[发明专利]一种虚拟电厂日内数据滚动预测及修复方法

说明书

本发明公开了一种虚拟电厂日内数据滚动预测及修复方法，包括如下步骤：步骤一：采集日前历史数据并对所述日前历史数据进行预处理；所述预处理包括：缺失值填充处理；噪声值处理；初值化处理。步骤二：将预处理后的日前历史数据输入到数据预测模型得到下一日预测数据；所述预测模型采用增加了一层dropout层的GRU模型；步骤三：对所述下一日预测数据进行校验并更新覆盖。所述校验包括根据下一日预测数据和日前历史数据的残差值建立阈值并利用阈值进行下一日预测数据的校验。步骤三可以识别出异常预测数据并对异常预测数据进行更新覆盖。本发明提供的虚拟电厂日内数据滚动预测及修复方法，可以明显提高下一日预测数据的准确性，有利于虚拟电厂做出更准确合理的调度计划。

技术领域

本发明涉及虚拟电厂调度技术领域，更具体的说是涉及一种虚拟电厂日内数据滚动预测及修复方法。

背景技术

目前，虚拟电厂已经成为分布式新能源调度控制的重要途径，其良好的调度算法是保障调度正确性的关键所在。随着我国电力需求的迅速增长以及双碳目标的提出，能源革命正在不断推进，各种新能源技术不断被提出，随之而来的是电力系统的运行模式变得越来越复杂，这就需要及时的对以后的计划进行调度，这无疑对虚拟电厂调度中心提出了更高的要求。

但是，现有技术在处理虚拟电厂电力数据时往往无法很好的把握其数据的时序性特征。使得预测出来的时间段并不完整，无法满足需求。而且很多方法对预测值的准确性也没有进行校验，而错误的预测值将会影响调度计划的正确实施。在某一现有技术中:有研究者首先通过K-means聚类分析筛选出与当前时刻气象数据相匹配的相似样本；然后，结合当前发电功率数据，构建随机森林预测模型实现对未来1h内时间间隔为5min的发电功率的预测；通过即时更新每5min时间间隔的监测数据进入下一次预测，实现对发电功率的滚动预测。该预测方法虽然考虑了时序的影响，但其采用的是机器学习算法，受限制较大，其预测效果并不理想。同时，该预测方法还忽略了采集到的发电功率数据可能存在异常的情况，并未对数据进行修复，其预测数据的准确性进一步受到了影响。在另一现有技术中。有研究者通过BP神经网络对数据进行预测之后再通过统计学方法筛选出异常数据。该方法采用的BP神经网络虽然具有强大的学习能力，但其在处理时序数据的问题上与其它时序处理模型仍然存在较大的差距。即：BP神经网络对时序数据的时序特征学习能力较弱，且其对异常的预测数据只采用了统计学知识，具有很大的偶然性，导致预测数据的准确率较低。

因此，提供一种虚拟电厂日内数据滚动预测及修复方法，可以更好地考虑数据时间特性的同时并对预测数据进行校验并更新覆盖，使预测数据更加准确是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种虚拟电厂日内数据滚动预测及修复方法，可以更好地考虑数据时间特性的同时并对预测数据进行校验并更新覆盖，使预测数据更加准确。

为了实现上述目的，本发明采用如下技术方案：

一种虚拟电厂日内数据滚动预测及修复方法，包括如下步骤：

步骤一：采集日前历史数据并对所述日前历史数据进行预处理；

步骤二：将预处理后的日前历史数据输入到数据预测模型得到下一日预测数据；

步骤三：对所述下一日预测数据进行校验并更新覆盖；

所述校验包括根据下一日预测数据和日前历史数据的残差值建立阈值并利用阈值进行下一日预测数据的校验。

优选的，所述步骤一的预处理包括：

S11：对所述日前历史数据进行缺失值填充处理；

S12：对缺失值填充处理后的日前历史数据进行噪声值处理；

S13：对噪声值处理后的日前历史数据进行初值化处理。

优选的，所述缺失值填充处理采用线性差值方法对缺失的数据进行填充；