CN103268416A - 基于stcp-bp的风速预测方法 - Google Patents

基于stcp-bp的风速预测方法 Download PDF

Info

Publication number
CN103268416A
CN103268416A CN2013101875345A CN201310187534A CN103268416A CN 103268416 A CN103268416 A CN 103268416A CN 2013101875345 A CN2013101875345 A CN 2013101875345A CN 201310187534 A CN201310187534 A CN 201310187534A CN 103268416 A CN103268416 A CN 103268416A
Authority
CN
China
Prior art keywords
prediction
wind speed
stcp
point
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.)
Granted
Application number
CN2013101875345A
Other languages
English (en)
Other versions
CN103268416B (zh
Inventor
刘兴杰
郑文书
岑添云
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201310187534.5A priority Critical patent/CN103268416B/zh
Publication of CN103268416A publication Critical patent/CN103268416A/zh
Application granted granted Critical
Publication of CN103268416B publication Critical patent/CN103268416B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于STCP-BP的风速预测方法，所述方法首先利用目标预测点盛行风向的上风向邻域点的风速及风向信息，建立时空相关性预测模型，得到目标预测点的风速预测值；然后运用目标预测点的历史风速数据建立BP神经网络直接多步预测模型，得到目标预测点的未来多步风速预测值；最后将两种预测值进行平均组合预测，得到目标预测点风速的直接多步预测值。本发明在传统神经网络预测方法的基础上加入了上风向观测点的风速信息，既考虑了风速演变的时空相关特性，又采用统计方法实现多步预测，大大提高了风电场风速的预测精度。所述方法能够为调度部门制定和调整计划提供可靠的参考数据，从而减轻了风电的间歇性对电网的影响。

Description

基于STCP-BP的风速预测方法
技术领域
本发明涉及一种用于风电场的风速预测方法，属于发电技术领域。
背景技术
随着环境问题的日益突出与能源危机的日益加剧，风力发电得到了飞速发展。大规模风电并网在带来显著的环境和经济效益的同时，风能本身的不确定性和间歇性所造成的风电并网消纳和电网运行安全问题也日益突出。如果能对风功率进行准确的预测，就可以减少电力系统的运行成本和旋转备用，提高风电穿透功率极限，有利于调度部门及时调整计划，从而减轻风电的间歇性对电网的影响。
目前，风电功率的预测方法有多种类型，按照预测时效划分，可分为超短期、短期、中期和长期预测；按照预测对象不同，可分为基于风速的预测和直接功率的预测；按照模型预测原理不同，可分为统计方法、学习方法与物理方法。由于风电功率与风速紧密相关，风速预测是风电功率预测的基础。近年来，国内外学者对风速预测的理论和方法已经进行了广泛研究，不断应用于风速预测中，其中较常用的有时间序列分析，人工神经网络、支持向量机、模糊理论等等。其中，由于人工神经网络具有分布并行处理，非线性映射，自适应学习能力，鲁棒和容错性等特点，在风速预测中应用最为广泛。
然而，由于风速演变的影响因素诸多并且复杂，其风速序列表现出很强的不确定性和随机性，以往的风电场短期风速预测大都基于目标预测点的风速序列，预测精度不高。如果考虑相近邻地点间的风速演变的物理特性，建立风的运动方程解析式，就能够提高风速单步预测的精度，然而存在一个很现实的问题就是预测时效较短，不符合风电接入的实际要求，因此，如何既能考虑风速演变的物理特性，又能实现直接多步预测，就成为亟需解决的问题。
发明内容
本发明的目的在于针对现有技术之弊端，提供一种既能考虑风速的时空相关特性，又能实现风速直接多步预测的基于STCP-BP的风电场风速预测方法。
本发明所述问题是以下述技术方案实现的：
一种基于STCP-BP的风速预测方法，所述方法首先利用目标预测点盛行风向的上风向邻域点的风速及风向信息，建立时空相关性预测（STCP）模型，得到目标预测点的风速预测值；然后运用目标预测点的历史风速数据建立BP神经网络直接多步预测模型，得到目标预测点的未来多步风速预测值；最后将两种预测值进行平均组合预测，得到目标预测点风速的直接多步预测值。
上述基于STCP-BP的风速预测方法，预测步骤如下：
a.建立时空相关性预测（STCP）模型，得到目标预测点风速预测值，具体步骤为：
1）考察风电场及附近区域的盛行风向，选盛行风向的上风向的两个点作为目标预测点s 0邻域内的时空相关点s 1和s 2，测量每两点之间的距离矢量，包括距离相角及距离长度； 
2）利用选定的目标预测点s 0邻域内的两个时空相关点s 1和s 2的风速信息，运用线性关系估计传播风速和目标预测点s 0的风速矢量，所使用的估计模型为：
Figure 930128DEST_PATH_IMAGE001
，
，
Figure 317433DEST_PATH_IMAGE003
，
式中，
Figure 986312DEST_PATH_IMAGE004
为传播风速，表示距离矢量，
Figure 671688DEST_PATH_IMAGE006
 表示点积，A为两个时空相关点s 1和s 2的统称，B即为目标预测点s 0，
Figure 674279DEST_PATH_IMAGE007
为时间，
Figure 728823DEST_PATH_IMAGE008
、
Figure 893088DEST_PATH_IMAGE009
、
Figure 790505DEST_PATH_IMAGE010
、
Figure 862367DEST_PATH_IMAGE011
均为常数；
3)误差修正，修正方程为：
，
其中c是一个常参数，e(t-1)是非校正STCP模型的前一时刻风速矢量误差；
4）最小二乘法优化STCP模型参数p=[ a 0,a 1,b 0,b 1,c]，并确定STCP预测结果的嵌入维数n和m；
5) 应用STCP模型在测试样本集内进行测试：
基于s 1点当前及过去n-1个时刻的风速信息，用优化的STCP模型对s 0点的未来风速进行预测，得到对应的不等间隔的n个预测值
Figure 247529DEST_PATH_IMAGE013
、
Figure 242029DEST_PATH_IMAGE014
…
Figure 586423DEST_PATH_IMAGE015
；
基于s 2点当前及过去m-1个时刻的风速信息，用优化的STCP模型对s 0点的未来风速进行预测，得到对应的不等间隔的m个预测值
Figure 740193DEST_PATH_IMAGE016
、…
Figure 993637DEST_PATH_IMAGE018
；
b.运用目标预测点s 0的历史风速数据，建立BP神经网络直接多步预测模型，进行训练、测试，得到未来h步预测值
Figure 876142DEST_PATH_IMAGE019
、
Figure 635151DEST_PATH_IMAGE020
…，
Figure 281213DEST_PATH_IMAGE022
；
c.将BP神经网络的多步预测值与STCP相应时刻预测值进行组合预测，得到目标预测点风速的直接多步预测值。
上述基于STCP-BP的风速预测方法，将BP神经网络的多步预测值与STCP相应时刻预测值进行组合预测的具体步骤如下：
Figure 623201DEST_PATH_IMAGE023
令i=1，(i<=h)在
Figure 830192DEST_PATH_IMAGE013
、
Figure 474800DEST_PATH_IMAGE014
…
Figure 806555DEST_PATH_IMAGE015
范围内寻找满足条件t 0+i=t s1-j 的
Figure 30863DEST_PATH_IMAGE024
，若搜索到，则将两种预测算法所得的预测风速进行组合，即：
Figure 889097DEST_PATH_IMAGE025
；若搜索不到，则有：
Figure 173448DEST_PATH_IMAGE026
；
其中，λ STCP 为STCP的加权平均系数，λ BP 为BP的加权平均系数，且有λ STCP +λ BP =1；
i=i+1，判断i<=h,若是执行
Figure 4187DEST_PATH_IMAGE023
；否则就执行
Figure 716928DEST_PATH_IMAGE028
；
Figure 172180DEST_PATH_IMAGE028
站点变更为s 2，按照上述～
Figure 44638DEST_PATH_IMAGE027
步骤，得到STCP与BP两种预测算法的组合值；
Figure 611886DEST_PATH_IMAGE029
将搜索范围锁定在s 1及s 2两个站点的n+m个风速预测值内，得出组合预测结果；
Figure 238039DEST_PATH_IMAGE030
改变多步预测的步数h（h=12,18,24），重复步骤
Figure 15371DEST_PATH_IMAGE023
～
Figure 916331DEST_PATH_IMAGE029
。
上述基于STCP-BP的风速预测方法，采用最小二乘法优化STCP模型参数p=[ a 0,a 1,b 0,b 1,c]，时所建立的目标函数为：
Figure 72506DEST_PATH_IMAGE031
，
式中，x为目标预测点的时刻的风速真实值，f(p) 为目标预测点s 0的预测风速。
本发明在传统神经网络预测方法的基础上加入了上风向观测点的风速信息，既考虑了风速演变的时空相关特性，又采用统计方法实现多步预测，大大提高了风电场风速的预测精度。所述方法能够为调度部门制定和调整计划提供可靠的参考数据，从而减轻了风电的间歇性对电网的影响。
附图说明
下面结合附图对本发明作进一步说明。
图1为风电场群的相对位置图；
图2为本发明所采用算法的流程框图；
图3为s 1对s 0的时延的概率统计分布图；
图4为s 2对s 0的时延的概率统计分布图；
图5为s 0点风速序列自相关函数。
文中各符号清单为：为传播风速，
Figure 323993DEST_PATH_IMAGE005
表示距离矢量， 表示点积，A为两个时空相关点s 1和s 2的统称，B即为目标预测点s 0，
Figure 958422DEST_PATH_IMAGE007
为时间，
Figure 54554DEST_PATH_IMAGE008
、、
Figure 428084DEST_PATH_IMAGE010
、
Figure 973466DEST_PATH_IMAGE011
、c均为常数，e(t-1)是非校正STCP模型的前一时刻风速矢量误差，x为目标预测点的
Figure 291315DEST_PATH_IMAGE032
时刻的风速真实值，f(p) 为目标预测点s 0的预测风速，λ STCP 为STCP的加权平均系数，λ BP 为BP的加权平均系数，h为多步预测的步数。
具体实施方式
以中国冀北某风电场群为算例风电场。冀北地区风力资源丰富，盛行风是西北至东南风，冬季大多是由这样的天气形势为主。如图1所示，安装风机的三个点s 1、s 2、s 0，距离分别为s 1  s 2=48km , s 1  s 0=132km, s 2  s 0=85km，海拔高度分别为1554m ,1427m 和1549m。
风电场实际运行数据取自SCADA数据，时间间隔为10min。2009年11-12月的风电场实际运行数据作为训练集。选取1月某天的数据作为测试集。
基于STCP-BP的风电场风速预测方法，其算法的流程框图，参见附图2，具体包括以下步骤：
a.基于时空相关点的风速演变规律，建立时空相关性预测（STCP）模型，得到目标预测点的风速预测值，具体步骤为：
1）考察该风电场及附近区域的盛行风向，选盛行风向的上风向的两个点作为目标预测点s 0邻域内的时空相关点s 1和s 2，测量两点之间的距离矢量，包括距离相角及距离长度，见图1。 
2）运用上风向点的邻域点s 1和s 2风速信息，分别运用线性关系去估计传播风速和下风向点的风速矢量。 
Figure 323042DEST_PATH_IMAGE002
Figure 288592DEST_PATH_IMAGE003
式中，
Figure 93737DEST_PATH_IMAGE004
为传播风速，
Figure 678303DEST_PATH_IMAGE005
表示距离矢量，
Figure 518083DEST_PATH_IMAGE006
 表示点积； A为上风向点s 1和s 2的统称，B即为下风向点s 0。
为了准确寻找下风向s 0点未来时刻
Figure 405267DEST_PATH_IMAGE032
的原始风速
Figure 494446DEST_PATH_IMAGE033
，更便于模型的优化，这里我们对
Figure 85964DEST_PATH_IMAGE032
四舍五入取整；
3)误差修正，修正方程为
 
Figure 701622DEST_PATH_IMAGE012
，
其中c是一个常参数，e(t-1)是非校正STCP模型的前一时刻风速矢量误差；
4)最小二乘法优化STCP模型参数p=[ a 0,a 1,b 0,b 1,c]，目标函数为： 
。
式中，x为目标预测点的
Figure 664079DEST_PATH_IMAGE032
时刻的风速真实值。f(p) 为下风向点的预测风速，是关于STCP模型参数的非线性函数。
选择初始值为p 0=[0，1，0，1，-1]，经最小二乘法寻优后的结果分别为：
P 1=[ 0，0.8，-0.0022，0.3192，-0.8913]，p 2=[ 0 ，0.9，0.4089，0.6108，-0.7395]；
图3-图4分别为从s 1和s 2到s 0点的时延概率统计分布图。
由图可知，s 1对s 0的平均延迟时间为170min，s 2对s 0的平均延迟时间为150min，由此，选择STCP预测结果的嵌入维数为n=17，m=15。
5) STCP模型在测试样本集内进行测试：
基于s 1点当前及过去16个时刻的风速信息，用优化的STCP模型对s 0点的未来风速进行预测，得到对应的不等间隔的17个预测值
Figure 59288DEST_PATH_IMAGE013
、
Figure 280185DEST_PATH_IMAGE014
…
Figure 102648DEST_PATH_IMAGE034
。
基于s 2点当前及过去14个时刻的风速信息，用优化的STCP模型对s 0点的未来风速进行预测，得到对应的不等间隔的15个预测值
Figure 900839DEST_PATH_IMAGE016
、
Figure 99740DEST_PATH_IMAGE017
…
Figure 424411DEST_PATH_IMAGE035
。
b.运用目标预测点s 0点的历史风速数据，建立BP神经网络直接多步预测模型，得到未来h步预测值
Figure 417774DEST_PATH_IMAGE019
、
Figure 703262DEST_PATH_IMAGE020
、…，
Figure 635763DEST_PATH_IMAGE022
;
上述BP模型的建立包括下面具体的步骤：
I传输函数的确定
隐含层神经元采用非线性传递函数tansig，输出层神经元采用线性传递函数purelin。
II网络结构的确定。
观察s 0点风速时间序列的自相关函数图（见图5）可知，过去滞后6阶之内的历史风速值与当前时刻的风速的自相关系数在0.8以上，说明当前时刻之前的最近的6个时刻的风速对当前风速有较大影响，再往前对当前风速的影响相对较小，选择输入神经元个数为6； 
根据Kolmogorov定理：若3层BP输入层神经元个数为n，则隐含层神经元个数选为2n+1个，则网络能够以一定精度逼近非线性函数，可知网络隐含层的神经元为13个； 
对未来1-4小时的每10min的风速分别进行预测，即如果预测未来n时的风速，则需要提前预测预测6n步，输出层神经元的个数与预测步数一致。
III分别进行四种不同预测时效的风速预测，即提前1、2、3、4小时预测。
将每个样本的前6个值作为BP神经网络的输入，后6n个值作为目标输出，进行网络训练及测试，得到h步预测值
Figure 800028DEST_PATH_IMAGE036
，
Figure 572812DEST_PATH_IMAGE037
、…
Figure 113515DEST_PATH_IMAGE038
，
Figure 147199DEST_PATH_IMAGE039
；
c.将BP网络的多步预测值与STCP相应时刻预测值进行组合，从而实现目标预测点风速的直接多步预测，包括以下具体的步骤：
Figure 279103DEST_PATH_IMAGE023
令i=1,在
Figure 742445DEST_PATH_IMAGE013
、
Figure 493364DEST_PATH_IMAGE014
…
Figure 725762DEST_PATH_IMAGE034
范围内寻找满足条件t 0+i=t s1-j 的
Figure 28567DEST_PATH_IMAGE024
，若搜索到，则将两种预测算法所得的预测风速进行组合，即：
Figure 979206DEST_PATH_IMAGE025
；若搜索不到，则有：
Figure 517503DEST_PATH_IMAGE026
。
其中，λ STCP 为STCP的加权平均系数，λ BP 为BP的加权平均系数，通过多次试验取为λ STCP =λ BP =0.5；
i=i+1,判断i<=h ，若是则执行
Figure 343694DEST_PATH_IMAGE023
，否则执行
Figure 188153DEST_PATH_IMAGE028
；
改变为站点s 2的15个预测风速值，按照上述步骤
Figure 612498DEST_PATH_IMAGE023
～
Figure 725948DEST_PATH_IMAGE027
，得到STCP与BP两种预测算法的组合值；
Figure 306971DEST_PATH_IMAGE029
同理，将搜索范围锁定在s 1及s 2两个站点的32个风速预测值内，得出组合预测结果；
Figure 531279DEST_PATH_IMAGE030
改变多步预测的步数h（h=12,18,24），重复步骤
Figure 389513DEST_PATH_IMAGE023
～
Figure 408285DEST_PATH_IMAGE029
。
结果分析
将BP神经网络的预测结果与本发明的STCP-BP的预测结果进行对比分析，结果如下：
随着预测时效的增长，STCP-BP 的预测误差明显的增大。与单纯BP网络的预测结果相比，本发明所提出方法的预测精度提高的百分比分别为10.27%，17.82%，25.23%，22.74%，即随着预测时效增加而增加，在提前18步预测时到达最大值，之后又减小，究其原因是因为上风向站点对于目标预测点的时延大概是17个步长的时间，在该时间范围，基于风速的物理特性的STCP的预测结果大部分都与BP神经网络的预测结果进行了组合，预测精度得以提高。
进行提前4小时预测，即24步预测时，单纯采用BP神经网络的MAE为1.7310，当加入较近站点的STCP结果时，MEA降到1.3374，提高了12%，而加入较远站点STCP的预测结果之后，MAE为1.4061，提高了近19%；由此说明，当预测时效较长时，较远站点的时空相关性信息对于目标预测点预测精度的提升有显著的影响。
以上所述是本发明的优选方式而已，并非用来限定本发明的权利保护范围，对于本领域技术人员来说，凡对本发明技术方案进行的修改或等同替换，均应在本发明的保护范围之内。

Claims (4)

1.一种基于STCP-BP的风速预测方法，其特征是，所述方法首先利用目标预测点盛行风向的上风向邻域点的风速及风向信息，建立时空相关性预测（STCP）模型，得到目标预测点的风速预测值；然后运用目标预测点的历史风速数据建立BP神经网络直接多步预测模型，得到目标预测点的未来多步风速预测值；最后将两种预测值进行平均组合预测，得到目标预测点风速的直接多步预测值。
2.根据权利要求1所述的一种基于STCP-BP的风速预测方法，其特征是，预测步骤如下：
a.建立时空相关性预测STCP模型，得到目标预测点风速预测值，具体步骤为：
1）考察风电场及附近区域的盛行风向，选盛行风向的上风向的两个点作为目标预测点s 0邻域内的时空相关点s 1和s 2，测量每两点之间的距离矢量，包括距离相角及距离长度； 
2）利用选定的目标预测点s 0邻域内的两个时空相关点s 1和s 2的风速信息，运用线性关系估计传播风速和目标预测点s 0的风速矢量，所使用的估计模型为：
Figure 188892DEST_PATH_IMAGE001
，
Figure 645281DEST_PATH_IMAGE002
，
Figure 869589DEST_PATH_IMAGE003
，
式中，
Figure 603190DEST_PATH_IMAGE004
为传播风速，
Figure 887540DEST_PATH_IMAGE005
表示距离矢量，
Figure 831226DEST_PATH_IMAGE006
 表示点积，A为两个时空相关点s 1和s 2的统称，B即为目标预测点s 0，
Figure 2013101875345100001DEST_PATH_IMAGE007
为时间，
Figure 249438DEST_PATH_IMAGE008
、
Figure 431020DEST_PATH_IMAGE009
、
Figure 417431DEST_PATH_IMAGE010
、
Figure 317254DEST_PATH_IMAGE011
均为常数；
3)误差修正，修正方程为：
Figure 289889DEST_PATH_IMAGE012
，
其中c是一个常参数，e(t-1)是非校正STCP模型的前一时刻风速矢量误差；
4）最小二乘法优化STCP模型参数p=[ a 0,a 1,b 0,b 1,c]，并确定STCP预测结果的嵌入维数n和m；
5) 应用STCP模型在测试样本集内进行测试：
基于s 1点当前及过去n-1个时刻的风速信息，用优化的STCP模型对s 0点的未来风速进行预测，得到对应的不等间隔的n个预测值
Figure 325978DEST_PATH_IMAGE013
、
Figure 483290DEST_PATH_IMAGE014
…
Figure 526201DEST_PATH_IMAGE015
；
基于s 2点当前及过去m-1个时刻的风速信息，用优化的STCP模型对s 0点的未来风速进行预测，得到对应的不等间隔的m个预测值、
Figure 317757DEST_PATH_IMAGE017
…
Figure 114811DEST_PATH_IMAGE018
；
b.运用目标预测点s 0的历史风速数据，建立BP神经网络直接多步预测模型，进行训练、测试，得到未来h步预测值
Figure 130172DEST_PATH_IMAGE019
、…
Figure 845504DEST_PATH_IMAGE021
，
Figure 813460DEST_PATH_IMAGE022
；
c.将BP神经网络的多步预测值与STCP相应时刻预测值进行组合预测，得到目标预测点风速的直接多步预测值。
3.根据权利要求2所述的一种基于STCP-BP的风速预测方法，其特征是，将BP神经网络的多步预测值与STCP相应时刻预测值进行组合预测的具体的步骤如下：
Figure 565384DEST_PATH_IMAGE023
令i=1，(i<=h)在、
Figure 673335DEST_PATH_IMAGE014
…
Figure 812192DEST_PATH_IMAGE015
范围内寻找满足条件t 0+i=t s1-j 的，若搜索到，则将两种预测算法所得的预测风速进行组合，即：
Figure 51860DEST_PATH_IMAGE025
；若搜索不到，则有：
Figure 568292DEST_PATH_IMAGE026
；
其中，λ STCP 为STCP的加权平均系数，λ BP 为BP的加权平均系数，且有λ STCP +λ BP =1；
Figure 878051DEST_PATH_IMAGE027
i=i+1，判断i<=h,若是执行
Figure 604567DEST_PATH_IMAGE023
；否则就执行
Figure 189132DEST_PATH_IMAGE028
；
站点变更为s 2，按照上述
Figure 916097DEST_PATH_IMAGE023
～
Figure 208538DEST_PATH_IMAGE027
步骤，得到STCP与BP两种预测算法的组合值；
Figure 596794DEST_PATH_IMAGE029
将搜索范围锁定在s 1及s 2两个站点的n+m个风速预测值内，得出组合预测结果；
改变多步预测的步数h（h=12,18,24），重复步骤
Figure 598434DEST_PATH_IMAGE023
～。
4.根据权利要求3所述的一种基于STCP-BP的风速预测方法，其特征是，采用最小二乘法优化STCP模型参数p=[ a 0,a 1,b 0,b 1,c]时所建立的目标函数为：
Figure 570118DEST_PATH_IMAGE031
，
式中，x为目标预测点的
Figure 118911DEST_PATH_IMAGE032
时刻的风速真实值，f(p) 为目标预测点s 0的预测风速。
CN201310187534.5A 2013-05-20 2013-05-20 基于stcp‑bp的风速预测方法 Expired - Fee Related CN103268416B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310187534.5A CN103268416B (zh) 2013-05-20 2013-05-20 基于stcp‑bp的风速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310187534.5A CN103268416B (zh) 2013-05-20 2013-05-20 基于stcp‑bp的风速预测方法

Publications (2)

Publication Number Publication Date
CN103268416A true CN103268416A (zh) 2013-08-28
CN103268416B CN103268416B (zh) 2017-02-22

Family

ID=49012044

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310187534.5A Expired - Fee Related CN103268416B (zh) 2013-05-20 2013-05-20 基于stcp‑bp的风速预测方法

Country Status (1)

Country Link
CN (1) CN103268416B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN106529700A (zh) * 2016-10-20 2017-03-22 华北电力大学（保定） 一种基于时空相关的风电场预测模型构建方法和系统
CN108090614A (zh) * 2017-12-18 2018-05-29 哈尔滨工业大学 一种基于相关系数的空间风场预测模型建立方法
CN111433612A (zh) * 2017-10-11 2020-07-17 埃姆普里萨有限公司 用于估计飞行器空中数据的基于模型和飞行信息的组合训练的神经网络系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727538A (zh) * 2009-09-26 2010-06-09 山东科技大学 一种考虑风向影响的风电机组输入风速等效方法
CN102780219A (zh) * 2012-05-17 2012-11-14 清华大学 基于风电运行模拟的多维度风电消纳能力判别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101727538A (zh) * 2009-09-26 2010-06-09 山东科技大学 一种考虑风向影响的风电机组输入风速等效方法
CN102780219A (zh) * 2012-05-17 2012-11-14 清华大学 基于风电运行模拟的多维度风电消纳能力判别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
XINGJIE LIU等: "Study on comparing different methods for wind power real-time forecast", 《ASIAPES 2013》 *
刘兴杰: "风电输出功率预测方法与系统", 《中国博士论文全文数据库(电子期刊)工程科技Ⅱ辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN106529700A (zh) * 2016-10-20 2017-03-22 华北电力大学（保定） 一种基于时空相关的风电场预测模型构建方法和系统
CN106529700B (zh) * 2016-10-20 2020-03-31 华北电力大学（保定） 一种基于时空相关的风电场预测模型构建方法和系统
CN111433612A (zh) * 2017-10-11 2020-07-17 埃姆普里萨有限公司 用于估计飞行器空中数据的基于模型和飞行信息的组合训练的神经网络系统
CN111433612B (zh) * 2017-10-11 2023-10-13 埃姆普里萨有限公司 用于估计飞行器空中数据的基于模型和飞行信息的组合训练的神经网络系统
CN108090614A (zh) * 2017-12-18 2018-05-29 哈尔滨工业大学 一种基于相关系数的空间风场预测模型建立方法
CN108090614B (zh) * 2017-12-18 2021-05-18 哈尔滨工业大学 一种基于相关系数的空间风场预测模型建立方法

Also Published As

Publication number Publication date
CN103268416B (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN110070226B (zh) 基于卷积神经网络与元学习的光伏功率预测方法及系统
Lei et al. A review on the forecasting of wind speed and generated power
CN109492315B (zh) 一种基于Copula函数的时空相关风光序列模拟方法
CN104319807B (zh) 一种基于Copula函数获取多风电场容量可信度的方法
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN105260800A (zh) 一种光伏组件温度预测方法及装置
CN106529741B (zh) 一种基于空间相关特征的超短期风电功率预测方法
CN103268416B (zh) 基于stcp‑bp的风速预测方法
Bosisio et al. Improving DTR assessment by means of PCA applied to wind data
CN104036356A (zh) 一种利用分形算法对电网未来运行状态进行预测的方法
CN105373849A (zh) 光伏电池组件温度的分步预测方法
CN112183625A (zh) 一种基于深度学习的pm2.5高精度时空预测方法
CN110781458A (zh) 一种基于混合回归模型预测地表太阳辐照度的方法
CN108320050B (zh) 一种基于风速预报提高光伏短期功率预测精度的方法
Doorga et al. Forecasting mesoscale distribution of surface solar irradiation using a proposed hybrid approach combining satellite remote sensing and time series models
Kou et al. Prediction intervals for wind power forecasting: using sparse warped Gaussian process
CN117060407B (zh) 一种基于相似日划分的风电集群功率预测方法及系统
CN114330641A (zh) 基于复杂地形的深度学习的短期风速订正模型的建立方法
CN109388863A (zh) 一种基于arima模型的分布式光伏出力功率预测方法
WO2024031449A1 (zh) 一种基于网格聚类的峡谷风电短期功率预测方法
CN103473476B (zh) 基于区域内数座测风塔测风数据的风能资源推算方法
Shi et al. Short-term photovoltaic power forecast based on long short-term memory network
Gao et al. Ultra-short-term solar PV power forecasting based on cloud displacement vector using multi-channel satellite and NWP data
CN115296298A (zh) 一种风电场功率预测方法
Nemes Statistical analysis of wind speed profile: a case study from Iasi Region, Romania

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

Granted publication date: 20170222

Termination date: 20180520

CF01 Termination of patent right due to non-payment of annual fee