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】
本专利技术涉及提高光功率预测系统输入数据准确性,尤其涉及一种提高光功率预测系统输入数据准确性的方法及系统。
技术介绍
1、变热是最主要的气候问题之一,其最主要的原因之一为碳排放量的增大。电力系统发电环节是碳排放的主要来源之一。为了减少发电环节带来的碳排放,碳排放较大的火力发电机组占比越来越少,而作为清洁能源的光伏发电占装机容量的比率越来越高。
2、光伏发电的发电量受到实际光照大小的影响,具有较大的不确定性。这个不确定性对电力系统的调度带来了较大的影响。为了减少光伏发电的不确定性,现有光伏发电站都引入了发电功率预测技术,通过预测来减少发电的不确定性。
3、光功率预测有非常多种的方法,其中最主要的还是以人工神经网络等为基础的机器学习模型。在光功率预测系统中,机器学习模型的输入数据主要是天气预报数据,这些数据具有一定的不准确性,将一定程度影响机器学习模型输出的光功率的精度。
技术实现思路
1、本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊,而这种简化或省略不能用于限制本专利技术的范围。
2、鉴于上述现有存在的问题,提出了本专利技术。
3、因此,本专利技术提供了一种提高光功率预测系统输入数据准确性的方法及系统,能够解决
技术介绍
中提到的问题。
4、为解决上述技术问题,本专利技术提供如下技术
5、获取实际测量的历史天气准确数据,并对所述历史天气准确数据进行不同长度序列划分;
6、根据不同长度序列划分后的历史天气准确数据,结合灰色预测模型,对不同长度序列历史数据进行预测,并获取预测模型的预测数据与历史天气准确数据的相对误差平均值进行评估拟合;
7、根据拟合结果确定加权系数,根据所述加权系数将历史天气准确数据与灰色预测模型预测的天气数据进行加权作为预测系统的输入数据。
8、作为本专利技术所述的提高光功率预测系统输入数据准确性的方法的一种优选方案,其中:所述对所述历史天气准确数据进行不同长度序列划分包括:
9、设置第一预设值a与第二预设值b,第一预设值a与第二预设值b均为大于等于3的整数,且第一预设值a小于等于第二预设值;
10、根据所述第一预设值a与第二预设值b完成不同长度序列划分;
11、记光功率预测系统中的输入变量为n个,记x1(n,t)为第n(1≤n≤n)个输入变量在t时刻的预测值,记x2(n,t)为第n个输入变量在t时刻的观测值;
12、记k为灰色预测模型原始数据的个数,在t时刻,记1≤k≤(b-a+1)。
13、作为本专利技术所述的提高光功率预测系统输入数据准确性的方法的一种优选方案,其中:所述根据不同长度序列划分后的历史天气准确数据,结合灰色预测模型,对不同长度序列历史数据进行预测,并获取预测模型的预测数据与历史天气准确数据的相对误差平均值进行评估拟合包括:
14、令初始时n为1、k为1;
15、取历史天气准确数据序列数据x3(m)=x2(n,t-a-k+m),1≤m≤a+k-1;
16、对所述历史天气准确数据序列数据x3(m)数据使用灰色预测模型gm(1,1)进行预测,记预测出来的数据为x4(m),其中,1≤m≤a+k,其中x4(m)比序列数据x3(m)增加一个数据;
17、对于1≤m≤a+k-1,计算预测模型的预测数据与历史天气准确数据的相对误差;
18、相对误差表示如下:
19、
20、其中,x5(m)表示相对误差值;
21、取出灰色预测模型的数据进行单独保存,记x6(n,t,k)=x4(a+k);
22、取出相对误差的平均值数据进行单独保存,记x5(m)的平均值为x7(n,t,k)。
23、作为本专利技术所述的提高光功率预测系统输入数据准确性的方法的一种优选方案,其中:所述根据不同长度序列划分后的历史天气准确数据,结合灰色预测模型,对不同长度序列历史数据进行预测,并获取预测模型的预测数据与历史天气准确数据的相对误差平均值进行评估拟合还包括:
24、当单独保存数据后,令k=k+1;
25、判断此时灰色预测模型原始数据的个数与b-a+1的大小;
26、若灰色预测模型原始数据的个数小于等于b-a+1,则进行循环求解,重新取历史天气准确数据序列数据,并预测模型的预测数据与历史天气准确数据的相对误差的平均值,进行单独保存;
27、若灰色预测模型原始数据的个数大于b-a+1,则记n=n+1,并判断n值与n的大小。
28、作为本专利技术所述的提高光功率预测系统输入数据准确性的方法的一种优选方案,其中:所述根据不同长度序列划分后的历史天气准确数据,结合灰色预测模型,对不同长度序列历史数据进行预测,并获取预测模型的预测数据与历史天气准确数据的相对误差平均值进行评估拟合还包括:
29、若n≤n,则令k为1,则进行循环求解,并重新取历史天气准确数据序列数据,并预测模型的预测数据与历史天气准确数据的相对误差的平均值,进行单独保存;
30、若n>n,则重新令n为1,完成评估拟合操作。
31、作为本专利技术所述的提高光功率预测系统输入数据准确性的方法的一种优选方案,其中:所述根据拟合结果确定加权系数,根据所述加权系数将历史天气准确数据与灰色预测模型预测的天气数据进行加权作为预测系统的输入数据包括:
32、在t时刻,遍历每一个n值;
33、获取全部单独保存的相对误差的平均值数据,并获取相对误差的平均值的最小值,获取单独保存的灰色预测模型的数据,并获取灰色预测模型的最小值,记最小值对应的k值为r;
34、记灰色预测模型的最小值为x8(n,t),且x8(n,t)为x6(n,t,r);
35、记相对误差的平均值的最小值为x9(n,t),且x9(n,t)为x7(n,t,r);
36、判断相对误差的平均值的最小值在每个n值处于0.1的大小;
37、若x9(n,t)>0.1,则令x10(n,t)=x1(n,t);
38、若x9(n,t)≤0.1,则令x10(n,t)=10×x9(n,t)×x1(n,t)+[1-10×x9(n,t)]×x8(n,t)。
39、作为本专利技术所述的提高光功率预测系统输入数据准确性的方法的一种优选方案,其中:所述根据拟合结果确定加权系数,根据所述加权系数将历史天气准确数据与灰色预测模型预测的天气数据进行加权作为预测系统的输入数据还包括:
40、当完成相对误差的平均值的最小值在每个n值处于0.1的大小的判断后,令n=n+1;
41、若n≤n,则继续进行循环求解输入数据x1本文档来自技高网...
【技术保护点】
1.一种提高光功率预测系统输入数据准确性的方法,其特征在于,包括:
2.如权利要求1所述的提高光功率预测系统输入数据准确性的方法,其特征在于,所述对所述历史天气准确数据进行不同长度序列划分包括:
3.如权利要求2所述的提高光功率预测系统输入数据准确性的方法,其特征在于,所述根据不同长度序列划分后的历史天气准确数据,结合灰色预测模型,对不同长度序列历史数据进行预测,并获取预测模型的预测数据与历史天气准确数据的相对误差平均值进行评估拟合包括:
4.如权利要求3所述的提高光功率预测系统输入数据准确性的方法,其特征在于,所述根据不同长度序列划分后的历史天气准确数据,结合灰色预测模型,对不同长度序列历史数据进行预测,并获取预测模型的预测数据与历史天气准确数据的相对误差平均值进行评估拟合还包括:
5.如权利要求4所述的提高光功率预测系统输入数据准确性的方法,其特征在于,所述根据不同长度序列划分后的历史天气准确数据,结合灰色预测模型,对不同长度序列历史数据进行预测,并获取预测模型的预测数据与历史天气准确数据的相对误差平均值进行评估拟合还包括:
...【技术特征摘要】
1.一种提高光功率预测系统输入数据准确性的方法,其特征在于,包括:
2.如权利要求1所述的提高光功率预测系统输入数据准确性的方法,其特征在于,所述对所述历史天气准确数据进行不同长度序列划分包括:
3.如权利要求2所述的提高光功率预测系统输入数据准确性的方法,其特征在于,所述根据不同长度序列划分后的历史天气准确数据,结合灰色预测模型,对不同长度序列历史数据进行预测,并获取预测模型的预测数据与历史天气准确数据的相对误差平均值进行评估拟合包括:
4.如权利要求3所述的提高光功率预测系统输入数据准确性的方法,其特征在于,所述根据不同长度序列划分后的历史天气准确数据,结合灰色预测模型,对不同长度序列历史数据进行预测,并获取预测模型的预测数据与历史天气准确数据的相对误差平均值进行评估拟合还包括:
5.如权利要求4所述的提高光功率预测系统输入数据准确性的方法,其特征在于,所述根据不同长度序列划分后的历史天气准确数据,结合灰色预测模型,对不同长度序列历史数据进行预测,并获取预测模型的预测数据与...
【专利技术属性】
技术研发人员:文贤馗,周科,张俊玮,何明君,付宇,肖小兵,蔡永翔,王扬,邓彤天,范强,王冕,于杨,姚浩,习伟,杨涛,曾鹏,张世海,
申请(专利权)人:贵州电网有限责任公司,
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。