日前发电备用容量配置方法、装置、存储介质及终端设备与流程

1.本发明涉及电力调度技术领域，尤其涉及一种日前发电备用容量配置方法、装置、计算机可读存储介质及终端设备。


背景技术：

2.由于用户的用电习惯、气象条件等因素影响，电力系统负荷具有随机性，特别是随着电动汽车等新型负荷的大规模发展，电力系统负荷的随机性将进一步加强。目前，日前发电计划会预留一定的备用以应对负荷的不确定性，这类备用容量一般以最大负荷的一定比例(如8％)来确定。这种做法往往比较保守，会造成大量的备用长期“备而不用”，增加电网的运行成本。为了减少不必要的备用，学术界提出利用负荷预测误差来确定备用容量，假设所有时段的负荷预测误差均是满足正态分布的随机变量。然而，不同的预测方法预测误差特性不一定相同，同一种预测方法在每个时段的负荷预测误差不一定满足正态分布、不一定是同分布的随机变量，简单认为所有时段的负荷预测误差均满足正态分布可能会降低备用容量计算结果的准确性。


技术实现要素：

3.本发明实施例提供一种日前发电备用容量配置方法、装置、计算机可读存储介质及终端设备，能够提高系统预测日前发电备用容量的准确性，实现对日前发电备用容量的有效配置。
4.为实现上述目的，本发明实施例提供了一种日前发电备用容量配置方法，包括：
5.建立预先获取的未来n个时段的负荷预测值的场景属性；其中，n为正整数；
6.根据未来第i时段的所述负荷预测值的场景属性，获取包含多个时段负荷历史样本的历史样本集合；其中，0《i≤n；
7.基于模糊聚类分析从所述历史样本集合中筛选出与未来第i时段的所述负荷预测值场景相似的所有负荷历史样本，构成第i个第一历史样本集合；
8.通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷实际值和负荷预测值，得到第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差；
9.通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差和核密度估计，得到未来第i时段的负荷预测误差的概率密度函数；
10.通过未来第i时段的所述负荷预测误差的概率密度函数、未来第i时段的所述负荷预测值、预设的第一置信水平和预设的第二置信水平，得到该时段的日前发电备用容量。
11.作为上述方案的改进，所述场景属性，包括：温度属性、天气属性、时段属性和日子类型属性。
12.作为上述方案的改进，所述基于模糊聚类分析从所述历史样本集合中筛选出与未来第i时段的所述负荷预测值场景相似的所有负荷历史样本，构成第i个第一历史样本集合，具体为：
13.基于模糊聚类分析构建所述场景属性的相似程度隶属度函数；
14.根据所述场景属性的相似程度隶属度函数、未来第i时段的所述负荷预测值的所述场景属性和所述历史样本集合中每个时段所述负荷历史样本的所述场景属性，得到未来第i时段的所述负荷预测值与所述历史样本集合中每个时段所述负荷历史样本的场景相似度；
15.根据未来第i时段的所述负荷预测值与所述历史样本集合中每个时段所述负荷历史样本的场景相似度，将与未来第i时段的所述负荷预测值的所述场景相似度大于或等于预设阈值的所有所述负荷历史样本筛选出来，构成第i个第一历史样本集合。
16.作为上述方案的改进，所述基于模糊聚类分析构建所述场景属性的相似程度隶属度函数，具体为：
17.基于模糊聚类分析构建所述温度属性的相似程度隶属函数；
18.基于模糊聚类分析构建所述天气属性的相似程度隶属函数；
19.基于模糊聚类分析构建所述时段属性的相似程度隶属函数；
20.基于模糊聚类分析构建所述日子类型属性的相似程度隶属函数。
21.作为上述方案的改进，所述温度属性的相似程度隶属函数δ
t
，具体为：
[0022][0023]
其中，tj为第一历史样本集合的第j时段负荷历史样本的温度属性，ti为未来第i时段的负荷预测值的温度属性，δt为温度差值，δt
max
为第一温度差值，δt
min
为第二温度差值，ta为第一温度阈值，tb为第二温度阈值，δt
max
》tb》ta》δt
min
。
[0024]
作为上述方案的改进，所述天气属性的相似程度隶属函数δw和所述日子类型属性的相似程度隶属函数δd均为[0，1]的离散函数。
[0025]
作为上述方案的改进，所述时段属性的相似程度隶属函数δh，具体为：
[0026]
[0027]
其中，hj为第一历史样本集合的第j时段负荷历史样本的时段属性，hi为未来第i时段的负荷预测值的时段属性，δh为时段差值，δh
max
为第一时段差值，δh
min
为第二时段差值，ha第一时段阈值，hb为第二时段阈值，δh
max
》hb》ha》δh
min
，n为预设未来时长内时段的总个数。
[0028]
为实现上述目的，本发明实施例对应提供了一种日前发电备用容量配置装置，包括：
[0029]
场景建立模块，用于建立预先获取的未来n个时段的负荷预测值的场景属性；其中，n为正整数；
[0030]
数据接收模块，用于根据未来第i时段的所述负荷预测值的场景属性，获取包含多个时段负荷历史样本的历史样本集合；其中，0《i≤n；
[0031]
样本筛选模块，用于基于模糊聚类分析从所述历史样本集合中筛选出与未来第i时段的所述负荷预测值场景相似的所有负荷历史样本，构成第i个第一历史样本集合；
[0032]
数据处理模块，用于通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷实际值和负荷预测值，得到第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差；还用于通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差和核密度估计，得到未来第i时段的负荷预测误差的概率密度函数；
[0033]
数据修正模块，用于通过未来第i时段的所述负荷预测误差的概率密度函数、未来第i时段的所述负荷预测值、预设的第一置信水平和预设的第二置信水平，得到该时段的日前发电备用容量。
[0034]
为实现上述目的，本发明实施例还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计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的日前发电备用容量配置方法。
[0035]
为实现上述目的，本发明实施例还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述发明实施例所述的日前发电备用容量配置方法。
[0036]
与现有技术相比，本发明实施例公开的日前发电备用容量配置方法、装置、计算机可读存储介质及终端设备，首先，建立预先获取的未来n个时段的负荷预测值的场景属性；其次，根据未来第i时段的所述负荷预测值的场景属性，获取包含多个时段负荷历史样本的历史样本集合；基于模糊聚类分析从所述历史样本集合中筛选出与未来第i时段的所述负荷预测值场景相似的所有负荷历史样本，构成第i个第一历史样本集合；然后，通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷实际值和负荷预测值，得到第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差；通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差和核密度估计，得到未来第i时段的负荷预测误差的概率密度函数；最后，通过未来第i时段的所述负荷预测误差的概率密度函数、未来第i时段的所述负荷预测值、预设的第一置信水平和预设的第二置信水平，得到该时段的日前发电备用容量，从而能够提高系统预测日前发电备用容量的准确性，实现对日前发电备用容量的有效配置。
附图说明
[0037]
图1是本发明一实施例提供的一种日前发电备用容量配置方法的流程示意图；
[0038]
图2是本发明一具体实施例提供的温度属性的相似程度隶属度函数的函数示意图；
[0039]
图3是本发明一具体实施例提供的时段属性的相似程度隶属函数的函数示意图；
[0040]
图4是本发明一实施例提供的一种日前发电备用容量配置装置的结构示意图；
[0041]
图5是本发明一实施例提供的一种终端设备的结构框图。
具体实施方式
[0042]
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0043]
参见图1，是本发明一实施例提供的一种日前发电备用容量配置方法的流程示意图。
[0044]
本发明实施例提供的日前发电备用容量配置方法，包括步骤：
[0045]
s11、建立预先获取的未来n个时段的负荷预测值的场景属性；其中，n为正整数；
[0046]
s12、根据未来第i时段的所述负荷预测值的场景属性，获取包含多个时段负荷历史样本的历史样本集合；其中，0《i≤n；
[0047]
s13、基于模糊聚类分析从所述历史样本集合中筛选出与未来第i时段的所述负荷预测值场景相似的所有负荷历史样本，构成第i个第一历史样本集合；
[0048]
s14、通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷实际值和负荷预测值，得到第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差；
[0049]
s15、通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差和核密度估计，得到未来第i时段的负荷预测误差的概率密度函数；
[0050]
s16、通过未来第i时段的所述负荷预测误差的概率密度函数、未来第i时段的所述负荷预测值、预设的第一置信水平和预设的第二置信水平，得到该时段的日前发电备用容量。
[0051]
需要说明，i为正整数。
[0052]
需要说明，在步骤s11中，未来n个时段为预设未来时长内按照预设间隔δt等间隔划分的n个时段，并对每个时段赋予场景属性。
[0053]
优选的，所述场景属性，包括：温度属性、天气属性、时段属性和日子类型属性。
[0054]
具体的，所述天气属性为以下元素中的任意一种：晴天、阴天、多云、小雨、中雨、大雨、雷阵雨、小雪、中雪和大雪。
[0055]
需要说明，所述天气属性对应集合中的元素可以根据预测区域的天气特点来确定；所述天气属性和所述温度属性可以根据第二天的天气预报得到。
[0056]
具体的，所述日子类型属性为以下元素中的任意一种：工作日、周末和节日。
[0057]
可以理解，周末包括周六和周日，但不包括节日；工作日也不包括节日；这里的节日是指对人们活动有较大影响的节日，如：春节、国庆节、“五一”劳动节等。
[0058]
示例性的，t为温度属性，w为天气属性，h为时段属性，d为日子类型属性；温度属性t为实际温度的取值，天气属性w为集合{晴，阴，多云，小雨，中雨，大雨，雷阵雨，小雪，中雪，大雪，
…
}中的一种元素，时段属性h为集合{1，2，
…
，n}中的一种元素，日子类型d为集合{工作日，周末(周六、日)，春节，国庆节，“五一”劳动节，
…
}中的一种元素。
[0059]
在一些更优的实施例中，所述步骤s13，具体为：
[0060]
基于模糊聚类分析构建所述场景属性的相似程度隶属度函数；
[0061]
根据所述场景属性的相似程度隶属度函数、未来第i时段的所述负荷预测值的所述场景属性和所述历史样本集合中每个时段所述负荷历史样本的所述场景属性，得到未来第i时段的所述负荷预测值与所述历史样本集合中每个时段所述负荷历史样本的场景相似度；
[0062]
根据未来第i时段的所述负荷预测值与所述历史样本集合中每个时段所述负荷历史样本的场景相似度，将与未来第i时段的所述负荷预测值的所述场景相似度大于或等于预设阈值的所有所述负荷历史样本筛选出来，构成第i个第一历史样本集合。
[0063]
在一些更优的实施例中，所述基于模糊聚类分析构建所述场景属性的相似程度隶属度函数，具体为：
[0064]
基于模糊聚类分析构建所述温度属性的相似程度隶属函数；
[0065]
基于模糊聚类分析构建所述天气属性的相似程度隶属函数；
[0066]
基于模糊聚类分析构建所述时段属性的相似程度隶属函数；
[0067]
基于模糊聚类分析构建所述日子类型属性的相似程度隶属函数。
[0068]
参见图2，图2是温度属性的相似程度隶属度函数的函数示意图。
[0069]
在一个具体的实施方式中，所述温度属性的相似程度隶属函数δ
t
，具体为：
[0070][0071]
其中，tj为第一历史样本集合的第j时段负荷历史样本的温度属性，ti为未来第i时段的负荷预测值的温度属性，δt为温度差值，δt
max
为第一温度差值，δt
min
为第二温度差值，ta为第一温度阈值，tb为第二温度阈值，δt
max
》tb》ta》δt
min
。
[0072]
需要说明，j为正整数，第一温度差值δt
max
、第二温度差值δt
min
、第一温度阈值ta、第二温度阈值tb是根据未来第i时段的负荷预测值的温度属性ti事先设置好的参数，第一温度差值δt
max
、第二温度差值δt
min
、第一温度阈值ta和第二温度阈值tb可以根据实际运行情况得到，也可以通过数据统计相关方法得到，在此不做限定。
[0073]
进一步的，所述天气属性的相似程度隶属函数δw和所述日子类型属性的相似程度隶属函数δd均为[0，1]的离散函数。
[0074]
天气属性的相似程度隶属函数δw用于衡量未来第i时段的负荷预测值的天气属性wi与历史样本集合中第j时段负荷历史样本的天气属性wj的相似程度；作为举例，若第i时段负荷预测值的天气属性wi和第j时段负荷历史样本的天气属性wj的取值相同，则δw＝1；若第
i时段负荷预测值的天气属性wi为晴天和第j时段负荷历史样本的天气属性wj为多云，则δw＝0.95。需要说明，δw的对应条件和具体取值根据实际情况进行设定，在此不做限定。作为举例，根据历史数据统计分析工作日9:00-10:00时段下不同天气时的负荷区别，根据分析结果设置天气属性的相似程度隶属函数δw的对应条件和对应条件的具体取值。
[0075]
日子类型属性的相似程度隶属函数δd用于衡量未来第i时段的负荷预测值的日子类型属性di与历史样本集合中第j时段负荷历史样本的日子类型属性dj的相似程度；作为举例，若第i时段负荷预测值的日子类型属性di和第j时段负荷历史样本的日子类型属性dj的取值相同，则δd＝1；若第i时段负荷预测值的日子类型属性di为国庆节和第j时段负荷历史样本的日子类型属性dj为“五一”劳动节，则δw＝0.9。需要说明，δd的对应条件和具体取值根据实际情况进行设定，在此不做限定。
[0076]
参见图3，时段属性的相似程度隶属函数的函数示意图。
[0077]
在一个具体的实施方式中，所述时段属性的相似程度隶属函数δh，具体为：
[0078][0079]
其中，hj为第一历史样本集合的第j时段负荷历史样本的时段属性，hi为未来第i时段的负荷预测值的时段属性，δh为时段差值，δh
max
为第一时段差值，δh
min
为第二时段差值，ha第一时段阈值，hb为第二时段阈值，δh
max
》hb》ha》δh
min
，n为预设未来时长内时段的总个数。
[0080]
需要说明，hj、hi、δh、δh
max
、δh
min
、ha和hb均为1～n的整数。作为举例，比如将1天24小时均分成24个时段，即每个时段为1小时长，则h的取值为1～n的整数，对应0：00-1：00，1：00-2：00，
…
，23：00-24：00；再比如，将1天24小时按照每15分钟1个时段进行划分，则h的取值为1～96的整数，对应0：00-0：15，0：15-0：30，0：30-0：45，
…
，23：45-24：00。
[0081]
优选的，hj＝j，hi＝i。
[0082]
作为其中一个具体的实施方式，根据以下公式计算未来第i时段的负荷预测值与所述历史样本集合中第j时段负荷历史样本的场景相似度dist：
[0083][0084]
作为其中一个优选的实施方式，所述步骤s14中，每一所述负荷历史样本的负荷预测误差等于该所述负荷历史样本的负荷实际值与该所述负荷历史样本的负荷预测值的差
值除以该所述负荷历史样本的负荷预测值。
[0085]
可以理解，负荷预测误差＝(负荷实际值-负荷预测值)/负荷预测值。
[0086]
作为其中一个具体的实施方式，所述步骤s15，具体为：
[0087]
根据以下公式得到未来第i时段的负荷预测误差的概率密度函数fi(ε)：
[0088][0089]
其中，ε为未来第i时段的负荷预测误差，εm为第i个第一历史样本集合中第m时段负荷历史样本的负荷预测误差，m为第i个第一历史样本集合中负荷历史样本的样本数，h为带宽，k(
·
)为核密度估计的核函数。
[0090]
优选的，在步骤s15中，所述核密度估计的核函数为高斯核函数。
[0091]
进一步的，所述高斯核函数的表达式为：
[0092][0093]
优选的，当所述核密度估计的核函数为高斯核函数时，所述带宽h为：
[0094]
h＝1.06m-1/5
σ；
[0095]
其中，σ为第一历史样本集合的标准差。
[0096]
作为其中一个具体的实施方式，所述步骤s16中，具体为：
[0097]
根据未来第i时段的所述负荷预测误差的概率密度函数、预设的第一置信水平和预设的第二置信水平，得到未来第i时段的所述概率密度函数的第一分位点和第二分位点；
[0098]
通过未来第i时段对应的所述第一分位点、所述第二分位点和所述负荷预测值，得到该时段的负荷不确定量；
[0099]
根据未来第i时段的所述负荷不确定量的绝对值，得到该时段的日前发电备用容量。
[0100]
具体的，根据以下公式得到未来第i时段的所述概率密度函数的第一分位点x1和第二分位点x2：
[0101][0102][0103]
其中，α1为预设的第一置信水平，α2为预设的第二置信水平，x2《x1。
[0104]
进一步的，所述通过未来第i时段对应的所述第一分位点、所述第二分位点和所述负荷预测值，得到该时段的负荷不确定量，具体为：
[0105]
当所述第一分位点大于0且所述第二分位点小于0时，则未来第i时段的负荷不确定量包含第一负荷不确定量和第二负荷不确定量，所述第一负荷不确定量为所述第一分位点与未来第i时段的所述负荷预测值的乘积，所述第二负荷不确定量为所述第二分位点与未来第i时段的所述负荷预测值的乘积；
[0106]
当所述第二分位点大于或等于0时，则未来第i时段的负荷不确定量为所述第一分位点与未来第i时段的所述负荷预测值的乘积；
[0107]
当所述第一分位点小于或等于0时，则未来第i时段的负荷不确定量为所述第二分位点与未来第i时段的所述负荷预测值的乘积。
[0108]
示例性的，α1为预设的第一置信水平，α2为预设的第二置信水平，x1和x2分别为未来第i时段的所述负荷预测值的所述概率密度函数的第一分位点和第二分位点，p
li
为未来第i时段的所述负荷预测值；当x2《0《x1时，则未来第i时段至少需要预留|x1×
p
li
|的正旋转备用和|x2×
p
li
|的负旋转备用；当0≤x2《x1时，则未来第i时段至少需要预留|x1×
p
li
|的正旋转备用；当x2《x1≤0时，则未来第i时段至少需要预留|x2×
p
li
|的负旋转备用。
[0109]
相应的，本发明实施例还提供了一种日前发电备用容量配置装置，能够实现上述日前发电备用容量配置方法的所有流程。
[0110]
参见图4，是本发明一实施例提供的一种日前发电备用容量配置装置的结构示意图。
[0111]
本发明实施例提供的日前发电备用容量配置装置，包括：
[0112]
场景建立模块21，用于建立预先获取的未来n个时段的负荷预测值的场景属性；其中，n为正整数；
[0113]
数据接收模块22，用于根据未来第i时段的所述负荷预测值的场景属性，获取包含多个时段负荷历史样本的历史样本集合；其中，0《i≤n；
[0114]
样本筛选模块23，用于基于模糊聚类分析从所述历史样本集合中筛选出与未来第i时段的所述负荷预测值场景相似的所有负荷历史样本，构成第i个第一历史样本集合；
[0115]
数据处理模块24，用于通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷实际值和负荷预测值，得到第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差；还用于通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差和核密度估计，得到未来第i时段的负荷预测误差的概率密度函数；
[0116]
数据修正模块25，用于通过未来第i时段的所述负荷预测误差的概率密度函数、未来第i时段的所述负荷预测值、预设的第一置信水平和预设的第二置信水平，得到该时段的日前发电备用容量。
[0117]
优选的，所述场景属性，包括：温度属性、天气属性、时段属性和日子类型属性。
[0118]
作为其中一个可选的实施方式，样本筛选模块23，包括：
[0119]
隶属度函数构建单元，用于基于模糊聚类分析构建所述场景属性的相似程度隶属度函数；
[0120]
相似度计算单元，用于根据所述场景属性的相似程度隶属度函数、未来第i时段的所述负荷预测值的所述场景属性和所述历史样本集合中每个时段所述负荷历史样本的所述场景属性，得到未来第i时段的所述负荷预测值与所述历史样本集合中每个时段所述负荷历史样本的场景相似度；
[0121]
样本筛选单元，用于根据未来第i时段的所述负荷预测值与所述历史样本集合中每个时段所述负荷历史样本的场景相似度，将与未来第i时段的所述负荷预测值的所述场景相似度大于或等于预设阈值的所有所述负荷历史样本筛选出来，构成第i个第一历史样本集合。
[0122]
作为其中一个可选的实施方式，所述隶属度函数构建单元，具体用于：
[0123]
基于模糊聚类分析构建所述温度属性的相似程度隶属函数；
[0124]
基于模糊聚类分析构建所述天气属性的相似程度隶属函数；
[0125]
基于模糊聚类分析构建所述时段属性的相似程度隶属函数；
[0126]
基于模糊聚类分析构建所述日子类型属性的相似程度隶属函数。
[0127]
进一步的，所述温度属性的相似程度隶属函数δ
t
，具体为：
[0128][0129]
其中，tj为第一历史样本集合的第j时段负荷历史样本的温度属性，ti为未来第i时段的负荷预测值的温度属性，δt为温度差值，δt
max
为第一温度差值，δt
min
为第二温度差值，ta为第一温度阈值，tb为第二温度阈值，δt
max
》tb》ta》δt
min
。
[0130]
具体的，所述天气属性的相似程度隶属函数δw和所述日子类型属性的相似程度隶属函数δd均为[0，1]的离散函数。
[0131]
在一个具体的实施例中，所述时段属性的相似程度隶属函数δh，具体为：
[0132][0133]
其中，hj为第一历史样本集合的第j时段负荷历史样本的时段属性，hi为未来第i时段的负荷预测值的时段属性，δh为时段差值，δh
max
为第一时段差值，δh
min
为第二时段差值，ha第一时段阈值，hb为第二时段阈值，δh
max
》hb》ha》δh
min
，n为预设未来时长内时段的总个数。
[0134]
需要说明的是，本实施例的日前发电备用容量配置装置的各实施例的相关具体描述和有益效果可以参考上述的日前发电备用容量配置方法的各实施例的相关具体描述和有益效果，在此不再赘述。
[0135]
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以
不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0136]
相应的，本发明实施例还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计算机程序；其中，所述计算机程序在运行时控制所述计算机可读存储介质所在的设备执行上述任一实施例所述的日前发电备用容量配置方法。
[0137]
本发明实施例还提供了一种终端设备，参见图5，是本是本发明一实施例提供的一种终端设备的结构框图，包括处理器10、存储器20以及存储在所述存储器20中且被配置为由所述处理器10执行的计算机程序，所述处理器10在执行所述计算机程序时实现上述任一实施例所述的日前发电备用容量配置x方法。
[0138]
优选地，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、
……
)，所述一个或者多个模块/单元被存储在所述存储器20中，并由所述处理器10执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
[0139]
所述处理器10可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器10也可以是任何常规的处理器，所述处理器10是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
[0140]
所述存储器20主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器20可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(smart media card，smc)、安全数字(secure digital，sd)卡和闪存卡(flash card)等，或所述存储器20也可以是其他易失性固态存储器件。
[0141]
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，图5结构框图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
[0142]
综上，本发明实施例所提供的一种日前发电备用容量配置方法、装置、计算机可读存储介质及终端设备，首先，建立预先获取的未来n个时段的负荷预测值的场景属性；其次，根据未来第i时段的所述负荷预测值的场景属性，获取包含多个时段负荷历史样本的历史样本集合；基于模糊聚类分析从所述历史样本集合中筛选出与未来第i时段的所述负荷预测值场景相似的所有负荷历史样本，构成第i个第一历史样本集合；然后，通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷实际值和负荷预测值，得到第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差；通过第i个所述第一历史样本集合中每一所述负荷历史样本的负荷预测误差和核密度估计，得到未来第i时段的负荷预
测误差的概率密度函数；最后，通过未来第i时段的所述负荷预测误差的概率密度函数、未来第i时段的所述负荷预测值、预设的第一置信水平和预设的第二置信水平，得到该时段的日前发电备用容量，从而能够提高系统预测日前发电备用容量的准确性，实现对日前发电备用容量的有效配置。
[0143]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。