本发明专利技术涉及功率预测技术领域，公开了一种极端天气情况下的区域功率预测修正方法，包括以下步骤：S1实测数据获取和筛选：采集发电站的功率实测数据、天气数据和功率预测数据，并对采集的数据进行筛选；S2实测数据预处理：将采集的电站的功率实测数据、天气数据和功率预测数据进行时间匹配，生成新的DataFrame；S3极端天气划分：对采集的天气数据内容按照天气类型进行条件判定，从而获得极端天气类型数据。本发明专利技术具有准确性、灵活性和实时性等优势；通过对极端天气进行分类和利用RF模型修正预测结果，可以提高新能源功率预测的准确性；这种方法对于电力系统的可靠运行、能源利用效率的提高以及电力市场的合理运行具有重要意义。
【技术实现步骤摘要】
本专利技术涉及功率预测，尤其涉及一种极端天气情况下的区域功率预测修正方法。
技术介绍
1、新能源发电的不稳定性和不可预见性给功率预测带来了巨大挑战，特别是在面临极端天气条件时，如强风和暴雨等，风力发电和光伏发电的效率会受到不同程度的影响，从而导致功率预测的准确性下降。目前，现有的功率预测方法在极端天气条件下存在预测不准确的问题；
2、目前的功率预测技术在极端天气情况下存在以下问题：
3、当前短期功率预测模型缺乏对极端天气类型进行有效划分和精度验证，现有的短期功率预测模型在极端天气条件下存在对极端天气类型进行有效划分和精度验证的不足的问题。不同的极端天气类型对风力发电和光伏发电等新能源发电的效率影响不同，但现有模型未能充分考虑这些影响差异，也缺乏有效的划分和精度验证；
4、现有预测模型在极端天气条件下的泛化能力较差，导致预测结果容易出现较大偏差，原因是极端天气罕见且不可预测，模型无法充分考虑和捕捉这些特殊条件下的变化，为此提出一种极端天气情况下的区域功率预测修正方法。
技术实现思路
1、为解决现有的功率预测方法在极端天气条件下存在预测不准确的问题的技术问题，本专利技术提供一种极端天气情况下的区域功率预测修正方法。
2、本专利技术采用以下技术方案实现：一种极端天气情况下的区域功率预测修正方法，包括以下步骤：
3、s1实测数据获取和筛选
4、采集发电站的功率实测数据、天气数据和功率预测数据，并对采集的数据进行筛选；</p>5、s2实测数据预处理
6、将采集的电站的功率实测数据、天气数据和功率预测数据进行时间匹配，生成新的dataframe；
7、s3极端天气划分
8、对采集的天气数据内容按照天气类型进行条件判定，从而获得极端天气类型数据；
9、s4极端天气精度影响分析
10、根据所划分极端天气类型数据进行精度对比，选择均方误差与决定系数作为精度评价指标；
11、s5预测精度结果优化
12、根据对比的精度进行影响因素汇总，并以汇总结果对预测精度受到影响的天气类型进行结果优化，分别基于以上划分的不同极端天气类型进行建模，以消除每种极端天气类型下的预测误差。
13、作为上述方案的进一步改进，所述步骤s1中实测天气数据内容包括：温度、风速、风力等级和天气现象内容，功率预测数据为发电站计划中的发电量内容。
14、作为上述方案的进一步改进，所述步骤s3中极端天气类型包括大风天气、下雪天气、低温天气、极端降水天气和雾霾云天气。
15、作为上述方案的进一步改进，所述步骤s4中均方根误差公式为：
16、
17、公式(1)中，n表示样本数，yi表示真实值，表示预测值；
18、决定系数(r2)计算公式为：
19、
20、公式(2)中，yi表示第i个样本的实际值，表示第i个样本的预测值，表示所有样本的平均值，n表示样本数量。
21、作为上述方案的进一步改进，所述步骤s5中建模阶段采用随机森林模型进行建模,其中随机森林模型建模步骤为：
22、首先对于给定的分类器h1(x),h2(x),…,hk(x)的集合，并根据随机向量x,y和d的分布随机的选择训练集，其中margin函数定义为:
23、
24、式(3)中i(*)表示指标函数，其主要衡量的是右类在x,y处的平均得分数超过任何其他类的平均得分数的程度。mg(x,y)值越大,其分类的可信度就越大其中泛化误差为:
25、pe*＝px,y(mg(x,y)<0) (4)
26、式(4)中下标x,y表示在x,y空间上的概率。在随机森林中,hk(x)＝h(x,θk)对于大量树木，它遵循着“强大数定律”和树结构:即随着树数的增加，所有序列θ1,…pe*都趋向收敛由(5)给出:
27、
28、随机森林模型进行建模预测，采用以下方式进行：
29、首先建立各种极端天气类型下的样本库，其中x为省调上传的初始预测功率，y为实测功率，并按按照训练集:测试集＝8:2比例划分数据集，其中训练集用于模型训练，测试集用于模型测试；
30、基于python中的skikit-learn库实现rf，使用回归类(randomforestregressor)并经过调参(设置n_estimators＝100～200,random_state＝42～82)得到该极端天气情况下的最终优化模型；
31、获取所有新能源发电站上传的数值天气预报数据，根据场站所在地级市进行汇总取平均值，生成各地级市的数值天气预报数据；
32、基于以上各个地级市的数值天气预报数据，按照本专利技术所建立的极端天气划分细则对其进行划分，以获得极端天气发生的时间和具体发生什么样的极端天气；
33、利用各种极端天气预测模型，结合上一步极端天气类型划分和发生时间对原始的区域短期功率预测数据进行模型预测，将预测结果带入原始短期功率预测数据按照预测时间进行替换。
34、相比现有技术，本专利技术的有益效果在于：
35、1、本专利技术所采用的随机森林算法(rf)是基于python中的skikit-learn库实现的，使用回归类(randomforestregressor)并经过调参(设置n_estimators＝100～200,random_state＝42～82)得到该极端天气情况下的最终优化模型。基于上一步得到的优化模型，在预测区域短期功率的时候依据表一规则对天气预报数据进行极端天气划分，判断是否会发生极端天气，并对该极端天气情况下的初始预测数据进行优化，得到优化后的短期预测功率。
36、2、本申请提出了一种极端天气划分方式，并根据该划分方式对各种极端天气的预测精度进行了验证；通过对各种极端天气类型下的预测结果分别采用随机森林算法建模，对极端天气情况下的预测结果进行了优化；
37、3、本申请的区域功率预测修正方法具有准确性、灵活性和实时性等优势；通过对极端天气进行分类和利用rf模型修正预测结果，可以提高新能源功率预测的准确性；这种方法对于电力系统的可靠运行、能源利用效率的提高以及电力市场的合理运行具有重要意义。
本文档来自技高网...
【技术保护点】
1.一种极端天气情况下的区域功率预测修正方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种极端天气情况下的区域功率预测修正方法，其特征在于，所述步骤S1中实测天气数据内容包括：温度、风速、风力等级和天气现象内容，功率预测数据为发电站计划中的发电量内容。
3.如权利要求1所述的一种极端天气情况下的区域功率预测修正方法，其特征在于，所述步骤S3中极端天气类型包括大风天气、下雪天气、低温天气、极端降水天气和雾霾云天气。
4.如权利要求1所述的一种极端天气情况下的区域功率预测修正方法，其特征在于，所述步骤S4中均方根误差公式为：
5.如权利要求1所述的一种极端天气情况下的区域功率预测修正方法，其特征在于，所述步骤S5中建模阶段采用随机森林模型进行建模,其中随机森林模型建模步骤为：
【技术特征摘要】
1.一种极端天气情况下的区域功率预测修正方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种极端天气情况下的区域功率预测修正方法，其特征在于，所述步骤s1中实测天气数据内容包括：温度、风速、风力等级和天气现象内容，功率预测数据为发电站计划中的发电量内容。
3.如权利要求1所述的一种极端天气情况下的区域功率预测修正方法，其特征在于，所述步...
【专利技术属性】
技术研发人员：伍万祥，叶海峰，李智，程琦，陈璐，汪晓彤，温全，何宏扬，赵尧，宋如航，郭龙龙，李燚喆，
申请(专利权)人：安徽立卓智能电网科技有限公司，
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。