CN102542167A - 一种风电场风速时间序列预测方法 - Google Patents
一种风电场风速时间序列预测方法 Download PDFInfo
- Publication number
- CN102542167A CN102542167A CN2011104590343A CN201110459034A CN102542167A CN 102542167 A CN102542167 A CN 102542167A CN 2011104590343 A CN2011104590343 A CN 2011104590343A CN 201110459034 A CN201110459034 A CN 201110459034A CN 102542167 A CN102542167 A CN 102542167A
- Authority
- CN
- China
- Prior art keywords
- wind
- component
- time series
- signal
- function
- 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.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明是一种风电场风速时间序列预测方法,其特点是,包括的步骤有:利用风速采集仪器每隔一小时记录一次同一地区的风速数据,整理采集的原始风速数据形成风速时间序列用于分析预测;运用快速独立分量分析算法对风速时间序列进行多尺度分解,分解得到多个独立分量;通过对各个独立分量的延迟时间和嵌入维数的计算,运用相空间重构理论对各个独立分量进行相空间重构;利用最小二乘支持向量机回归模型对相空间重构后的各个独立分量进行建模预测;将预测结果进行叠加得到最终的风速时间序列的预测结果。具有风速时间序列预测科学合理,准确、可靠和适用性强等优点。
Description
技术领域
本发明涉及一种风电场风速时间序列预测方法,尤其涉及一种基于局域均值分解和多核最小二乘支持向量机的短期风速预测方法。
背景技术
能源与环境是当今人类生存和发展所急需解决的问题。常规能源以煤、石油、天然气为主,它不仅资源有限,而且还造成了严重的大气污染。因此,对可再生能源的利用,尤其是对风能的开发利用,已受到各个国家的高度重视。随着风能利用的加速发展,越来越多的大型风电场将纳入电网的统调,风电在电网的比重越来越大,但是由于系统的最大负荷受限于风电场穿透功率极限,所以当负荷超过一定值,就会严重影响电网稳定的运行。而对风速的准确预测可以减少风电场的旋转设备和运行成本,提高风电穿透功率极限,可以帮助调度部门及时调整计划,从而减轻风能对电网的冲击。
目前,国内外用于风速预测的方法主要有持续预测法、卡尔曼滤波法、时间序列分析法和神经网络方法。以上预测方法大多都针对原始风速序列,存在着风速预测精度低,平均相对预测误差通常达到20%。
发明内容
本发明的目的在于克服现有风速预测技术上的缺陷,提出一种准确、可靠,应用价值高的基于局域均值分解和多核最小二乘支持向量机的短期风速预测方法。
本发明的目的是由以下技术方案来实现的:一种风电场风速时间序列预测方法,其特征在于,它包括下述步骤:
(1)利用风速采集仪器每隔一小时记录一次同一地区的风速数据,整理采集的原始风速数据,形成风速时间序列用于分析预测;
(2)运用局域均值分解算法对风速时间序列进行多尺度分解,分解得到多个PF分量,
局域均值分解算法步骤如下:
(a)找出原始信号x(t)所有的局部极值点ni,求出所有相邻的局部极值点的平均值:
将所有相邻的平均值点mi用直线连接起来,然后用滑动平均法进行平滑处理,得到局 部均值函数m11(t);
(b)求出包络估计值
将所有相邻的平均值点ai用直线连接起来,然后用滑动平均法进行平滑处理,得到包络估计函数a11(t);
(c)将局部均值函数m11(t)从原始信号x(t)中分离出来,得到
h11(t)=x(t)-m11(t) (3)
(d)用h11(t)除以包络估计函数a11(t)以对h11(t)进行解调,得到
s11(t)=h11(t)/a11(t) (4)
对s11(t)重复上述步骤便能得到s11(t)的包络估计函数a12(t),假如a12(t)不等于1,说明s11(t)不是一个纯调频信号,需要重复上述迭代过程n次,直至s1n(t)为一个纯调频信号,也就是s1n(t)的包络估计函数a1(n+1)(t)=1,所以有
式中
迭代终止条件为
为了减少迭代次数,降低运算时间,设置一个变量Δ=10-4,使得当满足1-Δ≤a1n(t)≤1+Δ时,终止迭代;
(e)将迭代过程中所产生的全部包络估计函数相乘,得到包络信号瞬时幅值函数:
(f)将包络信号a1(t)和纯调频信号s1n(t)相乘得:
PF1(t)=a1(t)s1n(t) (9)
它为信号x(t)的第一个PF分量,包含了原始信号的最高频率成分,是一个单分量的调幅、调频信号,瞬时频率f1(t)则由调频信号s1n(t)求出:
(g)从原始信号x(t)中将第一个PF分量PF1(t)分离出来,得到剩余信号u1(t),由于剩余信号u1(t)中还包含有较多的频率成分,因此将u1(t)作为原始数据重复以上步骤对其进行分解,得到第二个PF分量,重复这个过程直到uk为一个单调函数为止,得到一定数量的PF分量:
最终信号x(t)可表示为k个PF分量和余量之和:
(3)通过对各个PF分量的延迟时间τ和嵌入维数m的计算,运用相空间重构理论对各个PF分量进行相空间重构;
yPF(t)={PFp(t),PFp(t+τ),Λ,PFp[t+(m-1)τ]} (13)
yu(t)={uk(t),uk(t+τ),Λ,uk[t+(m-1)τ]} (14)
t=1,2,Λ.,p=1,2,Λ,k
(4)利用多核最小二乘支持向量机回归模型对相空间重构后的各个PF分量进行建模预测;
(5)将预测结果进行叠加得到最终的风速时间序列的预测结果
所述原始风速数据中相邻两个风速数据点之间的采集间隔为15~60min。
所述步骤(3)中,所述各个PF分量(p=1,2,Λ,k)的延迟时间使用自相关法获得,所述各个PF分量的嵌入维数使用假近邻法获得,自相关法计算延迟时间τ的方法为:按照式(18)计算各PFp分量跨度为jτ的自相关函数R(jτ)
式中PFpi(i=1,2,Λ,N)为PF分量,固定j,作出自相关函数R(jτ)关于时间τ(即取τ=1,2,Λ)的函数图像,则R(jτ)第一次达到零点时所对应的τ即为延迟时间;
假近邻法确定嵌入维数方法具体为:在m维空间中,每个相点矢量为X(i)={PFp(i),PFp(i+τ),Λ,PFp(i+(m-1)τ)},都有一个某距离内的最近邻点XNN(i),其距离为Rm(i),则
当相空间的维数增加到m+1维时,这两个相点的距离就会发生变化,两者的距离成为Rm+1(i),且有
由m增加1而引起的两近邻点间距离的变化时
定义新距离E(m)
E1(m)=E(m+1)/E(m) (23)
式中:E1(m)为两个新距离的比值,当E1(m)在m>m0时,E1(m)=1不再变化,则m0即为确定的嵌入维数。
所述步骤(4)中,所述的多核最小二乘支持向量机回归模型中的多核核函数,表示为
K=λ1Kpoly+λ2KRBF+λ3Kexp
式中,K为多核函数,Kploy为多项式核函数,Kpoly=(xixj)+c)d;KRBF为径向基函数,KRBF=exp(-(xi-xj)2/(2σ2));Kexp为指数核函数,Kexp=exp(-||xi-xj||/(2σ′2));λ1,λ2,λ3分别为核函数的权值, 且0≤λk≤1。
本发明的一种风电场风速时间序列预测方法的优点体现在:
1.由于运用局域均值分解算法,对原始风速时间序列进行分解,得到多个不同尺度的PF分量,从而简化了不同特征信息间的藕合,降低了预测建模的难度;
2.由于采用最小二乘支持向量机回归模型进行预测,通过对多个不同类型核函数的线性加权组合构造新的等价核函数,降低单一核函数及其参数的选择对建模精度的影响;
3.由于将局域均值分解和多核最小二乘支持向量机二者相结合来建立预测模型,充分发挥两种算法的优点,从而提高了预测的科学性,准确、可靠性和适用性。
附图说明
图1是本发明的一种风电场风速时间序列预测方法流程图。
图2是本发明具体实施方式中东北某风电场2010年12月份的实测风速时间数列。
图3是本发明中具体实施方式中利用局域均值分解将原始风速时间序列进行多尺度分解的分解结果。
图4是本发明具体实施方式中的风速的预测效果图。
具体实施方式
参照图1,本发明的一种风电场风速时间序列预测方法是基于局域均值分解Local Mean Decomposition,LMD和多核最小二乘支持向量机Multiple Kernel Least Square Support Vector Machine,MK-LSSVM的短期风速预测方法,包括下述步骤:
(1)利用风速采集仪器每隔一小时记录一次同一地区的风速数据,整理采集的原始风速数据,形成风速时间序列用于分析预测;
(2)运用LMD算法对风速时间序列进行多尺度分解,分解得到多个PF分量。
LMD算法步骤如下:
(a)找出原始信号x(t)所有的局部极值点ni,求出所有相邻的局部极值点的平均值:
将所有相邻的平均值点mi用直线连接起来,然后用滑动平均法进行平滑处理,得到局部均值函数m11(t)。
(b)求出包络估计值
将所有相邻的平均值点ai用直线连接起来,然后用滑动平均法进行平滑处理,得到包络估计函数a11(t)。
(c)将局部均值函数m11(t)从原始信号x(t)中分离出来,得到
h11(t)=x(t)-m11(t) (3)
(d)用h11(t)除以包络估计函数a11(t)以对h11(t)进行解调,得到
s11(t)=h11(t)/a11(t) (4)
对s11(t)重复上述步骤便能得到s11(t)的包络估计函数a12(t),假如a12(t)不等于1,说明s11(t)不是一个纯调频信号,需要重复上述迭代过程n次,直至s1n(t)为一个纯调频信号,也就是s1n(t)的包络估计函数a1(n+1)(t)=1,所以有
式中
迭代终止条件为
为了减少迭代次数,降低运算时间,可以设置一个变量Δ=10-4,使得当满足 1-Δ≤a1n(t)≤1+Δ时,终止迭代。
(e)将迭代过程中所产生的全部包络估计函数相乘,得到包络信号(瞬时幅值函数):
(f)将包络信号a1(t)和纯调频信号s1n(t)相乘得:
PF1(t)=a1(t)s1n(t) (9)
它为信号x(t)的第一个PF分量,包含了原始信号的最高频率成分,是一个单分量的调幅-调频信号,瞬时频率f1(t)则可由调频信号s1n(t)求出:
(g)从原始信号x(t)中将第一个PF分量PF1(t)分离出来,得到剩余信号u1(t),由于剩余信号u1(t)中还包含有较多的频率成分,因此将u1(t)作为原始数据重复以上步骤对其进行分解,得到第二个PF分量,重复这个过程直到uk为一个单调函数为止,得到一定数量的PF分量:
最终信号x(t)可表示为k个PF分量和余量之和:
(3)通过对各个PF分量的延迟时间τ和嵌入维数m的计算,运用相空间重构理论对各个PF分量进行相空间重构;
yPF(t)={PFp(t),PFp(t+τ),Λ,PFp[t+(m-1)τ]} (13)
yu(t)={uk(t),uk(t+τ),Λ,uk[t+(m-1)τ]} (14)
t=1,2,Λ.,p=1,2,Λ,k
(4)利用多核最小二乘支持向量机回归模型对相空间重构后的各个PF分量进行建模预测;
(5)将预测结果进行叠加得到最终的风速时间序列的预测结果
所述原始风速数据中相邻两个风速数据点之间的采集间隔为15~60min。
所述步骤(3)中,所述各个PF分量(p=1,2,Λ,k)的延迟时间使用自相关法获得,所述各个PF分量的嵌入维数使用假近邻法获得,自相关法计算延迟时间τ的方法为:按照式(18)计算各PFp分量跨度为jτ的自相关函数R(jτ)
式中PFpi(i=1,2,Λ,N)为PF分量。固定j,作出自相关函数R(jτ)关于时间τ(即取τ=1,2,Λ)的函数图像,则R(jτ)第一次达到零点时所对应的τ即为延迟时间τ。
假近邻法确定嵌入维数方法具体为:在m维空间中,每个相点矢量为X(i)={PFp(i),PFp(i+τ),Λ,PFp(i+(m-1)τ)},都有一个某距离内的最近邻点XNN(i),其距离为Rm(i),则
但相空间的维数增加到m+1维时,这两个相点的距离就会发生变化,两者的距离成为Rm+1(i),且有
由m增加1而引起的两近邻点间距离的变化是
定义新的距离E(m)
E1(m)=E(m+1)/E(m) (23)
式中:E1(m)为两个新距离的比值,当E1(m)在m>m0时,E1(m)=1不再变化,则m0即为 确定的嵌入维数。
所述步骤(4)中,所述的多核最小二乘支持向量机回归模型中的多核核函数,表示为
K=λ1Kpoly+λ2KRBF+λ3Kexp
式中,K为多核函数,Kploy为多项式核函数,Kpoly=(xixj)+c)d;KRBF为径向基函数,KRBF=exp(-(xi-xj)2/(2σ2));Kexp为指数核函数,Kexp=exp(-||xi-xj||/(2σ′2));λ1,λ2,λ3分别为核函数的权值, 且0≤λk≤1。
参照图2,以东北某风电场2010年12月份的实测风速时间数列作为实验样本,对本发明的预测模型进行了验证。图2所示为该月的实测原始风速时间序列,每小时作为一个采样点,共720点。可见,原始风速序列波动较剧烈,且无明显变化规律。将后10天的风速时间序列,采样点481-720,共240点作为测试样本,按照相空间重构算法,依次利用最近480点预测下一个时刻的风速。以第481点为例,预测过程如下:
(1)将前480个风速样本点进行局域均值分解分解,得到4个PF分量和剩余分量如图3所示。可以看出,除PF1和PF2外,其余分量均具有明显变换规律且比较平稳,故一定程度上降低了建模难度。
(2)对PF分量建立多核最小二乘支持向量机预测模型。根据各自的预测模型对每一个分量进行预测,叠加得到第481点的风速值。
为了提高预测精度,降低等价核函数K对单个核函数参数的依赖性,权值λk(k=1,2,3)以每个核函数预测的均方根误差σRMS作为选择标准,σRMS较小的给较大的权值。λk选择方法如下:
通过计算得到核函数的权值分别为:λ1=0.43,λ2=0.31,λ3=0.26。对采样点481-720逐个进行预测,预测结果和测试样本对比见图4。从图4可见,预测值和实测值在大多时刻吻合较好,说明所建立的预测模型符合该风速的变化规律。
选择合理的误差指标,对评定预测效果的好坏有着重要的作用。本发明运用用下式对 预测效果进行检验:
为了进一步验证本发明的有效性,分别对前480个风速样本点进行经验模式分解Empirical Mode Decomposition,EMD分解,得到的预测结果如表1所示。
从表中可以看出,当采用均方根误差衡量预测结果时,较经验模式分解法降低了约16.5%,说明本发明的模型具有良好的预测精度。
表1
具体实施方式给出本发明的一种风电场风速时间序列预测方法并非穷举,本领域技术人员不经过创造性劳动的简单复制和改进,仍属于本发明权利要求保护的范围。
Claims (4)
1.一种风电场风速时间序列预测方法,其特征在于,它包括下述步骤:
(1)利用风速采集仪器每隔一小时记录一次同一地区的风速数据,整理采集的原始风速数据,形成风速时间序列用于分析预测;
(2)运用局域均值分解算法对风速时间序列进行多尺度分解,分解得到多个PF分量,
局域均值分解算法步骤如下:
(a)找出原始信号x(t)所有的局部极值点ni,求出所有相邻的局部极值点的平均值:
将所有相邻的平均值点mi用直线连接起来,然后用滑动平均法进行平滑处理,得到局部均值函数m11(t);
(b)求出包络估计值
将所有相邻的平均值点ai用直线连接起来,然后用滑动平均法进行平滑处理,得到包络估计函数a11(t);
(c)将局部均值函数m11(t)从原始信号x(t)中分离出来,得到
h11(t)=x(t)-m11(t) (3)
(d)用h11(t)除以包络估计函数a11(t)以对h11(t)进行解调,得到
s11(t)=h11(t)/a11(t) (4)
对s11(t)重复上述步骤便能得到s11(t)的包络估计函数a12(t),假如a12(t)不等于1,说明s11(t)不是一个纯调频信号,需要重复上述迭代过程n次,直至s1n(t)为一个纯调频信号,也就是s1n(t)的包络估计函数a1(n+1)(t)=1,所以有
式中
迭代终止条件为
为了减少迭代次数,降低运算时间,设置一个变量Δ=10-4,使得当满足1-Δ≤a1n(t)≤1+Δ时,终止迭代;
(e)将迭代过程中所产生的全部包络估计函数相乘,得到包络信号瞬时幅值函数:
(f)将包络信号a1(t)和纯调频信号s1n(t)相乘得:
PF1(t)=a1(t)s1n(t) (9)
它为信号x(t)的第一个PF分量,包含了原始信号的最高频率成分,是一个单分量的调幅、调频信号,瞬时频率f1(t)则由调频信号s1n(t)求出:
(g)从原始信号x(t)中将第一个PF分量PF1(t)分离出来,得到剩余信号u1(t),由于剩余信号u1(t)中还包含有较多的频率成分,因此将u1(t)作为原始数据重复以上步骤对其进行分解,得到第二个PF分量,重复这个过程直到uk为一个单调函数为止,得到一定数量的PF分量:
最终信号x(t)可表示为k个PF分量和余量之和:
(3)通过对各个PF分量的延迟时间τ和嵌入维数m的计算,运用相空间重构理论对各个PF分量进行相空间重构;
yPF(t)={PFp(t),PFp(t+τ),Λ,PFp[t+(m-1)τ]} (13)
yu(t)={uk(t),uk(t+τ),Λ,uk[t+(m-1)τ]} (14)
t=1,2,Λ.,p=1,2,Λ,k
(4)利用多核最小二乘支持向量机回归模型对相空间重构后的各个PF分量进行建模预测;
(5)将预测结果进行叠加得到最终的风速时间序列的预测结果
2.根据权利要求1所述的一种风电场风速时间序列预测方法,其特征在于:所述原始风速数据中相邻两个风速数据点之间的采集间隔为15~60min。
3.根据权利要求1所述的一种风电场风速时间序列预测方法,其特征在于:所述步骤(3)中,所述各个PF分量(p=1,2,Λ,k)的延迟时间使用自相关法获得,所述各个PF分量的嵌入维数使用假近邻法获得,自相关法计算延迟时间τ的方法为:按照式(18)计算各PFp分量跨度为jτ的自相关函数R(jτ)
式中PFpi(i=1,2,Λ,N)为PF分量,固定j,作出自相关函数R(jτ)关于时间τ(即取τ=1,2,Λ)的函数图像,则R(jτ)第一次达到零点时所对应的τ即为延迟时间;
假近邻法确定嵌入维数方法具体为:在m维空间中,每个相点矢量为X(i)={PFp(i),PFp(i+τ),Λ,PFp(i+(m-1)τ)},都有一个某距离内的最近邻点XNN(i),其距离为Rm(i),则
当相空间的维数增加到m+1维时,这两个相点的距离就会发生变化,两者的距离成为Rm+1(i),且有
由m增加1而引起的两近邻点间距离的变化时
定义新距离E(m)
E1(m)=E(m+1)/E(m) (23)
式中:E1(m)为两个新距离的比值,当E1(m)在m>m0时,E1(m)=1不再变化,则m0即为确定的嵌入维数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110459034.3A CN102542167B (zh) | 2011-12-31 | 2011-12-31 | 一种风电场风速时间序列预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201110459034.3A CN102542167B (zh) | 2011-12-31 | 2011-12-31 | 一种风电场风速时间序列预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102542167A true CN102542167A (zh) | 2012-07-04 |
CN102542167B CN102542167B (zh) | 2014-12-24 |
Family
ID=46349038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201110459034.3A Expired - Fee Related CN102542167B (zh) | 2011-12-31 | 2011-12-31 | 一种风电场风速时间序列预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102542167B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
CN104165759A (zh) * | 2014-06-17 | 2014-11-26 | 中州大学 | 一种基于复局部均值分解的转子碰摩故障特征提取方法 |
CN104281888A (zh) * | 2014-09-16 | 2015-01-14 | 国家电网公司 | 一种配电网架空输电导线断线风险指数预测方法 |
CN104333005A (zh) * | 2014-08-18 | 2015-02-04 | 西南交通大学 | 基于支持向量回归的电力系统扰动后频率动态预测方法 |
CN104504475A (zh) * | 2014-12-24 | 2015-04-08 | 上海大学 | 基于ar*-svm混合建模的雾霾时间序列预测方法 |
CN104598755A (zh) * | 2015-02-09 | 2015-05-06 | 哈尔滨工业大学 | 基于风速陡变占空比的风速间歇性定量刻画方法 |
CN104978608A (zh) * | 2015-06-24 | 2015-10-14 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN105160587A (zh) * | 2015-05-26 | 2015-12-16 | 河海大学 | 一种计及风速波动特性的风电穿透功率极限获取方法 |
CN105243444A (zh) * | 2015-10-09 | 2016-01-13 | 杭州尚青科技有限公司 | 一种基于在线多核回归的城市监测站点空气质量预测方法 |
CN108563829A (zh) * | 2018-03-14 | 2018-09-21 | 天津大学 | 一种基于贝叶斯鲁棒函数回归的多步风速预报方法 |
CN109242532A (zh) * | 2018-08-03 | 2019-01-18 | 广东工业大学 | 基于局域均值分解及优化rbf神经网络的短期电价预测方法 |
CN107491828B (zh) * | 2016-06-13 | 2020-11-10 | 上海交通大学 | 一种基于多源时变数据最优多核函数的分布式新能源出力预测方法 |
WO2021004154A1 (zh) * | 2019-07-05 | 2021-01-14 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
CN112329339A (zh) * | 2020-10-27 | 2021-02-05 | 河北工业大学 | 一种风电场短期风速预测方法 |
CN116520096A (zh) * | 2023-07-04 | 2023-08-01 | 常州长创力智能科技有限公司 | 一种基于lmd分解的行波故障定位方法及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846753A (zh) * | 2010-04-29 | 2010-09-29 | 南京信息工程大学 | 基于经验模态分解和支持向量机的气候时序预测方法 |
-
2011
- 2011-12-31 CN CN201110459034.3A patent/CN102542167B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101846753A (zh) * | 2010-04-29 | 2010-09-29 | 南京信息工程大学 | 基于经验模态分解和支持向量机的气候时序预测方法 |
Non-Patent Citations (4)
Title |
---|
刘卫兵: "基于局域均值分解的机械故障诊断方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》 * |
李志农等: "基于局域均值分解包络谱和SVM的滚动轴承故障诊断方法研究", 《机械设计与制造》 * |
洪翠: "风电场风速及风电功率预测方法研究综述", 《电网与清洁能源》 * |
陈强等: "基于多核最小二乘支持向量机的永磁同步电机混沌建模及其实时在线预测", 《物理学报》 * |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
CN104165759B (zh) * | 2014-06-17 | 2017-01-11 | 中州大学 | 一种基于复局部均值分解的转子碰摩故障特征提取方法 |
CN104165759A (zh) * | 2014-06-17 | 2014-11-26 | 中州大学 | 一种基于复局部均值分解的转子碰摩故障特征提取方法 |
CN104333005A (zh) * | 2014-08-18 | 2015-02-04 | 西南交通大学 | 基于支持向量回归的电力系统扰动后频率动态预测方法 |
CN104281888A (zh) * | 2014-09-16 | 2015-01-14 | 国家电网公司 | 一种配电网架空输电导线断线风险指数预测方法 |
CN104504475A (zh) * | 2014-12-24 | 2015-04-08 | 上海大学 | 基于ar*-svm混合建模的雾霾时间序列预测方法 |
CN104598755B (zh) * | 2015-02-09 | 2017-06-23 | 哈尔滨工业大学 | 基于风速陡变占空比的风速间歇性定量刻画方法 |
CN104598755A (zh) * | 2015-02-09 | 2015-05-06 | 哈尔滨工业大学 | 基于风速陡变占空比的风速间歇性定量刻画方法 |
CN105160587A (zh) * | 2015-05-26 | 2015-12-16 | 河海大学 | 一种计及风速波动特性的风电穿透功率极限获取方法 |
CN104978608B (zh) * | 2015-06-24 | 2019-03-01 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN104978608A (zh) * | 2015-06-24 | 2015-10-14 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN105243444A (zh) * | 2015-10-09 | 2016-01-13 | 杭州尚青科技有限公司 | 一种基于在线多核回归的城市监测站点空气质量预测方法 |
CN107491828B (zh) * | 2016-06-13 | 2020-11-10 | 上海交通大学 | 一种基于多源时变数据最优多核函数的分布式新能源出力预测方法 |
CN108563829A (zh) * | 2018-03-14 | 2018-09-21 | 天津大学 | 一种基于贝叶斯鲁棒函数回归的多步风速预报方法 |
CN108563829B (zh) * | 2018-03-14 | 2020-07-31 | 天津大学 | 一种基于贝叶斯鲁棒函数回归的多步风速预报方法 |
CN109242532A (zh) * | 2018-08-03 | 2019-01-18 | 广东工业大学 | 基于局域均值分解及优化rbf神经网络的短期电价预测方法 |
WO2021004154A1 (zh) * | 2019-07-05 | 2021-01-14 | 重庆邮电大学 | 一种数控机床刀具剩余寿命预测方法 |
US11624731B2 (en) | 2019-07-05 | 2023-04-11 | Chongqing University Of Posts And Telecommunications | Method for predicting remaining life of numerical control machine tool |
CN112329339A (zh) * | 2020-10-27 | 2021-02-05 | 河北工业大学 | 一种风电场短期风速预测方法 |
CN112329339B (zh) * | 2020-10-27 | 2022-07-19 | 河北工业大学 | 一种风电场短期风速预测方法 |
CN116520096A (zh) * | 2023-07-04 | 2023-08-01 | 常州长创力智能科技有限公司 | 一种基于lmd分解的行波故障定位方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN102542167B (zh) | 2014-12-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102542167B (zh) | 一种风电场风速时间序列预测方法 | |
De Koning et al. | Metal supply constraints for a low-carbon economy? | |
Bilir et al. | An investigation on wind energy potential and small scale wind turbine performance at İncek region–Ankara, Turkey | |
Khahro et al. | Evaluation of wind power production prospective and Weibull parameter estimation methods for Babaurband, Sindh Pakistan | |
Hagspiel et al. | Copula-based modeling of stochastic wind power in Europe and implications for the Swiss power grid | |
Jowder | Wind power analysis and site matching of wind turbine generators in Kingdom of Bahrain | |
CN102628876B (zh) | 一种包含上下游效应实时监测的超短期预测方法 | |
Saeedi et al. | An adaptive machine learning framework for behind-the-meter load/PV disaggregation | |
Yun et al. | Probabilistic estimation model of power curve to enhance power output forecasting of wind generating resources | |
CN102539822B (zh) | 一种短期风速预测方法 | |
Drew et al. | The importance of accurate wind resource assessment for evaluating the economic viability of small wind turbines | |
Alzubaidi et al. | Impact of probabilistic modelling of wind speed on power system voltage profile and voltage stability analysis | |
CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
CN110633818A (zh) | 一种配电网台风风灾预警方法及系统 | |
Ibanez et al. | Impact of transmission on resource adequacy in systems with wind and solar power | |
Khan et al. | Determination of optimal parametric distribution and technical evaluation of wind resource characteristics for wind power potential at Jhimpir, Pakistan | |
Alanazi et al. | Wind energy assessment using Weibull distribution with different numerical estimation methods: a case study | |
Kim et al. | A probabilistic approach to potential estimation of renewable energy resources based on augmented spatial interpolation | |
Díaz et al. | Key factors influencing urban wind energy: A case study from the Dominican Republic | |
Kaplan et al. | The analysis of wind speed potential and energy density in Ankara | |
CN103886133A (zh) | 一种测风塔覆盖范围统计分析方法 | |
CN104598713A (zh) | 一种电网理论线损计算需求数据合成方法 | |
Klimenko et al. | Long-term development prospects of Russia’s wind energy in the conditions of expected climate changes | |
Gangopadhyay et al. | Beneficial role of diurnal smoothing for grid integration of wind power | |
Hill et al. | A vector auto-regressive model for onshore and offshore wind synthesis incorporating meteorological model information |
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: 20141224 Termination date: 20171231 |