CN116488155A - 电量预测方法及其装置、计算机可读存储介质 - Google Patents
电量预测方法及其装置、计算机可读存储介质 Download PDFInfo
- Publication number
- CN116488155A CN116488155A CN202310406120.0A CN202310406120A CN116488155A CN 116488155 A CN116488155 A CN 116488155A CN 202310406120 A CN202310406120 A CN 202310406120A CN 116488155 A CN116488155 A CN 116488155A
- Authority
- CN
- China
- Prior art keywords
- time sequence
- time
- historical
- power generation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 128
- 238000010248 power generation Methods 0.000 claims abstract description 112
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000000354 decomposition reaction Methods 0.000 claims description 19
- 230000001932 seasonal effect Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- 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]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种电量预测方法及其装置、计算机可读存储介质,电量预测方法包括建立时间预测算法模型;获取发电量的历史时间序列;将历史时间序列输入至时间预测算法模型中进行学习训练,以获取时间预测算法模型的算法参数;根据算法参数通过时间预测算法模型输出预测时间序列;根据预测时间序列以及历史时间序列计算目标日期的日发电量。本发明技术方案基于历史电量数据序列外推法,即使在不具备气象数据的条件下,仍然能够利用气象在不同月份和不同日期对发电量造成影响的特性,通过性能曲线得到精确的预测结果。对电量进行预测的方式,还能够对得到的预测时间序列进行分解,以得到时间单位更小,例如日级、小时级的预测结果。
Description
技术领域
本发明涉及电力技术领域,特别涉及一种电量预测方法及其装置、计算机可读存储介质。
背景技术
风电光伏电功率预测是电力预测的重要组成部分,其重要性早已被人们所认识,主要目的是用于电力系统调度进行实时的发电计划安排来保证电力系统的稳定运行。
然而现有技术中,目前国内外对风光功率预测的研究主要集中在短期与超短期上,对中长期的风光电功率预测缺口较大。并且,在已有针对中长期的风光电功率预测的研究中,主要考虑发电量的中长期变化趋势和相对变化率;具体的,国内外学者以基于气候预测结果和智能学习算法结合建立预测模型进行预测为主,使用的智能学习算法包含但不限于支持向量机、人工神经网络、灰度模型等。因此,现有技术对中长期发电量的定量预测研究较少,且大多以年度、月度电量为预测目标,尚无日期等级别的预测结果。
发明内容
本发明的主要目的是提供一种电量预测方法及其装置、计算机可读存储介质,旨在解决现有技术中基于历史电量数据序列外推法进行预测方法较少,且大多以年度、月度电量为预测目标,无法实现日期等级别预测结果的技术问题。
为实现上述目的,本发明提出一种电量预测方法,所述电量预测方法包括:
建立时间预测算法模型;
获取发电量的历史时间序列;
将所述历史时间序列输入至所述时间预测算法模型中进行学习训练,以获取所述时间预测算法模型的算法参数;
根据所述算法参数通过所述时间预测算法模型输出预测时间序列;
根据所述预测时间序列以及所述历史时间序列计算目标日期的日发电量。
可选地,根据所述预测时间序列以及所述历史时间序列计算目标日期的日发电量的步骤包括:
根据所述预测时间序列计算所述目标日期所处月份的月发电量D;
根据所述历史时间序列获取与所述目标日期年份不同、月份相同的第一预设数量的历史月发电量,以及所述与所述目标日期年份不同、月份相同、日期相同的所述第一预设数量的第一历史日发电量;
计算所述第一预设数量的历史月发电量的第一总发电值L1,以及所述第一预设数量的第一历史日发电量的第二总发电值l1;
所述月发电量D、所述第一总发电值L1、所述第二总发电值l1以及所述日发电量d满足以下关系:
。
可选地,根据所述预测时间序列以及所述历史时间序列计算目标日期的日发电量的步骤之后,还包括:
根据所述日发电量计算目标时段的时段发电量。
可选地,根据所述日发电量计算目标时段的时段发电量的步骤包括:
根据所述历史时间序列获取与所述目标时段年份不同、月份相同、日期相同的第二预设数量的第二历史日发电量,以及与所述目标时段年份不同、月份相同、日期相同、时段相同的所述第二预设数量的历史时段发电量;
计算所述第二预设数量的第二历史日发电量的第三总发电值L2,以及所述第二预设数量的所述历史时段发电量的第四总发电值l2;
所述日发电量d、所述第三总发电值L2、所述第四总发电值l2以及所述时段发电量h满足以下关系:
。
可选地,所述算法参数包括第一子算法参数及第二子算法参数;将所述历史时间序列输入至所述时间预测算法模型中进行学习训练的步骤包括:
对所述历史时间序列进行时间序列分解,以获取趋势分量、季节分量以及残差分量;
将所述趋势分量输入至所述时间预测算法模型中进行学习训练,以获取所述第一子算法参数;并将所述季节分量输入至所述时间预测算法模型中进行学习训练,以获取所述第二子算法参数;
根据所述算法参数通过所述时间预测算法模型输出预测时间序列的步骤包括:
根据所述第一算法参数通过所述时间预测算法模型输出趋势时间序列;并根据所述第二算法参数通过所述时间预测算法模型输出季节时间序列;
根据所述趋势时间序列以及所述季节时间序列计算所述预测时间序列。
可选地,根据所述趋势时间序列以及所述季节时间序列计算所述预测时间序列的步骤包括:
获取所述趋势时间序列与所述季节时间序列上多个相同的时间节点;
将每个所述时间节点上对应的数值相加,以得到对应的所述预测时间序列。
可选地,对所述历史时间序列进行时间序列分解,以获取趋势分量、季节分量以及残差分量的步骤包括:
按照预设比例将所述历史时间序列分为训练集以及验证集;
对所述训练集分解,以获取所述趋势分量、所述季节分量以及所述残差分量;
根据所述算法参数通过所述时间预测算法模型输出预测时间序列的步骤之后,还包括:
将所述验证集与所述预测时间序列进行对比;
根据对比结果判断所述算法参数是否满足预设精度;
当所述算法参数满足预设精度时,则确定所述算法参数;
当所述算法参数满不足预设精度时,则执行将所述历史时间序列输入至所述时间预测算法模型中进行学习训练的步骤。
可选地,根据对比结果判断所述算法参数是否满足预设精度的步骤包括:
当所述预测时间序列与所述验证集在坐标系中的曲线相同或相似时,则判断所述算法参数满足预设精度;
当所述预测时间序列与所述验证集在坐标系中的曲线不同或不相似时,则判断所述算法参数不满足预设精度。
此外,为解决上述问题,本发明还提出了一种电量预测装置,所述电量预测装置包括传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电量预测程序;所述传感器与所述处理器电连接,所述传感器用于采集发电量的历史时间序列,并将所述历史时间序列发送至所述存储器存储;所述电量预测程序被所述处理器执行时实现如时述的电量预测方法的步骤。
此外,为解决上述问题,本发明还提出了一种计算机可读存储介质,所述计算机可读存储介质上存储有电量预测程序,所述电量预测程序被处理器执行时实现如上述的电量预测方法的步骤。
本发明技术方案基于历史电量数据序列外推法,通过所述时间预测算法模型对电量进行预测。从而即使在不具备气象数据的条件下,仍然能够利用气象在不同月份和不同日期(不同周期)对发电量造成影响的特性,通过性能曲线得到精确的预测结果。同时通过所述时间预测算法模型对电量进行预测的方式,还能够对得到的所述预测时间序列进行分解,以得到时间单位更小,例如日级、小时级的预测结果。同时时间单位较小的预测结果有利于人们对预测结果进行周度、月度或其他时间尺度典型日的典型曲线提取,从而为中长期电力规划提供不同时间尺度的曲线参考。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图示出的结构获得其他的附图。
图1为本发明电量预测方法第一实施例的流程示意图;
图2为本发明电量预测方法第二实施例的流程示意图;
图3为本发明电量预测方法第三实施例的流程示意图;
图4为本发明电量预测方法第四实施例的流程示意图;
图5为本发明电量预测方法第五实施例的流程示意图;
图6为本发明电量预测方法第六实施例的流程示意图;
图7为本发明电量预测方法第七实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
需要说明,本发明实施例中所有方向性指示(诸如上、下、左、右、前、后……)仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等,如果该特定姿态发生改变时,则该方向性指示也相应地随之改变。
另外,在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的,而不能理解为指示或暗示其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。
在本发明中,除非另有明确的规定和限定,术语“连接”、“固定”等应做广义理解,例如,“固定”可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系,除非另有明确的限定。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
另外,本发明各个实施例之间的技术方案可以相互结合,但是必须是以本领域普通技术人员能够实现为基础,当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在,也不在本发明要求的保护范围之内。
本发明提出了一种电量预测方法,请参照图1,图1为本发明所述电量预测方法第一实施例的流程示意图,所述电量预测方法包括:
步骤S10:建立时间预测算法模型;
步骤S20:获取发电量的历史时间序列;
步骤S30:将所述历史时间序列输入至所述时间预测算法模型中进行学习训练;
步骤S40:根据所述算法参数通过所述时间预测算法模型输出预测时间序列;
步骤S50:根据所述预测时间序列以及所述历史时间序列计算目标日期的日发电量。
本实施例中所述电量预测方法及其装置可以应用在新能源场站的光伏等电力设备上。
所述时间预测算法模型可应用ARIMA模型。
按照时间顺序,每间隔预设时长采集一次发电量,所述预设时长可以设置为小于或等于1小时。也即每间隔1小时采集一次发电量。此外,也可以采集例如光伏的功率,从而通过功率计算得到发电量。
将采集到的数据按照时序建立坐标系,从而得到所述历史时间序列。
将所述历史时间序列输入至所述时间预测算法模型,也即通过ARIMA模型对所述历史时间序列进行处理。之后确定所述时间预测算法模型的类型,从已知的模型中选择一个与给出的所述历史时间序列过程相吻合的模型。例如Box-Jenkins模型识别方法等。
在确定了所述时间预测算法模型的类型后,还需要知道模型的阶数,可使用BIC准则法进行定阶。对模型的参数进行估计的方法通常有相关矩估计法、最小二乘估计以及极大似然估计等。从而得到所述算法参数。
通过对所述时间预测算法模型进行学习培训后,则可以通过所述时间预测算法模型对未来时序下的发电量进行预测,并输出预测结果,也即所述预测时间序列。
最终通过使用分解协调的思想对所述预测时间序列进行分解,以计算并得出目标日期的所述日发电量。同时采用分解协调的思想解决了预测数据仅能实现月度级的总发电量预测,无法对其进一步细化的问题,实现了小时级的发电量数据的预测,且保留和利用了历史的统计数据,对场站、园区规划提供有效的预测数据参考。
本实施例中,可以参照历史气象的周期性,利用历史气象的周期性去对未来气象进行相同周期性的预测,并以此推测未来的发电量或者功率分布。并且由于新能源场站中气象和发电量的正相关性,历史气象已经反映在历史发电量数据中,也即所述历史时间序列,从而转换为直接通过所述历史时间序列来衡量周期性,用所述历史时间序列推测未来发电量分布。以提高预测的精确度,同时保证对所述预测时间序列分解后得到的所述日发电量的精确度。
本发明技术方案利用气象在不同月份和不同日期存在周期性,且该周期性会对发电量造成影响。从而通过所述时间预测算法模型对电量进行预测,得到精确的预测结果,并同时对得到的所述预测时间序列进行分解,从而得到时间单位更小,例如日级、小时级的预测结果,保证预测的准确性。同时时间单位较小的预测结果有利于人们对预测结果进行周度、月度或其他时间尺度典型日的典型曲线提取,从而为中长期电力规划提供不同时间尺度的曲线参考。
进一步地,请参照图2,图2为本发明所述电量预测方法第二实施例的流程示意图,步骤S50包括:
步骤S51:根据所述预测时间序列计算所述目标日期所处月份的月发电量D;
步骤S52:根据所述历史时间序列获取与所述目标日期年份不同、月份相同的第一预设数量的历史月发电量,以及所述与所述目标日期年份不同、月份相同、日期相同的所述第一预设数量的第一历史日发电量;
步骤S53:计算所述第一预设数量的历史月发电量的第一总发电值L1,以及所述第一预设数量的第一历史日发电量的第二总发电值l1;
步骤S54:根据所述月发电量D、所述第一总发电值L1以及所述第二总发电值l1计算所述日发电量d;
所述月发电量D、所述第一总发电值L1、所述第二总发电值l1以及所述日发电量d满足以下公式:
公式1:。
通过所述预测时间序列,计算出所述目标日期所处月份的月发电量D。例如将10月份中,由10月1号0:00开始,每间隔预设时长(如1小时)对发电量进行一次采集,直至10月31号24:00。将每个时刻下所对应的发电量相加,从而得到所述月发电量D。
再由所述历史时间序列中,选取历年中与所述目标日期所处月份相同的月份,所述第一预设数量大于或等于2,优先选取3年以上的历史数据。例如所述目标日期所处的月份为2022年10月,则可以通过所述历史时间序列选取2021年10月份的历史月发电量、2020年10月份的历史月发电量以及2019年10月份的历史月发电量。
计算2021年10月份的历史月发电量、2020年10月份的历史月发电量以及2019年10月份的历史月发电量的和值,也即所述第一总发电值L1。
再由所述历史时间序列中,选取历年中与所述目标日期月份相同、日期也相同的一天。例如所述目标日期为2022年10月1号,则可以通过所述历史时间序列选取2021年10月1号的第一历史日发电量、2020年10月1号的第一历史日发电量以及2019年10月1号的第一历史日发电量。
计算2021年10月1号的第一历史日发电量、2020年10月1号的第一历史日发电量以及2019年10月1号的第一历史日发电量的和值,也即所述第二总发电值l1。
根据所述第一总发电值L1以及所述第二总发电值l1计算日发电量分解因子fd,fd满足以下公式:
公式2:fd= l1/ L1。
所述日发电量则为所述月发电量与日发电量分解因子的乘积,也即满足上述公式1。
此外,除计算所述第一预设数量的历史月发电量的第一总发电值之外,还可以计算其平均值,例如2019~2021的历史月发电量的平均值则为L1/3;同时,计算所述第一预设数量的第一历史日发电量的平均值l1/3,将均值L1/3以及均值l1/3代入公式1中进行计算。
进一步地,请参照图3,图3为本发明所述电量预测方法第三实施例的流程示意图,步骤S50之后,还包括:
步骤S60:根据所述日发电量计算目标时段的时段发电量。
进一步对所述日发电量进行分解,以得到小时级的发电量预测值,也即所述时段发电量。
具体的,步骤S60包括:
步骤S61:根据所述历史时间序列获取与所述目标时段年份不同、月份相同、日期相同的第二预设数量的第二历史日发电量,以及与所述目标时段年份不同、月份相同、日期相同、时段相同的所述第二预设数量的历史时段发电量;
步骤S62:计算所述第二预设数量的第二历史日发电量的第三总发电值L2,以及所述第二预设数量的所述历史时段发电量的第四总发电值l2;
步骤S63:根据所述日发电量d、所述第三总发电值L2以及所述第四总发电值l2计算所述时段发电量h;
所述日发电量d、所述第三总发电值L2、所述第四总发电值l2以及所述时段发电量h满足以下公式:
公式3:。
由所述历史时间序列中,选取历年中与所述目标时段所处月份、日期均相同的一天,所述第二预设数量大于或等于2,优先选取3年以上的历史数据。例如所述目标时段所处的月份、日期为2022年10月1号,则可以通过所述历史时间序列选取2021年10月1号的第二历史日发电量、2020年10月1号的第二历史日发电量以及2019年10月1号的第二历史日发电量。
计算2021年10月1号的第二历史日发电量、2020年10月1号的第二历史日发电量以及2019年10月1号的第二历史日发电量的和值,也即所述第三总发电值L2。
可知所述历史时间序列每间隔预设时长(如1小时)对发电量进行一次采集。再由所述历史时间序列中,选取历年中与所述目标时段月份相同、日期相同、时段也相同的时间。例如所述目标时段为2022年10月1号中0:00~1:00,则可以通过所述历史时间序列选取2021年10月1号中0:00~1:00时段内历史时段发电量、2020年10月1号中0:00~1:00时段内历史时段发电量以及2019年10月1号中0:00~1:00时段内历史时段发电量。
计算2021年10月1号中0:00~1:00时段内历史时段发电量、2020年10月1号中0:00~1:00时段内历史时段发电量以及2019年10月1号中0:00~1:00时段内历史时段发电量的和值,也即所述第四总发电值l2。
根据所述第三总发电值L2以及所述第四总发电值l2计算时段发电量分解因子fh,fh满足以下公式:
公式4:fh= l2/ L2。
所述时段发电量则为所述日发电量与时段发电量分解因子的乘积,也即满足上述公式3。
此外,所述第三总发电值以及所述第四总发电值也可以通过计算其对应的平均值,代入公式3中进行计算。
进一步地,所述算法参数包括第一子算法参数及第二子算法参数;请参照图4,图4为本发明所述电量预测方法第四实施例的流程示意图,步骤S30包括:
步骤S31:对所述历史时间序列进行时间序列分解,以获取趋势分量、季节分量以及残差分量;
步骤S32:将所述趋势分量输入至所述时间预测算法模型中进行学习训练,以获取所述第一子算法参数;并将所述季节分量输入至所述时间预测算法模型中进行学习训练,以获取所述第二子算法参数;
步骤S40包括:
步骤S41:根据所述第一算法参数通过所述时间预测算法模型输出趋势时间序列;并根据所述第二算法参数通过所述时间预测算法模型输出季节时间序列;
步骤S42:根据所述趋势时间序列以及所述季节时间序列计算所述预测时间序列。
使用STL(Seasonal and Trend decomposition using Loess)分解方法对所述历史时间序列,分别得到所述趋势分量、所述季节分量和所述残差分量。各分量之间相互独立,因此所述时间预测算法模型的分解模型可以采用加法模型。并且通过STL分解方法解决了对发电量数据时序分析困难的问题,达到了各时序分量解耦、可视化且可单独预测再重构的技术效果。
需要说明的是,所述残差不可预测,类似随机游走或者白噪声。因此本实施例中将所述残差分量在分解后取出,从而进一步提高本发明所述电量预测方法的精确度。
分别将所述趋势分量导入至所述事件预测算法模型中进行学习培训,以得到所述第一子算法参数,以及将所述季节分量导入至所述事件预测算法模型中进行学习培训,以得到所述第二子算法参数。
在进行预测时,分别根据所述第一子算法参数对趋势进行预测,所述时间预测算法模型输出趋势时间序列;以及根据所述第二子算法参数对季节进行预测,所述时间预测算法模型输出季节时间序列。
所述时间预测算法模型的分解模型采用加法模型,则所述预测时间序列可通过所述趋势时间序列和所述季节时间序列相加得到。
具体的,请参照图5,图5为本发明所述电量预测方法第五实施例的流程示意图,步骤S42包括:
步骤S421:获取所述趋势时间序列与所述季节时间序列上多个相同的时间节点;
步骤S422:将每个所述时间节点上对应的数值相加,以得到对应的所述预测时间序列。
根据所述趋势时间序列以及所述季节时间序列建立坐标系。其中x轴表示各时间节点,y轴则表示检测到的发电量大小。
在x轴上选取多个时间节点,多个时间节点之间互相连续。将所述趋势时间序列和所述季节时间序列在相同的时间节点对应的y轴值相加。
例如,在x轴上选取10月份的时间节点。则将所述趋势时间序列以及所述季节时间序列在10月份的时间节点对应y轴上的取值相加。二者的和值则为所述预测时间序列在10月份对应的发电量。
具体的,请参照图6,图6为本发明所述电量预测方法第六实施例的流程示意图,步骤S31包括:
步骤S311:按照预设比例将所述历史时间序列分为训练集以及验证集;
步骤S312:对所述训练集分解,以获取所述趋势分量、所述季节分量以及所述残差分量;
步骤S40之后,还包括:
步骤S313:将所述验证集与所述预测时间序列进行对比;
步骤S314:根据对比结果判断所述算法参数是否满足预设精度;
步骤S315:当所述算法参数满足预设精度时,则确定所述算法参数;
步骤S316:当所述算法参数满不足预设精度时,则返回执行步骤S30。
所述预设比例可以设置为7:3或8:2不等。
使用STL分解方法将所述训练集分解成趋势分量、季节分量和残差分量。从而导入至所述时间预测算法模型中,从而对所述时间预测算法模型进行学习培训。
当所述时间预测算法模型学习训练完成后,则利用所述时间预测算法模型进行预测。
将所述时间预测算法模型输出的所述预测时间序列的时间节点设置为与所述验证集的时间节点相同,则可以通过所述验证集对所述预测时间序列的预测结果进行验证。
通过比对所述预测时间序列和所述验证集是否相等,从而判断出所述算法参数是否准确。
所述算法参数满足预设精度时,则确定所述算法参数准确;当所述算法参数满不足预设精度时,则返回执行步骤S30。
通过输入更多所述历史时间序列,以辅助所述时间预测算法模型深度学习,提高所述算法参数的准确度。或者通过人工计算手动对所述算法参数进行调整,从而使所述算法参数满足预测的精准度要求。
进一步地,请参照图7,图7为本发明所述电量预测方法第七实施例的流程示意图,步骤S314包括:
S3141:当所述预测时间序列与所述验证集在坐标系中的曲线相同或相似时,则判断所述算法参数满足预设精度;
S3142:当所述预测时间序列与所述验证集在坐标系中的曲线不同或不相似时,则判断所述算法参数不满足预设精度。
将所述预测时间序列以及所述验证集体现在坐标轴上,形成x轴为时间节点,y轴为发电量的曲线。通过比较两条曲线之间的相似度,从而判断两条曲线是否相同或相似。
当判断两条曲线相同或相似时,则表示所述算法参数满足预设精度;当判断两条曲线不同且不相似时,则表示所述算法参数不满足预设精度,需要对所述算法参数重新进行调整。
此外,为解决上述问题,本发明还提出了一种电量预测装置,所述电量预测装置包括传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电量预测程序;所述传感器与所述处理器电连接,所述传感器用于采集发电量的历史时间序列,并将所述历史时间序列发送至所述存储器存储;所述电量预测程序被所述处理器执行时实现如上述的电量预测方法的步骤。
本发明技术方案利用气象在不同月份和不同日期存在周期性,且该周期性会对发电量造成影响。从而通过所述时间预测算法模型对电量进行预测,得到精确的预测结果,并同时对得到的所述预测时间序列进行分解,从而得到时间单位更小,例如日级、小时级的预测结果,保证预测的准确性。同时时间单位较小的预测结果有利于人们对预测结果进行周度、月度或其他时间尺度典型日的典型曲线提取,从而为中长期电力规划提供不同时间尺度的曲线参考。
此外,为解决上述问题,本发明还提出了一种计算机可读存储介质,所述计算机可读存储介质上存储有电量预测程序,所述电量预测程序被处理器执行时实现如上述的电量预测方法的步骤。
本发明技术方案利用气象在不同月份和不同日期存在周期性,且该周期性会对发电量造成影响。从而通过所述时间预测算法模型对电量进行预测,得到精确的预测结果,并同时对得到的所述预测时间序列进行分解,从而得到时间单位更小,例如日级、小时级的预测结果,保证预测的准确性。同时时间单位较小的预测结果有利于人们对预测结果进行周度、月度或其他时间尺度典型日的典型曲线提取,从而为中长期电力规划提供不同时间尺度的曲线参考。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是在本发明的发明构思下,利用本发明说明书及附图内容所作的等效结构变换,或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。
Claims (10)
1.一种电量预测方法,其特征在于,所述电量预测方法包括:
建立时间预测算法模型;
获取发电量的历史时间序列;
将所述历史时间序列输入至所述时间预测算法模型中进行学习训练,以获取所述时间预测算法模型的算法参数;
根据所述算法参数通过所述时间预测算法模型输出预测时间序列;
根据所述预测时间序列以及所述历史时间序列计算目标日期的日发电量。
2.根据权利要求1所述的电量预测方法,其特征在于,根据所述预测时间序列以及所述历史时间序列计算目标日期的日发电量的步骤包括:
根据所述预测时间序列计算所述目标日期所处月份的月发电量D;
根据所述历史时间序列获取与所述目标日期年份不同、月份相同的第一预设数量的历史月发电量,以及所述与所述目标日期年份不同、月份相同、日期相同的所述第一预设数量的第一历史日发电量;
计算所述第一预设数量的历史月发电量的第一总发电值L1,以及所述第一预设数量的第一历史日发电量的第二总发电值l1;
所述月发电量D、所述第一总发电值L1、所述第二总发电值l1以及所述日发电量d满足以下关系:
。
3.根据权利要求2所述的电量预测方法,其特征在于,根据所述预测时间序列以及所述历史时间序列计算目标日期的日发电量的步骤之后,还包括:
根据所述日发电量计算目标时段的时段发电量。
4.根据权利要求3所述的电量预测方法,其特征在于,根据所述日发电量计算目标时段的时段发电量的步骤包括:
根据所述历史时间序列获取与所述目标时段年份不同、月份相同、日期相同的第二预设数量的第二历史日发电量,以及与所述目标时段年份不同、月份相同、日期相同、时段相同的所述第二预设数量的历史时段发电量;
计算所述第二预设数量的第二历史日发电量的第三总发电值L2,以及所述第二预设数量的所述历史时段发电量的第四总发电值l2;
所述日发电量d、所述第三总发电值L2、所述第四总发电值l2以及所述时段发电量h满足以下关系:
。
5.根据权利要求1所述的电量预测方法,其特征在于,所述算法参数包括第一子算法参数及第二子算法参数;将所述历史时间序列输入至所述时间预测算法模型中进行学习训练的步骤包括:
对所述历史时间序列进行时间序列分解,以获取趋势分量、季节分量以及残差分量;
将所述趋势分量输入至所述时间预测算法模型中进行学习训练,以获取所述第一子算法参数;并将所述季节分量输入至所述时间预测算法模型中进行学习训练,以获取所述第二子算法参数;
根据所述算法参数通过所述时间预测算法模型输出预测时间序列的步骤包括:
根据所述第一算法参数通过所述时间预测算法模型输出趋势时间序列;并根据所述第二算法参数通过所述时间预测算法模型输出季节时间序列;
根据所述趋势时间序列以及所述季节时间序列计算所述预测时间序列。
6.根据权利要求5所述的电量预测方法,其特征在于,根据所述趋势时间序列以及所述季节时间序列计算所述预测时间序列的步骤包括:
获取所述趋势时间序列与所述季节时间序列上多个相同的时间节点;
将每个所述时间节点上对应的数值相加,以得到对应的所述预测时间序列。
7.根据权利要求5所述的电量预测方法,其特征在于,对所述历史时间序列进行时间序列分解,以获取趋势分量、季节分量以及残差分量的步骤包括:
按照预设比例将所述历史时间序列分为训练集以及验证集;
对所述训练集分解,以获取所述趋势分量、所述季节分量以及所述残差分量;
根据所述算法参数通过所述时间预测算法模型输出预测时间序列的步骤之后,还包括:
将所述验证集与所述预测时间序列进行对比;
根据对比结果判断所述算法参数是否满足预设精度;
当所述算法参数满足预设精度时,则确定所述算法参数;
当所述算法参数满不足预设精度时,则返回执行将所述历史时间序列输入至所述时间预测算法模型中进行学习训练的步骤。
8.根据权利要求7所述的电量预测方法,其特征在于,根据对比结果判断所述算法参数是否满足预设精度的步骤包括:
当所述预测时间序列与所述验证集在坐标系中的曲线相同或相似时,则判断所述算法参数满足预设精度;
当所述预测时间序列与所述验证集在坐标系中的曲线不同或不相似时,则判断所述算法参数不满足预设精度。
9.一种电量预测装置,其特征在于,所述电量预测装置包括传感器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的电量预测程序;所述传感器与所述处理器电连接,所述传感器用于采集发电量的历史时间序列,并将所述历史时间序列发送至所述存储器存储;所述电量预测程序被所述处理器执行时实现如权利要求1至8中任一项所述的电量预测方法的步骤。
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上存储有电量预测程序,所述电量预测程序被处理器执行时实现如权利要求1至8中任一项所述的电量预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310406120.0A CN116488155A (zh) | 2023-04-17 | 2023-04-17 | 电量预测方法及其装置、计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310406120.0A CN116488155A (zh) | 2023-04-17 | 2023-04-17 | 电量预测方法及其装置、计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116488155A true CN116488155A (zh) | 2023-07-25 |
Family
ID=87226243
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310406120.0A Pending CN116488155A (zh) | 2023-04-17 | 2023-04-17 | 电量预测方法及其装置、计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116488155A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332239A (zh) * | 2023-11-27 | 2024-01-02 | 深圳润世华软件和信息技术服务有限公司 | 一种发电量计算方法、装置、设备及存储介质 |
-
2023
- 2023-04-17 CN CN202310406120.0A patent/CN116488155A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117332239A (zh) * | 2023-11-27 | 2024-01-02 | 深圳润世华软件和信息技术服务有限公司 | 一种发电量计算方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103023065B (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
CN105719023A (zh) | 一种基于混合高斯分布的风电功率实时预测误差分析方法 | |
CN110705772B (zh) | 区域电网风力发电功率预测优化方法和装置 | |
Lee et al. | Identification of uncertainty in low flow frequency analysis using Bayesian MCMC method | |
CN116488155A (zh) | 电量预测方法及其装置、计算机可读存储介质 | |
CN104239982A (zh) | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
Alzubaidi et al. | Impact of probabilistic modelling of wind speed on power system voltage profile and voltage stability analysis | |
CN106655190A (zh) | 一种求解风电场概率最优潮流的方法 | |
CN112651560B (zh) | 一种超短期风功率预测方法、装置及设备 | |
CN105552902A (zh) | 基于馈线端实时量测的配电网终端负荷超短期预测方法 | |
Gaetan et al. | A hierarchical model for the analysis of spatial rainfall extremes | |
CN104008433A (zh) | 基于贝叶斯动态模型的中长期电力负荷预测方法 | |
CN116993030B (zh) | 变化条件下水库压咸补淡调度方法及系统 | |
CN112332416A (zh) | 基于光伏电采暖负荷相关性的配电网负荷预测方法及系统 | |
CN116468270A (zh) | 基于云模型的变电站汛期风险感知评估方法及装置 | |
CN104462839A (zh) | 基于风功率波动强度瞬时模型的风电不确定性估计方法 | |
JP5946742B2 (ja) | 自然エネルギー型分散電源群の合計出力の変動推定方法、変動推定装置及び変動推定プログラム | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
Wilson et al. | Use of meteorological data for improved estimation of risk in capacity adequacy studies | |
CN104598982A (zh) | 年最大降温负荷的获取方法及系统 | |
CN114971081A (zh) | 一种基于时间序列分析与日统计的辐照预测方法 | |
CN113935523A (zh) | 基于电压变化规律的电压趋势预测方法 | |
CN112994079A (zh) | 一种风电场出力序列生成方法和系统 | |
Dobschinski et al. | Estimation of wind power prediction intervals using stochastic methods and artificial intelligence model ensembles |
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 |