预测误差极值分析方法、装置、计算机设备和可读存储介质制造方法及图纸

本发明专利技术提供一种预测误差极值分析方法、装置、计算机设备及可读存储介质，该方法包括：获取风电功率预测误差、数值天气预报数据和历史测风数据，根据预设条件与风电功率预测误差的对应关系，将风电功率预测误差进行划分，得到多个区组，获取每一个区组中的区组最大值，根据数值天气预报数据、历史测风数据和每一区组最大值，选取协变量，通过协变量及每一区组最大值，得到风电功率预测误差的极值分布。该方法对日前风电功率预测误差的极端值进行分析，以增大极值建模精度，提高了日前预测结果的调度可用性。

【技术实现步骤摘要】
预测误差极值分析方法、装置、计算机设备和可读存储介质
本专利技术涉及风力发电
，特别是涉及一种预测误差极值分析方法、装置、计算机设备和可读存储介质。
技术介绍
随着环境污染和能源短缺问题日趋严重，风电以其资源丰富、清洁无污染、实际占地少、可再生性等优势占电力系统发电总量的比例逐年增加。由于风电属于随机波动的不稳定能源，给电力系统带来的一系列问题日益突出，严重影响到风电产业的发展，所以需要对风电功率进行及时准确的预测来解决这一问题。目前，风电功率预测在调度的主要应用聚集在日前以内的时间尺度，虽然风电功率预测的整体误差水平符合国家标准要求，但是存在局部时段的极大预测误差。传统技术中，针对预测值局部误差大，是通过全定义域的概率预测方法对局部时段的所有风电功率预测误差进行分析的。但是，传统技术对极值建模精度不足，效果较差，导致日前预测结果的调度可用性低。
技术实现思路
基于此，有必要针对传统技术中通过全定义域的概率预测方法对局部时段的所有风电功率预测误差进行分析，日前预测结果的调度可用性低的问题，提供一种预测误差极值分析方法、装置、计算机设备及可读存储介质。第一方面，本专利技术实施例提供一种预测误差极值分析方法，包括：获取风电功率预测误差、数值天气预报数据和历史测风数据；根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；获取每一个区组中的区组最大值；根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布。在其中一个实施例中，所述根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组，包括：根据区组内风电功率预测误差最大值的中位数，将所述风电功率预测误差进行划分，得到多个区组。在其中一个实施例中，所述根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量，包括：根据所述数值天气预报数据和所述历史测风数据，确定候选协变量；通过所述候选协变量与所述区组最大值的相关性，选取所述协变量。在其中一个实施例中，所述通过所述候选协变量与所述区组最大值的相关性，选取所述协变量，包括：采用斯皮尔曼相关系数，获取所述候选协变量与所述区组最大值的相关性；根据所述相关性确定所述协变量。在其中一个实施例中，所述通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布，包括：获取所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数；通过所述含参函数及每一所述区组最大值，获得所述风电功率预测误差的极值分布。在其中一个实施例中，所述获取所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数，包括：采用条件密度神经网络模型以及所述协变量进行拟合，得到所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模参数的含参函数。在其中一个实施例中，所述风电功率预测误差的极值分布通过以下公式获得：其中，μ表示位置参数，ξ表示形状参数，σ表示规模参数。第二方面，本专利技术实施例提供一种预测误差极值分析装置，包括：获取数据模块，用于获取风电功率预测误差、数值天气预报数据和历史测风数据；划分模块，用于根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；获取最大值模块，用于获取每一个区组中的区组最大值；选取模块，用于根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；获取极值分布模块，用于通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布。第三方面，本专利技术实施例提供一种计算机设备，包括存储器、处理器，所述存储器上存储有可在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以下步骤：获取风电功率预测误差、数值天气预报数据和历史测风数据；根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；获取每一个区组中的区组最大值；根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；通过所述协变量，得到风电功率预测误差的极值分布。第四方面，本专利技术实施例提供的一种可读存储介质，包括存储器、处理器，所述存储器上存储有可在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以下步骤：获取风电功率预测误差、数值天气预报数据和历史测风数据；根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；获取每一个区组中的区组最大值；根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；通过所述协变量，得到风电功率预测误差的极值分布。本实施例提供的预测误差极值分析方法、装置、计算机设备及可读存储介质，通过针对日前风电功率预测误差的极端值进行分析，并考虑风过程的长期非平稳性，使得计算机设备能够解决风过程的长期非平稳性导致的极大值互相关问题，增大极值建模精度。因此，采用本实施例的预测误差极值分析方法、装置、计算机设备及可读存储介质，提高了日前预测结果的调度可用性。附图说明图1为一实施例提供的预测误差极值分析方法的流程示意图；图2为另一实施例提供的选取协变量方法的流程示意图；图3为另一实施例提供的选取协变量具体方法的流程示意图；图4为另一实施例提供的得到风电功率预测误差的极值分布方法的流程示意图；图5为一个实施例提供的预测误差极值分析装置的结构示意图；图6为另一个实施例提供的预测误差极值分析装置的结构示意图；图7为另一个实施例提供的预测误差极值分析装置的结构示意图；图8为一个实施例提供的提供一种计算机设备的内部结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。本实施例提供的预测误差极值分析方法，可以适用于计算机设备中。该计算机设备可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备，本实施例对计算机设备的具体形式不做限定。需要说明的是，本专利技术实施例提供的预测误差极值分析方法，其执行主体可以是预测误差极值分析装置，该装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部。可选的，该计算机设备可以为智能手机、平板电脑、笔记本电脑、台式电脑或个人数字助理等具有数据处理功能的电子设备，本实施例对电子设备的具体形式并不做限定。下述方法实施例的执行主体以计算机设备为例来进行说明。为了使本专利技术的目的、技术方案及优点更加清楚明白，通过下述实施例并结合附图，对本专利技术实施例中的技术方案的进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定专利技术。图1为一实施例提供的预测误差极值分析方法的流程示意图。本实施例涉及的是计算机设备对风电功率预测误差进行划分，得到多个区组，通过每个区组最大值获取协变量，并根据协变本文档来自技高网...

【技术保护点】
1.一种预测误差极值分析方法，其特征在于，包括：获取风电功率预测误差、数值天气预报数据和历史测风数据；根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；获取每一个区组中的区组最大值；根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布。

【技术特征摘要】
1.一种预测误差极值分析方法，其特征在于，包括：获取风电功率预测误差、数值天气预报数据和历史测风数据；根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组；获取每一个区组中的区组最大值；根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量；通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布。2.根据权利要求1所述的方法，其特征在于，所述根据预设条件与所述风电功率预测误差的对应关系，将所述风电功率预测误差进行划分，得到多个区组的步骤包括：根据区组内风电功率预测误差最大值的中位数，将所述风电功率预测误差进行划分，得到多个区组。3.根据权利要求1所述的方法，其特征在于，所述根据所述数值天气预报数据、所述历史测风数据和每一所述区组最大值，选取协变量的步骤包括：根据所述数值天气预报数据和所述历史测风数据，确定候选协变量；通过所述候选协变量与所述区组最大值的相关性，选取所述协变量。4.根据权利要求3所述的方法，其特征在于，所述通过所述候选协变量与所述区组最大值的相关性，选取所述协变量的步骤包括：采用斯皮尔曼相关系数，获取所述候选协变量与所述区组最大值的相关性；根据所述相关性确定所述协变量。5.根据权利要求1所述的方法，其特征在于，所述通过所述协变量及每一所述区组最大值，得到风电功率预测误差的极值分布的步骤包括：获取所述协变量与所述风电功率预测误差极值的位置参数、形状参数以及规模...

【专利技术属性】
技术研发人员：鲁宗相，乔颖，张帆，
申请(专利权)人：清华大学，国网北京市电力公司，国家电网有限公司，
类型：发明
国别省市：北京,11