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】
本申请涉及风电预测领域,尤其涉及一种风电功率异常值的预测方法、装置、存储介质及计算机设备。
技术介绍
1、近年来,受全球变暖和能源危机等问题的影响,风电作为一种低碳可再生能源在中国乃至世界范围内得到快速发展。2023年4月12日,能源与环境智库ember发布了《全球电力综述报告》。报告显示:与2015年相比,我国风电和光伏发电量增长了5倍,其中风电发电量占总发电量的15.6%,创历史新高,并每年保持19%的高增速。然而,异常气象变化引起的风力发电量波动,将随着风力发电量的急剧增加,进一步挑战电力能源系统的市场交易和稳定运行。例如,由于风电波动较大,省级调度中心无法调度风电发电,导致辅助服务市场成本增加,需求侧也无法保障供应。现有技术中一般研究如何对风电功率值进行预测,然后将异常值作为噪声剔除。
技术实现思路
1、本申请实施例提供了风电功率异常值的预测方法、装置、存储介质及计算机设备,可以构建风电功率异常值的预测框架,从而提高风力发电功率异常值的预测精度。所述技术方案如下:
2、第一方面,本申请实施例提供了一种风电功率异常值的预测方法,所述方法包括:
3、获取历史风电功率数据集;其中,所述历史风电功率数据集包括n个历史风电功率数据,每个历史风电功率数据包括时间点、该时间点上的风电功率值和该时间点上的多个潜在影响因子,n为大于1的整数;
4、在所述历史风电功率数据集中识别出风电功率异常值;其中,满足pt>pu+2pσ或pt<pu-2pσ的
5、在所述多个潜在影响因子中选择与风电功率异常值最相关的目标影响因子;其中,
6、
7、xj,t表示t时刻第j个的潜在影响因子,表示选择后的第j个目标影响因子,f为多项式函数;γ、β1,j和β2,j分别为多项式函数的系数,λ1表示l1正则化系数,λ2表示l2正则化系数;
8、根据选择的目标影响因子和识别的风电功率异常值生成训练集;
9、根据所述训练集风电功率异常值预测模型;
10、训练完成后,通过风电功率异常值检测模型对输入的实时风电功率数据进行处理,得到未来时刻上风电功率值的异常程度值;所述实时风电功率数据包括时间点、该时间点上的风电功率值和该时间点上的目标影响因子;
11、在所述异常程度值大于阈值时,通过所述风电功率异常值预测模型对所述实时风电功率数据进行处理,得到所述未来时刻上的风电功率异常值。
12、第二方面,本申请实施例提供了一种风电功率异常值的预测装置,所述装置包括:
13、获取单元,用于获取历史风电功率数据集;其中,所述历史风电功率数据集包括n个历史风电功率数据,每个历史风电功率数据包括时间点、该时间点上的风电功率值和该时间点上的多个潜在影响因子,n为大于1的整数;
14、识别单元,用于在所述历史风电功率数据集中识别出风电功率异常值;其中,满足pt>pu+2pσ或pt<pu-2pσ的风电功率值为风电功率异常值,pt是t时刻上的风电功率值,pu表示所述历史风电功率数据集包括的n个风电功率值的平均值,pσ表示所述历史风电功率数据集包括的n个分点功率值的标准差;或满足的风电功率值为风电功率异常值,yt为t时刻风速影响因子的多元线性回归值,t表示所述历史风电功率数据集包括的n个时间点的统计时间,vu,t为统计时间t风速影响因子的多元线性回归的均值;
15、选择单元,用于在所述多个潜在影响因子中选择与风电功率异常值最相关的目标影响因子;其中,
16、
17、xj,t表示t时刻第j个的潜在影响因子,表示选择后的第j个目标影响因子,f为多项式函数;γ、β1,j和β2,j分别为多项式函数的系数,λ1表示l1正则化系数,λ2表示l2正则化系数;
18、生成单元,用于根据选择的目标影响因子和识别的风电功率异常值生成训练集;
19、训练单元,用于根据所述训练集风电功率异常值预测模型;
20、检测单元,用于训练完成后,通过风电功率异常值检测模型对输入的实时风电功率数据进行处理,得到未来时刻上风电功率值的异常程度值;所述实时风电功率数据包括时间点、该时间点上的风电功率值和该时间点上的目标影响因子;
21、预测单元,用于在所述异常程度值大于阈值时,通过所述风电功率异常值预测模型对所述实时风电功率数据进行处理,得到所述未来时刻上的风电功率异常值。
22、第三方面,本申请实施例提供一种计算机存储介质,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行上述的方法步骤。
23、第四方面,本申请实施例提供一种计算机设备,可包括:处理器和存储器;其中,所述存储器存储有计算机程序,所述计算机程序适于由所述处理器加载并执行上述的方法步骤。
24、本申请一些实施例提供的技术方案带来的有益效果至少包括:
25、利用正态分布统计方法和拟合优度方法定义历史风电功率异常值,并根据改进的权回归算法识别风电功率异常值对应的相关特征,然后采用基于连通性的异常值检测方法对风电功率的正常值和异常值进行分类,最后基于自适应非齐次马尔可夫模型的在线学习对训练集进行训练,并采用训练后的模型对风电功率异常值进行数值预测,从而为风电异常值的准确预测提供有效的理论支持。
本文档来自技高网...【技术保护点】
1.一种风电功率异常值的预测方法,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,所述风电功率异常值预测模型是基于在线学习算法生成的自适应非齐次马尔可夫模型。
3.根据权利要求2所述的方法,其特征在于,根据如下公式对所述自适应非齐次马尔可夫模型中状态转移概率矩阵和观测概率矩阵的均值进行迭代:
4.根据权利要求1或2或3所述的方法,其特征在于,基于连通性的异常值检测方法利用平均链式距离可以解决低密度下的风电功率异常值的检测,检测方法参照如下公式所示:
5.根据权利要求4所述的方法,其特征在于,还包括:
6.根据权利要求1或2或3或5所述的方法,其特征在于,所述目标影响因子包括风速。
7.根据权利要求6所述的方法,其特征在于,所述历史风电功率数据集中相邻的两个时间点的时间间隔为1小时。
8.一种风电功率异常值的预测装置,其特征在于,包括:
9.一种计算机存储介质,其特征在于,所述计算机存储介质存储有多条指令,所述指令适于由处理器加载并执行如权利要求1~7任意一项的方法步骤。<
...【技术特征摘要】
1.一种风电功率异常值的预测方法,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,所述风电功率异常值预测模型是基于在线学习算法生成的自适应非齐次马尔可夫模型。
3.根据权利要求2所述的方法,其特征在于,根据如下公式对所述自适应非齐次马尔可夫模型中状态转移概率矩阵和观测概率矩阵的均值进行迭代:
4.根据权利要求1或2或3所述的方法,其特征在于,基于连通性的异常值检测方法利用平均链式距离可以解决低密度下的风电功率异常值的检测,检测方法参照如下公式所示:
5.根据权利要求4所述的方法,其特征在于,还包括:
6.根...
【专利技术属性】
技术研发人员:张荣权,李刚强,郑裕霞,邓镒,罗玲玲,熊婕,
申请(专利权)人:南昌交通学院,
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。