CN116960941A - 一种功率爬坡事件预测方法、装置、设备及存储介质 - Google Patents
一种功率爬坡事件预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116960941A CN116960941A CN202310761392.2A CN202310761392A CN116960941A CN 116960941 A CN116960941 A CN 116960941A CN 202310761392 A CN202310761392 A CN 202310761392A CN 116960941 A CN116960941 A CN 116960941A
- Authority
- CN
- China
- Prior art keywords
- power
- climbing event
- photovoltaic
- wind power
- wind
- 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
- 230000009194 climbing Effects 0.000 title claims abstract description 332
- 238000000034 method Methods 0.000 title claims abstract description 108
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 75
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012937 correction Methods 0.000 claims abstract description 35
- 230000000737 periodic effect Effects 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 abstract description 5
- 238000000513 principal component analysis Methods 0.000 description 23
- 239000011159 matrix material Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Water Supply & Treatment (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种功率爬坡事件预测方法、装置、设备及存储介质，涉及新型电力系统技术领域，包括：将风电功率爬坡事件或光伏功率爬坡事件输入至利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的目标风光功率爬坡事件预测模型中以对功率进行预测，得到风电功率预测值或光伏功率预测值；根据风电功率预测值或光伏功率预测值对风电功率爬坡事件或光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。本申请能够避免系统误差的累计，提高功率预测的精度和爬坡事件检测的准确性，并且避免了爬坡事件的漏检和检测过于频繁。
Description
技术领域
本申请涉及新型电力系统技术领域，特别涉及一种功率爬坡事件预测方法、装置、设备及存储介质。
背景技术
近年来随着新能源技术的蓬勃发展，以风能、光伏为代表的发电方式得到了广泛的应用。然而，当风电在短时间内受到极端天气影响时会导致输出功率大规模增加或减小的风电爬坡现象，并且，由于昼夜变换及短时气象条件突变会引起光伏爬坡现象，另外，风电或光伏出力过程中的间歇性和随机性易造成电力系统震荡及频率稳定性遭到破坏，甚至会大规模的切负荷，严重威胁了电网的安全、稳定和经济运行。
目前，爬坡事件的预测方法分为直接预测法和间接预测法。其中，直接预测法是利用历史爬坡率数据进行特征识别，但是该方法由于受制于爬坡事件的数量，因此在数据缺乏的情况下难以有效的预测出小概率爬坡事件。当前主流的爬坡预测方法是间接预测法，该方法是通过改进爬坡预测模型来提高预测精度的，但对功率预测的精度依赖较高。随着机器学习技术的不断发展，基于机器学习的功率爬坡事件预测方法不断涌现，然而，这些方法虽然通过不同的途径提升了功率爬坡事件预测的精度，但缺乏对功率时间特性的研究，而功率时间特性在带有强烈间歇性和随机性的新能源预测中尤为重要。
因此，如何对风电和光伏功率爬坡事件进行预测是本领域目前还有待进一步解决的问题。
发明内容
有鉴于此，本申请的目的在于提供一种功率爬坡事件预测方法、装置、设备及存储介质，能够避免系统误差的累计，提高功率预测的精度和爬坡事件检测的准确性，有助于缓解电力系统调峰、调频的压力，增加电网中的风电和光伏发电消纳，降低后备电站的运营成本。其具体方案如下：
第一方面，本申请公开了一种功率爬坡事件预测方法，包括：
获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件；
将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据；
根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。
可选的，所述目标风光功率爬坡事件预测模型的训练过程，包括：
基于所述初始风光功率爬坡事件预测模型中的所述PCA算法对所述历史风电数据和所述历史光伏数据进行降维处理，得到降维后风电数据和降维后光伏数据；
通过所述STL分解法对所述历史风电数据和所述历史光伏数据中的历史风电功率和历史光伏功率进行时序分解，得到包含周期分量、趋势分量和余项分量的分解后风电功率和分解后光伏功率；
将所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率输入至所述LSTM神经网络中，以预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率，并利用所述误差修正算法对所述预测功率进行误差校正，得到所述目标风光功率爬坡事件预测模型。
可选的，所述预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率，包括：
基于周期朴素法预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率。
可选的，所述将所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率输入至所述LSTM神经网络中，包括：
对所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率进行预处理，得到预处理后的数据，并将所述预处理后的数据输入至所述LSTM神经网络中。
可选的，所述STL分解法包括内循环和外循环；其中，所述内循环用于更新所述周期分量和所述趋势分量，所述外循环用于计算下一个内循环的鲁棒权重。
可选的，所述通过所述STL分解法对所述历史风电数据和所述历史光伏数据中的风电功率和光伏功率进行时序分解的过程中，还包括：
对预设的参数进行确定；所述预设的参数包括循环中的观测值数量、内循环迭代次数、外循环迭代次数、周期序列平滑参数、低通滤波器的平滑参数。
可选的，所述根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果，包括：
根据预设的爬坡事件判定规则检测所述风电功率预测值或所述光伏功率预测值在预设时间内是否发生爬坡事件，并判断所述风电功率爬坡事件或所述光伏功率爬坡事件的具体方向，得到风电爬坡事件检测结果或光伏爬坡事件检测结果；所述爬坡事件判定规则为如果开始时刻功率与结束时刻功率差的绝对值与观测时长之比大于预设阈值，则判定发生了爬坡事件。
第二方面，本申请公开了一种功率爬坡事件预测装置，包括：
爬坡事件获取模块，用于获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件；
爬坡功率预测模块，用于将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据；
爬坡事件检测模块，用于根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。
第三方面，本申请公开了一种电子设备，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现前述的功率爬坡事件预测方法。
第四方面，本申请公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述的功率爬坡事件预测方法。
可见，本申请先获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件，然后将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据；再根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。本申请通过基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的风光功率爬坡事件预测模型能够避免系统误差的累计，提高功率预测的精度和爬坡事件检测的准确性，并且避免了爬坡事件的漏检和检测过于频繁，有助于缓解电力系统调峰、调频的压力，增加电网中的风电和光伏发电消纳，及降低后备电站的运营成本。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种功率爬坡事件预测方法流程图；
图2为本申请公开的一种具体的功率爬坡事件预测方法结构框图；
图3为本申请公开的一种具体的功率爬坡事件预测方法流程图；
图4为本申请公开的一种具体的风电功率爬坡事件预测结果示意图；
图5为本申请公开的一种具体的风电功率预测结果示意图；
图6为本申请公开的一种具体的光伏功率爬坡事件预测结果示意图；
图7为本申请公开的一种具体的光伏功率预测结果流程图；
图8为本申请公开的一种功率爬坡事件预测装置结构示意图；
图9为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请实施例公开了一种功率爬坡事件预测方法，参见图1所示，该方法包括：
步骤S11：获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件。
本实施例提出的功率爬坡事件预测方案不仅可以对风电功率爬坡事件进行预测，同时还可以对光伏功率爬坡事件进行预测。当需要进行功率爬坡事件预测时，先对待进行预测的风电功率爬坡事件或光伏功率爬坡事件进行获取。
步骤S12：将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据。
本实施例中，获取到待进行预测的风电功率爬坡事件或光伏功率爬坡事件之后，进一步的，将上述风电功率爬坡事件或上述光伏功率爬坡事件输入到训练后的目标风光功率爬坡事件预测模型中，该模型能够对上述风电功率爬坡事件或上述光伏功率爬坡事件的功率进行预测，从而得到相应的风电功率预测值或光伏功率预测值。需要指出的是，所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA(Principal Component Analysis，主成分分析)算法、STL(Seasonal-Trend decomposition procedure based on Loess，时序分解)分解法、误差修正(EC，Error Correction)算法和LSTM(Long Short-Term Memory，长短期记忆网络)神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；其中，所述训练集包括历史风电数据和历史光伏数据。需要指出的是，本申请提出的目标风光功率爬坡事件预测模型并不是直接对爬坡事件进行预测，而是先对爬坡事件的功率进行预测，然后利用预测出的功率值对爬坡事件进行预测，也即本方案采用的是间接预测的方式对功率爬坡事件进行预测的。
其中，所述目标风光功率爬坡事件预测模型的训练过程，具体可以包括：基于所述初始风光功率爬坡事件预测模型中的所述PCA算法对所述历史风电数据和所述历史光伏数据进行降维处理，得到降维后风电数据和降维后光伏数据；通过所述STL分解法对所述历史风电数据和所述历史光伏数据中的历史风电功率和历史光伏功率进行时序分解，得到包含周期分量、趋势分量和余项分量的分解后风电功率和分解后光伏功率；将所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率输入至所述LSTM神经网络中，以预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率，并利用所述误差修正算法对所述预测功率进行误差校正，得到所述目标风光功率爬坡事件预测模型。本实施例中，预先创建了基于PCA算法、STL分解法、误差修正算法和LSTM神经网络的初始风光功率爬坡事件预测模型，然后利用采集到的历史风电数据和历史光伏数据对其进行模型训练，从而得到训练后的目标风光功率爬坡事件预测模型，该目标风光功率爬坡事件预测模型可以记为PCA-STL-LSTM-EC(或PS-STL-LSTM-EC)模型，是PCA-STL模型(主成分预测时序分解值模型)和LSTM-EC模型的结合。其中，PCA-STL模型中的PCA算法和STL分解法分别用于特征优化和时间特性表征，该模型能够充分利用主成分特征和功率的时间特性来提升预测的准确度。可以理解的是，对风电功率或光伏功率产生影响的因素较多，这些因素会导致风电或光伏预测中测试数据项多、样本矩阵稀疏且个别数据噪声大、不易理解，以及应用功率爬坡事件预测模型后计算复杂，且不利于测试数据的使用和显示等缺点。为了解决上述问题，本申请采用了PCA算法来解决多维数据的权属问题。首先，将采集到的历史风电数据和历史光伏数据输入至初始风光功率爬坡事件预测模型中，然后通过模型中的PCA算法对历史风电数据和历史光伏数据，即训练样本集进行降维处理，得到相应的降维后风电数据和降维后光伏数据；接着，为了能够稳健地处理季节性数据，并对异常值进行包容，通过PCA-STL模型中的STL分解法对历史风电数据和历史光伏数据中的历史风电功率和历史光伏功率进行时序分解，进而得到包含周期分量、趋势分量和余项分量的分解后风电功率和分解后光伏功率；进一步的，将上述降维后风电数据、上述降维后光伏数据、上述分解后风电功率和上述分解后光伏功率输入至LSTM神经网络中，从而对历史风电数据和历史光伏数据对应的功率进行预测得到相应的预测功率；另外，为了提高模型预测精度，在LSTM网络的输出部分还可以添加误差修正算法，通过该误差修正算法能够对上述预测功率进行误差校正，从而提升功率预测的精度，而高精度的预测功率能够增加后续爬坡事件检测的准确性。通过上述对初始风光功率爬坡事件预测模型的训练，最终得到目标风光功率爬坡事件预测模型。
需要指出的是，所述STL分解法具体包括内循环和外循环；其中，所述内循环用于更新所述周期分量和所述趋势分量，所述外循环用于计算下一个内循环的鲁棒权重。
另外，所述通过所述STL分解法对所述历史风电数据和所述历史光伏数据中的风电功率和光伏功率进行时序分解的过程中，具体还包括：对预设的参数进行确定；所述预设的参数包括循环中的观测值数量、内循环迭代次数、外循环迭代次数、周期序列平滑参数、低通滤波器的平滑参数。也即，在STL分解法分解的过程中须对以下参数进行确定：循环中的观测值数量np、内循环迭代次数ni、外循环迭代次数no、周期序列平滑参数ns、低通滤波器的平滑参数n1和nt。
本实施例中，所述将所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率输入至所述LSTM神经网络中，具体可以包括：对所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率进行预处理，得到预处理后的数据，并将所述预处理后的数据输入至所述LSTM神经网络中。本实施例中，在将数据输入到LSTM神经网络之前，还需要对输入的数据进行预处理，以便将其转换为符合LSTM神经网络要求的输入量。
本实施例中，所述预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率，具体可以包括：基于周期朴素法预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率。本实施例中，为了提高功率预测的准确度，在对历史风电数据和历史光伏数据进行功率时可以采用周期朴素法进行周期预测。
在一种具体实施方式中，参见图2所示，图2示出了一种具体的风光功率爬坡事件预测模型，该模型的具体训练过程为：首先，通过PCA算法对包含历史风电数据和历史光伏数据的样本集中的数据进行数据降维，从而解决多维数据的权属问题。具体的，风电功率的数据特征包括但不限于风速、风向、温度、气压、湿度等影响因素；光伏功率的数据特征包括但不限于总辐射、组件温度、环境温度、气压、相对湿度等影响因素。具体的降维过程如下：1)为样本集中的历史风电数据和历史光伏数据构建数据样本矩阵，当N组历史风电数据或历史光伏数据中有m列特征时，则构建的原始数据矩阵可以用N行m列的矩阵X表示，矩阵X去中心化后得到：
2)利用矩阵X构建风电数据协方差矩阵或光伏数据协方差矩阵得到样本协方差矩阵：
3)对风电数据协方差矩阵或光伏数据协方差矩阵C进行特征分解，并计算协方差矩阵C的特征值λ1≥λ2≥…≥λm和特征向量u1，u2，…，um。
4)确定历史风电数据或历史光伏数据中的主成分个数q，并构建主成分矩阵：
YN×q＝XN×qUm×q；
式中，Um×q＝[u1，u2，…，uq]，最终得到降维后的历史风电数据或历史光伏数据的主成分特征矩阵YN×q。
接着，利用STL分解法对某时刻的功率数据进行分解，在时间t内(t＝1,2,…，n)，STL分解可以表示为：
Pt＝St+Tt+Rt；
式中：Pt为历史风电数据或历史光伏数据的功率时间序列，St为功率周期分量，Tt为功率趋势分量，Rt为功率剩余分量。
利用STL分解法对风电功率或光伏功率进行分解的流程如下：1)去除功率时间序列中的功率趋势分量，得到去趋势序列2)子序列平滑处理，基于loess平滑对去趋势序列进行平滑处理得到/>3)再次基于低通滤波和loess平滑处理/>得到剩余趋势/>4)去掉平滑后的循环子序列的趋势，得到功率分周期分量5)去除功率周期分量得到去周期序列/>6)基于loess平滑对去周期序列进行处理得到趋势分量/>
经过上述流程处理后，风电或光伏的功率时间序列能够被分解，得到周期分量St和趋势分量Tt，则余项分量Rt为：
另外，为了提前发现能够提高模型预测精度的有益规律以改进和修正模型，以及风电或光伏功率预测过程中的在线评估以及爬坡事件的及早风险发现，可以对系统多步预测的误差的变化规律进行分析。可以理解的是，在利用LSTM神经网络预测风电功率或光伏功率时存在一定的动态误差，当数据量较小时，模型参数更新不够充分，将导致较大的误差。为了解决上述问题，本实施例可以采用多项式拟合的方式来减小误差，参见图1所示，可以先计算出实际风电功率值或实际光伏功率值Pk(k＝1，2，...，N)和对应的历史预测值之间的预测误差/>然后利用预测误差ek和时间序列k构造一个m-1阶的多项式：
ek＝a1+a2k+a3k3+…+amkm-1；
在实际的风电或光伏功率预测过程中，可以利用预测误差和功率时间序列建立回归拟合方程，进而获得误差系数ai(i＝1，2，...，m)和常数项a1。接着，将上述误差系数和上述常数项代入实时的功率时间序列中，并将拟合结果ek(即预测误差)作为补偿误差，在以后的预测中，利用补偿误差修正实时功率预测值
式中，k＝1,2,…,N；为误差修正后的最终预测功率。
步骤S13：根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。
本实施例中，通过目标风光功率爬坡事件预测模型得到风电功率预测值或光伏功率预测值之后，进一步的进行爬坡检测，该检测具体用于判断上述所述风电功率预测值或上述光伏功率预测值在规定时间内是否发生爬坡，具体的，根据所述风电功率预测值或所述光伏功率预测值对上述风电功率爬坡事件或上述光伏功率爬坡事件进行爬坡事件检测，进而得到风电爬坡事件检测结果或光伏爬坡事件检测结果，从而完成了风电爬坡事件或光伏爬坡事件的有效预测，并且能够避免爬坡事件漏检或检测过于频繁。
可见，本申请实施例先获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件，然后将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据；再根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。本申请实施例通过基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的风光功率爬坡事件预测模型能够避免系统误差的累计，提高功率预测的精度和爬坡事件检测的准确性，并且避免了爬坡事件的漏检和检测过于频繁，有助于缓解电力系统调峰、调频的压力，增加电网中的风电和光伏发电消纳，及降低后备电站的运营成本。
本申请实施例公开了一种具体的功率爬坡事件预测方法，参见图3所示，该方法包括：
步骤S21：获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件。
步骤S22：将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据。
步骤S23：根据预设的爬坡事件判定规则检测所述风电功率预测值或所述光伏功率预测值在预设时间内是否发生爬坡事件，并判断所述风电功率爬坡事件或所述光伏功率爬坡事件的具体方向，得到风电爬坡事件检测结果或光伏爬坡事件检测结果；所述爬坡事件判定规则为如果开始时刻功率与结束时刻功率差的绝对值与观测时长之比大于预设阈值，则判定发生了爬坡事件。
本实施例中，在得到风电功率预测值或光伏功率预测值之后，可以进一步的根据预设的爬坡事件判定规则检测上述风电功率预测值或上述光伏功率预测值在预设时间Δt内是否发生爬坡事件，并判断上述风电功率爬坡事件或上述光伏功率爬坡事件的具体方向，得到相应的风电爬坡事件检测结果或光伏爬坡事件检测结果。具体的，所述爬坡事件判定规则为如果开始时刻功率与结束时刻功率差的绝对值与观测时长之比大于预设阈值，即|Pt+Δt-Pt|/Δt>Pval，则判定发生了爬坡事件。
需要指出的是，本申请通过STL分解法对历史风电数据和历史光伏数据中的历史风电功率和历史光伏功率进行时序分解后，得到的分解后风电功率和分解后光伏功率中具体包含周期分量、趋势分量和余项分量。为了对各个分量进行误差修正，在基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建了初始风光功率爬坡事件预测模型之后，需要先调整LSTM神经网络的神经元结构和参数，得到趋势预测值和余项预测值/>然后根据误差修正算法，分别计算趋势预测值/>和趋势实际值/>的误差/>余项预测值/>和余项实际值/>的误差/>接着使用多项式拟合获得趋势误差系数/>余项误差系数/>和趋势常数项/>余项常数项/>并将其作为校正因子。进一步的，通过所述LSTM神经网络预测风电或光伏的趋势值/>和余项值/>然后基于LSTM-EC模型将趋势误差校正的补偿值添加到趋势预测值/>中，从而获得修正后的趋势预测值/>接着，将余项误差校正的补偿值/>添加到余项预测值/>中，获得修正后的余项预测值/>对于周期分量可以基于周期朴素法得到周期预测值/>接着与修正后的趋势和余项预测值求和构成最终的预测功率，即得到最终的风电或光伏功率预测值/>参见图2所示，通过分别计算趋势和余项的预测误差并在随后的2次预测中进行补偿，能够避免系统的累计误差。
进一步的，在经过训练得到所述目标风光功率爬坡事件预测模型之后，可以通过实际风电数据或光伏数据对预测功率的准确性进行验证。在一种具体的实施方式中，以某风电厂2021年3月5日-5月4日的运行数据为风电测试数据，采集的时间间隔为20min，其中，风电功率的数据特征包括风速、风向、温度、气压、湿度共5个影响因素，样本个数为3000。同时，以某光伏电站2022年9月1日-11月1日的运行数据为光伏测试数据，采集的时间间隔为20min，光伏功率的数据特征包括总辐射、组件温度、环境温度、气压、相对湿度共5个影响因素，样本个数为3000。
在采集到上述样本数据之后，进一步的，确定功率和功率爬坡事件预测的评价指标。考虑到大模型测试用到的评价指标有直接预测指标和间接预测指标，本实施例中，风电或光伏功率直接预测指标具体可以包括但不限于均方根误差(RMSE，Root Mean SquareError)、平均绝对误差(MAE，Mean Absolute Error)，计算公式分别为：
其中，N为数据量，P、P*分别为实际功率和预测功率。
本实施例中，功率爬坡事件预测评价指标包括但不限于查准率FA、查全率RC及关键成功指数CSI等。功率爬坡事件分为发生和不发生，如表1所示的功率爬坡预测中的4种结果：
表1
其中，T为true(真)，F为false(假)，P为positive(即预测结果为真)，N为negative(即预测结果为假)。
需要指出的是，查准率FA为预测发生且实际发生的概率，查全率RC为爬坡事件被正确预测到的比例，关键成功指数CSI表征预测结果的有效性。具体表达式如下：
其中，FA、RC、CSI均为正向指标，值越大，功率爬坡预测性能越好。
在确定了上述评价指标之后，可以对风电数据进行预测，具体包括对风电功率的预测和对风电功率爬坡事件的预测。针对风电功率的预测，可以通过PS-LSTM-EC模型在风电功率预测上的正确性来验证，PS-LSTM-EC模型风电功率的直接预测结果参加图4所示，其中，t0＝20min，P为功率，通过图4可知，通过LSTM-EC模型对误差进行修正，且t＝80t0～100t0、180t0～200t0时，LSTM神经网络的预测误差被有效校正，其余预测点的预测结果也较好，证实了该误差修正方法的正确性。另外，PS-LSTM-EC模型的风电功率预测性能指标：RMSE/MW为3.6135，MAE/MW为2.3206，证实了在数据样本时序关联较强的情况下，PS-LSTM-EC模型能够考虑到数据的时序特征，并在预测的基础上对误差进行修正，从而改善了模型的预测精度。针对风电功率爬坡事件的预测，可以使用上述预测得到的风电功率，并基于预设的爬坡定义对风电功率爬坡事件进行检测以验证PS-LSTM-EC模型对爬坡事件的预测能力。考虑到风电时空分布差异较大，并且目前对爬坡阈值尚未有统一的标准，因此须结合实际情况确定合理的阈值。本实施例中，可选取风电装机容量Pw为50MW，上下爬坡阈值分别设置为20％Pw和15％Pw，时间间隔为30min，则PS-LSTM-EC模型的风电爬坡事件的预测结果参见图5所示，其中，(a)为真实风电爬坡事件结果，(b)为通过PS-LSTM-EC模型得到的风电爬坡事件预测结果，t0＝30min，τ表示爬坡方向，可以看出风电功率预测相对平稳，误报的次数较低，基本上可以预测风电功率爬坡事件，并且，通过表2也可以看出PS-LSTM-EC模型可以有效降低功率爬坡事件预测的误报率和漏报率。
表2
在确定了上述评价指标之后，还可以对光伏数据进行预测，具体包括对光伏功率的预测和对光伏功率爬坡事件的预测。针对光伏功率的预测，可以通过PS-LSTM-EC模型在光伏功率预测上的正确性来验证，PS-LSTM-EC模型风电功率的直接预测结果参加图6所示，其中，t0＝15min。通过图6可知，在光伏数据的预测上，PS-LSTM-EC模型通过基于主成分分析、STL分解和EC算法得到光伏预测功率，并且误差均被不同程度的补偿，有助于进一步间接预测风电功率爬坡事件。其中，PS-LSTM-EC模型的光伏功率预测性能指标：RMSE/MW为5.8476，MAE/MW为3.8234，与风电功率预测比较相类似，PS-LSTM-EC模型的具有较好的预测效果。针对光伏功率爬坡事件的预测，当光伏装机容量PG为100MW，光伏的上下爬坡阈值分别为15％PG和20％PG，且时间间隔为1h时，光伏功率爬坡事件的预测结果参见图7所示，其中，(a)为真实光伏爬坡事件结果，(b)为通过PS-LSTM-EC模型得到的光伏爬坡事件预测结果，t0＝1h，通过图7可以得出，PS-LSTM-EC模型的正确预报数目接近真实情况。另外，光伏功率事件的预测准确性如表3所示，表3可以看出PS-LSTM-EC模型也取得了较好的性能，表明该模型能较好地预测出光伏功率爬坡事件。
表3
通过上述对风电功率爬坡事件和光伏功率爬坡事件的预测性能进行测试，可以看出，PS-LSTM-EC模型在风电功率或光伏功率直接预测和功率爬坡事件间接预测的各个性能指标上，都能够较准确地预测出风电功率爬坡事件或光伏功率爬坡事件，进而为后续的电网调度提供良好的保证，有助于风电或光伏系统的长期稳定运行。
其中，关于上述步骤S21、S22更加具体的处理过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
可见，本申请实施例在对风电功率或光伏功率直接预测的基础上，结合了预设的爬坡事件判定规则进行爬坡检测识别，并对预测功率进行了误差修正，从而提升了功率预测的精度，而高精度的功率预测能够增加后续功率爬坡事件检测的准确度，为后续电网调度提供良好的保证，有助于风电或光伏系统的长期稳定运行。另外，通过在预设时间内检测是否发生爬坡事件，能够避免爬坡事件漏检或检测过于频繁。
相应的，本申请实施例还公开了一种功率爬坡事件预测装置，参见图8所示，该装置包括：
爬坡事件获取模块11，用于获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件；
爬坡功率预测模块12，用于将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据；
爬坡事件检测模块13，用于根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。
其中，关于上述各个模块的具体工作流程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
可见，本申请实施例中，先获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件，然后将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据；再根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。本申请实施例通过基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的风光功率爬坡事件预测模型能够避免系统误差的累计，提高功率预测的精度和爬坡事件检测的准确性，并且避免了爬坡事件的漏检和检测过于频繁，有助于缓解电力系统调峰、调频的压力，增加电网中的风电和光伏发电消纳，及降低后备电站的运营成本。
在一些具体实施例中，所述目标风光功率爬坡事件预测模型的训练过程，具体可以包括：
降维处理单元，用于基于所述初始风光功率爬坡事件预测模型中的所述PCA算法对所述历史风电数据和所述历史光伏数据进行降维处理，得到降维后风电数据和降维后光伏数据；
时序分解单元，用于通过所述STL分解法对所述历史风电数据和所述历史光伏数据中的历史风电功率和历史光伏功率进行时序分解，得到包含周期分量、趋势分量和余项分量的分解后风电功率和分解后光伏功率；
第一功率预测单元，用于将所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率输入至所述LSTM神经网络中，以预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率；
误差校正单元，用于利用所述误差修正算法对所述预测功率进行误差校正，得到所述目标风光功率爬坡事件预测模型。
在一些具体实施例中，所述第一功率预测单元，具体可以包括：
第二功率预测单元，用于基于周期朴素法预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率。
在一些具体实施例中，所述功率预测单元，具体可以包括：
数据预处理单元，用于对所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率进行预处理，得到预处理后的数据；
数据输入单元，用于将所述预处理后的数据输入至所述LSTM神经网络中。
在一些具体实施例中，所述STL分解法包括内循环和外循环；其中，所述内循环用于更新所述周期分量和所述趋势分量，所述外循环用于计算下一个内循环的鲁棒权重。
在一些具体实施例中，所述时序分解单元的过程中，还可以包括：
参数确定单元，用于对预设的参数进行确定；所述预设的参数包括循环中的观测值数量、内循环迭代次数、外循环迭代次数、周期序列平滑参数、低通滤波器的平滑参数。
在一些具体实施例中，所述爬坡事件检测模块13，具体可以包括：
爬坡事件检测单元，用于根据预设的爬坡事件判定规则检测所述风电功率预测值或所述光伏功率预测值在预设时间内是否发生爬坡事件，并判断所述风电功率爬坡事件或所述光伏功率爬坡事件的具体方向，得到风电爬坡事件检测结果或光伏爬坡事件检测结果；所述爬坡事件判定规则为如果开始时刻功率与结束时刻功率差的绝对值与观测时长之比大于预设阈值，则判定发生了爬坡事件。
进一步的，本申请实施例还公开了一种电子设备，图9是根据一示例性实施例示出的电子设备20结构图，图中的内容不能认为是对本申请的使用范围的任何限制。
图9为本申请实施例提供的一种电子设备20的结构示意图。该电子设备20，具体可以包括：至少一个处理器21、至少一个存储器22、电源23、通信接口24、输入输出接口25和通信总线26。其中，所述存储器22用于存储计算机程序，所述计算机程序由所述处理器21加载并执行，以实现前述任一实施例公开的功率爬坡事件预测方法中的相关步骤。另外，本实施例中的电子设备20具体可以为电子计算机。
本实施例中，电源23用于为电子设备20上的各硬件设备提供工作电压；通信接口24能够为电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
另外，存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，其上所存储的资源可以包括操作系统221、计算机程序222等，存储方式可以是短暂存储或者永久存储。
其中，操作系统221用于管理与控制电子设备20上的各硬件设备以及计算机程序222，其可以是Windows Server、Netware、Unix、Linux等。计算机程序222除了包括能够用于完成前述任一实施例公开的由电子设备20执行的功率爬坡事件预测方法的计算机程序之外，还可以进一步包括能够用于完成其他特定工作的计算机程序。
进一步的，本申请还公开了一种计算机可读存储介质，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的功率爬坡事件预测方法。关于该方法的具体步骤可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本申请所提供的一种功率爬坡事件预测方法、装置、设备及存储介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种功率爬坡事件预测方法，其特征在于，包括：
获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件；
将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据；
根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。
2.根据权利要求1所述的功率爬坡事件预测方法，其特征在于，所述目标风光功率爬坡事件预测模型的训练过程，包括：
基于所述初始风光功率爬坡事件预测模型中的所述PCA算法对所述历史风电数据和所述历史光伏数据进行降维处理，得到降维后风电数据和降维后光伏数据；
通过所述STL分解法对所述历史风电数据和所述历史光伏数据中的历史风电功率和历史光伏功率进行时序分解，得到包含周期分量、趋势分量和余项分量的分解后风电功率和分解后光伏功率；
将所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率输入至所述LSTM神经网络中，以预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率，并利用所述误差修正算法对所述预测功率进行误差校正，得到所述目标风光功率爬坡事件预测模型。
3.根据权利要求2所述的功率爬坡事件预测方法，其特征在于，所述预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率，包括：
基于周期朴素法预测出所述历史风电数据和所述历史光伏数据对应的功率得到预测功率。
4.根据权利要求2所述的功率爬坡事件预测方法，其特征在于，所述将所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率输入至所述LSTM神经网络中，包括：
对所述降维后风电数据、所述降维后光伏数据、所述分解后风电功率和所述分解后光伏功率进行预处理，得到预处理后的数据，并将所述预处理后的数据输入至所述LSTM神经网络中。
5.根据权利要求2所述的功率爬坡事件预测方法，其特征在于，所述STL分解法包括内循环和外循环；其中，所述内循环用于更新所述周期分量和所述趋势分量，所述外循环用于计算下一个内循环的鲁棒权重。
6.根据权利要求2所述的功率爬坡事件预测方法，其特征在于，所述通过所述STL分解法对所述历史风电数据和所述历史光伏数据中的风电功率和光伏功率进行时序分解的过程中，还包括：
对预设的参数进行确定；所述预设的参数包括循环中的观测值数量、内循环迭代次数、外循环迭代次数、周期序列平滑参数、低通滤波器的平滑参数。
7.根据权利要求1至6任一项所述的功率爬坡事件预测方法，其特征在于，所述根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果，包括：
根据预设的爬坡事件判定规则检测所述风电功率预测值或所述光伏功率预测值在预设时间内是否发生爬坡事件，并判断所述风电功率爬坡事件或所述光伏功率爬坡事件的具体方向，得到风电爬坡事件检测结果或光伏爬坡事件检测结果；所述爬坡事件判定规则为如果开始时刻功率与结束时刻功率差的绝对值与观测时长之比大于预设阈值，则判定发生了爬坡事件。
8.一种功率爬坡事件预测装置，其特征在于，包括：
爬坡事件获取模块，用于获取待进行预测的风电功率爬坡事件或光伏功率爬坡事件；
爬坡功率预测模块，用于将所述风电功率爬坡事件或所述光伏功率爬坡事件输入至训练后的目标风光功率爬坡事件预测模型中，以对所述风电功率爬坡事件或所述光伏功率爬坡事件的功率进行预测，得到风电功率预测值或光伏功率预测值；所述目标风光功率爬坡事件预测模型为利用训练集对基于PCA算法、STL分解法、误差修正算法和LSTM神经网络构建的初始风光功率爬坡事件预测模型进行训练后得到的模型；所述训练集包括历史风电数据和历史光伏数据；
爬坡事件检测模块，用于根据所述风电功率预测值或所述光伏功率预测值对所述风电功率爬坡事件或所述光伏功率爬坡事件进行爬坡事件检测，得到风电爬坡事件检测结果或光伏爬坡事件检测结果。
9.一种电子设备，其特征在于，包括处理器和存储器；其中，所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的功率爬坡事件预测方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序；其中，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的功率爬坡事件预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310761392.2A CN116960941A (zh) | 2023-06-26 | 2023-06-26 | 一种功率爬坡事件预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310761392.2A CN116960941A (zh) | 2023-06-26 | 2023-06-26 | 一种功率爬坡事件预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116960941A true CN116960941A (zh) | 2023-10-27 |
Family
ID=88445375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310761392.2A Pending CN116960941A (zh) | 2023-06-26 | 2023-06-26 | 一种功率爬坡事件预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116960941A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117196122A (zh) * | 2023-11-02 | 2023-12-08 | 湖南赛能环测科技有限公司 | 一种基于风电功率爬坡时长的风电场调整方法及装置 |
| CN117748501A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风功率预测方法和系统 |
| CN117787509A (zh) * | 2024-02-23 | 2024-03-29 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风速预测方法和系统 |
-
2023
- 2023-06-26 CN CN202310761392.2A patent/CN116960941A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117196122A (zh) * | 2023-11-02 | 2023-12-08 | 湖南赛能环测科技有限公司 | 一种基于风电功率爬坡时长的风电场调整方法及装置 |
| CN117196122B (zh) * | 2023-11-02 | 2024-02-06 | 湖南赛能环测科技有限公司 | 一种基于风电功率爬坡时长的风电场调整方法及装置 |
| CN117748501A (zh) * | 2024-02-19 | 2024-03-22 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风功率预测方法和系统 |
| CN117748501B (zh) * | 2024-02-19 | 2024-05-07 | 西安热工研究院有限公司 | 一种储能辅助黑启动的风功率预测方法和系统 |
| CN117787509A (zh) * | 2024-02-23 | 2024-03-29 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风速预测方法和系统 |
| CN117787509B (zh) * | 2024-02-23 | 2024-05-14 | 西安热工研究院有限公司 | 一种用于储能辅助黑启动的风速预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116960941A (zh) | 一种功率爬坡事件预测方法、装置、设备及存储介质 | |
| CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
| CN103117546A (zh) | 一种超短期风电功率滑动预测方法 | |
| CN110378504B (zh) | 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法 | |
| CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
| CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
| CN112988538B (zh) | 人工智能开发平台监控告警数据预测方法、装置及介质 | |
| CN116167527B (zh) | 纯数据驱动的电力系统静态安全运行风险在线评估方法 | |
| CN111723982A (zh) | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 | |
| CN116227637A (zh) | 一种面向有源配电网的精细化负荷预测方法和系统 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN110458344B (zh) | 一种自适应时间分辨率的超短期风电功率预测方法 | |
| CN115081597A (zh) | 一种基于机器学习的以电核碳方法、系统、设备和介质 | |
| CN117613905B (zh) | 一种基于多维分量分解的电力需求中期预测方法及系统 | |
| Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
| Yang et al. | Short‐term photovoltaic power dynamic weighted combination forecasting based on least squares method | |
| CN111967660B (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
| CN113112085A (zh) | 一种基于bp神经网络的新能源场站发电负荷预测方法 | |
| CN110363338B (zh) | 基于cos衰减性原子分解和混沌理论的风电功率超短期预测方法 | |
| CN117332898A (zh) | 基于机器学习的新能源小时间尺度功率时序滚动预测方法 | |
| CN115713252A (zh) | 一种水风光储多能互补系统综合效益评估方案寻优方法 | |
| CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 | |
| Kumar et al. | A Comparative Analysis of Time Series and Machine Learning Models for Wind Speed Prediction | |
| CN113449933A (zh) | 基于聚类电量曲线分解的地区中期负荷预测方法及装置 | |
| Zhao et al. | An interpretable ultra-short-term wind power prediction model based on the feature matrix reconstruction through regression trees |
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 |