CN115423211A - 一种街区随机功率预测方法、装置、设备及介质 - Google Patents
一种街区随机功率预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115423211A CN115423211A CN202211192162.0A CN202211192162A CN115423211A CN 115423211 A CN115423211 A CN 115423211A CN 202211192162 A CN202211192162 A CN 202211192162A CN 115423211 A CN115423211 A CN 115423211A
- Authority
- CN
- China
- Prior art keywords
- power
- probability
- prediction
- new energy
- matrix
- 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 52
- 239000011159 matrix material Substances 0.000 claims abstract description 69
- 230000007704 transition Effects 0.000 claims abstract description 24
- 230000003044 adaptive effect Effects 0.000 claims abstract description 15
- 238000004590 computer program Methods 0.000 claims description 16
- 238000012546 transfer Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000007613 environmental effect Effects 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
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load 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
- 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
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)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Power Engineering (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种街区随机功率预测方法,包括以下步骤:获取预设地区内的新能源功率和负荷功率;根据预设地区内的新能源功率和负荷功率构建新能源预测功率模型;获取预设时间内预设区域的历史数据建立马尔科夫概率转移矩阵,并根据马尔科夫概率转移矩阵建立自适应概率矩阵;根据新能源预测功率模型和自适应概率矩阵生成场景树;根据场景树得到街区随机功率预测值。本发明通过调整马尔科夫概率转移矩阵建立自适应概率矩阵,并根据自适应概率矩阵生成场景树,考虑了多场景及其概率,从而能够更有效利用概率矩阵,降低随机功率预测计算的时间成本,并提供预测精度。
Description
技术领域
本发明属于电力技术领域,具体涉及一种街区随机功率预测方法、装置、设备及介质。
背景技术
随着能源环境问题的日益突出,建设以新能源为主体的新型电力***更为重要。然而,随着新能源渗透率的不断提高,其随机性、波动性等特性对电力***的稳定、调度、电能质量等方面带来巨大挑战。新能源通过街区、社区、微电网等分布式能源网络消纳,对于提高新能源的渗透率有重要促进作用。分布式能源消纳的关键问题是协调“源”-“荷”之间的功率不平衡。由于二者均具有显著的不确定性,因此其随机性问题对协调控制策略具有重要影响。而“源”、“荷”的功率预测是研究协调控制策略首先需要解决的基础性和关键性问题。
专利CN202111038647.X提出一种基于相似日选取和分类分时误差修正的光伏功率预测方法,包括:得到每日特征气象数据和有功功率;基于欧式距离阈值划分法实现相似日分类;得到日内和日间数据特征;对各类相似日数据分开训练预测;得到每类相似日训练样本在不同时间点的预测误差;对新一天特征气象数据统计分析,与前述日内和日间数据特征进行差距度分析,完成相似日归类,利用对应训练模型,实现初步功率预测;据相似日内分时误差,实现分时误差修正,得到最终的有功功率预测值。然而,上述预测方法均未考虑预测场景的筛选问题,随机问题的场景概率相对分散,单场景模型容易增加预测误差。
发明内容
本发明的目的在于提供一种街区随机功率预测方法、装置、设备及介质以解决现有功率预测方法准确性差的技术问题。
第一方面,一种街区随机功率预测方法,包括以下步骤:
获取预设地区内的新能源功率和负荷功率;
根据预设地区内的新能源功率和负荷功率构建新能源预测功率模型;
获取预设时间内预设区域的历史数据建立马尔科夫概率转移矩阵,并根据马尔科夫概率转移矩阵建立自适应概率矩阵;
根据新能源预测功率模型和自适应概率矩阵生成场景树;
根据场景树得到街区随机功率预测值。
本发明的进一步改进在于:根据预设地区内的新能源功率和负荷功率构建新能源预测功率模型时,采用时间序列模型构建新能源预测功率模型。
本发明的进一步改进在于:建立自适应概率矩阵时,具体包括以下步骤:
根据马尔科夫概率转移矩阵T得到负荷历史功率数据周期;
计算负荷历史功率数据周期内k时刻负荷功率的转移概率;
获取调整系数集;
根据调整系数集和负荷历史功率数据周期内k时刻负荷功率的转移概率对k时刻负荷功率的转移概率集进行调整;
根据调整系数集调整马尔科夫概率转移矩阵得到自适应概率矩阵。
本发明的进一步改进在于:所述调整系数集通过指数函数获得。
本发明的进一步改进在于:根据新能源预测功率模型和自适应概率矩阵生成场景树时,具体包括以下步骤:
S1、获取预设时域内新能源预测功率模型生成的新能源随机功率及负荷随机功率,并生成随机的样本集,并计算样本集中每个样本的概率;
S2、从根节点开始第预设值个节点选择子节点,并设该子节点为若干步的预测,重新计算样本集中的各个样本的概率权重,并累计加权;
S3、基于随机函数和S2中累计加权的结果选择子节点,并计算该子节点的节点概率;
S4、样本集为场景集,将S3中选择的子节点从样本集中删除,得到新的场景集;
S5、重复S2~S4直到选择第预设值个节点前的所有子节点;
S6、重复S2~S5以选择所有的非根节点并计算相应的节点概ζJy,生成场景树。
本发明的进一步改进在于:所述预设值小于15。
本发明的进一步改进在于:根据场景树得到街区随机功率预测值时,根据场景树的每个节点和每个节点对应的概率表示预测时域内存在的随机功率值和随机功率值对应的概率。
第二方面,一种街区随机功率预测装置,包括:
数据获取模块:用于获取预设地区内的新能源功率和负荷功率;
新能源预测功率模型建立模块:用于根据预设地区内的新能源功率和负荷功率构建新能源预测功率模型;
自适应概率矩阵建立模块:用于获取预设时间内预设区域的历史数据建立马尔科夫概率转移矩阵,并根据马尔科夫概率转移矩阵得到自适应概率矩阵;
场景树生成模块:根据新能源预测功率模型和自适应概率矩阵生成场景树;
结果输出模块:用于根据场景树得到街区随机功率预测值,并输出预测结果。
第三方面,一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,所述处理器执行计算机程序时实现上述的一种街区随机功率预测方法。
第四方面,一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现上述的一种街区随机功率预测方法。
与现有技术相比,本发明至少包括以下有益效果:
本发明通过调整马尔科夫概率转移矩阵建立自适应概率矩阵,并根据自适应概率矩阵生成场景树,考虑了多场景及其概率,从而能够更有效利用概率矩阵,降低随机功率预测计算的时间成本,并提供预测精度;
本发明中的方法可应用于街区“源”-“荷”协调控制、储能能量管理、街区能源配置等场景。首先,针对街区负荷随生产、季节等因素周期性波动的特点,采用后验信息自适应调整概率矩阵以提高其预测精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
在附图中:
图1为本发明一种街区随机功率预测方法的流程图;
图2为本发明实施例2中街区典型工作日内的功率曲线;
图3-1为本发明实施例2中时段1的Markov矩阵;
图3-2为本发明实施例2中时段2的Markov矩阵;
图4为本发明实施例2中新能源随机功率的4步预测结果示意图;
图5为本发明实施例2中tday=7时负荷随机功率4步预测结果示意图;
图6为本发明一种街区随机功率预测装置的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明,旨在对本发明提供进一步的详细说明。除非另有指明,本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式,而并非意图限制根据本发明的示例性实施方式。
实施例1
一种街区随机功率预测方法,如图1所示,包括以下步骤:
A1、获取预设地区内的新能源功率和负荷功率;
A2、根据预设地区内的新能源功率和负荷功率构建新能源预测功率模型;
在A2中具体包括以下步骤:
由于天气预测数据通常基于正态分布的时间序列,而时间序列是基于历史数据的变化趋势来预测未来的发展趋势。因此,可采用时间序列模型对风电、光伏等新能源的随机功率建模。本实施例中的方法应用于日内预测,新能源的预测周期为0.5h,预测时域为2h。在预测时域内,光伏和风电功率为非平稳时间序列,通过差分处理化为平稳序列数学形式作为新能源预测功率模型:
式中,yk-p为k-p时刻的实际功率,ek-q为k-q时刻的预测误差,为k时刻的功率预测值,ek为k时刻的预测误差,φ为自回归模型(AR)的参数,θ为滑动平均模型(MA)的参数,p为AR的阶数,q为MA的阶数,d为差分阶数。一般p、d、q均取1。一般情况下,光伏、风电功率预测误差服从正态分布,即ek~N(μ,σ2),其中,μ和σ分别为预测误差的期望和标准差。
对于新能源在预测时域内的多步预测,可以通过新能源预测功率模型作为得到预测时刻k+n的预测功率模型。
A3、获取预设时间内预设区域的历史数据建立马尔科夫概率转移矩阵,并根据马尔科夫概率转移矩阵得到自适应概率矩阵;
在A3中,具体包括以下步骤:
预设时间内预设区域的历史数据包括预设区域内日负荷功率,对预设区域内日负荷功率进行离散区间化,并建立马尔科夫(Markov)离散区间集。其中,为离散子区间,s为离散区间数,状态区间s划分越多,马尔科夫矩阵规模越大,导致后续的预测更加复杂。同时,由于各状态的样本数减少,马尔科夫矩阵甚至难以反映功率变化规律。因此,离散区间s是模型复杂度和状态转移规律的折中,需在实际中通过历史样本数量以及负荷的变化范围来确定;
计算自适应概率矩阵时街区负荷受近期生产、季节因素等影响,具有一定的波动周期,为了更好的适应负荷状态的转移规律,通过近期负荷功率的后验信息自适应调节马尔科夫概率转移矩阵,以提高预测精度。
根据马尔科夫概率转移矩阵T得到负荷历史功率数据周期Tday;
λadp=exp(η·(pi(k)-[Tadp]i(k-1))) (6)
其中,[Tadp]i(k-1)为k-1时刻Tadp中第i状态的转移概率,η为自适应调节系数,调整系数集λadp通过指数函数得到,这是因为指数函数具有强非线性特征。差值pi(k)-[Tadp]i(k-1)越大,则λadp变化越大,从而能更好适应负荷功率的波动规律。自适应系数η可通过实际预测结果调整。
通过调整系数集λadp对Tadp(k-1)第i行的每个概率值pij(k-1)进行调整:
在日内的负荷功率预测开始时刻,首先更新日前负荷的马尔科夫概率转移矩阵T。然后在日内的每个预测时刻k,执行上述步骤即可得到当前负荷的自适应概率矩阵[Tadp]i(k)。
A4、根据新能源预测功率模型和自适应概率矩阵生成场景树;
在A4中具体包括以下步骤:由于多步预测的概率分布分散,若通过常见的场景选择方法仅得到最佳场景,会导致预测误差显著增加。若全部列举可能的场景,场景规模太大甚至会造成“维数灾难”。因此,合理的场景选择是关键,本发明采用场景树来进行多场景选取,生成步骤如下:
S1、获取预设时域内新能源预测功率模型生成的新能源随机功率及负荷随机功率,并生成随机的样本集J,样本数为nJ,其中样本Ji的概率为:
式中,由于新能源和负荷的预测模型不同,故当新能源预测时,p(Ji)=1/nJ;
负荷预测时,p(Ji)=Tadp(Ji);
S2、从根节点开始第Nx(x<15)个节点选择子节点,设该子节点为第k+n步预测。对样本集J中的各个Ji重新计算概率权重:
p'(Ji)=p(Ji)/(∑p(Ji));
式中,p(Ji)代表被选择样本集中各个样本的概率,p'(Ji)代表重新计算权重后样本Ji的概率;
进一步,计算累加权重:
式中,paccu'(Ji)代表重新计算权重后样本Ji的累加权重。
S3、基于随机函数r=rand(0,1)选择子节点Jy:
同时,节点Jy的节点概率为:
式中,y为节点序号,argmax(f(x)<r)函数表示满足函数f(x)<r的时候,得到f(x)取值范围的最大值;
S5、重复S2~S4直到选择Nx节点的所有子节点;
A5、根据场景树得到街区随机功率预测值。
在每个预测时刻k,利用采集的当前功率数据及预测信息生成场景树。
根据场景树得到街区随机功率预测值时,场景树的每个节点及其概率代表了预测时域内可能的随机功率值及其概率,从而得到街区随机功率预测值,并输出。
实施例2
对实施例1中一种街区随机功率预测方法的检验,以图2所示的街区典型工作日内的功率曲线为例,为了表示方便,图2中所有功率数据均已标幺化。
首先对原始新能源及负荷功率数据进行分析,由图2可知,新能源在日内波动较大,尤其是风电功率,多次出现上升和下降阶段且波动较大。在日内,负荷功率变化较为平缓,在6:00~12:00(时段1)功率增加,12:00~次日6:00(时段2)功率减少。由于在该两个时段内功率的变化趋势相反,因此需分别建立两个时段的Markov矩阵。
新能源随机功率预测结果及分析
由图2及历史功率数据综合分析,选取1/3作为离散区间建立概率转移矩阵,模型预测的参数设置如表1所示。
表1参数设置
所建负荷功率的Markov概率转移矩阵如图3-1和3-2所示。图4、图5分别为新能源和负荷根据各自预测模型得到的4步随机功率预测结果。由图4、图5可知,随着预测时域的增加,新能源与负荷的预测功率与实际功率差值较小,特别在负荷的第4步预测中预测误差仍较小。结果表明本发明能够有效预测街区内新能源以及负荷的随机功率,验证了所提方法的有效性。
进一步,为了验证概率转移矩阵矩阵自适应调整方法的有效性,分别采用不同的自适应时间进行功率预测,预测结果如表2所示。
由表2可知,当自适应时间tday=7日时,多步预测序列的预测精度最高。分析其原因,由于街区商业写字楼的负荷受生产、季节等周期的影响,波动周期通常以天计。如果自适应时间太短,受最近几日的随机波动影响较大;若自适应时间太长,则更多的反映了该街区负荷波动的平均情况,未能准确反映出最近时期内的负荷波动情况。tday=7日时基本与该街区的负荷波动接近,因此预测误差更低。
表2不同自适应时间tday下的预测误差
为了验证所提多场景预测模型的有效性,分别采用本发明所提方法和极大似然估计法对负荷随机功率进行4步预测。在预测时域内,1~4步预测误差的加权平均值的对比结果如表4所示。
由表3可知,采用场景树法的负荷随机功率1~4步预测误差的加权平均值更低。同时,相比极大似然估计法,随着预测步数的增加预测精度提升更多。由于场景树方法所选择的是一组可能的场景集,而非最大概率场景。在多步预测中,随着预测时域的增加各种可能场景的概率值差异减小,因此仅选择最大概率值场景会导致预测精度降低。而场景树通过概率值将多个场景予以考虑,从而能够得到更好的预测精度。
表3不同场景选择方法的预测精度对比
实施例3
如图6所示,一种街区随机功率预测装置,基于上述的一种街区随机功率预测方法,包括:
数据获取模块:用于获取预设地区内的新能源功率和负荷功率;
新能源预测功率模型建立模块:用于根据预设地区内的新能源功率和负荷功率构建新能源预测功率模型;
自适应概率矩阵建立模块:用于获取预设时间内预设区域的历史数据建立马尔科夫概率转移矩阵,并根据马尔科夫概率转移矩阵得到自适应概率矩阵;
场景树生成模块:根据新能源预测功率模型和自适应概率矩阵生成场景树;
结果输出模块:用于根据场景树得到街区随机功率预测值,并输出预测结果。
实施例4
一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现实施例1的一种街区随机功率预测方法。
实施例5
一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现实施例1中的一种街区随机功率预测方法。
由技术常识可知,本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此,上述公开的实施方案,就各方面而言,都只是举例说明,并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、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 (10)
1.一种街区随机功率预测方法,其特征在于,包括以下步骤:
获取预设地区内的新能源功率和负荷功率;
根据预设地区内的新能源功率和负荷功率构建新能源预测功率模型;
获取预设时间内预设区域的历史数据建立马尔科夫概率转移矩阵,并根据马尔科夫概率转移矩阵建立自适应概率矩阵;
根据新能源预测功率模型和自适应概率矩阵生成场景树;
根据场景树得到街区随机功率预测值。
2.根据权利要求1所述的一种街区随机功率预测方法,其特征在于,根据预设地区内的新能源功率和负荷功率构建新能源预测功率模型时,采用时间序列模型构建新能源预测功率模型。
3.根据权利要求1所述的一种街区随机功率预测方法,其特征在于,建立自适应概率矩阵时,具体包括以下步骤:
根据马尔科夫概率转移矩阵T得到负荷历史功率数据周期;
计算负荷历史功率数据周期内k时刻负荷功率的转移概率;
获取调整系数集;
根据调整系数集和负荷历史功率数据周期内k时刻负荷功率的转移概率对k时刻负荷功率的转移概率集进行调整;
根据调整系数集调整马尔科夫概率转移矩阵得到自适应概率矩阵。
4.根据权利要求3所述的一种街区随机功率预测方法,其特征在于,所述调整系数集通过指数函数获得。
5.根据权利要求1所述的一种街区随机功率预测方法,其特征在于,根据新能源预测功率模型和自适应概率矩阵生成场景树时,具体包括以下步骤:
S1、获取预设时域内新能源预测功率模型生成的新能源随机功率及负荷随机功率,并生成随机的样本集,并计算样本集中每个样本的概率;
S2、从根节点开始第预设值个节点选择子节点,并设该子节点为若干步的预测,重新计算样本集中的各个样本的概率权重,并累计加权;
S3、基于随机函数和S2中累计加权的结果选择子节点,并计算该子节点的节点概率;
S4、样本集为场景集,将S3中选择的子节点从样本集中删除,得到新的场景集;
S5、重复S2~S4直到选择第预设值个节点前的所有子节点;
6.根据权利要求5所述的一种街区随机功率预测方法,其特征在于,所述预设值小于15。
7.根据权利要求5所述的一种街区随机功率预测方法,其特征在于,根据场景树得到街区随机功率预测值时,根据场景树的每个节点和每个节点对应的概率表示预测时域内存在的随机功率值和随机功率值对应的概率。
8.一种街区随机功率预测装置,其特征在于,包括:
数据获取模块:用于获取预设地区内的新能源功率和负荷功率;
新能源预测功率模型建立模块:用于根据预设地区内的新能源功率和负荷功率构建新能源预测功率模型;
自适应概率矩阵建立模块:用于获取预设时间内预设区域的历史数据建立马尔科夫概率转移矩阵,并根据马尔科夫概率转移矩阵得到自适应概率矩阵;
场景树生成模块:根据新能源预测功率模型和自适应概率矩阵生成场景树;
结果输出模块:用于根据场景树得到街区随机功率预测值,并输出预测结果。
9.一种计算机设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,其特征在于,所述处理器执行计算机程序时实现权利要求1-7所述的一种街区随机功率预测方法。
10.一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,其特征在于,计算机程序被处理器执行时实现权利要求1-7所述的一种街区随机功率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211192162.0A CN115423211A (zh) | 2022-09-28 | 2022-09-28 | 一种街区随机功率预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211192162.0A CN115423211A (zh) | 2022-09-28 | 2022-09-28 | 一种街区随机功率预测方法、装置、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115423211A true CN115423211A (zh) | 2022-12-02 |
Family
ID=84205319
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211192162.0A Pending CN115423211A (zh) | 2022-09-28 | 2022-09-28 | 一种街区随机功率预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115423211A (zh) |
-
2022
- 2022-09-28 CN CN202211192162.0A patent/CN115423211A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN111027732B (zh) | 一种多风电场出力场景的生成方法及*** | |
CN111382906B (zh) | 一种电力负荷预测方法、***、设备和计算机可读存储介质 | |
CN116596044B (zh) | 基于多源数据的发电负荷预测模型训练方法及装置 | |
CN110910004A (zh) | 一种多重不确定性的水库调度规则提取方法及*** | |
CN110414748B (zh) | 光伏功率预测方法 | |
CN108074015B (zh) | 一种风电功率超短期预测方法及*** | |
KR20210017342A (ko) | 과거 데이터에 기초한 시계열 예측 방법 및 장치 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和*** | |
CN110222830B (zh) | 一种基于自适应遗传算法优化的深度前馈网络故障诊断方法 | |
CN115049024B (zh) | 风速预测模型的训练方法、装置、电子设备和存储介质 | |
CN109816165B (zh) | 风电超短期功率预测方法及*** | |
CN114971090A (zh) | 一种电供暖负荷预测方法、***、设备和介质 | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及*** | |
CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
AU2021106200A4 (en) | Wind power probability prediction method based on quantile regression | |
CN112766537B (zh) | 一种短期电负荷预测方法 | |
CN114385962A (zh) | 一种基于相似日的日前光伏发电功率预测方法及*** | |
CN117742816A (zh) | 基板管理控制器的运行控制方法及装置 | |
CN117332896A (zh) | 多层集成学习的新能源小时间尺度功率预测方法及*** | |
CN116796639A (zh) | 短期电力负荷预测方法、装置及设备 | |
CN109685242B (zh) | 基于Adaboost算法的光伏超短期组合预测方法 | |
JP7342369B2 (ja) | 予測システム、予測方法 | |
CN116702598A (zh) | 建设成效预测模型的训练方法、装置、设备及存储介质 | |
CN115423211A (zh) | 一种街区随机功率预测方法、装置、设备及介质 |
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 |