CN116109030A - 一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法 - Google Patents

一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法 Download PDF

Info

Publication number
CN116109030A
CN116109030A CN202211109233.6A CN202211109233A CN116109030A CN 116109030 A CN116109030 A CN 116109030A CN 202211109233 A CN202211109233 A CN 202211109233A CN 116109030 A CN116109030 A CN 116109030A
Authority
CN
China
Prior art keywords
load
new energy
wind power
power generation
capacity
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
CN202211109233.6A
Other languages
English (en)
Inventor
李云山
朱剑利
贾政豪
王洪涛
买买提艾力·吾普尔
田淼
王永华
王燕
李强
张桐瑞
张永龙
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.)
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd
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 State Grid Corp of China SGCC, Economic and Technological Research Institute of State Grid Xinjiang Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211109233.6A priority Critical patent/CN116109030A/zh
Publication of CN116109030A publication Critical patent/CN116109030A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

本发明公开了一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，方法包括：获取多个风电厂出力与负荷的原始数据；利用容量可信度的定义计算出各个风电厂所承担负荷的大小，进而与负荷大小作差得到风电厂发电出力与负荷的波动量；利用半参数法得到其边缘分布函数；根据边缘分布函数绘制出二元频率直方图得到所有可能的copula函数模型；引入经验copula函数对函数模型优劣进行评价；计算出风电厂跟踪负荷波动动态变化的相关系数、得到copula函数的未知参数；利用二元频率直方图，通过二重积分求解出各个区域内的概率大小，完成对新能源发电出力跟踪负荷能力的评估，本发明能够反映出风电厂出力对负荷的跟踪能力的评估，可应用于风电发电领域。

Description

一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法
技术领域
本发明属于风电出力、电网负荷技术领域，具体涉及基于copula 函数与容量可信度的新能源发电出力跟踪负荷度量方法。
背景技术
新能源的开发与应用是近年来全球能源问题的重中之重。随着能源互联网与科技的发展，可再生能源已经成为了能源革命的一大重要角色。其中，目前应用比较广泛的是风能、太阳能等，两者在发电领域也有了大量的研究成果。目前，风电场和光伏电站逐渐接入电网，由于新能源发电的特殊性，其大规模接入电网结构，对电源规划和电网规划的影响在逐渐增加，需要研究人员深入解决新能源规划的问题。
目前国家对可再生能源发电的要求是，首先利用电网将其进行消纳，这就要求在电力供应规划和电力系统规划中，必须事先掌握新能源发电量的信息，而风力发电和光伏发电预测就是这样。但风能和光能的预测受风速、光强度等自然因素的影响较大，导致风能和光能的产生具有较高的随机性和不可确定性，难以预测发电量。在发电预测中，关联性研究是一个重要课题.通过分析一个地区多个风电场或光电站的抽样信息相关性，可以提取风或太阳数据的特征规律性，构建更有效的预测模型。然而，现代的关联研究大多局限于多个风力发电站或光伏发电站之间的研究，而在同一领域同一地区风能与光伏数据的相关性没有深入研究。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于copula 函数与容量可信度的新能源发电出力跟踪负荷度量方法，在评估新能源发电出力跟踪负荷能力时考虑风电出力与负荷之间的相关性，分析数据二者之间的特征，引入容量可信度的定义使得数据更加具有说服力。
与通常的原始数据相比可以考虑更多的模型影响因素，提高评估效率与准确度。本发明所采用的技术方案是：
获取多个风电厂出力与负荷的原始数据；
利用容量可信度的定义计算出各个风电厂所承担负荷的大小，进而与负荷大小作差得风电厂发电出力与负荷的波动量；
利用半参数法得到其边缘分布函数(即根据核密度法，把样本的经验分布函数作为总体随机变量的分布的近似，也可以根据样本的观测数据，利用核密度估计法确定总体的分布)；
根据边缘分布函数绘制出二元频率直方图得到所有可能的 copula函数模型；
引入经验copula函数对函数模型优劣进行评价(即根据所述边缘分布函数建立多种动态copula函数模型以建立经验copula函数对所述动态copula模型进行评价)；
计算出风电厂出力波动跟踪负荷波动动态变化的相关系数、求解 copula函数的未知参数，将风电出力波动和负荷波动进行分段处理样本片段，获取所述动态copula的均值；
利用二元频率直方图，通过二重积分求解出各个区域内的概率大小，从而完成对新能源发电出力跟踪负荷能力的评估(即将二元频率直方图等价为二维的平面图，以0为基准线切割成四个部分用于分析各部分风电厂出力波动跟踪负荷波动追踪效果)。
进一步，所描述的风电出力与负荷数据应处于同一地区、同一时间跨度内的风电、负荷原始数据。根据所述风电数据，利用容量可信度的定义计算出各个风电厂所承担负荷的大小，进而与负荷大小作差得风电厂发电出力与负荷的波动量；所述的容量可信度公式为：
Figure BDA0003843209700000031
其中，ηc表示容量可信度，pl、pN分别表示为可信容量和装机容量。可用求出的ηc来表示各个机组所能承担的负荷比例。新能源电厂分摊负荷计算公式如下：
Figure BDA0003843209700000032
其中，
Figure BDA0003843209700000033
为第j个周期时段的第i个新能源电场的容量可信度，
Figure BDA0003843209700000034
Pi re,N分别为在j个周期内的该新能源电场的均值功率和该新能源电场的装机容量。
利用半参数法得到其边缘分布函数。
根据边缘分布函数绘制出二元频率直方图得到所有可能的 copula函数模型，所述的多种copula函数模型包括正态copula函数、二元t-copulacopula函数、clayton-copula函数几种中的两种。
引入经验copula函数对函数模型优劣进行评价。根据平方欧式距离公式可以评估copula函数的优劣。
计算出风电厂跟踪负荷波动动态变化的相关系数、求解copula 函数的未知参数。其度量公式如下：
Figure BDA0003843209700000041
式中
Figure BDA0003843209700000042
表示第i个新能源电场在第j个
Figure BDA0003843209700000043
周期所承担的负荷与其所产生的风电出力的差，
Figure BDA0003843209700000044
分别表示第i个新能源电场在第j个
Figure BDA0003843209700000045
周期内所产生的风电出力功率和所承担的负荷大小。继而利用最大似然函数法求解出copula函数模型中的参数。
利用二元频率直方图，通过二重积分求解出各个区域内的概率大小，从而完成对新能源发电出力跟踪负荷能力的评估。
本发明所采用的另一种技术方案是：
一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，包括：
数据获取模块：获取多个风电厂出力与负荷的原始数据；
分摊负荷计算模块：利用容量可信度的定义计算出各个风电厂所承担负荷的大小，进而与负荷大小作差得风电厂发电出力与负荷的波动量；
模型建立模块：利用半参数法得到其边缘分布函数；
函数模型模块：根据边缘分布函数绘制出二元频率直方图得到所有可能的copula函数模型；
比较模块：引入经验copula函数对函数模型优劣进行评价；
相关计算模块：计算出风电厂跟踪负荷波动动态变化的相关系数、求解copula函数的未知参数；
预测优化模块：利用二元频率直方图，通过二重积分求解出各个区域内的概率大小，从而完成对新能源发电出力跟踪负荷能力的评估。
本发明的另一种技术方案是：
一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利。
与现有技术相比，本发明的有益效果是：
附图说明
为了更清楚的说明本发明的实例或者现有技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的配图仅仅为了方便清晰表述本发明的技术方案中的部分实例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1是本发明实施例一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法的流程示意图。
图2、图3是本发明实施例中风电出力波动和负荷波动的核分布与经验分布函数对比示意图。
图4是发明实施例中所构造的二元频率直方示意图。
具体实施方式
下面详细描述本发明的实施例，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，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1所示，本实施例提供了一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，包括但不限于以下步骤：
S1、获取基础数据，该基础数据包括多个地区的风电、负荷数据。风电、负荷数据为在开放的数据库中获取的或联系相关单位获取的实际数据，这些数据覆盖不同季节、时间段和地区。此外，为了能够进行风电和负荷数据对比，每一地区要同时获取同一时间跨度内的风电、负荷历史数据。
S2、用基于经验分布的非参数法结合样条插值法获得风电、负荷数据的经验分布函数值，并将其近似作为样本的总体分布函数。这里的“其”指代已经获取的风电、负荷的经验分布函数值；即用计算得出的风电、负荷经验分布函数近似描述整个风电、负荷样本的总体分布。
其中，步骤S2具体包括以下步骤S21-S22：
S21、设风电、负荷随机变量分别为X，Y，构造其经验分布函数。以风电为例，(x1,x2,...,xn)设为风电数据的一组观测值，将其按从小到大的顺序排列成
x1＜x2＜...＜xn
其中，x(i)(i＝1,2,...,r)出现的频数为ni(n1+n2+...+nr＝n)。则对顺序排列好的观测值，有
Figure BDA0003843209700000071
参见图2、图3，Fn(x)即为风电数据的经验分布函数。
S22、在用代码实现时，首先对风电数据时间序列X和负荷数据时间序列Y进行排序，并获得排序后每个数据点的经验分布函数值。为了求未经排序的原始样本观测值所对应的经验分布函数值，还需用排序后的数据点及其经验分布函数值进行样条插值，获得原始数据的风电和负荷经验分布函数。
S3、建立多种动态copula相关性研究模型，并构造经验copula 函数，计算各copula模型与经验copula函数的平方欧式距离，以平方欧氏距离的大小来判断模型的优劣。
其中，步骤S3具体包括步骤S31-S32：
S31、首先确定两个随机变量X、Y(分别表示风电数据、负荷数据)的边缘分布。对风电、负荷原始时间序列，构造其经验分布函数，并将经验分布函数作为样本的总体分布函数，即随机变量X和Y的边缘分布。
S32、用多种动态copula函数构造风电-负荷数据相关性研究模型。步骤S32具体包括S321-S323：
S321、分别用三种动态copula函数搭建风电-负荷相关性模型：动态N-copula函数、动态t-copula函数以及动态clayton-copula 函数，如下：
用动态N-copula函数构造风电出力波动跟踪负荷相关性模型：
Figure BDA0003843209700000081
其中，u,v分别为随机变量X，Y的边缘分布函数，φ-1 (u)表示标准正态分布的分布函数的逆函数。ρt是该Copula模型待求得参数，为随时间变化的动态相关系数。
动态Clayton-copula函数:
Figure BDA0003843209700000091
同样，
Figure BDA0003843209700000092
也随时间变化，为两个变量之间的相关系数。
动态t-copula函数(本文对于二元情形，设变量间线性相关系数为ρ，则自由度为k的二元t-copula函数)：
Figure BDA0003843209700000093
S322、用半参数估计法求解三种动态copula函数的动态相关系数。
当用随机变量X和Y的样本经验分布函数Fn(x)和Gn(y)分别作为X 和Y的边缘分布函数F(x)和G(y)时，可用半参数估计法来估计动态 copula函数中的参数ρt，即动态相关系数。
对动态N-copula函数及动态Clayton-copula函数，有
Figure BDA0003843209700000094
对动态t-copula函数，有
Figure BDA0003843209700000095
其中，ui＝Fn(xi),vi＝Cn(yi)；i＝1,2,...,n。c(u,v；ρ)为copula密度函数
Figure BDA0003843209700000096
S323、参见图4，构造经验copula函数，计算各copula模型与经验copula函数的平方欧式距离，以平方欧氏距离的大小来判断模型的优劣。
对经验分布函数分别为Fn(x)和G(y)的随机变量，构造如下经验 copula函数。
Figure BDA0003843209700000101
其中，
Figure BDA0003843209700000107
为示性函数，当Fn(xi)≤u时，
Figure BDA0003843209700000102
否则
Figure BDA0003843209700000103
对待考察的动态copula函数
Figure BDA0003843209700000104
计算其与经验copula函数的欧氏距离。
Figure BDA0003843209700000105
其中，ui＝Fn(xi),vi＝Cn(yi)；i＝1,2,...,n。平方欧氏距离d2反映了动态 copula模型对原始数据的拟合情况，d2越小，表示拟合效果越好。
S4、由于各个机组的容量可信度(定义为衡量不同随机停运率机组在可靠性意义上的带负荷能力)的不同其所能承担的负荷大小也不相同，因此可以用容量可信度来衡量各机组的带负荷能力(即电网各类型机组分摊负荷机制)：
其中，步骤S4具体包括步骤S41-S42
Figure BDA0003843209700000106
计算各个新能源电厂风电出力跟踪负荷波动大小步骤如下(以两个风电厂为例)：
S41、可用求出的ηc来表示各个机组所能承担的负荷比例。新能源电厂分摊负荷计算公式如下：
Figure BDA0003843209700000111
其中，
Figure BDA0003843209700000112
为第j个周期时段的第i个新能源电场的容量可信度，
Figure BDA0003843209700000113
Pi re,N分别为在j个周期内的该新能源电场的均值功率和该新能源电场的装机容量。
S42、利用风电厂1、2的风电出力与各自所承担负荷作差，得到波动差，公式如下：
Figure BDA0003843209700000114
式中
Figure BDA0003843209700000115
表示第i个新能源电场在第j个
Figure BDA0003843209700000116
周期所承担的负荷与其所产生的风电出力的差，
Figure BDA0003843209700000117
分别表示第i个新能源电场在第j个
Figure BDA0003843209700000118
周期内所产生的风电出力功率和所承担的负荷大小。继而利用最大似然函数法求解出copula函数模型中的参数。
综上所述，本实施例的一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，具有如下有益效果：
(1)、对风电-负荷数据进行相关性研究，有助于两者数据特征的深入分析。
(2)、在风电、负荷预测模型中加入了风电-负荷相关性研究环节，同时用风、负荷历史数据作为模型训练数据，与传统的只考虑风电或负荷历史数据的模型相比，加入了更多数据因素，为提高模型预测精度提供了新角度。
(3)、本实施例将动态copula函数模型应用到风电-负荷相关性研究中，同时用三种不同的动态copula函数计算风-负荷相关系数，获得随时间变化的风电-负荷相关系数序列，直观地反映出特定时间段内风-负荷相关性的变化趋势，对高随机性的风电数据的特征分析有较高参考作用。
本实施例还提供了一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，包括：
数据获取模块：获取多个风电厂出力与负荷的原始数据；
分摊负荷计算模块：利用容量可信度的定义计算出各个风电厂所承担负荷的大小，进而与负荷大小作差得风电厂发电出力与负荷的波动量；
模型建立模块：利用半参数法得到其边缘分布函数；
函数模型模块：根据边缘分布函数绘制出二元频率直方图得到所有可能的copula函数模型；
比较模块：引入经验copula函数对函数模型优劣进行评价；
相关计算模块：计算出风电厂跟踪负荷波动动态变化的相关系数、求解copula函数的未知参数；
预测优化模块：利用二元频率直方图，通过二重积分求解出各个区域内的概率大小，从而完成对新能源发电出力跟踪负荷能力的评估。
本实施例的一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本实施例的一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
可以理解的是，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (6)

1.一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，包括，其特征在于，包括以下步骤：
步骤1：获取多个风电厂出力与负荷的原始数据；
步骤2：将步骤1中的原始数据利用容量可信度的定义计算出各个风电厂所承担负荷的大小，进而与负荷大小作差得风电厂发电出力与负荷的波动量；
步骤3：利用半参数法得到步骤1中原始数据的边缘分布函数；
步骤4：根据步骤3中边缘分布函数绘制出二元频率直方图得到所有可能的copula函数模型；
步骤5：引入经验copula函数对步骤4中函数模型优劣进行评价；
步骤6：计算出风电厂跟踪负荷波动动态变化的相关系数、求解copula函数的未知参数；
步骤7：利用二元频率直方图，通过二重积分求解出各个区域内的概率大小，从而完成对新能源发电出力跟踪负荷能力的评估。
2.根据权利要求1所述的一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，其特征在于：所述步骤1中的原始数据为风电出力与负荷数据处于同一地区、同一时间跨度内风电、负荷的原始数据。
3.根据权利要求1所述的一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，其特征在于：所述步骤2中利用容量可信度的定义计算出各个风电厂所承担负荷的大小，与负荷大小作差得风电厂发电出力与负荷的波动量；所述的容量可信度公式为：
Figure FDA0003843209690000021
其中，ηc表示容量可信度，pl、pN分别表示为可信容量和装机容量。可用求出的ηc来表示各个机组所能承担的负荷比例，新能源电厂分摊负荷计算公式如下：
Figure FDA0003843209690000022
其中，
Figure FDA0003843209690000023
为第j个周期时段的第i个新能源电场的容量可信度，
Figure FDA0003843209690000024
Pi re,N分别为在j个周期内的该新能源电场的均值功率和该新能源电场的装机容量。
4.根据权利要求1所述的一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，其特征在于：所述步骤6中计算出风电厂跟踪负荷波动动态变化的相关系数、求解copula函数的未知参数，其度量公式如下：
Figure FDA0003843209690000025
式中
Figure FDA0003843209690000026
表示第i个新能源电场在第j个
Figure FDA0003843209690000027
周期所承担的负荷与其所产生的风电出力的差，
Figure FDA0003843209690000028
分别表示第i个新能源电场在第j个
Figure FDA0003843209690000029
周期内所产生的风电出力功率和所承担的负荷大小，继而利用最大似然函数法求解出copula函数模型中的参数。
5.根据权利要求1所述的基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，其特征在于，包括：
数据获取模块：获取多个风电厂出力与负荷的原始数据；
分摊负荷计算模块：利用容量可信度的定义计算出各个风电厂所承担负荷的大小，进而与负荷大小作差得风电厂发电出力与负荷的波动量；
模型建立模块：利用半参数法得到其边缘分布函数；
函数模型模块：根据边缘分布函数绘制出二元频率直方图得到所有可能的copula函数模型；
比较模块：引入经验copula函数对函数模型优劣进行评价；
相关计算模块：计算出风电厂跟踪负荷波动动态变化的相关系数、求解copula函数的未知参数；
预测优化模块：利用二元频率直方图，通过二重积分求解出各个区域内的概率大小，从而完成对新能源发电出力跟踪负荷能力的评估。
6.根据权利要求1所述的一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法，其特征在于：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-4任一项所述的一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法。
CN202211109233.6A 2022-09-13 2022-09-13 一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法 Pending CN116109030A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211109233.6A CN116109030A (zh) 2022-09-13 2022-09-13 一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211109233.6A CN116109030A (zh) 2022-09-13 2022-09-13 一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法

Publications (1)

Publication Number Publication Date
CN116109030A true CN116109030A (zh) 2023-05-12

Family

ID=86254993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211109233.6A Pending CN116109030A (zh) 2022-09-13 2022-09-13 一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法

Country Status (1)

Country Link
CN (1) CN116109030A (zh)

Similar Documents

Publication Publication Date Title
Li et al. Interval prediction of solar power using an improved bootstrap method
CN110909919A (zh) 融合注意力机制的深度神经网络模型的光伏功率预测方法
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
CN110503153B (zh) 基于差分进化算法和支持向量机的光伏系统故障诊断方法
CN113159102B (zh) 一种多时间尺度的光伏功率预测方法及系统
CN114510513A (zh) 用于光伏功率超短期预测的短临气象预报数据处理方法
CN116595394A (zh) 风速修正模型的训练方法及风速预测方法、设备和介质
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN115759467A (zh) 一种误差修正的分时刻集成学习光伏预测方法
CN114266416A (zh) 基于相似日的光伏发电功率短期预测方法、装置及存储介质
CN108256690B (zh) 基于形状参数置信区间的光伏发电预测方法
CN117251672A (zh) 基于电力数据的区域行业多维能源碳排放计算方法和装置
CN110796292A (zh) 计及雾霾影响的光伏功率短期预测方法
CN116109030A (zh) 一种基于copula函数与容量可信度的新能源发电出力跟踪负荷度量方法
CN110555566A (zh) 一种基于b样条分位数回归的光电概率密度预测方法
CN116470491A (zh) 基于copula函数的光伏功率概率预测方法及系统
US20220243347A1 (en) Determination method and determination apparatus for conversion efficiency of hydrogen production by wind-solar hybrid electrolysis of water
CN113779861B (zh) 光伏功率的预测方法及终端设备
Zhu et al. Multi-resolution spatio-temporal prediction with application to wind power generation
CN111027816B (zh) 一种基于数据包络分析的光伏发电效率计算方法
CN112163695A (zh) 基于copula函数的风力光伏发电预测方法、系统和介质
Lin et al. Scenarios analysis method based on wind and photovoltaic power output correlation
CN112994079A (zh) 一种风电场出力序列生成方法和系统
CN112215383A (zh) 一种分布式光伏发电功率预测方法和系统
CN111415029B (zh) 一种大规模新能源出力特性的预测系统及预测方法

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