CN116976532A - 非参数化的新能源场景-概率-区间一体化预测方法 - Google Patents
非参数化的新能源场景-概率-区间一体化预测方法 Download PDFInfo
- Publication number
- CN116976532A CN116976532A CN202311240894.7A CN202311240894A CN116976532A CN 116976532 A CN116976532 A CN 116976532A CN 202311240894 A CN202311240894 A CN 202311240894A CN 116976532 A CN116976532 A CN 116976532A
- Authority
- CN
- China
- Prior art keywords
- prediction
- new energy
- predicted
- target
- time point
- 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 53
- 238000009826 distribution Methods 0.000 claims abstract description 133
- 238000012937 correction Methods 0.000 claims abstract description 22
- 238000004590 computer program Methods 0.000 claims description 25
- 238000005315 distribution function Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims 3
- 238000005070 sampling Methods 0.000 description 8
- 230000001186 cumulative effect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 108090000672 Annexin A5 Proteins 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 208000031481 Pathologic Constriction Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000037804 stenosis Diseases 0.000 description 1
- 230000036262 stenosis Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 238000009827 uniform distribution 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Algebra (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种非参数化的新能源场景‑概率‑区间一体化预测方法,包括:获取待预测的新能源在预测时间段的功率预测曲线;针对所述预测时间段内的目标时间点,基于目标时间点在所述功率预测曲线上对应的预测功率值,确定所述目标时间点在预设的多个预测箱中对应的目标预测箱;每个预测箱均对应有所述新能源的历史实测功率值的概率分布信息;基于所述目标预测箱对应的概率分布信息,生成所述目标预测箱对应的新能源场景集,根据所述新能源场景集,对所述目标时间点的预测功率值进行误差校正,得到所述新能源在所述目标时间点处的预测功率区间。采用本方法能够实现对风电、光伏等新能源功率的不确定性的定量描述,克服点预测方法存在的误差问题。
Description
技术领域
本申请涉及新能源技术领域,特别是涉及一种非参数化的新能源场景-概率-区间一体化预测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着社会的发展,风电、光伏等新能源逐渐成为人类生活、生产中的一个重要能源,然而,风电、光伏等新能源的随机性、波动性、不确定性和新能源出力的弱可控性给电力系统的安全稳定运行带来了较大的困扰和挑战,如何实现高精度的风电、光伏功率预测成为该领域研究的重点。
传统的功率预测主要以点预测(确定性预测)为主,其预测的内容是未来功率的期望值,但这种方法无法避免预测误差,且点预测结果不能对风电、光伏功率的不确定性做出定量描述。
发明内容
基于此,有必要针对上述方法存在预测误差,且不能对风电、光伏功率的不确定性做出定量描述的技术问题,提供一种非参数化的新能源场景-概率-区间一体化预测方法、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,本申请提供了一种非参数化的新能源场景-概率-区间一体化预测方法。所述方法包括:
获取待预测的新能源在预测时间段的功率预测曲线;所述功率预测曲线上的每个数据点对应所述新能源在所述预测时间段内的一个时间点上的预测功率值;
针对所述预测时间段内的目标时间点,基于所述目标时间点在所述功率预测曲线上对应的预测功率值,确定所述目标时间点在预设的多个预测箱中对应的目标预测箱;每个预测箱均对应有所述新能源的历史实测功率值的概率分布信息,所述目标时间点为所述预测时间段内的任一个时间点;
基于所述目标预测箱对应的概率分布信息生成所述目标预测箱对应的新能源场景集;
根据所述新能源场景集,对所述目标时间点的预测功率值进行误差校正,得到所述新能源在所述目标时间点处的预测功率区间。
在其中一个实施例中,所述多个预测箱通过下述方式确定:
获取所述新能源在历史时间段内的数据集;所述数据集包括多个数据组,每个数据组包括一个历史实测功率值和一个历史预测功率值;
将所述数据集中的历史预测功率值按照大小顺序排序,根据排序结果生成多个数值区间;
基于每个数据组中的历史预测功率值,将所述多个数据组分配至各个数值区间内,将分配后得到的多个数值区间,对应作为多个预测箱。
在其中一个实施例中,所述根据排序结果生成多个数值区间,包括:
获取所述数据集包含的数据量;
按照数据量与区间宽度成负相关关系的条件,确定区间宽度;
根据所述排序结果和所述区间宽度,生成多个数值区间。
在其中一个实施例中,所述每个预测箱内历史实测功率值的概率分布信息通过下述方式确定:
确定针对新能源功率的非参数的经验分布模型;
基于所述非参数的经验分布模型,对所述每个预测箱内的历史实测功率值进行统计分析,得到所述每个预测箱内的历史实测功率值的概率分布信息。
在其中一个实施例中,所述基于所述目标预测箱对应的概率分布信息,生成所述目标预测箱对应的新能源场景集,包括:
根据所述目标预测箱对应的概率分布信息,确定多元正态分布的协方差关键参数,根据所述协方差关键参数,构建对应的协方差矩阵;
根据所述协方差矩阵,确定多元正态分布函数,基于所述多元正态分布函数生成所述目标预测箱对应的多个多元正态随机向量样本;
对各个多元正态随机向量样本进行逆变换,得到对应的多个新能源场景,将所述多个新能源场景,组成所述新能源场景集。
在其中一个实施例中,所述根据所述新能源场景集,对所述目标时间点的预测功率值进行误差校正,得到所述新能源在所述目标时间点处的预测功率区间,包括:
根据所述新能源场景集,确定多个候选预测功率值;
从所述多个候选预测功率值中,确定出预测功率值上界和预测功率值下界;
基于所述预测功率值上界和所述预测功率值下界,得到所述新能源在所述目标时间点处的预测功率区间。
第二方面,本申请还提供了一种非参数化的新能源场景-概率-区间一体化预测装置。所述装置包括:
获取模块,用于获取待预测的新能源在预测时间段的功率预测曲线;所述功率预测曲线上的每个数据点对应所述新能源在所述预测时间段内的一个时间点上的预测功率值;
确定模块,用于针对所述预测时间段内的目标时间点,基于所述目标时间点在所述功率预测曲线上对应的预测功率值,确定所述目标时间点在预设的多个预测箱中对应的目标预测箱;每个预测箱均对应有所述新能源的历史实测功率值的概率分布信息,所述目标时间点为所述预测时间段内的任一个时间点;
生成模块,用于基于所述目标预测箱对应的概率分布信息生成所述目标预测箱对应的新能源场景集;
校正模块,用于根据所述新能源场景集,对所述目标时间点的预测功率值进行误差校正,得到所述新能源在所述目标时间点处的预测功率区间。
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以下步骤:
获取待预测的新能源在预测时间段的功率预测曲线;所述功率预测曲线上的每个数据点对应所述新能源在所述预测时间段内的一个时间点上的预测功率值;
针对所述预测时间段内的目标时间点,基于所述目标时间点在所述功率预测曲线上对应的预测功率值,确定所述目标时间点在预设的多个预测箱中对应的目标预测箱;每个预测箱均对应有所述新能源的历史实测功率值的概率分布信息,所述目标时间点为所述预测时间段内的任一个时间点;
基于所述目标预测箱对应的概率分布信息,生成所述目标预测箱对应的新能源场景集;
根据所述新能源场景集,对所述目标时间点的预测功率值进行误差校正,得到所述新能源在所述目标时间点处的预测功率区间。
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以下步骤:
获取待预测的新能源在预测时间段的功率预测曲线;所述功率预测曲线上的每个数据点对应所述新能源在所述预测时间段内的一个时间点上的预测功率值;
针对所述预测时间段内的目标时间点,基于所述目标时间点在所述功率预测曲线上对应的预测功率值,确定所述目标时间点在预设的多个预测箱中对应的目标预测箱;每个预测箱均对应有所述新能源的历史实测功率值的概率分布信息,所述目标时间点为所述预测时间段内的任一个时间点;
基于所述目标预测箱对应的概率分布信息,生成所述目标预测箱对应的新能源场景集;
根据所述新能源场景集,对所述目标时间点的预测功率值进行误差校正,得到所述新能源在所述目标时间点处的预测功率区间。
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以下步骤:
获取待预测的新能源在预测时间段的功率预测曲线;所述功率预测曲线上的每个数据点对应所述新能源在所述预测时间段内的一个时间点上的预测功率值;
针对所述预测时间段内的目标时间点,基于所述目标时间点在所述功率预测曲线上对应的预测功率值,确定所述目标时间点在预设的多个预测箱中对应的目标预测箱;每个预测箱均对应有所述新能源的历史实测功率值的概率分布信息,所述目标时间点为所述预测时间段内的任一个时间点;
基于所述目标预测箱对应的概率分布信息,生成所述目标预测箱对应的新能源场景集;
根据所述新能源场景集,对所述目标时间点的预测功率值进行误差校正,得到所述新能源在所述目标时间点处的预测功率区间。
上述非参数化的新能源场景-概率-区间一体化预测方法、装置、计算机设备、存储介质和计算机程序产品,在确定待预测的新能源在预测时间段的功率预测曲线后,对于功率预测曲线上的每个时间点,都可以确定对应的预测箱,进而根据预测箱的概率分布信息,生成预测箱对应的新能源场景集;根据新能源场景集,对各个时间点的预测功率值进行误差校正,得到新能源在各个时间点处的预测功率区间。由此实现在已知新能源的预测功率的条件下,完成对新能源功率的不确定性的定量描述,克服了传统点预测方法存在的误差问题。
附图说明
图1为一个实施例中非参数化的新能源场景-概率-区间一体化预测方法的流程示意图;
图2为一个实施例中多个预测箱确定步骤的流程示意图;
图3为一个实施例中预测箱内的实测功率值的频数直方图与相应的正态分布和贝塔分布拟合曲线之间的关系图;
图4为一个实施例中目标预测箱对应的新能源场景集获取步骤的流程示意图;
图5为一个实施例中逆变换方法的示意图;
图6为一个实施例中非参数化的新能源场景-概率-区间一体化预测装置的结构框图;
图7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。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
在一个实施例中,如图1所示,提供了一种非参数化的新能源场景-概率-区间一体化预测方法,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。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。本实施例中,该方法包括以下步骤:
步骤S110,获取待预测的新能源在预测时间段的功率预测曲线;功率预测曲线上的每个数据点对应新能源在预测时间段的一个时间点上的预测功率值。
其中,待预测的新能源为风电、光伏等能源。
其中,预测时间段为未来的某个时间段。
其中,功率预测曲线为“点预测”曲线,功率预测曲线上的每个数据点对应一个预测时间段某一个时间点上的预测功率值。
目前,风电、光伏预测应用程序多以功率“点预测”的形式为调度中心提供一定超前时间的功率预测曲线。点预测虽然有误差,但是也具有一定的可信性。因此,本申请在已知新能源功率的点预测曲线的条件下,对新能源功率进行区间预测。
具体地,在已知点预测结果的情况下,估计未来新能源功率的概率分布,相当于求未来新能源关于点预测的条件分布。所谓的“功率预测误差分布”即为在“该时刻的点预测已知”的条件下预测某时刻新能源可能出力的条件概率分布。
步骤S120,针对预测时间段内的目标时间点,基于目标时间点在功率预测曲线上对应的预测功率值,确定目标时间点在预设的多个预测箱中对应的目标预测箱;每个预测箱均对应有新能源的历史实测功率值的概率分布信息,目标时间点为预测时间段内的任一个时间点。
本步骤中,每个预测箱对应的实测功率值的概率分布信息通过非参数的经验分布模型估计得到。
具体实现中,对于功率预测曲线上的任一个时间点的区间预测,可基于该时间点上对应的数据点的预测功率值确定,若将预测时间段内的任一个时间点作为目标时间点,则可根据该目标时间点的预测功率值,从预设的多个预测箱中确定出对应的目标预测箱,进一步基于目标预测箱对该目标时间点的新能源功率进行区间预测。其中,每个预测箱的实测功率值都具有对应的概率分布信息,在确定目标预测箱后,可根据该目标预测箱的概率分布信息进行目标时间点功率的区间预测。
更具体地,可先根据功率预测曲线确定目标时间点对应的预测功率值,并确定每个预测箱对应的预测功率区间,然后从各个预测功率区间中,确定出与预测功率值对应的目标预测功率区间;进一步将目标预测功率区间对应的预测箱,确定为目标时间点对应的目标预测箱。
步骤S130,基于目标预测箱对应的概率分布信息,生成目标预测箱对应的新能源场景集。
其中,新能源场景集中的每个场景在任一时间断面上的功率出力值服从对应的超前时间的点预测的边缘预测误差分布,并且在整个预测时间段内的跨时段功率出力值服从功率预测误差的联合概率分布。
具体实现中,可根据每个预测箱对应的实测功率值的概率分布信息,为每个预测箱生成对应的新能源场景集。具体而言,以目标预测箱为例,可根据目标预测箱对应的概率分布信息,生成多个随机向量样本,根据各个随机向量样本,转换得到对应的功率值,每个功率值作为一个场景,由于生成的随机向量样本有多个,因此,可转换得到多个功率值,由此得到多个新能源场景,将各个新能源场景,组成一个新能源场景集,作为目标预测箱对应的新能源场景集。
步骤S140,根据新能源场景集,对目标时间点的预测功率值进行误差校正,得到新能源在目标时间点处的预测功率区间。
具体实现中,新能源场景集中的每个新能源场景对应有一个预测功率值,在确定目标时间点对应的目标预测箱的新能源场景集后,可确定新能源场景集中各个新能源场景对应的预测功率值,根据各个新能源场景对应的预测功率值,确定新能源在目标时间点处的预测功率区间。
进一步地,在确定出预测功率区间后,还可通过预测区间覆盖率(PI coverageprobability,PICP)指标和预测区间平均带宽(PI normalized averaged width,PINAW)指标对预测功率区间进行评价,在评价结果不符合预设条件时,对预测功率区间进行修正,修正方式可以为增大预测功率区间或缩小预测功率区间。其中,预测区间覆盖率指标用于评价确定出的预测功率区间的可靠性,该指标反映了真实值落在预测功率区间上下界的比率,是一种用预设的置信度来测量PI校准的指。预测区间平均带宽指标被定义用来衡量PIs的狭窄程度,可以反映预测的清晰度,以避免因单纯追求可靠性,出现预测功率区间过宽,不能给出有效的预测值不确定性信息,失去决策价值。
上述非参数化的新能源场景-概率-区间一体化预测方法中,在确定待预测的新能源在预测时间段的功率预测曲线后,对于功率预测曲线上的每个时间点,都可以确定对应的预测箱,进而根据预测箱的概率分布信息,生成预测箱对应的新能源场景集;根据新能源场景集,对各个时间点的预测功率值进行误差校正,得到新能源在各个时间点处的预测功率区间。由此实现在已知新能源的预测功率的条件下,完成对新能源功率的不确定性的定量描述,克服了传统点预测方法存在的误差问题。
在一示例性实施例中,如图2所示,上述多个预测箱通过下述方式确定:
步骤S210,获取新能源在历史时间段内的数据集;数据集包括多个数据组,每个数据组包括一个历史实测功率值和一个历史预测功率值;
步骤S220,将数据集中的历史预测功率值按照大小顺序排序,根据排序结果生成多个数值区间;
步骤S230,基于每个数据组中的历史预测功率值,将多个数据组分配至各个数值区间内,将分配后得到的多个数值区间,对应作为多个预测箱。
具体实现中,可采集多个风电、光伏场站的在一个预设的历史时间段内的若干个数据组,将这些数据集构成数据集,其中,每个数据组有两个数据点,一个为风电、光伏的历史实测功率值,另一个是其对应的日前历史预测功率值。历史实测功率值和历史预测功率值的分辨率均为15分钟。在得到该数据集后,还需对其进行标幺化,使历史预测功率值和历史实测功率值均在[0,1]之间变化。
在得到数据集后,可将各个数据组中的历史实测功率值按照从大到小或从小到大的顺序排序,得到实测功率值序列,将该实测功率值序列等距地划分为多个数值区间,即每个数值区间的宽度相等,然后根据每个数据组中历史预测功率值的大小,将数据集中的各个数据组分配至各个数值区间中,由此得到的每个数值区间中将存储有多个数据组,每个数据组的历史预测功率值都在其所在的数值区间的范围内,将这样包含分配后的数据组的数值区间作为预测箱。
本实施例中,通过历史时间段内的数据集,按照历史预测功率值划分得到多个数值区间,由此得到多个预测箱,使得每个预测箱内的历史预测功率值波动较小,从而便于进行区间预测时,可根据所预测时间点的预测功率值寻找对应的预测箱,根据找到的预测箱内历史实测功率值的概率分布信息来进行区间预测,修正预测功率值。
在一示例性实施例中,上述步骤S220中,根据排序结果生成多个数值区间,具体包括:获取数据集包含的数据量;按照数据量与区间宽度成负相关关系的条件,确定区间宽度;根据排序结果和区间宽度,生成多个数值区间。
其中,数据集包含的数据量具体可以为包含的数据组的数量。
具体实现中,为了保证所生成的数值区间数量的合理性,在生成数值区间前,可先确定数据集包含的数据量,若数据量较小,则数值区间宽度应适当放大,即按照数据量与区间宽度成负相关关系的条件,确定区间宽度,例如,数值区间的宽度为0.02p.u.,共50个数值区间。进一步根据排序结果和区间宽度,生成多个数值区间,每个数值区间内的所有数据组表示一个预测箱。
本实施例中,通过数据集包含的数据量,确定区间宽度,进一步根据排序结果和区间宽度,生成多个数值区间,能够避免数值区间过多或过少,保证所生成的数值区间的合理性。
在一示例性实施例中,上述每个预测箱内历史实测功率值的概率分布信息通过下述方式确定:确定针对新能源功率的非参数的经验分布模型;基于非参数的经验分布模型,对每个预测箱内的历史实测功率值进行统计分析,得到每个预测箱内的历史实测功率值的概率分布信息。
具体地,由于预测箱是通过预测功率值按照数值大小划分得到的,所以在一个预测箱内,所有数据组的预测功率值都十分接近,但是预测功率值所对应的实测功率值却存在很大的误差。通过调研该预测箱内实测功率值的分布,即可获得当预测功率值在预测箱对应的“数值区间”内时,风电、光伏等新能源的功率的概率分布。
可以理解的是,从经典的统计学来看,人们往往希望用某一个解析的理论分布(theoretical distribution)表达式来近似表示该随机变量的分布。例如,有文献对其所掌握的数据研究发现,预测箱内的实测值服从贝塔分布;然而与另一篇文献的结论不同,总结贝塔分布对其所掌握的数据并不适用,并提出了一种混合分布模型(mixeddistribution-based model)近似估计预测箱内的实测值分布。
产生这种现象的原因是:对于不同的预测手段和应用对象,功率预测误差的近似理论分布可能不同,甚至不存在解析的理论分布。本申请也对所掌握的实际风电数据进行了统计分析,试图观察该数据是否服从某种已知的解析分布函数。例如参见图3,图3中的(a)和(b)分别示出了在第10和第40个预测箱内的实测功率值的频数直方图,以及相应的正态分布和贝塔分布拟合曲线。由图3可以看出,在第10个预测箱内实测功率值更加服从贝塔分布,然而第40个预测箱内的实测功率值更加服从正态分布,并且对于第40个预测箱内的实测功率值,无法简单的推断其服从何种解析的理论分布。
基于此,考虑到本申请估计预测箱的概率分布信息是为后续的新能源的动态场景的生成提供输入,并且实测功率值的概率分布无法简单的假设服从某种解析的概率分布,因此本申请采用非参数的经验分布模型,近似估计实测功率值的理论分布。
在格利文科定理(Glivenko-Cantelli Theorem)中,设F(p)是随机变量p的理论分布函数,F l (p)是经验分布函数,则有:
(1)
该定理说明,当样本的数量l很大时,F l (p)非常接近F(p),这一方面说明用样本可以推断总体;另一方面说明当样本量足够庞大时,样本的经验分布函数十分接近实际的理论分布。这即为本申请采用非参数的经验分布近似估计风功率概率分布的理论基础。风电、光伏功率的经验分布的定义如下:
功率的经验分布:在风电、光伏功率的解析理论分布未知的情况下,设关于风电、光伏功率的随机变量p的样本x 1,…,x l 按照单调递增排列,则称下述函数(2)为风电、光伏功率的累积经验分布(Empirical Cumulative Distribution Function,ECDF)。
(2)
其中,
值得注意的是,ECDF具有一个很好的“非参数”性质,即其数学表达不基于固定的解析表达式。经验分布不需要假设一个风电场或风电场群的风功率概率分布的解析形式,只需要根据足够的历史数据统计即可近似估计风功率的概率分布。故本申请采用上述公式(2)所示的函数作为非参数的经验分布模型,通过上述公式(2)对每个预测箱内的历史实测功率值进行统计分析,得到每个预测箱内的历史实测功率值的概率分布信息。
本实施例中,通过考虑到本申请估计预测箱的概率分布信息是为后续的新能源的动态场景的生成提供输入,并且实测功率值的概率分布无法简单的假设服从某种解析的概率分布,因此本申请采用非参数的经验分布模型,近似估计实测功率值的理论分布,相对于传统的采用理论的解析分布确定预测箱内实测功率值的概率分布信息,可以提高所确定的概率分布信息的准确性。
可以理解的是,静态场景的生成只关注某一个时间断面或某几个不相关的随机变量。然而,动态场景的生成不仅在各个时间段面或者说对于各随机变量均需要服从相应的概率分布,同时跨时段的连续波动特性或者说随机变量间的相关性需要符合实际的波动性和相关性规律。因此,静态场景和动态场景的生成方法应该分开研究。同时,现有的动态场景生成方法均具有一定的局限性,会造成动态场景结果对风电、光伏功率波动的高估或低估,如何使得生成的场景更加符合风电、光伏的实际波动特性需要进一步研究。
具体地,现有方法一般是假设风电、光伏功率在各时段是不相关的;这种假设对于连续多时段的风电、光伏功率时间序列来说是不成立的,这是由于连续时段的功率是存在相关性的;这种相关性表现在风电、光伏功率不会任意波动,功率波动幅度和范围是有一定概率的。因此需要一种考虑风电、光伏连续波动性的动态场景生成方法。
连续时间段的风功率从数学上可以视为一个随机过程P={Pt,t∈T}T,式中,Pt是一个随机变量,代表在超前时间t的可能功率出力。如果预测工具提供了超前时间t的功率预测值Pt,可以判断该预测值Pt属于哪一个预测箱。那么在该预测值已经预报的情况下,在超前时间t的风电光伏可能功率出力可以通过相应的预测箱内的实测值的概率分布信息估计。下述实施例将根据预测箱内实测功率的概率分布信息,随机生成大量的动态场景。对应地,在一示例性实施例中,如图4所示,上述步骤S130中,基于所述目标预测箱对应的概率分布信息,生成目标预测箱对应的新能源场景集,包括:
步骤S410,根据目标预测箱对应的概率分布信息,确定多元正态分布的协方差关键参数,根据协方差关键参数,构建对应的协方差矩阵。
具体地,可以根据目标预测箱对应的概率分布信息,即目标预测箱的非参数的经验分布函数,辨识得到最佳的协方差关键参数,作为多元正态分布的协方差关键参数,进一步根据该协方差关键参数确定日前动态场景对应的最佳协方差矩阵∑。
步骤S420,根据协方差矩阵,确定多元正态分布函数,基于多元正态分布函数生成目标预测箱对应的多个多元正态随机向量样本。
具体地,在确定协方差矩阵∑后,可进一步确定多元正态分布函数:Z~N(μ 0,∑),之后可通过多元正态分布随机数生成器生成d个多元正态随机向量Z的样本,其中,d也是最终生成的动态场景的总数。
步骤S430,对各个多元正态随机向量样本进行逆变换,得到对应的多个新能源场景,将多个新能源场景,组成新能源场景集。
具体地,为了模拟服从某种概率分布的风速或风功率的随机性,因此,本步骤采用了逆变换抽样方法随机抽样大量的风速或风功率样本。对于每一个超前时间断面,可采用逆变换抽样的方法对d个Z的多元正态随机向量样本进行处理,得到对应的d个功率动态场景,作为多个新能源场景。每个动态场景在任一时间断面,或称任一时间点上的功率值服从对应的超前时间的点预测的边缘预测误差分布,在整个预测时间断内的跨时段功率出力值服从功率预测误差的联合概率分布。
其中,逆变换抽样的基本方法如下:
假设,需要对服从Pr(Pt≤p)=F l (p)的某一随机变量Pt进行抽样,即从随机变量Pt的经验分布函数(CDF)进行随机抽样,逆变换抽样的方式如下:
(3)
式(3)中,是累计概率分布F l 的反函数,本申请中,该累计概率分布F l 是经验分
布;Unif [0,1]表示在[0,1]之间的均匀分布。式(3)的含义是当需要对某一随机变量Pt抽
样时,可以通过大量生成服从 Unif [0,1]的随机数,这些随机数即为随机变量Pt的累积概
率分布曲线纵轴上的数值,通过随机变量的累计概率分布的数值,求该数值对应的反函数
值,即为横轴的功率值。
在此,本申请引入一个服从标准正态分布的随机变量Zt,标准差是1,期望是0。如果大量生成服从标准正态分布的随机数,这些随机数的标准正态分布函数值集合是服从[0,1]之间的均匀分布的。那么,式(3)中的均匀分布U可以用标准正态分布函数值Φ(Zt)替代。已知随机变量Zt的随机数时,对随机变量Pt可以采用如下公式抽样:
(4)
(5)
式(4)与(5)的转换方式可以用图5示意,图中箭头方向即为抽样的方向。例如,从一个标准正态分布的随机数Zt=1 开始,其对应的累计概率分布函数值由式(4)计算可得Φ(Zt)=0.8413;在图中右侧纵轴的函数值不变地传递给了图中左侧的纵轴F l (p)上;已知F l (p)=0.8413,由经验分布的反函数最终得到一个风功率出力数值为p=0.241 p.u.。
式(4)与(5)的转换方式的具有两个好处:一方面,可不必直接对于新能源可能出力的经验分布进行操作,而是通过先生成服从正态分布的随机数产生大量初始样本,也就是生成标准正态分布随机数;另一方面,更容易用多元正态分布的联合概率分布来表示风电的随机过程 P={Pt, t∈T}T。换句话说,通过这种逆变换方式生成的大量风功率保证了在超前时刻t的样本值服从Pt的边缘概率分布,而Pt跨时段的相关度转化成了一个联合概率分布。
本实施例中,通过目标预测箱对应的概率分布信息,先确定多元正态分布的协方差关键参数,进而构建对应的协方差矩阵,确定多元正态分布函数,基于多元正态分布函数先生成多个初始样本,再通过逆变换抽样的方式对各个初始样本进行逆变换,得到表示新能源功率的新能源场景,由该方法得到的每个动态场景在任一时间断面,或称任一时间点上的功率值服从对应的超前时间的点预测的边缘预测误差分布,在整个预测时间断内的跨时段功率出力值服从功率预测误差的联合概率分布。
在一示例性实施例中,上述步骤S140中,根据新能源场景集,对目标时间点的预测功率值进行误差校正,得到新能源在目标时间点处的预测功率区间,具体可通过以下步骤实现:
步骤S141,根据新能源场景集,确定多个候选预测功率值;
步骤S142,从多个候选预测功率值中,确定出预测功率值上界和预测功率值下界;
步骤S143,基于预测功率值上界和预测功率值下界,得到新能源在目标时间点处的预测功率区间。
具体地,新能源场景集中的每个新能源场景对应有一个预测功率值,在确定目标时间点对应的目标预测箱的新能源场景集后,可确定新能源场景集中各个新能源场景对应的预测功率值,作为候选预测功率值,进一步从各个候选预测功率值中,确定出数值最大的预测功率值,作为预测功率值上界,以及从各个候选预测功率值中,确定出数值最小的预测功率值,作为预测功率值下界,将预测功率值上界和预测功率值下界构成的区间,作为新能源在目标时间点处的预测功率区间。
在一种实施方式中,在确定新能源场景集中各个新能源场景对应的预测功率值后,还可以对各个预测功率值进行筛选,将筛选后的预测功率值作为候选预测功率值。更具体地,可以根据新能源类型,确定该新能源的正常功率值范围,根据该正常功率值范围,剔除各个新能源场景对应的预测功率值中的异常功率值,即剔除超出正常功率值范围的预测功率值,将剩余的预测功率值作为候选预测功率值。
本实施例中,通过新能源场景集,对目标时间点的预测功率值进行误差校正,得到新能源在目标时间点处的预测功率区间,实现了对风电、光伏功率的不确定性的定量描述,克服点预测方法的误差问题。
应该理解的是,虽然如上所述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,如上所述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非参数化的新能源场景-概率-区间一体化预测方法的非参数化的新能源场景-概率-区间一体化预测装置。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非参数化的新能源场景-概率-区间一体化预测装置实施例中的具体限定可以参见上文中对于非参数化的新能源场景-概率-区间一体化预测方法的限定,在此不再赘述。
在一个实施例中,如图6所示,提供了一种非参数化的新能源场景-概率-区间一体化预测装置,包括:获取模块610、确定模块620、生成模块630和校正模块640,其中:
获取模块610,用于获取待预测的新能源在预测时间段的功率预测曲线;功率预测曲线上的每个数据点对应新能源在预测时间段内的一个时间点上的预测功率值;
确定模块620,用于针对预测时间段内的目标时间点,基于目标时间点在功率预测曲线上对应的预测功率值,确定目标时间点在预设的多个预测箱中对应的目标预测箱;每个预测箱均对应有新能源的历史实测功率值的概率分布信息,目标时间点为预测时间段内的任一个时间点;
生成模块630,用于基于目标预测箱对应的概率分布信息生成目标预测箱对应的新能源场景集;
校正模块640,用于根据新能源场景集,对目标时间点的预测功率值进行误差校正,得到新能源在目标时间点处的预测功率区间。
在一个实施例中,在其中一个实施例中,上述装置还包括预测箱构建模块,用于获取新能源在历史时间段内的数据集;数据集包括多个数据组,每个数据组包括一个历史实测功率值和一个历史预测功率值;将数据集中的历史预测功率值按照大小顺序排序,根据排序结果生成多个数值区间;基于每个数据组中的历史预测功率值,将多个数据组分配至各个数值区间内,将分配后得到的多个数值区间,对应作为多个预测箱。
在其中一个实施例中,预测箱构建模块,还用于获取数据集包含的数据量;按照数据量与区间宽度成负相关关系的条件,确定区间宽度;根据排序结果和区间宽度,生成多个数值区间。
在其中一个实施例中,预测箱构建模块,还用于确定针对新能源功率的非参数的经验分布模型;基于非参数的经验分布模型,对每个预测箱内的历史实测功率值进行统计分析,得到每个预测箱内的历史实测功率值的概率分布信息。
在其中一个实施例中,生成模块630,还用于根据目标预测箱对应的概率分布信息,确定多元正态分布的协方差关键参数,根据协方差关键参数,构建对应的协方差矩阵;根据协方差矩阵,确定多元正态分布函数,基于多元正态分布函数生成目标预测箱对应的多个多元正态随机向量样本;对各个多元正态随机向量样本进行逆变换,得到对应的多个新能源场景,将多个新能源场景,组成新能源场景集。
在其中一个实施例中,校正模块640,还用于根据新能源场景集,确定多个候选预测功率值;从多个候选预测功率值中,确定出预测功率值上界和预测功率值下界;基于预测功率值上界和预测功率值下界,得到新能源在目标时间点处的预测功率区间。
上述非参数化的新能源场景-概率-区间一体化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7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、显示屏和输入装置。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非参数化的新能源场景-概率-区间一体化预测方法。该计算机设备的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7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,还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各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
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各方法实施例中的步骤。
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,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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,所述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。
以上所述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)
1.一种非参数化的新能源场景-概率-区间一体化预测方法,其特征在于,所述方法包括:
获取待预测的新能源在预测时间段的功率预测曲线;所述功率预测曲线上的每个数据点对应所述新能源在所述预测时间段内的一个时间点上的预测功率值;
针对所述预测时间段内的目标时间点,基于所述目标时间点在所述功率预测曲线上对应的预测功率值,确定所述目标时间点在预设的多个预测箱中对应的目标预测箱;每个预测箱均对应有所述新能源的历史实测功率值的概率分布信息,所述目标时间点为所述预测时间段内的任一个时间点;
基于所述目标预测箱对应的概率分布信息,生成所述目标预测箱对应的新能源场景集;
根据所述新能源场景集,对所述目标时间点的预测功率值进行误差校正,得到所述新能源在所述目标时间点处的预测功率区间。
2.根据权利要求1所述的方法,其特征在于,所述多个预测箱通过下述方式确定:
获取所述新能源在历史时间段内的数据集;所述数据集包括多个数据组,每个数据组包括一个历史实测功率值和一个历史预测功率值;
将所述数据集中的历史预测功率值按照大小顺序排序,根据排序结果生成多个数值区间;
基于每个数据组中的历史预测功率值,将所述多个数据组分配至各个数值区间内,将分配后得到的多个数值区间,对应作为多个预测箱。
3.根据权利要求2所述的方法,其特征在于,所述根据排序结果生成多个数值区间,包括:
获取所述数据集包含的数据量;
按照数据量与区间宽度成负相关关系的条件,确定区间宽度;
根据所述排序结果和所述区间宽度,生成多个数值区间。
4.根据权利要求2所述的方法,其特征在于,所述每个预测箱内历史实测功率值的概率分布信息通过下述方式确定:
确定针对新能源功率的非参数的经验分布模型;
基于所述非参数的经验分布模型,对所述每个预测箱内的历史实测功率值进行统计分析,得到所述每个预测箱内的历史实测功率值的概率分布信息。
5.根据权利要求1所述的方法,其特征在于,所述基于所述目标预测箱对应的概率分布信息,生成所述目标预测箱对应的新能源场景集,包括:
根据所述目标预测箱对应的概率分布信息,确定多元正态分布的协方差关键参数,根据所述协方差关键参数,构建对应的协方差矩阵;
根据所述协方差矩阵,确定多元正态分布函数,基于所述多元正态分布函数生成所述目标预测箱对应的多个多元正态随机向量样本;
对各个多元正态随机向量样本进行逆变换,得到对应的多个新能源场景,将所述多个新能源场景,组成所述新能源场景集。
6.根据权利要求1所述的方法,其特征在于,所述根据所述新能源场景集,对所述目标时间点的预测功率值进行误差校正,得到所述新能源在所述目标时间点处的预测功率区间,包括:
根据所述新能源场景集,确定多个候选预测功率值;
从所述多个候选预测功率值中,确定出预测功率值上界和预测功率值下界;
基于所述预测功率值上界和所述预测功率值下界,得到所述新能源在所述目标时间点处的预测功率区间。
7.一种非参数化的新能源场景-概率-区间一体化预测装置,其特征在于,所述装置包括:
获取模块,用于获取待预测的新能源在预测时间段的功率预测曲线;所述功率预测曲线上的每个数据点对应所述新能源在所述预测时间段内的一个时间点上的预测功率值;
确定模块,用于针对所述预测时间段内的目标时间点,基于所述目标时间点在所述功率预测曲线上对应的预测功率值,确定所述目标时间点在预设的多个预测箱中对应的目标预测箱;每个预测箱均对应有所述新能源的历史实测功率值的概率分布信息,所述目标时间点为所述预测时间段内的任一个时间点;
生成模块,用于基于所述目标预测箱对应的概率分布信息生成所述目标预测箱对应的新能源场景集;
校正模块,用于根据所述新能源场景集,对所述目标时间点的预测功率值进行误差校正,得到所述新能源在所述目标时间点处的预测功率区间。
8.一种计算机设备,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6中任一项所述的非参数化的新能源场景-概率-区间一体化预测方法的步骤。
9.一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6中任一项所述的非参数化的新能源场景-概率-区间一体化预测方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1至6中任一项所述的非参数化的新能源场景-概率-区间一体化预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311240894.7A CN116976532A (zh) | 2023-09-25 | 2023-09-25 | 非参数化的新能源场景-概率-区间一体化预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311240894.7A CN116976532A (zh) | 2023-09-25 | 2023-09-25 | 非参数化的新能源场景-概率-区间一体化预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116976532A true CN116976532A (zh) | 2023-10-31 |
Family
ID=88485393
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311240894.7A Pending CN116976532A (zh) | 2023-09-25 | 2023-09-25 | 非参数化的新能源场景-概率-区间一体化预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976532A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112653198A (zh) * | 2020-12-17 | 2021-04-13 | 山东大学 | 一种基于预测箱的风电出力场景生成方法及系统 |
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 |
CN116154768A (zh) * | 2023-04-14 | 2023-05-23 | 南方电网数字电网研究院有限公司 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
CN116306030A (zh) * | 2023-05-16 | 2023-06-23 | 南方电网数字电网研究院有限公司 | 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 |
-
2023
- 2023-09-25 CN CN202311240894.7A patent/CN116976532A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112653198A (zh) * | 2020-12-17 | 2021-04-13 | 山东大学 | 一种基于预测箱的风电出力场景生成方法及系统 |
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 |
CN116154768A (zh) * | 2023-04-14 | 2023-05-23 | 南方电网数字电网研究院有限公司 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
CN116306030A (zh) * | 2023-05-16 | 2023-06-23 | 南方电网数字电网研究院有限公司 | 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 |
Non-Patent Citations (2)
Title |
---|
叶林 等: "基于随机预测控制理论和功率波动相关性的风电集群优化调度", 《中国电机工程学报》, vol. 38, no. 11, pages 3172 - 3183 * |
孟安波 等: "考虑风电的电力系统机组组合两阶段优化方法", 《电测与仪表》, vol. 55, no. 7, pages 8 - 15 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Strange et al. | Prediction of future capacity and internal resistance of Li-ion cells from one cycle of input data | |
US10095660B2 (en) | Techniques for producing statistically correct and efficient combinations of multiple simulated posterior samples | |
CN113657661A (zh) | 一种企业碳排放预测方法、装置、计算机设备和存储介质 | |
Whitaker et al. | Composite likelihood methods for histogram-valued random variables | |
CN114881343A (zh) | 基于特征选择的电力系统短期负荷预测方法及装置 | |
US20140324760A1 (en) | Synthetic time series data generation | |
Takahashi et al. | Evaluating the feasibility of batteries for second-life applications using machine learning | |
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 | |
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 | |
CN116976532A (zh) | 非参数化的新能源场景-概率-区间一体化预测方法 | |
CN116027202A (zh) | 电池健康度评估方法、装置、计算机设备和存储介质 | |
CN116191398A (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
Pohlmann et al. | State-of-Health prediction of lithium-ion batteries based on a low dimensional Gaussian Process Regression | |
CN112085926B (zh) | 一种河道水污染预警方法及系统 | |
CN113610174A (zh) | 基于Phik特征选择的电网主机负载预测方法、设备及介质 | |
US8949249B2 (en) | Techniques to find percentiles in a distributed computing environment | |
CN117171600A (zh) | 用户聚类方法、装置、设备、存储介质和程序产品 | |
CN117932280B (zh) | 长序列数据预测方法、装置、计算机设备、介质和产品 | |
CN116681454B (zh) | 虚拟资源配比策略生成方法、装置、计算机设备和存储介质 | |
US11816134B1 (en) | System and method for reduction of data transmission in dynamic systems using causal graphs | |
CN110399901B (zh) | 用水的温度消耗量获取方法、装置、设备和介质 | |
Qian et al. | Comparison of Machine Learning Algorithms on Smartphone Energy Consumption Modeling Issue Based on Real User Context Data | |
CN117034010A (zh) | 虚拟资源转换预测模型训练方法、装置、设备和存储介质 | |
CN116933918A (zh) | 用于互联网金融服务的电力数据预测方法 | |
CN118114491A (zh) | 倍率性能优化方法、装置、设备、存储介质和程序产品 |
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 |