CN115587531A - 基于全网负荷率的分段式日前电力额度预测方法及设备 - Google Patents
基于全网负荷率的分段式日前电力额度预测方法及设备 Download PDFInfo
- Publication number
- CN115587531A CN115587531A CN202211164457.7A CN202211164457A CN115587531A CN 115587531 A CN115587531 A CN 115587531A CN 202211164457 A CN202211164457 A CN 202211164457A CN 115587531 A CN115587531 A CN 115587531A
- Authority
- CN
- China
- Prior art keywords
- day
- load rate
- network load
- whole
- ahead
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000005611 electricity Effects 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 26
- 230000011218 segmentation Effects 0.000 claims description 26
- 238000010248 power generation Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims 1
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出一种基于全网负荷率的分段式日前电力额度预测方法及设备,该方法经过数据分析发现全网负荷率与日前电价之间存在较强的相关性,建立全网负荷率算法模型,通过全网负荷率数据特征预测日前电价只需要7‑30天的历史数据,从而大大降低了对历史数据集的需求;本发明使用基于全网负荷率特征的分段式预测算法,在采用强解释性的全网负荷率特征的前提下,考虑到日前电价的分时差异,细粒度的刻画了不同时刻全网负荷率与分时电价的分布规律,通过本发明,可以提高日前电价在高价段和低价段的预测准确率,并且可以避免非线性回归所带来的预测结果出现整体偏差的问题。
Description
技术领域
本发明涉及风电管理技术领域,尤其涉及一种基于全网负荷率的分段式日前电力额度预测方法、装置、设备、存储介质。
背景技术
研究发现,反映市场供需关系的全网负荷预测数据、新能源负荷预测数据、装机容量数据、必开必停机组容量数据等日前披露数据对日前电价趋势都有不同程度的影响,目前通用的模型训练方法是将日前披露数据直接作为输入特征,并基于通用训练方法生成的模型预测日前价格,该模式容易出现明显的预测误差,尤其是实时电价整体预测趋势上的误差。因此,需要基于披露数据构建解释性更强的数据特征作为模型训练的输入特征。本发明结合业务规则构建了强解释性的全网负荷率特征,提高了日前电价预测准确率。
另外,由于日前电价有高价段、平价段和低价段的特点,现有技术对电价数据主要进行整体性地分析但并未对此电价特点进行详细的处理分析,导致现有技术在日前电价出现高价段和低价段的情况下预测准确率偏低。因此,考虑到日前电价的分时差异,进一步将全网负荷率特征进行分段式处理,更加详细的刻画了不同全网负荷率情境下日前电价的分布趋势,能够进一步有效地提高日前电价的预测准确率。
目前针对日前电价预测使用较为广泛的是基于深度学习神经网络算法的预测技术。该技术通过构建神经网络模型对大量的历史数据进行自主学习,并将学习到的数据特征作为重要边界参数进行模型保存,最后使用预测日的相关数据并调用学习到的模型对日前电价进行预测。
目前针对日前电价的预测技术基本都属于基于ANN神经网络算法模型和非线性回归算法模型的范畴。基于ANN神经网络算法模型的缺点是该模型需要以大量的数据作为支撑,但是数据基数过大时又会出现过多算法无法排除在外的干扰数据特征,这将增加处理数据的时间成本,并且该算法模型在电价波峰和波谷时段的预测效果差;另外,非线性回归算法模型需要建立高次函数模型,但是因为高次函数模型本省存在的泛化能力差的属性,导致日前电价的预测容易出现整体平缓或者整体波动的问题,进而造成日前电价预测准确率偏低的结果。
发明内容
本发明提供一种基于全网负荷率的分段式日前电力额度预测方法、装置、设备、存储介质,旨在提高日前电价在高价段和低价段的预测准确率,并且可以避免非线性回归所带来的预测结果出现整体偏差的问题。
为此,本发明的第一个目的在于提出一种基于全网负荷率的分段式日前电力额度预测方法,包括:
构建分段式日前电力额度预测模型;其中,分段式日前电力额度预测模型包括全网负荷率计算模块,全网负荷率分段模块和电力额度预测模块;
获取全网发电设备的历史披露数据,通过全网负荷率计算模块和全网负荷率分段模块对全网发电设备的历史披露数据进行数据预处理,得到全网负荷率分段结果,将全网负荷率分段结果输入电力额度预测模块进行训练,至输出结果的日前电力额度数据与实际的日前电力额度数据一致为止;
实时获取全网发电设备的预测数据,输入训练好的分段式日前电力额度预测模型,输出结果即为日前电力额度预测结果。
其中,全网负荷率计算模块基于指定时刻的全网负荷预测值、新能源出力预测值、所有参与现货的火电机组总容量大小、火电必开机组总容量、火电必停机组总容量及最小技术出力比例,计算对应时刻的全网负荷率;公式表示为:
其中,load_ratet表示t时刻的全网负荷率;
network_powert表示t时刻的全网负荷预测值;
new_energyt表示t时刻的新能源出力预测值;
total_capacityt表示t时刻所有参与现货的火电机组总容量大小;
open_capacityt表示t时刻火电必开机组总容量;
close_capacityt表示t时刻火电必停机组总容量;
β表示最小技术出力比例。
其中,全网负荷率分段模块基于获取到的全网发电设备的历史披露数据,通过全网负荷率计算模块,计算预设时间间隔内,指定时间点的全网负荷率;
获取历史披露数据中与指定时间点的全网负荷率对应的日前电力额度数据,确定全网负荷率典型曲线和日前电力额度典型曲线,并根据全网负荷率典型曲线和日前电力额度典型曲线的对应关系,对全网负荷率进行分段。
其中,在确定全网负荷率典型曲线和日前电力额度典型曲线的步骤中,包括:
基于预设时间间隔内、指定时间点的全网负荷率和对应的日前电力额度数据,计算全网负荷率和日前电力额度数据在每个时刻对应的均值,结合最小二乘法,分别得到全网负荷率典型曲线和日前电力额度典型曲线;
利用箱线图算法,获取日前电力额度典型曲线的下四分位数Q1和上四分位数Q3在全网负荷率典型曲线中对应的全网负荷率值,作为低全网负荷率段的上界值和平全网负荷率段的上界值,从而把全网负荷率分为低全网负荷率、平全网负荷率、高全网负荷率三段,其分别对应日前电力额度的低价段、平价段、高价段。
其中,在计算全网负荷率和日前电力额度数据在每个时刻对应的均值的步骤中,确定全网负荷率典型曲线和日前电力额度典型曲线的最小二乘法公式分别表示为:
其中,minfR(x)表示拟合后的系统负载率典型曲线函数;minfP(x)表示拟合后的实时电价典型曲线函数;x=(x1,...,x96)表示拟合后的系统负载率典型曲线;y=(y1,...,y96)表示拟合后的日前电价典型曲线;Ri=(Ri1,...,Ri96)表示第i天的系统负载率曲线;Pi=(Pi1,...,Pi96)表示第i天的日前电价曲线。
其中,Rij和Pij预设时间间隔为1天,指定时间点为1天时间分割的96时刻,即:
Rij(i=1,2,...,30,j=1,2,...,96)表示每天96时刻对应的全网负荷率;
Pij(i=1,2,...,30,j=1,2,...,96)表示每天96时刻对应的日前电力额度数据。
其中,实时获取全网发电设备的预测数据,输入训练好的分段式日前电力额度预测模型的步骤中,包括:
针对预测日的披露数据,利用全网负荷率计算模块和全网负荷率分段模块分别得到预测日对应的低全网负荷率、平全网负荷率、高全网负荷率段;
使用长短神经网络算法模型分别对不同的全网负荷率段进行单独的数据处理和预测,得到最终的日前电力额度预测数据。
本发明的第二个目的在于提出一种基于全网负荷率的分段式日前电力额度预测装置,包括:
模型构建模块,用于构建分段式日前电力额度预测模型;其中,分段式日前电力额度预测模型包括全网负荷率计算模块,全网负荷率分段模块和电力额度预测模块;
模型处理模块,用于获取全网发电设备的历史披露数据,通过全网负荷率计算模块和全网负荷率分段模块对全网发电设备的历史披露数据进行数据预处理,得到全网负荷率分段结果,将全网负荷率分段结果输入电力额度预测模块进行训练,至输出结果的日前电力额度数据与实际的日前电力额度数据一致为止;
模型预测模块,用于实时获取全网发电设备的预测数据,输入训练好的分段式日前电力额度预测模型,输出结果即为日前电力额度预测结果。
本发明的第三个目的在于提出一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述技术方案的方法中的各步骤。
本发明的第四个目的在于提出存储有计算机指令的非瞬时计算机可读存储介质,其中,计算机指令用于使计算机执行根据前述技术方案的方法中的各步骤。
区别于现有技术,本发明提供的基于全网负荷率的分段式日前电力额度预测方法,经过数据分析发现全网负荷率与日前电价之间存在较强的相关性,根据市场规则建立了全网负荷率算法模型,通过全网负荷率数据特征预测日前电价只需要7-30天的历史数据,从而大大降低了对历史数据集的需求;本发明使用基于全网负荷率特征的分段式预测算法,在采用强解释性的全网负荷率特征的前提下,考虑到日前电价的分时差异,细粒度的刻画了不同时刻全网负荷率与分时电价的分布规律,通过本发明,可以提高日前电价在高价段和低价段的预测准确率,并且可以避免非线性回归所带来的预测结果出现整体偏差的问题。
附图说明
本发明的和/或附加的方面和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是本发明提供的一种基于全网负荷率的分段式日前电力额度预测方法的流程示意图。
图2是本发明提供的一种基于全网负荷率的分段式日前电力额度预测方法的逻辑示意图。
图3是本发明提供的一种基于全网负荷率的分段式日前电力额度预测装置的结构示意图。
图4是本发明提供的一种非临时性计算机可读存储介质的结构示意图。
具体实施方式
下面详细描述本发明的实施例,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,旨在用于解释本发明,而不能理解为对本发明的限制。
如图1所示,为本发明实施例所提供的一种基于全网负荷率的分段式日前电力额度预测方法,包括:
S110:构建分段式日前电力额度预测模型;其中,分段式日前电力额度预测模型包括全网负荷率计算模块,全网负荷率分段模块和电力额度预测模块。
S120:获取全网发电设备的历史披露数据,通过全网负荷率计算模块和全网负荷率分段模块对全网发电设备的历史披露数据进行数据预处理,得到全网负荷率分段结果,将全网负荷率分段结果输入电力额度预测模块进行训练,至输出结果的日前电力额度数据与实际的日前电力额度数据一致为止;
S130:实时获取全网发电设备的预测数据,输入训练好的分段式日前电力额度预测模型,输出结果即为日前电力额度预测结果。
本发明所涉及的全网负荷率计算模块是基于指定时刻的全网负荷预测值、新能源出力预测值、所有参与现货的火电机组总容量大小、火电必开机组总容量、火电必停机组总容量及最小技术出力比例,计算对应时刻的全网负荷率;公式表示为:
其中,load_ratet表示t时刻的全网负荷率;
network_powert表示t时刻的全网负荷预测值;
new_energyt表示t时刻的新能源出力预测值;
total_capacityt表示t时刻所有参与现货的火电机组总容量大小;
open_capacityt表示t时刻火电必开机组总容量;
close_capacityt表示t时刻火电必停机组总容量;
β表示最小技术出力比例。
全网负荷率分段模块基于获取到的全网发电设备的历史披露数据,通过全网负荷率计算模块,计算预设时间间隔内,指定时间点的全网负荷率;
获取历史披露数据中与指定时间点的全网负荷率对应的日前电力额度数据,确定全网负荷率典型曲线和日前电力额度典型曲线,并根据全网负荷率典型曲线和日前电力额度典型曲线的对应关系,对全网负荷率进行分段。
在确定全网负荷率典型曲线和日前电力额度典型曲线的步骤中,包括:
基于预设时间间隔内、指定时间点的全网负荷率和对应的日前电力额度数据,计算全网负荷率和日前电力额度数据在每个时刻对应的均值,结合最小二乘法,分别得到全网负荷率典型曲线和日前电力额度典型曲线;
利用箱线图算法,获取日前电力额度典型曲线的下四分位数Q1和上四分位数Q3在全网负荷率典型曲线中对应的全网负荷率值,作为低全网负荷率段的上界值和平全网负荷率段的上界值,从而把全网负荷率分为低全网负荷率、平全网负荷率、高全网负荷率三段,其分别对应日前电力额度的低价段、平价段、高价段。
在计算全网负荷率和日前电力额度数据在每个时刻对应的均值的步骤中,确定全网负荷率典型曲线和日前电力额度典型曲线的最小二乘法公式分别表示为:
其中,minfR(x)表示拟合后的系统负载率典型曲线函数;minfP(x)表示拟合后的实时电价典型曲线函数;x=(x1,...,x96)表示拟合后的系统负载率典型曲线;y=(y1,...,y96)表示拟合后的日前电价典型曲线;Ri=(Ri1,...,Ri96)表示第i天的系统负载率曲线;Pi=(Pi1,...,Pi96)表示第i天的日前电价曲线。
其中,Rij和Pij预设时间间隔为1天,指定时间点为1天时间分割的96时刻,即:
Rij(i=1,2,...,30,j=1,2,...,96)表示每天96时刻对应的全网负荷率;
Pij(i=1,2,...,30,j=1,2,...,96)表示每天96时刻对应的日前电力额度数据。
在实时获取全网发电设备的预测数据,输入训练好的分段式日前电力额度预测模型的步骤中,包括:
针对预测日的披露数据,利用全网负荷率计算模块和全网负荷率分段模块分别得到预测日对应的低全网负荷率、平全网负荷率、高全网负荷率段;
使用长短神经网络算法模型分别对不同的全网负荷率段进行单独的数据处理和预测,得到最终的日前电力额度预测数据。
如图2所示,本发明的方案包括模型建立和模型应用两部分,通过获取历史数据训练模型,训练完成后将实时数据输入模型进行预测。
具体的,构建全网负荷率计算模块,全网负荷率计算模块基于全网负荷率算法模型进行计算,得到指定时刻的全网负荷率,根据该全网负荷率计算模块计算每天96时刻的全网负荷率值;其中,96时刻是将每一小时分为四刻,24小时即为96时刻。同时,获取96时刻对应的日前电力额度数据;本发明中涉及的电力额度数据即为电价数据。
通过公式(2)和公式(3),得到对应96时刻的每一时刻的全网负荷率和日前电力额度数据的均值,结合公式(4)和公式(5)的最小二乘法公式,对应得到全网负荷率典型曲线和日前电力额度典型曲线;利用箱线图算法,结合全网负荷率典型曲线和日前电力额度典型曲线,获取到日前电价典型曲线的下四分位数Q1和上四分位数Q3在全网负荷率典型曲线中对应的具体全网负荷率值,分别作为低全网负荷率段的上界值,和平全网负荷率段的上界值,从而把全网负荷率分为低全网负荷率、平全网负荷率、高全网负荷率三段,其分别对应日前电价的低价段、平价段、高价段。
针对预测日的披露数据,利用第二步建立的全网负荷率分段统计算法模型分别得到预测日对应的低全网负荷率、平全网负荷率、高全网负荷率段,然后使用长短神经网络算法模型分别对不同的全网负荷率段进行单独的数据处理和预测,便可得到最终的日前电价预测数据。
如图3所示,本发明还提供了一种基于全网负荷率的分段式日前电力额度预测装置,包括:
模型构建模块310,用于构建分段式日前电力额度预测模型;其中,分段式日前电力额度预测模型包括全网负荷率计算模块,全网负荷率分段模块和电力额度预测模块;
模型处理模块320,用于获取全网发电设备的历史披露数据,通过全网负荷率计算模块和全网负荷率分段模块对全网发电设备的历史披露数据进行数据预处理,得到全网负荷率分段结果,将全网负荷率分段结果输入电力额度预测模块进行训练,至输出结果的日前电力额度数据与实际的日前电力额度数据一致为止;
模型预测模块330,用于实时获取全网发电设备的预测数据,输入训练好的分段式日前电力额度预测模型,输出结果即为日前电力额度预测结果。
为了实现实施例,本发明还提出一种电子设备,包括:至少一个处理器;以及与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行前述技术方案的分段式日前电力额度预测方法中的各步骤。
如图4所示,非临时性计算机可读存储介质包括指令的存储器810,接口830,指令可由根据分段式日前电力额度预测处理器820执行以完成方法。可选地,存储介质可以是非临时性计算机可读存储介质,例如,非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
为了实现实施例,本发明还提出一种非临时性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如本发明实施例的分段式日前电力额度预测。
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发明的至少一个实施例或示例中。在本说明书中,对所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。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
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,并且本发明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,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在所述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现所述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。所述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
所述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,所述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对所述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于全网负荷率的分段式日前电力额度预测方法,其特征在于,包括:
构建分段式日前电力额度预测模型;其中,所述分段式日前电力额度预测模型包括全网负荷率计算模块,全网负荷率分段模块和电力额度预测模块;
获取全网发电设备的历史披露数据,通过所述全网负荷率计算模块和全网负荷率分段模块对所述全网发电设备的历史披露数据进行数据预处理,得到全网负荷率分段结果,将所述全网负荷率分段结果输入所述电力额度预测模块进行训练,至输出结果的日前电力额度数据与实际的日前电力额度数据一致为止;
实时获取全网发电设备的预测数据,输入训练好的所述分段式日前电力额度预测模型,输出结果即为日前电力额度预测结果。
2.根据权利要求1所述的基于全网负荷率的分段式日前电力额度预测方法,其特征在于,所述全网负荷率计算模块基于指定时刻的全网负荷预测值、新能源出力预测值、所有参与现货的火电机组总容量大小、火电必开机组总容量、火电必停机组总容量及最小技术出力比例,计算对应时刻的全网负荷率;公式表示为:
其中,load_ratet表示t时刻的全网负荷率;
network_powert表示t时刻的全网负荷预测值;
new_energyt表示t时刻的新能源出力预测值;
total_capacityt表示t时刻所有参与现货的火电机组总容量大小;
open_capacityt表示t时刻火电必开机组总容量;
close_capacityt表示t时刻火电必停机组总容量;
β表示最小技术出力比例。
3.根据权利要求2所述的基于全网负荷率的分段式日前电力额度预测方法,其特征在于,所述全网负荷率分段模块基于获取到的全网发电设备的历史披露数据,通过所述全网负荷率计算模块,计算预设时间间隔内,指定时间点的全网负荷率;
获取历史披露数据中与指定时间点的全网负荷率对应的日前电力额度数据,确定全网负荷率典型曲线和日前电力额度典型曲线,并根据所述全网负荷率典型曲线和日前电力额度典型曲线的对应关系,对所述全网负荷率进行分段。
4.根据权利要求3所述的基于全网负荷率的分段式日前电力额度预测方法,其特征在于,在确定全网负荷率典型曲线和日前电力额度典型曲线的步骤中,包括:
基于预设时间间隔内、指定时间点的全网负荷率和对应的日前电力额度数据,计算全网负荷率和日前电力额度数据在每个时刻对应的均值,结合最小二乘法,分别得到全网负荷率典型曲线和日前电力额度典型曲线;
利用箱线图算法,获取日前电力额度典型曲线的下四分位数Q1和上四分位数Q3在全网负荷率典型曲线中对应的全网负荷率值,作为低全网负荷率段的上界值和平全网负荷率段的上界值,从而把全网负荷率分为低全网负荷率、平全网负荷率、高全网负荷率三段,其分别对应日前电力额度的低价段、平价段、高价段。
6.根据权利要求5所述的基于全网负荷率的分段式日前电力额度预测方法,其特征在于,Rij和Pij预设时间间隔为1天,指定时间点为1天时间分割的96时刻,即:
Rij(i=1,2,...,30,j=1,2,...,96)表示每天96时刻对应的全网负荷率;
Pij(i=1,2,...,30,j=1,2,...,96)表示每天96时刻对应的日前电力额度数据。
7.根据权利要求1所述的基于全网负荷率的分段式日前电力额度预测方法,其特征在于,实时获取全网发电设备的预测数据,输入训练好的所述分段式日前电力额度预测模型的步骤中,包括:
针对预测日的披露数据,利用全网负荷率计算模块和全网负荷率分段模块分别得到预测日对应的低全网负荷率、平全网负荷率、高全网负荷率段;
使用长短神经网络算法模型分别对不同的全网负荷率段进行单独的数据处理和预测,得到最终的日前电力额度预测数据。
8.一种基于全网负荷率的分段式日前电力额度预测装置,其特征在于,包括:
模型构建模块,用于构建分段式日前电力额度预测模型;其中,所述分段式日前电力额度预测模型包括全网负荷率计算模块,全网负荷率分段模块和电力额度预测模块;
模型处理模块,用于获取全网发电设备的历史披露数据,通过所述全网负荷率计算模块和全网负荷率分段模块对所述全网发电设备的历史披露数据进行数据预处理,得到全网负荷率分段结果,将所述全网负荷率分段结果输入所述电力额度预测模块进行训练,至输出结果的日前电力额度数据与实际的日前电力额度数据一致为止;
模型预测模块,用于实时获取全网发电设备的预测数据,输入训练好的所述分段式日前电力额度预测模型,输出结果即为日前电力额度预测结果。
9.一种电子设备,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法中的各步骤。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法中的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211164457.7A CN115587531B (zh) | 2022-09-23 | 2022-09-23 | 基于全网负荷率的分段式日前电力额度预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211164457.7A CN115587531B (zh) | 2022-09-23 | 2022-09-23 | 基于全网负荷率的分段式日前电力额度预测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115587531A true CN115587531A (zh) | 2023-01-10 |
CN115587531B CN115587531B (zh) | 2024-04-30 |
Family
ID=84773401
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211164457.7A Active CN115587531B (zh) | 2022-09-23 | 2022-09-23 | 基于全网负荷率的分段式日前电力额度预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587531B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN110415138A (zh) * | 2019-06-17 | 2019-11-05 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于调峰能力竞价的电热联合日前调度计划方法 |
CN112003282A (zh) * | 2020-08-28 | 2020-11-27 | 国网山东省电力公司电力科学研究院 | 一种基于电网调峰能力预测新能源装机规模的方法 |
US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
WO2021135332A1 (zh) * | 2019-12-31 | 2021-07-08 | 东北大学 | 一种基于边缘计算的多智能体负荷调控方法 |
CN113435673A (zh) * | 2020-03-23 | 2021-09-24 | 南京南瑞继保电气有限公司 | 基于负荷率的深度调峰费用分摊计算方法和系统 |
CN113888202A (zh) * | 2021-09-03 | 2022-01-04 | 西安峰频能源科技有限公司 | 一种电价预测模型的训练方法及应用方法 |
-
2022
- 2022-09-23 CN CN202211164457.7A patent/CN115587531B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019196375A1 (zh) * | 2018-04-13 | 2019-10-17 | 华南理工大学 | 基于需求侧响应的微电网最优机组及分时电价的优化方法 |
CN110415138A (zh) * | 2019-06-17 | 2019-11-05 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于调峰能力竞价的电热联合日前调度计划方法 |
US20210203159A1 (en) * | 2019-12-27 | 2021-07-01 | North China Electric Power University | Power load forecasting method in multi-energy coupling mode |
WO2021135332A1 (zh) * | 2019-12-31 | 2021-07-08 | 东北大学 | 一种基于边缘计算的多智能体负荷调控方法 |
CN113435673A (zh) * | 2020-03-23 | 2021-09-24 | 南京南瑞继保电气有限公司 | 基于负荷率的深度调峰费用分摊计算方法和系统 |
CN112003282A (zh) * | 2020-08-28 | 2020-11-27 | 国网山东省电力公司电力科学研究院 | 一种基于电网调峰能力预测新能源装机规模的方法 |
CN113888202A (zh) * | 2021-09-03 | 2022-01-04 | 西安峰频能源科技有限公司 | 一种电价预测模型的训练方法及应用方法 |
Non-Patent Citations (4)
Title |
---|
张杰;陈磊;: "基于热电转换的风、光、火电机组协调性发电调度", 宁夏电力, no. 01, 28 February 2015 (2015-02-28), pages 48 - 53 * |
李泽宏;曾杨超;周畅游;醋院科;肖鹏;: "基于电力现货市场出清模拟的节点电价影响因素分析", 电气技术, no. 05, 15 May 2020 (2020-05-15), pages 48 - 54 * |
王建学;张耀;万筱钟;张小奇;: "面向电网运行的新能源出力特性指标体系研究――风电出力特性指标体系", 电网与清洁能源, no. 02, 25 February 2016 (2016-02-25), pages 42 - 51 * |
虞思敏;温步瀛;王良缘;: "峰谷电价下新能源省际购电优化模型", 可再生能源, no. 04, 20 April 2017 (2017-04-20), pages 528 - 534 * |
Also Published As
Publication number | Publication date |
---|---|
CN115587531B (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111709672A (zh) | 基于场景和深度强化学习的虚拟电厂经济调度方法 | |
CN110443645B (zh) | 基于电力现货市场的抽水蓄能机组运行策略模型建立方法 | |
Lu et al. | Scenarios modelling for forecasting day-ahead electricity prices: Case studies in Australia | |
CN110289631B (zh) | 一种风电场储能装置容量的计算方法及系统 | |
CN116805198A (zh) | 基于强化学习与预测分析的电网规划动态的方法及系统 | |
CN115102202B (zh) | 基于滚动式实时电价预测的储能控制方法 | |
CN110837915A (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN116796644A (zh) | 基于多智能体sac深度强化学习的风电场参数辨识方法 | |
CN115511634A (zh) | 基于结算收入的电力市场新能源日前交易决策方法和装置 | |
CN115496603A (zh) | 基于人工智能技术的电力市场新能源日前交易决策方法 | |
CN110797872B (zh) | 用户侧储能容量配置方法、装置、设备及存储介质 | |
CN111445065A (zh) | 用于数据中心制冷群控的能耗优化方法及系统 | |
Xu et al. | Operational optimization for the grid-connected residential photovoltaic-battery system using model-based reinforcement learning | |
CN115587531A (zh) | 基于全网负荷率的分段式日前电力额度预测方法及设备 | |
WO2023179076A1 (zh) | 基于混合整数规划的针对工业设施的负荷分解方法和装置 | |
CN116306266A (zh) | 一种数据预测方法、预测模型的训练方法、装置及设备 | |
CN109687452A (zh) | 一种用于配电网供电能力的分析方法、装置及存储介质 | |
CN112163696B (zh) | 基于水文指数的电力系统稳定性预测方法及装置 | |
CN109213816A (zh) | 一种基于实时获取的电网数据进行预警分析的方法 | |
CN109508829A (zh) | 多场景用户负荷组合优化方法、装置、设备及存储介质 | |
CN115601067A (zh) | 电力市场新能源日前交易决策方法和装置 | |
CN116667356B (zh) | 发电主体行为控制方法、装置、设备、介质和产品 | |
Pinho Almeida et al. | Optimization tool for operating isolated diesel-photovoltaic-battery hybrid power systems using day-ahead power forecasts | |
CN115587890A (zh) | 基于细则考核损失的电力市场新能源日前交易决策方法 | |
CN115330048A (zh) | 基于强化学习的云边架构下负荷需求响应优化方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |