CN102055188B - 基于时间序列法的超短期风电功率预报方法 - Google Patents
基于时间序列法的超短期风电功率预报方法 Download PDFInfo
- Publication number
- CN102055188B CN102055188B CN2011100023071A CN201110002307A CN102055188B CN 102055188 B CN102055188 B CN 102055188B CN 2011100023071 A CN2011100023071 A CN 2011100023071A CN 201110002307 A CN201110002307 A CN 201110002307A CN 102055188 B CN102055188 B CN 102055188B
- Authority
- CN
- China
- Prior art keywords
- fai
- wind
- tao
- forecast
- air speed
- 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.)
- Active
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
本发明公开了一种基于时间序列法的超短期风电功率预报方法,包括以下步骤:(1)采集风电场附近测风塔测风数据;(2)数据处理;将测风塔记录风速进行平滑、平稳化处理;(3)利用时间序列法进行风速预报建模;将步骤(2)进行平滑及平稳化处理后的风速数据按照预报时间分辨率分别建模,共建立16个预报模型;计算出未来0-4小时的预报风速;(4)超短期风电功率计算;将预报风速输入风电功率预报模型计算得到预报时效内的风电功率预报结果。本发明方法能够滚动预报风电场0-4小时内的风电出力,为电网调频、维持电网稳定运行提供合理的数据支持,使调度部门在电网运行中提早对由于风电的急速变化带来的各种突变情况采取应对措施。
Description
【技术领域】
本发明涉及风力发电系统领域,尤其涉及一种基于时间序列法的超短期风电功率预报方法。
【背景技术】
20世纪以来,世界经济迅猛发展,能源需求成倍增长,能源工业大规模发展。但常规能源不仅面临着枯竭的问题,而且由于化石能源的大量使用,直接向大气中排放温室气体和气溶胶等引起了全球气候变暖和日益严重的环境污染问题,对自然生态系统、社会经济和人体健康均构成了严重威胁,已引起国际社会和公众的高度关注。为了更好地克服能源供需矛盾的制约,促进全球经济的可持续性发展,应对气候变化,改善人居环境,大力发展包括风能在内的可再生能源已成为各国政府、科技界和公众广泛关注的焦点。
在这种形势下,中国的风力发电事业呈现了良好的发展势头,大型并网风力发电发展迅速,国家相继在酒泉、新疆、江苏、蒙东、蒙西、吉林、河北规划了七个千万千瓦级风电基地。其中酒泉千万千瓦级风电基地已完成建设规划,部分风电场已并网发电。
随着风力发电的迅速发展,其弊端也逐渐凸显。风力发电是将空气动能转换为电能,其特性会直接受到风特性的影响。风的随机波动性和间歇性决定了风力发电的功率也是波动和间歇性的。当风电场的容量较小时,风电对电网系统的影响并不明显。随着风电场容量在系统中所占比例的增加,风电对电网系统的影响就会越来越明显,如电网调度困难、发电计划制定困难等。大风速扰动会使系统的电压和频率产生很大的变化,严重时将可能使系统失去稳定。另外,风电机组的运行受制于系统的运行条件,当系统的运行条件比较恶劣,如电压水平比较低时,风电机组很容易在系统扰动或风速扰动条件下停机,风电作为电源突然消失,也可能使系统失去稳定。有关学者申洪、陈树勇、雷亚洲、戴慧珠等在文献1.“基于电力系统站台稳定分析的风电场穿透功率计先计算.”(电网技术,2002,26(8):8-11.)、2.“含风电场电力系统的有功优化潮流.”(电网技术,2002,26)、3.“风电场的发电可靠性模型及其应用.”(中国电机工程学报,2000,20(3):26-29.)中指出:在一般情况下,当风电穿透功率(即风电功率占系统总发电功率的比例)不超过8%时,我国电网不会出现较大问题。但是当风电穿透功率超过一定值之后,有可能对电能质量和电力系统的运行产生影响并且可能危及常规发电方式。特别是在我国风能资源丰富区,电网结构比较薄弱,风电穿透功率远远低于8%,风电的波动性和间歇性严重的制约了风电的发展。
目前,风电场接入电网的主要特点为:单个风电场容量大,风电场装机达到可以和常规机组相比的规模;风电场接入电网的电压等级高,直接接入输电网。随着风电装机容量在系统中所占比例的增加,与风电场并网有关的电压、无功控制、有功调度、静态稳定和动态稳定等问题越来越突出,给电力系统的调度管理带来了极大困难;传统的发电计划基于电源的可靠性和负荷的可预测性,以这两点为基础,发电计划的制定和实施有了可靠的保证。随着系统内风电场比例的增加,风电出力的波动性使发电计划的制定变得日益困难。百万千瓦、特别是千万千瓦级风电基地的规划及建设,促使我们必须尽快制定相应解决方案,确保风电场大规模接入电网后系统能够安全运行。已有经验表明建设预报较为准确、功能较为完备的风电功率预报系统,是解决风电大规模并网运行的关键措施之一。
短期风电功率预报可以提供风电场未来24小时风电输出功率的预报结果,对于调度计划的安排制定意义重大;但值得注意的问题是:风电功率准确预报的前提是准确的风速预报,而基于数值预报方法的短期风速预报若想准确地反应风速的变化规律,其所采用的大尺度预报场必须精确地描述风电场所在区域的天气特征。就现有的气象预报技术而言,很难对未来天气形势做出精确地计算。其次,数值模式本身的特点也限制了风速预报的准确性,数值模式很难对风电场周围的地形、植被和粗糙度的变化等下垫面状况做出精确的刻画。另外全球气候变暖,使得天气突变事件更加频繁,可能发生的天气突变也将极大的增加预测的误差,因此仅仅利用24小时的短期预报不足以应对电网实际运行中的多种情况。应该在短期预报的基础上开展0-4小时的超短期预报,随时修正短期预报的偏差,在电网运行中提早对各种突变情况采取应对措施。
【发明内容】
本发明的目的是提供一种基于时间序列法的超短期风电功率预报方法,能够滚动预报风电场0-4小时内的风电出力,为电网调频、维持电网稳定运行提供合理的数据支持,使调度部门在电网运行中提早对由于风电的急速变化带来的各种突变情况采取应对措施。
为了实现上述目的,本发明采用如下技术方案:
一种基于时间序列法的超短期风电功率预报方法,包括以下步骤:
(1)采集风电场附近测风塔测风数据;
测风塔记录风速的频率为每15分钟一次,本方法采集频率为每15分钟一次,本方法超短期风电功率预报时间分辨率也为15分钟;
(2)数据处理;
将步骤(1)采集的风速数据进行平滑处理和平稳化处理;
平滑处理的方法为:将步骤(1)采集的风速数据中第一个纪录时刻的风速值与最后一个时刻的风速值保持不变,其余风速按如下规律变化:
其中Xi为t时刻的风速,Xi-1为t-1时刻的风速,Xi+1为t+1时刻的风速;平滑处理后的到平滑处理风速数据组;
平稳化处理的方法为:对于第n个预报时刻,将平滑处理后的测风数据组中最后一个风速值向前每隔n-1个风速值将平滑处理后的测风数据进行累加求和并计算出平均风速,再将选取的风速值减去平均风速值,组成新的风速序列;依次进行16次平稳化处理,得到16个新的风速序列;
(3)利用12阶自回归模型建立预报模型;
12阶自回归模型如下:
SUBROUTINE ARP(X,N,M,R,FAI)
X——输入参数,一维实型数组,大小为N,存放观测序列值;
N——输入参数,整型变量,为观测序列的长度;
M——输入参数,整型变量,为自回归的阶数;
R——输出参数,一维实型数组,存放自相关系数;
FAI——输出参数,二维实型数组,存放自回归系数;
SUBROUTINE ARP(X,N,M,R,FAI)
INTEGER::TAO
REAL(4),DIMENSION(N)::X
REAL(4),DIMENSION(M,M)::FAI
REAL(4),DIMENSION(M)::R
REAL(4),DIMENSION(M)::S
REAL(4)::S2,A1,A2
S=0
DO TAO=1,M
DO I=1,N-TAO
S(TAO)=S(TAO)+X(I)*X(I+TAO)
END DO
S(TAO)=S(TAO)/(N-TAO)
END DO
S2=0
DO I=1.N
S2=S2+X(I)*X(I)
END DO
S2=S2/N
DO TAO=1,M
R(TAO)=0
DO I=1,N-TAO
R(TAO)=R(TAO)+X(I)*X(I+TAO)/S2
END DO
R(TAO)=R(TAO)/(N-TAO)
END DO
利用上述模型计算出12阶系数:
FAI(1)、FAI(2)、FAI(3)、FAI(4)、FAI(5)、FAI(6)、FAI(7)、FAI(8)、FAI(9)、FAI(10)、FAI(11)、FAI(12);
对应上述16个风速序列分别计算出16组12阶系数,将得到的16组12阶系数代入如下公式得到16个预测风速值,即未来0-4小时预报风速;
Xt=FAI(1)*Xt-1+FAI(2)*Xt-2+FAI(3)*Xt-3+FAI(4)*Xt-4+FAI(5)*Xt-5+FAI(6)*Xt-6+FAI(7)*Xt-7+FAI(8)*Xt-8+FAI(9)*Xt-9+FAI(10)*Xt-10+FAI(11)*Xt-11+FAI(12)*Xt-12
上述公式中Xt为预报时刻的风速值,Xt-1-Xt-12依次为Xt时刻前1-12个风速值;
(4)超短期风电功率计算
将步骤(3)得到的16个预测风速值通过风机功率曲线转换为16个预报风机功率值,即未来0-4小时的预报风机功率值。
步骤(4)中所述风机功率曲线的公式为:
y=-0.0039X6+0.266X5-6.9692X4+86.768X3-521.78X2+1527.1X-1726.3
其中y代表预报风机功率值,单位KW;x代表预测风速值,单位m/s。
与现有技术相比,本发明具有以下优点:本发明一种基于时间序列法的超短期风电功率预报方法能够自动利用最新观测风速资料,自动建立新的风速预报模型,可实现自动滚动预报风电场0-4小时内的风电出力,限制条件较少、预报精度高,为电网调频、维持电网稳定运行提供合理的数据支持,使调度部门在电网运行中提早对由于风电的急速变化带来的各种突变情况采取应对措施。
【附图说明】
图1为超短期风电功率预报系统示意图;
图2为超短期风电功率预报误差占风电场装机容量的比例;
图3为2010年3月22日-24日2小时超短期风电功率预报结果;
图4为2010年3月22日-24日4小时超短期风电功率预报结果;
图5为风机功率曲线。
【具体实施方式】
下面结合附图对本发明做进一步详细描述。
本发明超短期风电功率预报方法用预报系统包括测风塔数据采集传输模块、数据处理模块、风速变化规律统计模块及风电功率计算模块。
请参阅图1所示,测风塔原始测风数据组经过无线传输方式传输到指定服务器,为超短期风电功率预报提供基础数据;原始测风数据组经过平滑处理使最终计算的风电出力不会大幅波动;为了适应时间序列法的计算特性将平滑后的风速数据再进行平稳化处理的到平滑处理后的测风数据组,测风塔测风的频率为15分钟一次,测风塔风速传输间隔为15分钟,超短期风电功率预报间隔也为15分钟;因此在进行平稳性处理时,对于第一个预报时刻,平滑处理后的测风数据组中最后一个风速值向前依次将平滑处理后的测风数据进行累加求和并计算出平均风速,再将每个风速减去平均风速值,组成新的风速序列;对于第二个预报时刻,平滑处理后的测风数据组中最后一个风速值向前每隔一个风速值将平滑处理后的测风数据进行累加求和并计算出平均风速,再将每个风速减去平均风速值,组成新的风速序列;第三个预报时刻,平滑处理后的测风数据中最后一个风速值向前每隔两个风速值将平滑处理后的测风数据进行累加求和并计算出平均风速,再将每个风速减去平均风速值,组成新的风速序列;依此类推,第n个预报时刻,将平滑处理后的测风数据组中最后一个风速值向前每隔n-1个风速值将平滑处理后的测风数据进行累加求和并计算出平均风速,再将每个风速减去平均风速值,组成新的风速序列;依次进行16次平稳化处理,得到16个新的风速序列;利用时间序列法统计16个新的风速序列的变化规律;最后将预报风速转化为超短期风电功率预报结果。
下面结合某风电场的预报实例进行详细说明,该风电场装机容量为10.5万千瓦,测风塔距离风电场6km。以某测风塔2009年12月29日至2010年3月22日的连续测风数据进行回归建模,建模方法为时间序列法:
(1)将风速数据进行平滑处理
风速随机性及间断性较强,在实际观测中经常会出现在超过12米/秒的连续观测时间段内会出现0米/秒的风速,但同期的风电功率记录数据却显示风机处于满发状态,这是由风机的运动惯性所致,风机不能对风速的快速变化做出响应,所以应对风速进行平滑处理。平滑方法为将从测风塔采集的2009年12月29日至2010年3月22日的连续测风数据组中第一个纪录时刻的风速值与最后一个时刻的风速值保持不变,其余风速按如下规律变化:
其中Xi为t时刻的风速,Xi-1为t-1时刻的风速,Xi+1为t+1时刻的风速;测风塔测风的频率为15分钟一次,即t-1和t+1时刻距离t时刻15分钟;
经过平滑处理得到平滑处理后的测风数据组,这样的处理风速就不会出现剧烈变化,而由此计算出的风电功率也会比较真实的反映出风机的转动惯性,使得出力较为连续;
(2)将步骤(1)平滑处理后的风速数据进行平稳化处理
测风塔记录风速为每15分钟一次,超短期风电功率预报时间分辨率也为15分钟;对于第一个预报时刻,平滑处理后的测风数据组中最后一个风速值向前依次将平滑处理后的测风数据进行累加求和并计算出平均风速,再将每个风速减去平均风速值,组成新的风速序列;对于第二个预报时刻,平滑处理后的测风数据组中最后一个风速值向前每隔一个风速值进行累加求和并计算出平均风速,再将选取的这些风速值减去平均风速值,组成新的风速序列;第三个预报时刻,平滑处理后的测风数据中最后一个风速值向前每隔两个风速值进行累加求和并计算出平均风速,再将选取的风速值减去平均风速值,组成新的风速序列;依此类推,第n个预报时刻,将平滑处理后的测风数据组中最后一个风速值向前每隔n-1个风速值将平滑处理后的测风数据进行累加求和并计算出平均风速,再将选取的风速值减去平均风速值,组成新的风速序列;依次进行16次平稳化处理,得到16个新的风速序列;
(3)利用12阶自回归模型建立预报模型
12阶自回归模型如下:
SUBROUTINE ARP(X,N,M,R,FAI)
X——输入参数,一维实型数组,大小为N,存放观测序列值;
N——输入参数,整型变量,为观测序列的长度;
M——输入参数,整型变量,为自回归的阶数;
R——输出参数,一维实型数组,存放自相关系数;
FAI——输出参数,二维实型数组,存放自回归系数;
SUBROUTINE ARP(X,N,M,R,FAI)
INTEGER::TAO
REAL(4),DIMENSION(N)::X
REAL(4),DIMENSION(M,M)::FAI
REAL(4),DIMENSION(M)::R
REAL(4),DIMENSION(M)::S
REAL(4)::S2,A1,A2
S=0
DO TAO=1,M
DO I=1,N-TAO
S(TAO)=S(TAO)+X(I)*X(I+TAO)
END DO
S(TAO)=S(TAO)/(N-TAO)
END DO
S2=0
DO I=1,N
S2=S2+X(I)*X(I)
END DO
S2=S2/N
DO TAO=1,M
R(TAO)=0
DO I=1,N-TAO
R(TAO)=R(TAO)+X(I)*X(I+TAO)/S2
END DO
R(TAO)=R(TAO)/(N-TAO)
END DO
利用上述模型计算出12阶系数:
FAI(1)、FAI(2)、FAI(3)、FAI(4)、FAI(5)、FAI(6)、FAI(7)、FAI(8)、FAI(9)、FAI(10)、FAI(11)、FAI(12);
对于上述16个风速序列分别计算出16组12阶系数,将得到的16组12阶系数代入如下公式得到0-4小时预报风速;
Xt=FAI(1)*Xt-1+FAI(2)*Xt-2+FAI(3)*Xt-3+FAI(4)*Xt-4+FAI(5)*Xt-5+FAI(6)*Xt-6+FAI(7)*Xt-7+FAI(8)*Xt-8+FAI(9)*Xt-9+FAI(10)*Xt-10+FAI(11)*Xt-11+FAI(12)*Xt-12
上述公式中Xt为预报时刻的风速值,Xt-1-Xt-12依次为Xt时刻前1-12个风速值;
利用上述公式将16组12阶系数代入,便可以得到16个预测风速值,即未来0-4小时的预测风速值;
(4)超短期风电功率计算
请参阅图5所示,预测出16个预测风速值后,再利用风机的风机功率曲线将16个预测风速值转换为16个预报风机功率值,即可以得到未来0-4小时的预报风机功率值;
本实施例中风电场所用风机的风机功率曲线的方程式如下:
y=-0.0039X6+0.266X5-6.9692X4+86.768X3-521.78X2+1527.1X-1726.3
其中y代表预报风机功率值,单位KW;x代表预测风速值,单位m/s;
请参阅图2所示,为超短期风电功率预报均方根误差占风电场装机容量的比例。图2为2010年3月24日-8月9日每隔15分钟4小时预报均方根误差占装机容量比例的平均值,可以看出超短期预报误差较小,相对于短期预报误差有很大提高,特别是前2小时。
请参阅图3和图4所示,分别为2小时和4小时超短期风电功率预报结果,从图中可以看出本发明方法超短期风电功率预报结果与真实值误差小,预测准确。
请参阅表1所示,本发明方法预测的风速值与真实风速对比可以看出,其预报数值准确,与实际风速误差小,可以进行准确的超短期风电预报为电网调频、维持电网稳定运行提供合理的数据支持,使调度部门在电网运行中提早对由于风电的急速变化带来的各种突变情况采取应对措施。
表14小时超短期风速预报均方根误差单位(米/秒)
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施方式仅限于此,对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单的推演或替换,都应当视为属于本发明由所提交的权利要求书确定专利保护范围。
Claims (2)
1.一种基于时间序列法的超短期风电功率预报方法,其特征在于,包括以下步骤:
(1)采集风电场附近测风塔测风数据;
测风塔记录风速的频率为每15分钟一次,本方法采集频率为每15分钟一次,本方法超短期风电功率预报时间分辨率也为15分钟;
(2)数据处理;
将步骤(1)采集的风速数据进行平滑处理和平稳化处理;
平滑处理的方法为:将步骤(1)采集的风速数据中第一个纪录时刻的风速值与最后一个时刻的风速值保持不变,其余风速按如下规律变化:
其中Xi为t时刻的风速,Xi-1为t-1时刻的风速,Xi+1为t+1时刻的风速;平滑处理后得到平滑处理风速数据组;
平稳化处理的方法为:对于第n个预报时刻,将平滑处理后的测风数据组中最后一个风速值向前每隔n-1个风速值将平滑处理后的测风数据进行累加求和并计算出平均风速,再将选取的风速值减去平均风速值,组成新的风速序列;依次进行16次平稳化处理,得到16个新的风速序列;
(3)利用12阶自回归模型建立预报模型;
12阶自回归模型如下:
SUBROUTINE ARP(X,N,M,R,FAI)
X——输入参数,一维实型数组,大小为N,存放观测序列值;
N——输入参数,整型变量,为观测序列的长度;
M——输入参数,整型变量,为自回归的阶数;
R——输出参数,一维实型数组,存放自相关系数;
FAI——输出参数,二维实型数组,存放自回归系数;
SUBROUTINE ARP(X,N,M,R,FAI)
INTEGER::TAO
REAL(4),DIMENSION(N)::X
REAL(4),DIMENSION(M,M)::FAI
REAL(4),DIMENSION(M)::R
REAL(4),DIMENSION(M)::S
REAL(4)::S2,A1,A2
S=0
DO TAO=1,M
DO I=1,N-TAO
S(TAO)=S(TAO)+X(I)*X(I+TAO)
END DO
S(TAO)=S(TAO)/(N-TAO)
END DO
S2=0
DO I=1,N
S2=S2+X(I)*X(I)
END DO
S2=S2/N
DO TAO=1,M
R(TAO)=0
DO I=1,N-TAO
R(TAO)=R(TAO)+X(I)*X(I+TAO)/S2
END DO
R(TAO)=R(TAO)/(N-TAO)
END DO
利用上述模型计算出12阶系数:
FAI(1)、FAI(2)、FAI(3)、FAI(4)、FAI(5)、FAI(6)、FAI(7)、FAI(8)、FAI(9)、FAI(10)、FAI(11)、FAI(12);
对应上述16个风速序列分别计算出16组12阶系数,将得到的16组12阶系数代入如下公式得到16个预测风速值,即未来0-4小时预报风速;
Xt=FAI(1)*Xt-1+FAI(2)*Xt-2+FAI(3)*Xt-3+FAI(4)*Xt-4+FAI(5)*Xt-5+FAI(6)*Xt-6+FAI(7)*Xt-7+FAI(8)*Xt-8+FAI(9)*Xt-9+FAI(10)*Xt-10+FAI(11)*Xt-11+FAI(12)*Xt-12
上述公式中Xt为预报时刻的风速值,Xt-1-Xt-12依次为Xt时刻前1-12个风速值;
(4)超短期风电功率计算
将步骤(3)得到的16个预测风速值通过风机功率曲线转换为16个预报风机功率值,即未来0-4小时的预报风机功率值。
2.如权利要求1所述一种基于时间序列法的超短期风电功率预报方法,其特征在于,步骤(4)中所述风机功率曲线的公式为:
y=-0.0039X6+0.266X5-6.9692X4+86.768X3-521.78X2+1527.1X-1726.3
其中y代表预报风机功率值,单位KW;x代表预测风速值,单位m/s。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100023071A CN102055188B (zh) | 2011-01-07 | 2011-01-07 | 基于时间序列法的超短期风电功率预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011100023071A CN102055188B (zh) | 2011-01-07 | 2011-01-07 | 基于时间序列法的超短期风电功率预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102055188A CN102055188A (zh) | 2011-05-11 |
CN102055188B true CN102055188B (zh) | 2012-12-26 |
Family
ID=43959267
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011100023071A Active CN102055188B (zh) | 2011-01-07 | 2011-01-07 | 基于时间序列法的超短期风电功率预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102055188B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269124B (zh) * | 2011-06-30 | 2013-04-03 | 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 |
CN102495972B (zh) * | 2011-12-26 | 2014-12-03 | 成都阜特科技股份有限公司 | 一种基于有效风速的风能评估方法 |
CN102628876B (zh) * | 2012-02-13 | 2013-07-31 | 甘肃省电力公司风电技术中心 | 一种包含上下游效应实时监测的超短期预测方法 |
CN102738792B (zh) * | 2012-06-13 | 2014-07-16 | 华北电力大学(保定) | 一种风电功率预测方法 |
CN102767474B (zh) * | 2012-08-06 | 2014-06-25 | 广东电网公司电力科学研究院 | 风电有功功率的实时评估方法与系统 |
CN102880989B (zh) * | 2012-09-05 | 2016-04-20 | 中国电力科学研究院 | 一种风电出力时间序列建模方法 |
CN103001326B (zh) * | 2012-11-13 | 2014-08-27 | 中国电力科学研究院 | 一种面向超短期功率预测的风电通信调度专网平台系统 |
CN103280800A (zh) * | 2013-05-27 | 2013-09-04 | 东南大学 | 一种基于非线性拟合的超短期风电功率预测方法 |
CN104201712B (zh) * | 2014-08-10 | 2016-02-24 | 东北电力大学 | 一种基于空间平均风速的风电功率实时预测计算方法 |
CN105680485B (zh) * | 2014-11-18 | 2017-10-13 | 国家电网公司 | 一种风电场平滑出力方法 |
US10443577B2 (en) | 2015-07-17 | 2019-10-15 | General Electric Company | Systems and methods for improved wind power generation |
CN108629056A (zh) * | 2017-03-17 | 2018-10-09 | 中国电力科学研究院 | 一种风电功率预测方法及系统 |
CN108667069B (zh) * | 2018-04-19 | 2021-10-19 | 河海大学 | 一种基于偏最小二乘法回归的短期风电功率预测方法 |
CN110458344B (zh) * | 2019-07-26 | 2022-05-06 | 湘潭大学 | 一种自适应时间分辨率的超短期风电功率预测方法 |
CN110457800B (zh) * | 2019-07-30 | 2023-06-16 | 天津大学 | 考虑机械惯性的水平轴风机风速出力折算方法 |
CN113515852B (zh) * | 2021-06-07 | 2023-06-16 | 河北工业大学 | 可持续学习风机出力预测方法、系统、设备及存储介质 |
CN113626990B (zh) * | 2021-07-19 | 2023-06-06 | 许昌许继风电科技有限公司 | 基于风功率预测测风塔的风电机组功率曲线验证方法 |
CN113803222B (zh) * | 2021-09-22 | 2023-01-03 | 鲁志平 | 一种风力发电机组输出功率的超短期预测方法及装置 |
CN113969873B (zh) * | 2021-10-18 | 2023-04-07 | 国网湖南省电力有限公司 | 一种风电机组出力超短期预测方法、系统及存储介质 |
CN114429078B (zh) * | 2021-12-22 | 2022-10-18 | 广东工业大学 | 一种短期风电功率预测方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003180032A (ja) * | 2001-12-10 | 2003-06-27 | Toshiba Corp | 電力需要予測システム及びその予測方法 |
CN101414751A (zh) * | 2008-11-20 | 2009-04-22 | 北京方鸿溪科技有限公司 | 风电功率预测系统及其方法、电网系统 |
CN101741085A (zh) * | 2009-12-11 | 2010-06-16 | 西北电网有限公司 | 一种短期风电功率预报方法 |
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 |
-
2011
- 2011-01-07 CN CN2011100023071A patent/CN102055188B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN102055188A (zh) | 2011-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102055188B (zh) | 基于时间序列法的超短期风电功率预报方法 | |
CN103279804B (zh) | 超短期风电功率的预测方法 | |
CN103778340B (zh) | 大规模新能源发电特性的统计方法 | |
CN105322535B (zh) | 含统一潮流控制器的电力系统两阶段最优潮流计算方法 | |
Sun et al. | Research on ultra-short-term wind power prediction considering source relevance | |
CN102012956A (zh) | 一种考虑风电场输入风速和风向随机波动的风电场等值方法 | |
CN103208037B (zh) | 一种应用于新能源电站的基于在线校正的功率预测方法 | |
CN102831321A (zh) | 一种基于蒙特卡洛方法的风电场风险评估方法 | |
CN108074038A (zh) | 一种考虑可再生能源及负荷多时空分布特性的电力生产模拟方法 | |
CN106655190A (zh) | 一种求解风电场概率最优潮流的方法 | |
CN103887813B (zh) | 基于风功率预测不确定度的风电系统运行的控制方法 | |
CN103106314A (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
CN103345585A (zh) | 基于支持向量机的风功率预测校正方法及系统 | |
CN103927597A (zh) | 基于自回归滑动平均模型的风电功率超短期预测方法 | |
Li et al. | Ultra-short-term wind power prediction using BP neural network | |
CN104617578A (zh) | 一种含风电场电力系统的可用输电能力的获取方法 | |
CN102767474B (zh) | 风电有功功率的实时评估方法与系统 | |
CN103942620A (zh) | 采用复合数据源基于径向基核函数支持向量机的风电功率短期预测方法 | |
Han et al. | A study of the reduction of the regional aggregated wind power forecast error by spatial smoothing effects in the Maritimes Canada | |
CN103530508B (zh) | 一种建立风速功率转换概率模型的方法 | |
Shi et al. | Reliability assessment of interconnected generation systems based on hourly wind speed probability model | |
CN104200067A (zh) | 风速概率分布确定方法、装置及风电系统功率评测方法 | |
Wang et al. | Adequacy assessment of generating systems incorporating wind, PV and energy storage | |
Sun | Power instability prediction method for wind turbine based on fuzzy decision tree | |
Wang et al. | Research on ultra-short term forecasting technology of wind power output based on wake model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |