CN114238856A - 风光资源未来预测误差求解方法、装置、设备及存储介质 - Google Patents

风光资源未来预测误差求解方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114238856A
CN114238856A CN202111427537.2A CN202111427537A CN114238856A CN 114238856 A CN114238856 A CN 114238856A CN 202111427537 A CN202111427537 A CN 202111427537A CN 114238856 A CN114238856 A CN 114238856A
Authority
CN
China
Prior art keywords
wind
historical
prediction error
photovoltaic
future
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
Application number
CN202111427537.2A
Other languages
English (en)
Inventor
袁泉
张蔷
邹金
卓映君
王子强
卢斯煜
王巍
李豹
周毓敏
姚海成
周鑫
卢伟辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China South Power Grid International Co ltd
China Southern Power Grid Co Ltd
Original Assignee
China South Power Grid International Co ltd
China Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China South Power Grid International Co ltd, China Southern Power Grid Co Ltd filed Critical China South Power Grid International Co ltd
Priority to CN202111427537.2A priority Critical patent/CN114238856A/zh
Publication of CN114238856A publication Critical patent/CN114238856A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Water Supply & Treatment (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Algebra (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)

Abstract

本发明公开了风光资源未来预测误差求解方法、装置、设备及存储介质，该方法包括：基于风光预测误差回归模型，根据历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电、光伏装机占比和历史风光预测误差标幺值的绝对平均值，然后进行参数回归拟合，获得每一个季节的昼、夜时段的风电、光伏装机影响因子；然后根据预设的未来风光出力数据和风电、光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值；本发明进行风光资源未来预测误差值求解时考虑了风光资源的季节性差异与昼夜差异，以及风电装机数和光伏装机数对风光资源预测误差的影响，从而获得准确的未来预测误差值。

Description

风光资源未来预测误差求解方法、装置、设备及存储介质
技术领域
本发明涉及新能源发电技术领域，尤其是涉及风光资源未来预测误差求解方法、装置、设备及存储介质。
背景技术
新能源的预测误差对电网运行具有重要影响，而作为新能源的风电资源和光伏资源，合称为风光资源，其自身所具备的随机性和波动性增加了对风光资源未来预测误差进行求解的难度。现有技术中对风光资源的未来预测误差进行求解的方法通常没有考虑风光资源在时段上存在的分布差异，以及风电装机数和光伏装机数对风光资源预测误差的影响，从而导致预测误差的准确性较差，难以为电网调度提供参考。
发明内容
本发明提供了风光资源未来预测误差求解方法、装置、设备及存储介质，以解决现有技术对风光资源的未来预测误差进行求解的准确性较差的问题，在对风光资源未来预测误差进行拟合求解时充分考虑了风光资源的季节性差异与昼夜差异，以及风电装机数和光伏装机数对风光资源预测误差的影响，从而获得准确的未来预测误差值，以使能够根据该未来预测误差值为电网调度提供参考。
为了解决上述技术问题，本发明实施例第一方面提供了一种风光资源未来预测误差求解方法，包括：
基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值；
基于所述风光预测误差回归模型，分别根据所述预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值进行参数回归拟合，获得每一个季节的昼、夜时段的风电装机影响因子和光伏装机影响因子；
基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值；
其中，所述历史风光出力数据包括所述预设历史时段的历史风电总装机数、历史光伏总装机数、历史风电出力预测误差和历史光伏出力预测误差；
所述未来风光出力数据包括所述预设未来时段的未来风电总装机数和未来光伏总装机数。
优选地，所述方法具体通过如下步骤预先获取所述风光预测误差回归模型：
根据如下表达式构建所述风光预测误差回归模型：
Figure BDA0003374543580000021
其中，Cw为风电总装机数，Cp为光伏总装机数，X为风电装机占比，Y为光伏装机占比，Pwei为i时段风电出力预测误差，Ppei为i时段光伏出力预测误差，N为时段总数，Z为各时段风光预测误差标幺值的绝对平均值，a为风电装机影响因子，b为光伏装机影响因子，c为常数项。
优选地，所述基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值，具体包括：
基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，获得预设历史时段中每一个季节的昼时段的第一历史风电装机占比、第一历史光伏装机占比和第一历史风光预测误差标幺值的绝对平均值；
基于所述风光预测误差回归模型，根据所述预设历史时段的历史风电总装机数和历史风电出力预测误差，获得预设历史时段中每一个季节的夜时段的第二历史风电装机占比、第二历史光伏装机占比和第二历史风光预测误差标幺值的绝对平均值，其中，所述第二历史光伏装机占比为零。
优选地，所述基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值，具体包括：
基于所述风光预测误差回归模型，根据预设的未来风光出力数据，分别获得所述预设未来时段中每一个季节的昼、夜时段的未来风电装机占比和未来光伏装机占比；
基于所述风光预测误差回归模型，根据所述未来风电装机占比、未来光伏装机占比、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值。
本发明实施例第二方面提供了一种风光资源未来预测误差求解装置，包括：
数据获取模块，用于基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值；
参数回归拟合模块，用于基于所述风光预测误差回归模型，分别根据所述预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值进行参数回归拟合，获得每一个季节的昼、夜时段的风电装机影响因子和光伏装机影响因子；
未来预测误差值获取模块，用于基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值；
其中，所述历史风光出力数据包括所述预设历史时段的历史风电总装机数、历史光伏总装机数、历史风电出力预测误差和历史光伏出力预测误差；
所述未来风光出力数据包括所述预设未来时段的未来风电总装机数和未来光伏总装机数。
优选地，所述风光资源未来预测误差求解装置还包括风光预测误差回归模型获取模块，用于：
根据如下表达式构建所述风光预测误差回归模型：
Figure BDA0003374543580000041
其中，Cw为风电总装机数，Cp为光伏总装机数，X为风电装机占比，Y为光伏装机占比，Pwei为i时段风电出力预测误差，Ppei为i时段光伏出力预测误差，N为时段总数，Z为各时段风光预测误差标幺值的绝对平均值，a为风电装机影响因子，b为光伏装机影响因子，c为常数项。
优选地，所述数据获取模块用于基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值，具体包括：
基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，获得预设历史时段中每一个季节的昼时段的第一历史风电装机占比、第一历史光伏装机占比和第一历史风光预测误差标幺值的绝对平均值；
基于所述风光预测误差回归模型，根据所述预设历史时段的历史风电总装机数和历史风电出力预测误差，获得预设历史时段中每一个季节的夜时段的第二历史风电装机占比、第二历史光伏装机占比和第二历史风光预测误差标幺值的绝对平均值，其中，所述第二历史光伏装机占比为零。
优选地，所述未来预测误差值获取模块用于基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值，具体包括：
基于所述风光预测误差回归模型，根据预设的未来风光出力数据，分别获得所述预设未来时段中每一个季节的昼、夜时段的未来风电装机占比和未来光伏装机占比；
基于所述风光预测误差回归模型，根据所述未来风电装机占比、未来光伏装机占比、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值。
本发明实施例第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的风光资源未来预测误差求解方法。
本发明实施例第四方面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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一项所述的风光资源未来预测误差求解方法。
相比于现有技术，本发明实施例的有益效果在于，在对风光资源未来预测误差进行拟合求解时充分考虑了风光资源的季节性差异与昼夜差异，以及风电装机数和光伏装机数对风光资源预测误差的影响，从而获得准确的未来预测误差值，以使能够根据该未来预测误差值为电网调度提供参考。
附图说明
图1是本发明实施例提供的一种风光资源未来预测误差求解方法的流程示意图；
图2是本发明实施例提供的一种风光资源未来预测误差求解装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，本发明实施例第一方面提供了一种风光资源未来预测误差求解方法的流程示意图，包括步骤S1至步骤S3，具体如下：
步骤S1，基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值。
需要说明的是，所述历史风光出力数据包括所述预设历史时段的历史风电总装机数、历史光伏总装机数、历史风电出力预测误差和历史光伏出力预测误差。
值得说明的是，为了分析风电和光伏的装机数与风光预测误差的关系，本发明实施例采用了线性回归模型进行参数拟合，通过参数大小反映风电和光伏的装机数与风光预测误差大小的相关性。
优选地，所述方法具体通过如下步骤预先获取所述风光预测误差回归模型：
根据如下表达式构建所述风光预测误差回归模型：
Figure BDA0003374543580000061
其中，Cw为风电总装机数，Cp为光伏总装机数，X为风电装机占比，Y为光伏装机占比，Pwei为i时段风电出力预测误差，Ppei为i时段光伏出力预测误差，N为时段总数，Z为各时段风光预测误差标幺值的绝对平均值，a为风电装机影响因子，b为光伏装机影响因子，c为常数项。
值得说明的是，上述所提到的i时段可以是在预设历史时段中，某一天当中的某一个小时，在这里不作具体限定。
本发明实施例通过对历史风光出力数据进行季节划分和昼、夜时段划分，并且分季节、分昼时段和夜时段地利用风光预测误差回归模型求解预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值。具体地，根据风光资源的季节性差异，可从春夏秋冬四季分别利用风光预测误差回归模型进行历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值的求解，考虑到光伏出力的昼夜差异，上述式(1)对历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值的求解过程需要划分为昼和夜两个时段。
优选地，所述基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值，具体包括：
基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，获得预设历史时段中每一个季节的昼时段的第一历史风电装机占比、第一历史光伏装机占比和第一历史风光预测误差标幺值的绝对平均值；
基于所述风光预测误差回归模型，根据所述预设历史时段的历史风电总装机数和历史风电出力预测误差，获得预设历史时段中每一个季节的夜时段的第二历史风电装机占比、第二历史光伏装机占比和第二历史风光预测误差标幺值的绝对平均值，其中，所述第二历史光伏装机占比为零。
可以理解的是，当求解昼时段的历史风电装机占比、历史风电装机占比、历史风光预测误差标幺值的绝对平均值时，需要考虑光伏出力，因此根据预设历史时段的历史风电总装机数和历史光伏总装机数，根据式(1)对昼时段的历史风电装机占比、历史风电装机占比、历史风光预测误差标幺值的绝对平均值进行求解。
当求解夜时段的历史风电装机占比、历史风电装机占比、历史风光预测误差标幺值的绝对平均值时，不需考虑光伏出力，因此在利用风光预测误差回归模型进行求解的过程中，历史光伏出力预测误差和历史光伏总装机数均设为0，主要影响Y和Z的求解，式(1)变化如下式(2)所示：
Figure BDA0003374543580000081
作为一种可选实施例，预设历史时段可以为过去的某5年，如2014年至2018年，由于每一年的风电装机总数和光伏装机总数都是不同的，因此利用风光预测误差回归模型根据该5年的历史风光出力数据进行处理时，最终获得5组风电装机占比、风电装机占比和风光预测误差标幺值的绝对平均值，作为预设历史时段的风电装机占比、风电装机占比和风光预测误差标幺值的绝对平均值。
步骤S2，基于所述风光预测误差回归模型，分别根据所述预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值进行参数回归拟合，获得每一个季节的昼、夜时段的风电装机影响因子和光伏装机影响因子。
具体地，在步骤S1求解获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值后，利用风光预测误差回归模型分别根据预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值进行参数回归拟合，获得预设历史时段中每一个季节的昼、夜时段的风电装机影响因子、光伏装机影响因子以及一个常数项。
需要说明的是，风电装机影响因子表示风电装机对风光预测误差的影响因子，光伏装机影响因子表示光伏装机对风光预测误差的影响因子。由于风光预测误差回归模型根据预设历史时段的历史风光出力数据分季节、分时段地进行参数回归拟合，因此拟合获得的风电装机影响因子和光伏装机影响因子具有季节特性和昼夜出力特性。
进一步地，本发明实施例采用决定系数R2评估模型进行参数拟合的效果，决定系数R2一般用在回归模型，用于评估预测值和实际值的符合程度，数值越接近1，回归拟合效果越佳，当决定系数R2的数值大于0.8时，认为回归的拟合效果较好。决定系数R2反映了因变量中有多少百分比，可由控制变量来解释。本发明实施例采用预设历史时段中所有风光预测误差标幺值的绝对平均值的平均值作为拟合误差基准，观察拟合获得的风光预测误差是否大于或者小于均值基准误差。具体如下：
Figure BDA0003374543580000091
其中，R2为决定系数，z为预设历史时段中各个年份的风光预测误差标幺值的绝对平均值，
Figure BDA0003374543580000092
为预设历史时段中所有风光预测误差标幺值的绝对平均值的平均值，
Figure BDA0003374543580000093
为预设未来时段中各个年份的未来预测误差值。
步骤S3，基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值。
需要说明的是，所述未来风光出力数据包括所述预设未来时段的未来风电总装机数和未来光伏总装机数。
优选地，所述基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值，具体包括：
基于所述风光预测误差回归模型，根据预设的未来风光出力数据，分别获得所述预设未来时段中每一个季节的昼、夜时段的未来风电装机占比和未来光伏装机占比；
基于所述风光预测误差回归模型，根据所述未来风电装机占比、未来光伏装机占比、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值。
具体地，本发明实施例预先对未来某一年的风电总装机数和光伏总装机数进行规划，然后基于所述风光预测误差回归模型，根据式(1)获得未来该年中每一个季节的昼、夜时段的的未来风电总装机占比X和未来光伏装机占比Y。
基于所述风光预测误差回归模型，根据步骤S2拟合获得的各个季节的昼时段和夜时段的风电装机影响因子a、光伏装机影响因子b以及常数项c，再结合上述的未来该年中每一个季节的昼、夜时段的的未来风电总装机占比X和未来光伏装机占比Y，按照式子：
Figure BDA0003374543580000101
获得未来该年各个季节的昼时段和夜时段的未来预测误差值
Figure BDA0003374543580000102
本发明实施例提供的一种风光资源未来预测误差求解方法，在对风光资源未来预测误差进行拟合求解时充分考虑了风光资源的季节性差异与昼夜差异，以及风电装机数和光伏装机数对风光资源预测误差的影响，从而获得准确的未来预测误差拟合结果，以使能够根据拟合结果准确地对预测误差进行分析，为电网调度提供参考。
参见图2，本发明实施例第二方面提供了一种风光资源未来预测误差求解装置，包括：
数据获取模块201，用于基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值；
参数回归拟合模块202，用于基于所述风光预测误差回归模型，分别根据所述预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值进行参数回归拟合，获得每一个季节的昼、夜时段的风电装机影响因子和光伏装机影响因子；
未来预测误差值获取模块203，用于基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值；
其中，所述历史风光出力数据包括所述预设历史时段的历史风电总装机数、历史光伏总装机数、历史风电出力预测误差和历史光伏出力预测误差；
所述未来风光出力数据包括所述预设未来时段的未来风电总装机数和未来光伏总装机数。
优选地，所述风光资源未来预测误差求解装置还包括风光预测误差回归模型获取模块204，用于：
根据如下表达式构建所述风光预测误差回归模型：
Figure BDA0003374543580000111
其中，Cw为风电总装机数，Cp为光伏总装机数，X为风电装机占比，Y为光伏装机占比，Pwei为i时段风电出力预测误差，Ppei为i时段光伏出力预测误差，N为时段总数，Z为各时段风光预测误差标幺值的绝对平均值，a为风电装机影响因子，b为光伏装机影响因子，c为常数项。
优选地，所述数据获取模块201用于基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值，具体包括：
基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，获得预设历史时段中每一个季节的昼时段的第一历史风电装机占比、第一历史光伏装机占比和第一历史风光预测误差标幺值的绝对平均值；
基于所述风光预测误差回归模型，根据所述预设历史时段的历史风电总装机数和历史风电出力预测误差，获得预设历史时段中每一个季节的夜时段的第二历史风电装机占比、第二历史光伏装机占比和第二历史风光预测误差标幺值的绝对平均值，其中，所述第二历史光伏装机占比为零。
优选地，所述未来预测误差值获取模块203用于基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值，具体包括：
基于所述风光预测误差回归模型，根据预设的未来风光出力数据，分别获得所述预设未来时段中每一个季节的昼、夜时段的未来风电装机占比和未来光伏装机占比；
基于所述风光预测误差回归模型，根据所述未来风电装机占比、未来光伏装机占比、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值。
需要说明的是，本发明实施例所提供的一种风光资源未来预测误差求解装置，能够实现上述任一实施例所述的风光资源未来预测误差求解方法的所有流程，装置中的各个模块的作用以及实现的技术效果分别与上述实施例所述的风光资源未来预测误差求解方法的作用以及实现的技术效果对应相同，这里不再赘述。
本发明实施例第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一实施例所述的风光资源未来预测误差求解方法。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明实施例第四方面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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如第一方面任一实施例所述的风光资源未来预测误差求解方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的硬件平台的方式来实现，当然也可以全部通过硬件来实施。基于这样的理解，本发明的技术方案对背景技术做出贡献的全部或者部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种风光资源未来预测误差求解方法，其特征在于，包括：
基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值；
基于所述风光预测误差回归模型，分别根据所述预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值进行参数回归拟合，获得每一个季节的昼、夜时段的风电装机影响因子和光伏装机影响因子；
基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值；
其中，所述历史风光出力数据包括所述预设历史时段的历史风电总装机数、历史光伏总装机数、历史风电出力预测误差和历史光伏出力预测误差；
所述未来风光出力数据包括所述预设未来时段的未来风电总装机数和未来光伏总装机数。
2.如权利要求1所述的风光资源未来预测误差求解方法，其特征在于，所述方法具体通过如下步骤预先获取所述风光预测误差回归模型：
根据如下表达式构建所述风光预测误差回归模型：
Figure FDA0003374543570000011
其中，Cw为风电总装机数，Cp为光伏总装机数，X为风电装机占比，Y为光伏装机占比，Pwei为i时段风电出力预测误差，Ppei为i时段光伏出力预测误差，N为时段总数，Z为各时段风光预测误差标幺值的绝对平均值，a为风电装机影响因子，b为光伏装机影响因子，c为常数项。
3.如权利要求2所述的风光资源未来预测误差求解方法，其特征在于，所述基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值，具体包括：
基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，获得预设历史时段中每一个季节的昼时段的第一历史风电装机占比、第一历史光伏装机占比和第一历史风光预测误差标幺值的绝对平均值；
基于所述风光预测误差回归模型，根据所述预设历史时段的历史风电总装机数和历史风电出力预测误差，获得预设历史时段中每一个季节的夜时段的第二历史风电装机占比、第二历史光伏装机占比和第二历史风光预测误差标幺值的绝对平均值，其中，所述第二历史光伏装机占比为零。
4.如权利要求3所述的风光资源未来预测误差求解方法，其特征在于，所述基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值，具体包括：
基于所述风光预测误差回归模型，根据预设的未来风光出力数据，分别获得所述预设未来时段中每一个季节的昼、夜时段的未来风电装机占比和未来光伏装机占比；
基于所述风光预测误差回归模型，根据所述未来风电装机占比、未来光伏装机占比、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值。
5.一种风光资源未来预测误差求解装置，其特征在于，包括：
数据获取模块，用于基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值；
参数回归拟合模块，用于基于所述风光预测误差回归模型，分别根据所述预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值进行参数回归拟合，获得每一个季节的昼、夜时段的风电装机影响因子和光伏装机影响因子；
未来预测误差值获取模块，用于基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值；
其中，所述历史风光出力数据包括所述预设历史时段的历史风电总装机数、历史光伏总装机数、历史风电出力预测误差和历史光伏出力预测误差；
所述未来风光出力数据包括所述预设未来时段的未来风电总装机数和未来光伏总装机数。
6.如权利要求5所述的风光资源未来预测误差求解装置，其特征在于，还包括风光预测误差回归模型获取模块，用于：
根据如下表达式构建所述风光预测误差回归模型：
Figure FDA0003374543570000031
其中，Cw为风电总装机数，Cp为光伏总装机数，X为风电装机占比，Y为光伏装机占比，Pwei为i时段风电出力预测误差，Ppei为i时段光伏出力预测误差，N为时段总数，Z为各时段风光预测误差标幺值的绝对平均值，a为风电装机影响因子，b为光伏装机影响因子，c为常数项。
7.如权利要求6所述的风光资源未来预测误差求解装置，其特征在于，所述数据获取模块用于基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，分别获得预设历史时段中每一个季节的昼、夜时段的历史风电装机占比、历史光伏装机占比和历史风光预测误差标幺值的绝对平均值，具体包括：
基于预先获取的风光预测误差回归模型，根据预先获取的历史风光出力数据，获得预设历史时段中每一个季节的昼时段的第一历史风电装机占比、第一历史光伏装机占比和第一历史风光预测误差标幺值的绝对平均值；
基于所述风光预测误差回归模型，根据所述预设历史时段的历史风电总装机数和历史风电出力预测误差，获得预设历史时段中每一个季节的夜时段的第二历史风电装机占比、第二历史光伏装机占比和第二历史风光预测误差标幺值的绝对平均值，其中，所述第二历史光伏装机占比为零。
8.如权利要求7所述的风光资源未来预测误差求解装置，其特征在于，所述未来预测误差值获取模块用于基于所述风光预测误差回归模型，根据预设的未来风光出力数据、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值，具体包括：
基于所述风光预测误差回归模型，根据预设的未来风光出力数据，分别获得所述预设未来时段中每一个季节的昼、夜时段的未来风电装机占比和未来光伏装机占比；
基于所述风光预测误差回归模型，根据所述未来风电装机占比、未来光伏装机占比、所述风电装机影响因子和所述光伏装机影响因子，获得预设未来时段中每一个季节的昼、夜时段的未来预测误差值。
9.一种终端设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述的风光资源未来预测误差求解方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4任一项所述的风光资源未来预测误差求解方法。
CN202111427537.2A 2021-11-25 2021-11-25 风光资源未来预测误差求解方法、装置、设备及存储介质 Pending CN114238856A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111427537.2A CN114238856A (zh) 2021-11-25 2021-11-25 风光资源未来预测误差求解方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111427537.2A CN114238856A (zh) 2021-11-25 2021-11-25 风光资源未来预测误差求解方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN114238856A true CN114238856A (zh) 2022-03-25

Family

ID=80751782

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111427537.2A Pending CN114238856A (zh) 2021-11-25 2021-11-25 风光资源未来预测误差求解方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114238856A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115603319A (zh) * 2022-11-08 2023-01-13 国网湖南省电力有限公司（Cn） 电力***风光出力预测方法及预测***
CN117674298A (zh) * 2023-12-13 2024-03-08 河南九域腾龙信息工程有限公司 一种考虑风光场站不确定性的负荷调度方法
CN117674298B (zh) * 2023-12-13 2024-07-26 河南九域腾龙信息工程有限公司 一种考虑风光场站不确定性的负荷调度方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115603319A (zh) * 2022-11-08 2023-01-13 国网湖南省电力有限公司（Cn） 电力***风光出力预测方法及预测***
CN117674298A (zh) * 2023-12-13 2024-03-08 河南九域腾龙信息工程有限公司 一种考虑风光场站不确定性的负荷调度方法
CN117674298B (zh) * 2023-12-13 2024-07-26 河南九域腾龙信息工程有限公司 一种考虑风光场站不确定性的负荷调度方法

Similar Documents

Publication Publication Date Title
KR102468316B1 (ko) 과거 데이터에 기초한 시계열 예측 방법 및 장치
US12003102B2 (en) Methods and systems for determining distribution grid hosting capacity
CN110544112A (zh) 一种考虑可再生能源的区域调频市场出清的方法及装置
CN116070728B (zh) 光伏发电***发电量预测方法、设备、***及介质
CN112906757A (zh) 模型训练方法、光功率预测方法、装置、设备及存储介质
CN114447964A (zh) 储能充放电方案的确定方法、装置、设备及存储介质
CN114238856A (zh) 风光资源未来预测误差求解方法、装置、设备及存储介质
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
CN113947007A (zh) 能源的负荷预测方法、装置及设备
CN110544958B (zh) 一种电力***消纳随机出力电源能力的确定方法及装置
CN112036607B (zh) 基于出力水平的风电出力波动预测方法、装置及存储介质
CN110070230B (zh) 一种局部电网机组窝电量评估计算方法、装置及存储介质
CN116247644A (zh) 基于储能***的充放电方法及装置、存储介质、终端
CN113991679A (zh) 配电网电压越限风险确定方法及设备
CN113342502A (zh) 数据湖的性能诊断方法、装置、计算机设备及存储介质
CN112561732A (zh) 一种电力***有功调度优化的方法、装置和可读存储介质
CN117807791A (zh) 风电场概率性日前出力生成模拟方法、***、芯片及设备
CN115063255B (zh) 一种海上风电场的运维资源优化配置方法、装置及***
US20240195174A1 (en) Energy prediction device, energy prediction method, and energy prediction program
CN114444820B (zh) 基于气象-功率特性的新能源功率预测限电数据识别方法
CN113704984B (zh) 电力***年度检修计划制定方法、装置和计算机设备
CN115796430A (zh) 一种电源规划典型场景生成方法、装置、介质及设备
CN115828515A (zh) 风电场的建模方法及装置
CN116316564A (zh) 风电功率的预测方法、处理器、***及存储介质
CN113988600A (zh) 风电机组可靠性评价方法、***、设备及可读存储介质

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