CN116154768A - 采用点预测误差经验分布逆变换的功率区间预测方法 - Google Patents
采用点预测误差经验分布逆变换的功率区间预测方法 Download PDFInfo
- Publication number
- CN116154768A CN116154768A CN202310396839.0A CN202310396839A CN116154768A CN 116154768 A CN116154768 A CN 116154768A CN 202310396839 A CN202310396839 A CN 202310396839A CN 116154768 A CN116154768 A CN 116154768A
- Authority
- CN
- China
- Prior art keywords
- historical
- power
- predicted
- target
- powers
- 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 44
- 230000009466 transformation Effects 0.000 title abstract description 12
- 238000005315 distribution function Methods 0.000 claims abstract description 65
- 230000001186 cumulative effect Effects 0.000 claims abstract description 62
- 238000004590 computer program Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- 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
-
- 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
- H02J3/381—Dispersed generators
-
- 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]
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Power Engineering (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种采用点预测误差经验分布逆变换的功率区间预测方法。通过目标预测模型输出多个历史预测功率和目标预测功率,确定每个历史预测功率及其对应的历史真实功率的数值子区间,确定每个子区间的经验累积分布函数,从多个子区间中获取目标预测功率所属的目标子区间,并基于该子区间对应的经验累积分布函数和预设置信水平,确定预测功率区间。相较于传统的通过点预测来预测未来功率的期望的方式,本方案通过利用历史功率数据对应的预测数据与对应的真实数据确定多个子区间的经验累积分布函数,并基于未来的预测功率使用对应的经验累积分布函数确定预测功率区间,提高了功率区间预测的准确度。
Description
技术领域
本申请涉及新能源技术领域,特别是涉及一种采用点预测误差经验分布逆变换的功率区间预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着能源技术的发展,风电、光伏等新能源的使用率逐渐提高,但目前新能源存在随机性、波动性、不确定性和弱可控性,给电机系统的安全稳定运行带来了较大的困扰和挑战,因此为保证电力系统的安全运行,需要对新能源的功率进行预测。目前对新能源的功率进行预测的方式通常是通过点预测来预测未来功率的期望值。然而,由于新能源的不确定性,通过点预测的方式预测新能源功率,容易出现误差。
因此,目前对新能源进行采用点预测误差经验分布逆变换的功率区间预测的方法存在准确度低的缺陷。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高预测准确度的采用点预测误差经验分布逆变换的功率区间预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种采用点预测误差经验分布逆变换的功率区间预测方法。所述方法包括:
获取待预测电站的多个历史时间点的多个历史天气数据和所述多个历史时间点对应的多个历史真实功率;将所述多个历史天气数据输入目标预测模型,由所述目标预测模型输出所述待预测电站在所述多个历史时间点的多个历史预测功率;
根据所述多个历史预测功率和所述多个历史真实功率对应的数值范围,获取多个子区间,所述多个子区间等间距;根据每个历史预测功率的数值,从所述多个子区间中确定每个历史预测功率及其对应的历史真实功率所属的子区间;针对每个子区间,根据属于该子区间的每个历史预测功率及其对应的历史真实功率的数值大小,以及属于该子区间的历史预测功率的数量,确定该子区间对应的经验累积分布函数;
获取所述待预测电站在目标时间点的预测天气数据,将所述预测天气数据分别输入目标预测模型,由所述目标预测模型输出所述待预测电站在所述目标时间点的目标预测功率,从所述多个子区间中获取所述目标预测功率所属的目标子区间,根据所述目标子区间对应的经验累积分布函数以及预设置信水平,确定在所述目标时间点的预测功率区间。
在其中一个实施例中,所述根据所述多个历史预测功率和所述多个历史真实功率对应的数值范围,获取多个子区间,包括:
根据所述多个历史预测功率和所述多个历史真实功率,得到多组历史功率;每组历史功率包括一个历史预测功率及其对应的历史真实功率;
针对每组历史功率,获取该组历史功率中的历史预测功率对应的第一标幺值和历史真实功率对应的第二标幺值;
根据多组历史功率的第一标幺值和第二标幺值确定对应的数值范围,并按照等间隔数值划分所述数值范围,得到多个子区间。
在其中一个实施例中,所述针对每组历史功率,获取该组历史功率中的历史预测功率对应的第一标幺值和历史真实功率对应的第二标幺值,包括:
获取所述多个历史预测功率对应的第一均值和第一标准差,以及所述多个历史真实功率对应的第二均值和第二标准差;
针对每组历史功率,根据该组历史功率中的历史预测功率、所述第一均值和所述第一标准差,确定所述历史预测功率对应的第一标幺值;
针对每组历史功率,根据该组历史功率中的历史真实功率、所述第二均值和所述第二标准差,确定所述历史真实功率对应的第二标幺值。
在其中一个实施例中,所述针对每个子区间,根据属于该子区间的每个历史预测功率及其对应的历史真实功率的数值大小,以及属于该子区间的历史预测功率的数量,确定该子区间对应的经验累积分布函数,包括:
针对每个子区间,获取属于该子区间的历史预测功率小于或等于对应的历史真实功率的合格预测功率数量;
根据所述合格预测功率数量以及属于该子区间的历史预测功率的数量的比值,确定该子区间对应的经验累积分布函数。
在其中一个实施例中,所述根据所述目标子区间对应的经验累积分布函数以及预设置信水平,确定在所述目标时间点的预测功率区间,包括:
根据所述预设置信水平,确定所述目标子区间对应的经验累积分布函数中的至少两个分位点;
分别对所述至少两个分位点进行逆采样,得到至少两个界限功率,并根据所述至少两个界限功率的数值,确定所述目标预测功率对应的预测功率区间。
在其中一个实施例中,所述目标预测功率有多个;所述根据所述目标子区间对应的经验累积分布函数以及预设置信水平,确定在所述目标时间点的预测功率区间,包括:
根据所述目标子区间对应的经验累积分布函数以及预设置信水平,确定多个所述目标预测功率对应的多个子预测功率区间;
根据所述多个子预测功率区间中的区间上限和区间下限,分别确定所述多个子预测功率区间的上界曲线和下界曲线;
根据所述上界曲线和所述下界曲线,得到所述预测功率区间。
在其中一个实施例中,所述根据所述多个历史预测功率和所述多个历史真实功率对应的数值范围,获取多个子区间,包括:
根据时间顺序,排序所述多个历史预测功率以及对应的历史真实功率,得到历史功率列表;
剔除所述历史功率列表中缺失功率数据和/或非正常供电的时间点的数据,得到目标历史功率列表;
根据所述目标历史功率列表中的多个历史预测功率和所述多个历史真实功率对应的数值范围,获取多个子区间。
第二方面,本申请还提供了一种采用点预测误差经验分布逆变换的功率区间预测装置。所述装置包括:
第一获取模块,用于获取待预测电站的多个历史时间点的多个历史天气数据和所述多个历史时间点对应的多个历史真实功率;将所述多个历史天气数据输入目标预测模型,由所述目标预测模型输出所述待预测电站在所述多个历史时间点的多个历史预测功率;
第二获取模块,用于根据所述多个历史预测功率和所述多个历史真实功率对应的数值范围,获取多个子区间,所述多个子区间等间距;根据每个历史预测功率的数值,从所述多个子区间中确定每个历史预测功率及其对应的历史真实功率所属的子区间;针对每个子区间,根据属于该子区间的每个历史预测功率及其对应的历史真实功率的数值大小,以及属于该子区间的历史预测功率的数量,确定该子区间对应的经验累积分布函数;
预测模块,用于获取所述待预测电站在目标时间点的预测天气数据,将所述预测天气数据分别输入目标预测模型,由所述目标预测模型输出所述待预测电站在所述目标时间点的目标预测功率,从所述多个子区间中获取所述目标预测功率所属的目标子区间,根据所述目标子区间对应的经验累积分布函数以及预设置信水平,确定在所述目标时间点的预测功率区间。
第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面,本申请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,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的方法的步骤。
上述采用点预测误差经验分布逆变换的功率区间预测方法、装置、计算机设备、存储介质和计算机程序产品,通过目标预测模型分别基于多个历史天气数据和预测天气数据输出对应的多个历史预测功率和目标预测功率,根据多个历史预测功率和多个历史真实功率的数值范围确定多个子区间,确定每个历史预测功率及其对应的历史真实功率的子区间,确定每个子区间的经验累积分布函数,从多个子区间中获取目标预测功率所属的目标子区间,并基于该子区间对应的经验累积分布函数和预设置信水平,确定预测功率区间。相较于传统的通过点预测来预测未来功率的期望的方式,本方案通过利用历史功率数据对应的预测数据与对应的真实数据确定多个子区间的经验累积分布函数,并基于未来的预测功率使用对应的经验累积分布函数确定预测功率区间,提高了功率区间预测的准确度。
附图说明
图1为一个实施例中采用点预测误差经验分布逆变换的功率区间预测方法的流程示意图;
图2为一个实施例中经验累积分布函数的示意图;
图3为一个实施例中长尾效应的示意图;
图4为一个实施例中采用点预测误差经验分布逆变换的功率区间预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种采用点预测误差经验分布逆变换的功率区间预测方法,本实施例以该方法应用于终端进行举例说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现,包括以下步骤:
步骤S202,获取待预测电站的多个历史时间点的多个历史天气数据和多个历史时间点对应的多个历史真实功率;将多个历史天气数据输入目标预测模型,由目标预测模型输出待预测电站在多个历史时间点的多个历史预测功率。
其中,待预测电站可以是需要进行功率区间预测的电站,例如可以是风力发电站或光伏发电站等新能源电站。这类电站具有发电资源随机性、波动性和不确定性等特点。因此终端需要对待预测电站的未来功率进行预测,以对电站进行更有效的管理。终端可以从历史数据库中获取待预测电站的多个历史天气数据和对应的多个历史真实功率。其中,历史天气数据和历史真实功率可以一一对应。上述历史天气数据可以是历史真实的天气数据,也可以是历史天气预报数据。历史真实功率可以是待预测电站在历史时间点的真实运行功率。
其中,目标预测模型可以是预先基于上述待预测电站对应的NWP(NumericalWeather Prediction,数值天气预报)数据样本和对应的真实功率样本训练得到的模型,可以用于预测待预测电站的功率。终端可以将上述多个历史天气数据和预测天气数据分别输入训练好的目标预测模型,目标预测模型可以基于多个历史天气数据输出待预测电站对应的多个历史预测功率。
具体地,上述待预测电站可以是风电、光伏场站等。终端可以将待预测电站预设时间段内的NWP数据输入到上述目标预测模型,例如将一年内任意自定义时间段的NWP数据作为模型输入。其中,上述目标预测模型可以是训练好的人工智能算法模型,例如BPNN (BackPropagation Neural Network,BP神经网络)、GRU(Gated Recurrent Unit,门控递归单元)、LSTM(Long Short Term Memory,长短时记忆)、SVM (support vectormachines,支持向量机)、MFFS (Modified Fractional Fuzzy Simulation,改进分式模糊模拟)等。终端也可以使用其他人工智能算法模型对上述功率数据进行预测。从而目标预测模型可以输出预设时间内该场站的功率区间预测值,例如一年内的目标预测功率。
步骤S204,根据多个历史预测功率和多个历史真实功率对应的数值范围,获取多个子区间,多个子区间等间距;根据每个历史预测功率的数值,从多个子区间中确定每个历史预测功率及其对应的历史真实功率所属的子区间;针对每个子区间,根据属于该子区间的每个历史预测功率及其对应的历史真实功率的数值大小,以及属于该子区间的历史预测功率的数量,确定该子区间对应的经验累积分布函数。
其中,上述历史预测功率可以是利用目标预测模型基于历史天气数据预测得到的功率,历史真实功率可以是上述历史天气数据对应的真实功率。上述各个功率具有一定的数值,则终端可以基于由这些数值形成的数值范围,划分为多个区间。其中,上述多个子区间可以是等间距的区间,即每个子区间的下限和上限的差值相同。其中,终端可以根据多种方式进行子区间的划分,例如通过等宽的方式或等频的方式进行。其中,终端可以将上述多个历史预测功率和多个历史真实功率进行标准化处理后再采用等频的方式进行划分。
其中,上述各个历史预测功率和各个历史真实功率携带有对应的时间信息,该信息可以表示功率的产生时间。终端需要对多个历史预测功率和多个历史真实功率进行预处理后,再进行划分。例如,在一个实施例中,终端可以根据时间顺序,对多个历史预测功率以及对应的历史真实功率进行排序,得到历史功率列表。则历史功率列表中可以包括按照产生时间从早到晚排序的多个历史预测功率和多个历史真实功率。终端可以从历史功率列表中确定出缺失功率数据、非正常供电的时间点的数据,并将这些数据进行剔除,将剔除后的列表作为目标历史功率列表。其中,缺失功率数据可以是指缺失了历史预测功率、历史真实功率中的至少一种的时间点,非正常供电是指处于供电限制等状态的时间点。从而终端可以根据目标历史功率列表中的多个历史预测功率和多个历史真实功率对应的数值范围,获取多个子区间。
终端确定多个子区间后,可以基于每个历史预测功率的数值,从上述多个子区间中确定每个历史预测功率及其对应的历史真实功率所属的子区间。例如终端通过判断历史预测功率的数值大小,确定其数值大小所在的数值范围,进而确定该历史预测功率及其对应的历史真实功率所属的子区间。其中,上述各个子区间中可以包括至少一组历史功率,一组历史功率可以包括一个历史预测功率和对应的一个历史真实功率。对于每个子区间,终端还可以根据该子区间中每个历史预测功率及其对应的历史真实功率的数值大小,以及该子区间中历史预测功率的数量,确定该子区间对应的经验累积分布函数。
其中,经验分布函数是与样本经验测度相关的分布函数,如果我们想知道某个随机变量X的分布F,这在一般情况下当然是无法准确知道的,但如果我们手上有它的一些独立同分布的样本,可以把这些样本的“频率”近似为随机变量的“概率”。该分布函数是在n个数据点中的每一个上都跳跃1 / n的阶梯函数。 其在测量变量的任何指定值处的值是小于或等于指定值的测量变量的观测值的数。经验分布函数是对样本中生成点的累积分布函数的估计。根据Glivenko-Cantelli(格里文科)定理,它以概率1收敛到该基础分布。
步骤S206,获取待预测电站在目标时间点的预测天气数据,将预测天气数据分别输入目标预测模型,由目标预测模型输出待预测电站在目标时间点的目标预测功率,从多个子区间中获取目标预测功率所属的目标子区间,根据目标子区间对应的经验累积分布函数以及预设置信水平,确定在目标时间点的预测功率区间。
其中,终端还可以获取待预测电站对应的预测天气数据。其中,该预测天气数据可以是通过预测得到的未来时间段内多个时间点的天气数据。终端可以通过预先训练的天气预测模型预测得到上述预测天气数据。目标预测模型还可以基于上述预测天气数据输出目标预测功率。终端可以基于上述预测历史功率的目标预测模型,进行未来功率的预测。例如终端将上述预测天气数据输入目标预测模型后,获得目标预测模型输出的目标预测功率。终端可以基于目标预测功率的数值大小,从上述多个划分出的子区间中,确定该目标预测功率所属的子区间,作为目标子区间。其中,上述目标子区间中具有对应的经验累积分布函数,终端可以基于该目标子区间对应的经验累积分布函数,以及预先设定的置信水平,确定目标预测功率对应的预测功率区间。由于待预测电站的发电资源具有不确定性等特点,终端可以将上述预测功率区间作为待预测电站的预测功率范围,从而可以基于该预测功率区间对待预测电站的发电功率进行管理。
上述采用点预测误差经验分布逆变换的功率区间预测方法中,通过目标预测模型分别基于多个历史天气数据和预测天气数据输出对应的多个历史预测功率和目标预测功率,根据多个历史预测功率和多个历史真实功率的数值范围确定多个子区间,确定每个历史预测功率及其对应的历史真实功率的子区间,确定每个子区间的经验累积分布函数,从多个子区间中获取目标预测功率所属的目标子区间,并基于该子区间对应的经验累积分布函数和预设置信水平,确定预测功率区间。相较于传统的通过点预测来预测未来功率的期望的方式,本方案通过利用历史功率数据对应的预测数据与对应的真实数据确定多个子区间的经验累积分布函数,并基于未来的预测功率使用对应的经验累积分布函数确定预测功率区间,提高了功率区间预测的准确度。
在一个实施例中,根据多个历史预测功率和多个历史真实功率对应的数值范围,获取多个子区间,包括:根据多个历史预测功率和多个历史真实功率,得到多组历史功率;每组历史功率包括一个历史预测功率及其对应的历史真实功率;针对每组历史功率,获取该组历史功率中的历史预测功率对应的第一标幺值和历史真实功率对应的第二标幺值;根据多组历史功率的第一标幺值和第二标幺值确定对应的数值范围,并按照等间隔数值划分数值范围,得到多个子区间。
本实施例中,终端可以对上述历史预测功率和历史真实功率进行标准化处理后,再基于标准化处理后的历史预测功率和历史真实功率的数值范围,进行多个子区间的划分。终端可以基于上述多个历史预测功率和多个历史真实功率,组成多组历史功率,每组历史功率中包含一个历史预测功率。对于每组历史功率,终端可以获取该组历史功率中的历史预测功率对应的第一标幺值,以及获取历史真实功率对应的第二标幺值。从而终端可以基于多组历史功率的第一标幺值和第二标幺值,确定对应的数值范围,并按照等间隔数值的方式划分上述数值范围,得到多个子区间。
其中,终端可以基于上述各个历史功率的均值标准差对各个功率数值进行标准化。例如,在一个实施例中,终端可以获取上述多个历史预测功率对应的第一均值和第一标准差,以及获取多个历史真实功率对应的第二均值和第二标准差。针对每组历史功率,终端可以根据该组历史功率中的历史预测功率、第一均值和第一标准差,确定历史预测功率对应的第一标幺值。另外,针对每组历史功率,终端还可以根据该组历史功率中的历史真实功率、第二均值和第二标准差,确定历史真实功率对应的第二标幺值。从而终端可以得到历史预测功率对应的第一标幺值和第二标幺值。
其中,上述标幺值也称为标准值,是指将原始数据经过标准化处理,使其分布在标准正态分布上,即均值为0,标准差为1。具体地,终端可以通过以下公式确定各个功率的标幺值:Z = (X-μ)/σ。其中,Z是标准值,X是原始数据,即上述历史预测功率或上述历史真实功率,μ是原始数据的均值,σ是原始数据的标准差。终端可以通过Forecast Bin(预测箱)的方式对上述子区间进行划分。预测箱是一种在预测分析中使用的技术,它是把预测的数据分组到不同的区间中,以方便分析和预测。每个预测箱都代表了预测数据中某一特定数值范围的数据点。利用预测箱,可以观察预测数据的分布情况,评估预测模型的精度,并对预测数据进行分类和分析。预测箱的大小可以根据数据的分布情况和预测目的进行调整,比如可以通过等宽分箱或等频分箱的方式实现。即上述一个子区间可以是一个预测箱。
具体地,终端可以首先确定预测箱的数量,例如可以是50个。由于上述历史预测功率和历史真实功率均进行了标准化,则历史预测功率和历史真实功率的数值范围即为0至1。终端可以将0至1的范围划分成50个区间,每个区间的范围为1/50=0.02。则终端可以确定上述第二标幺值的数值所在的预测箱,从而终端可以确定各个第二标幺值对应的一组[历史预测功率,历史真实功率]所属的预测箱,即得到各组历史功率所属的子区间。其中,每个预测箱中可以包含至少一组历史功率,确定各个预测箱的历史功率所属的预测箱的代码可以如下所示:
b0 = 1 / self.bin_num
b = 0
for j in range(0, self.bin_num):
one_bin = []
count = 0
for i in range(0, pu_power.shape[0]):
if b<pu_power.loc[i,'predicted']<b + b0:
one_bin.append(pu_power.iloc[i].tolist())
count += 1
其中,self.bin_num表示自定义的预测箱数量,one_bin表示一个预测箱,count表示一个预测箱中的历史功率数量,pu_power.shape表示标幺值的数量,pu_power.loc[i,'predicted']表示第i个预测值对应的第二标幺值的大小,one_bin.append(pu_power.iloc[i].tolist())表示将属于[b,b+b0]区间的历史功率加入该区间对应的预测箱中。
通过上述实施例,终端通过标准化处理和预测箱划分的方式确定各组历史功率所属的子区间,从而终端可以基于各个子区间中包含的功率数值进行功率区间预测,提高了功率预测的准确度。
在一个实施例中,针对每个子区间,根据属于该子区间的每个历史预测功率及其对应的历史真实功率的数值大小,以及属于该子区间的历史预测功率的数量,确定该子区间对应的经验累积分布函数,包括:针对每个子区间,获取属于该子区间的历史预测功率小于或等于对应的历史真实功率的合格预测功率数量;根据合格预测功率数量以及属于该子区间的历史预测功率的数量的比值,确定该子区间对应的经验累积分布函数。
本实施例中,终端可以在每个子区间中进行经验累计分布函数的确定。对于每个子区间,终端可以获取该子区间对应的各组历史功率,并获取这些历史功率汇总,历史预测功率小于或等于对应的历史真实功率的组别,将这些组别中的历史预测功率作为合格预测功率。终端可以统计合格预测功率的数量,并根据合格预测功率数量,以及属于该子区间的历史预测功率的数量的比值,确定该子区间对应的经验累计分布函数。
具体地,上述历史真实功率可以作为一种随机变量X,经验累计分布函数即为X的分布F。对于每个子区间,终端可以将该子区间中的各个历史真实功率按照从小到大的顺序进行排序,则共计有n个X,该子区间对应的经验累积分布函数可以如下所示:
其中,表示该子区间中的经验累积分布函数,Xi表示该子区间中的第i个历史预测功率,x为Xi对应的历史真实功率,I表示历史预测功率小于对应的历史真实功率的数量。如图2所示,图2为一个实施例中经验累积分布函数的示意图。终端将该子区间中历史预测功率小于或等于对应的历史真实功率的历史功率记入计数器,从而终端可以基于上述经验累计分布函数得到如图2所示的经验累积分布函数。
通过本实施例,终端可以基于各个子区间对应的各组历史功率中的数值比较,确定经验累积分布函数,从而终端可以基于经验累积分布函数预测待预测电站的功率,提高了预测准确度。
在一个实施例中,根据目标子区间对应的经验累积分布函数以及预设置信水平,确定目标预测功率对应的预测功率区间,包括:根据预设置信水平,确定目标子区间对应的经验累积分布函数中的至少两个分位点;分别对至少两个分位点进行逆采样,得到至少两个界限功率,并根据至少两个界限功率的数值,确定目标预测功率对应的预测功率区间。
本实施例中,终端可以获取上述目标预测功率的标幺值,基于目标预测功率的标幺值确定其对应的目标子区间。例如,终端基于上述目标预测模型输出新的目标预测功率,例如风电、光伏场站未来三天的短期功率区间预测数据,或未来四小时的超短期功率和预测数据,终端可以基于各个目标预测功率的标幺值确定目标预测功率对应的预测箱,即目标子区间。例如目标预测功率的标幺值为0.35,则其可以对应到0.34-0.36的范围的预测箱。
终端确定目标子区间后,可以根据预设置信水平,确定目标子区间对应的经验累积分布函数中的至少两个分位点。分位点是指将一个随机变量的概率分布范围分为几个等份的数值点,常用的有中位数、四分位数、百分位数等。终端可以分别对上述至少两个分位点进行逆采样,从而得到至少两个界限功率。终端可以基于至少两个界限功率的数值,确定目标预测功率对应的预测功率区间。例如将至少两个界限功率中的最大值作为预测功率区间的上限,将至少两个界限功率中的最小值作为预测功率区间的下限。
另外,上述目标预测功率还可以有多个,上述预测功率区间还可以由两条曲线组成。例如,在一个实施例中,终端可以根据目标子区间对应的经验累积分布函数以及预设置信水平,确定多个目标预测功率对应的多个子预测功率区间。根据多个子预测功率区间中的区间上限和区间下限,分别确定多个子预测功率区间的上界曲线和下界曲线。例如,终端基于多个子预测功率区间的区间上限形成上界曲线,并基于多个子预测功率区间的区间下限形成下界曲线。从而终端可以根据上界曲线和下界曲线,得到预测功率区间。
具体地,上述预测功率区间可以基于长尾效应确定。如图3所示,图3为一个实施例中长尾效应的示意图。以分位点为两个为例,终端可以根据设定的置信水平,例如90%的置信水平,计算该子区间的经验累积分布函数的0.95、0,05的分位点,并分别在这两点进行逆采样,得到该点对应的预测功率,从而这两个预测功率可以作为上述目标预测功率的预测功率区间上界和下界。终端可以对每个目标子区间均进行上述过程,计算每个目标预测功率的上下界,从而终端可以得到上述上界曲线和下界曲线,并基于上界曲线和下界曲线得到预测功率区间。
通过上述实施例,终端可以基于各个子区间的经验累积分布函数和预设置信水平,确定各个待预测电站的预测功率区间,提高了功率区间预测的准确度。
应该理解的是,虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的采用点预测误差经验分布逆变换的功率区间预测方法的采用点预测误差经验分布逆变换的功率区间预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个采用点预测误差经验分布逆变换的功率区间预测装置实施例中的具体限定可以参见上文中对于采用点预测误差经验分布逆变换的功率区间预测方法的限定,在此不再赘述。
在一个实施例中,如图4所示,提供了一种采用点预测误差经验分布逆变换的功率区间预测装置,包括:第一获取模块500、第二获取模块502和预测模块504,其中:
第一获取模块500,用于获取待预测电站的多个历史时间点的多个历史天气数据和多个历史时间点对应的多个历史真实功率;将多个历史天气数据输入目标预测模型,由目标预测模型输出待预测电站在多个历史时间点的多个历史预测功率。
第二获取模块502,用于根据多个历史预测功率和多个历史真实功率对应的数值范围,获取多个子区间,多个子区间等间距;根据每个历史预测功率的数值,从多个子区间中确定每个历史预测功率及其对应的历史真实功率所属的子区间;针对每个子区间,根据属于该子区间的每个历史预测功率及其对应的历史真实功率的数值大小,以及属于该子区间的历史预测功率的数量,确定该子区间对应的经验累积分布函数。
预测模块504,用于获取待预测电站在目标时间点的预测天气数据,将预测天气数据分别输入目标预测模型,由目标预测模型输出待预测电站在目标时间点的目标预测功率,从多个子区间中获取目标预测功率所属的目标子区间,根据目标子区间对应的经验累积分布函数以及预设置信水平,确定在目标时间点的预测功率区间。
在一个实施例中,上述第二获取模块502,具体用于根据多个历史预测功率和多个历史真实功率,得到多组历史功率;每组历史功率包括一个历史预测功率及其对应的历史真实功率;针对每组历史功率,获取该组历史功率中的历史预测功率对应的第一标幺值和历史真实功率对应的第二标幺值;根据多组历史功率的第一标幺值和第二标幺值确定对应的数值范围,并按照等间隔数值划分数值范围,得到多个子区间。
在一个实施例中,上述第二获取模块502,具体用于获取多个历史预测功率对应的第一均值和第一标准差,以及多个历史真实功率对应的第二均值和第二标准差;针对每组历史功率,根据该组历史功率中的历史预测功率、第一均值和第一标准差,确定历史预测功率对应的第一标幺值;针对每组历史功率,根据该组历史功率中的历史真实功率、第二均值和第二标准差,确定历史真实功率对应的第二标幺值。
在一个实施例中,上述第二获取模块502,具体用于针对每个子区间,获取属于该子区间的历史预测功率小于或等于对应的历史真实功率的合格预测功率数量;根据合格预测功率数量以及属于该子区间的历史预测功率的数量的比值,确定该子区间对应的经验累积分布函数。
在一个实施例中,上述预测模块506,具体用于根据预设置信水平,确定目标子区间对应的经验累积分布函数中的至少两个分位点;分别对至少两个分位点进行逆采样,得到至少两个界限功率,并根据至少两个界限功率的数值,确定目标预测功率对应的预测功率区间。
在一个实施例中,上述预测模块506,具体用于根据目标子区间对应的经验累积分布函数以及预设置信水平,确定多个目标预测功率对应的多个子预测功率区间;根据多个子预测功率区间中的区间上限和区间下限,分别确定多个子预测功率区间的上界曲线和下界曲线;根据上界曲线和下界曲线,得到预测功率区间。
在一个实施例中,上述第二获取模块502,具体用于根据时间顺序,排序多个历史预测功率以及对应的历史真实功率,得到历史功率列表;剔除历史功率列表中缺失功率数据和/或非正常供电的时间点的数据,得到目标历史功率列表;根据目标历史功率列表中的多个历史预测功率和多个历史真实功率对应的数值范围,获取多个子区间。
上述采用点预测误差经验分布逆变换的功率区间预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示单元和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种采用点预测误差经验分布逆变换的功率区间预测方法。该计算机设备的显示单元用于形成视觉可见的画面,可以是显示屏、投影装置或虚拟现实成像装置。显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5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,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述的采用点预测误差经验分布逆变换的功率区间预测方法。
在一个实施例中,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的采用点预测误差经验分布逆变换的功率区间预测方法。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述的采用点预测误差经验分布逆变换的功率区间预测方法。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通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,的计算机程序可存储于一非易失性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。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random AccessMemory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种采用点预测误差经验分布逆变换的功率区间预测方法,其特征在于,所述方法包括:
获取待预测电站的多个历史时间点的多个历史天气数据和所述多个历史时间点对应的多个历史真实功率;将所述多个历史天气数据输入目标预测模型,由所述目标预测模型输出所述待预测电站在所述多个历史时间点的多个历史预测功率;
根据所述多个历史预测功率和所述多个历史真实功率对应的数值范围,获取多个子区间,所述多个子区间等间距;根据每个历史预测功率的数值,从所述多个子区间中确定每个历史预测功率及其对应的历史真实功率所属的子区间;针对每个子区间,根据属于该子区间的每个历史预测功率及其对应的历史真实功率的数值大小,以及属于该子区间的历史预测功率的数量,确定该子区间对应的经验累积分布函数;
获取所述待预测电站在目标时间点的预测天气数据,将所述预测天气数据分别输入目标预测模型,由所述目标预测模型输出所述待预测电站在所述目标时间点的目标预测功率,从所述多个子区间中获取所述目标预测功率所属的目标子区间,根据所述目标子区间对应的经验累积分布函数以及预设置信水平,确定在所述目标时间点的预测功率区间。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多个历史预测功率和所述多个历史真实功率对应的数值范围,获取多个子区间,包括:
根据所述多个历史预测功率和所述多个历史真实功率,得到多组历史功率;每组历史功率包括一个历史预测功率及其对应的历史真实功率;
针对每组历史功率,获取该组历史功率中的历史预测功率对应的第一标幺值和历史真实功率对应的第二标幺值;
根据多组历史功率的第一标幺值和第二标幺值确定对应的数值范围,并按照等间隔数值划分所述数值范围,得到多个子区间。
3.根据权利要求2所述的方法,其特征在于,所述针对每组历史功率,获取该组历史功率中的历史预测功率对应的第一标幺值和历史真实功率对应的第二标幺值,包括:
获取所述多个历史预测功率对应的第一均值和第一标准差,以及所述多个历史真实功率对应的第二均值和第二标准差;
针对每组历史功率,根据该组历史功率中的历史预测功率、所述第一均值和所述第一标准差,确定所述历史预测功率对应的第一标幺值;
针对每组历史功率,根据该组历史功率中的历史真实功率、所述第二均值和所述第二标准差,确定所述历史真实功率对应的第二标幺值。
4.根据权利要求1所述的方法,其特征在于,所述针对每个子区间,根据属于该子区间的每个历史预测功率及其对应的历史真实功率的数值大小,以及属于该子区间的历史预测功率的数量,确定该子区间对应的经验累积分布函数,包括:
针对每个子区间,获取属于该子区间的历史预测功率小于或等于对应的历史真实功率的合格预测功率数量;
根据所述合格预测功率数量以及属于该子区间的历史预测功率的数量的比值,确定该子区间对应的经验累积分布函数。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标子区间对应的经验累积分布函数以及预设置信水平,确定所在所述目标时间点的预测功率区间,包括:
根据所述预设置信水平,确定所述目标子区间对应的经验累积分布函数中的至少两个分位点;
分别对所述至少两个分位点进行逆采样,得到至少两个界限功率,并根据所述至少两个界限功率的数值,确定所述目标预测功率对应的预测功率区间。
6.根据权利要求1所述的方法,其特征在于,所述目标预测功率有多个;所述根据所述目标子区间对应的经验累积分布函数以及预设置信水平,确定在所述目标时间点的预测功率区间,包括:
根据所述目标子区间对应的经验累积分布函数以及预设置信水平,确定多个所述目标预测功率对应的多个子预测功率区间;
根据所述多个子预测功率区间中的区间上限和区间下限,分别确定所述多个子预测功率区间的上界曲线和下界曲线;
根据所述上界曲线和所述下界曲线,得到所述预测功率区间。
7.根据权利要求1所述的方法,其特征在于,所述根据所述多个历史预测功率和所述多个历史真实功率对应的数值范围,获取多个子区间,包括:
根据时间顺序,排序所述多个历史预测功率以及对应的历史真实功率,得到历史功率列表;
剔除所述历史功率列表中缺失功率数据和/或非正常供电的时间点的数据,得到目标历史功率列表;
根据所述目标历史功率列表中的多个历史预测功率和所述多个历史真实功率对应的数值范围,获取多个子区间。
8.一种采用点预测误差经验分布逆变换的功率区间预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取待预测电站的多个历史时间点的多个历史天气数据和所述多个历史时间点对应的多个历史真实功率;将所述多个历史天气数据输入目标预测模型,由所述目标预测模型输出所述待预测电站在所述多个历史时间点的多个历史预测功率;
第二获取模块,用于根据所述多个历史预测功率和所述多个历史真实功率对应的数值范围,获取多个子区间,所述多个子区间等间距;根据每个历史预测功率的数值,从所述多个子区间中确定每个历史预测功率及其对应的历史真实功率所属的子区间;针对每个子区间,根据属于该子区间的每个历史预测功率及其对应的历史真实功率的数值大小,以及属于该子区间的历史预测功率的数量,确定该子区间对应的经验累积分布函数;
预测模块,用于获取所述待预测电站在目标时间点的预测天气数据,将所述预测天气数据分别输入目标预测模型,由所述目标预测模型输出所述待预测电站在所述目标时间点的目标预测功率,从所述多个子区间中获取所述目标预测功率所属的目标子区间,根据所述目标子区间对应的经验累积分布函数以及预设置信水平,确定在所述目标时间点的预测功率区间。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310396839.0A CN116154768B (zh) | 2023-04-14 | 2023-04-14 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310396839.0A CN116154768B (zh) | 2023-04-14 | 2023-04-14 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116154768A true CN116154768A (zh) | 2023-05-23 |
CN116154768B CN116154768B (zh) | 2023-06-27 |
Family
ID=86339172
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310396839.0A Active CN116154768B (zh) | 2023-04-14 | 2023-04-14 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116154768B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976532A (zh) * | 2023-09-25 | 2023-10-31 | 南方电网数字电网研究院有限公司 | 非参数化的新能源场景-概率-区间一体化预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
JP2017084360A (ja) * | 2015-10-23 | 2017-05-18 | 富士通株式会社 | 太陽光発電システムの作動方法 |
US20180175790A1 (en) * | 2015-06-23 | 2018-06-21 | Qatar Foundation For Education, Science And Community Development | Method of forecasting for solar-based power systems |
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 |
CN113935512A (zh) * | 2021-08-27 | 2022-01-14 | 清华大学 | 风电功率预测方法、装置、计算机设备和存储介质 |
CN115907192A (zh) * | 2022-12-08 | 2023-04-04 | 中国华能集团清洁能源技术研究院有限公司 | 风电功率波动区间预测模型的生成方法、装置及电子设备 |
-
2023
- 2023-04-14 CN CN202310396839.0A patent/CN116154768B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
US20180175790A1 (en) * | 2015-06-23 | 2018-06-21 | Qatar Foundation For Education, Science And Community Development | Method of forecasting for solar-based power systems |
JP2017084360A (ja) * | 2015-10-23 | 2017-05-18 | 富士通株式会社 | 太陽光発電システムの作動方法 |
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 |
CN113935512A (zh) * | 2021-08-27 | 2022-01-14 | 清华大学 | 风电功率预测方法、装置、计算机设备和存储介质 |
CN115907192A (zh) * | 2022-12-08 | 2023-04-04 | 中国华能集团清洁能源技术研究院有限公司 | 风电功率波动区间预测模型的生成方法、装置及电子设备 |
Non-Patent Citations (2)
Title |
---|
CAN WAN 等: "Direct Interval Forecasting of Wind Power", IEEE TRANSACTIONS ON POWER SYSTEMS, vol. 28, no. 4, pages 4877 - 4878, XP011530866, DOI: 10.1109/TPWRS.2013.2258824 * |
杨国清 等: "基于信息熵变权区间组合和边界逼近的短期光伏功率区间预测", 太阳能学报, vol. 44, no. 2, pages 381 - 390 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976532A (zh) * | 2023-09-25 | 2023-10-31 | 南方电网数字电网研究院有限公司 | 非参数化的新能源场景-概率-区间一体化预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116154768B (zh) | 2023-06-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832876B (zh) | 基于MapReduce框架的分区最大负荷预测方法 | |
CN105809349B (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
CN116154768B (zh) | 采用点预测误差经验分布逆变换的功率区间预测方法 | |
CN114757602B (zh) | 供给侧电力碳排放风险预警方法、装置和计算机设备 | |
CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
CN115293424A (zh) | 一种新能源最大发电能力计算方法、终端及存储介质 | |
KR102500939B1 (ko) | 방사 예측 처리 방법, 스택 일반화 모델 훈련 방법 및 장치 | |
CN114168574A (zh) | 一种面向工业负荷的数据缺失处理方法及装置 | |
Souhe et al. | Forecasting of electrical energy consumption of households in a smart grid | |
CN116306030A (zh) | 考虑预测误差和波动分布的新能源预测动态场景生成方法 | |
CN117056776A (zh) | 碳排放量监测方法、装置、设备、介质和计算机程序产品 | |
CN115563477B (zh) | 谐波数据识别方法、装置、计算机设备和存储介质 | |
CN116316617A (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
CN116682506A (zh) | 数据处理方法、训练方法、确定方法、设计方法和装置 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
Wei et al. | Uncertainty quantification analysis of wind power: A data-driven monitoring-forecasting framework | |
CN112215383A (zh) | 一种分布式光伏发电功率预测方法和系统 | |
CN116227249B (zh) | 功率气象数据智能迁移的新能源长期电量预测方法与系统 | |
CN117435870B (zh) | 一种负荷数据实时填充方法、系统、设备和介质 | |
Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors | |
CN116976532A (zh) | 非参数化的新能源场景-概率-区间一体化预测方法 | |
Tang et al. | Short-term load forecasting based on improved stochastic forest | |
Abdillah et al. | JURNAL RESTI | |
CN116643961A (zh) | 性能数据补全方法、装置、设备和存储介质 |
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 |