风光水电集合短期预报与不确定性分析方法及系统与流程

本发明涉及风光水电集合短期预报与不确定性分析方法。

背景技术：

1、风光水电系统短期精准预报是实现流域风光水电系统短期调度的重要基础，出力预报的准确度直接决定了风光出力接入电网比例和电力系统是否能安全稳定运行。由于流域复杂地形及气象条件致使风光水能资源情况复杂多变，且天气系统是一个极为不稳定的非线性动力系统，模拟过程中的任何微小误差都可能会随着时间延长而被逐步放大。

2、流域风光水电系统预报误差在不同类型天气下不尽相同，若能提前辨识复杂气象条件的流域风光水能资源短期典型日，能极大提高风光水电系统预报的精度，且流域风光水电系统短期预报后处理概率分布选取过于随意，通常只考虑输入、模型结构或模型参数某一方面的影响，大都是基于时不变的概率分布进行后处理，未考虑气象条件的相似性和差异性以及出力预报逐时滚动和动态更新的性质。

3、所以，需要进行研究和创新。

技术实现思路

1、发明目的，提供一种风光水电集合短期预报与不确定性分析方法，以解决现有技术存在的上述问题。另一方面提供风光水电集合短期预报与不确定性分析系统。

2、技术方案，风光水电集合短期预报与不确定性分析方法，包括如下步骤：

3、步骤s1、收集研究区气象、水文和风光水电站资料，构建风光水电资源分类属性数据的加权异构网络，拼接风光水电资源属性取值表征，得到风光水电资源分类属性数据的深度数据表征；

4、步骤s2、将风光水电资源分类属性数据的深度数据表征输入预构建的典型日智能筛选模型，得到风光水电系统资源典型天气日；

5、步骤s3、将典型天气日输入预构建的arima模型，得到风光水电集合短期预报值，基于实际测量数据与预报值分析统计预报误差统计参数，并计算得到不同典型天气日的风光水电集合预报的参数，拟合不同典型天气日的风光水电集合短期预报误差的分布。

6、步骤s4、基于不同典型天气日的风光水电集合短期预报误差的分布，耦合预构建的风光水电资源典型天气日的风速预报、太阳辐射预报和径流预报模型，得到对应数值并分别输入到预构建的风电、光电、水电出力计算模型，计算得到风力发电、光伏发电和水力发电的出力，求和得到风光水电系统出力，即风光水电集合短期预报。

7、根据本技术的一个方面，所述步骤s1进一步为：

8、步骤s11、收集风光水电历史实测数据、预报数据，历史实测数据和预报数据分别包括风速、太阳辐射强度、降雨和水文预报；

9、步骤s12、提取风光水电资源分类属性数据，得到风光水电资源分类属性数据集，基于数据集的不同属性间和同一属性内的取值相关关系，构建风光水电资源分类属性数据的加权异构网络；

10、步骤s13、从风光水电资源分类属性数据的加权异构网络提取出风光水电资源的所有分类属性取值的数值特征并拼接其数值表征，得到风光水电资源分类属性数据的深度数值表征。

11、根据本技术的一个方面，所述步骤s2进一步为：

12、步骤s21、基于深度机器学习模型构建基于动态时间规整聚类算法的典型日智能筛选模型；

13、步骤s22、将风光水电资源分类属性数据的深度数据表征输入典型日智能筛选模型，采用动态时间规整聚类算法的典型日智能筛选模型进行计算，得到风光水电资源典型天气日。

14、根据本技术的一个方面，所述步骤s22进一步为：

15、步骤s22a、从风光水电历史实测数据中提取出风光水电每日出力数据并标准化，将标准化后的每日出力整理成一条72维的向量，形成向量集；

16、步骤s22b、从向量集中随机选择k个向量作为聚类中心，k为大于10的正整数；

17、步骤s22c、计算每一个向量与k个聚类中心的soft-dtw距离，并将其归类到距离最近的分类中；

18、步骤s22d、计算得到新的聚类中心并判定是否满足终止条件，若不满足则重复步骤s22b至步骤s22c，若满足终止条件，则输出聚类中心并分类，得到风光水电资源典型天气日。

19、根据本技术的一个方面，所述步骤s3进一步为：

20、步骤s31、基于正态分位数构建预报演进的arima模型，将风光水电系统资源典型天气日输入arima模型，计算得到风光水电集合短期预报值；

21、步骤s32、从风光水电历史实测数据中提取出风光水电系统资源典型天气日的实际测量数据并与风光水电集合短期预报值分析统计预报误差的统计参数，统计参数包括：平均误差、均方根误差和误差分布的标准差；

22、步骤s33、计算得到不同典型天气日的风光水电集合预报的参数，基于不同典型天气日的风光水电集合预报的参数采用正态分布拟合不同典型天气日的风光水电集合短期预报误差的分布。

23、根据本技术的一个方面，所述步骤s31进一步为：

24、步骤s31a、基于正态分位数构建预报演进的arima模型；

25、步骤s31b、设置风光水电集合短期预报的正态分布的累积分布函数和累积分布函数的反函数，将风光水电系统资源典型天气日数据转化为对应的累积概率并输入累积分布函数的反函数中，得到无偏、正态分布的样本；

26、步骤s31c、将无偏、正态分布的样本输入arima模型，采用cholesky法分解，得到新的无偏、正态分布样本；

27、步骤s31d、将新的无偏、正态分布样本输入风光水电集合短期预报的累积分布函数，得到对应的累积分布函数，并输入累积分布函数的反函数中，得到有偏、非正态分布的预报改进样本；

28、步骤s31e、基于有偏、非正态分布的预报改进样本，计算得到风光水电集合短期预报值。

29、根据本技术的一个方面，所述步骤s4进一步为：

30、步骤s41、分别构建风光水电资源典型天气日的风速预报模型、太阳辐射预报模型和径流预报模型，并耦合不同典型天气日的风光水电集合短期预报误差的分布，得到带不确定区间的风速、太阳辐射和径流数据；

31、步骤s42、分别构建风力发电出力、光伏发电出力和水力发电出力计算模型；

32、步骤s43、将带不确定区间的风速、太阳辐射和径流数据分别输入风力发电出力、光伏发电出力和水力发电出力计算模型，计算得到风力发电、光伏发电和水力发电的出力，求和得到风光水电系统出力，即风光水电集合短期预报。

33、根据本技术的一个方面，所述步骤s41进一步为：

34、步骤s41a、分别构建风光水电资源典型天气日的风速预报模型、太阳辐射预报模型和径流预报模型，提取风光水电资源典型天气日的数据分别输入风速预报模型、太阳辐射预报模型和径流预报模型，计算得到风光水电资源典型天气日的风速预报、太阳辐射预报和径流预报；

35、步骤s41b、提取风光水电资源典型天气日的风速预报、太阳辐射预报和径流预报的数据输入不同典型天气日的风光水电集合短期预报误差的分布并耦合，得到带不确定区间的风速、太阳辐射和径流数据。

36、根据本技术的另一个方面，提供一种风光水电集合短期预报与不确定性分析系统，包括：

37、至少一个处理器；以及

38、与至少一个所述处理器通信连接的存储器；其中，

39、所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的风光水电集合短期预报与不确定性分析方法。

40、有益效果，采用风光水电集合短期预报与不确定性分析方法，一方面提前辨识复杂气象条件的流域风光水能资源短期典型日，提高风光水电系统预报的精度；另一方面给出风光水电集合预报的不确定性方法，描述风光水电联合出力预报不确定性的动态演化过程，为风光水电系统短期调度及风险调控提供输入依据。