CN101414751A - 风电功率预测系统及其方法、电网系统 - Google Patents

风电功率预测系统及其方法、电网系统 Download PDF

Info

Publication number
CN101414751A
CN101414751A CNA2008101800418A CN200810180041A CN101414751A CN 101414751 A CN101414751 A CN 101414751A CN A2008101800418 A CNA2008101800418 A CN A2008101800418A CN 200810180041 A CN200810180041 A CN 200810180041A CN 101414751 A CN101414751 A CN 101414751A
Authority
CN
China
Prior art keywords
wind
electricity generation
powered electricity
mentioned
predicted value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CNA2008101800418A
Other languages
English (en)
Inventor
邢方亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Fanghongxi Science and Technology Co Ltd
Original Assignee
Beijing Fanghongxi Science and Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Fanghongxi Science and Technology Co Ltd filed Critical Beijing Fanghongxi Science and Technology Co Ltd
Priority to CNA2008101800418A priority Critical patent/CN101414751A/zh
Publication of CN101414751A publication Critical patent/CN101414751A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Abstract

本发明提供一种风电功率预测系统，其利用由数值气象预报系统输出的气象要素的预测值，通过运算处理单元的计算处理，计算出风电场的未来预定时间的发电功率预测值。通过该风电功率预测系统，能够预先计算出风电场的未来时刻发电功率，为电网吸纳风电、降低调峰成本、提高风电质量提供可靠的依据。

Description

风电功率预测系统及其方法、电网系统
技术领域
本发明涉及对风电场或风电场所处区域内的所有风机的未来功率做出预测的风电功率预测系统，特别涉及基于数值气象预报系统的输出结果对风机的未来功率做出预测的风电功率预测系统。
背景技术
风能作为一种清洁的可再生能源，越来越受到世界各国的重视。2006年，中国风电累计装机容量已经达到260万千瓦，成为继欧洲、美国和印度之后发展风力发电的主要市场之一。
众所周知，电网的运行需要稳定性。一般，传统的火电厂需要把第二天的发电功率曲线上报电网公司，由电网公司统一安排调度，以达到对本地负荷曲线的最佳拟合。但是，对于风电场而言，存在两个因素导致国内的风电场无法上报未来的发电功率曲线。第一个是风力的随机性：局地风速变化的预测，尤其是近地边界层风场的风力预测一直是世界难题；第二个是新能源法规定电网必须全额收购风电这种绿色能源，所以对风电场业主而言，这方面积极性不高。
这直接导致目前我国的风电无法调度，更进一步，随着风速的随机变化，风电场的发电功率也发生无法预知的快速变化。这给电网的稳定运行带来极大的冲击。为了消纳这些不稳定的风电，电网不得不加大热备份的装机，以高昂的成本实现对风电的收购。
而且，通常电网公司会事先有一个负荷预测曲线。经过多年积累，地区负荷曲线的精度都很高，为了满足负荷的要求，电网公司通过计算把各电场的调度曲线下发到电场，从而最佳的拟合负荷预测曲线。由于风电往往是不可预知的，所以就要为此付出更多的调峰成本。当风很大时，减少火电的发电；反之，加大火电的输出；这样热备份电场就会相应的浪费许多能源。与之相反，如果事先知道风电场的出力曲线，我们就可以安排调度任务，在发电过程中自然的吸纳风电，从而节约调峰成本，同时保证了电网的稳定运行。否则风电功率时大时小，忽上忽下，无从预知，会对电网造成很大的冲击，甚至导致不可预知的严重后果。
中国专利申请第200610171961.4号的说明书中公开了一种控制风力发电站的系统及估算风力条件并优化性能的方法。该专利申请公开的控制风力发电站的系统如图1、图2所示，该发电站包含一个中央处理控制单元16，其连接到风电场10中的风轮机12，以接受来自每个风轮机的数据，并选择性地将数据和控制信号C1、C2、...Cn这两者中的至少一个传递到每个风轮机，所述中央处理控制单元处理来自至少一个上游风轮机的数据并以此预测出对其下游风轮机的负载影响，并且选择性地生成并传递控制信号以完成下列动作之一：(1)降低至少一个下游风轮机的功率，使负载影响最小化；(2)降低至少一个上游风轮机的转速，来减少疲劳负载并提高至少一个下游风轮机的捕风功率。
在上述结构中，虽然通过处理来自各上游风轮机的数据来预测出对其下游风轮机的负载影响，并控制每个风轮机的功率，但是，由于其基于发电场的每个风轮机的数据实时进行风力发电站的功率控制，因此存在不能提前预测发电功率而无法满足电网的预知要求的问题。
发明内容
本发明的目的在于，提供一种能够预先对风机的未来功率做出预测的风电功率预测系统及风电功率预测方法。
本发明的另一目的在于，提供一种具备本发明涉及的风电功率预测系统或者使用了风电功率预测方法的电网系统，能够预先对风机的未来功率做出预测。
为实现上述目的，在本发明涉及的风电功率预测系统中，利用由数值气象预报系统输出的气象要素的预测值，通过运算处理单元的计算处理，计算出风电场的未来预定时间的发电功率预测值。
此外，也可以是，上述运算处理单元对由数值气象预报系统输出的气象要素的预测值和来自数据采集单元的风电数据进行综合，形成与风电有关的多维风电随机序列。上述多维风电随机序列也可以包含上述气象要素的预测值、风电场中风机的在线或离线数据、电网接入端的详细数据、以及时间维度。
再者，也可以是，上述运算处理单元还对所形成的多维风电随机序列进行时频调和分析及序结构计算。
另外，也可以是，还包括基于神经网络的人工神经网络计算单元，其利用上述的多维风电随机序列的序结构特征分析结果，计算出风电场未来功率输出的预测值。其中，上述人工神经网络计算单元可以是人工智能专家系统。
而且，上述数值气象预报系统可以设置在上述风电预测系统的内部；也可以设置在上述风电预测系统的外部，并且连接到上述风电预测系统。
本发明涉及的一种风电功率预测方法，利用由数值气象预报系统输出的气象要素的预测值，通过运算处理步骤的计算处理，计算出风电场的未来预定时间的发电功率预测值。
此外，上述运算处理步骤对由数值气象预报系统输出的气象要素的预测值和来自数据采集单元的风电数据进行综合，形成与风电有关的多维风电随机序列。而且，上述多维风电随机序列可以包含上述气象要素的预测值、风电场中风机的在线或离线数据、电网接入端的详细数据、以及时间维度。
再者，上述运算处理步骤还对所形成的多维风电随机序列进行时频调和分析及序结构计算。
另外，还包括基于神经网络的人工神经网络计算步骤，其利用上述的多维风电随机序列的序结构特征分析结果，计算出风电场未来功率输出的预测值。
另外，本发明涉及的电网系统，包括如上所述的风电功率预报系统或者使用了如上所述的风电功率预报方法。
根据如上所述的风电功率预测系统及风电功率预测方法，能够预先计算出风电场的未来时刻发电功率，为电网吸纳风电、降低调峰成本、提高风电质量提供可靠的依据。
附图说明
图1是表示现有的风力发电站控制系统的结构的框图；
图2是表示现有的风力发电站控制系统的数据收集和处理过程的流程图；
图3是表示本发明涉及的风电功率预测系统的结构的框图；
图4是表示本发明涉及的风电功率预测系统的风电功率预测方法的处理过程的流程图；
图5是表示在本发明的一实施例涉及的风电功率预测系统中的风速数据的多尺度时频调和分析结果的时序图；
图6是表示根据图5所示的特征序列构造的序结构计算分析网络的示意图；
图7是表示在本发明的风电功率预测系统中的人工智能神经网络专家系统所采用的神经网络模型的示意图；
图8是表示本发明的一实施例涉及的风电功率预测系统中的风速、风向和功率之间关系的三维示意图。
具体实施方式
下面，参照附图详细说明本发明涉及的风电功率预测系统的具体实施方式。
如图3所示，风电功率预测系统100包括数值气象预报系统101、数据采集单元102、数据综合单元103、运算处理单元104、人工神经网络计算装置105。图4示出了本发明涉及的风电功率预测系统的风电功率预测方法的流程图。
其中，数值气象预报系统101对采集到的气象要素进行分析整理，并应用地球流体动力学和热力学方程及有关物理法则对未来天气进行预报。所述数值气象预报系统101输出未来一段时间内(例如，从起报时间开始算起的未来若干小时，如6小时、12小时、188小时等)各个时刻的气象要素(例如风速、风向等)的预测值。本发明中使用的数值气象预报系统可以是局地边界层数值气象预报系统，它考虑风电场所处地区的局部地形、植被、建筑、测风数据、其它实测气象要素数据等因素，可以获得适用于该风电场的局地边界层数值气象预报数据。该局地边界层数值气象预报系统能够精确地预报对风电场功率预测很重要的气象要素(风速、风向等)，并且空间水平精度可以达到5KM的精细程度，时间精度达到15分钟一个时点，时效最大可以达到188小时。此外数值气象预报系统101可以设置在本发明的风电功率预测系统的内部，也可以是设置在风电功率预测系统外部的独立系统。
数据采集单元102用于电力系统的数据采集和能量管理系统中，其通过解析风电场和电网的SCADA(Supervisory Control And DataAcquisition，数据采集及监视控制系统)与EMS(Energy ManagementSystem，能量管理系统)的通信协议，可以获得风电场中各个风机的基础信息，例如风速、风向、发电情况、运行状态。同时，还可以取得电网接入端关于电场的发电信息，诸如：有功、无功、场用电、场内外网络运行情况等。
数据综合单元103将来自上述数值气象预报系统101的各气象要素的预测值和来自上述数据采集单元102的风电数据进行综合(包括运算分析及整理)，形成有效的多维风电随机序列。其中，风电数据包括来自风机传感器的测风数据、功率输出数据、电网接入端实际测量信号、风电场测风信号等跟风电有关的各种时间序列。该多维随机序列的维度，例如可以涵盖数值气象预报数据、风电场中风机的在线或离线数据、电网接入端的详细数据、以及时间维度。
关于多维风电随机序列
关于多维风电随机序列的组成，参照下列表1。在该表中，以时间、风速、风向、...、发电功率的多维构成，每一列是数据的一个维度。如该表所示，第一个维度是时间、第二个是风速、第三个是风向，还有其他构成要素，最后一维是风电场的发电功率。
表1：
时间               风速      风向      其他数据   发电功率
2008/11/4   14:00  6.709503  1.058953  ...        11.252
2008/11/4   15:00  5.892082  0.897745  ...        9.95
2008/11/4   16:00  4.612145  0.599593  ...        6.273
2008/11/4   17:00  3.946261  0.280926  ...        7.872
2008/11/4   18:00  4.410804  -0.08946  ...        6.349
2008/11/4   19:00  5.308327  -0.48588  ...        4.217
2008/11/4   20:00  5.894673  -0.70659  ...        9.059
2008/11/4   21:00  6.019819  -0.75506  ...        5.915
2008/11/4   22:00  6.094032  -0.78409  ...        4.56
2008/11/4   23:00  6.21359   -0.81586  ...        4.065
2008/11/5   0:00   6.667516  -0.86638  ...        0.727
...         ...    ...       ...       ...        ...
运算处理单元104利用由上述数据综合单元103得出的多维风电随机序列，进行各种运算处理。首先，运算处理单元104对上述跟风电有关的各时间序列进行时频调和分析，得到其序列特征值。上述时频调和分析中，应用现代小波分析的技术对上述风电信号进行延时间轴的多频段的多尺度分析，从而可以详尽地了解上述序列在不同时间尺度下和不同频率下的特征。进而，对上述序列特征值进行序结构计算，得出这些风电信号的时空结构。这里，序结构是对多维风电随机序列在时间和空间分类、分布结构的简要说法。另一方面，运算处理单元104利用风电场物理模型进行数据处理，从而得到风电功率的理论预测值。
例如，图5给出了风速的多尺度时频调和分析结果。横轴为时间，纵轴为不同时间尺度下的频率特征。同样，我们可以分析得到多维风电随机序列的其它维度的时频特征。根据这些特征序列，可以利用图6所示的序结构计算分析网络，用于深入分析得到特征序列的结构组成。
在人工神经网络计算装置105，利用上述的多维风电随机序列的序结构特征分析结果，构建了如图7所示的神经网络模型。通过反复的机器学习和训练，上述人工神经网络计算装置105就能够非常准确地预测风电场未来的功率输出。如图7所示，其左侧p1、p2......、pn为多维风电随机序列的序结构特征向量，也包括通过物理模型计算得出的理论预测值，其最右侧为风电场未来功率输出的预测值。其中物理模型计算的数据来源可以兼容WAsp、Windfarmer、WindPro、Windsim等常见风资源分析软件。
由于人工神经网络计算装置105的输入端是多维的，为了直观地认识其输出结果的有效性，我们将计算某风电场的风速、风向、功率之间关系的人工神经网络计算装置105的内部结构示于图8，在此，可以看到风电场的功率输出在三维空间中的分布随着风速、风向而发生变化的状态。因此，通过本发明的风电功率预测系统，最终可以得出较精确的风电场的功率预测值。
另外，本发明中的人工神经网络计算装置105，也可以是基于人工神经网络的专家系统，其通过知识工程或机器学习的方法令计算机或自动化装置具备人类或专家才具备的专业能力并自动执行决策、做出指令等。
再者，本说明书记载的实施例中，分别记述了数据综合单元103、运算处理单元104、人工神经网络计算装置105，但本领域技术人员可以知道，这些数据综合单元103、运算处理单元104、人工神经网络计算装置105的功能也可以由一个或几个处理模块来完成。
通过实际测试可知，本发明提供的风电功率预测系统可以准确预测风电场未来24～48小时的功率，系统平均预测精度>85％。再者，通过将该风电功率预测系统连接到国家电网上，电网公司可以获得功率比较稳定的风电，从而，能够实现国家电网的稳定运行、节约大量调峰成本、加大风电发电比例、改善能源结构和提高风电场的产能。
以上说明的本发明涉及的实施例，可以通过多样的计算机组成要素执行的程序命令语形式实现，并记录在计算机可读取的记录媒体上。计算机可读取的记录媒体，可单独或者组合包含程序命令语、数据文件、数据构造等。上述记录在记录媒体上的程序命令语，可以是为本发明特别设计组成的，也可以是计算机软件领域的技术人员公知使用的。计算机可解码的记录媒体包括：例如，硬盘、软盘、如磁带的磁媒体、CD-ROM、如DVD的光记录媒体、如软磁盘的磁-光媒体及ROM、RAM、flash memory等，和储存并执行程序命令语而特别组成的硬件装置。程序命令语的例子，包括通过编译形成的机器语言代码，还包括使用解释程序等在计算机上可执行的高级语言代码。无庸置疑，为了实现本发明的动作，本说明书中记载的各硬件装置可以由一个以上的软件模块实现或组成，反之亦然。
如上所述，虽然利用与具体的结构要素等相同的技术特征和限定的实施例及图说明了本发明，但这只是为了有助于更全面地理解本发明，本发明并没有限定于上述实施例。在本发明所属领域的一般技术人员均可通过上述记载进行多种变更及变形。
因此，本发明的思想并不限定于以上说明的实施例，本发明的思想范畴不仅包括权利要求书记载的范围，还包括与权利要求等同或者等价的变形。

Claims (13)

1.一种风电功率预测系统，其特征在于，利用由数值气象预报系统输出的气象要素的预测值，通过运算处理单元的计算处理，计算出风电场的未来预定时间的发电功率预测值。
2.如权利要求1所述的风电预测系统，其特征在于，
上述运算处理单元对由数值气象预报系统输出的气象要素的预测值和来自数据采集单元的风电数据进行综合，形成与风电有关的多维风电随机序列。
3.如权利要求2所述的风电预测系统，其特征在于，
上述多维风电随机序列可以包含上述气象要素的预测值、风电场中风机的在线或离线数据、电网接入端的详细数据、以及时间维度。
4.如权利要求2或3所述的风电预测系统，其特征在于，
上述运算处理单元还对所形成的多维风电随机序列进行时频调和分析及序结构计算。
5.如权利要求2或3所述的风电预测系统，其特征在于，
还包括基于神经网络的人工神经网络计算单元，其利用上述多维风电随机序列的序结构特征分析结果，计算出风电场未来功率输出的预测值。
6.如权利要求5所述的风电预测系统，其特征在于，
上述人工神经网络计算单元是人工智能专家系统。
7.如权利要求1所述的风电预测系统，其特征在于，
上述数值气象预报系统设置在上述风电预测系统的内部、或者设置在上述风电预测系统的外部并连接到上述风电预测系统。
8.一种风电功率预测方法，其特征在于，
利用由数值气象预报系统输出的气象要素的预测值，通过运算处理步骤的计算处理，计算出风电场的未来预定时间的发电功率预测值。
9.如权利要求8所述的风电预测系统，其特征在于，
上述运算处理步骤中，对由数值气象预报系统输出的气象要素的预测值和来自数据采集单元的风电数据进行综合，形成与风电有关的多维风电随机序列。
10.如权利要求11所述的风电预测系统，其特征在于，
上述多维风电随机序列可以包含上述气象要素的预测值、风电场中风机的在线或离线数据、电网接入端的详细数据、以及时间维度。
11.如权利要求9或10所述的风电预测系统，其特征在于，
上述运算处理步骤还对所形成的多维风电随机序列进行时频调和分析及序结构计算。
12.如权利要求8～10中任一项所述的风电预测系统，其特征在于，
还包括基于神经网络的人工神经网络计算步骤，其利用上述多维风电随机序列的序结构特征分析结果，计算出风电场未来功率输出的预测值。
13.一种电网系统，其特征在于，
包括权利要求1～7中任一项所述的风电功率预报系统，或者利用权利要求8～12中任一项所述的风电功率预报方法。
CNA2008101800418A 2008-11-20 2008-11-20 风电功率预测系统及其方法、电网系统 Pending CN101414751A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CNA2008101800418A CN101414751A (zh) 2008-11-20 2008-11-20 风电功率预测系统及其方法、电网系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CNA2008101800418A CN101414751A (zh) 2008-11-20 2008-11-20 风电功率预测系统及其方法、电网系统

Publications (1)

Publication Number Publication Date
CN101414751A true CN101414751A (zh) 2009-04-22

Family

ID=40595132

Family Applications (1)

Application Number Title Priority Date Filing Date
CNA2008101800418A Pending CN101414751A (zh) 2008-11-20 2008-11-20 风电功率预测系统及其方法、电网系统

Country Status (1)

Country Link
CN (1) CN101414751A (zh)

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101794996A (zh) * 2010-02-10 2010-08-04 华东电网有限公司 风电场出力实时预测方法
CN101592538B (zh) * 2009-06-18 2010-11-03 东北电力大学 一种基于实测数据风电场稳态输出功率的计算方法
CN101930486A (zh) * 2010-07-12 2010-12-29 沈阳工业大学 一种风电场风机负荷指数预测装置及方法
CN102005760A (zh) * 2010-11-18 2011-04-06 西北电网有限公司 一种通用风电功率短期预报方法
CN102003337A (zh) * 2010-11-23 2011-04-06 西北电网有限公司 风电并网后主站端风电场有功功率控制方法
CN102044872A (zh) * 2010-11-18 2011-05-04 西北电网有限公司 一种风电功率中长期预报方法
CN102055188A (zh) * 2011-01-07 2011-05-11 西北电网有限公司 基于时间序列法的超短期风电功率预报方法
CN102102626A (zh) * 2011-01-30 2011-06-22 华北电力大学 风电场短期功率预测方法
CN102269124A (zh) * 2011-06-30 2011-12-07 内蒙古电力勘测设计院 超短期风电场发电功率预测系统
CN101707378B (zh) * 2009-11-24 2011-12-21 西北电网有限公司 一种基于大规模风电并网的电网调峰能力的调度方法
CN101769788B (zh) * 2009-12-29 2012-01-04 青海国泰节能技术研究院 一种光伏电站光功率预测及发电量预测的方法
CN102419394A (zh) * 2011-09-02 2012-04-18 电子科技大学 一种预测分辨率可变的风光功率预测方法
CN102509027A (zh) * 2011-12-19 2012-06-20 国网电力科学研究院 一种基于交叉熵理论的风电功率组合预测方法
CN103116337A (zh) * 2013-01-15 2013-05-22 东华大学 一种具有发电量预测功能的双模式光伏监控仪
CN103155336A (zh) * 2010-10-13 2013-06-12 西门子公司 电能供应网的控制
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN103324863A (zh) * 2013-07-11 2013-09-25 北京金风科创风电设备有限公司 使用实测湍流强度修正风力发电机的测量功率曲线的方法
CN103390106A (zh) * 2013-07-22 2013-11-13 上海申瑞继保电气有限公司 风电场风机设备可用率计算方法
CN103400230A (zh) * 2013-08-08 2013-11-20 上海电机学院 一种风电功率预测系统及方法
CN104281986A (zh) * 2014-11-03 2015-01-14 四川慧盈科技有限责任公司 一种微电网功率预测方法
CN104504464A (zh) * 2014-12-11 2015-04-08 国家电网公司 基于风区风带风速规律的风功率预测方法
CN105846462A (zh) * 2016-05-09 2016-08-10 东南大学 一种风电场的黑启动协调装置及方法
CN106246467A (zh) * 2016-03-18 2016-12-21 华北理工大学 风力发电场的风力发电控制系统及其控制方法
CN113159452A (zh) * 2021-05-17 2021-07-23 河北工业大学 基于时空相关性的风电集群功率预测方法
CN116260140A (zh) * 2023-05-12 2023-06-13 长江三峡集团实业发展(北京)有限公司 一种在役风电场理论净发电量的快速估算方法及系统

Cited By (38)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101592538B (zh) * 2009-06-18 2010-11-03 东北电力大学 一种基于实测数据风电场稳态输出功率的计算方法
CN101707378B (zh) * 2009-11-24 2011-12-21 西北电网有限公司 一种基于大规模风电并网的电网调峰能力的调度方法
CN101769788B (zh) * 2009-12-29 2012-01-04 青海国泰节能技术研究院 一种光伏电站光功率预测及发电量预测的方法
CN101794996A (zh) * 2010-02-10 2010-08-04 华东电网有限公司 风电场出力实时预测方法
CN101930486A (zh) * 2010-07-12 2010-12-29 沈阳工业大学 一种风电场风机负荷指数预测装置及方法
CN103155336A (zh) * 2010-10-13 2013-06-12 西门子公司 电能供应网的控制
CN103155336B (zh) * 2010-10-13 2016-03-02 西门子公司 电能供应网的控制
CN102005760A (zh) * 2010-11-18 2011-04-06 西北电网有限公司 一种通用风电功率短期预报方法
CN102044872A (zh) * 2010-11-18 2011-05-04 西北电网有限公司 一种风电功率中长期预报方法
CN102005760B (zh) * 2010-11-18 2012-12-26 西北电网有限公司 一种通用风电功率短期预报方法
CN102003337A (zh) * 2010-11-23 2011-04-06 西北电网有限公司 风电并网后主站端风电场有功功率控制方法
CN102003337B (zh) * 2010-11-23 2012-08-15 西北电网有限公司 风电并网后主站端风电场有功功率控制方法
CN102055188A (zh) * 2011-01-07 2011-05-11 西北电网有限公司 基于时间序列法的超短期风电功率预报方法
CN102102626A (zh) * 2011-01-30 2011-06-22 华北电力大学 风电场短期功率预测方法
CN102102626B (zh) * 2011-01-30 2012-08-29 华北电力大学 风电场短期功率预测方法
CN102269124A (zh) * 2011-06-30 2011-12-07 内蒙古电力勘测设计院 超短期风电场发电功率预测系统
CN102419394B (zh) * 2011-09-02 2013-06-12 电子科技大学 一种预测分辨率可变的风光功率预测方法
CN102419394A (zh) * 2011-09-02 2012-04-18 电子科技大学 一种预测分辨率可变的风光功率预测方法
CN102509027A (zh) * 2011-12-19 2012-06-20 国网电力科学研究院 一种基于交叉熵理论的风电功率组合预测方法
CN102509027B (zh) * 2011-12-19 2014-11-26 国网电力科学研究院 一种基于交叉熵理论的风电功率组合预测方法
CN103116337A (zh) * 2013-01-15 2013-05-22 东华大学 一种具有发电量预测功能的双模式光伏监控仪
CN103268366A (zh) * 2013-03-06 2013-08-28 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN103268366B (zh) * 2013-03-06 2017-09-29 辽宁省电力有限公司电力科学研究院 一种适用于分散式风电场的组合风电功率预测方法
CN103324863A (zh) * 2013-07-11 2013-09-25 北京金风科创风电设备有限公司 使用实测湍流强度修正风力发电机的测量功率曲线的方法
CN103324863B (zh) * 2013-07-11 2016-06-15 北京金风科创风电设备有限公司 使用实测湍流强度修正风力发电机的测量功率曲线的方法
CN103390106B (zh) * 2013-07-22 2016-03-30 国网上海市电力公司 风电场风机设备可用率计算方法
CN103390106A (zh) * 2013-07-22 2013-11-13 上海申瑞继保电气有限公司 风电场风机设备可用率计算方法
CN103400230A (zh) * 2013-08-08 2013-11-20 上海电机学院 一种风电功率预测系统及方法
CN104281986A (zh) * 2014-11-03 2015-01-14 四川慧盈科技有限责任公司 一种微电网功率预测方法
CN104281986B (zh) * 2014-11-03 2017-09-26 四川慧盈科技有限责任公司 一种微电网功率预测方法
CN104504464A (zh) * 2014-12-11 2015-04-08 国家电网公司 基于风区风带风速规律的风功率预测方法
CN106246467A (zh) * 2016-03-18 2016-12-21 华北理工大学 风力发电场的风力发电控制系统及其控制方法
CN106246467B (zh) * 2016-03-18 2018-07-10 华北理工大学 风力发电场的风力发电控制系统及其控制方法
CN105846462A (zh) * 2016-05-09 2016-08-10 东南大学 一种风电场的黑启动协调装置及方法
CN105846462B (zh) * 2016-05-09 2018-09-28 东南大学 一种风电场的黑启动协调装置及方法
CN113159452A (zh) * 2021-05-17 2021-07-23 河北工业大学 基于时空相关性的风电集群功率预测方法
CN113159452B (zh) * 2021-05-17 2022-03-01 河北工业大学 基于时空相关性的风电集群功率预测方法
CN116260140A (zh) * 2023-05-12 2023-06-13 长江三峡集团实业发展(北京)有限公司 一种在役风电场理论净发电量的快速估算方法及系统

Similar Documents

Publication Publication Date Title
CN101414751A (zh) 风电功率预测系统及其方法、电网系统
Li et al. When weather matters: IoT-based electrical load forecasting for smart grid
CN116646933B (zh) 一种基于大数据的电力负荷调度方法及系统
Dong et al. Wind power day-ahead prediction with cluster analysis of NWP
CN111291963B (zh) 一种协调经济性与可靠性的园区综合能源系统规划方法
CN105740975B (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
CN103559655B (zh) 基于数据挖掘的微网新型馈线负荷的预测方法
CN102637203B (zh) 电量数据处理方法和电能计量自动化系统监控主站
CN102214259B (zh) 风电场设计专家系统
CN105260836A (zh) 汽车制造企业碳排放采集核算系统及其方法
US20160025071A1 (en) Method of computing theoretical power of wind farm based on sample wind turbine method
CN102269124A (zh) 超短期风电场发电功率预测系统
CN103489046A (zh) 风电场短期功率预测方法
CN111600300B (zh) 考虑风电功率多元相关性椭球集合的鲁棒优化调度方法
CN102738792B (zh) 一种风电功率预测方法
CN104376373A (zh) 基于时序特性和环境效益的分布式电源规划方法
CN110298567A (zh) 利用综合能源系统能耗大数据确定典型日负荷曲线的方法
Chang Comparison of three short term wind power forecasting methods
CN116933952B (zh) 基于物联网可视化的园区低碳能源调度系统
Genton et al. Blowing in the wind
CN105354761B (zh) 一种风电接入电网的安全与效能评估方法及系统
WO2022041265A1 (zh) 一种面向电动汽车电力用户大数据服务方法
CN104616087A (zh) 考虑天气因素和风速连续性的风电场输出功率预测方法
Sastry Musti et al. A novel framework for energy audit based on crowdsourcing principles
Shendryk et al. Interoperability, scalability, and availability of energy types in hybrid heating systems

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Open date: 20090422