System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及新能源功率预测,尤其涉及基于机器学习的新能源小时间尺度功率时序滚动预测方法。
技术介绍
1、随着风光等新能源装机容量的不断增长,电网中新能源发电接入比率不断提高。而目前我国新能源场站功率预测精度较低,时间尺度小、预测频率高的新能源高精度预测有待开展。在此背景下,为保证电网的安全稳定运行,减少调峰机组等备用资源的投资,提高风光等新能源的消纳水平,提高经济效益和社会效益,亟需提高新能源功率预测精度。现有的新能源功率预测分为超短期、短期和中长期预测。其中新能源超短期功率预测能够提供新能源出力的详细变化信息,反映功率瞬变的波动细节,对电网运行非常重要。而国内大部分做的超短期功率预测的时段为预测未来0到4小时,时间分辨率为15分钟。但风电和光伏等新能源是典型的间歇性能源,其发电能力受外部环境影响较大,波动性较强,对调度部门做好风光等可再生能源的管理工作而言,特别是电力现货市场改革的需求下,15分钟时间尺度的功率预测无法完全满足实际生成需求。因此,亟待实现小时间尺度、特别是5分钟级别的新能源高精度功率预测。
2、借助数值天气预报的新能源功率预测方法在工程上极其依赖与稳定可靠的天气预报来源,一旦天气预报因信号当原因中断,则无法开展预测,对超短期等时间尺度的功率预测可靠性和准确率影响极大。另一方面,业界使用的方法极其依靠数值天气预报的时间尺度,而数值天气预报的时间尺度通常比较大,要做到小时间尺度的天气预报需要的成本极高,不适合大批量的新能源功率预测。同时,一旦天气预报的时间尺度被压缩,其精度会急速下降,严重影响了新能源
3、因此,现阶段的技术最小只能做到15分钟级的功率预测。而随着电力市场等发展,对小时间尺度、特别是5分钟时间尺度级别的功率预测需求极大增加,必须突破现有技术。
技术实现思路
1、本专利技术提供了一种基于机器学习的新能源小时间尺度功率时序滚动预测方法,以实现对新能源场站在小时间尺度下的功率预测,提高预测的精确度。
2、根据本专利技术的一方面,提供了基于机器学习的新能源小时间尺度功率时序滚动预测方法,包括:
3、获取目标新能源场站在目标历史时间段内,每个历史时间点对应的历史功率数据,其中,任意两个相邻的所述历史时间点的时间间隔为预设时间尺度;
4、基于所述目标新能源场站的历史功率数据和目标功率预测模型,确定所述目标新能源场站在目标未来时间段内对应的功率预测数据,其中,所述目标功率预测模型是基于所述目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。
5、根据本专利技术的另一方面,提供了基于机器学习的新能源小时间尺度功率时序滚动预测装置,包括:
6、数据获取模块,用于获取目标新能源场站在目标历史时间段内,每个历史时间点对应的历史功率数据,其中,任意两个相邻的所述历史时间点的时间间隔为预设时间尺度;
7、功率预测模块,用于基于所述目标新能源场站的历史功率数据和目标功率预测模型,确定所述目标新能源场站在目标未来时间段内对应的功率预测数据,其中,所述目标功率预测模型是基于所述目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。
8、根据本专利技术的另一方面,提供了一种电子设备,所述电子设备包括:
9、至少一个处理器;
10、以及与所述至少一个处理器通信连接的存储器;
11、其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行本专利技术任一实施例所述的基于机器学习的新能源小时间尺度功率时序滚动预测方法。
12、根据本专利技术的另一方面,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存储有计算机指令,所述计算机指令用于使处理器执行时实现本专利技术任一实施例所述的基于机器学习的新能源小时间尺度功率时序滚动预测方法。
13、本专利技术实施例的技术方案,通过获取目标新能源场站在目标历史时间段内,每个历史时间点对应的历史功率数据,其中,任意两个相邻的历史时间点的时间间隔为预设时间尺度;基于目标新能源场站的历史功率数据和目标功率预测模型,确定目标新能源场站在目标未来时间段内对应的功率预测数据,其中,目标功率预测模型是基于目标新能场站在多个待使用历史时间段内的待使用历史功率数据训练得到的。本专利技术实施例的技术方案解决了现有的功率预测方法依赖于天气预报,导致功率预测的时间尺度较大且预测结果不准确的问题,实现了对新能源场站在小时间尺度下的功率预测,提高预测的精确度。
14、应当理解,本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征,也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.基于机器学习的新能源小时间尺度功率时序滚动预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,在确定所述目标新能源场站在目标未来时间段内对应的功率预测数据之前,还包括:
3.根据权利要求2所述的方法,其特征在于,所述基于所述待使用历史数据训练多种初始功率预测模型,在训练完成后得到多种待选功率预测模型,包括:
4.根据权利要求3所述的方法,其特征在于,所述基于预测准确度评估算法确定每个所述待选功率预测模型的预测准确度,包括:
5.根据权利要求1所述的方法,其特征在于,所述获取目标新能源场站在目标历史时间段内,每个历史时间点对应的历史功率数据,包括:
6.根据权利要求5所述的方法,其特征在于,所述确定所述目标新能源场站在目标未来时间段内对应的功率预测数据,包括:
7.根据权利要求1所述的方法,其特征在于,还包括:
8.基于机器学习的新能源小时间尺度功率时序滚动预测装置,其特征在于,包括:
9.一种电子设备,其特征在于,所述电子设备包括:
10.一种计算机
...【技术特征摘要】
1.基于机器学习的新能源小时间尺度功率时序滚动预测方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,在确定所述目标新能源场站在目标未来时间段内对应的功率预测数据之前,还包括:
3.根据权利要求2所述的方法,其特征在于,所述基于所述待使用历史数据训练多种初始功率预测模型,在训练完成后得到多种待选功率预测模型,包括:
4.根据权利要求3所述的方法,其特征在于,所述基于预测准确度评估算法确定每个所述待选功率预测模型的预测准确度,包括:
5.根据权利要求1所述的方法,其特征在于,所述获取目标新能源场站在目标历史时间段内,每个...
【专利技术属性】
技术研发人员:包涛,马溪原,习伟,李鹏,程凯,胡旭东,潘世贤,周长城,陈炎森,李卓环,
申请(专利权)人:南方电网数字电网研究院有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。