CN102419394B - 一种预测分辨率可变的风光功率预测方法 - Google Patents
一种预测分辨率可变的风光功率预测方法 Download PDFInfo
- Publication number
- CN102419394B CN102419394B CN 201110257897 CN201110257897A CN102419394B CN 102419394 B CN102419394 B CN 102419394B CN 201110257897 CN201110257897 CN 201110257897 CN 201110257897 A CN201110257897 A CN 201110257897A CN 102419394 B CN102419394 B CN 102419394B
- Authority
- CN
- China
- Prior art keywords
- data
- weather
- prediction
- resolution
- wind
- 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.)
- Expired - Fee Related
Links
Images
Abstract
本发明公开了一种预测分辨率可变的风光功率预测方法,首先根据风光能量管理系统得到所需预测数据的分辨率,通过提取当前预测时刻之前若干天在该分辨率下的历史天气数据,计算历史天气数据与未来天气数据在变化趋势的相似度,计算得出未来24小时在预测分辨率下的天气数据变化趋势权值,依据此权值算出天气数据的预测值变化趋势量,最终推算出未来24小时在所需预测分辨率下的天气数据预测值。这样,可以根据分辨率较低的数值天气预报数据,结合历史数据最终可得不同功率预测分辨率条件下时间间隔较短的功率预测结果,为风光互补发电系统能量管理提供了有力的数据支持,对保障风光互补发电系统输出功率稳定有着重要意义。
Description
技术领域
本发明属于风光互补发电技术领域,更为具体地讲,涉及对风光互补发电系统能量管理中发电组件未来某时间段内发电能力的一种预测分辨率可变的风光功率预测方法。
背景技术
全球能源紧缺以及日益严重的环境污染问题,使得作为可再生清洁能源的风能和太阳能受到世界越来越多的重视,风电和光伏发电规模占电网发电总量比例不断攀升。
风光互补发电利用风能和太阳能天然互补性,使得其可靠性与经济性相对于独立风力发电系统和光伏发电系统更高,但受风速、太阳光照强度随机性和间歇性的影响,风光互补发电系统输出功率随机波动性较大。风光互补发电系统的能量管理是实现风光互补发电系统输出功率稳定的关键,而对风力发电和光伏发电进行功率预测是制定合理的能量管理策略的重要依据。由此可知,应用于风光互补发电系统能量管理中的功率预测是确保风光互补发电系统输出功率稳定的关键。
现有的功率预测方法分为基于物理模型的功率预测方法和基于历史数据的功率预测方法。
1、基于物理模型的功率预测方法受模型输入数值天气预报计算网格分辨率与模式的影响,目前国内的数值天气预报数据分辨率为1小时,不能满足能量管理要求预测分辨率小于1小时的风光互补发电系统。
2、基于历史数据的功率预测方法其分辨率可以满足风光互补发电系统的要求,但这种方法需要大量历史数据,风光互补发电系统要求的预测分辨率变化时,需要选取不同时间间隔的历史数据序列重新建立模型,不能满足预测分辨率频繁变化时的风光互补发电系统。
由于现场每一条馈线上的机组数量不等,每台风力和光伏组件的控制周期也不一定相同,再加上现场数据采集的不定周期,系统控制要适应每一条环路的时间差别就需要能量管理分配周期可变。功率预测服务于系统能量管理的分辨率同样需要不断变化。因此,风光互补发电系统就需要一种预测精度高、预测分辨率可变的功率预测方法,来满足风光互补发电系统的要求。
发明内容
本发明的目的在于克服现有技术的不足,提供了一种预测分辨率可变的风光功率预测方法,以减小功率预测的时间间隔,并实现预测分辨率可变,满足风光互补发电系统能量管理对功率预测数据分辨率的要求。
为实现上述发明目的,本发明预测分辨率可变的风光功率预测方法,其特征在于,包括以下步骤:
(1)、根据未来一天的数值天气预报数据,得到风力发电机测风仪处天气预报各预测时刻的风速或光伏组件实际工作环境下的天气预报各预测时刻的温度和光照强度,并作为未来天气数据;
(2)、确定功率预测分辨率T分钟,并提取风力发电机测风仪处或光伏组件实际工作环境下当前预测时刻之前d天分辨率为T的实测历史风速数据或实测历史温度和光照强度数据作为历史天气数据,其中T为分钟数;
(3)、计算第j天的历史天气数据与未来天气数据变化趋势的相似度:
uk=ak-a(k-1),k∈[1,n]
ujk=bjk-bj(k-1),k∈[1,n]
其中,uk为未来天气数据的第k个特征向量,k=1,2,…,n,n为未来一天的天气预报时刻数量,ak、ak-1分别为未来天气数据中的第k、k-1时刻的数据,a0为当前时刻数据;
ujk为历史天气数据中第j天的第k个特征向量,bjk、bj(k-1)分别为历史天气数据中与未来天气数据第k、k-1时刻数据对应时刻的数据;
(4)、对所得相似度计算结果进行比较,从中取出相似度较大的m天的历史天气数据,记Ci=[ci0,ci1,ci2,…cil]为m天历史天气数据中的第i日对应于当前时刻和预测时刻的所有历史天气数据,其中l=24×60/T,其第k个特征向量为uik=cik-ci(k-1),k∈[1,l];
对特征向量uik作归一化处理,得出其归一化值:
其中,ui max表示第i日所有历史天气数据特征向量中的最大值;ui min表示第i日历史天气数据特征向量中的最小值;
对相似度较大的m天的相似度进行归一化:
其中:r′i表示第i天历史天气数据与未来天气数据的相似度归一化值;
先将公式(2)计算出的第i天第k个归一化值特征向量u′ik,与公式(3)计算出的第i天相似度归一化值r′i相乘,然后将m天的乘积进行相加,得出预测时刻k的天气数据变化权值u′k:
(5)、选取m天每天的最大、最小历史天气数据特征向量值ui max和ui min,与其对应天的相似度归一化值相乘,然后将将m天的乘积进行相加,得到未来天气数据特征向量的最大值:
特征向量的最小值:
记v0为当前预测时刻的天气数据,v(k-1)表示第k-1个时刻所对应的天气数据,则第k个时刻所对应的天气数据的预测值vk为:
vk=v(k-1)+u′k(umax-umin)+umin (5)
通过对公式5的推算,得到各个时刻天气数据的的预测值vk,k∈[1,l];
(6)、根据各个时刻天气数据的预测值vk,k∈[1,l],再经由风力放电机的风速功率曲线或光伏组件物理模型得到满足预测分辨率的功率预测值。
本发明的发明目的是这样实现的:
本发明预测分辨率可变的风光功率预测方法,首先根据风光能量管理系统得到所需预测数据的分辨率,通过提取当前预测时刻之前若干天在该分辨率下的历史天气数据,计算历史天气数据与未来天气数据在变化趋势的相似度,根据相似度与历史天气数据的变化趋势,计算得出未来24小时在预测分辨率下的天气数据变化趋势权值,依据此权值算出天气数据的预测值变化趋势量,最终推算出未来24小时在所需预测分辨率下的天气数据预测值。这样,可以根据时间间隔较长,即分辨率较低的数值天气预报数据,结合历史数据最终可得不同功率预测分辨率条件下时间间隔较短的功率预测结果,为风光互补发电系统能量管理提供了有力的数据支持,对保障风光互补发电系统输出功率稳定有着重要意义。
附图说明
图1为风力发电机组功率预测模型结构图;
图2为光伏组件功率预测模型结构图;
图3为变预测分辨率的数据插补模块结构图;
图4是历史天气数据与未来天气数据的关系图;
图5为风力发电机组基于物理模型功率预测与结合了历史数据的物理模型功率预测结果图;
图6为光伏组件基于物理模型功率预测与结合历史数据的物理模型功率预测结果图;
图7变预测分辨率的风力发电机组功率预测结果;
图8变预测分辨率的光伏组件功率预测结果;
图9将功率预测引入风光互补发电控制系统时的系统输出功率图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是风力发电机组功率预测模型结构图
在本实施例中,如图1所示,功率预测模型输入数值天气预报风速数据,经过天气预报数据修正模块提高其精确度后,再经过风场风力发电机物理模型处理后,得到风力发电机组测风仪处的天气预报各预测时刻的风速;但由于此时的风速分辨率为输入数值天气预报风速数据的分辨率,国内目前数值天气预报分辨率为1小时,为了提高风速的分辨率,结合历史天气数据,经变预测分辨率的数据插补模块对现有的风速数据进行插补处理,得到分辨率更高的风速数据预测值;分辨率得到提高的天气预报风速数据最后再经过风力发动机风速功率曲线得到所需预测分辨率的风力发电机组功率预测结果;其中,天气预报数据修正模块可以提高数值天气预报风速数据的精确度,是根据历史天气预报信息及其误差样本对气象部门提供的数值天气预报风速数据进行的修正;地形影响模块和粗糙度影响模块计算数值天气预报点到风场的天气数据变化;尾流效应模块考虑尾流效应的影响;风力发动机叶片影响模块考虑风轮本身对风速的影响;功率预测模块根据风力发电机的风速功率曲线和变预测分辨率的数据插补模块输出天风速数据预测值的完成对风力发电机组输出功率的预测。
图2是光伏组件功率预测模型结构图
在本实施例中,如图2所示,数值天气预报温度和光照强度数据经天气预报数据修正模块修正,得到光伏组件实际工作环境下的温度和光照强度。此时温度和光照强度的分辨率为数值天气预报温度和光照强度数据的分辨率,国内目前数值天气预报分辨率为1小时,为了提高温度和光照强度的分辨率,结合历史天气数据经变预测分辨率的数据插补模块对数值天气预报温度和光照强度数据进行插补处理,得到分辨率更高的温度和光照强度数据预测值。分辨率得到提高的温度和光照强度数据预测值,再经由光伏组件物理模型处理最终得到所需预测分辨率的光伏组件预测功率。其中,天气预报数据修正模块可以提高天气预报数据的精确度,是根据历史天气预报数据及其误差样本对气象部门提供的数值天气预报数据进行修正;倾斜面上的光强计算模块是根据地球表面光照强度计算出光伏电池倾斜面上的光照强度;由当前光伏组件表面的光照强度和光伏电池的工作温度根据实际工作环境下电池参数计算模块计算出实际运行条件下的光伏电池的参数;单位组件功率计算模块根据光伏电池实际运行条件下的电池输出特性方程可得单位电池的最大输出功率,再根据光伏组件的装机容量即得光伏组件的预测功率。
图3是变预测分辨率的数据插补模块结构图
在本实施例中,如图3所示,变预测分辨率的数据插补模块由预测分辨率获取模块、历史天气数据提取模块、相似度计算模块、归一化处理模块、数据插补模块组成,完成对数值天气预报数据的插补,提高天气预报数据的分辨率,最终实现提高预测功率分辨率的目的。预测分辨率获取模块根据风光互补发电系统能量管理确定系统所需预测分辨率的大小。历史天气数据提取模块从历史天气数据中按预测分辨率获取相应时间点上的历史天气数据,作为预测所需历史数据源,其中,风速是风力发电机组测风仪处的实测风速历史数据,温度和光照强度是光伏电站位置的实测温度和光照强度历史数据。相似度计算模块对所提取的历史上若干日天气数据的变化趋势与未来天气数据相应时间点的数据变化趋势作相似度计算。归一化处理模块通过对历史天气信息变化趋势与未来天气信息变化趋势相似度计算结果的比较,从中取出相似度较大的m天的历史数据变化趋势量,作归一化处理并得出各预测时刻点的权值。数据插补模块根据归一化处理模块得到的各组数据权值对下一预测时间点上的天气信息求值计算。
图4是历史天气数据与未来天气数据的关系图
在本实施例中,如图4所示,天气预报各预测时刻为整点时刻,功率预测分辨率T=15,即15分钟,这样未来一天的天气预报时刻数量n=24,计算相似度时利用第j天的历史天气数据与未来天气数据的对应整点时刻数据进行;
相似度较大是指rj≥80%。
实例
将本发明预测分辨率可变的风光功率预测方法应用于一个由FD77型1500KW风力发电机组和TSM48-156M太阳能电池组件组成的风力发电装机容量为12MW、光伏发电装机容量为6MW、储能电池装机容量为1MW的风光互补发电系统并进行实时验证。
实验选取内蒙某风场2010年6月21号的天气实际数据、天气预报数据。当天的实际天气风速信息从0点到23:45点,分辨率为15分钟,表1为风速实测数据(m/s),如下:
表1
当天的天气预报风速信息从0点到23点,分辨率为1小时,表2为当天的数值天气预报数据风速数据(m/s),具体数据如下:
表2
根据表2所示的整点时刻数值天气预报数据风速数据使用本发明提出的方法对当天十五分钟间隔的数据进行预测,预测结果与表1的实际数据比较,计算使用本发明方法进行预测的误差。
当前预测时刻为0点,选取风场上风向上最外围两排风力发电机组,针对这个小型风力发电系统进行单风力发电机组和风力发电系统的功率预测仿真实验。
数值天气预报数据风速数据经过如图1所示的天气预报数据修正模块修正、风场经过风场风力发电机物理模型处理后得到每台风力发电机组测风仪处的天气预报各预测时刻的风速,此时的风速分辨率为1小时。按照功率预测分辨率15分钟的时间间隔提取历史天气数据中d=10天相应时间点上的历史实测风速数据,作为预测所需历史天气数据。对所提取的历史每天的整点时刻风速的变化趋势与预测当日的相应整点时刻的数据变化趋势根据公式(1)作相似度计算,此时n=24。选取m(m=4)个相似度大于相似度最大值的80%的相似天,由公式(2)对m天数据变化趋势作归一化处理,此时l=96。由公式(3)可得预测日96个预测点的数据变化趋势权值,最后由公式(4)可求解下一时刻,即00:15的风速值。对再下一时刻,即00:30的预测,vk为上一周期00:15的预测值,其余类推。
至此可得到每台风力发电机组测风仪处分辨率较高的天气信息,再经由风速功率曲线可得最终的功率预测值。
图5为风力发电机组基于物理模型功率预测与结合历史数据物理模型功率预测结果图
图中描述了一天中两条不同的功率预测曲线,其分辨率分别为1小时和15分钟。分辨率为1小时的曲线是基于物理模型功率预测结果图,由于基于物理模型的功率预测方法其分辨率受模型输入数值天气预报数据的影响,而国内目前数值天气预报分辨率为1小时,所以从图5中可以看出此曲线由24个点组成,每个点分别代表了整点时刻的功率预测结果。由于基于物理模型的功率预测结果分辨率较低不能满足风光互补发电控制系统的要求,所以为了提高功率预测结果分辨率,本发明将历史数据使用到物理模型预测中,得到了分辨率为15分钟的功率预测结果曲线。从图中可以看出此曲线由96个点组成,各点之间的时间间隔为15分钟,各点分别对应了相应时间点上的功率预测结果,单台风机功率预测平均相对误差为20.49%,均方根相对误差为31.85%,预测结果很大程度上依靠天气预报的预测精度。由此可以看出将历史数据引入物理模型预测可以弥补独立基于物理模型的功率预测方法分辨率受模型输入数值天气预报分辨率限制的缺陷,提高功率预测结果的分辨率,满足风光互补发电控制系统对较高分辨率功率预测结果的要求。
光伏实验选取光伏电站某天的天气数据光照强度和温度实际值从0点到23:45点,分辨率为15分钟,表3是光照强度实际数据、表4是温度实际数据。
表3
表4
当日天气预报光照强度和温度从0点到23点,分辨率为1小时,表5是天气预报光照强度数据、表6是天气预报温度数据。
表5
表6
根据表5和表6所示的整点时刻天气预报数据使用本发明提出的方法对当天十五分钟间隔的数据进行预测,预测结果与表3和表4的实际数据比较,计算使用本发明方法进行预测的误差。
本实验针对当前预测时刻为0点,安装倾斜角度为22度时的170W单晶硅光伏电池组件和由这种组件组成的1MW光伏系统,即由5880块170W单晶硅光伏组件组成的阵列进行仿真实验。
170W单晶硅光伏电池组件参数为:电池片面积为156mm*156mm,共48片单元光伏电池,采用6*8的连接方式。STC条件下,最大功率点电流Im:7.25A,最大功率点电压Vm:23.45V,短路电流Isc:7.95A,开路电压Voc:29.2V,dV/dI|V=0=-1.025,dV/dI|I=0=-68.2,短路电流温度系数0.0005。
数值天气预报光照强度和温度数据经数据修正得到光伏组件实际工作环境下的温度和光照强度。此时温度和光照强度的分辨率为1小时,采用如前面所述风速的插补的方法结合历史数据对现有的温度和光照强度数据进行插补处理,得到15分钟分辨率的温度和光照强度数据。再经由倾斜面光强计算模块计算22度倾斜面光强,由光强与温度得到光伏电池组件的光生电流、反向饱和电流、串联内阻、并联内阻参数值,最后经功率计算模块可得最终的功率预测值。
图6为光伏组件基于物理模型功率预测与结合历史数据的物理模型功率预测结果图,图中描述了一天中两条不同的功率预测曲线,其分辨率分别为1小时和15分钟。分辨率为1小时的曲线是基于物理模型功率预测结果图,由于基于物理模型的功率预测方法其分辨率受模型输入数值天气预报数据的影响,而国内目前数值天气预报分辨率为1小时,所以从图中可以看出此曲线由24个点组成,每个点分别代表了整点时刻的功率预测结果。由于基于物理模型的功率预测结果分辨率较低不能满足风光互补发电系统的要求,所以为了提高功率预测结果分辨率,本发明将历史数据使用到物理模型预测中,得到了分辨率15分钟的功率预测结果曲线。从图中可以看出此曲线由96个点组成,各点之间的时间间隔为15分钟,各点分别对应了相应时间点上的功率预测结果,单台光伏逆变器功率预测平均相对误差为5.91%,均方根相对误差为18.6%,预测结果很大程度上依靠天气预报的预测精度。由此可以看出将历史数据引入物理模型预测可以弥补独立基于物理模型的功率预测方法分辨率受模型输入数值天气预报分辨率限制的缺陷,提高功率预测结果的分辨率,满足风光互补发电系统对较高分辨率功率预测结果的要求。
图7为变预测分辨率的风力发电机组功率预测结果,由图可知,风力发电机组的功率预测结果为一天的预测数据,分为三部分,每部分时间跨度为8小时。第一部分的功率预测分辨率为30分钟,总共由16个预测数据组成;第二部分功率预测分辨率为15分钟,总共由32个预测数据组成;第三部分功率预测分辨率为5分钟,总共由96个预测数据组成。此三个部分对应了三个不同预测分辨率,也就是本发明功率预测方法适应于变化的风光互补发电控制周期对不同分辨率功率预测结果要求的情况。
图8为变预测分辨率的光伏组件功率预测结果图,由图可知,与变预测分辨率的风力发电机组功率预测结果相同,光伏组件功率预测结果一天的预测数据,同样分为三部分,每部分时间跨度为8小时,各部分的功率预测分辨率不相同,由此可以看出本发明功率预测方法适应于变化的风光互补发电控制周期对不同分辨率功率预测结果要求的情况。
图9为将功率预测引入风光互补发电控制系统时的系统输出功率图,由图9可知,预测分辨率更短时的系统功率输出稳定性更好,造成这一现象的原因在于系统的输出功率受各组件功率预测精度的影响,功率预测精度越高,能量分配精度越高,对各发电组件的功率设定值更切合其自身的实际发电能力,从而确保了发电组件输出功率更加稳定。比如图中7点到8点这一时间段内系统的输出功率波动较大,其原因正是由于这一时间段的功率预测分辨率为30分钟,其预测精度总的来说要比预测分辨率为15分钟、10分钟、甚至更短时间时的功率预测精度更低一些,也就造成了能量分配环节以及后面诸多环节系统控制精度要更低些,最终表现为系统的输出功率波动性更大。但从系统角度来说,在考虑了系统内各组件发电能力的基础上对系统进行能量控制,系统的输出功率能较好的跟踪电网调度值,对保证系统并网时电网稳定运行有着重要的意义。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种预测分辨率可变的风光功率预测方法,其特征在于,包括以下步骤:
(1)、根据未来一天的数值天气预报数据,得到风力发电机测风仪处天气预报各预测时刻的风速或光伏组件实际工作环境下的天气预报各预测时刻的温度和光照强度,并作为未来天气数据;
(2)、确定功率预测分辨率T分钟,并提取风力发电机测风仪处实际工作环境下当前预测时刻之前d天分辨率为T的实测历史风速数据或光伏组件实际工作环境下当前预测时刻之前d天分辨率为T的实测历史温度和光照强度数据作为历史天气数据,其中T为分钟数;
(3)、计算第j天的历史天气数据与未来天气数据变化趋势的相似度:
uk=ak-a(k-1),k∈[1,n]
ujk=bjk-bj(k-1),k∈[1,n]
其中,uk为未来天气数据的第k个特征向量,k=1,2,…,n,n为未来一天的天气预报时刻数量,ak、ak-1分别为未来天气数据中的第k、k-1时刻的数据,a0为当前时刻数据;
ujk为历史天气数据中第j天的第k个特征向量,bjk、bj(k-1)分别为历史天气数据中与未来天气数据第k、k-1时刻数据对应时刻的数据;
(4)、对所得相似度计算结果进行比较,从中取出相似度较大的m天的历史天气数据,记Ci=[ci0,ci1,ci2,...cil]为m天历史天气数据中的第i日对应于当前时刻和预测时刻的所有历史天气数据,其中l=24×60/T,其第k个特征向量为uik=cik-ci(k-1),k∈[1,l];
对特征向量uik作归一化处理,得出其归一化值:
其中,uimax表示第i日所有历史天气数据特征向量中的最大值;uimin表示第 i日历史天气数据特征向量中的最小值;
对相似度较大的m天的相似度进行归一化:
(5)、选取m天每天的最大、最小历史天气数据特征向量值uimax和uimin,与其对应天的相似度归一化值相乘,然后将m天的乘积进行相加,得到未来天气数据特征向量的最大值:
特征向量的最小值:
记v0为当前预测时刻的天气数据,v(k-1)表示第k-1个时刻所对应的天气数据,则第k个时刻所对应的天气数据的预测值vk为:
通过对公式5的推算,得到各个时刻天气数据的的预测值vk,k∈[1,l];
(6)、根据各个时刻天气数据的预测值vk,k∈[1,l],再经由风力发电机的风速功率曲线或光伏组件物理模型得到满足预测分辨率的功率预测值。
2.根据权利要求1所述的预测分辨率可变的风光功率预测方法,其特征在于,所述的相似度较大是指相似度大于80%。
3.根据权利要求1所述的预测分辨率可变的风光功率预测方法,其特征在于,所述的数值天气预报数据中的风速数据,经过天气预报数据修正模块提高其精确度后,再经过风场风力发电机物理模型处理,得到风力发电机组测风仪处的天气预报各预测时刻的风速;
其中,天气预报数据修正模块是根据历史天气预报信息及其误差样本对气象部门提供的数值天气预报风速数据进行的修正;风场风力发电机物理模型计算数值天气预报点到风场的天气数据变化,然后考虑尾流效应、风轮本身对风速的影响得到风力发电机组测风仪处的天气预报各预测时刻的风速。
4.根据权利要求1所述的预测分辨率可变的风光功率预测方法,其特征在于,所述的数值天气预报数据中的温度和光照强度数据,经过天气预报数据修正模块提高其精确度后,得到光伏组件实际工作环境下的天气预报各预测时刻的温度和光照强度;
天气预报数据修正模块根据历史天气预报数据及其误差样本对气象部门提供的数值天气预报数据进行修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110257897 CN102419394B (zh) | 2011-09-02 | 2011-09-02 | 一种预测分辨率可变的风光功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN 201110257897 CN102419394B (zh) | 2011-09-02 | 2011-09-02 | 一种预测分辨率可变的风光功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102419394A CN102419394A (zh) | 2012-04-18 |
CN102419394B true CN102419394B (zh) | 2013-06-12 |
Family
ID=45943901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN 201110257897 Expired - Fee Related CN102419394B (zh) | 2011-09-02 | 2011-09-02 | 一种预测分辨率可变的风光功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102419394B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930177B (zh) * | 2012-11-23 | 2015-09-30 | 南京信息工程大学 | 一种基于精细边界层模式的复杂地形风电场风速预测方法 |
CN104899465A (zh) * | 2015-06-23 | 2015-09-09 | 河北省电力勘测设计研究院 | 风光优化配比的计算方法 |
CN105404937A (zh) * | 2015-11-26 | 2016-03-16 | 北京国电通网络技术有限公司 | 一种光伏电站短期功率预测方法和系统 |
CN106446494B (zh) * | 2016-05-11 | 2019-01-11 | 新疆大学 | 基于小波包-神经网络的风光功率预测方法 |
CN106385220B (zh) * | 2016-10-17 | 2019-01-22 | 常州元乾智能科技有限公司 | 光伏电站多功能智能管理方法及系统 |
CN107341569B (zh) * | 2017-06-26 | 2020-04-24 | 清华大学 | 结合光伏功率物理模型与数据驱动的光伏功率预测方法 |
CN108491959B (zh) * | 2018-02-11 | 2021-11-19 | 周名扬 | 一种智能相似天气预报方法及系统、信息数据处理终端 |
CN109509114A (zh) * | 2018-09-19 | 2019-03-22 | 中国电力科学研究院有限公司 | 一种区域风电出力波动趋势预测方法及系统 |
IT201800009453A1 (it) * | 2018-10-15 | 2020-04-15 | Technoalpin Holding - Spa | Metodo e sistema per pianificare la produzione di un impianto di innevamento artificiale |
CN110866630A (zh) * | 2019-09-27 | 2020-03-06 | 兰州大方电子有限责任公司 | 一种历史相似性天气分析方法 |
CN115065104B (zh) * | 2022-08-15 | 2022-11-01 | 中通服建设有限公司 | 一种微电网多能源集成调度系统 |
CN115330092B (zh) * | 2022-10-13 | 2023-03-24 | 山东东盛澜渔业有限公司 | 基于人工智能的海洋牧场再生能源供能控制方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003345981A (ja) * | 2002-05-30 | 2003-12-05 | Keio Gijuku | 年金資産配分算出装置 |
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 |
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050083206A1 (en) * | 2003-09-05 | 2005-04-21 | Couch Philip R. | Remote electrical power monitoring systems and methods |
-
2011
- 2011-09-02 CN CN 201110257897 patent/CN102419394B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003345981A (ja) * | 2002-05-30 | 2003-12-05 | Keio Gijuku | 年金資産配分算出装置 |
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 |
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 |
Non-Patent Citations (2)
Title |
---|
基于非参数回归模型的短期风电功率预测;王彩霞等;《电力系统自动化》;20100825;第36卷(第16期);第78页-91页 * |
王彩霞等.基于非参数回归模型的短期风电功率预测.《电力系统自动化》.2010,第36卷(第16期),第78页-91页. |
Also Published As
Publication number | Publication date |
---|---|
CN102419394A (zh) | 2012-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102419394B (zh) | 一种预测分辨率可变的风光功率预测方法 | |
Dufo-López et al. | Multi-objective optimization minimizing cost and life cycle emissions of stand-alone PV–wind–diesel systems with batteries storage | |
CN105375479B (zh) | 一种基于模型预测控制的分布式能源能量管理方法 | |
CN102269124B (zh) | 超短期风电场发电功率预测系统 | |
CN105356492B (zh) | 一种适用于微电网的能量管理仿真系统及方法 | |
CN102694391B (zh) | 风光储联合发电系统日前优化调度方法 | |
CN102623989B (zh) | 一种间歇分布式电源优化配置方法 | |
CN103001249B (zh) | 基于bp神经网络的风电场短期功率预测方法 | |
CN107689638A (zh) | 一种基于相轨迹分析的含风电电力系统暂态协调控制方法 | |
An et al. | Coordinative optimization of hydro-photovoltaic-wind-battery complementary power stations | |
CN104268659A (zh) | 一种光伏电站发电功率超短期预测方法 | |
CN107832869A (zh) | 一种风力发电与光伏发电的发电功率预测方法 | |
Liu et al. | Optimal configuration of hybrid solar-wind distributed generation capacity in a grid-connected microgrid | |
CN105046349B (zh) | 一种计及尾流效应的风电功率预测方法 | |
CN104899465A (zh) | 风光优化配比的计算方法 | |
CN103684213A (zh) | 风光互补系统设计方法 | |
Bertašienė et al. | Synergies of Wind Turbine control techniques | |
Wang et al. | Adequacy assessment of generating systems incorporating wind, PV and energy storage | |
CN109546647B (zh) | 一种用于含风光水储的电力系统的安全稳定评估方法 | |
CN115313508A (zh) | 一种微电网储能优化配置方法、装置及存储介质 | |
CN104850914B (zh) | 一种基于特征建模的新能源发电量预测方法 | |
Xiao et al. | Short-term optimized operation of Multi-energy power system based on complementary characteristics of power sources | |
Liu et al. | Wind-solar micro grid reliability evaluation based on sequential Monte Carlo | |
Murthy et al. | Longterm analysis of wind speed and wind power resource assessment for the site Vijayawada, Andhra Pradesh, India | |
Lachheb et al. | Fostering Sustainability through the Integration of Renewable Energy in an Agricultural Hydroponic Greenhouse |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130612 Termination date: 20160902 |