CN115907192A - 风电功率波动区间预测模型的生成方法、装置及电子设备 - Google Patents
风电功率波动区间预测模型的生成方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115907192A CN115907192A CN202211572084.7A CN202211572084A CN115907192A CN 115907192 A CN115907192 A CN 115907192A CN 202211572084 A CN202211572084 A CN 202211572084A CN 115907192 A CN115907192 A CN 115907192A
- Authority
- CN
- China
- Prior art keywords
- power
- fluctuation interval
- function
- wind power
- prediction
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请关于一种风电功率波动区间预测模型的生成方法、装置及电子设备。具体方案为:获取风电场的历史风电数据;基于历史风电数据,确定风电功率波动区间预测模型的发电功率预测函数;基于发电功率预测函数和预设置信度确定发电功率波动区间预测函数;将发电功率预测函数和发电功率波动区间预测函数确定为风电功率波动区间预测模型;将风速样本数据和风向样本数据输入至风电功率波动区间预测模型,得到发电功率预测数据和发电功率波动区间预测数据;基于发电功率实测样本数据、发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于目标指标值对风电功率波动区间预测模型进行调参。本申请可以获得风电功率均值及区间预测结果。
Description
技术领域
本申请涉及新能源风力发电预测技术领域,尤其涉及一种风电功率波动区间预测模型的生成方法、装置及电子设备。
背景技术
相关技术中,针对风电场输出功率的单点预测技术已较为成熟,但风能的不确定性加之预测模型的固有缺陷,使得风电功率单点预测不可避免地存在误差,且预测结果无法对风电功率的不确定性进行定量描述。从风电功率的应用层面讲,含风电的电网规划和安全稳定运行均需要对风电功率的波动范围进行准确估计,此时,单点的定值预测则无法满足应用需求,风电功率波动区间预测的意义凸显。主流的风电功率波动区间预测方法如分位点回归、核密度估计、重采样法等,多是基于既有的风电功率单点预测模型叠加针对预测结果的不确定性分析,主要是针对模型的事后评估,无法直接用于模型优化。
发明内容
为此,本申请提供一种风电功率波动区间预测模型的生成方法、装置及电子设备。本申请的技术方案如下:
根据本申请实施例的第一方面,提供一种风电功率波动区间预测模型的生成方法,所述方法包括:
获取风电场的历史风电数据;其中,所述历史风电数据包括风速样本数据、风向样本数据和发电功率实测样本数据;
基于所述历史风电数据,根据贝叶斯法则确定所述风电功率波动区间预测模型的发电功率预测函数;
基于所述发电功率预测函数和预设置信度,确定发电功率波动区间预测函数;
将所述发电功率预测函数和所述发电功率波动区间预测函数确定为风电功率波动区间预测模型;
将所述风速样本数据和所述风向样本数据输入至所述风电功率波动区间预测模型,得到所述风电功率波动区间预测模型输出的发电功率预测数据和发电功率波动区间预测数据;
基于所述发电功率实测样本数据、所述发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于所述目标指标值对所述风电功率波动区间预测模型进行调参。
根据本申请的一个实施例,所述基于所述历史风电数据,根据贝叶斯法则确定所述风电功率波动区间预测模型的发电功率预测函数,包括:
基于所述历史风电数据,确定第一函数;其中,所述第一函数用于表征所述风电场的历史风电数据的概率分布;
分别确定协方差核函数和均值函数;
基于所述协方差核函数和所述均值函数,确定高斯过程函数;
根据所述第一函数和所述高斯过程函数,基于贝叶斯法则确定所述风电功率波动区间预测模型的发电功率预测函数。
根据本申请的一个实施例,所述协方差核函数通过以下方法确定:
分别确定第一核函数、第二核函数和第三核函数;其中,第一核函数用于表征风电功率的整体波动特性,第二核函数用于表征风电功率随风速变量的变化,第三核函数用于表征风电功率随风向变量的变化;
将所述第二核函数与第三核函数相加,得到中间函数;
将所述中间函数与所述第一核函数相乘,得到所述协方差核函数。
根据本申请的一个实施例,所述第二核函数为线性核函数与布朗Brownian核函数相加得到的;所述第一核函数和所述第三核函数均为马特恩Matérn核函数。
根据本申请的一个实施例,所述基于所述发电功率实测样本数据、所述发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于所述目标指标值对所述风电功率波动区间预测模型进行调参,包括:
基于所述发电功率实测样本数据和所述发电功率预测数据,确定所述发电功率预测数据的均方根误差,所述均方根误差通过以下公式计算的到:
其中,RMSE为所述发电功率预测数据的均方根误差,PMi为第i个时刻的实际功率,PPi为第i个时刻的预测功率,Ci为第i个时刻的风电场开机容量,N为时刻的个数;
将所述均方根误差与第一预设阈值进行比对,得到第一比对结果;
响应于所述第一比对结果为所述均方根误差大于所述第一预设阈值,对所述风电功率波动区间预测模型进行调参。
根据本申请的一个实施例,所述基于所述发电功率实测样本数据、所述发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于所述目标指标值对所述风电功率波动区间预测模型进行调参,还包括:
基于所述发电功率波动区间值和所述预设置信度,确定覆盖率指标,所述覆盖率指标值通过以下公式计算:
其中,为0-1变量,1-α为置信度,Ii α为第i个时刻的预测功率波动区间Ii α=[Li α,Ui α],Li α为第i个时刻预测功率波动区间的下限值,Ui α为第i个时刻预测功率波动区间的上限值,Rc为波动区间预测的覆盖率指标,N为时刻的个数;
基于所述发电功率波动区间值和所述预设置信度,确定所述发电功率波动区间值的平均相对宽度指标值,所述平均相对宽度指标值通过以下公式计算:
其中,Wmean α为波动区间预测的平均相对宽度指标,1-α为置信度,Wi α为时刻i的波动区间预测宽度,Wi α=Ut α-Lt α,Ci为i时刻的风电场开机容量,N为时刻的个数;
响应于所述平均相对宽度指标值未满足第一预设要求,和/或所述覆盖率指标值未满足第二预设要求,对所述风电功率波动区间预测模型进行调参。
根据本申请的一个实施例,所述基于所述发电功率预测函数和预设置信度,确定发电功率波动区间预测函数,包括:
基于所述风速样本数据、风向样本数据、协方差核函数和均值函数,确定所述发电功率预测数据的标准偏差函数;
基于所述标准偏差函数、所述均值函数和所述发电功率预测数据,分别确定所述发电功率波动区间的下限和上限,以得到所述发电功率波动区间预测函数;其中,所述发电功率波动区间预测函数通过以下公式计算得到:
Li α=PPi-zσi
Ui α=PPi+zσi
Ii α=[Li α,Ui α]其中,1-α为置信度,系数z为通过正态分布表得到的,Li α为第i个时刻预测功率波动区间的下限值,Ui α为第i个时刻预测功率波动区间的上限值,PPi为第i个时刻的预测功率,σi为第i个时刻的标准偏差,Ii α为i时刻的功率预测区间。
根据本申请实施例的第二方面,提供一种风电功率波动区间预测模型的生成装置,所述装置包括:
获取模块,用于获取风电场的历史风电数据;其中,所述历史风电数据包括风速样本数据、风向样本数据和发电功率实测样本数据;
第一确定模块,用于基于所述历史风电数据,根据贝叶斯法则确定所述风电功率波动区间预测模型的发电功率预测函数;
第二确定模块,用于基于所述发电功率预测函数和预设置信度,确定发电功率波动区间预测函数;
第三确定模块,用于将所述发电功率预测函数和所述发电功率波动区间预测函数确定为风电功率波动区间预测模型;
输入模块,用于将所述风速样本数据和所述风向样本数据输入至所述风电功率波动区间预测模型,得到所述风电功率波动区间预测模型输出的发电功率预测数据和发电功率波动区间预测数据;
调参模块,用于基于所述发电功率实测样本数据、所述发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于所述目标指标值对所述风电功率波动区间预测模型进行调参。
根据本申请实施例的第三方面,提供一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如第一方面中任一项所述的方法。
根据本申请实施例的第四方面,提供所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如第一方面中任一项所述的方法。
本申请的实施例提供的技术方案至少带来以下有益效果:
通过获取风电场的历史风电数据;基于历史风电数据,根据贝叶斯法则确定风电功率波动区间预测模型的发电功率预测函数;基于发电功率预测函数和预设置信度,确定发电功率波动区间预测函数;将发电功率预测函数和发电功率波动区间预测函数确定为风电功率波动区间预测模型;将风速样本数据和风向样本数据输入至风电功率波动区间预测模型,得到风电功率波动区间预测模型输出的发电功率预测数据和发电功率波动区间预测数据;基于发电功率实测样本数据、发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于目标指标值对风电功率波动区间预测模型进行调参。从而建立了基于特征核函数组合的风电功率波动区间预测模型,在提高风电功率单点预测准确性的基础上,能够获得不同置信度下的风电功率区间预测结果。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本申请。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理,并不构成对本申请的不当限定。
图1为本申请实施例中的一种风电功率波动区间预测模型的生成方法的流程图;
图2为本申请实施例中的一种风电功率波动区间预测模型的生成装置的结构框图;
图3为本申请实施例中的一种电子设备的框图;
图4为本申请实施例中的风电功率区间预测结果趋势图;
图5为本申请实施例中的传统的人工神经网络预测方法的月度功率预测误差变化曲线和一种风电功率波动区间预测模型的月度功率预测误差变化曲线对比趋势图。
具体实施方式
为了使本领域普通人员更好地理解本申请的技术方案,下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是,对风电场输出功率进行准确的预测,使风电变为可调度的友好型电源,是缓解大规模风电并网对电力系统影响的有效途径。现阶段,针对风电场输出功率的单点预测技术已较为成熟,但风能的不确定性加之预测模型的固有缺陷,使得风电功率单点预测不可避免地存在误差,且预测结果无法对风电功率的不确定性进行定量描述。从风电功率的应用层面讲,含风电的电网规划和安全稳定运行均需要对风电功率的波动范围进行准确估计,此时,单点的定值预测则无法满足应用需求,风电功率波动区间预测的意义凸显。
主流的风电功率波动区间预测方法(如:分位点回归、核密度估计、重采样法等),多是基于既有的风电功率单点预测模型,并叠加针对预测结果的不确定性分析,主要是针对模型的事后评估,无法直接用于模型优化。而高斯过程方法可以基于对训练数据的学习,自适应地确定先验协方差函数中的“超参数”,在给出模型预测均值的同时输出预测结果的方差,直接用于指导预测模型优化。
基于上述问题,本申请提出了一种风电功率波动区间预测模型的生成方法、装置及电子设备,可以实现通过获取风电场的历史风电数据;基于历史风电数据,根据贝叶斯法则确定风电功率波动区间预测模型的发电功率预测函数;基于发电功率预测函数和预设置信度,确定发电功率波动区间预测函数;将发电功率预测函数和发电功率波动区间预测函数确定为风电功率波动区间预测模型;将风速样本数据和风向样本数据输入至风电功率波动区间预测模型,得到风电功率波动区间预测模型输出的发电功率预测数据和发电功率波动区间预测数据;基于发电功率实测样本数据、发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于目标指标值对风电功率波动区间预测模型进行调参。从而建立了基于特征核函数组合的风电功率波动区间预测模型,在提高风电功率单点预测准确性的基础上,能够获得不同置信度下的风电功率区间预测结果。
图1为本申请实施例中的一种风电功率波动区间预测模型的生成方法的流程图。
如图1所示,该风电功率波动区间预测模型的生成方法包括:
步骤101,获取风电场的历史风电数据。
其中,在本申请实施例中,历史风电数据包括风速样本数据、风向样本数据和发电功率实测样本数据。
作为一种可能实施方式的示例,历史风电数据可以是目标风电场连续一年的测风塔风速样本数据、风向样本数据及整场发电功率实测样本数据。
步骤102,基于历史风电数据,根据贝叶斯法则确定风电功率波动区间预测模型的发电功率预测函数。
在本申请一些实施例中,步骤102包括:
步骤a1,基于历史风电数据,确定第一函数。
其中,在本申请实施例中,第一函数用于表征风电场的历史风电数据的概率分布。
作为一种可能实施方式的示例,对于历史风电数据D={(xi,yi)|i=1,2,...,n;xi∈X,yi=f(xi)∈R},xi为输入变量风速样本数据和风向样本数据,yi为发电功率实测样本数据。第一函数为p(D),即风电场的历史风电数据的概率分布函数,即风电功率波动区间预测模型的先验函数。
步骤a2,分别确定协方差核函数和均值函数。
其中,在本申请实施例中,均值函数为μ(x)=E[f(x)]。
在本申请一些实施例中,上述协方差核函数通过以下方法确定:
步骤b1,分别确定第一核函数、第二核函数和第三核函数;其中,第一核函数用于表征风电功率的整体波动特性,第二核函数用于表征风电功率随风速变量的变化,第三核函数用于表征风电功率随风向变量的变化。
在本申请一些实施例中,第二核函数为线性核函数与布朗Brownian核函数相加得到的;第一核函数和第三核函数均为马特恩Matérn核函数。
步骤b2,将第二核函数与第三核函数相加,得到中间函数。
步骤b3,将中间函数与第一核函数相乘,得到协方差核函数。
作为一种可能实施的示例,协方差核函数kGP的计算公式为:
其中,为第二核函数,由于风电功率随来流风速的增加而增加,且在达到额定功率后维持恒定,其变化与风电机组功率曲线近似,因此采用线性核函数与Brownian核函数相加的方式描述风电功率随风速变量的变化;为第三核函数,由于风向具有对称性,因此采用周期性的Matérn系列核函数描述风电功率随风向变量的变化;为第一核函数,利用光滑度介于指数函数和平方指数函数之间的Matérn系列核函数描述风电功率的整体波动特性。
Matérn核函数k(x,x’)的计算原理如以下公式所示:
式中,r为两元素间距离,l为长度尺度参数,Kv为改进的巴塞尔函数;v表征曲线的平滑程度,v的取值可以根据实际需求预先确定。随v值增大,Matérn函数表征的曲线光滑度增加。针对风速、风向全变量建模的过程中,v取5/2,对应Matérn52核函数;针对风向变量建模的过程中,v取3/2,对应Matérn32核函数。
Brownian核函数k(x,x’)的计算原理如以下公式所示:
当0≤x≤1且0≤x’≤1时,按照以下公式计算,核函数的均值为0。
k(x,x')=min(x,x')
k(x,x')=min(x,x')-xx'(0≤x,x'≤1)
步骤a3,基于协方差核函数和均值函数,确定高斯过程函数。
步骤a4,根据第一函数和高斯过程函数,基于贝叶斯法则确定风电功率波动区间预测模型的发电功率预测函数。
作为一种可能实施的示例,高斯过程函数f(x)通过以下公式计算得到:
f(x)~GP(μ(x),k(x,x′))
μ(x)=E[f(x)]
k(x,x′)=E[(f(x)-μ(x))(f(x′)-μ(x′))]
其中,μ(x)为均值函数。高斯过程函数f(x)由其均值函数μ(x)和协方差核函数k(x,x′)共同表征,x和x’为两个不同的输入变量xi,且均可以是多维变量。
基于贝叶斯法则,通过以下公式确定风电功率波动区间预测模型的发电功率预测函数p(f|D),即风电功率波动区间预测模型的后验函数:
其中,f为高斯过程函数f(x)。
步骤103,基于发电功率预测函数和预设置信度,确定发电功率波动区间预测函数。
步骤c1,基于风速样本数据、风向样本数据、协方差核函数和均值函数,确定发电功率预测数据的标准偏差函数。
步骤c2,基于标准偏差函数、均值函数和发电功率预测数据,分别确定发电功率波动区间的下限和上限,以得到发电功率波动区间预测函数;其中,发电功率波动区间预测函数通过以下公式计算得到:
Li α=PPi-zσi
Li α=PPi-zσi
Ii α=[Li α,Ui α]
其中,1-α为置信度,Li α为第i个时刻预测功率波动区间的下限值,Ui α为第i个时刻预测功率波动区间的上限值,PPi为第i个时刻的预测功率,σi为第i个时刻的标准偏差,Iiα为i时刻的功率预测区间。
需要说明的是,系数z为通过正态分布表得到的,例如,当置信度1-α=90%时,z=1.645;当置信度1-α=95%时,z=1.96;当置信度1-α=99%时,z=2.576。
步骤104,将发电功率预测函数和发电功率波动区间预测函数确定为风电功率波动区间预测模型。
举例来说,图4为本申请实施例中的风电功率区间预测结果趋势图。如图4所示,每个测试时间点均对应有预测功率(发电功率预测数据)、实测功率(发电功率实测样本数据)和预测区间(发电功率波动区间预测数据)。
图5为本申请实施例中的传统的人工神经网络预测方法的月度功率预测误差变化曲线和一种风电功率波动区间预测模型的月度功率预测误差变化曲线对比趋势图,相比于传统的人工神经网络预测方法的月度功率预测误差变化曲线,一种风电功率波动区间预测模型的月度功率预测误差变化曲线能够更好的对风电功率均值进行单点预测,误差相对较小。
步骤105,将风速样本数据和风向样本数据输入至风电功率波动区间预测模型,得到风电功率波动区间预测模型输出的发电功率预测数据和发电功率波动区间预测数据。
步骤106,基于发电功率实测样本数据、发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于目标指标值对风电功率波动区间预测模型进行调参。
在本申请一些实施例中,步骤106包括:
步骤d1,基于发电功率实测样本数据和发电功率预测数据,确定发电功率预测数据的均方根误差,均方根误差通过以下公式计算的到:
其中,RMSE为发电功率预测数据的均方根误差,PMi为第i个时刻的实际功率,PPi为第i个时刻的预测功率,Ci为第i个时刻的风电场开机容量,N为时刻的个数;
步骤d2,将均方根误差与第一预设阈值进行比对,得到第一比对结果;
步骤d3,响应于第一比对结果为均方根误差大于第一预设阈值,对风电功率波动区间预测模型进行调参。
在本申请一些实施例中,步骤106还包括:
步骤e1,基于发电功率波动区间值和预设置信度,确定覆盖率指标,覆盖率指标值通过以下公式计算:
其中,为0-1变量,1-α为置信度,Ii α为第i个时刻的预测功率波动区间Ii α=[Li α,Ui α],Li α为第i个时刻预测功率波动区间的下限值,Ui α为第i个时刻预测功率波动区间的上限值,Rc为波动区间预测的覆盖率指标,N为时刻的个数;
步骤e2,基于发电功率波动区间值和预设置信度,确定发电功率波动区间值的平均相对宽度指标值,平均相对宽度指标值通过以下公式计算:
其中,Wmean α为波动区间预测的平均相对宽度指标,1-α为置信度,Wi α为时刻i的波动区间预测宽度,Wi α=Ut α-Lt α,Ci为i时刻的风电场开机容量,N为时刻的个数。
步骤e3,响应于平均相对宽度指标值未满足第一预设要求,和/或覆盖率指标值未满足第二预设要求,对风电功率波动区间预测模型进行调参。
可以理解的是,Rc越接近置信度1-α,则预测效果越好;在给出相同预测信息的前提下,区间预测的平均相对宽度指标Wmean α越小,则预测效果越好。
在本申请一些实施例中,可以以月份为单位,将风速波动较为剧烈的冬季(12月、1月、2月)和春季(3月、4月、5月)归为一类,基于冬季和春季的历史风电数据,利用组合核函数建立月度功率预测模型,长度尺度参数l|的值取为100;将风速波动相对较为平缓的夏季(6月、7月、8月)和秋季(9月、10月、11月)归为一类,基于夏季和秋季的历史风电数据,利用组合核函数建立月度功率预测模型,长度尺度参数l|的值取为280,取值较冬春季节更高。同样的参数化方法也可推广到不同月份分别使用,对于功率波动剧烈的月份采用更低的长度尺度参数值,对于功率波动平缓的月份采用更高的长度尺度参数值。针对不同的季节分别构建功率预测模型,能够根据不同月份的风速波动特性更加准确的对发电功率进行预测。
根据本申请实施例的风电功率波动区间预测模型的生成方法,通过获取风电场的历史风电数据;基于历史风电数据,根据贝叶斯法则确定风电功率波动区间预测模型的发电功率预测函数;基于发电功率预测函数和预设置信度,确定发电功率波动区间预测函数;将发电功率预测函数和发电功率波动区间预测函数确定为风电功率波动区间预测模型;将风速样本数据和风向样本数据输入至风电功率波动区间预测模型,得到风电功率波动区间预测模型输出的发电功率预测数据和发电功率波动区间预测数据;基于发电功率实测样本数据、发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于目标指标值对风电功率波动区间预测模型进行调参。从而建立了基于特征核函数组合的风电功率波动区间预测模型,在提高风电功率单点预测准确性的基础上,能够获得不同置信度下的风电功率区间预测结果。
图2为本申请实施例中的一种风电功率波动区间预测模型的生成装置的结构框图。
如图2所示,该风电功率波动区间预测模型的生成装置包括:
获取模块201,用于获取风电场的历史风电数据;其中,历史风电数据包括风速样本数据、风向样本数据和发电功率实测样本数据;
第一确定模块202,用于基于历史风电数据,根据贝叶斯法则确定风电功率波动区间预测模型的发电功率预测函数;
第二确定模块203,用于基于发电功率预测函数和预设置信度,确定发电功率波动区间预测函数;
第三确定模块204,用于将发电功率预测函数和发电功率波动区间预测函数确定为风电功率波动区间预测模型;
输入模块205,用于将风速样本数据和风向样本数据输入至风电功率波动区间预测模型,得到风电功率波动区间预测模型输出的发电功率预测数据和发电功率波动区间预测数据;
调参模块206,用于基于发电功率实测样本数据、发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于目标指标值对风电功率波动区间预测模型进行调参。
根据本申请实施例的风电功率波动区间预测模型的生成装置,通过获取风电场的历史风电数据;基于历史风电数据,根据贝叶斯法则确定风电功率波动区间预测模型的发电功率预测函数;基于发电功率预测函数和预设置信度,确定发电功率波动区间预测函数;将发电功率预测函数和发电功率波动区间预测函数确定为风电功率波动区间预测模型;将风速样本数据和风向样本数据输入至风电功率波动区间预测模型,得到风电功率波动区间预测模型输出的发电功率预测数据和发电功率波动区间预测数据;基于发电功率实测样本数据、发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于目标指标值对风电功率波动区间预测模型进行调参。从而建立了基于特征核函数组合的风电功率波动区间预测模型,在提高风电功率单点预测准确性的基础上,能够获得不同置信度下的风电功率区间预测结果。
图3为本申请实施例中的一种电子设备的框图。如图3所示,该电子设备可以包括:收发器31、处理器32、存储器33。
处理器32执行存储器存储的计算机执行指令,使得处理器32执行上述实施例中的方案。处理器32可以是通用处理器,包括中央处理器CPU、网络处理器(network processor,NP)等;还可以是数字信号处理器DSP、专用集成电路ASIC、现场可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
存储器33通过系统总线与处理器32连接并完成相互间的通信,存储器33用于存储计算机程序指令。
收发器31可以用于获取待运行任务和待运行任务的配置信息。
系统总线可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。系统总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。收发器用于实现数据库访问装置与其他计算机(例如客户端、读写库和只读库)之间的通信。存储器可能包含随机存取存储器(randomaccessmemory,RAM),也可能还包括非易失性存储器(non-volatile memory)。
本申请实施例提供的电子设备,可以是上述实施例的终端设备。
本申请实施例还提供一种运行指令的芯片,该芯片用于执行上述实施例中消息处理方法的技术方案。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有计算机指令,当该计算机指令在计算机上运行时,使得计算机执行上述实施例消息处理方法的技术方案。
本申请实施例还提供一种计算机程序产品,该计算机程序产品包括计算机程序,其存储在计算机可读存储介质中,至少一个处理器可以从计算机可读存储介质读取计算机程序,至少一个处理器执行计算机程序时可实现上述实施例中消息处理方法的技术方案。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是,本申请并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。
Claims (10)
1.一种风电功率波动区间预测模型的生成方法,其特征在于,所述方法包括:
获取风电场的历史风电数据;其中,所述历史风电数据包括风速样本数据、风向样本数据和发电功率实测样本数据;
基于所述历史风电数据,根据贝叶斯法则确定所述风电功率波动区间预测模型的发电功率预测函数;
基于所述发电功率预测函数和预设置信度,确定发电功率波动区间预测函数;
将所述发电功率预测函数和所述发电功率波动区间预测函数确定为风电功率波动区间预测模型;
将所述风速样本数据和所述风向样本数据输入至所述风电功率波动区间预测模型,得到所述风电功率波动区间预测模型输出的发电功率预测数据和发电功率波动区间预测数据;
基于所述发电功率实测样本数据、所述发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于所述目标指标值对所述风电功率波动区间预测模型进行调参。
2.根据权利要求1所述的方法,其特征在于,所述基于所述历史风电数据,根据贝叶斯法则确定所述风电功率波动区间预测模型的发电功率预测函数,包括:
基于所述历史风电数据,确定第一函数;其中,所述第一函数用于表征所述风电场的历史风电数据的概率分布;
分别确定协方差核函数和均值函数;
基于所述协方差核函数和所述均值函数,确定高斯过程函数;
根据所述第一函数和所述高斯过程函数,基于贝叶斯法则确定所述风电功率波动区间预测模型的发电功率预测函数。
3.根据权利要求2所述的方法,其特征在于,所述协方差核函数通过以下方法确定:
分别确定第一核函数、第二核函数和第三核函数;其中,第一核函数用于表征风电功率的整体波动特性,第二核函数用于表征风电功率随风速变量的变化,第三核函数用于表征风电功率随风向变量的变化;
将所述第二核函数与第三核函数相加,得到中间函数;
将所述中间函数与所述第一核函数相乘,得到所述协方差核函数。
4.根据权利要求1所述的方法,其特征在于,所述第二核函数为线性核函数与布朗Brownian核函数相加得到的;所述第一核函数和所述第三核函数均为马特恩Matérn核函数。
5.根据权利要求1所述的方法,其特征在于,所述基于所述发电功率实测样本数据、所述发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于所述目标指标值对所述风电功率波动区间预测模型进行调参,包括:
基于所述发电功率实测样本数据和所述发电功率预测数据,确定所述发电功率预测数据的均方根误差,所述均方根误差通过以下公式计算的到:
其中,RMSE为所述发电功率预测数据的均方根误差,PMi为第i个时刻的实际功率,PPi为第i个时刻的预测功率,Ci为第i个时刻的风电场开机容量,N为时刻的个数;
将所述均方根误差与第一预设阈值进行比对,得到第一比对结果;
响应于所述第一比对结果为所述均方根误差大于所述第一预设阈值,对所述风电功率波动区间预测模型进行调参。
6.根据权利要求1所述的方法,其特征在于,所述基于所述发电功率实测样本数据、所述发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于所述目标指标值对所述风电功率波动区间预测模型进行调参,还包括:
基于所述发电功率波动区间值和所述预设置信度,确定覆盖率指标,所述覆盖率指标值通过以下公式计算:
其中,βi α为0-1变量,1-α为置信度,Ii α为第i个时刻的预测功率波动区间Ii α=[Li α,Ui α],Li α为第i个时刻预测功率波动区间的下限值,Ui α为第i个时刻预测功率波动区间的上限值,Rc为波动区间预测的覆盖率指标,N为时刻的个数;
基于所述发电功率波动区间值和所述预设置信度,确定所述发电功率波动区间值的平均相对宽度指标值,所述平均相对宽度指标值通过以下公式计算:
其中,Wmean α为波动区间预测的平均相对宽度指标,1-α为置信度,Wi α为时刻i的波动区间预测宽度,Wi α=Ut α-Lt α,Ci为i时刻的风电场开机容量,N为时刻的个数;
响应于所述平均相对宽度指标值未满足第一预设要求,和/或所述覆盖率指标值未满足第二预设要求,对所述风电功率波动区间预测模型进行调参。
7.根据权利要求2所述的方法,其特征在于,所述基于所述发电功率预测函数和预设置信度,确定发电功率波动区间预测函数,包括:
基于所述风速样本数据、风向样本数据、协方差核函数和均值函数,确定所述发电功率预测数据的标准偏差函数;
基于所述标准偏差函数和所述发电功率预测函数,分别确定所述发电功率波动区间的下限和上限,以得到所述发电功率波动区间预测函数;其中,所述发电功率波动区间预测函数通过以下公式计算得到:
Li α=PPi-zσi
Ui α=Ppi+zσi
Ii α=[Li α,Ui α]
其中,1-α为置信度,系数z为通过正态分布表得到的,Li α为第i个时刻预测功率波动区间的下限值,Ui α为第i个时刻预测功率波动区间的上限值,PPi为第i个时刻的预测功率,σi为第i个时刻的标准偏差,Ii α为i时刻的功率预测区间。
8.一种风电功率波动区间预测模型的生成装置,其特征在于,所述装置包括:获取模块,用于获取风电场的历史风电数据;其中,所述历史风电数据包括风速样本数据、风向样本数据和发电功率实测样本数据;
第一确定模块,用于基于所述历史风电数据,根据贝叶斯法则确定所述风电功率波动区间预测模型的发电功率预测函数;
第二确定模块,用于基于所述发电功率预测函数和预设置信度,确定发电功率波动区间预测函数;
第三确定模块,用于将所述发电功率预测函数和所述发电功率波动区间预测函数确定为风电功率波动区间预测模型;
输入模块,用于将所述风速样本数据和所述风向样本数据输入至所述风电功率波动区间预测模型,得到所述风电功率波动区间预测模型输出的发电功率预测数据和发电功率波动区间预测数据;
调参模块,用于基于所述发电功率实测样本数据、所述发电功率预测数据和发电功率波动区间预测数据确定目标指标值,基于所述目标指标值对所述风电功率波动区间预测模型进行调参。
9.一种电子设备,其特征在于,包括:处理器,以及与所述处理器通信连接的存储器;
所述存储器存储计算机执行指令;
所述处理器执行所述存储器存储的计算机执行指令,以实现如权利要求1-7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执行指令,所述计算机执行指令被处理器执行时用于实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211572084.7A CN115907192A (zh) | 2022-12-08 | 2022-12-08 | 风电功率波动区间预测模型的生成方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211572084.7A CN115907192A (zh) | 2022-12-08 | 2022-12-08 | 风电功率波动区间预测模型的生成方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115907192A true CN115907192A (zh) | 2023-04-04 |
Family
ID=86486681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211572084.7A Pending CN115907192A (zh) | 2022-12-08 | 2022-12-08 | 风电功率波动区间预测模型的生成方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115907192A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116154768A (zh) * | 2023-04-14 | 2023-05-23 | 南方电网数字电网研究院有限公司 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
-
2022
- 2022-12-08 CN CN202211572084.7A patent/CN115907192A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116154768A (zh) * | 2023-04-14 | 2023-05-23 | 南方电网数字电网研究院有限公司 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
CN116154768B (zh) * | 2023-04-14 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106874581B (zh) | 一种基于bp神经网络模型的建筑空调能耗预测方法 | |
WO2021082809A1 (zh) | 一种外汇时间序列预测的训练优化方法 | |
Han et al. | Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network | |
CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
WO2020258994A1 (zh) | 一种节点数据预测方法及装置 | |
WO2021082810A1 (zh) | 一种外汇时间序列预测的构建方法 | |
CN113409167B (zh) | 一种水质异常分析方法及装置 | |
CN115907192A (zh) | 风电功率波动区间预测模型的生成方法、装置及电子设备 | |
CN113505938A (zh) | 一种超短期风电功率组合预测方法及系统 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
Li et al. | Improved LSTM-based prediction method for highly variable workload and resources in clouds | |
CN112821420B (zh) | 一种基于XGBoost的ASFR模型中动态阻尼因子、多维频率指标的预测方法及系统 | |
CN110599351A (zh) | 一种投资数据处理方法及装置 | |
CN111461378A (zh) | 一种电网负荷预测方法和装置 | |
CN112053181A (zh) | 一种农产品价格预测方法及系统 | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
CN117076887A (zh) | 一种泵站机组运行状态预测和健康评估方法及系统 | |
CN115860924A (zh) | 供应链金融信用风险预警方法及相关设备 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN115310648A (zh) | 一种基于多气象变量模型识别的中长期风电功率组合预测方法 | |
CN114372558A (zh) | 基于多模型融合的居民用电负荷预测方法、介质及设备 | |
Zhang et al. | Machine Tools Thermal Error Modeling with Imbalanced Data Based on Transfer Learning | |
CN114139442A (zh) | 基于K-means-LSTM的汽轮机阀门流量特性函数的优化方法 |
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 |