CN103279804A - 超短期风电功率的预测方法 - Google Patents
超短期风电功率的预测方法 Download PDFInfo
- Publication number
- CN103279804A CN103279804A CN2013101550894A CN201310155089A CN103279804A CN 103279804 A CN103279804 A CN 103279804A CN 2013101550894 A CN2013101550894 A CN 2013101550894A CN 201310155089 A CN201310155089 A CN 201310155089A CN 103279804 A CN103279804 A CN 103279804A
- Authority
- CN
- China
- Prior art keywords
- prediction
- wind power
- nwp
- outcome
- error
- 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)
- Wind Motors (AREA)
Abstract
本发明提供一种超短期风电功率的预测方法，主要包括以下步骤：步骤S10.获取基于NWP的风电功率预测结果，以及基于风电场历史/实时数据的风电功率预测结果，并对基于NWP的风电功率的预测结果进行实时误差修正；步骤S20.采用经验分布模型，分别建立
时刻基于NWP功率预测方法的预测误差绝对值的概率分布和基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布；步骤S30.计算预测时段中
时刻的基于NWP的风电功率预测结果以及基于风电场历史/实时数据预测结果权重系数，得到
时刻的预测结果；以及重复步骤S20及S30，直到完成预测时段
所有的
，从而得到预测时段的预测结果。
Description
技术领域
本发明属于电力系统预测与控制技术领域，尤其涉及一种超短期风电功率预测的综合预测方法。
背景技术
在风电大规模并网背景下，由于风电具有的波动性和随机性，给传统电力系统的安全稳定运行带来巨大挑战。风电功率预测技术是帮助解决这一问题的重要手段，其中超短期风电功率预测技术主要用于风电的实时调度及风电与其它发电机组的在线配合。根据我国电力能源结构和调度水平，超短期风电功率预测的时间尺度一般是未来4小时，预测时间分辨率为15分钟。
数值天气预报（Numeric weather prediction, NWP）是根据大气实际情况，在一定初值和边界条件下，通过数值计算求解描写天气演变过程的流体力学和热力学方程组来预报未来天气的方法。然而由于由于NWP的滚动预报频次一般为6小时左右，远大于超短期功率预测滚动频次，基于NWP的风电功率预测技术在超短期预测中难以准确预测；而基于风电场历史/实时数据的风电预测技术使用的统计类方法的外推能力有限，预测误差随时间尺度增长较快，不同统计类方法间的综合预测模型也很难有效改善该问题。目前国内超短期风电功率预测系统在1-4小时时间尺度内精度较不理想，方均根误差超过10%。
发明内容
综上所述，确有必要提供一种提高超短期风电功率预测精度的的预测方法。
一种超短期风电功率的预测方法，主要包括以下步骤：步骤S10，获取基于NWP的风电功率预测结果，以及基于风电场历史/实时数据的风电功率预测结果，并对基于NWP的风电功率的预测结果进行实时误差修正；步骤S20，采用经验分布模型，分别建立 时刻基于NWP功率预测方法的预测误差绝对值的概率分布和基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布，其中s=1，2，……S；步骤S30，计算预测时段中
时刻的基于NWP的风电功率预测结果的权重系数
以及基于风电场历史/实时数据预测结果
权重系数
，得到
时刻的预测结果
；以及步骤S40，重复步骤S20及步骤S30，直到完成预测时段
所有的
，从而得到预测时段的预测结果。。
本发明针对风资源波动特点及其所引起的不同类型预测方法在不同预测时间尺度上的误差水平，通过获取基于风电场历史/实时数据的功率预测方法和基于NWP的功率预测方法在最终预测结果中的权重，有效提高超短期预测时间尺度功率预测精度，并且该预测方法具有普遍适用性。
附图说明
图1为本发明提供的超短期风电功率的预测方法流程图。
图2为本发明提供的超短期风电功率的预测方法的预测时间概念示意图。
图3为本发明提供的超短期风电功率的预测方法的横向、纵向误差示意图。
图4为本发明提供的超短期风电功率的预测方法中预测误差绝对值的概率分布（左：基于风电场历史/实时数据功率预测方法；右：基于NWP功率预测方法）。
图5为本发明提供的超短期风电功率的预测方法（C）与基于风电场历史/实时数据功率预测方法（A）以及基于NWP功率预测方法（B）中不同时间尺度下预测误差对比。
具体实施方式
下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表述。
请参阅图1，图1为本发明提供的超短期风电功率的预测方法流程图，主要包括如下步骤：
步骤S10，获取基于NWP的风电功率预测结果以及基于风电场历史/实时数据的风电功率预测结果，并对基于NWP的风电功率的预测结果进行实时误差修正。
基于NWP风电功率的预测结果可通过误差反向传播（back propagation，BP）神经网络算法得到，而基于风电场历史/实时数据的风电功率的预测结果可通过差分整合移动平均自回归法（Autoregressive Integrated Moving Average，ARIMA）得到。可以理解，所述NWP风电功率的预测结果以及基于风电场历史/实时数据的风电功率的预测结果的获得方法并不限于所举，还可采用其他传统的预测方法获得。请一并参阅图2及图3，所述基于NWP的风电功率预测相关的时间概念如图2所示，利用距离预测时段最近的数据长度为
的预测功率序列和实时功率序列，修正基于NWP的功率预测在预测时段的预测结果。
一般取当前时刻以前2-4小时。图3为预测结果的横向、纵向误差示意图。所述横向误差是预测结果在时间轴上领先或滞后实际结果。对于横向误差的修正方法为，计算实时功率序列
和预测功率序列
在时段内的互相关函数：
反映
和
在不同时刻
和
的相关程度，其极值反映的时间差表征
和
之间横向误差，从而实现修正预测时段的时序误差。
所述纵向误差是预测结果在幅值上与实际结果的误差。对于纵向误差，可通过以下方法修正：
首先，计算
和
在
时段内的误差均值；
其次，根据平均误差在有限时间的一致性，实时修正预测时段的纵向误差。
步骤S20，采用经验分布模型，分别建立
（s=1，2，……S）时刻基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布和基于NWP功率预测方法的预测误差绝对值的概率分布。
风电功率预测误差的主要影响因子为预测值大小、风速、风向等，其概率分布受这些多种因素影响，可通过基于历史库的统计分析得到经验分布模型。定义预测工况
为预测时刻，预测尺度
的影响因子的集合，可唯一地以
个影响因子表示：
（2）
式中
表示与点预测值
相关的第
个影响因子，
，为归一化后结果，
，C是任一预测时刻
、预测尺度
所有可能的预测工况集合。
定义预测工况类型
由Q个影响因子的子区间组成，每个影响因子可以分为
个子区间
，其区间划分互不重叠，一般取
等分为大于等于5个子区间：
式中
表示
内符合
的样本个数。
步骤S30，分别计算预测时段中时刻的基于NWP的风电功率预测结果以及基于风电场历史/实时数据预测结果的权重系数，得到
时刻的预测结果。
可依据“近大远小”及“分时段变权重”原则，计算不同预测时段的基于NWP的风电功率预测结果以及基于风电场历史/实时数据预测结果的权重系数，以得到更精确的预测结果。所述计算不同时段的两种预测结果权重系数可通过以下方式实现：
对于
时刻所要预测的目标时段t1，t2……
中的每个
（s=1，2，……S），以
表示基于NWP功率预测方法预测结果，以表示基于风电场历史/实时数据功率预测方法预测结果。取
，
，其中，
为一假设的ts时刻的真实值，可通过
至时刻前预测结果和
时刻以前实时功率回归法平滑得到。
根据两类预测方法的预测误差概率分布，以及由于风资源波动特性所导致的基于NWP预测方法在较长预测尺度时的精度优势，利用加权的方法求出时刻
的权重系数：
（6）
式中，
为
时刻基于NWP功率预测方法对应的权重系数，
为该方法的预测误差概率分布；
为
时刻基于风电场历史/实时数据功率预测方法对应的权重系数，
为该方法的预测误差概率分布；
为体现NWP误差“近大远小”的变化系数，所述
满足0.05·s≤
≤0.3·s。本实施例中，取。可以理解，所述
仅为一具体的实施例，所述
可根据实际计算进行修改如=0.2·s等。
最终预测结果
为：
步骤S40，重复步骤S20及步骤S20，直到完成预测时段
所有的
，从而得到预测时段的综合预测结果。
实施例一
本发明所述的超短期风电功率的预测方法基于我国南方某风电场历史数据所进行的虚拟预测，具体步骤如下：
（1）对基于NWP的功率预测结果进行实时误差修正。
该风电场所用NWP数据由河北气象局提供，每日0点、12点发布两次，提供未来68h风资源预报。预测算法采用误差反向传播（back propagation，BP）神经网络算法，得到基于NWP的功率预测结果。预测时段为未来4小时，时间间隔15min，取预报时段前2小时功率预测结果，计算实测功率和预测功率的互相关函数及误差均值，修正预报时段横向误差和纵向误差。经过预测后评估，对基于NWP的功率预测方法在预测时段预报准确率平均提升7%。
（2）采用经验分布模型，建立未来4小时，时间间隔15min共16个预测点中基于风电场历史/实时数据功率预测方法的误差绝对值的概率分布，以及基于NWP功率预测方法的误差绝对值的概率分布。基于风电场历史/实时数据功率预测方法为差分整合移动平均自回归（Autoregressive Integrated Moving Average，ARIMA）法，基于NWP功率预测方法采用BP神经网络法，对于某预测尺度15分钟的计算结果如图4所示。
（3）计算根据预测时段各个时刻平滑得到功率值和预测功率值之间的误差，得到该预测方法预测误差绝对值的概率分布，从而确定每种预测方法的权重系数，加权得到综合预测结果。图5给出了不同也预测尺度下基于风电场历史/实时数据功率预测方法（曲线A）、基于NWP功率预测方法（曲线B）和本发明提出的综合方法（曲线C）的误差对比曲线。
从上述计算过程可知，本发明提供的超短期风电功率的预测方法，利用风资源波动特点及其所导致的不同预测方法在不同时间尺度上的误差水平，综合基于风电场历史/实时数据功率预测方法、基于NWP功率预测方法的精度优势，有效改进超短期风电功率也预测精度，计算思路清晰，通用性较好，适合推广使用。
另外，本领域技术人员还可在本发明精神内作其它变化，当然这些依据本发明精神所作的变化，都应包含在本发明所要求保护的范围内。
Claims (10)
1.一种超短期风电功率的预测方法，主要包括以下步骤：
步骤S10，获取基于NWP的风电功率预测结果，以及基于风电场历史/实时数据的风电功率预测结果，并对基于NWP的风电功率的预测结果进行实时误差修正；
步骤S20，采用经验分布模型，分别建立 
时刻基于NWP功率预测方法的预测误差绝对值的概率分布和基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布，其中s=1，2，……S；
步骤S30，计算预测时段中时刻的基于NWP的风电功率预测结果的权重系数以及基于风电场历史/实时数据预测结果权重系数
，得到
时刻的预测结果
；以及
步骤S40，重复步骤S20及步骤S30，直到完成预测时段所有的
，从而得到预测时段的预测结果。
2.如权利要求1所述的超短期风电功率的预测方法，其特征在于，对基于NWP的风电功率的预测结果进行实时误差修正包括对横向误差的修正以及对纵向误差的修正。
3.如权利要求2所述的超短期风电功率的预测方法，其特征在于，所述横向误差的修正方法为：计算实时功率序列和预测功率序列
在
时段内的互相关函数：，其中，
反映
和
在不同时刻
和的相关程度，其极值反映的时间差表征
和
之间横向误差。
4.如权利要求3为所述的超短期风电功率的预测方法，其特征在于，所述纵向误差的修正方法包括：首先，计算
和
在
时段内的误差均值；其次，根据平均误差在有限时间的一致性，实时修正预测时段的纵向误差。
5.如权利要求1所述的超短期风电功率的预测方法，其特征在于，所述基于NWP功率预测方法的预测误差绝对值的概率分布和基于风电场历史/实时数据功率预测方法的预测误差绝对值的概率分布为：
，
其中，
为最近
个历史预测误差组成的
的子集，
为预测误差绝对值，
表示
内符合
的样本个数。
6.如权利要求1所述的超短期风电功率的预测方法，其特征在于，所述基于NWP的风电功率预测结果以及基于风电场历史/实时数据预测结果权重系数的计算包括以下步骤：以
表示基于NWP功率预测方法预测结果，以
表示基于风电场历史/实时数据功率预测方法预测结果，取
，
，其中，
为一假设的ts时刻的真实值；
根据基于NWP的风电功率预测方法以及基于风电场历史/实时数据预测方法的预测误差概率分布，利用加权的方法求出时刻
的权重系数：
，
式中，
为
时刻基于NWP功率预测方法对应的权重系数，
为该方法的预测误差概率分布；
为
时刻基于风电场历史/实时数据功率预测方法对应的权重系数，
为该方法的预测误差概率分布；
为体现NWP预测误差的变化系数。
7.如权利要求6所述的超短期风电功率的预测方法，其特征在于，所述NWP预测误差的变化系数
满足0.05·s≤
≤0.3·s。
8.如权利要求1所述的超短期风电功率的预测方法，其特征在于，基于NWP风电功率的预测结果通过误差反向传播神经网络算法得到，基于风电场历史/实时数据的风电功率的预测结果通过差分整合移动平均自回归法得到。
9.如权利要求1所述的超短期风电功率的预测方法，其特征在于，所述经验分布模型通过统计分析获得：定义预测工况
为预测时刻
，预测尺度
的影响因子的集合以
个影响因子表示：
式中
表示与点预测值相关的第个影响因子，
，为归一化后结果，
，C是任一预测时刻、预测尺度
所有可能的预测工况集合。
10.如权利要求9所述的超短期风电功率的预测方法，其特征在于，定义预测工况类型
由Q个影响因子的子区间组成，每个影响因子
可以分为
个子区间
，其区间划分互不重叠，取
等分为大于等于5个子区间：
表示预测时刻和预测尺度对应预测工况类型
的预测误差历史库，
为最近个历史预测误差组成的的子集，。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310155089.4A CN103279804B (zh) | 2013-04-29 | 2013-04-29 | 超短期风电功率的预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201310155089.4A CN103279804B (zh) | 2013-04-29 | 2013-04-29 | 超短期风电功率的预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN103279804A true CN103279804A (zh) | 2013-09-04 |
| CN103279804B CN103279804B (zh) | 2016-08-17 |
Family
ID=49062316
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201310155089.4A Active CN103279804B (zh) | 2013-04-29 | 2013-04-29 | 超短期风电功率的预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN103279804B (zh) |
Cited By (26)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679298A (zh) * | 2013-12-27 | 2014-03-26 | 中能电力科技开发有限公司 | 风电场短期功率预测精度的评价方法 |
| CN103679282A (zh) * | 2013-09-30 | 2014-03-26 | 清华大学 | 风电功率爬坡的预测方法 |
| CN103927600A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于复合数据源自回归模型光伏发电功率超短期预测方法 |
| CN103984988A (zh) * | 2014-05-06 | 2014-08-13 | 国家电网公司 | 测光网络实时校正arma模型光伏功率超短期预测方法 |
| CN104200280A (zh) * | 2014-08-22 | 2014-12-10 | 钱胜利 | 一种用于风电功率预测的方法及系统 |
| CN104239979A (zh) * | 2014-10-09 | 2014-12-24 | 国电南瑞科技股份有限公司 | 一种风电场发电功率超短期预测方法 |
| CN104268659A (zh) * | 2014-10-09 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种光伏电站发电功率超短期预测方法 |
| CN104657786A (zh) * | 2015-02-03 | 2015-05-27 | 河海大学 | 一种基于Boosting算法的短期风功率混合预测方法 |
| CN104933483A (zh) * | 2015-06-17 | 2015-09-23 | 中国电力科学研究院 | 一种基于天气过程划分的风电功率预测方法 |
| CN105225006A (zh) * | 2015-09-30 | 2016-01-06 | 杨明 | 一种短期风电功率非参数概率预测方法 |
| CN105303266A (zh) * | 2015-11-23 | 2016-02-03 | 国网山东省电力公司经济技术研究院 | 一种准确估计风电功率预测误差区间的方法 |
| CN106156875A (zh) * | 2015-04-10 | 2016-11-23 | 株式会社日立制作所 | 用于对预测对象进行预测的方法和装置 |
| CN107192898A (zh) * | 2017-05-25 | 2017-09-22 | 南方电网科学研究院有限责任公司 | 一种直流输电线路可听噪声概率预测方法及系统 |
| CN107316093A (zh) * | 2016-04-26 | 2017-11-03 | 华为技术有限公司 | 一种滚动预测的方法、及装置 |
| CN103984987B (zh) * | 2014-05-05 | 2017-11-24 | 国家电网公司 | 一种测风网络实时校正的arma模型风电功率超短期预测方法 |
| WO2018025108A1 (en) * | 2016-08-01 | 2018-02-08 | International Business Machines Corporation | Temporal bias correction in wind forecasting |
| CN108345604A (zh) * | 2017-01-22 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 数据处理方法、搜索方法、推荐方法及相关设备 |
| CN109784563A (zh) * | 2019-01-18 | 2019-05-21 | 南方电网科学研究院有限责任公司 | 一种基于虚拟测风塔技术的超短期功率预测方法 |
| CN111222738A (zh) * | 2019-10-18 | 2020-06-02 | 华中科技大学 | 一种风电集群功率预测及参数优化的方法 |
| CN112270439A (zh) * | 2020-10-28 | 2021-01-26 | 国能日新科技股份有限公司 | 超短期风电功率预测方法、装置、电子设备及存储介质 |
| CN112700050A (zh) * | 2021-01-04 | 2021-04-23 | 南京南瑞继保电气有限公司 | 一种光伏电站超短期第1点功率预测方法及系统 |
| CN112906928A (zh) * | 2019-12-03 | 2021-06-04 | 国网山西省电力公司电力科学研究院 | 一种风电场集群有功功率预测方法及系统 |
| CN115081742A (zh) * | 2022-07-22 | 2022-09-20 | 北京东润环能科技股份有限公司 | 分散式风电场的超短期功率预测方法及相关设备 |
| CN115409291A (zh) * | 2022-10-31 | 2022-11-29 | 山东大学 | 一种风速修正的风电功率预测方法及系统 |
| CN116154768A (zh) * | 2023-04-14 | 2023-05-23 | 南方电网数字电网研究院有限公司 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
| CN117353349A (zh) * | 2023-12-04 | 2024-01-05 | 珠海科创储能科技有限公司 | 储能系统的供电状态控制方法、存储介质及电子设备 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
-
2013
- 2013-04-29 CN CN201310155089.4A patent/CN103279804B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN102521671A (zh) * | 2011-11-29 | 2012-06-27 | 华北电力大学 | 一种风电功率超短期预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐曼 等: "《短期风电功率预测误差综合评价方法》", 《电力系统自动化》 * |
| 王彩霞 等: "《基于非参数回归模型的短期风电功率预测》", 《绿色电力自动化》 * |
Cited By (44)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103679282B (zh) * | 2013-09-30 | 2017-01-04 | 清华大学 | 风电功率爬坡的预测方法 |
| CN103679282A (zh) * | 2013-09-30 | 2014-03-26 | 清华大学 | 风电功率爬坡的预测方法 |
| CN103679298A (zh) * | 2013-12-27 | 2014-03-26 | 中能电力科技开发有限公司 | 风电场短期功率预测精度的评价方法 |
| CN103927600A (zh) * | 2014-04-22 | 2014-07-16 | 国家电网公司 | 基于复合数据源自回归模型光伏发电功率超短期预测方法 |
| CN103984987B (zh) * | 2014-05-05 | 2017-11-24 | 国家电网公司 | 一种测风网络实时校正的arma模型风电功率超短期预测方法 |
| CN103984988A (zh) * | 2014-05-06 | 2014-08-13 | 国家电网公司 | 测光网络实时校正arma模型光伏功率超短期预测方法 |
| CN103984988B (zh) * | 2014-05-06 | 2018-03-02 | 国家电网公司 | 测光网络实时校正arma模型光伏功率超短期预测方法 |
| CN104200280A (zh) * | 2014-08-22 | 2014-12-10 | 钱胜利 | 一种用于风电功率预测的方法及系统 |
| CN104200280B (zh) * | 2014-08-22 | 2017-09-22 | 北方大贤风电科技（北京）有限公司 | 一种用于风电功率预测的方法及系统 |
| CN104268659A (zh) * | 2014-10-09 | 2015-01-07 | 国电南瑞科技股份有限公司 | 一种光伏电站发电功率超短期预测方法 |
| CN104239979B (zh) * | 2014-10-09 | 2017-11-10 | 国电南瑞科技股份有限公司 | 一种风电场发电功率超短期预测方法 |
| CN104239979A (zh) * | 2014-10-09 | 2014-12-24 | 国电南瑞科技股份有限公司 | 一种风电场发电功率超短期预测方法 |
| CN104268659B (zh) * | 2014-10-09 | 2017-12-29 | 国电南瑞科技股份有限公司 | 一种光伏电站发电功率超短期预测方法 |
| CN104657786A (zh) * | 2015-02-03 | 2015-05-27 | 河海大学 | 一种基于Boosting算法的短期风功率混合预测方法 |
| CN106156875A (zh) * | 2015-04-10 | 2016-11-23 | 株式会社日立制作所 | 用于对预测对象进行预测的方法和装置 |
| CN106156875B (zh) * | 2015-04-10 | 2021-07-13 | 株式会社日立制作所 | 用于对预测对象进行预测的方法和装置 |
| CN104933483A (zh) * | 2015-06-17 | 2015-09-23 | 中国电力科学研究院 | 一种基于天气过程划分的风电功率预测方法 |
| CN105225006A (zh) * | 2015-09-30 | 2016-01-06 | 杨明 | 一种短期风电功率非参数概率预测方法 |
| CN105225006B (zh) * | 2015-09-30 | 2016-10-12 | 山东大学 | 一种短期风电功率非参数概率预测方法 |
| CN105303266A (zh) * | 2015-11-23 | 2016-02-03 | 国网山东省电力公司经济技术研究院 | 一种准确估计风电功率预测误差区间的方法 |
| CN107316093A (zh) * | 2016-04-26 | 2017-11-03 | 华为技术有限公司 | 一种滚动预测的方法、及装置 |
| CN107316093B (zh) * | 2016-04-26 | 2021-01-05 | 华为技术有限公司 | 一种滚动预测的方法、及装置 |
| WO2018025108A1 (en) * | 2016-08-01 | 2018-02-08 | International Business Machines Corporation | Temporal bias correction in wind forecasting |
| US10386543B2 (en) | 2016-08-01 | 2019-08-20 | International Business Machines Corporation | Temporal bias correction in wind forecasting |
| CN108345604A (zh) * | 2017-01-22 | 2018-07-31 | 阿里巴巴集团控股有限公司 | 数据处理方法、搜索方法、推荐方法及相关设备 |
| CN108345604B (zh) * | 2017-01-22 | 2022-01-25 | 阿里巴巴集团控股有限公司 | 数据处理方法、搜索方法、推荐方法及相关设备 |
| CN107192898B (zh) * | 2017-05-25 | 2020-07-03 | 南方电网科学研究院有限责任公司 | 一种直流输电线路可听噪声概率预测方法及系统 |
| CN107192898A (zh) * | 2017-05-25 | 2017-09-22 | 南方电网科学研究院有限责任公司 | 一种直流输电线路可听噪声概率预测方法及系统 |
| CN109784563A (zh) * | 2019-01-18 | 2019-05-21 | 南方电网科学研究院有限责任公司 | 一种基于虚拟测风塔技术的超短期功率预测方法 |
| CN111222738A (zh) * | 2019-10-18 | 2020-06-02 | 华中科技大学 | 一种风电集群功率预测及参数优化的方法 |
| CN111222738B (zh) * | 2019-10-18 | 2022-04-15 | 华中科技大学 | 一种风电集群功率预测及参数优化的方法 |
| CN112906928B (zh) * | 2019-12-03 | 2022-09-16 | 国网山西省电力公司电力科学研究院 | 一种风电场集群有功功率预测方法及系统 |
| CN112906928A (zh) * | 2019-12-03 | 2021-06-04 | 国网山西省电力公司电力科学研究院 | 一种风电场集群有功功率预测方法及系统 |
| CN112270439A (zh) * | 2020-10-28 | 2021-01-26 | 国能日新科技股份有限公司 | 超短期风电功率预测方法、装置、电子设备及存储介质 |
| CN112270439B (zh) * | 2020-10-28 | 2024-03-08 | 国能日新科技股份有限公司 | 超短期风电功率预测方法、装置、电子设备及存储介质 |
| CN112700050A (zh) * | 2021-01-04 | 2021-04-23 | 南京南瑞继保电气有限公司 | 一种光伏电站超短期第1点功率预测方法及系统 |
| CN112700050B (zh) * | 2021-01-04 | 2022-07-22 | 南京南瑞继保电气有限公司 | 一种光伏电站超短期第1点功率预测方法及系统 |
| CN115081742A (zh) * | 2022-07-22 | 2022-09-20 | 北京东润环能科技股份有限公司 | 分散式风电场的超短期功率预测方法及相关设备 |
| CN115409291A (zh) * | 2022-10-31 | 2022-11-29 | 山东大学 | 一种风速修正的风电功率预测方法及系统 |
| CN115409291B (zh) * | 2022-10-31 | 2023-04-18 | 山东大学 | 一种风速修正的风电功率预测方法及系统 |
| CN116154768A (zh) * | 2023-04-14 | 2023-05-23 | 南方电网数字电网研究院有限公司 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
| CN116154768B (zh) * | 2023-04-14 | 2023-06-27 | 南方电网数字电网研究院有限公司 | 采用点预测误差经验分布逆变换的功率区间预测方法 |
| CN117353349A (zh) * | 2023-12-04 | 2024-01-05 | 珠海科创储能科技有限公司 | 储能系统的供电状态控制方法、存储介质及电子设备 |
| CN117353349B (zh) * | 2023-12-04 | 2024-03-29 | 珠海科创储能科技有限公司 | 储能系统的供电状态控制方法、存储介质及电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN103279804B (zh) | 2016-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103279804A (zh) | 超短期风电功率的预测方法 | |
| Song et al. | A novel combined model based on advanced optimization algorithm for short-term wind speed forecasting | |
| US9188701B2 (en) | Power generation predicting apparatus and method thereof | |
| CN105243502B (zh) | 一种基于径流区间预测的水电站调度风险评估方法及系统 | |
| CN103023065B (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
| Liu et al. | A two-stage method of quantitative flood risk analysis for reservoir real-time operation using ensemble-based hydrologic forecasts | |
| JP6193008B2 (ja) | 予測システム、予測装置および予測方法 | |
| CN102945508A (zh) | 一种基于模型校正的风电功率预测预报系统及方法 | |
| CN107832899B (zh) | 风电场出力的优化方法、装置和实现装置 | |
| WO2023115425A1 (zh) | 一种超短时风速预测方法及系统 | |
| CN103106314A (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
| CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
| CN111709569B (zh) | 风电场输出功率预测修正方法及装置 | |
| CN104036328A (zh) | 自适应风电功率预测系统及预测方法 | |
| Göçmen et al. | Data-driven wake modelling for reduced uncertainties in short-term possible power estimation | |
| CN103440428B (zh) | 风电功率组合预测模型的自适应动态权重确定方法 | |
| CN108205713A (zh) | 一种区域风电功率预测误差分布确定方法和装置 | |
| CN104537233B (zh) | 一种基于核密度估计的配电网伪量测生成方法 | |
| CN105046349B (zh) | 一种计及尾流效应的风电功率预测方法 | |
| Yan et al. | A robust probabilistic wind power forecasting method considering wind scenarios | |
| CN105741192B (zh) | 一种风电场风电机机舱短期风速组合预报方法 | |
| CN104156885A (zh) | 一种基于可靠性函数的风电容量可信度的快速计算方法 | |
| Mao et al. | Improved fast short-term wind power prediction model based on superposition of predicted error | |
| Yang et al. | Improved nonlinear mapping network for wind power forecasting in renewable energy power system dispatch | |
| CN110296055A (zh) | 一种风向预测关联种子机组筛选方法 |
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 |