CN112686416A - 一种风电功率概率预测方法和*** - Google Patents
一种风电功率概率预测方法和*** Download PDFInfo
- Publication number
- CN112686416A CN112686416A CN201910986356.XA CN201910986356A CN112686416A CN 112686416 A CN112686416 A CN 112686416A CN 201910986356 A CN201910986356 A CN 201910986356A CN 112686416 A CN112686416 A CN 112686416A
- Authority
- CN
- China
- Prior art keywords
- probability
- wind power
- distribution function
- preset
- cumulative distribution
- 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
Images
Landscapes
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种风电功率概率预测方法和***,包括:根据历史时段内各时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正预测时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数。本发明提供的技术方案,可以更精准的获取风电功率概率预测的分位数结果,进而更精确的预测风电功率,同时,其概率预测算法计算量小,计算效率高,具备广泛的推广应用场景。
Description
技术领域
本发明涉及风电功率概率预测领域,具体涉及一种风电功率概率预测方法和***。
背景技术
传统的风电功率预测以确定性预测为主,每一时刻下给出的预测功率为一个点(即预测均值),然而,由于预测并不能保证完全准确,因此存在预测误差,也就是预测具有不确定性。为描述这一不确定性,人们通过概率预测给出每一时刻下预测功率的条件概率分布。
概率预测的结果形式主要有概率密度函数(Probability Density Function,PDF),累积分布函数(Cumulative Distribution Function,CDF),分位数(Quantile),预测区间(Prediction Intervals,PI)。其中,分位数是一种在风电概率预测中常见的离散概率预测结果形式,可以直接从CDF中提取,而预测区间则通过一对分位数构成区间的上下界。
在风电功率概率预测模型部署后,随着新数据的不断增加,根据旧数据训练的模型将逐渐不适应当前的预测,预测质量降低,需要结合新的数据进行重新建模训练,以适应新的数据特征。
但由于概率预测模型通常计算复杂且耗时,重新建模的代价很高。
发明内容
针对现有技术的不足,本发明的目的是提出一种风电功率概率预测方法和***,该方法可以更精确的预测风电功率,同时,其预测算法计算量小,计算效率高,具备广泛的推广应用场景。
本发明的目的是采用下述技术方案实现的:
本发明提供一种风电功率概率预测方法,其改进之处在于,所述方法包括:
根据历史时段内各时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正预测时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数。
优选的,所述根据历史时段内各时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵,包括:
步骤1:利用历史时段内前n个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
步骤2:利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
步骤3:更新历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
步骤4:若更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数同时满足第一预设条件和第二预设条件,则输出所述风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵,否则,输出风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵均为[0…0…1,0];
其中,n∈(1~N),N为历史时段的时刻总数,矩阵[0…0…1,0]为1×m阶向量。
进一步的,所述步骤1,包括:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的k次项系数,为风电功率概率预测的累计分布函数的预设概率为τi时对应的检验函数,pt为历史时刻t的实际风电功率,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
进一步的,所述步骤2,包括:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为历史时刻j的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
进一步的,所述步骤3,包括:
将修正后的历史时刻j的风电功率概率预测的累计分布函数的各预设概率对应的分位数升序排列,并将所述升序序列中的第i个数更新为历史时刻j的风电功率概率预测的累计分布函数的第i个预设概率对应的分位数。
进一步的,按下式确定所述第一预设条件:
式中,R2(τi)为更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值,R1(τi)为修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值;
其中,按下式确定更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R2(τi):
式中,ξ'j(τi)为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
按下式确定修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R1(τi):
式中,ξj(τi)为修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数;
按下式确定更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξ'j(τi):
按下式确定修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξj(τi):
按下式确定所述第二预设条件:
式中,S1j为修正前历史时段内第j个时刻风电功率概率预测的累计分布函数的分位数损失值,S2j为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值;
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S1j:
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S2j:
式中,j∈(n+1,N),n∈(1~N),N为历史时段内时刻总数。
优选的,所述利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正预测时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数,包括:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为预测时刻r的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
本发明提供一种风电功率概率预测***,其改进之处在于,所述***包括:
确定模块,用于根据历史时段内各时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
修正模块,用于利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正预测时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数。
优选的,所述确定模块,包括:
第一确定单元,用于利用历史时段内前n个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
修正单元,用于利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
更新单元,用于更新历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
输出单元,用于若更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数同时满足第一预设条件和第二预设条件,则输出所述风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵,否则,输出风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵均为[0…0…1,0];
其中,n∈(1~N),N为历史时段的时刻总数,矩阵[0…0…1,0]为1×m阶向量。
进一步的,第一确定单元,用于:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的k次项系数,为风电功率概率预测的累计分布函数的预设概率为τi时对应的检验函数,pt为历史时刻t的实际风电功率,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
进一步的,所述修正单元,用于:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为历史时刻j的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
进一步的,所述更新单元,包括:
将修正后的历史时刻j的风电功率概率预测的累计分布函数的各预设概率对应的分位数升序排列,并将所述升序序列中的第i个数更新为历史时刻j的风电功率概率预测的累计分布函数的第i个预设概率对应的分位数。
进一步的,按下式确定所述第一预设条件:
式中,R2(τi)为更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值,R1(τi)为修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值;
其中,按下式确定更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R2(τi):
式中,ξ'j(τi)为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
按下式确定修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R1(τi):
式中,ξj(τi)为修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数;
按下式确定更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξ'j(τi):
按下式确定修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξj(τi):
按下式确定所述第二预设条件:
式中,S1j为修正前历史时段内第j个时刻风电功率概率预测的累计分布函数的分位数损失值,S2j为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值;
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S1j:
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S2j:
式中,j∈(n+1,N),n∈(1~N),N为历史时段内时刻总数。
优选的,所述修正模块,用于:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为预测时刻r的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
与最接近的现有技术相比,本发明具有的有益效果:
本发明提供的技术方案,根据历史时段内各时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正预测时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;可以更精准的获取风电功率概率预测的分位数结果,进而更精确的预测风电功率,同时,其概率预测算法计算量小,计算效率高,具备广泛的推广应用场景。
附图说明
图1是一种风电功率概率预测方法流程图;
图2是原始概率预测曲线和优化后的概率预测曲线的对比图;
图3是一种风电功率概率预测***结构图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,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做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供一种风电功率概率预测方法,如图1所示,所述方法包括:
步骤101,根据历史时段内各时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
步骤102,利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正预测时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数。
在本发明的最佳实施例中,对现有的风电功率概率预测模型输出的预测时刻的分位数形式风电功率概率预测值进行了优化,获取更准确的风电功率概率预测结果。
具体的,所述步骤101,包括:
步骤1:利用历史时段内前n个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
步骤2:利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
步骤3:更新历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
步骤4:若更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数同时满足第一预设条件和第二预设条件,则输出所述风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵,否则,输出风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵均为[0…0…1,0];
其中,n∈(1~N),N为历史时段的时刻总数,矩阵[0…0…1,0]为1×m阶向量。
进一步的,所述步骤1,包括:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的k次项系数,为风电功率概率预测的累计分布函数的预设概率为τi时对应的检验函数,pt为历史时刻t的实际风电功率,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
在本发明的最佳实施例中,可实现单纯形搜索法算法的软件很多,例如MATLAB的fminsearch函数。
在本发明的最佳实施例中,m可选用不同整数值,根据实际效果选择最优值,当m为1时,即为一元线性回归矩阵。
进一步的,所述步骤2,包括:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为历史时刻j的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
进一步的,所述步骤3,包括:
将修正后的历史时刻j的风电功率概率预测的累计分布函数的各预设概率对应的分位数升序排列,并将所述升序序列中的第i个数更新为历史时刻j的风电功率概率预测的累计分布函数的第i个预设概率对应的分位数。
进一步的,按下式确定所述第一预设条件:
式中,R2(τi)为更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值,R1(τi)为修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值;
其中,按下式确定更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R2(τi):
式中,ξ'j(τi)为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
按下式确定修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R1(τi):
式中,ξj(τi)为修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数;
按下式确定更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξ'j(τi):
按下式确定修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξj(τi):
按下式确定所述第二预设条件:
式中,S1j为修正前历史时段内第j个时刻风电功率概率预测的累计分布函数的分位数损失值,S2j为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值;
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S1j:
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S2j:
式中,j∈(n+1,N),n∈(1~N),N为历史时段内时刻总数。
具体的,所述步骤102,包括:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为预测时刻r的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
在本发明的最佳实施例中,风电功率概率预测主要用来衡量预测时刻风电功率的概率情况,即为预测时刻的预测风电功率提供数据依据。
在使用本发明提供的技术方案时,建议在新增数据积累超过20天以上再进行在线优化,过少的数据一方面计算的概率预测指标不稳定,另一方面模型容易出现局部过拟合的问题。
下面给出一个算例示例:
1)计算平台:Intel(R)Core(TM)i7-6500U [email protected],RAM 8.00GB
2)训练数据:数据维度2253×21
3)21个风电功率概率预测的累计分布函数的预设概率分别为:
2.5%,5%,7.5%,10%,12.5%,15%,17.5%,20%,22.5%,25%,50%,75%,77.5%,80%,82.5%,85%,87.5%,90%,92.5%,95%,97.5%
4)上述首尾两个分位数依次组成下列置信度的预测区间:
95%,90%,85%,80%,75%,70%,65%,60%,55%,50%
例如:97.5%和2.5%的分位数组成97.5%-2.5%=95%的预测区间。
5)参数估计的计算17.34s
6)检测集样本数为2252
7)RelImp=45.1087%,S1t=0.027,S1t=0.026,因此,采用优化后的结果。
图2给出了预测区间图,不同置信度的预测区间用不同深浅的颜色表示,蓝色星型虚线是实际功率,红色实线是50%分位数。
本发明提供一种风电功率概率预测***,如图3所示,所述***包括:
确定模块,用于根据历史时段内各时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
修正模块,用于利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正预测时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数。
具体的,所述确定模块,包括:
第一确定单元,用于利用历史时段内前n个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
修正单元,用于利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
更新单元,用于更新历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
输出单元,用于若更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数同时满足第一预设条件和第二预设条件,则输出所述风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵,否则,输出风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵均为[0…0…1,0];
其中,n∈(1~N),N为历史时段的时刻总数,矩阵[0…0…1,0]为1×m阶向量。
具体的,第一确定单元,用于:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的k次项系数,为风电功率概率预测的累计分布函数的预设概率为τi时对应的检验函数,pt为历史时刻t的实际风电功率,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
具体的,所述修正单元,用于:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为历史时刻j的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
具体的,所述更新单元,包括:
将修正后的历史时刻j的风电功率概率预测的累计分布函数的各预设概率对应的分位数升序排列,并将所述升序序列中的第i个数更新为历史时刻j的风电功率概率预测的累计分布函数的第i个预设概率对应的分位数。
具体的,按下式确定所述第一预设条件:
式中,R2(τi)为更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值,R1(τi)为修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值;
其中,按下式确定更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R2(τi):
式中,ξ'j(τi)为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
按下式确定修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R1(τi):
式中,ξj(τi)为修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数;
按下式确定更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξ'j(τi):
按下式确定修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξj(τi):
按下式确定所述第二预设条件:
式中,S1j为修正前历史时段内第j个时刻风电功率概率预测的累计分布函数的分位数损失值,S2j为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值;
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S1j:
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S2j:
式中,j∈(n+1,N),n∈(1~N),N为历史时段内时刻总数。
具体的,所述修正模块,用于:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为预测时刻r的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (14)
1.一种风电功率概率预测方法,其特征在于,所述方法包括:
根据历史时段内各时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正预测时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数。
2.如权利要求1所述的方法,其特征在于,所述根据历史时段内各时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵,包括:
步骤1:利用历史时段内前n个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
步骤2:利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
步骤3:更新历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
步骤4:若更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数同时满足第一预设条件和第二预设条件,则输出所述风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵,否则,输出风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵均为[0…0…1,0];
其中,n∈(1~N),N为历史时段的时刻总数,矩阵[0…0…1,0]为1×m阶向量。
3.如权利要求2所述的方法,其特征在于,所述步骤1,包括:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的k次项系数,为风电功率概率预测的累计分布函数的预设概率为τi时对应的检验函数,pt为历史时刻t的实际风电功率,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
4.如权利要求2所述的方法,其特征在于,所述步骤2,包括:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为历史时刻j的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
5.如权利要求2所述的方法,其特征在于,所述步骤3,包括:
将修正后的历史时刻j的风电功率概率预测的累计分布函数的各预设概率对应的分位数升序排列,并将所述升序序列中的第i个数更新为历史时刻j的风电功率概率预测的累计分布函数的第i个预设概率对应的分位数。
6.如权利要求2所述的方法,其特征在于,按下式确定所述第一预设条件:
式中,R2(τi)为更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值,R1(τi)为修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值;
其中,按下式确定更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R2(τi):
式中,ξj'(τi)为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
按下式确定修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R1(τi):
式中,ξj(τi)为修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数;
按下式确定更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξ'j(τi):
按下式确定修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξj(τi):
按下式确定所述第二预设条件:
式中,S1j为修正前历史时段内第j个时刻风电功率概率预测的累计分布函数的分位数损失值,S2j为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值;
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S1j:
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S2j:
式中,j∈(n+1,N),n∈(1~N),N为历史时段内时刻总数。
7.如权利要求1所述的方法,其特征在于,所述利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正预测时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数,包括:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为预测时刻r的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
8.一种风电功率概率预测***,其特征在于,所述***包括:
确定模块,用于根据历史时段内各时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
修正模块,用于利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正预测时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数。
9.如权利要求8所述的***,其特征在于,所述确定模块,包括:
第一确定单元,用于利用历史时段内前n个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数确定风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵;
修正单元,用于利用风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵修正历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
更新单元,用于更新历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数;
输出单元,用于若更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率对应的分位数同时满足第一预设条件和第二预设条件,则输出所述风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵,否则,输出风电功率概率预测的累计分布函数的预设概率对应的回归系数矩阵均为[0…0…1,0];
其中,n∈(1~N),N为历史时段的时刻总数,矩阵[0…0…1,0]为1×m阶向量。
10.如权利要求9所述的***,其特征在于,第一确定单元,用于:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的k次项系数,为风电功率概率预测的累计分布函数的预设概率为τi时对应的检验函数,pt为历史时刻t的实际风电功率,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
11.如权利要求9所述的***,其特征在于,所述修正单元,用于:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为历史时刻j的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
12.如权利要求9所述的***,其特征在于,所述更新单元,包括:
将修正后的历史时刻j的风电功率概率预测的累计分布函数的各预设概率对应的分位数升序排列,并将所述升序序列中的第i个数更新为历史时刻j的风电功率概率预测的累计分布函数的第i个预设概率对应的分位数。
13.如权利要求9所述的***,其特征在于,按下式确定所述第一预设条件:
式中,R2(τi)为更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值,R1(τi)为修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值;
其中,按下式确定更新后历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R2(τi):
式中,ξ'j(τi)为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
按下式确定修正前历史时段内第n+1个时刻到第N个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的平均可靠性偏差值R1(τi):
式中,ξj(τi)为修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数;
按下式确定更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξ'j(τi):
按下式确定修正前历史时段内第j个时刻的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数的示性函数ξj(τi):
按下式确定所述第二预设条件:
式中,S1j为修正前历史时段内第j个时刻风电功率概率预测的累计分布函数的分位数损失值,S2j为更新后历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值;
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S1j:
按下式确定优化前历史时段内第j个时刻的风电功率概率预测的累计分布函数的分位数损失值S2j:
式中,j∈(n+1,N),n∈(1~N),N为历史时段内时刻总数。
14.如权利要求8所述的***,其特征在于,所述修正模块,用于:
式中,为风电功率概率预测的累计分布函数的预设概率为τi时对应的回归系数矩阵,为预测时刻r的风电功率概率预测的累计分布函数的预设概率为τi时对应的分位数多项式矩阵,τi为风电功率概率预测的累计分布函数的第i个预设概率,i∈(1~p),p为风电功率概率预测的累计分布函数的预设概率总数;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910986356.XA CN112686416A (zh) | 2019-10-17 | 2019-10-17 | 一种风电功率概率预测方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910986356.XA CN112686416A (zh) | 2019-10-17 | 2019-10-17 | 一种风电功率概率预测方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112686416A true CN112686416A (zh) | 2021-04-20 |
Family
ID=75444377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910986356.XA Pending CN112686416A (zh) | 2019-10-17 | 2019-10-17 | 一种风电功率概率预测方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112686416A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150446A (zh) * | 2023-10-30 | 2023-12-01 | 武汉华信数据***有限公司 | 鼓风机运行状态识别方法、装置、电子设备及存储介质 |
-
2019
- 2019-10-17 CN CN201910986356.XA patent/CN112686416A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117150446A (zh) * | 2023-10-30 | 2023-12-01 | 武汉华信数据***有限公司 | 鼓风机运行状态识别方法、装置、电子设备及存储介质 |
CN117150446B (zh) * | 2023-10-30 | 2024-02-09 | 武汉华信数据***有限公司 | 鼓风机运行状态识别方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875916B (zh) | 一种基于gru神经网络的广告点击率预测方法 | |
CN108959728B (zh) | 基于深度学习的射频器件参数优化方法 | |
CN110942248B (zh) | 交易风控网络的训练方法及装置、交易风险检测方法 | |
CN109886343B (zh) | 图像分类方法及装置、设备、存储介质 | |
CN112910690A (zh) | 基于神经网络模型的网络流量预测方法、装置及设备 | |
CN113037531A (zh) | 流量预测方法、装置以及存储介质 | |
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN108681751B (zh) | 确定事件影响因素的方法及终端设备 | |
CN116307215A (zh) | 一种电力***的负荷预测方法、装置、设备及存储介质 | |
CN113361195B (zh) | 一种基于lstm和相似日的配电网线路超短期负荷预测方法 | |
CN111833594A (zh) | 车流量预测方法、装置、电子设备及存储介质 | |
JP2005004658A (ja) | 変化点検出装置,変化点検出方法および変化点検出用プログラム | |
JPH04372046A (ja) | 需要量予測方法及び装置 | |
CN115409153A (zh) | 一种基于注意力lstm的畜牧指标预测方法及预测*** | |
CN112686416A (zh) | 一种风电功率概率预测方法和*** | |
JPH06337852A (ja) | ニューラルネットワークによる時系列予測方法 | |
CN109783769B (zh) | 一种基于用户项目评分的矩阵分解方法和装置 | |
CN111768246B (zh) | 一种数据处理方法、模型建立方法、装置及电子设备 | |
CN106067075B (zh) | 一种建筑用能负荷预测模型建立、负荷预测方法及其装置 | |
CN117236529A (zh) | 基于大数据的大型活动人流量预测方法 | |
CN111832840B (zh) | 基于可微成本函数的超短期风电功率区间预测方法、装置 | |
JP7214672B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
CN112231127A (zh) | 电子装置及用于分析设备可靠度的方法 |
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 |