CN112036672B - 一种基于迭代订正的新能源发电超短期功率预测方法及系统 - Google Patents
一种基于迭代订正的新能源发电超短期功率预测方法及系统 Download PDFInfo
- Publication number
- CN112036672B CN112036672B CN202011227869.1A CN202011227869A CN112036672B CN 112036672 B CN112036672 B CN 112036672B CN 202011227869 A CN202011227869 A CN 202011227869A CN 112036672 B CN112036672 B CN 112036672B
- Authority
- CN
- China
- Prior art keywords
- power
- short
- term
- time
- error
- 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.)
- Active
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 165
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012937 correction Methods 0.000 title claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims description 57
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001172 regenerating effect Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000015654 memory Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 125000004432 carbon atom Chemical group C* 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004519 manufacturing process 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
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于迭代订正的新能源发电超短期功率预测方法及系统，所述方法包括：获取预测时刻及当前时刻前若干时刻的短期预测功率与理论发电功率的绝对误差和相对误差，以及所述短期预测功率与实际发电功率间的绝对误差和相对误差；基于所述短期预测功率与理论发电功率的绝对误差和相对误差、所述短期预测功率与实际发电功率间的绝对误差和相对误差，以及按时序迭代得到的权重系数计算组合加权绝对误差和组合加权相对误差；基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值。通过组合加权误差的实时在线迭代订正方法预测超短期预测功率值，提高新能源发电超短期功率预测精度。
Description
技术领域
本发明涉及新能源发电技术领域，具体涉及一种基于迭代订正的新能源发电超短期功率预测方法及系统。
背景技术
新能源发电的超短期功率预测是指未来15分钟到4小时的功率预测，可为新能源实时调度提供决策支持，也可为新能源场站有功功率控制、电力市场实时交易提供参考。基于神经网络的新能源发电超短期功率预测方法是目前最常见的新能源发电超短期功率预测方法，其具有较强的容错性以及自组织和自适应能力，对非线性问题的求解十分有效。由于神经网络方法种类繁多，下面以LSTM神经网络为例，对基于LSTM的新能源发电超短期功率预测方法进行说明：
（1）LSTM神经网络算法
LSTM为时间上的深度神经网络，其内部包含输入层、隐含层、输出层、遗忘门、输入门和输出门，及代表长期记忆的信息流，构成了一个输入x和状态输出s的一个黑箱，即cell，具体结构如图1所示。其中，x t表示当前输入，h t / h t-1表示t/t-1时刻的隐含层输出之比，c t / c t-1表示t/t-1时刻的长期记忆状态，f t为遗忘门的输出信号，i t表示输入门的输出信号，c t为当前要输入到长期记忆c中的预备信息，o t为输出门的输出信号，h t为t时刻隐含层的状态值。
式中：s (.)表示神经元的激活函数；W xf 表示从网络输入层到遗忘门的网络权重值，W hf 表示从第t-1时刻记忆模块的输出值到当前遗忘门的网络系数权重b f 表示当前遗忘门的偏差向量。
式中：W xi 表示从网络输入层到当前输入门的网络权重值；W hi 表示从第t-1时刻记忆模块的输出值到当前输入门的网络权重值；b i 表示当前输入门的偏差向量。
式中：W xo 表示从网络输入层到当前模块的网络权重值；W ho 表示从第t-1时刻记忆模块的输出值到当前模块的网络权重值；b o 表示当前输出模块的偏差向量。
式中：W xc 表示从网络输入层到当前模块的网络权重值；W hc 表示从第t-1时刻记忆模块的输出值到当前模块的网络权重值；b c 表示当前记忆模块的偏差向量。
式中：h t表示最终长短期记忆模块的输出。
（2）LSTM神经网络参数设计
基于LSTM神经网络的新能源发电超短期功率预测模型主要需要确定的参数有5个，即输入层时间步数、输入层维数、隐藏层的数目、每个隐藏层维数以及输出变量维数。
输入层时间步数等于用来进行新能源发电超短期功率预测的变量时间序列的长度。输入层维数即变量数，多变量时，输入层维数为变量标签数。隐藏层数目即LSTM层的个数，随着隐藏层的增多，在训练样本充足的情况下，模型的非线性拟合能力随之上升，但同时模型的复杂程度及训练的计算和时间成本也将增加。隐藏层的维数需经多次试验比较结果进行确定，通常设置为变量标签数的三倍。输出变量维数为每个时刻的输出变量个数，仅需输出新能源发电超短期功率一个变量，因此维数设为1。
（3）LSTM神经网络输入输出变量
输入变量：实际功率、风速、风向、温度、感热通量、潜热通量、短波辐射、长波辐射、地表气压、大尺度降水、对流降水、湿度、海拔、大气密度等。
输出变量：未来15min-4h的新能源发电功率。
利用LSTM神经网络进行超短期功率预测存在以下缺点：
（1）训练速度慢：输入变量较多，计算比较复杂；
（2）时效性不强：基于数值模式的气象数据难以完成每15分钟更新一次；
（3）容易陷入局部极值；
（4）对数据依赖程度高：需要大量历史样本，新建的新能源场站无法应用。
综上，现有基于神经网络的新能源发电超短期功率预测方法存在训练速度慢，实时性不强，容易陷入局部极小等缺点，且需要大量历史样本，尤其利用人工神经网络对数据条件不完备或新建的新能源场站进行超短期功率预测时，存在较大的误差风险。
发明内容
为了解决现有技术中所存在的上述不足，本发明提供了一种基于迭代订正的新能源发电超短期功率预测方法，包括：
获取预测时刻及当前时刻前若干时刻的短期预测功率与理论发电功率的绝对误差和相对误差，以及所述短期预测功率与实际发电功率间的绝对误差和相对误差；
基于所述短期预测功率与理论发电功率的绝对误差和相对误差、所述短期预测功率与实际发电功率间的绝对误差和相对误差，以及按时序迭代得到的权重系数计算组合加权绝对误差和组合加权相对误差；
基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值。
优选的，所述基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值，包括：
当所述组合加权绝对误差和所述组合加权相对误差分别与所述预测时刻的短期预测功率值的关系满足设置的条件时，则基于所述组合加权相对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值；
否则，基于所述组合加权绝对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值。
优选的，所述组合加权绝对误差和所述组合加权相对误差分别与所述预测时刻的短期预测功率值的关系满足设置的条件如下式：
式中：δ为组合加权绝对误差；c 1为第一参数；
为预测时刻j的短期预测功率值；θ
为组合加权相对误差；c 2为第二参数。
优选的，所述基于所述组合加权相对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值，如下式所示：
式中：
为预测时刻j的超短期预测功率值；
为预测时刻j的短期预测功率值；θ
为组合加权相对误差。
优选的，所述基于所述组合加权绝对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值，如下式所示：
式中：
为预测时刻j的超短期预测功率值；
为预测时刻j的短期预测功率值；δ
为组合加权绝对误差。
优选的，所述按时序迭代得到的权重系数，包括：
获取当前时刻的权重系数矩阵，并将获取的当前时刻的超短期预测功率值与实际发电功率值进行比较：
当所述超短期功率预测值大于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和大于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和大于零的历史时刻；
当所述超短期功率预测值小于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和小于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和小于零的历史时刻；
根据二分法将所述历史时刻对应的权重系数减半，形成权重系数矩阵B；
在所述权重系数矩阵B的基础上，将每个权重系数乘以所有权重系数之和的倒数，生成下一时刻的权重系数矩阵；
其中权重系数包括：短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，及短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重。
优选的，所述生成下一时刻的权重系数矩阵之后，还包括：
依次判断各历史时刻对应的理论发电功率值与实际发电功率值间的绝对误差值是否大于等于新能源场站装机容量的设定比例，当大于等于时，则调整该历史时刻下短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，以及所述短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重，重新生成权重系数矩阵，否则不调整。
基于同一发明构思，本发明还提供了一种基于迭代订正的新能源发电超短期功率预测系统，包括：
获取模块，用于获取预测时刻及当前时刻前若干时刻的短期预测功率与理论发电功率的绝对误差和相对误差，以及所述短期预测功率与实际发电功率间的绝对误差和相对误差；
计算模块，用于基于所述短期预测功率与理论发电功率的绝对误差和相对误差、所述短期预测功率与实际发电功率间的绝对误差和相对误差，以及按时序迭代得到的权重系数计算组合加权绝对误差和组合加权相对误差；
预测模块，用于基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值。
优选的，所述预测模块具体用于：
当所述组合加权绝对误差和所述组合加权相对误差分别与所述预测时刻的短期预测功率值的关系满足设置的条件时，则基于所述组合加权相对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值；
否则，基于所述组合加权绝对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值。
优选的，所述系统还包括生成模块；
所述生成模块用于按时序迭代得到的权重系数；
相应的，所述生成模块具体用于：
获取当前时刻的权重系数矩阵，并将获取的当前时刻的超短期预测功率值与实际发电功率值进行比较：
当所述超短期功率预测值大于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和大于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和大于零的历史时刻；
当所述超短期功率预测值小于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和小于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和小于零的历史时刻；
根据二分法将所述历史时刻对应的权重系数减半，形成权重系数矩阵B；
在所述权重系数矩阵B的基础上，将每个权重系数乘以所有权重系数之和的倒数，生成下一时刻的权重系数矩阵；
其中权重系数包括：短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，及短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重。
优选的，所述系统还包括判断模块，用于在生成下一时刻的权重系数矩阵之后，依次判断各历史时刻对应的理论发电功率值与实际发电功率值间的绝对误差值是否大于等于新能源场站装机容量的设定比例，当大于等于时，则调整该历史时刻下短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，以及所述短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重，重新生成权重系数矩阵，否则不调整。
与现有技术相比，本发明的有益效果为：
本发明提供的技术方案，获取预测时刻及当前时刻前若干时刻的短期预测功率与理论发电功率的绝对误差和相对误差，以及所述短期预测功率与实际发电功率间的绝对误差和相对误差；基于所述短期预测功率与理论发电功率的绝对误差和相对误差、所述短期预测功率与实际发电功率间的绝对误差和相对误差，以及按时序迭代得到的权重系数计算组合加权绝对误差和组合加权相对误差；基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值。该技术方案利用组合加权误差迭代订正预测时刻的新能源发电超短期预测功率，提高新能源发电超短期功率预测精度，同时对历史数据的数据量要求低，尤其适用于数据条件不完备或新建的新能源场站。
附图说明
图1为LSTM神经网络中cell的结构示意图；
图2为本发明实施例中基于迭代订正的新能源发电超短期功率预测方法的流程图；
图3为本发明实施例中基于迭代订正的新能源发电超短期功率预测方法的详细流程图；
图4为本发明实施例中基于迭代订正的新能源发电超短期功率预测系统的示意图。
具体实施方式
为了更好地理解本发明，下面结合说明书附图和实例对本发明的内容做进一步的说明。
本发明提供一种基于迭代订正的新能源发电超短期功率预测方法，如图2所示，包括：
S1获取预测时刻及当前时刻前若干时刻的短期预测功率与理论发电功率的绝对误差和相对误差，以及所述短期预测功率与实际发电功率间的绝对误差和相对误差；
S2基于所述短期预测功率与理论发电功率的绝对误差和相对误差、所述短期预测功率与实际发电功率间的绝对误差和相对误差，以及按时序迭代得到的权重系数计算组合加权绝对误差和组合加权相对误差；
S3基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值。
在本实施例中，所述基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值，包括：
当所述组合加权绝对误差和所述组合加权相对误差分别与所述预测时刻的短期预测功率值的关系满足设置的条件时，则基于所述组合加权相对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值；
否则，基于所述组合加权绝对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值。
本实施例中，所述按时序迭代得到的权重系数，包括：
获取当前时刻的权重系数矩阵，并将获取的当前时刻的超短期预测功率值与实际发电功率值进行比较：
当所述超短期功率预测值大于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和大于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和大于零的历史时刻；
当所述超短期功率预测值小于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和小于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和小于零的历史时刻；
根据二分法将所述历史时刻对应的权重系数减半，形成权重系数矩阵B；
在所述权重系数矩阵B的基础上，将每个权重系数乘以所有权重系数之和的倒数，生成下一时刻的权重系数矩阵；
其中权重系数包括：短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，及短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重。
作为可选实施例，在生成下一时刻的权重系数矩阵之后，还包括：
依次判断各历史时刻对应的理论发电功率值与实际发电功率值间的绝对误差值是否大于等于新能源场站装机容量的设定比例，当大于等于时，则调整该历史时刻下短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，以及所述短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重，重新生成权重系数矩阵，否则不调整。
基于上述实施例的内容，作为一种可选实施例，如图3所示，提供一种基于迭代订正的新能源发电超短期功率预测方法，包括：
基于历史时刻的新能源场站实测气象数据、“气象-功率”理论转换关系获取新能源场站理论发电功率与实际发电功率间的绝对误差；
分别获取历史时刻的新能源发电短期预测功率与理论发电功率、实际发电功率间的绝对误差和相对误差；
根据历史时刻的新能源发电短期预测功率与理论发电功率、实际发电功率间的绝对误差和相对误差，以及新能源场站装机容量获取历史时刻的新能源发电短期预测功率与理论发电功率、实际发电功率间的组合加权绝对误差和组合加权相对误差；
利用所述组合加权绝对误差和组合加权相对误差迭代订正预测时刻的新能源发电超短期预测功率。
作为可选实施例，所述基于历史时刻的新能源场站实测气象数据、“气象-功率”理论转换关系获取新能源场站理论发电功率与实际发电功率间的绝对误差，包括：
基于当前时刻之前第i个历史时刻的风电（或光伏）场站实测风速（或辐照度）值
（或
）及风速v（或辐照度R）-功率P转换关系：
P=f (v)（或P=f (R)）
按下式确定当前时刻之前第i个历史时刻的新能源场站理论发电功率值P ai ：
P ai =f (v i )（或P ai =f (R i )）
按下式确定历史时刻内的新能源场站理论发电功率P a 数据及历史时刻内的新能源场站实际发电功率P数据间的绝对误差值ε i ：
ε
i
=|P
ai
- P
i
|
上式中，i为当前时刻之前第i个历史时刻。
作为可选实施例，所述分别获取历史时刻的新能源发电短期预测功率与理论发电功率、实际发电功率间的绝对误差和相对误差，包括：
按下式确定当前时刻之前第i个历史时刻的新能源发电短期功率预测值
与当前
时刻之前第i个历史时刻的新能源场站理论发电功率值P ai 、实际发电功率值P i 间的绝对误
差值δ ai 、δ i ：
其中，新能源发电短期功率预测值
、超短期功率预测值
、实际发电功率值P和
实测风速v（或辐照度R）的数据时间分辨率不小于15min，按时标00:15、00:30、00:
45......23:45、24:00，分别提取每天96个点的新能源发电短期预测功率
、实际发电功率P和实测风速v（或辐照度R）。
按下式确定历史时刻内的新能源发电短期预测功率
数据与历史时刻内的新能
源场站理论发电功率值P a 、实际发电功率值P间的相对误差值θ ai 、θ i ：
上式中，i为当前时刻之前第i个历史时刻。
通过上述计算不难发现，本发明仅需获取历史时刻的新能源场站实测气象数据、实际功率数据，及新能源短期预测功率数据，因此对历史数据的数据量要求低，普适性好，尤其适用于数据条件不完备或新建的新能源场站。
作为可选实施例，所述根据绝对误差、相对误差及新能源场站装机容量获取历史时刻的新能源发电短期预测功率与理论发电功率、实际发电功率间的组合加权绝对误差和组合加权相对误差，包括：
按下式确定历史时刻的新能源发电短期功率预测数据及历史时刻的新能源场站实际发电功率数据间的组合绝对误差δ：
按下式确定历史时刻的新能源发电短期功率预测数据及历史时刻的新能源场站实际发电功率数据间的组合相对误差θ：
上式中，i为当前时刻之前第i个历史时刻，n为当前时刻之前历史时刻总数；δ ai 、δ i 分别为第i个历史时刻新能源发电短期预测功率值与理论发电功率值、实际发电功率值的绝对误差值；θ ai 、θ i 分别为第i个历史时刻新能源发电短期预测功率值与理论发电功率值、实际发电功率值的相对误差值；η ai 、η i 分别为当前时刻之前第i个历史时刻新能源发电短期预测功率值与理论发电功率值、实际发电功率值误差的权重，系数矩阵A：
满足：
且
一般的，
但当前时刻之前第i个历史时刻的新能源场站理论发电功率值P ai 与实际发电功率值P i 间的绝对误差值ε i 大于新能源场站装机容量COP的某一比例λ：
ε i ≥λ.COP（0<λ<1;i=1,2,…,n）
则将
赋值给
，将
赋值给
，并将
和
置为0：
本发明通过组合加权误差的实时在线迭代订正，可以分摊单点预测的误差风险，消除大偏差，提高新能源发电超短期功率预测精度。
作为可选实施例，所述利用组合加权绝对误差和组合加权相对误差迭代订正预测时刻的新能源发电超短期预测功率，包括：
按下式确定初始权重系数矩阵：
按下式确定预测时刻j的新能源发电超短期预测功率值
，首先提取该时刻新能
源发电短期预测功率值
，然后考虑组合绝对误差δ与组合相对误差θ的大小。若
则
否则
式中：δ为组合加权绝对误差；c 1为第一参数；
为预测时刻j的短期预测功率值；θ
为组合加权相对误差；c 2为第二参数，c 1和c 2为经验值，设置的判据主要是用于确定什么时
候选用绝对误差，什么时候选用相对误差，当满足判据时，说明组合加权绝对误差δ比较大，
应选用组合加权相对误差θ。
预测时序滚动更新，当获取预测时刻j的新能源场站实际发电功率值P j ，实时计算新能源发电超短期功率预测的绝对误差ω j ：
若ω j > 0，挑选
其中i=1,2,…,n对应的i时刻，根据二分
法，按下式将其权重系数减半，形成系数矩阵B；
然后，在系数矩阵B的基础上，按下式将每个权重系数乘以所有权重系数之和的倒数，形成系数矩阵C。
同样的，若ω j < 0，挑选
其中i=1,2,…,n对应的i时刻，
根据二分法将其权重系数减半形成系数矩阵B，然后将每个权重系数乘以所有权重系数之
和的倒数形成系数矩阵C。
将系数矩阵C代入下一步滚动计算，订正预测时刻的新能源发电超短期预测功率值。
本发明利用组合加权误差迭代订正预测时刻的新能源发电超短期预测功率，可为新能源实时调度提供决策支持，也可为新能源场站有功功率控制、电力市场实时交易提供参考，方法简单实用，计算量少，时效性强，易于实现和工程现场部署，具有很强的可操作性和推广应用价值。
为了对本发明实施例提供的一种基于迭代订正的新能源发电超短期功率预测方法及系统的效果进行说明，下面以装机容量为60MW的某风电场为例，验证本发明的预测效果。选取2020年4月18日-4月24日七天的短期预测功率数据、实际发电功率数据、实测风速数据及“风速-功率”理论转换关系进行验证，预测效果如表1所示。
表1 预测误差指标
根据表1的结果表明，基于本方法的超短期预测功率各项误差指标均优于短期预测功率和基于神经网络的超短期预测功率，应用本发明的方法可以有效提高新能源发电超短期功率预测精度。
在预测超短期功率的方法中，现有技术侧重基于天气型分类（历史相似日），重点在于如何挑出历史数据中与当前相似的时段，本申请则利用当前时刻过去几个小时（一般15min一个点，视具体情况选择多个点）误差的延续性，重点在于如何合理的分配过去误差延续对未来时段的影响，即如何分配权重、何时选择相对误差或绝对误差、如何滚动更新迭代。由于本申请提供的技术方案利用误差延续性确定超短期预测功率，因此仅依赖临近时段的历史数据，适用于新建的新能源场站，而利用相似日进行确定超短期预测功率的方法需要大量历史数据做支撑，不适用于新建的新能源场站。
超短期预测的实质是在短期预测基础上进行订正，本申请重要针对短期预测天气类型报偏差的情况，例如T日的短期预测结果是T-1日预测得到的，T日是晴天，但是T-1日的天气预报把T日预报成了雨天，导致短期预测功率整体偏小了。在该情况下，可以利用本方法提供的一种基于迭代订正的新能源发电超短期功率预测方法，基于T日的实际功率有效校正短期功率测偏差，提高超短期预测功率的准确率。本申请选用误差延续性迭代得到超短期功率预测值，与现有技术中选用历史相似日得到超短期预测功率相比，不仅对历史数据的依赖较少、简单实用，具有较好的普适性，尤其适用于数据条件不完备或新建的新能源场站，而且可为新能源实时调度提供决策支持，也可为新能源场站有功功率控制、电力市场实时交易提供参考，方法简单实用，计算量少，时效性强，易于实现和工程现场部署，具有很强的可操作性和推广应用价值。
如图4所示，基于同一发明构思，本发明还提供了一种基于迭代订正的新能源发电超短期功率预测系统，包括：
获取模块，用于获取预测时刻及当前时刻前若干时刻的短期预测功率与理论发电功率的绝对误差和相对误差，以及所述短期预测功率与实际发电功率间的绝对误差和相对误差；
计算模块，用于基于所述短期预测功率与理论发电功率的绝对误差和相对误差、所述短期预测功率与实际发电功率间的绝对误差和相对误差，以及按时序迭代得到的权重系数计算组合加权绝对误差和组合加权相对误差；
预测模块，用于基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值。
实施例中，所述预测模块具体用于：
当所述组合加权绝对误差和所述组合加权相对误差分别与所述预测时刻的短期预测功率值的关系满足设置的条件时，则基于所述组合加权相对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值；
否则，基于所述组合加权绝对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值。
实施例中，所述基于所述组合加权相对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值，如下式所示：
式中：
为预测时刻j的超短期预测功率值；
为预测时刻j的短期预测功率值；θ
为组合加权相对误差。
实施例中，所述基于所述组合加权绝对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值，如下式所示：
式中：
为预测时刻j的超短期预测功率值；
为预测时刻j的短期预测功率值；δ
为组合加权绝对误差。
实施例中，所述系统还包括生成模块；
所述生成模块用于按时序迭代得到的权重系数；
相应的，所述生成模块具体用于：
获取当前时刻的权重系数矩阵，并将获取的当前时刻的超短期预测功率值与实际发电功率值进行比较：
当所述超短期功率预测值大于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和大于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和大于零的历史时刻；
当所述超短期功率预测值小于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和小于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和小于零的历史时刻；
根据二分法将所述历史时刻对应的权重系数减半，形成权重系数矩阵B；
在所述权重系数矩阵B的基础上，将每个权重系数乘以所有权重系数之和的倒数，生成下一时刻的权重系数矩阵；
其中权重系数包括：短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，及短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重。
实施例中，所述系统还包括判断模块，用于在生成下一时刻的权重系数矩阵之后，依次判断各历史时刻对应的理论发电功率值与实际发电功率值间的绝对误差值是否大于等于新能源场站装机容量的设定比例，当大于等于时，则调整该历史时刻下短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，以及所述短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重，重新生成权重系数矩阵，否则不调整。
该系统首先通过获取模块获取预测时刻及当前时刻前若干时刻的短期预测功率与理论发电功率的绝对误差和相对误差，以及所述短期预测功率与实际发电功率间的绝对误差和相对误差；
其次通过计算模块基于所述短期预测功率与理论发电功率的绝对误差和相对误差、所述短期预测功率与实际发电功率间的绝对误差和相对误差，以及按时序迭代得到的权重系数计算组合加权绝对误差和组合加权相对误差；
最后通过预测模块基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值。该系统利用组合加权误差迭代订正预测时刻的新能源发电超短期预测功率，提高新能源发电超短期功率预测精度，同时对历史数据的数据量要求低，尤其适用于数据条件不完备或新建的新能源场站。
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、系统、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（系统）、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。
以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。
Claims (4)
1.一种基于迭代订正的新能源发电超短期功率预测方法，其特征在于，包括：
获取预测时刻及当前时刻前若干时刻的短期预测功率与理论发电功率的绝对误差和相对误差，以及所述短期预测功率与实际发电功率间的绝对误差和相对误差；
基于所述短期预测功率与理论发电功率的绝对误差和相对误差、所述短期预测功率与实际发电功率间的绝对误差和相对误差，以及按时序迭代得到的权重系数计算组合加权绝对误差和组合加权相对误差；
基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值；
相应的，所述基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值，包括：
当所述组合加权绝对误差和所述组合加权相对误差分别与所述预测时刻的短期预测功率值的关系满足设置的条件时，则基于所述组合加权相对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值；
否则，基于所述组合加权绝对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值；
其中，所述组合加权绝对误差和所述组合加权相对误差分别与所述预测时刻的短期预测功率值的关系满足设置的条件如下式：
式中：δ为组合加权绝对误差；c 1为第一参数；
为预测时刻j的短期预测功率值；θ为组合加权相对误差；c 2为第二参数；
相应的，所述按时序迭代得到的权重系数，包括：
获取当前时刻的权重系数矩阵，并将获取的当前时刻的超短期预测功率值与实际发电功率值进行比较：
当所述超短期预测功率值大于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和大于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和大于零的历史时刻；
当所述超短期预测功率值小于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和小于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和小于零的历史时刻；
根据二分法将所述历史时刻对应的权重系数减半，形成权重系数矩阵B；
在所述权重系数矩阵B的基础上，将每个权重系数乘以所有权重系数之和的倒数，生成下一时刻的权重系数矩阵；
其中权重系数包括：短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，及短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重；
所述生成下一时刻的权重系数矩阵之后，还包括：
依次判断各历史时刻对应的理论发电功率值与实际发电功率值间的绝对误差值是否大于等于新能源场站装机容量的设定比例，当大于等于时，则调整该历史时刻下短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，以及所述短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重，重新生成权重系数矩阵，否则不调整。
2.如权利要求1所述的方法，其特征在于，所述基于所述组合加权相对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值，如下式所示：
式中：
为预测时刻j的超短期预测功率值；
为预测时刻j的短期预测功率值；θ为组合加权相对误差。
3.如权利要求1所述的方法，其特征在于，所述基于所述组合加权绝对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值，如下式所示：
式中：
为预测时刻j的超短期预测功率值；
为预测时刻j的短期预测功率值；δ为组合加权绝对误差。
4.一种基于迭代订正的新能源发电超短期功率预测系统，其特征在于，包括：
获取模块，用于获取预测时刻及当前时刻前若干时刻的短期预测功率与理论发电功率的绝对误差和相对误差，以及所述短期预测功率与实际发电功率间的绝对误差和相对误差；
计算模块，用于基于所述短期预测功率与理论发电功率的绝对误差和相对误差、所述短期预测功率与实际发电功率间的绝对误差和相对误差，以及按时序迭代得到的权重系数计算组合加权绝对误差和组合加权相对误差；
预测模块，用于基于所述组合加权绝对误差或所述组合加权相对误差订正获取的预测时刻的短期预测功率值，得到所述预测时刻的超短期预测功率值；
所述预测模块具体用于：
当所述组合加权绝对误差和所述组合加权相对误差分别与所述预测时刻的短期预测功率值的关系满足设置的条件时，则基于所述组合加权相对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值；
否则，基于所述组合加权绝对误差订正所述预测时刻的短期预测功率值得到所述预测时刻的超短期预测功率值；
其中，所述组合加权绝对误差和所述组合加权相对误差分别与所述预测时刻的短期预测功率值的关系满足设置的条件如下式：
式中：δ为组合加权绝对误差；c 1为第一参数；
为预测时刻j的短期预测功率值；θ为组合加权相对误差；c 2为第二参数；
所述系统还包括生成模块；
所述生成模块用于按时序迭代得到的权重系数；
相应的，所述生成模块具体用于：
获取当前时刻的权重系数矩阵，并将获取的当前时刻的超短期预测功率值与实际发电功率值进行比较：
当所述超短期预测功率值大于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和大于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和大于零的历史时刻；
当所述超短期预测功率值小于所述实际发电功率值时，则在当前时刻对应的权重系数矩阵中挑选短期预测功率与理论发电功率的绝对误差和短期预测功率与实际发电功率间的绝对误差之和小于零，同时短期预测功率与理论发电功率的相对误差和短期预测功率与实际发电功率间的相对误差之和小于零的历史时刻；
根据二分法将所述历史时刻对应的权重系数减半，形成权重系数矩阵B；
在所述权重系数矩阵B的基础上，将每个权重系数乘以所有权重系数之和的倒数，生成下一时刻的权重系数矩阵；
其中权重系数包括：短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，及短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重；
所述系统还包括判断模块，用于在生成下一时刻的权重系数矩阵之后，依次判断各历史时刻对应的理论发电功率值与实际发电功率值间的绝对误差值是否大于等于新能源场站装机容量的设定比例，当大于等于时，则调整该历史时刻下短期预测功率与理论发电功率的绝对误差的权重和相对误差的权重，以及所述短期预测功率与实际发电功率间的绝对误差的权重和相对误差的权重，重新生成权重系数矩阵，否则不调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011227869.1A CN112036672B (zh) | 2020-11-06 | 2020-11-06 | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011227869.1A CN112036672B (zh) | 2020-11-06 | 2020-11-06 | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036672A CN112036672A (zh) | 2020-12-04 |
| CN112036672B true CN112036672B (zh) | 2021-04-20 |
Family
ID=73572750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011227869.1A Active CN112036672B (zh) | 2020-11-06 | 2020-11-06 | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036672B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114897223A (zh) * | 2022-04-21 | 2022-08-12 | 华润电力技术研究院有限公司 | 一种风功率的预测方法、装置及计算机可读存储介质 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101998553B1 (ko) * | 2012-08-01 | 2019-07-10 | 한국전력공사 | 단기 풍속 예측을 통한 풍력 발전량 예측 방법과, 그 기능을 이용한 배전선로 전압 예측 방법 |
| CN102914969B (zh) * | 2012-09-28 | 2014-12-10 | 南方电网科学研究院有限责任公司 | 一种短期风电功率预测系统的综合误差修正方法 |
| JP6641849B2 (ja) * | 2015-10-01 | 2020-02-05 | 日本製鉄株式会社 | 電力予測方法 |
| CN111832786A (zh) * | 2019-04-23 | 2020-10-27 | 中国电力科学研究院有限公司 | 一种基于滑动误差的光伏发电超短期功率预测方法和装置 |
| CN110263971A (zh) * | 2019-05-14 | 2019-09-20 | 西安理工大学 | 基于支持向量机的超短期风电功率组合预测方法 |
-
2020
- 2020-11-06 CN CN202011227869.1A patent/CN112036672B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036672A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111008728B (zh) | 一种用于分布式光伏发电系统短期出力的预测方法 | |
| Han et al. | Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network | |
| Behera et al. | Solar photovoltaic power forecasting using optimized modified extreme learning machine technique | |
| Tao et al. | Forecasting power output for grid-connected photovoltaic power system without using solar radiation measurement | |
| CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
| CN117117819A (zh) | 一种光伏发电短期功率预测方法、系统、设备和介质 | |
| CN110601250B (zh) | 一种基于新能源电站接入点静态电压稳定性评估方法 | |
| CN108053048A (zh) | 一种单步渐进式光伏电站超短期功率预测方法及系统 | |
| CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
| CN111144644B (zh) | 基于变分异方差高斯过程回归的短期风速预测方法 | |
| CN106446440A (zh) | 基于在线贯序极限学习机的短期光伏发电功率预测方法 | |
| CN113537582B (zh) | 一种基于短波辐射修正的光伏功率超短期预测方法 | |
| CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
| Yang et al. | Kalman filter photovoltaic power prediction model based on forecasting experience | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN115907131B (zh) | 一种北方地区电采暖负荷预测模型搭建方法和系统 | |
| CN111967660B (zh) | 一种基于svr的超短期光伏预测残差修正方法 | |
| CN115618922A (zh) | 光伏功率预测方法、设备、光伏发电系统及存储介质 | |
| CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
| Karabiber et al. | Short term PV power estimation by means of extreme learning machine and support vector machine | |
| CN112036672B (zh) | 一种基于迭代订正的新能源发电超短期功率预测方法及系统 | |
| Quang et al. | Applying Artificial Intelligence in Forecasting the Output of Industrial Solar Power Plant in Vietnam | |
| CN111461297B (zh) | 基于mpc和elm神经网络的太阳辐照量优化预测算法 | |
| CN113991711A (zh) | 一种光伏电站储能系统容量配置方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |