风电场发电功率误差的置信带的确定方法和装置与流程

1.本技术涉及可再生能源技术领域，具体而言，涉及一种风电场发电功率误差的置信带的确定方法、装置、计算机可读存储介质和电子设备。


背景技术：

2.大规模可再生能源的渗透，对电力系统的安全、稳定运行提出了巨大挑战。无论是电力系统自身的稳定运行和优化调度，还是电力市场参与方的优化运行，都需要对可再生能源的不确定性进行预测和管理。现有的不确定性建模方法主要分为两类，第一类方法考虑最坏场景下的鲁棒决策，会因忽略统计规律而过于保守。第二类方法依赖预设的概率分布模型(probability distribution function，pdf)进行分布参数的预测。实际应用中因风电场发电功率变化范围过大，且受地理位置、季节因素以及气候的影响，已有概率模型或随机过程模型均难以准确描述，建模难度和误差均过大。当地理分散的新能源电站聚合、不同能源类型的发电资源组合时，还会使得不确定性因素更为复杂，很难通过数学建模和计算获得准确的概率分布函数。
3.即现有方案预测的风电场发电功率误差的准确度较低的问题。


技术实现要素：

4.本技术的主要目的在于提供一种风电场发电功率误差的置信带的确定方法、装置、计算机可读存储介质和电子设备，以至少解决现有方案预测的风电场发电功率误差的准确度较低的问题。
5.为了实现上述目的，根据本技术的一个方面，提供了一种风电场发电功率误差的置信带的确定方法，该方法包括：获取历史预测功率误差集，所述历史预测功率误差集包括多个历史预测功率误差；根据所述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，所述置信带下限为所述置信带的下限值，所述置信带上限为所述置信带的上限值，根据所述置信带下限和所述置信带上限，确定实际预测误差的下限和所述实际预测误差的上限，以确定所述实际预测误差的范围，所述实际预测误差为风电场在所述置信带对应的置信度范围内的实际发电功率和预测发电功率的差的绝对值。
6.可选地，在根据所述历史预测功率误差集，确定置信带下限和置信带上限的过程中，所述方法还包括：
7.根据所述历史预测功率误差集和确定各所述历史预测功率误差对应的置信区间下限，其中，pk为第k个所述历史预测功率误差对应的所述置信区间下限，n为所述历史预测功率误差集中的所述历史预测功率误差的总数，为b(k，n+1-k)的分位数，为中间常数，1≤k≤n，b(k，n+1-k)表示随机变量的累积分布函数服从形状参数为k和n+1-k的贝塔分布；
8.根据所述历史预测功率误差集和确定各所述历史预测功率误差对应的
置信区间上限，其中，为第k个所述历史预测功率误差对应的所述置信区间上限，为b(k，n+1-k)的分位数。
9.可选地，在根据所述历史预测功率误差集，确定置信带下限和置信带上限的过程中，所述方法还包括：
10.根据确定中间常数，exp为以e为底的指数函数，c1(α)为第一中间值，c2(α)为第二中间值、c3(α)为第三中间值、c4(α)为第四中间值，为所述中间常数，α为预设值，所述第一中间值、所述第二中间值、所述第三中间值和所述第四中间值均为预设的常数值。
11.可选地，在根据所述历史预测功率误差集，确定置信带下限和置信带上限之前，所述方法还包括：
12.根据c1(α)＝-a
1-a2ln(α)，确定所述第一中间值；
13.根据c2(α)＝a
3-a4α，确定所述第二中间值；
14.根据c3(α)＝a
5-a6α，确定所述第三中间值；
15.根据确定所述第四中间值，其中，a1、a2、a3、a4、a5、a6、a7、a8和a9均为常数。
16.可选地，根据所述历史预测功率误差集，确定置信带下限和置信带上限，包括：
17.根据所有的所述历史预测功率误差对应的所述置信区间下限、所有的所述历史预测功率误差对应的所述置信区间上限、和确定所述随机变量的所述置信带下限和所述随机变量的所述置信带上限，为所述随机变量的所述置信带上限，p(x)为所述随机变量的所述置信带下限，x为所述随机变量，为第k个所述历史预测功率误差。
18.可选地，根据所述置信带下限和所述置信带上限，确定实际预测误差的下限和所述实际预测误差的上限，包括：
19.根据所述随机变量的所述置信带下限、所述随机变量的所述置信带上限、和确定所述实际预测误差的下限和所述实际预测误差的上限，其中，为第一区间预设值，为第二区间预设值，β为第一显著性水平预设值和第二显著性水平预设值的和，为所述实际预测误差，s
t
为所述实际预测误差的下限，为所述实际预测误差的上限，β1为第一显著性水平预设值，β2为第二显著性水平预设值，所述第一显著性水平预设值和所述第二显著性水平预设值均为预设的常数值，p为概率，ω为模糊集。
20.可选地，在根据所述置信带下限和所述置信带上限，确定实际预测误差的下限和所述实际预测误差的上限的过程中，所述方法还包括：
21.采用和对所述预测误差的下限和所述预测误差的上限进行约束。
22.根据本技术的另一方面，提供了一种风电场发电功率误差的置信带的确定装置，该装置包括获取单元、第一处理单元和第二处理单元；获取单元用于获取历史预测功率误差集，所述历史预测功率误差集包括多个历史预测功率误差；第一处理单元用于根据所述
历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，所述置信带下限为所述置信带的下限值，所述置信带上限为所述置信带的上限值；第二处理单元用于根据所述置信带下限和所述置信带上限，确定实际预测误差的下限和所述实际预测误差的上限，以确定所述实际预测误差的范围，所述实际预测误差为风电场在所述置信带对应的置信度范围内的实际发电功率和预测发电功率的差的绝对值。
23.根据本技术的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的风电场发电功率误差的置信带的确定方法。
24.根据本技术的另一方面，提供了一种电子设备，电子设备包括一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的风电场发电功率误差的置信带的确定方法。
25.应用本技术的技术方案，根据所述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，进而使得实际预测误差处于实际预测误差的下限和所述实际预测误差的上限之间，提高了准确度，进而解决了现有方案预测的风电场发电功率误差的准确度较低的问题。
附图说明
26.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
27.图1示出了根据本技术的实施例中提供的一种执行风电场发电功率误差的置信带的确定方法的移动终端的硬件结构框图；
28.图2示出了根据本技术的实施例提供的一种风电场发电功率误差的置信带的确定方法的流程示意图；
29.图3示出了估计风电预测误差范围的示意图；
30.图4示出了估计预测误差cdf的置信带示意图；
31.图5示出了根据本技术的实施例提供的一种风电场发电功率误差的置信带的确定装置的结构框图。
具体实施方式
32.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
33.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
34.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用
的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
35.为了便于描述，以下对本技术实施例涉及的部分名词或术语进行说明：
36.cdf：随机变量的累积分布函数。
37.正如背景技术中所介绍的，现有的不确定性建模方法主要分为两类，第一类方法考虑最坏场景下的鲁棒决策，会因忽略统计规律而过于保守。第二类方法依赖预设的概率分布模型(probability distribution function，pdf)进行分布参数的预测。实际应用中因风电场发电功率变化范围过大，且受地理位置、季节因素以及气候的影响，已有概率模型或随机过程模型均难以准确描述，建模难度和误差均过大。当地理分散的新能源电站聚合、不同能源类型的发电资源组合时，还会使得不确定性因素更为复杂，很难通过数学建模和计算获得准确的概率分布函数，为解决现有方案预测的风电场发电功率误差的准确度较低的问题，本技术的实施例提供了一种风电场发电功率误差的置信带的确定方法、装置、计算机可读存储介质和电子设备。
38.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。
39.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种风电场发电功率误差的置信带的确定方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
40.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的设备信息的显示方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
41.在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的风电场发电功率误差的置信带的确定方法，需要说明的是，在附图的流程图示出的步骤可以
在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
42.图2是根据本技术的实施例提供的一种风电场发电功率误差的置信带的确定方法的流程示意图。如图2所示，该方法包括以下步骤：
43.步骤s201，获取历史预测功率误差集，上述历史预测功率误差集包括多个历史预测功率误差；
44.具体地，根据历史记录，将相同时刻的可再生能源(即风电场)发电功率日前预测值，与次日该时刻的实际发电功率记录相减，得到可再生能源发电预测误差的一个样本，对所有历史样本同样处理后，对获得的样本按样本值从小到大升序排列，历史预测功率误差集为为历史预测功率误差集中的历史预测功率误差的最小值，为历史预测功率误差集中的历史预测功率误差的最大值。
45.步骤s202，根据上述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，上述置信带下限为上述置信带的下限值，上述置信带上限为上述置信带的上限值；
46.具体地，设定随机变量
47.k为随机变量的顺序索引，其中为设定随机变量的累计分布。
48.在本技术的一种实施例中，在根据上述历史预测功率误差集，确定置信带下限和置信带上限的过程中，上述方法还包括：
49.根据上述历史预测功率误差集和确定各上述历史预测功率误差对应的置信区间下限，其中，pk为第k个上述历史预测功率误差对应的上述置信区间下限，n为上述历史预测功率误差集中的上述历史预测功率误差的总数，为b(k，n+1-k)的分位数，为中间常数，1≤k≤n，b(k，n+1-k)表示随机变量的累积分布函数服从形状参数为k和n+1-k的贝塔分布；
50.根据上述历史预测功率误差集和确定各上述历史预测功率误差对应的置信区间上限，其中，为第k个上述历史预测功率误差对应的上述置信区间上限，为b(k，n+1-k)的分位数。
51.通过求得历史预测功率误差集中所有历史预测功率误差的置信区间上限和下限，确定预测误差累积分布函数的置信带。
52.在本技术的一种实施例中，在根据上述历史预测功率误差集，确定置信带下限和置信带上限的过程中，上述方法还包括：
53.根据确定中间常数，exp为以e为底的指数函数，c1(α)为第一中间值，c2(α)为第二中间值、c3(α)为第三中间值、c4(α)为第四中间值，为上述中间常数，α为预设值，上述第一中间值、上述第二中间值、上述第三中间值和上述第四中间值均为预设的常数值。
54.在本技术的一种实施例中，在根据上述历史预测功率误差集，确定置信带下限和
置信带上限之前，上述方法还包括：
55.根据c1(α)＝-a
1-a2ln(α)，确定上述第一中间值；
56.根据c2(α)＝a
3-a4α，确定上述第二中间值；
57.根据c3(α)＝a
5-a6α，确定上述第三中间值；
58.根据确定上述第四中间值，其中，a1、a2、a3、a4、a5、a6、a7、a8和a9均为常数。
59.具体地，通过第一中间值、第二中间值、第三中间值和第四中间值来求得中间常数，从而便于后续计算。
60.可以采用c1(α)＝-2.75-1.04ln(α)，c2(α)＝4.76-1.20α，c3(α)＝1.15-2.39α，c4(α)＝-3.96+1.72α
0.171
来分别确定第一中间值、第二中间值、第三中间值和第四中间值，α≤0.1，即α可以取0.05。通过第一中间值、第二中间值、第三中间值和第四中间值来求得中间常数，从而便于后续计算。
61.在本技术的一种实施例中，根据上述历史预测功率误差集，确定置信带下限和置信带上限，包括：
62.根据所有的上述历史预测功率误差对应的上述置信区间下限、所有的上述历史预测功率误差对应的上述置信区间上限、和确定上述随机变量的上述置信带下限和上述随机变量的上述置信带上限，为上述随机变量的上述置信带上限，p(x)为上述随机变量的上述置信带下限，x为上述随机变量，为上述历史预测功率误差集中的第k个上述历史预测功率误差。
63.具体地，将和添加到历史预测功率误差集中，并定义p0＝0，预测误差样本集中所有样本的置信区间上限和下限分别相连，构成随机变量x的cdf的整个置信带。置信带的上限和下限按如下方式选取：
[0064][0065]
步骤s203，根据上述置信带下限和上述置信带上限，确定实际预测误差的下限和上述实际预测误差的上限，以确定上述实际预测误差的范围，上述实际预测误差为风电场在上述置信带对应的置信度范围内的实际发电功率和预测发电功率的差的绝对值。
[0066]
从而使得实际预测误差处于实际预测误差的下限和上述实际预测误差的上限之间。
[0067]
步骤s203，即，根据上述置信带下限和上述置信带上限，确定实际预测误差的下限和上述实际预测误差的上限，包括：
[0068]
根据上述随机变量的上述置信带下限、上述随机变量的上述置信带上限、和确定上述实际预测误差的下限和上述实际预测误差的上限，其中，为第一区间预设值，为第二区间预设值，β为第一显著性水平预设值和第二显著性水平预设值的和，为上述实际预测误差，st为上述实际预测误差的下限，为上述实际预测误差的上限，β1为第一显著性水平预设值，β2为第二显著性水平预设值，上述第一显著性水平预设值和上述第二显著性水平预设值均为预设的常数
值，p为概率，ω为模糊集，即预测误差所有可能的概率分布所构成的集合。
[0069]
在本技术的一种实施例中，在根据上述置信带下限和上述置信带上限，确定实际预测误差的下限和上述实际预测误差的上限的过程中，上述方法还包括：
[0070]
采用和对上述预测误差的下限和上述预测误差的上限进行约束。
[0071]
可以等价转化为：和
[0072]
构建随机变量的置信带后，可以指定置信度下预测误差的波动范围。
[0073]
具体地，实际应用中，对于任意给定的置信度1-β，可确定预测误差累积分布函数的置信带。要使预测误差以1-β置信度落在误差区间内，则可估计预测误差的波动范围，如图3所示。不需要预测误差的真实概率分布信息，从历史误差数据中可提取出不确定性的真实概率分布信息，从而降低决策的保守性。
[0074]
根据置信带下限和置信带上限，确定风电场的实际发电功率，以使得上述风电场的实际发电功率和上述风电场的预设发电功率的差的绝对值处于置信带下限和置信带上限上述预测置信区间下限值和上述预测置信区间上限值之间。
[0075]
上述步骤中，根据上述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，进而使得实际预测误差处于实际预测误差的下限和上述实际预测误差的上限之间，提高了准确度，进而解决了现有方案预测的风电场发电功率误差的准确度较低的问题。
[0076]
为了使得本领域技术人员能够更加清楚地了解本技术的技术方案，以下将结合具体的实施例对本技术的风电场发电功率误差的置信带的确定方法的实现过程进行详细说明。
[0077]
本实施例涉及一种具体的风电场发电功率误差的置信带的确定方法，包括：
[0078]
选取装机容量为300mw得风电场a，在某一年的某一个月的第一周的数据为例，数据包括日前预测数据和次日实际发电功率数据，数据点的时间间隔均为15min，共计672个样本点；
[0079]
首先，用风电预测值减去其实际值，得到风电的预测误差样本集。将其中的样本按升序排序，得到升序样本集。表1和表2给出了升序样本集的前60个样本和后60个样本值。
[0080]
表1升序样本集的前60个样本表
[0081][0082]
表2升序样本集的后60个样本表
[0083][0084][0085]
表3置信区间模糊集的前60个元素对表
[0086][0087]
表4置信区间模糊集的后60个元素对
[0088][0089][0090]
估计升序样本集中所有样本的置信区间模糊集。其中与表1、表2对应样本的模糊
集分别对应表3、表4，表3和表4中的上界是指下界是指pk，连接所有样本的置信区间模糊集概率上下界，得到cdf的模糊置信区间如图4所示。
[0091]
估计置信度为1-β的预测误差范围。取β＝0.1，β1＝0.05，β2＝0.05，对实际预测误差范围的估计过程进行说明。
[0092]
从所有样本的置信区间中找出置信区间上界≥0.05且与0.05最接近的点，实际预测误差的下界st即为该点所对应的实际预测误差。由表3可见，第18个样本的置信区间上界为0.052，满足要求，因此可知s
t
＝-3.26。同理，在所有样本的置信区间中找出置信区间下界≤0.95且与0.95最接近的点，该点所对应的实际预测误差即为实际预测误差的上界。由表4可见，第655个样本的置信区间下界为0.948，因此实际预测误差的上界
[0093]
因此，可以得到估计置信度为1-β时，估计的风电实际预测误差区间为[-3.26,32.57]。
[0094]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0095]
本技术实施例还提供了一种风电场发电功率误差的置信带的确定装置，需要说明的是，本技术实施例的风电场发电功率误差的置信带的确定装置可以用于执行本技术实施例所提供的用于风电场发电功率误差的置信带的确定方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
[0096]
以下对本技术实施例提供的风电场发电功率误差的置信带的确定装置进行介绍。
[0097]
图5是根据本技术的实施例提供的一种风电场发电功率误差的置信带的确定装置的结构框图。如图5所示，该装置包括获取单元51、第一处理单元52和第二处理单元53；获取单元51用于获取历史预测功率误差集，上述历史预测功率误差集包括多个历史预测功率误差；第一处理单元52用于根据上述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，上述置信带下限为上述置信带的下限值，上述置信带上限为上述置信带的上限值；第二处理单元53用于根据上述置信带下限和上述置信带上限，确定实际预测误差的下限和上述实际预测误差的上限，以确定上述实际预测误差的范围，上述实际预测误差为风电场在上述置信带对应的置信度范围内的实际发电功率和预测发电功率的差的绝对值。
[0098]
上述装置中，根据上述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，进而使得实际预测误差处于实际预测误差的下限和上述实际预测误差的上限之间，提高了准确度，进而解决了现有方案预测的风电场发电功率误差的准确度较低的问题。
[0099]
在本技术的一种实施例中，第一处理单元包括第一处理模块和第二处理模块，在根据上述历史预测功率误差集，确定置信带下限和置信带上限的过程中，
[0100]
第一处理模块用于根据上述历史预测功率误差集和确定各上述历史预测功率误差对应的置信区间下限，其中，pk为第k个上述历史预测功率误差对应的上述置信
区间下限，n为上述历史预测功率误差集中的上述历史预测功率误差的总数，为b(k，n+1-k)的分位数，为中间常数，1≤k≤n，b(k，n+1-k)表示随机变量的累积分布函数服从形状参数为k和n+1-k的贝塔分布；
[0101]
第二处理模块用于根据上述历史预测功率误差集和确定各上述历史预测功率误差对应的置信区间上限，其中，为第k个上述历史预测功率误差对应的上述置信区间上限，为b(k，n+1-k)的分位数。
[0102]
在本技术的一种实施例中，第一处理单元还包括第三处理模块，在根据上述历史预测功率误差集，确定置信带下限和置信带上限的过程中，
[0103]
第三处理模块用于根据确定中间常数，exp为以e为底的指数函数，c1(α)为第一中间值，c2(α)为第二中间值、c3(α)为第三中间值、c4(α)为第四中间值，为上述中间常数，α为预设值，上述第一中间值、上述第二中间值、上述第三中间值和上述第四中间值均为预设的常数值。
[0104]
在本技术的一种实施例中，该装置还包括第一确定单元、第二确定单元、第三确定单元和第四确定单元，在根据上述历史预测功率误差集，确定置信带下限和置信带上限之前，上述方法还包括：
[0105]
第一确定单元用于根据c1(α)＝-a
1-a2ln(α)，确定上述第一中间值；
[0106]
第二确定单元用于根据c2(α)＝a
3-a4α，确定上述第二中间值；
[0107]
第三确定单元用于根据c3(α)＝a
5-a6α，确定上述第三中间值；
[0108]
第四确定单元用于根据确定上述第四中间值，其中，a1、a2、a3、a4、a5、a6、a7、a8和a9均为常数。
[0109]
在本技术的一种实施例中，第一处理单元包括第四处理模块，
[0110]
第四处理模块用于根据所有的上述历史预测功率误差对应的上述置信区间下限、所有的上述历史预测功率误差对应的上述置信区间上限、和确定上述随机变量的上述置信带下限和上述随机变量的上述置信带上限，为上述随机变量的上述置信带上限，p(x)为上述随机变量的上述置信带下限，x为上述随机变量，为第k个上述历史预测功率误差。
[0111]
在本技术的一种实施例中，第二处理单元包括第五处理模块，
[0112]
第五处理模块用于根据上述随机变量的上述置信带下限、上述随机变量的上述置信带上限、和确定上述实际预测误差的下限和上述实际预测误差的上限，其中，为第一区间预设值，为第二区间预设值，β为第一显著性水平预设值和第二显著性水平预设值的和，为上述实际预测误差，s
t
为上述实际预测误差的下限，为上述实际预测误差的上限，β1为第一显著性水平预设值，β2为第二显著性水平预设值，上述第一显著性水平预设值和上述第二显著性水平预设值均为预设的常数值，p为概率，ω为模糊集。
[0113]
在本技术的一种实施例中，第二处理单元还包括第六处理模块，在根据上述置信
带下限和上述置信带上限，确定实际预测误差的下限和上述实际预测误差的上限的过程中，
[0114]
第五处理模块用于采用和对上述预测误差的下限和上述预测误差的上限进行约束。
[0115]
上述风电场发电功率误差的置信带的确定装置包括处理器和存储器，上述获取单元、第一处理单元和第二处理单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
[0116]
处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有方案预测的风电场发电功率误差的准确度较低的问题。
[0117]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
[0118]
本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述风电场发电功率误差的置信带的确定方法。
[0119]
本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述风电场发电功率误差的置信带的确定方法。
[0120]
本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：获取历史预测功率误差集，上述历史预测功率误差集包括多个历史预测功率误差；根据上述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，上述置信带下限为上述置信带的下限值，上述置信带上限为上述置信带的上限值，根据上述置信带下限和上述置信带上限，确定实际预测误差的下限和上述实际预测误差的上限，以确定上述实际预测误差的范围，上述实际预测误差为风电场在上述置信带对应的置信度范围内的实际发电功率和预测发电功率的差的绝对值。本文中的设备可以是服务器、pc、pad、手机等。
[0121]
本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：获取历史预测功率误差集，上述历史预测功率误差集包括多个历史预测功率误差；根据上述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，上述置信带下限为上述置信带的下限值，上述置信带上限为上述置信带的上限值，根据上述置信带下限和上述置信带上限，确定实际预测误差的下限和上述实际预测误差的上限，以确定上述实际预测误差的范围，上述实际预测误差为风电场在上述置信带对应的置信度范围内的实际发电功率和预测发电功率的差的绝对值。
[0122]
本技术还提供了一种电子设备，电子设备包括一个或多个处理器，存储器，以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的风电场发电功率误差的置信带的确定方法。
[0123]
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用
的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
[0124]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0125]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0126]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0127]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0128]
在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
[0129]
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
[0130]
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
[0131]
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包
括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0132]
从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
[0133]
1)、本技术的风电场发电功率误差的置信带的确定方法，根据上述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，进而使得实际预测误差处于实际预测误差的下限和上述实际预测误差的上限之间，提高了准确度，进而解决了现有方案预测的风电场发电功率误差的准确度较低的问题。
[0134]
2)、本技术的风电场发电功率误差的置信带的确定装置，根据上述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，进而使得实际预测误差处于实际预测误差的下限和上述实际预测误差的上限之间，提高了准确度，进而解决了现有方案预测的风电场发电功率误差的准确度较低的问题。
[0135]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种风电场发电功率误差的置信带的确定方法，其特征在于，包括：获取历史预测功率误差集，所述历史预测功率误差集包括多个历史预测功率误差；根据所述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，所述置信带下限为所述置信带的下限值，所述置信带上限为所述置信带的上限值；根据所述置信带下限和所述置信带上限，确定实际预测误差的下限和所述实际预测误差的上限，以确定所述实际预测误差的范围，所述实际预测误差为风电场在所述置信带对应的置信度范围内的实际发电功率和预测发电功率的差的绝对值。2.根据权利要求1所述的方法，其特征在于，在根据所述历史预测功率误差集，确定置信带下限和置信带上限的过程中，所述方法还包括：根据所述历史预测功率误差集和确定各所述历史预测功率误差对应的置信区间下限，其中，p
k
为第k个所述历史预测功率误差对应的所述置信区间下限，n为所述历史预测功率误差集中的所述历史预测功率误差的总数，为b(k，n+1-k)的分位数，为中间常数，1≤k≤n，b(k，n+1-k)表示随机变量的累积分布函数服从形状参数为k和n+1-k的贝塔分布；根据所述历史预测功率误差集和确定各所述历史预测功率误差对应的置信区间上限，其中，为第k个所述历史预测功率误差对应的所述置信区间上限，为b(k，n+1-k)的分位数。3.根据权利要求1所述的方法，其特征在于，在根据所述历史预测功率误差集，确定置信带下限和置信带上限的过程中，所述方法还包括：根据确定中间常数，exp为以e为底的指数函数，c1(α)为第一中间值，c2(α)为第二中间值、c3(α)为第三中间值、c4(α)为第四中间值，为所述中间常数，α为预设值，所述第一中间值、所述第二中间值、所述第三中间值和所述第四中间值均为预设的常数值。4.根据权利要求3所述的方法，其特征在于，在根据所述历史预测功率误差集，确定置信带下限和置信带上限之前，所述方法还包括：根据c1(α)＝-a
1-a2ln(α)，确定所述第一中间值；根据c2(α)＝a
3-a4α，确定所述第二中间值；根据c3(α)＝a
5-a6α，确定所述第三中间值；根据确定所述第四中间值，其中，a1、a2、a3、a4、a5、a6、a7、a8和a9均为常数。5.根据权利要求2所述的方法，其特征在于，根据所述历史预测功率误差集，确定置信带下限和置信带上限，包括：根据所有的所述历史预测功率误差对应的所述置信区间下限、所有的所述历史预测功率误差对应的所述置信区间上限、和确定所述随机变量的所述置信带下限和所述随机变量的所述置信带上限，为所述随机变量的所述置信带上限，p(x)为所述随机变量的所述置信带下限，x为所述随机变量，为第k个所
述历史预测功率误差。6.根据权利要求5所述的方法，其特征在于，根据所述置信带下限和所述置信带上限，确定实际预测误差的下限和所述实际预测误差的上限，包括：根据所述随机变量的所述置信带下限、所述随机变量的所述置信带上限、和确定所述实际预测误差的下限和所述实际预测误差的上限，其中，为第一区间预设值，为第二区间预设值，β为第一显著性水平预设值和第二显著性水平预设值的和，为所述实际预测误差，s
t
为所述实际预测误差的下限，为所述实际预测误差的上限，β1为第一显著性水平预设值，β2为第二显著性水平预设值，所述第一显著性水平预设值和所述第二显著性水平预设值均为预设的常数值，p为概率，ω为模糊集。7.根据权利要求6所述的方法，其特征在于，在根据所述置信带下限和所述置信带上限，确定实际预测误差的下限和所述实际预测误差的上限的过程中，所述方法还包括：采用和对所述预测误差的下限和所述预测误差的上限进行约束。8.一种风电场发电功率误差的置信带的确定装置，其特征在于，包括：获取单元，用于获取历史预测功率误差集，所述历史预测功率误差集包括多个历史预测功率误差；第一处理单元，用于根据所述历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，所述置信带下限为所述置信带的下限值，所述置信带上限为所述置信带的上限值；第二处理单元，用于根据所述置信带下限和所述置信带上限，确定实际预测误差的下限和所述实际预测误差的上限，以确定所述实际预测误差的范围，所述实际预测误差为风电场在所述置信带对应的置信度范围内的实际发电功率和预测发电功率的差的绝对值。9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的风电场发电功率误差的置信带的确定方法。10.一种电子设备，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的风电场发电功率误差的置信带的确定方法。

技术总结
本申请提供了一种风电场发电功率误差的置信带的确定方法和装置，该方法包括：根据历史预测功率误差集，确定置信带下限和置信带上限，以确定置信带的范围，置信带下限为置信带的下限值，置信带上限为置信带的上限值，根据置信带下限和置信带上限，确定实际预测误差的下限和实际预测误差的上限，以确定实际预测误差的范围，实际预测误差为风电场在置信带对应的置信度范围内的实际发电功率和预测发电功率的差的绝对值。以确定置信带的范围，进而使得实际预测误差处于实际预测误差的下限和实际预测误差的上限之间，提高了准确度，进而解决了现有方案预测的风电场发电功率误差的准确度较低的问题。确度较低的问题。确度较低的问题。


技术研发人员：禤培正 王清玲 谭颖 杜育斌 程兰芬 谭喆 苏祥瑞 刘祥 唐翀 刘上嘉 谭涛亮 叶建东 冯开达
受保护的技术使用者：广东电网有限责任公司阳江供电局
技术研发日：2023.05.05
技术公布日：2023/7/25