一种面向新能源月度发电预测的数据扩充方法

摘要

一种面向新能源月度发电预测的数据扩充技术，属于新能源月度发电预测领域。将数据扩充方法应用在月度电能预测中，在得到所预测风电场或光伏电站历史发电量数据及天气气象信息的情况下，将结合的数据信息按进行数据扩充操作：扩充后的数据结合点预测算法及实时预报的气象信息进行新能源的月度电能点预测；扩充后的数据计算更为稳定的区间估计的参数，对其进行月度电能区间预测。最后将点预测信息与区间预测信息相结合作为最终的预测结果。对于新能源的点预测、区间预测，通过数据扩充提高点预测、区间预测精度，准确的进行风力发电及光伏发电的月度预测，提高电网统调电厂月度计划购电量执行均衡率奠定良好的基础。

权利要求

1.一种面向新能源月度发电预测的数据扩充方法，其特征在于，将数据扩充方法应用在月度电能预测中，具体包括以下步骤：

第一步，采用传统的月度发电点预测方法和区间预测方法，得到以天为单位的所预测风电场或光伏电站历史发电量数据及历史天气气象信息，将数据依日期进行排列，同日期的发电量信息与气象信息作为同一组数据，用于后续点预测法及区间预测法的数据扩充技术；

第二步，对第一步得到的历史数据进行点预测法的数据扩充，扩充后的数据结合点预测方法及实时预报的气象信息进行新能源的月度电能点预测，数据扩充方法为点预测提供更丰富的历史数据量；

数据扩充方法在月度电能点预测中的具体操作为：在得到所预测风电场或光伏电站历史发电量数据及天气气象信息的情况下，在数据不足的情况下可以近似使用相邻月份的历史发电数据以及气象信息作为预测月的信息进行数据扩充：若具有n年数据，预测月为第m月，将n年的第m-1月天数a、第m月天数b、第m+1月天数c均纳入训练样本，得到n×(a+b+c)天个历史数据样本，将数据样本用于点预测算法的训练或求参中，得到月度发电量的点预测结果；

第三步，对第一步得到的历史数据进行区间预测法的数据扩充，扩充后的数据计算更为稳定的区间估计的参数，对其进行月度电能区间预测，数据扩充方法为区间预测算法提供更为稳定的统计特征参数；

数据扩充方法在月度电能区间预测中的具体操作为：在得到所预测风电场或光伏电站历史发电量数据及天气气象信息的情况下，若具有n年数据，预测月为第m月，将n年的第m-1月天数a、第m月天数b、第m+1月天数c进行排列组合，得到远大于原有月份总数的k个新月份，计算k个新月份的月间均值和方差，作为区间估计的参数，将新的到的估计参数带入区间预测算法中得到月度发电量的区间预测结果；

第四步，将第二步得到的点预测结果与第三步得到的区间预测结果相结合作为最终的预测结果。

2.根据权利要求1所述的一种面向新能源月度发电预测的数据扩充方法，其特征在于，第一步中所述的传统的月度发电点预测方法包括时间序列法、神经网络法、kd-tree法、线性回归法；所述的传统的月度发电区间预测方法包括正态区间法、核函数密度法。

说明书

一种面向新能源月度发电预测的数据扩充方法

[0001] 方法领域

[0002] 本发明属于新能源月度发电预测领域，涉及一种面向新能源月度发电预测的数据扩充方法。

[0003] 背景方法

[0004] 近年来。随着我国电力供应的逐步宽松以及国家对节能减排工作的重视，我国开始大力调整电力行业的发电结构。由于化石能源的日益短缺，以煤炭为主要发电原料的火力发电份额逐步减少，包括风力发电和光伏发电的新能源发电的份额迅速提高，在很多省份占比已达到20％。相比于传统的火力发电，风力发电和光伏发电的不确定性很高，受天气的影响明显，对电网的稳定运行带来了不小的挑战，因此对于风电、光伏发电量的精准预测和规划变得十分重要。另一方面，我国电力市场体制改革成效显著，电力市场中电能的计划和交易都需要月度层面的电能预测的支持。

[0005] 然而，目前的研究大多着眼于风电、光伏的短期预测及超短期预测，对于风电及光伏的中长期预测的研究尚不成熟，这就给电网的中长期调度带来了一定的难度。目前，对于风电、光伏的中长期预测，通常采用一定的数学方法建立发电预测模型，并利用所预测电站的历史发电数据对模型进行训练或求参。但由于大部分风电场及光伏电站建立时间较短，且由于早期管理不完善，通常仅仅只有不到三年的发电量数据。这对于风力发电和光伏发电的月度预测，均会面临发电量历史数据不足的问题。因此，将有限的历史数据进行尽可能的利用，成为保证预测模型精度的关键。

发明内容

[0006] 针对现有技术存在的问题，本发明提供一种面向新能源月度发电预测的数据扩充方法。通过该方法将历史发电数据与历史天气气象信息进行处理作为预测算法的训练样本，结合预测的月天气气象进行发电量预测。

[0007] 本发明采用的技术方案为：

[0008] 一种面向新能源月度发电预测的数据扩充方法，将数据扩充方法应用在月度电能预测中，在得到所预测风电场或光伏电站历史发电量数据及天气气象信息的情况下，将结合的数据信息按照第二步的方法进行数据扩充操作，扩充后的数据结合点预测算法及实时预报的气象信息进行新能源的月度电能点预测；同时将数据信息按照第三步的方法进行数据扩充操作，扩充后的数据计算更为稳定的区间估计的参数，对其进行月度电能区间预测。最后将点预测信息与区间预测信息相结合作为最终的预测结果。具体包括以下步骤：

[0009] 第一步，采用传统的月度发电点预测方法和区间预测方法，得到以天为单位的所预测风电场或光伏电站历史发电量数据及历史天气气象信息，将数据依日期进行排列，同日期的发电量信息与气象信息作为同一组数据，用于后续点预测法及区间预测法的数据扩充技术。

[0010] 所述的传统的月度发电点预测方法包括时间序列法、神经网络法、kd-tree法、线性回归法；所述的传统的月度发电区间预测方法包括正态区间法、核函数密度法。

[0011] 第二步，对第一步得到的历史数据进行点预测法的数据扩充，扩充后的数据结合点预测方法及实时预报的气象信息进行新能源的月度电能点预测，数据扩充方法为点预测提供更丰富的历史数据量，具体为：

[0012] 训练样本的数量是决定预测模型精准度的关键，由于通常历史数据年份n＜3，而风电及光伏特征参数均不少于两个，因此难以保证每个数据点均有历史数据进行参考；由于天气气象信息具有季节性的特点，相邻月份具有相同或相似的天气特征，因此在数据不足的情况下可以近似使用相邻月份的历史发电数据以及气象信息作为预测月的信息进行数据扩充。

[0013] 本发明数据扩充方法在月度电能点预测中的具体操作为：在得到所预测风电场或光伏电站历史发电量数据及天气气象信息的情况下(在数据不足的情况下可以近似使用相邻月份的历史发电数据以及气象信息作为预测月的信息进行数据扩充)，若具有n年数据，预测月为第m月，将n年的第m-1月天数a、第m月天数b、第m+1月天数c均纳入训练样本，得到n×(a+b+c)天个历史数据样本，将数据样本用于点预测算法的训练或求参中，得到月度发电量的点预测结果。通常n小于3；m为所预测月份；a为第m-1月天数；b为第m月天数；c为第m+1月天数。

[0014] 第三步，对第一步得到的历史数据进行区间预测法的数据扩充，扩充后的数据计算更为稳定的区间估计的参数，对其进行月度电能区间预测，数据扩充方法为区间预测算法提供更为稳定的统计特征参数，具体为：

[0015] 由于通常历史数据年份n＜3，历史数据样本的均值和方差并不能真实的反映历史数据的统计特征；由于天气气象信息具有周期性、随机性的特点，在历史中发生的天气情况在未来大概率也会重复发生，因此采用历史数据进行排列重组后随机产生的模拟月份在时间尺度足够长的情况下是能够出现的。

[0016] 本发明数据扩充方法在月度电能区间预测中的具体操作为：在得到所预测风电场或光伏电站历史发电量数据及天气气象信息的情况下，若具有n年数据，预测月为第m月，将n年的第m-1月天数a、第m月天数b、第m+1月天数c进行排列组合，得到远大于原有月份总数的k个新月份，计算k个新月份的月间均值和方差，作为区间估计的参数，将新的到的估计参数带入区间预测算法中得到月度发电量的区间预测结果。通常n小于3；m为所预测月份；a为第m-1月天数；b为第m月天数；c为第m+1月天数。

[0017] 第四步，将第二步得到的点预测结果与第三步得到的区间预测结果相结合作为最终的预测结果。

[0018] 本发明数据扩充的必要性为：由于，新能源通常历史数据年份通常不足三年，且风电及光伏特征参数均不少于两个，因此难以保证每个数据点均有历史数据进行参考，在区间预测中历史数据样本的均值和方差并不能真实的反映历史数据的统计特征，因此有必要对历史数据进行扩充处理以保证模型训练的需求。数据扩充方法是将历史发电数据与历史天气气象信息结合后进行处理，尽可能将有限的历史数据最大化的利用。

[0019] 数据扩充与预测方法的结合方式:在传统的预测算法基础上，例如时间序列法、神经网络法、kd-tree算法等点预测方法以及正态区间法、核函数密度法等区间预测法。数据扩充方法为点预测算法提供了更为丰富的历史数据量、为区间预测算法提供了更为稳定的统计特征参数。将处理过的历史发电数据与历史天气气象信息作为预测算法的训练样本，结合预测的月天气气象进行发电量预测。

[0020] 与现有技术相比，本发明的有益效果为：对于新能源的点预测，通过数据扩充技术丰富了点预测所能采用的历史数据量，提高了点预测的精度；对于新能源的区间预测，通过数据扩充技术得到了更为准确的月份电量均值及月间电量方差，提高了区间预测的精度；更为准确的风力发电及光伏发电的月度预测，将为提高辽宁电网统调电厂月度计划购电量执行均衡率奠定良好的基础。

附图说明

[0021] 图1为本发明中面向新能源月度发电预测的数据扩充方法结构示意图。

[0022] 图2为本发明中数据扩充方法点预测中的具体操作方法。

[0023] 图3为本发明中数据扩充方法区间预测中的具体操作方法。

具体实施方式

[0024] 为使本发明的方法方案和优点更加清楚，下面结合本发明实施例中的附图，对本发明实施例中的方法方案进行清楚完整的描述：

[0025] 如图1-图3所示的种面向新能源月度发电预测的数据扩充方法，包括月度发电预测的数据扩充方法结构示意图、数据扩充方法点预测中的具体操作方法以及区间预测中的具体操作方法。具体包括以下步骤：

[0026] 1、月度发电预测的数据扩充方法结构示意图

[0027] (1)对于月度发电预测的传统方法，大体上包括时间序列法、神经网络法、kd-tree算法等点预测方法以及正态区间法、核函数密度法等区间预测法。

[0028] (2)数据扩充方法是将历史发电数据与历史天气气象信息进行处理，尽可能将有限的历史数据最大化的利用。

[0029] (3)将处理过的历史发电数据与历史天气气象信息作为预测算法的训练样本，结合预测的月天气气象进行发电量预测。

[0030] 2、数据扩充方法点预测中的具体操作方法

[0031] (4)训练样本的数量是决定预测模型精准度的关键，由于通常历史数据年份n＜3，而风电及光伏特征参数均不少于两个，因此难以保证每个数据点均有历史数据进行参考。

[0032] (5)由于天气气象信息具有季节性的特点，相邻月份具有相同或相似的天气特征，因此在数据不足的情况下可以近似使用相邻月份的历史发电数据以及气象信息作为预测月的信息进行数据扩充。

[0033] (6)若具有n年数据，预测月为第m月，将n年的第m-1月天数a、第m月天数b、第m+1月天数c均纳入训练样本，得到n×(a+b+c)天个历史数据样本。

[0034] 3、数据扩充方法区间预测中的具体操作方法

[0035] (7)训练样本的数量是决定区间预测中统计参数稳定性的关键，

[0036] 由于通常历史数据年份n＜3，历史数据样本的均值和方差并不能真实的反映历史数据的统计特征。

[0037] (8)由于天气气象信息具有周期性、随机性的特点，在历史中发生的天气情况在未来大概率也会重复发生，因此采用历史数据进行排列重组后随机产生的模拟月份在时间尺度足够长的情况下是能够出现的。

[0038] (9)若具有n年数据，预测月为第m月，将n年的第m-1月天数a、第m月天数b、第m+1月天数c进行排列组合，得到远大于原有月份总数的k个新月份，计算k个新月份的月间均值和方差，作为区间估计的参数。

[0039] 以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本方法领域的方法人员在本发明揭露的方法范围内，根据本发明的方法方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。