图具体阐明本发明的实施方式,实施例的给出仅仅是为了说明目的,并不能理解为对本发明的限定,包括附图仅供参考和说明使用,不构成对本发明专利保护范围的限制,因为在不脱离本发明精神和范围基础上,可以对本发明进行许多改变。
参考图1,本发明实施例提供了一种考虑新能源出力预测偏差的备用容量配置方法,如图1所示,该方法包括以下步骤:
S1.获取新能源场站在预设周期内的新能源历史出力预测误差。
S2.根据新能源历史出力预测误差,得到新能源出力预测偏差率,并根据新能源出力预测偏差率划分预设周期,得到若干个相似日类别。
具体地,本实施例获取新能源场站在历史一年内各个时段的风电、光伏等新能源历史出力预测误差,并根据新能源历史出力预测误差计算得到每日风电、光伏等新能源出力预测偏差率λ,将新能源出力预测偏差率划分为若干类,得到若干个相似日类别,为了便于描述,本实施例将新能源出力预测偏差率划分为五类,得到对应的五个相似日类别,表1为新能源出力预测偏差率与相似日类别分类表,表1如下所示:
表1
相似日 | 第一类 | 第二类 | 第三类 | 第四类 | 第五类 |
偏差率 | λ≤5% | 5%<λ≤10% | 10%<λ≤15% | 15%<λ≤20% | 20%<λ |
在本实施例中,所述新能源出力预测偏差率的计算公式为:
式中,λ表示新能源出力预测偏差率;mreal表示历史新能源出力实际值;mfore表示历史新能源出力预测值;mpe表示新能源出力预测误差。
S3.根据k-近邻算法和相似日类别,确定预测日的历史相似日。
在一个实施例中,所述根据k-近邻算法和相似日类别,确定预测日的历史相似日的步骤包括:
获取新能源场站在预设周期内的历史日气象数据和预测日气象预测数据;
将历史日气象数据和预测日气象预测数据进行线性归一化处理,得到归一化历史日气象数据和归一化预测日气象预测数据;其中,线性归一化公式为:
式中,x表示归一化历史日气象数据或者归一化预测日气象预测数据;r表示历史日气象数据或者预测日气象预测数据;min(r)表示历史日气象数据或者预测日气象预测数据在历史一年中的最小值;max(r)表示历史日气象数据或者预测日气象预测数据在历史一年中的最大值,降低数据缺失或数值本身量级的影响;
计算归一化预测日气象预测数据与各归一化历史日气象数据之间的距离,得到气象距离度量指标;
基于k-近邻算法,根据气象距离度量指标和相似日类别,确定预测日的历史相似日。
在一个实施例中,所述基于k-近邻算法,根据气象距离度量指标和相似日类别,确定预测日的历史相似日的步骤包括:
将气象距离度量指标以预设排序规则进行排序,并选取与归一化预测日气象预测数据距离最小的k个归一化历史日气象数据,作为候选样本点;
确定候选样本点在各相似日类别中的出现频率,将出现频率最高的相似日类别中的相似日作为预测日的相似日。
具体地,本实施例预先采集新能源场站在预设周期内的历史日气象数据和预测日气象预测数据,其中,所述历史日气象数据包括历史日的平均风速、湿度、温度等历史数据,所述预测日气象预测数据包括预测日的平均风速、湿度、温度等预测数据;根据述预测日气象预测数据包括预测日的平均风速、湿度、温度等预测数据计算预测点与各样本点之间的距离,得到气象距离度量指标,气象距离度量指标的计算采用欧几里得度量,即欧式距离,计算公式如下:
式中,d(x,y)表示预测点与样本点之间的距离;xi表示第i个预测点;yi表示第i个样本点。
然后,将计算得到的气象距离度量指标由小到大进行排序,选取与预测点距离最小的k个样本点,并确定这k个样本点在各相似日类别出现的频率,以出现频率最高的相似日类别中的相似日作为预测日的历史相似日(类型日),以此确定预测日所属的相似日类型。
在另一实施例中,所述基于k-近邻算法,根据气象距离度量指标和相似日类别,确定预测日的历史相似日的步骤包括:
将气象距离度量指标以预设排序规则进行排序,并选取若干个k值,基于交叉验证,从若干个k值中选择误差最小的k值作为候选样本点总数;
根据候选样本点总数,选取与归一化预测日气象预测数据距离最近邻的归一化历史日气象数据,作为候选样本点;
确定候选样本点在各相似日类别中的出现频率,将出现频率最高的相似日类别中的相似日作为预测日的相似日。
在一个实施例中,所述计算归一化预测日气象预测数据与各归一化日气象数据之间的距离,得到气象距离度量指标的步骤包括:
采用积差相关法计算各归一化日气象数据与归一化预测日气象预测数据之间的相关系数,根据相关系数确定各归一化日气象数据的气象相似权重;
利用气象相似权重计算归一化预测日气象预测数据与各归一化日气象数据之间的欧氏距离,得到气象距离度量指标。
S4.根据历史相似日各个时段的新能源出力预测偏差率,得到偏差率概率分布模型。
如图2所示,本实施例根据选取的历史相似日各个时段的新能源出力预测偏差率,绘制每日各个时段新能源出力预测偏差率的概率密度分布模型曲线:
Pb(λw≤λw′)=γ
式中,Pb表示满足相应条件的概率;γ表示新能源可靠出力的置信水平,可取值95%或98%,其表示新能源出力预测偏差率小于的λw′概率为γ。
S5.根据偏差率概率分布模型,得到基于新能源出力预测误差配置的备用容量。
在本实施例中,所述备用容量的计算公式为:
PR=Pf*λw′
式中,PR表示备用容量;Pf表示新能源在历史相似日的出力预测最大值;λw′表示预设置信水平下的预测偏差率。
本发明实施例提供了一种考虑新能源出力预测偏差的备用容量配置方法,所述方法结合风电、光伏等新能源的平均风速、温度、湿度等特征,采用k-近邻算法确定预测日所属的相似日类型,根据设定的置信水平获取预测误差,依此计算备用容量。相比于现有技术,本申请考虑了在电力市场运行过程中新能源出力预测偏差而进行备用容量配置,解决了在电力市场运行过程中,新能源的波动性和不确定性使系统对运行备用的需求的增大,导致系统备用容量不足的问题,有效保障电网的安稳运行。
需要说明的是,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在一个实施例中,如图3所示,本发明实施例提供了一种考虑新能源出力预测偏差的备用容量配置系统,所述系统包括:
数据采集模块101,用于获取新能源场站在预设周期内的新能源历史出力预测误差;
相似日分类模块102,用于根据新能源历史出力预测误差,得到新能源出力预测偏差率,并根据新能源出力预测偏差率划分预设周期,得到若干个相似日类别;
相似日确定模块103,用于根据k-近邻算法和相似日类别,确定预测日的历史相似日;
容量配置模块104,用于根据历史相似日各个时段的新能源出力预测偏差率,得到偏差率概率分布模型;还用于根据偏差率概率分布模型,得到基于新能源出力预测误差配置的备用容量。
关于一种考虑新能源出力预测偏差的备用容量配置系统的具体限定可以参见上述对于一种考虑新能源出力预测偏差的备用容量配置方法的限定,此处不再赘述。本领域普通技术人员可以意识到,结合本申请所公开的实施例描述的各个模块和步骤,能够以硬件、软件或者两者结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本发明实施例提供了一种考虑新能源出力预测偏差的备用容量配置系统,所述系统根据新能源场站的预测误差,计算出风电、光伏等新能源出力预测偏差率,采用k-近邻算法确定预测日的类型以及预测偏差率的概率密度分布函数曲线,通过置信水平对应的偏差率计算需配置的备用容量。本申请提供了一种基于k-近邻算法并考虑新能源出力预测偏差的备用容量配置方法,保障了电力系统在预测日运行过程中具有足够的备用容量设置,进一步提高了电力运行的可靠性,使电力系统可以更安全、更稳定地运行。
图4是本发明实施例提供的一种计算机设备,包括存储器、处理器和收发器,它们之间通过总线连接;存储器用于存储一组计算机程序指令和数据,并可以将存储的数据传输给处理器,处理器可以执行存储器存储的程序指令,以执行上述方法的步骤。
其中,存储器可以包括易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者;处理器可以是中央处理器、微处理器、特定应用集成电路、可编程逻辑器件或其组合。通过示例性但不是限制性说明,上述可编程逻辑器件可以是复杂可编程逻辑器件、现场可编程逻辑门阵列、通用阵列逻辑或其任意组合。
另外,存储器可以是物理上独立的单元,也可以与处理器集成在一起。
本领域普通技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有相同的部件布置。
在一个实施例中,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
本发明实施例提供的一种考虑新能源出力预测偏差的备用容量配置方法及系统,其一种考虑新能源出力预测偏差的备用容量配置方法将预测日情况与类型日情况进行对比,采用k-近邻算法确定预测日的类型以及预测偏差率的概率密度分布函数曲线,通过置信水平对应的偏差率确定系统需配置的备用容量,实现了实现电力系统备用容量的优化配置,充分保障电力运行的可靠性和提升系统运行的经济性,为电力市场规划提供了参考依据。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如SSD)等。
本领域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。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种考虑新能源出力预测偏差的备用容量配置方法,其特征在于,包括以下步骤:
获取新能源场站在预设周期内的新能源历史出力预测误差;
根据新能源历史出力预测误差,得到新能源出力预测偏差率,并根据新能源出力预测偏差率划分预设周期,得到若干个相似日类别;
根据k-近邻算法和相似日类别,确定预测日的历史相似日;
根据历史相似日各个时段的新能源出力预测偏差率,得到偏差率概率分布模型;
根据偏差率概率分布模型,得到基于新能源出力预测误差配置的备用容量。
3.如权利要求1所述的一种考虑新能源出力预测偏差的备用容量配置方法,其特征在于,所述根据k-近邻算法和相似日类别,确定预测日的历史相似日的步骤包括:
获取新能源场站在预设周期内的历史日气象数据和预测日气象预测数据;
将历史日气象数据和预测日气象预测数据进行线性归一化处理,得到归一化历史日气象数据和归一化预测日气象预测数据;
计算归一化预测日气象预测数据与各归一化历史日气象数据之间的距离,得到气象距离度量指标;
基于k-近邻算法,根据气象距离度量指标和相似日类别,确定预测日的历史相似日。
4.如权利要求3所述的一种考虑新能源出力预测偏差的备用容量配置方法,其特征在于,所述基于k-近邻算法,根据气象距离度量指标和相似日类别,确定预测日的历史相似日的步骤包括:
将气象距离度量指标以预设排序规则进行排序,并选取与归一化预测日气象预测数据距离最小的k个归一化历史日气象数据,作为候选样本点;
确定候选样本点在各相似日类别中的出现频率,将出现频率最高的相似日类别中的相似日作为预测日的相似日。
5.如权利要求3所述的一种考虑新能源出力预测偏差的备用容量配置方法,其特征在于,所述基于k-近邻算法,根据气象距离度量指标和相似日类别,确定预测日的历史相似日的步骤包括:
将气象距离度量指标以预设排序规则进行排序,并选取若干个k值,基于交叉验证,从若干个k值中选择误差最小的k值作为候选样本点总数;
根据候选样本点总数,选取与归一化预测日气象预测数据距离最近邻的归一化历史日气象数据,作为候选样本点;
确定候选样本点在各相似日类别中的出现频率,将出现频率最高的相似日类别中的相似日作为预测日的相似日。
6.如权利要求3所述的一种考虑新能源出力预测偏差的备用容量配置方法,其特征在于,所述计算归一化预测日气象预测数据与各归一化日气象数据之间的距离,得到气象距离度量指标的步骤包括:
采用积差相关法计算各归一化日气象数据与归一化预测日气象预测数据之间的相关系数,根据相关系数确定各归一化日气象数据的气象相似权重;
利用气象相似权重计算归一化预测日气象预测数据与各归一化日气象数据之间的欧氏距离,得到气象距离度量指标。
7.如权利要求1所述的一种考虑新能源出力预测偏差的备用容量配置方法,其特征在于,所述备用容量的计算公式为:
PR=Pf*λw′
式中,PR表示备用容量;Pf表示新能源在历史相似日的出力预测最大值;λw′表示预设置信水平下的预测偏差率。
8.一种考虑新能源出力预测偏差的备用容量配置系统,其特征在于,所述系统包括:
数据采集模块,用于获取新能源场站在预设周期内的新能源历史出力预测误差;
相似日分类模块,用于根据新能源历史出力预测误差,得到新能源出力预测偏差率,并根据新能源出力预测偏差率划分预设周期,得到若干个相似日类别;
相似日确定模块,用于根据k-近邻算法和相似日类别,确定预测日的历史相似日;
容量配置模块,用于根据历史相似日各个时段的新能源出力预测偏差率,得到偏差率概率分布模型;还用于根据偏差率概率分布模型,得到基于新能源出力预测误差配置的备用容量。
9.一种计算机设备,其特征在于:包括处理器和存储器,所述处理器与所述存储器相连,所述存储器用于存储计算机程序,所述处理器用于执行所述存储器中存储的计算机程序,以使得所述计算机设备执行如权利要求1至7中任一项所述的方法。
10.一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中存储有计算机程序,当所述计算机程序被运行时,实现如权利要求1至7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211143494.XA CN115313522A (zh) | 2022-09-20 | 2022-09-20 | 一种考虑新能源出力预测偏差的备用容量配置方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211143494.XA CN115313522A (zh) | 2022-09-20 | 2022-09-20 | 一种考虑新能源出力预测偏差的备用容量配置方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115313522A true CN115313522A (zh) | 2022-11-08 |
Family
ID=83867532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211143494.XA Pending CN115313522A (zh) | 2022-09-20 | 2022-09-20 | 一种考虑新能源出力预测偏差的备用容量配置方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115313522A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117424290A (zh) * | 2023-10-07 | 2024-01-19 | 国家电网有限公司华东分部 | 新能源纳入比例计算方法、装置、设备及存储介质 |
-
2022
- 2022-09-20 CN CN202211143494.XA patent/CN115313522A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117424290A (zh) * | 2023-10-07 | 2024-01-19 | 国家电网有限公司华东分部 | 新能源纳入比例计算方法、装置、设备及存储介质 |
CN117424290B (zh) * | 2023-10-07 | 2024-04-19 | 国家电网有限公司华东分部 | 新能源纳入比例计算方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111476435B (zh) | 基于密度峰值的充电桩负荷预测方法 | |
CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN111160617B (zh) | 一种电力日负荷预测方法及装置 | |
CN112884270B (zh) | 一种考虑不确定性因素的多场景配电网规划方法及系统 | |
CN111612275B (zh) | 一种预测区域用户负荷量的方法及装置 | |
US20230169230A1 (en) | Probabilistic wind speed forecasting method and system based on multi-scale information | |
CN113193600A (zh) | 计及风电概率分布不确定性的电力系统调度方法及装置 | |
CN111881961A (zh) | 基于数据挖掘的配电网故障风险等级预测方法 | |
CN115204698A (zh) | 一种低压台区供电稳定性的实时分析方法 | |
CN115459360A (zh) | 一种基于风力发电功率品质的备用容量配置方法及系统 | |
CN115313522A (zh) | 一种考虑新能源出力预测偏差的备用容量配置方法及系统 | |
CN113378954B (zh) | 一种基于粒子群改进k均值算法的负荷曲线聚类方法及系统 | |
CN110059938B (zh) | 一种基于关联规则驱动的配电网规划方法 | |
CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
CN116470491A (zh) | 基于copula函数的光伏功率概率预测方法及系统 | |
CN116307111A (zh) | 一种基于k均值聚类和随机森林算法的无功负荷预测方法 | |
CN115759395A (zh) | 光伏检测模型的训练、光伏发电的检测方法及相关装置 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN115409132A (zh) | 一种配电网数据的处理方法及系统 | |
CN115118015A (zh) | 一种基于融合终端的台区供电稳定性监测系统 | |
CN113344073A (zh) | 一种基于融合进化算法的日负荷曲线聚类方法及系统 | |
CN110571791B (zh) | 一种新能源接入下的输电网规划的优化配置方法 | |
CN111046321A (zh) | 光伏电站运维策略优化方法和装置 | |
Wang et al. | Analysis of user’s power consumption behavior based on k-means | |
CN117713238B (zh) | 光伏发电和储能微电网结合的随机优化运行策略 |
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 |