CN116245028A - 一种基于深度学习的分布式新能源出力估计方法 - Google Patents

一种基于深度学习的分布式新能源出力估计方法 Download PDF

Info

Publication number
CN116245028A
CN116245028A CN202310269986.1A CN202310269986A CN116245028A CN 116245028 A CN116245028 A CN 116245028A CN 202310269986 A CN202310269986 A CN 202310269986A CN 116245028 A CN116245028 A CN 116245028A
Authority
CN
China
Prior art keywords
new energy
output
sample
power generation
target
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
CN202310269986.1A
Other languages
English (en)
Inventor
许国良
陈宝红
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.)
Suzhou Ruicheng Power Technology Co ltd
Original Assignee
Suzhou Ruicheng Power Technology 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 Suzhou Ruicheng Power Technology Co ltd filed Critical Suzhou Ruicheng Power Technology Co ltd
Priority to CN202310269986.1A priority Critical patent/CN116245028A/zh
Publication of CN116245028A publication Critical patent/CN116245028A/zh
Pending legal-status Critical Current

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于新能源技术领域，公开了一种基于深度学习的分布式新能源出力估计方法。本发明通过构建新能源出力的概率分布模型方法采用非参数核密度估计法建立目标新能源出力的概率分布模型，与传统的采用经验参数估计法相比，该方法能够得到目标新能源的分布函数，提高估计值的精确度；同时，通过对新能源出力进行仿真模拟方法基于条件概率和多变量核密度估计用于目标新能源发电出力的时序模拟，并采用了舍选抽样法进行样本抽样，提高了目标新能源发电出力概率建模算法的实用性与适用性。

Description

一种基于深度学习的分布式新能源出力估计方法
技术领域
本发明属于新能源技术领域，尤其涉及一种基于深度学习的分布式新能源出力估计方法。
背景技术
新能源(NE)：又称非常规能源。是指传统能源之外的各种能源形式。指刚开始开发利用或正在积极研究、有待推广的能源，如太阳能、地热能、风能、海洋能、生物质能和核聚变能等。新能源一般是指在新技术基础上加以开发利用的可再生能源，包括太阳能、生物质能、风能、地热能、波浪能、洋流能和潮汐能，以及海洋表面与深层之间的热循环等；此外，还有氢能、沼气、酒精、甲醇等，而已经广泛利用的煤炭、石油、天然气、水能等能源，称为常规能源。随着常规能源的有限性以及环境问题的日益突出，以环保和可再生为特质的新能源越来越得到各国的重视；然而，现有新能源出力估计方法不能准确确定新能源出力的概率分布；同时，传统基于风速/光照强度的新能源出力概率模型无法反映时间和空间特性的客观问题，无法为电力系统精细化规划计算与分析提供基础数据，因此，电网安全稳定分析的合理性得不到保障。
通过上述分析，现有技术存在的问题及缺陷为：
(1)现有新能源出力估计方法不能准确确定新能源出力的概率分布。
(2)传统基于风速/光照强度的新能源出力概率模型无法反映时间和空间特性的客观问题，无法为电力系统精细化规划计算与分析提供基础数据，因此，电网安全稳定分析的合理性得不到保障。
发明内容
针对现有技术存在的问题，本发明提供了一种基于深度学习的分布式新能源出力估计方法。
本发明是这样实现的，一种基于深度学习的分布式新能源出力估计方法包括：
步骤一，分布式采集新能源出力数据；根据出力数据计算新能源出力状态；构建新能源出力的概率分布模型；根据概率分布模型、出力状态和预先挖掘的新能源出力状态转移规律，确定设定时长后新能源出力状态及出力状态的概率；对新能源出力进行仿真模拟；
步骤二，根据新能源出力数据预测新能源发电功率；对预测功率数据序列进行分割，初始化预测功率分段区间，依据功率预测数据所属分段映射的预测误差分段区间初始化预测误差分段区间，估计给定置信度下各预测误差分段区间的可信区间；
步骤三，根据各预测误差分段区间的可信区间拟合预测功率曲线的可信上限曲线和可信下限曲线，建立以预测估计偏差越界点占比最小为目标的最佳可信区间估计模型，以表征分割点是否为预测功率分段点的决策变量为最佳可信区间估计模型的控制变量优化预测估计偏差越界点集合。
进一步，所述构建新能源出力的概率分布模型方法如下：
(1)调查历史新能源发电信息；获取目标新能源出力的样本，多个所述样本构成样本序列；
(2)根据样本序列，建立目标新能源出力的最优带宽选择模型；采用非参数核密度估计法对所述最优带宽选择模型的边缘分布进行估计，得到第一分布函数和第二分布函数；根据第一分布函数和第二分布函数，计算目标新能源出力的最优带宽；建立概率分布模型；根据所述最优带宽，得到核密度估计值；
(3)通过K-S检验对所述概率分布模型进行拟合度检验，若满足精度要求，则得到概率分布模型；否则，返回上步。
进一步，所述根据第一分布函数和第二分布函数，计算目标新能源出力的最优带宽，具体步骤如下：
计算第一分布函数和第二分布函数的积分均方误差，得到带宽；
对所述最优带宽选择模型进行K-S检验，得到最优带宽选择模型的K-S检验统计量；
判断所述最优带宽选择模型的K-S检验统计量是否大于K-S检验统计量的临界值；
若所述最优带宽选择模型的K-S检验统计量大于K-S检验统计量的临界值，则重新计算带宽；
若所述最优带宽选择模型的K-S检验统计量不大于K-S检验统计量的临界值，则所述带宽为最优带宽。
进一步，所述对所述最优带宽选择模型进行K-S检验，得到最优带宽选择模型的K-S检验统计量，具体步骤如下：
计算第一分布函数和第二分布函数的最大绝对差值，得到所述最优带宽选择模型的K-S检验统计量；
通过查表，判断所述最优带宽选择模型的K-S检验统计量是否大于K-S检验统计量的临界值。
进一步，所述对新能源出力进行仿真模拟方法如下：
1)构建新能源数据库，将获取新能源数据存入新能源数据库中；按照时间尺度和空间尺度对获取的目标新能源发电历史数据集进行数据划分，得到相应的样本数据集；
2)对不同时间尺度和空间尺度对应的各样本数据集进行时序模拟，并基于时序模拟结果产生目标新能源发电出力的随机样本，基于该随机样本建立能够反映时间和空间特性的目标新能源出力概率模型。
进一步，所述按照时间尺度和空间尺度对获取的目标新能源发电历史数据集进行数据划分，得到相应的样本数据集的方法，包括以下步骤：
获取目标新能源发电历史数据集；
按照时间尺度和空间尺度对获取的目标新能源发电历史数据集进行划分，得到相应的初始样本实测数据集；
对各样本实测数据集进行筛选，并利用插值法将得到的错误数据进行替换，得到各时间尺度和空间尺度对应的样本数据集。
进一步，所述获取的目标新能源发电历史数据集包括地理信息、理论出力、实际出力、电力电量平衡数据。
进一步，所述对各样本数据集进行时序模拟，并基于时序模拟结果产生目标新能源发电出力的随机样本的方法，包括以下步骤：
基于条件概率和多变量的核密度估计对样本数据集进行时序模拟，得到目标新能源发电出力概率密度函数；
基于得到的目标新能源发电出力概率密度函数，计算得到起止时刻的联合概率分布；
根据起止时刻的联合概率分布，采用舍选法抽样产生目标新能源发电出力的随机样本。
进一步，所述目标新能源发电出力概率密度函数为：
Figure BDA0004134290190000041
其中，fh(Pi-1)、fH(Pi-1,Pi)分别为f(Pi-1)和f(Pi-1,Pi)的核估计；Pi-1、Pi为相邻时刻的目标新能源发电出力；h是单变量核估计fh(Pi-1)的带宽，n表示样本容量；K为高斯核函数；Pj,i表示i时刻出力已知情况下j时刻出力；Pj,i-1表示i-1时刻出力已知情况下j时刻出力；hi、hi-1分别为单变量
Figure BDA0004134290190000042
和估计/>
Figure BDA0004134290190000043
的带宽。
进一步，所述采用舍选法抽样产生目标新能源发电出力的随机样本的方法为：
对于时序模拟得到的目标新能源概率密度函数f(Pi|Pi-1)，假设f(Pi|Pi-1)的取值域为[a,b]，f(Pi|Pi-1)的最大值为M，对应的抽样样本为c，生成的随机样本为e，若抽样值满足c≤e/M则接受e，将e作为目标新能源发电出力的随机样本。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明通过构建新能源出力的概率分布模型方法采用非参数核密度估计法建立目标新能源出力的概率分布模型，与传统的采用经验参数估计法相比，该方法能够得到目标新能源的分布函数，提高估计值的精确度；同时，通过对新能源出力进行仿真模拟方法基于条件概率和多变量核密度估计用于目标新能源发电出力的时序模拟，并采用了舍选抽样法进行样本抽样，提高了目标新能源发电出力概率建模算法的实用性与适用性。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
本发明通过构建新能源出力的概率分布模型方法采用非参数核密度估计法建立目标新能源出力的概率分布模型，与传统的采用经验参数估计法相比，该方法能够得到目标新能源的分布函数，提高估计值的精确度；同时，通过对新能源出力进行仿真模拟方法基于条件概率和多变量核密度估计用于目标新能源发电出力的时序模拟，并采用了舍选抽样法进行样本抽样，提高了目标新能源发电出力概率建模算法的实用性与适用性。
附图说明
图1是本发明实施例提供的基于深度学习的分布式新能源出力估计方法流程图。
图2是本发明实施例提供的构建新能源出力的概率分布模型方法流程图。
图3是本发明实施例提供的对新能源出力进行仿真模拟方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明提供一种基于深度学习的分布式新能源出力估计方法包括以下步骤：
S101，分布式采集新能源出力数据；根据出力数据计算新能源出力状态；构建新能源出力的概率分布模型；根据概率分布模型、出力状态和预先挖掘的新能源出力状态转移规律，确定设定时长后新能源出力状态及出力状态的概率；对新能源出力进行仿真模拟；
S102，根据新能源出力数据预测新能源发电功率；对预测功率数据序列进行分割，初始化预测功率分段区间，依据功率预测数据所属分段映射的预测误差分段区间初始化预测误差分段区间，估计给定置信度下各预测误差分段区间的可信区间；
S103，根据各预测误差分段区间的可信区间拟合预测功率曲线的可信上限曲线和可信下限曲线，建立以预测估计偏差越界点占比最小为目标的最佳可信区间估计模型，以表征分割点是否为预测功率分段点的决策变量为最佳可信区间估计模型的控制变量优化预测估计偏差越界点集合。
如图2所示，本发明提供的构建新能源出力的概率分布模型方法如下：
S201，调查历史新能源发电信息；获取目标新能源出力的样本，多个所述样本构成样本序列；
S202，根据样本序列，建立目标新能源出力的最优带宽选择模型；采用非参数核密度估计法对所述最优带宽选择模型的边缘分布进行估计，得到第一分布函数和第二分布函数；根据第一分布函数和第二分布函数，计算目标新能源出力的最优带宽；建立概率分布模型；根据所述最优带宽，得到核密度估计值；
S203，通过K-S检验对所述概率分布模型进行拟合度检验，若满足精度要求，则得到概率分布模型；否则，返回上步。
本发明提供的根据第一分布函数和第二分布函数，计算目标新能源出力的最优带宽，具体步骤如下：
计算第一分布函数和第二分布函数的积分均方误差，得到带宽；
对所述最优带宽选择模型进行K-S检验，得到最优带宽选择模型的K-S检验统计量；
判断所述最优带宽选择模型的K-S检验统计量是否大于K-S检验统计量的临界值；
若所述最优带宽选择模型的K-S检验统计量大于K-S检验统计量的临界值，则重新计算带宽；
若所述最优带宽选择模型的K-S检验统计量不大于K-S检验统计量的临界值，则所述带宽为最优带宽。
本发明提供的对所述最优带宽选择模型进行K-S检验，得到最优带宽选择模型的K-S检验统计量，具体步骤如下：
计算第一分布函数和第二分布函数的最大绝对差值，得到所述最优带宽选择模型的K-S检验统计量；
通过查表，判断所述最优带宽选择模型的K-S检验统计量是否大于K-S检验统计量的临界值。
如图3所示，本发明提供的对新能源出力进行仿真模拟方法如下：
S301，构建新能源数据库，将获取新能源数据存入新能源数据库中；按照时间尺度和空间尺度对获取的目标新能源发电历史数据集进行数据划分，得到相应的样本数据集；
S302，对不同时间尺度和空间尺度对应的各样本数据集进行时序模拟，并基于时序模拟结果产生目标新能源发电出力的随机样本，基于该随机样本建立能够反映时间和空间特性的目标新能源出力概率模型。
本发明提供的按照时间尺度和空间尺度对获取的目标新能源发电历史数据集进行数据划分，得到相应的样本数据集的方法，包括以下步骤：
获取目标新能源发电历史数据集；
按照时间尺度和空间尺度对获取的目标新能源发电历史数据集进行划分，得到相应的初始样本实测数据集；
对各样本实测数据集进行筛选，并利用插值法将得到的错误数据进行替换，得到各时间尺度和空间尺度对应的样本数据集。
本发明提供的获取的目标新能源发电历史数据集包括地理信息、理论出力、实际出力、电力电量平衡数据。
本发明提供的对各样本数据集进行时序模拟，并基于时序模拟结果产生目标新能源发电出力的随机样本的方法，包括以下步骤：
基于条件概率和多变量的核密度估计对样本数据集进行时序模拟，得到目标新能源发电出力概率密度函数；
基于得到的目标新能源发电出力概率密度函数，计算得到起止时刻的联合概率分布；
根据起止时刻的联合概率分布，采用舍选法抽样产生目标新能源发电出力的随机样本。
本发明提供的目标新能源发电出力概率密度函数为：
Figure BDA0004134290190000081
其中，fh(Pi-1)、fH(Pi-1,Pi)分别为f(Pi-1)和f(Pi-1,Pi)的核估计；Pi-1、Pi为相邻时刻的目标新能源发电出力；h是单变量核估计fh(Pi-1)的带宽，n表示样本容量；K为高斯核函数；Pj,i表示i时刻出力已知情况下j时刻出力；Pj,i-1表示i-1时刻出力已知情况下j时刻出力；hi、hi-1分别为单变量
Figure BDA0004134290190000091
和估计/>
Figure BDA0004134290190000092
的带宽。
本发明提供的采用舍选法抽样产生目标新能源发电出力的随机样本的方法为：
对于时序模拟得到的目标新能源概率密度函数f(Pi|Pi-1)，假设f(Pi|Pi-1)的取值域为[a,b]，f(Pi|Pi-1)的最大值为M，对应的抽样样本为c，生成的随机样本为e，若抽样值满足c≤e/M则接受e，将e作为目标新能源发电出力的随机样本。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本发明通过构建新能源出力的概率分布模型方法采用非参数核密度估计法建立目标新能源出力的概率分布模型，与传统的采用经验参数估计法相比，该方法能够得到目标新能源的分布函数，提高估计值的精确度；同时，通过对新能源出力进行仿真模拟方法基于条件概率和多变量核密度估计用于目标新能源发电出力的时序模拟，并采用了舍选抽样法进行样本抽样，提高了目标新能源发电出力概率建模算法的实用性与适用性。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
本发明通过构建新能源出力的概率分布模型方法采用非参数核密度估计法建立目标新能源出力的概率分布模型，与传统的采用经验参数估计法相比，该方法能够得到目标新能源的分布函数，提高估计值的精确度；同时，通过对新能源出力进行仿真模拟方法基于条件概率和多变量核密度估计用于目标新能源发电出力的时序模拟，并采用了舍选抽样法进行样本抽样，提高了目标新能源发电出力概率建模算法的实用性与适用性。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的分布式新能源出力估计方法，其特征在于，所述基于深度学习的分布式新能源出力估计方法包括以下步骤：
步骤一，分布式采集新能源出力数据；根据出力数据计算新能源出力状态；构建新能源出力的概率分布模型；根据概率分布模型、出力状态和预先挖掘的新能源出力状态转移规律，确定设定时长后新能源出力状态及出力状态的概率；对新能源出力进行仿真模拟；
步骤二，根据新能源出力数据预测新能源发电功率；对预测功率数据序列进行分割，初始化预测功率分段区间，依据功率预测数据所属分段映射的预测误差分段区间初始化预测误差分段区间，估计给定置信度下各预测误差分段区间的可信区间；
步骤三，根据各预测误差分段区间的可信区间拟合预测功率曲线的可信上限曲线和可信下限曲线，建立以预测估计偏差越界点占比最小为目标的最佳可信区间估计模型，以表征分割点是否为预测功率分段点的决策变量为最佳可信区间估计模型的控制变量优化预测估计偏差越界点集合。
2.如权利要求1所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述构建新能源出力的概率分布模型方法如下：
(1)调查历史新能源发电信息；获取目标新能源出力的样本，多个所述样本构成样本序列；
(2)根据样本序列，建立目标新能源出力的最优带宽选择模型；采用非参数核密度估计法对所述最优带宽选择模型的边缘分布进行估计，得到第一分布函数和第二分布函数；根据第一分布函数和第二分布函数，计算目标新能源出力的最优带宽；建立概率分布模型；根据所述最优带宽，得到核密度估计值；
(3)通过K-S检验对所述概率分布模型进行拟合度检验，若满足精度要求，则得到概率分布模型；否则，返回上步。
3.如权利要求2所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述根据第一分布函数和第二分布函数，计算目标新能源出力的最优带宽，具体步骤如下：
计算第一分布函数和第二分布函数的积分均方误差，得到带宽；
对所述最优带宽选择模型进行K-S检验，得到最优带宽选择模型的K-S检验统计量；
判断所述最优带宽选择模型的K-S检验统计量是否大于K-S检验统计量的临界值；
若所述最优带宽选择模型的K-S检验统计量大于K-S检验统计量的临界值，则重新计算带宽；
若所述最优带宽选择模型的K-S检验统计量不大于K-S检验统计量的临界值，则所述带宽为最优带宽。
4.如权利要求2所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述对所述最优带宽选择模型进行K-S检验，得到最优带宽选择模型的K-S检验统计量，具体步骤如下：
计算第一分布函数和第二分布函数的最大绝对差值，得到所述最优带宽选择模型的K-S检验统计量；
通过查表，判断所述最优带宽选择模型的K-S检验统计量是否大于K-S检验统计量的临界值。
5.如权利要求1所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述对新能源出力进行仿真模拟方法如下：
1)构建新能源数据库，将获取新能源数据存入新能源数据库中；按照时间尺度和空间尺度对获取的目标新能源发电历史数据集进行数据划分，得到相应的样本数据集；
2)对不同时间尺度和空间尺度对应的各样本数据集进行时序模拟，并基于时序模拟结果产生目标新能源发电出力的随机样本，基于该随机样本建立能够反映时间和空间特性的目标新能源出力概率模型。
6.如权利要求5所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述按照时间尺度和空间尺度对获取的目标新能源发电历史数据集进行数据划分，得到相应的样本数据集的方法，包括以下步骤：
获取目标新能源发电历史数据集；
按照时间尺度和空间尺度对获取的目标新能源发电历史数据集进行划分，得到相应的初始样本实测数据集；
对各样本实测数据集进行筛选，并利用插值法将得到的错误数据进行替换，得到各时间尺度和空间尺度对应的样本数据集。
7.如权利要求5所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述获取的目标新能源发电历史数据集包括地理信息、理论出力、实际出力、电力电量平衡数据。
8.如权利要求5所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述对各样本数据集进行时序模拟，并基于时序模拟结果产生目标新能源发电出力的随机样本的方法，包括以下步骤：
基于条件概率和多变量的核密度估计对样本数据集进行时序模拟，得到目标新能源发电出力概率密度函数；
基于得到的目标新能源发电出力概率密度函数，计算得到起止时刻的联合概率分布；
根据起止时刻的联合概率分布，采用舍选法抽样产生目标新能源发电出力的随机样本。
9.如权利要求8所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述目标新能源发电出力概率密度函数为：
Figure FDA0004134290180000031
其中，fh(Pi-1)、fH(Pi-1,Pi)分别为f(Pi-1)和f(Pi-1,Pi)的核估计；Pi-1、Pi为相邻时刻的目标新能源发电出力；h是单变量核估计fh(Pi-1)的带宽，n表示样本容量；K为高斯核函数；Pj,i表示i时刻出力已知情况下j时刻出力；Pj,i-1表示i-1时刻出力已知情况下j时刻出力；hi、hi-1分别为单变量
Figure FDA0004134290180000041
和估计/>
Figure FDA0004134290180000042
的带宽。
10.如权利要求8所述基于深度学习的分布式新能源出力估计方法，其特征在于，所述采用舍选法抽样产生目标新能源发电出力的随机样本的方法为：
对于时序模拟得到的目标新能源概率密度函数f(Pi|Pi-1)，假设f(Pi|Pi-1)的取值域为[a,b]，f(Pi|Pi-1)的最大值为M，对应的抽样样本为c，生成的随机样本为e，若抽样值满足c≤e/M则接受e，将e作为目标新能源发电出力的随机样本。
CN202310269986.1A 2023-03-20 2023-03-20 一种基于深度学习的分布式新能源出力估计方法 Pending CN116245028A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310269986.1A CN116245028A (zh) 2023-03-20 2023-03-20 一种基于深度学习的分布式新能源出力估计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310269986.1A CN116245028A (zh) 2023-03-20 2023-03-20 一种基于深度学习的分布式新能源出力估计方法

Publications (1)

Publication Number Publication Date
CN116245028A true CN116245028A (zh) 2023-06-09

Family

ID=86626118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310269986.1A Pending CN116245028A (zh) 2023-03-20 2023-03-20 一种基于深度学习的分布式新能源出力估计方法

Country Status (1)

Country Link
CN (1) CN116245028A (zh)

Similar Documents

Publication Publication Date Title
Blondel et al. An alternative form of the super-Gaussian wind turbine wake model
CN111091233B (zh) 一种风电场短期风电预测建模方法
US7698249B2 (en) System and method for predicting hardware and/or software metrics in a computer system using models
Hocaoğlu Stochastic approach for daily solar radiation modeling
US8554519B2 (en) Method for designing the layout of turbines in a windfarm
CN111784041B (zh) 一种基于图卷积神经网络的风电功率预测方法及系统
CN110009736B (zh) 三维尾流模型的建立方法、装置、设备及存储介质
Kaplan et al. A novel method based on Weibull distribution for short-term wind speed prediction
Lu et al. Neural network interpretability for forecasting of aggregated renewable generation
Zhang et al. A hybrid forecasting system with complexity identification and improved optimization for short-term wind speed prediction
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
CN114742307A (zh) 一种波浪要素预测方法及系统
Rybchuk et al. The sensitivity of the Fitch wind farm parameterization to a three-dimensional planetary boundary layer scheme
Guo et al. Wind power assessment based on a WRF wind simulation with developed power curve modeling methods
CN116581755B (zh) 功率预测方法、装置、设备及存储介质
CN117526274A (zh) 极端气候下新能源功率预测方法、电子设备和存储介质
CN116245028A (zh) 一种基于深度学习的分布式新能源出力估计方法
CN115878960A (zh) 考虑出力变化趋势的风电功率预测误差多区间分析方法和系统
Ziaei et al. Short-Term Wind Characteristics Forecasting Using Stacked LSTM Networks
Huang et al. Probabilistic prediction intervals of wind speed based on explainable neural network
Song et al. Combination model for day-ahead solar forecasting using local and global model input
Bâra et al. Intelligent systems for predicting and analyzing data in power grid companies
Gupta et al. A Review of Machine Learning Models in Renewable Energy
Zhang et al. Spatial-temporal offshore wind speed characteristics prediction based on an improved purely 2D CNN approach in a large-scale perspective using reanalysis dataset
Manian et al. Using genetic algorithms to optimize bathymetric sampling for predictive model input

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