CN117424290A - 新能源纳入比例计算方法、装置、设备及存储介质 - Google Patents
新能源纳入比例计算方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117424290A CN117424290A CN202311283125.5A CN202311283125A CN117424290A CN 117424290 A CN117424290 A CN 117424290A CN 202311283125 A CN202311283125 A CN 202311283125A CN 117424290 A CN117424290 A CN 117424290A
- Authority
- CN
- China
- Prior art keywords
- new energy
- target
- scene
- period
- sample data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 30
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 235000019577 caloric intake Nutrition 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 7
- 238000005192 partition Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000010348 incorporation Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 5
- 230000006870 function Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000010248 power generation Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000004836 empirical method Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- 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
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Abstract
本申请涉及新能源技术领域,公开了一种新能源纳入比例计算方法、装置、设备及介质,其中方法包括:通过对新能源的预测数据进行多场景多时段划分,并计算各场景各时段的新能源预测可信出力和实际可信出力,从而计算新能源的纳入比例。本申请多场景多时段划分方式考虑了不同情况下负荷、备用容量和新能源出力情况有所差异,不同的情形新能源按照不同的比例纳入日前平衡,更加合理的安排开机容量,节约能源。
Description
技术领域
本申请涉及新能源技术领域,具体而言,涉及一种新能源纳入比例计算方法、装置、设备及存储介质。
背景技术
我国正在逐步提高能源结构中新能源的占比。然而新能源出力日内波动较大,无法作为可依赖的顶峰电源,电力电量平衡面临着巨大的挑战。因此如何将这些波动性较大的新能源纳入电力电量平衡是事关电力系统安全稳定运行不可忽视的一个环节。
目前新能源参与日前计划时纳入平衡的方式还不统一,多是按照固定的比例纳入,此方式未能考虑不同情况下负荷、备用容量和新能源出力情况的差异,对所有情况新能源按照一样标准纳入日前平衡,这样的计算结果保守有余而灵活不足。
因此,需要新的计算方法以更为合理的计算新能源纳入比例。
发明内容
针对上述情况,本申请实施例提供了一种新能源纳入比例计算方法、装置、设备及存储介质,旨在解决上述问题或者至少部分地解决上述问题。
本申请提供一种新能源纳入比例计算方法,所述方法包括:
获取预测数据集;
基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集;
基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据;
根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力;
基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据;
根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力;
根据所述新能源预测可信出力和所述新能源实际可信出力,计算目标场景目标时段的新能源纳入比例。
优选的,在所述获取预测数据集之前,所述方法包括:
获取历史预测数据集;
基于预先设置的预处理规则,对所述历史预测数据集中的异常数据进行筛选并剔除;
基于预先设置的预处理规则,对剔除异常数据后的所述历史预测数据集进行归一化处理。
优选的,所述基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集,包括:
基于所述预测数据,按照日期进行划分,获得多个日预测数据;
计算任意两个日预测数据之间的欧式距离和Fréchet距离,并构建相似度矩阵;
根据肘部法则,确定多个所述日预测数据划分的最佳场景数K;
计算所述相似度矩阵的前K个最大特征值;
获取与前K个最大特征值对应的K个特征向量,并构建特征矩阵;
对所述特征矩阵应用K-means聚类算法,对所述多个日预测数据进行场景划分,得到多个场景样本数据集。
优选的,所述基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据,包括:
基于目标场景样本数据集中的场景样本数据,按照日期进行划分,获得目标场景下的多个日预测数据;
按照时刻进行划分,将每个所述日预测数据划分为第一时段样本数据、第二时段样本数据和第三时段样本数据。
优选的,所述根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力,包括:
根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的所述时段样本数据对应的第一最优带宽;
根据所述第一最优带宽,计算目标场景目标时段新能源预测出力的概率密度;
根据目标场景目标时段新能源预测出力的概率密度,计算目标场景目标时段新能源的预测出力概率分布;
根据目标场景目标时段新能源的预测出力概率分布和预先设定的供电保证率,计算目标场景目标时段的新能源预测可信出力。
优选的,所述基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据,包括:
获取目标场景目标时段的所述时段样本数据中的日期和时段;
根据所述日期和时段,在预先建立的新能源实际出力数据集中进行搜索,得到目标场景目标时段的新能源实际出力样本数据。
优选的,所述根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力,包括:
根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际出力样本数据对应的第二最优带宽;
根据所述第二最优带宽,计算目标场景目标时段的新能源实际出力的概率密度;
根据目标场景目标时段的新能源实际出力的概率密度,计算目标场景目标时段的新能源的实际出力概率分布;
根据目标场景目标时段的新能源的实际出力概率分布和预先设定的供电保证率,计算目标场景目标时段的新能源实际可信出力。
第二方面,提供一种新能源纳入比例计算装置,所述装置包括:
第一获取模块,用于获取预测数据集;
场景划分模块,用于基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集;
时段划分模块,用于基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据;
预测可信出力模块,用于根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力;
第二获取模块,用于基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据;
实际可信出力模块,用于根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力;
比例计算模块,用于根据所述新能源预测可信出力和所述新能源实际可信出力,计算目标场景目标时段的新能源纳入比例。
第三方面,提供一种计算机设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如上任一所述的新能源纳入比例计算方法的步骤。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的计算机设备执行时,使得所述计算机设备执行如上任一所述的新能源纳入比例计算方法的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果:
本申请通过对新能源的预测数据进行多场景多时段划分,并计算各场景各时段的新能源预测可信出力和实际可信出力,从而计算新能源的纳入比例。本申请多场景多时段划分方式考虑了不同情况下负荷、备用容量和新能源出力情况有所差异,不同的情形新能源按照不同的比例纳入日前平衡,更加合理的安排开机容量,节约能源。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了本申请一实施例中新能源纳入比例计算方法的一应用环境示意图;
图2示出了本申请一实施例中新能源纳入比例计算方法的一流程示意图;
图3示出了本申请场景数和SSE之间的关系的示意图;
图4示出了本申请风电预测数据场景划分示意图;
图5示出了本申请图4中场景14不同时段风电预测出力的概率密度函数的示意图;
图6示出了本申请图4中场景14不同时段风电纳入比例的示意图;
图7是本发明一实施例中智能问答处理装置的一结构示意图;
图8是本发明一实施例中计算机设备的一结构示意图;
图9是本发明一实施例中计算机设备的另一结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然,所描述的实施例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。
以下结合附图,详细说明本申请各实施例提供的技术方案。
本发明实施例提供的新能源纳入比例计算方法,可应用在如图1的应用环境中,其中,设备端通过网络与服务端进行通信。服务端可以通过设备端获取预测数据集;基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集;基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据;根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力;基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据;根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力;根据所述新能源预测可信出力和所述新能源实际可信出力,计算目标场景目标时段的新能源纳入比例,并反馈至设备端。本申请通过对新能源的预测数据进行多场景多时段划分,并计算各场景各时段的新能源预测可信出力和实际可信出力,从而计算新能源的纳入比例。本申请多场景多时段划分方式考虑了不同情况下负荷、备用容量和新能源出力情况有所差异,不同的情形新能源按照不同的比例纳入日前平衡,更加合理的安排开机容量,节约能源。下面通过具体的实施例对本发明进行详细的描述。
请参阅图2所示,图2为本发明实施例提供的新能源纳入比例计算的一个流程示意图,包括如下步骤:
S10:获取预测数据集。
本发明提供的新能源纳入比例计算方法能够应用于各种新能源的计算中,比如光伏发电、风力发电、潮汐能发电等。
在获取预测数据集之前,所述方法包括:
S01:获取历史预测数据,建立历史预测数据集。
具体的,本申请根据历史统计的新能源预测数据,时间分辨率为15min,建立新能源历史预测数据集P={X(1),X(2),…,X(k)},
其中,表示数据集中第j(j=1,2,…,k)天的预测数据,/>为数据集中第j天i(i=1,2,…,n)时刻新能源的预测数据。
S02:基于预先设置的预处理规则,对所述历史预测数据集中的异常数据进行筛选并剔除。
具体的,本申请对历史预测数据集中的历史预测数据进行预处理,通过重构数据集中的异常数据,从而消除异常数据带来的影响。对于一个数据集,一般认为发生“突变”数据为异常数据,异常数据的判别方法如下:
其中,δ为预先设定的阈值。
异常数据的处理方法如下:
1)若和/>同时存在
2)若或者/>其中之一不存在
3)若和/>同时不存在
S03:基于预先设置的预处理规则,对剔除异常数据后的所述历史预测数据集进行归一化处理。
具体的,对步骤S02剔除异常数据后的历史预测数据集进行归一化处理,从而消除少数奇异数据(如极大值或极小值)对聚类结果的影响,提高聚类的速度,计算公式如下所示:
其中,Y(j)为归一化处理后的结果,C(j)为第j天对应的新能源装机容量。
S20:基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集。
需要说明的是,将新能源一天中的出力变化情况相似的日数据归为一个场景。
具体的,步骤S20所述基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集,包括:
S21:基于所述预测数据,按照日期进行划分,获得多个日预测数据;
根据步骤S03,可以获得对于归一化处理后的每日的新能源预测数据其中j指第j天,每组预测数据的个数为n。在数据统计中,每组预测数据的个数为n也可以理解为每条预测曲线的长度为n。
S22:计算任意两个日预测数据之间的欧式距离和Fréchet距离,并构建相似度矩阵;
1)欧氏距离能够表征空间中两个日预测数据中样本数据点的真实距离,因此,本申请中定义新能源日预测数据Y(a)和Y(b)之间的欧氏距离为:
其中,i指第i时刻。
2)采用离散Fréchet距离作为新能源日预测数据的曲线波动程度的衡量指标。定义新能源日预测数据Y(a)和Y(b)之间的Fréchet距离为:
其中,i指第i时刻。
首先计算和/>的Fréchet距离,然后通过递归运算计算出Y(a)和Y(b)之间的Fréchet距离。
欧式距离反映了两个日预测数据的数值的相似程度,Fréchet距离的大小反映了两个日预测数据的波动相似程度。欧氏距离和Fréchet距离越小,说明两个样本应该归属为同一个场景。
3)计算所有日预测数据中任意两个日预测数据之间的欧氏距离和Fréchet距离,据此建立日预测数据的相似度矩阵H,
其中,ε为尺度参数。
这里的下标a,b分别表示第a天和b天的数据,而Hab则是相似度矩阵H第a行第b列的一个元素,其反映了第a天的数据与第b天的数据之间的相似程度,此外,Hab与Hba的数值是相同的。这里的相似度矩阵H记录了任意两天中样本的相似情况,是一个k×k的矩阵。
S23:根据肘部法则,确定多个所述日预测数据划分的最佳场景数K。
在评估场景划分效果时,通常会应用肘部法则进行判断。本发明通过计算簇内的误差平方和(SSE)最小,使用肘部法则选择最合适的场景数K。随着场景数K的增加,多个日预测数据将会被划分为更多的簇数,即不同簇之间的簇内聚合程度会提高,这会使得SSE逐渐减小。如果场景数K的数值小于实际场景数时,随着场景数K的逐渐增加,SSE的减小幅度很大,这会大幅增加每一个类别的簇内聚合程度;而当场景数K值增大到实际场景数目时,进一步增加场景数K所引起的聚合程度的提升递减,因此SSE的下降幅度显著减小。随着场景数K值继续增加,SSE的下降趋势逐渐趋于平缓。在SSE和场景数K的关系图中,可以观察到一个明显的肘部形状,而该肘部对应的场景数K值即为多个日预测数据划分的最佳场景数K。通过使用肘部法则,能够更精确地选择最适合数据的场景数目,以获得更准确和有意义的结果。SSE的计算公式如下:
其中,num表示最终聚类的数目(num=1,2,…K),Snum表示其中的第num个簇,Qd表示第num个簇中的第d组样本数据(d的范围是1到该簇中包含的数据个数),μnum表示该簇的聚类中心。
S24:计算所述相似度矩阵H的前K个最大特征值。
S25:获取与前K个最大特征值对应的K个特征向量,并构建特征矩阵;
S26:对所述特征矩阵应用K-means聚类算法,对所述多个日预测数据进行场景划分,得到多个场景样本数据集。
应用S22-S26所示的双尺度谱聚类算法,将所述多个日预测数据划分为多个场景样本数据集。具体的,谱聚类算法基于图论原理,其核心部分主要是将聚类问题转化为图的最优划分问题,以此刻画各个样本的簇类,并且最终收敛到全局最优解。
由于新能源功率随机性强,确定性预测准确性较差,通过采用概率化描述的方法能够给出风/光出力的分布信息,有利于建立精准的、多维的新能源功率分布模型。
S30:基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据。
具体的,包括:
S31:基于目标场景样本数据集中的场景样本数据,按照日期进行划分,获得目标场景下的多个日预测数据;
S32:按照时刻进行划分,将每个所述日预测数据划分为第一时段样本数据、第二时段样本数据和第三时段样本数据。
将每个场景中日预测数据划分为第一时段样本数据1-午高峰时段(10:00~16:30)、第二时段样本数据2-晚高峰时段(16:45~22:00)及第三时段样本数据3-其他时段。对于这样三个不同的时段,其中场景Snum第t时段(t=1,2,3)中的一条样本数据形如:
其中,d与上文SSE公式中的一致,表示第num个簇中的第d组样本数据。
S40:根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力。具体包括:
S41:根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的所述时段样本数据对应的第一最优带宽。
在选用高斯核函数进行拟合时,带宽h的选取对拟合效果的影响很大,若选取的带宽过小,可能出现过拟合现象,导致拟合结果欠平滑;如果选取的带宽过大,则原始样本的某些特征可能无法被挖掘,导致拟合结果偏差较大。
本申请中利用经验法(使非参数估计的渐进积分均方误差最小)获得第一最优带宽h1,对于时段样本数据第一最优带宽h1的计算公式如下:
其中,N1表示场景Snum第t时段中所有样本数据的个数,σ1为这些数据的标准差。例如,场景Snum中有15个日预测数据,每个日预测数据中处于第t时段中的数据个数是8个,则此时的N1为15×8=120个。
S42:根据所述第一最优带宽h1,计算目标场景目标时段新能源预测出力的概率密度。
采用核密度估计的方法,在对样本数据的概率分布进行拟合时,不需要对提前假设样本服从什么样的分布,可以直接统计得到样本的实际分布情况。
对于场景Snum第t时段的时段样本数据新能源预测出力的概率密度为:
其中,h1表示第一最优带宽,Ke表示核函数,表示场景Snum第t时段中的时刻样本数据中的第c个数据。
常见的核函数包括线性核函数,多项式核函数,高斯核函数等。通常情况下选取不同的核函数对拟合结果的影响较小。本发明选用高斯核函数,其表达式为:
新能源的可信出力是指在一定的概率C%下,新能源发电系统能够提供的最小出力水平,这里的概率C%也叫做供电保证率。例如设定的供电保证率C%为90%,其对应的保证出力为2000MW,这就表示在历史数据中,有90%的时间段内新能源的输出功率达到了2000MW,可以通过相似的方式依次推导其他数值,该数值可以作为可信度较高的出力水平,用于纳入电力平衡。
S43:根据目标场景目标时段新能源预测出力的概率密度,计算目标场景目标时段新能源的概率分布。
通过对上述目标场景目标时段新能源预测出力的概率密度进行积分计算目标场景目标时段新能源的概率分布,其计算公式如下:
S44:根据目标场景目标时段新能源的概率分布和预先设定的供电保证率,计算目标场景目标时段的新能源预测可信出力。计算公式如下:
q(num,t)=F-1(1-C%)
其中,q(nu,,t)表示对应场景Snum第t时段在供电保证率C%下的目标场景目标时段的新能源预测可信出力。
S50:基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据。
具体包括:
S51:获取目标场景目标时段的所述时段样本数据中的日期和时段;
S52:根据所述日期和时段,在预先建立的新能源实际出力数据集中进行搜索,得到目标场景目标时段的新能源实际出力样本数据。
需要说明的是,预先建立的新能源实际出力数据集是通过采集的历史实际出力数据构建的,构建完成后依据步骤S01至步骤S03对历史实际出力数据进行预处理。
S60:根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力;
具体包括:
S61:根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际出力样本数据对应的第二最优带宽h2;
本申请中利用经验法(使非参数估计的渐进积分均方误差最小)获得第二最优带宽h2,对于时段实际出力样本数据第二最优带宽h2的计算公式如下:
其中,N2表示场景Snum第t时段中所有实际出力样本数据的个数,σ2为这些数据的标准差。
S62:根据所述第二最优带宽h2,计算目标场景目标时段的新能源实际出力样本数据的概率密度;
对于场景Snum第t时段的时段实际出力样本数据新能源实际出力的概率密度为:
其中,h2表示第二最优带宽,Ke表示核函数,表示场景Snum第t时段中实际出力样本数据的第c个数据。
S63:根据目标场景目标时段的新能源实际出力的概率密度,计算目标场景目标时段的新能源的实际出力概率分布;
通过对上述目标场景目标时段新能源实际出力的概率密度进行积分计算目标场景目标时段新能源的实际出力概率分布,其计算公式如下:
S64:根据目标场景目标时段的新能源的实际出力概率分布和预先设定的供电保证率,计算目标场景目标时段的新能源实际可信出力。
计算公式如下:
q'(num,t)=F'-1(1-C%)
其中,q'(num,t)表示对应场景Snum第t时段在供电保证率C%下的目标场景目标时段的新能源实际可信出力。
S70:根据所述新能源预测可信出力和所述新能源实际可信出力,计算目标场景目标时段的新能源纳入比例。
新能源参与日前平衡纳入比例系数的计算公式如下:
为了验证上述方案,本发明选用某电网的风电预测数据和实际出力数据作为样本。
S01:获取历史风电预测数据,建立历史风电预测数据集。
S02:基于预先设置的预处理规则,对所述历史预测数据集中的异常数据进行筛选并剔除:
1)若和/>同时存在
2)若或者/>其中之一不存在
3)若和/>同时不存在
S02:基于预先设置的预处理规则,对剔除异常数据后的所述历史预测数据集进行归一化处理:
S21:基于所述风电预测数据,按照日期进行划分,获得多个日预测数据;
S22:计算所有预测数据样本之间的欧氏距离和Fréchet距离:
依据计算得出的所有样本之间的欧氏距离和Fréchet距离,建立样本的相似度矩阵H。
S23:根据肘部法则,确定多个所述日预测数据划分的最佳场景数K。计算不同场景数K下场景划分结果的SSE:
其中场景数K和SSE的关系图如图3所示。当场景数K值小于14时,随着的K的增加,误差逐渐减小,而当场景数K值超过14后,误差的变化几乎趋近于0,因此选择K=14作为多场景的数目。
S24:计算所述相似度矩阵H的前K个最大特征值。
S25:获取与前K个最大特征值对应的K个特征向量,并构建特征矩阵;
S26:对所述特征矩阵应用K-means聚类算法,对所述多个日预测数据进行场景划分,得到多个场景样本数据集。
根据选取的最优K值,运用双尺度谱聚类算法,将风电的预测数据划分为如图4所示14种场景。
S30:基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据。
S40:根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力。
对于时段样本数据第一最优带宽h1的计算公式如下:
其中,N1表示场景Snum第t时段中所有样本数据的个数,σ1为这些数据的标准差。
选取的高斯核函数为:
对于场景Snum第t时段的时段样本数据新能源预测出力的概率密度为:
其中,h1表示第一最优带宽,Ke表示核函数,表示场景Snum第t时段中的时刻样本数据中的第c个数据。
按照上述所提出的新能源纳入比例计算方法,可得同一场景中不同时段的分布情况有所差异,图5为场景14中不同时段风电预测出力的概率密度函数。
计算目标场景目标时段新能源的概率分布,其计算公式如下:
计算目标场景目标时段的新能源预测可信出力。计算公式如下:
q(num,t)=F-1(1-C%)
S50:基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据。
S60:根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力;
获得第二最优带宽h2,对于时段实际出力样本数据第二最优带宽h2的计算公式如下:
其中,N2表示场景Snum第t时段中所有实际出力样本数据的个数,σ2为这些数据的标准差。
对于场景Snum第t时段的时段实际出力样本数据新能源实际出力的概率密度为:
其中,h2表示带宽,Ke表示核函数,表示场景Snum第t时段中实际出力样本数据的第c个数据。
计算目标场景目标时段新能源的实际出力概率分布,其计算公式如下:
计算目标场景目标时段的新能源实际可信出力。计算公式如下:
q'(num,t)=F'-1(1-C%)
其中,q'(num,t)表示对应场景Snum第t时段在供电保证率C%下的目标场景目标时段的新能源实际可信出力。
S70:根据所述新能源预测可信出力和所述新能源实际可信出力,计算目标场景目标时段的新能源纳入比例。
新能源参与日前平衡纳入比例系数的计算公式如下:
以图4中场景14为例,选取的供电保证率为90%,其各个时刻的纳入比例如图6所示:该方案计算出各个时段风电参与日前平衡的纳入比例,从图6中可以看出,不同时段的纳入比例有所差异,第一时段-午高峰时段纳入比例为62.8%,第二时段-晚高峰时段纳入比例为43.79%,第三时段-其他时段按照100%的比例纳入。
本申请通过对新能源的预测数据进行多场景多时段划分,并计算各场景各时段的新能源预测可信出力和实际可信出力,从而计算新能源的纳入比例。本申请多场景多时段划分方式考虑了不同情况下负荷、备用容量和新能源出力情况有所差异,不同的情形新能源按照不同的比例纳入日前平衡,更加合理的安排开机容量,节约能源。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种新能源纳入比例计算装置,该新能源纳入比例计算装置与上述实施例中新能源纳入比例计算方法一一对应。如图7所示,该新能源纳入比例计算装置包括第一获取模块、场景划分模块、时段划分模块、预测可信出力模块、第二获取模块、实际可信出力模块和比例计算模块。各功能模块详细说明如下:
第一获取模块,用于获取预测数据集;
场景划分模块,用于基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集;
时段划分模块,用于基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据;
预测可信出力模块,用于根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力;
第二获取模块,用于基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据;
实际可信出力模块,用于根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力;
比例计算模块,用于根据所述新能源预测可信出力和所述新能源实际可信出力,计算目标场景目标时段的新能源纳入比例。
在一实施例中,第一获取模块,具体还用于:
获取历史预测数据集;
基于预先设置的预处理规则,对所述历史预测数据集中的异常数据进行筛选并剔除;
基于预先设置的预处理规则,对剔除异常数据后的所述历史预测数据集进行归一化处理。
在一实施例中,场景划分模块,具体用于,
基于所述预测数据,按照日期进行划分,获得多个日预测数据;
计算任意两个日预测数据之间的欧式距离和Fréchet距离,并构建相似度矩阵;
根据肘部法则,确定多个所述日预测数据划分的最佳场景数K;
计算所述相似度矩阵的前K个最大特征值;
获取与前K个最大特征值对应的K个特征向量,并构建特征矩阵;
对所述特征矩阵应用K-means聚类算法,对所述多个日预测数据进行场景划分,得到多个场景样本数据集。
在一实施例中,时段划分模块,具体用于,
基于目标场景样本数据集中的场景样本数据,按照日期进行划分,获得目标场景下的多个日预测数据;
按照时刻进行划分,将每个所述日预测数据划分为第一时段样本数据、第二时段样本数据和第三时段样本数据。
在一实施例中,预测可信出力模块,具体用于,
根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的所述时段样本数据对应的第一最优带宽;
根据所述第一最优带宽,计算目标场景目标时段新能源预测出力的概率密度;
根据目标场景目标时段新能源预测出力的概率密度,计算目标场景目标时段新能源的预测出力概率分布;
根据目标场景目标时段新能源的预测出力概率分布和预先设定的供电保证率,计算目标场景目标时段的新能源预测可信出力。
在一实施例中,第二获取模块,具体用于,
获取目标场景目标时段的所述时段样本数据中的日期和时段;
根据所述日期和时段,在预先建立的新能源实际出力数据集中进行搜索,得到目标场景目标时段的新能源实际出力样本数据。
在一实施例中,实际可信出力模块,具体用于,
根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际出力样本数据对应的第二最优带宽;
根据所述第二最优带宽,计算目标场景目标时段的新能源实际出力的概率密度;
根据目标场景目标时段的新能源实际出力的概率密度,计算目标场景目标时段的新能源的实际出力概率分布;
根据目标场景目标时段的新能源的实际出力概率分布和预先设定的供电保证率,计算目标场景目标时段的新能源实际可信出力。
本申请通过对新能源的预测数据进行多场景多时段划分,并计算各场景各时段的新能源预测可信出力和实际可信出力,从而计算新能源的纳入比例。本申请多场景多时段划分方式考虑了不同情况下负荷、备用容量和新能源出力情况有所差异,不同的情形新能源按照不同的比例纳入日前平衡,更加合理的安排开机容量,节约能源。
关于新能源纳入比例计算装置的具体限定可以参见上文中对于新能源纳入比例计算方法的限定,在此不再赘述。上述新能源纳入比例计算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服务端,其内部结构图可以如图8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、网络接口和数据库。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和/或易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的网络接口用于与外部的设备端通过网络连接通信。该计算机程序被处理器执行时以实现一种新能源纳入比例计算方法服务端侧的功能或步骤。
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设备端,其内部结构图可以如图9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、网络接口、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。该计算机设备的网络接口用于与外部服务器通过网络连接通信。该计算机程序被处理器执行时以实现一种新能源纳入比例计算方法设备端侧的功能或步骤。
在一个实施例中,提供了一种计算机设备,包括:处理器;以及被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行以下步骤:
获取预测数据集;
基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集;
基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据;
根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力;
基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据;
根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力;
根据所述新能源预测可信出力和所述新能源实际可信出力,计算目标场景目标时段的新能源纳入比例。
在一个实施例中,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存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的计算机设备执行时,使得所述计算机设备执行如下步骤:
获取预测数据集;
基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集;
基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据;
根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力;
基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据;
根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力;
根据所述新能源预测可信出力和所述新能源实际可信出力,计算目标场景目标时段的新能源纳入比例。
需要说明的是,上述关于计算机可读存储介质或计算机设备所能实现的功能或步骤,可对应参阅前述方法实施例中,服务端侧以及设备端侧的相关描述,为避免重复,这里不再一一描述。
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、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种新能源纳入比例计算方法,其特征在于,所述方法包括:
获取预测数据集;
基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集;
基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据;
根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力;
基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据;
根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力;
根据所述新能源预测可信出力和所述新能源实际可信出力,计算目标场景目标时段的新能源纳入比例。
2.根据权利要求1所述的方法,其特征在于,
在所述获取预测数据集之前,所述方法包括:
获取历史预测数据集;
基于预先设置的预处理规则,对所述历史预测数据集中的异常数据进行筛选并剔除;
基于预先设置的预处理规则,对剔除异常数据后的所述历史预测数据集进行归一化处理。
3.根据权利要求1所述的方法,其特征在于,
所述基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集,包括:
基于所述预测数据,按照日期进行划分,获得多个日预测数据;
计算任意两个日预测数据之间的欧式距离和Fréchet距离,并构建相似度矩阵;
根据肘部法则,确定多个所述日预测数据划分的最佳场景数K;
计算所述相似度矩阵的前K个最大特征值;
获取与前K个最大特征值对应的K个特征向量,并构建特征矩阵;
对所述特征矩阵应用K-means聚类算法,对所述多个日预测数据进行场景划分,得到多个场景样本数据集。
4.根据权利要求1所述的方法,其特征在于,
所述基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据,包括:
基于目标场景样本数据集中的场景样本数据,按照日期进行划分,获得目标场景下的多个日预测数据;
按照时刻进行划分,将每个所述日预测数据划分为第一时段样本数据、第二时段样本数据和第三时段样本数据。
5.根据权利要求1所述的方法,其特征在于,
所述根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力,包括:
根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的所述时段样本数据对应的第一最优带宽;
根据所述第一最优带宽,计算目标场景目标时段新能源预测出力的概率密度;
根据目标场景目标时段新能源预测出力的概率密度,计算目标场景目标时段新能源的预测出力概率分布;
根据目标场景目标时段新能源的预测出力概率分布和预先设定的供电保证率,计算目标场景目标时段的新能源预测可信出力。
6.根据权利要求1所述的方法,其特征在于,
所述基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据,包括:
获取目标场景目标时段的所述时段样本数据中的日期和时段;
根据所述日期和时段,在预先建立的新能源实际出力数据集中进行搜索,得到目标场景目标时段的新能源实际出力样本数据。
7.根据权利要求6所述的方法,其特征在于,
所述根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力,包括:
根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际出力样本数据对应的第二最优带宽;
根据所述第二最优带宽,计算目标场景目标时段的新能源实际出力的概率密度;
根据目标场景目标时段的新能源实际出力的概率密度,计算目标场景目标时段的新能源的实际出力概率分布;
根据目标场景目标时段的新能源的实际出力概率分布和预先设定的供电保证率,计算目标场景目标时段的新能源实际可信出力。
8.一种新能源纳入比例计算装置,其特征在于,所述装置包括:
第一获取模块,用于获取预测数据集;
场景划分模块,用于基于预先设置的场景划分规则,对所述预测数据集中的预测数据进行处理,得到多个场景样本数据集;
时段划分模块,用于基于预先设置的时段划分规则,对目标场景样本数据集中的场景样本数据进行处理,得到多个时段样本数据;
预测可信出力模块,用于根据目标场景目标时段的所述时段样本数据,计算目标场景目标时段的新能源预测可信出力;
第二获取模块,用于基于预先建立的新能源实际出力数据集,获取目标场景目标时段的新能源实际出力样本数据;
实际可信出力模块,用于根据目标场景目标时段的新能源实际出力样本数据,计算目标场景目标时段的新能源实际可信出力;
比例计算模块,用于根据所述新能源预测可信出力和所述新能源实际可信出力,计算目标场景目标时段的新能源纳入比例。
9.一种计算机设备,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器执行如权利要求1-7任一所述的新能源纳入比例计算方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序,所述一个或多个程序当被包括多个应用程序的计算机设备执行时,使得所述计算机设备执行如权利要求1-7任一所述的新能源纳入比例计算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311283125.5A CN117424290B (zh) | 2023-10-07 | 2023-10-07 | 新能源纳入比例计算方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311283125.5A CN117424290B (zh) | 2023-10-07 | 2023-10-07 | 新能源纳入比例计算方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117424290A true CN117424290A (zh) | 2024-01-19 |
CN117424290B CN117424290B (zh) | 2024-04-19 |
Family
ID=89531650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311283125.5A Active CN117424290B (zh) | 2023-10-07 | 2023-10-07 | 新能源纳入比例计算方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117424290B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014085914A (ja) * | 2012-10-25 | 2014-05-12 | Hitachi Solutions East Japan Ltd | 予測装置、予測方法、および、予測プログラム |
CN106684930A (zh) * | 2015-11-09 | 2017-05-17 | 中国电力科学研究院 | 一种考虑功率预测置信区间的风电有功功率控制方法 |
CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
WO2021164112A1 (zh) * | 2020-02-18 | 2021-08-26 | 山东大学 | 风电场优化配置储能作为黑启动电源的频率控制方法及系统 |
CN115313522A (zh) * | 2022-09-20 | 2022-11-08 | 广东电网有限责任公司 | 一种考虑新能源出力预测偏差的备用容量配置方法及系统 |
CN115954951A (zh) * | 2022-03-18 | 2023-04-11 | 中国电力科学研究院有限公司 | 一种新能源可靠出力水平的计算方法和装置 |
US20230136352A1 (en) * | 2021-10-29 | 2023-05-04 | Economic and Technological Research Institute of State Grid Liaoning Electric Power Co., Ltd. | Method and system for predicting a day-ahead wind power of wind farms |
CN116780643A (zh) * | 2023-05-31 | 2023-09-19 | 国网山东省电力公司经济技术研究院 | 一种新能源参与电力平衡的置信出力计算方法和系统 |
CN116805782A (zh) * | 2023-05-22 | 2023-09-26 | 国家电网有限公司华东分部 | 新能源出力场景的生成方法、装置及计算机设备 |
-
2023
- 2023-10-07 CN CN202311283125.5A patent/CN117424290B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014085914A (ja) * | 2012-10-25 | 2014-05-12 | Hitachi Solutions East Japan Ltd | 予測装置、予測方法、および、予測プログラム |
CN106684930A (zh) * | 2015-11-09 | 2017-05-17 | 中国电力科学研究院 | 一种考虑功率预测置信区间的风电有功功率控制方法 |
CN110610280A (zh) * | 2018-10-31 | 2019-12-24 | 山东大学 | 一种电力负荷短期预测方法、模型、装置及系统 |
WO2021164112A1 (zh) * | 2020-02-18 | 2021-08-26 | 山东大学 | 风电场优化配置储能作为黑启动电源的频率控制方法及系统 |
US20230136352A1 (en) * | 2021-10-29 | 2023-05-04 | Economic and Technological Research Institute of State Grid Liaoning Electric Power Co., Ltd. | Method and system for predicting a day-ahead wind power of wind farms |
CN115954951A (zh) * | 2022-03-18 | 2023-04-11 | 中国电力科学研究院有限公司 | 一种新能源可靠出力水平的计算方法和装置 |
CN115313522A (zh) * | 2022-09-20 | 2022-11-08 | 广东电网有限责任公司 | 一种考虑新能源出力预测偏差的备用容量配置方法及系统 |
CN116805782A (zh) * | 2023-05-22 | 2023-09-26 | 国家电网有限公司华东分部 | 新能源出力场景的生成方法、装置及计算机设备 |
CN116780643A (zh) * | 2023-05-31 | 2023-09-19 | 国网山东省电力公司经济技术研究院 | 一种新能源参与电力平衡的置信出力计算方法和系统 |
Non-Patent Citations (2)
Title |
---|
WU, MH 等: "Fault Diagnosis Method for Lithium-Ion Battery Packs in Real-World Electric Vehicles Based on K-Means and the Frechet Algorithm", ACS OMEGA, 8 November 2022 (2022-11-08), pages 40145 - 40162, XP093088322, DOI: 10.1021/acsomega.2c04991 * |
刘佳 等: "安全距离理论下计及故障恢复的智能配电网随机规划", 电力系统自动化, 10 March 2018 (2018-03-10), pages 64 - 71 * |
Also Published As
Publication number | Publication date |
---|---|
CN117424290B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596242B (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
US20220294218A1 (en) | Method and system for predicting regional short-term energy power by taking weather into consideration | |
CN111861023B (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN114240019A (zh) | 适用新能源电力系统的灵活资源价值评估方法及装置 | |
CN113315171A (zh) | 新能源消纳能力评估方法、装置、计算机设备和存储介质 | |
CN116599050A (zh) | 基于自注意力机制的光伏预测方法及相关装置 | |
CN115795328B (zh) | 同时生成新能源出力常规场景和极端场景的方法及系统 | |
CN112464059B (zh) | 配电网用户分类方法、装置、计算机设备和存储介质 | |
CN117424290B (zh) | 新能源纳入比例计算方法、装置、设备及存储介质 | |
CN112557905B (zh) | 电池组及其数据处理方法、计算机设备、介质和车辆 | |
CN116163879A (zh) | 抽水蓄能电站的运行工况调节方法、装置和计算机设备 | |
CN113505943B (zh) | 一种电网短期负荷的预测方法、系统、设备和介质 | |
CN116345565A (zh) | 一种新能源与储能容量联合优化方法、系统、设备和介质 | |
CN108805323B (zh) | 数据预测方法和装置 | |
CN115935212A (zh) | 一种基于纵向趋势预测的可调节负荷聚类方法及系统 | |
CN110969294B (zh) | 虚拟电厂分段出力计划确定和储能系统配置方法及装置 | |
Yu et al. | Dynamic grouping control of electric vehicles based on improved k-means algorithm for wind power fluctuations suppression | |
CN111951123B (zh) | 控制用电负荷的方法、装置、计算机设备和存储介质 | |
Xu et al. | Wind Power Scenarios Analysis Method Based on Prediction Box and Improved k-means Algorithm | |
CN116611669B (zh) | 一种需求侧资源可行域聚合方法、系统及电子设备 | |
CN117175657B (zh) | 光伏储能系统的容量配置方法、装置、介质及设备 | |
CN116561696B (zh) | 基于多维度的用户可调节负荷快速聚合方法及其系统 | |
CN112200464B (zh) | 计及空间相关性的光伏电站出力数据的修正方法及系统 | |
CN117408382A (zh) | 一种光伏功率预测方法、系统、设备及存储介质 | |
CN115663901A (zh) | 一种基于神经网络的智慧电力系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |