CN103514353A - 新增风机的功率预测方法和系统 - Google Patents
新增风机的功率预测方法和系统 Download PDFInfo
- Publication number
- CN103514353A CN103514353A CN201210226659.XA CN201210226659A CN103514353A CN 103514353 A CN103514353 A CN 103514353A CN 201210226659 A CN201210226659 A CN 201210226659A CN 103514353 A CN103514353 A CN 103514353A
- Authority
- CN
- China
- Prior art keywords
- blower fan
- power
- target
- fan
- mapping relations
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013507 mapping Methods 0.000 claims abstract description 71
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims description 18
- 230000002596 correlated effect Effects 0.000 claims 2
- 230000000875 corresponding effect Effects 0.000 claims 2
- 230000005611 electricity Effects 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 10
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 241001269238 Data Species 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 241001123248 Arma Species 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008689 nuclear function Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D17/00—Monitoring or testing of wind motors, e.g. diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/028—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor controlling wind motor output power
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F03—MACHINES OR ENGINES FOR LIQUIDS; WIND, SPRING, OR WEIGHT MOTORS; PRODUCING MECHANICAL POWER OR A REACTIVE PROPULSIVE THRUST, NOT OTHERWISE PROVIDED FOR
- F03D—WIND MOTORS
- F03D7/00—Controlling wind motors
- F03D7/02—Controlling wind motors the wind motors having rotation axis substantially parallel to the air flow entering the rotor
- F03D7/04—Automatic control; Regulation
- F03D7/042—Automatic control; Regulation by means of an electrical or electronic controller
- F03D7/048—Automatic control; Regulation by means of an electrical or electronic controller controlling wind farms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/82—Forecasts
- F05B2260/821—Parameter estimation or prediction
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2270/00—Control
- F05B2270/30—Control parameters, e.g. input parameters
- F05B2270/335—Output power or torque
-
- 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
- Y02E10/72—Wind turbines with rotation axis in wind direction
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Wind Motors (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明涉及风机发电领域,公开了一种用于预测新增的目标风机的功率的方法和系统。该方法包括:确定与目标风机相关的参考风机,根据参考风机和目标风机的功率曲线,确定参考风机和目标风机的功率曲线映射关系,根据参考风机和目标风机的风速历史数据,获得参考风机与目标风机的功率数据分布映射关系,并且,根据所述功率曲线映射关系、功率数据分布映射关系以及参考风机的功率和风速,估计目标风机的功率。本发明的方法和系统可以有效提高新增风机的功率预测精度。
Description
技术领域
本发明涉及风机发电领域,更具体地,涉及一种用于预测新增风机的功率的方法和系统。
背景技术
风力发电是目前国际上具有广阔应用前景的绿色清洁能源之一,许多国家正在大力发展风电等新能源。风电发电功率具有间歇性、随机性、反调峰等特点,并受多种因素影响。风功率预测能有效提高新能源发电质量和电网接纳新能源的能力,对风电的精确预测是实现大规模可再生能源接入电网的关键技术之一。如何减少风电预测在关键环节的误差,提高预测的精准度,增强风电发电的可控性是风电运营企业及电网公司共同面对的技术挑战。
风功率预测方法按预测时间尺度主要分为短期预测(未来48小时)和超短期预测(未来4小时)。短期预测主要用于电力调度部分做次日发电计划;而超短期预测主要用于风电场的自动控制,比如限电控制等。
超短期风功率预测的方法主要基于历史数据的风电场功率预测,也就是在若干个历史数据(例如功率)和风机的功率输出之间建立一种映射关系,现有的方法包括:卡尔曼滤波法、持续性算法、ARMA算法、线性回归模型、自适应模糊逻辑算法等。另外还有采用人工神经网络(Artificial neural network)方法等数据挖掘方法。
但是这些方法并不能直接对新增风机进行超短期功率预测,这是因为新增风机由于尚未发电或者发电时间较短,并没有历史数据或者没有足够的历史数据用于超短期预测方法建立历史数据与风机输出功率的关系。
发明内容
根据本发明的一个方面,提供了一种用于预测风电场中新增的目标风机的功率的方法,包括:确定与目标风机相关的参考风机;根据参考风机和目标风机的功率曲线,确定参考风机和目标风机的功率曲线映射关系;根据参考风机的风速历史数据以及目标风机的风速历史数据,获得参考风机与目标风机的功率数据分布映射关系;以及,根据所述功率曲线映射关系、功率数据分布映射关系以及参考风机的功率和风速,估计目标风机的功率。
根据本发明的另一个方面,提供了一种用于预测风电场中新增的目标风机的功率的系统,包括:参考风机确定装置,被配置为确定与目标风机相关的参考风机;功率曲线映射装置,被配置为根据所述参考风机和所述目标风机的功率曲线,确定所述参考风机和所述目标风机的功率曲线映射关系;功率数据分布映射装置,被配置为根据参考风机的风速历史数据以及目标风机的风速历史数据,获得参考风机与目标风机的功率数据分布映射关系;以及,风机功率估计装置,被配置为根据所述功率曲线映射关系、功率数据分布映射关系以及参考风机的功率和风速,估计目标风机的功率。
通过利用本发明的上述方案,可以更加有效地利用与新增风机相关的参考风机的历史数据,来对新增风机进行超短期功率预测。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1示出了适于用来实现本发明实施方式的示例性计算系统100的框图。
图2显示了根据本发明的一个实施例的用于预测新增的目标风机的功率的方法的流程图。
图3显示了根据本发明的另一个实施例的用于预测新增的目标风机的功率的方法的流程图。
图4显示了根据本发明的一个实施例的用于预测新增的目标风机的功率的系统的方框图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整的传达给本领域的技术人员。
图1示出了适于用来实现本发明实施方式的示例性计算系统100的框图。如图1所示,计算机系统100可以包括:CPU(中央处理单元)101、RAM(随机存取存储器)102、ROM(只读存储器)103、系统总线104、硬盘控制器105、键盘控制器106、串行接口控制器107、并行接口控制器108、显示控制器109、硬盘110、键盘111、串行外部设备112、并行外部设备113和显示器114。在这些设备中,与系统总线104耦合的有CPU101、RAM102、ROM103、硬盘控制器105、键盘控制器106、串行控制器107、并行控制器108和显示控制器109。硬盘110与硬盘控制器105耦合,键盘111与键盘控制器106耦合,串行外部设备112与串行接口控制器107耦合,并行外部设备113与并行接口控制器108耦合,以及显示器114与显示控制器109耦合。应当理解,图1所述的结构框图仅仅是为了示例的目的,而不是对本发明范围的限制。在某些情况下,可以根据具体情况增加或减少某些设备。
所属技术领域的技术人员知道,本发明可以实现为系统、方法或计算机程序产品。因此,本公开可以具体实现为以下形式,即:可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等),还可以是硬件和软件结合的形式,本文一般称为“电路”、“模块”或“系统”。此外,在一些实施例中,本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式,该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于——无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,这些计算机程序指令通过计算机或其它可编程数据处理装置执行,产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中,这样,存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instructionmeans)的制造品(manufacture)。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
前面已经提到,新增风机由于尚未发电或者发电时间较短,并没有历史数据或者没有足够的历史数据用于超短期预测方法来建立历史数据与风机输出功率的关系。因此,现有技术中的很多预测方法并不能直接对新增风机进行超短期功率预测。这时,需要利用其他风机的历史数据来进行预测,但如果直接将其他风机的数据作为新增风机的历史数据,则由于不同风机所处的位置、地址、机型和风机机械等因素的不同,它们的发电规律并不相同。本发明因而提供了一种新颖的方法,有效地利用其他风机的历史数据来预测新增风机的功率。
下面将参考图2描述根据本发明的实施例的用于预测新增的目标风机的功率的方法。
首先,在步骤S210,确定与目标风机相关的参考风机。其中,目标风机是风电场中的新增风机。确定参考风机是为了找到与目标风机具有相似风力环境的风机。由于风力发电的特殊性,一方面,风电场常常会分若干期来施工,这样,处于相同风电场中的前期建设好的风机,其与该目标风机具有相似的风力环境,可以作为与目标风机相关的参考风机。或者,风电场的建设往往会比较集中,相邻风电场中的风力环境也会比较相似,因此,也可以考虑采用相邻风电场的风机来作为参考风机。在该步骤中,可以仅选择一个最相关的参考风机,也可以同时选择多个参考风机。
在步骤S220,根据参考风机和目标风机的功率曲线,确定参考风机和目标风机的功率曲线映射关系。
风机的功率曲线表示的是风机固有的风速-功率关系,一般是一个二维坐标的曲线,纵轴是功率,例如千瓦/小时,横轴是风速,例如米/秒,一般在达到额定风速后就会达到满发电状态,这时候的输出功率则为一条直线。
对于不同的风机来说,其功率曲线、也就是风速-功率的对应关系很可能是不同的。在这种情况下,为了能够利用参考风机的历史数据来估计目标风机的功率,首先获得所述参考风机和所述目标风机的功率曲线,然后,确定参考风机和目标风机的功率曲线的映射关系,即在不同风速的情况下,目标风机与参考风机发电功率的比值fts(w),其中w表示风速值。具体来说,对某一风速w,根据功率曲线分别查找目标风机和参考风机的发电功率Xs、Xt,通过功率Xs、Xt的比值,则可获得功率曲线映射关系,即fts(w)=Xs/Xt。
在步骤S230,根据参考风机的风速历史数据以及目标风机的风速历史数据,获得参考风机与目标风机的功率数据分布映射关系。
由于风机所固有的风速与功率的对应关系,可以根据参考风机与目标风机的风速的历史数据分布情况,来获得其功率数据分布的映射。其中,风机的风速历史数据分布可以从测风塔获得。
测风塔是架设在风电场场址内的塔形构筑物,能够对近地面气流运动情况进行观测、记录,可全天候不间断地对场址风力情况进行观测,测量数据被记录并存储于安装在塔体上的数据记录仪中。测风塔常常用于风电场前期对风力资源数据的收集,因此,在风电场新增风机之时,往往测风塔已经积累了大量关于风力情况的历史数据。这时,可以根据参考风机的测风塔的风速历史数据以及目标风机的测风塔的风速历史数据,来获得参考风机与目标风机的风速数据分布映射,从而相应地获得功率数据分布映射关系。
在步骤S240,根据参考风机与目标风机的功率曲线映射关系、功率数据分布映射关系以及参考风机的功率和风速,估计目标风机的功率。
这样,可以利用参考风机的历史数据,来对目标风机的功率输出进行估计。
图3显示了根据本发明的另一个实施例的用于预测新增的目标风机的功率的方法的流程图。该方法可以利用图2所示方法估计出的目标风机的功率,来进一步预测目标风机的超短期功率。
在步骤S310,根据所估计的目标风机的功率,训练目标风机的功率预测模型。此时,将所估计的目标风机的功率作为目标风机的历史数据,采用本领域技术人员所知晓的任何模型训练方法来对目标风机的功率预测模型进行训练,例如:卡尔曼滤波法、持续性算法、ARMA算法、线性回归模型、自适应模糊逻辑算法等方法。这些都是现有的模型训练方法,因此不再对其细节进行描述。
进一步地,根据本发明的一个实施例,可以利用多个不同的参考风机的数据来训练目标风机的功率预测模型。也就是说,对于每个参考风机的数据,根据所估计的相应的目标风机的功率,来训练功率预测模型,将得到的各个功率预测模型通过组合的方式用于功率预测。具体来说,对每个参考风机估计目标风机的历史功率,对每组估计的目标风机历史数据,建立若干用于预测的特征向量Fi=(…,Xi-2T,Xi-T),其中i表示某一历史时刻,T表示功率的时间间隔,X代表在该时刻的功率。利用特征向量F,可以根据现有的超短期预测方法,进行模型训练。所得到的所有功率预测模型将会通过线性组合的方式用于功率预测。
在步骤S320,根据所述功率预测模型,预测所述目标风机的功率。
根据本发明的一个实施例,在这个预测步骤中,在存在多个功率预测模型的情况下,可以首先产生用于预测的预测特征F;然后,根据各个训练的功率预测模型k,产生对应于所述预测特征的预测功率Yk;并组合所产生的预测功率Yk,以确定目标风机的最终预测功率Y。
例如,对目标风机的实时数据,与模型训练一致,建立若干用于预测的特征向量Fi=(…,Xi-2T,Xi-T),其中i表示某一历史时刻,T表示功率的时间间隔。对于每个训练的功率预测模型,根据模型k预测功率Yk,k=1…K。K为预测模型的个数。则目标风机最终的预测功率可以为
在上面的公式中,最终的预测功率是多个Yk的平均值。然而,本领域技术人员应该理解的是,这个公式只是例示的目的,最终的预测功率还可以采用其他方式来获得,例如,分别对不同的预测模块k的输出功率Yk进行加权平均或进行其他方式的组合,也可以获得最终的预测功率。
对于确定与目标风机相关的参考风机的步骤,可以采用各种不同的方式来实现,例如,可以由技术人员直接指定哪些风机可以作为参考风机,也可以根据风机的位置、地形、风速数据分布等任何一个参数或其组合来进行确定。
例如,根据本发明的一个实施例,设定目标风机和参考风机的位置分别为Lt(xLt,yLt,zLt),Ls(xLs,yLs,zLt)。其中x,y,z分别为位置Lt、Ls的坐标。则目标风机和参考风机的位置相似度可以由下式表示:
ML=1/[(zLt-zLs)2+(zLt-zLs)2+(zLt-zLs)2]1/2
位置相似度越高,表明参考风机与目标风机可能越相关。可以通过设定该位置相似度的值不小于一个特定阈值,或者找到若干具有较高位置相似度的风机,来确定与目标风机相关的参考风机。
再例如,根据本发明的一个实施例,设定目标风机和参考风机的周围N公里矩形地形分别为Dt、Ds。其中D为M*M的矩阵。D(p,q)表示第p行第q列的元素对应位置的海拔高度。目标风机和参考风机的地形相似度为
地形相似度越高,表明参考风机与目标风机可能越相关。可以通过设定该地形相似度的值不小于一个特定阈值,或者找到若干具有较高地形相似度的风机,来确定与目标风机相关的参考风机。
再例如,根据本发明的一个实施例,设定目标风机和参考风机的历史风速数据Tt,Ts。其中T为长度是K的向量。目标风机和参考风机的历史相似度为
历史相似度越高,表明参考风机与目标风机可能越相关。可以通过设定该历史相似度的值不小于一个特定阈值,或者找到若干具有较高历史相似度的风机,来确定与目标风机相关的参考风机。
或者,也可以将上面的位置相似度、地形相似度以及历史相似度组合起来,确定参考风机,例如,目标风机和参考风机的总的相似度为M=a*ML+b*MD+c*MT,其中a,b,c为相似度的权重,最终可以选取若干总相似度较高的风机为参考风机。
本领域技术人员可以理解,对于与目标风机相关的参考风机的确定,可以采用上面所描述的根据位置、地形或者历史风速数据中的任何一种方式来实现,也可以通过这些方式的任意组合来实现,或者,可以通过人为指定的方式来确定。并且,本领域技术人员可以理解的是,还可以采用任何能够确定相关的参考风机的其他方式来确定,而不限于这里所描述的特定方式。
下面将根据本发明的一个实施例来进一步描述获得参考风机与目标风机的功率数据分布映射关系的步骤的具体实现方式。
其中,根据参考风机的风速历史数据以及目标风机的风速历史数据,可以采用如下公式获得参考风机与目标风机的功率数据分布映射关系:
β=P(Xs)/P(Xt)=[P(Ws)/P(Wt)]3*Tc
其中,β代表功率数据分布映射关系,Xt、Xs分别代表目标风机和参考风机的功率,P(Xt)、P(Xs)分别代表目标风机和参考风机的功率数据分布,Wt、Ws分别代表目标风机和参考风机的风速,P(Wt)、P(Ws)分别代表目标风机和参考风机的风速数据分布,Tc为一个常数。
利用参考风机数据需要知道目标风机和参考风机的功率数据分布匹配关系β。对某一特定时刻i,βi=P(Xsi)/P(Xti),其中Xs,Xt分别为目标风机和参考风机的发电功率。根据风速发电功率关系X=ρπR2W3/2,其中X是风机的输出功率,ρ为标准空气密度,R是风机的叶片半径,C是风机叶片的风能转换效率系数,W为风速,R和C对某一风机为常数,则
β=P(Xs)/P(Xt)=[P(Ws)/P(Wt)]3*[Rs/Rt]2*[Cs/Ct]
Tc=[Rs/Rt]2*[C s/Ct]
其中Ws,Wt分别为目标风机和参考风机的测风塔的风速,Rs、Rt分别是目标风机和参考风机的叶片半径,Cs、Ct分别是目标风机和参考风机叶片的风能转换效率系数。
其中,α=P(Ws)/P(Wt)的比值需要满足如下条件:
其中上标T表示矩阵的转置。K为核函数矩阵。
Ktt的第i行第j列元素的值为k(wt(i),wt(j)),Kst的第i行第j列元素的值为k(ws(i),wt(j)),Kss的第i行第j列元素的值为k(ws(i),ws(j))。k(wi,wj)为核函数,表示wi和wj的内积,如当核函数为线性核函数时,
k(wi,wj)=λwiwj,其中λ为常数。
其它常见的核函数还包括多项式核函数,径向基核函数,Sigmoid核函数和复合核函数。k为K的按行求和的列向量
另外,根据本发明的一个实施例,根据功率曲线映射关系、功率数据分布映射关系以及参考风机的功率和风速,估计目标风机的功率的步骤可以采用如下公式来获得目标风机的功率:
Xti=Xsi*fts(Wsi)*β(Wsi)
其中,Xti、Xsi分别代表目标风机和参考风机在一特定时刻i的功率,Wsi代表参考风机在一特定时刻i的风速,fts(Wsi)代表在参考风机风速为Wsi时的功率曲线映射关系,β(Wsi)代表在参考风机风速为Wsi时的功率数据分布映射关系
这样,当具备参考风机的风速,可以根据功率曲线映射关系和功率数据分布映射关系获得目标风机和参考风机的发电功率的比值,根据目标风机的功率和参考风机的发电功率的比值,可以计算出目标风机的功率。
图4显示了根据本发明的一个实施例的用于预测新增的目标风机的功率的系统的方框图。系统400可以包括参考风机确定装置410、功率曲线映射装置420、功率数据分布映射装置430和风机功率估计装置440。其中,参考风机确定装置被配置为确定与目标风机相关的参考风机,功率曲线映射装置被配置为根据所述参考风机和所述目标风机的功率曲线,确定所述参考风机和所述目标风机的功率曲线映射关系,功率数据分布映射装置被配置为根据参考风机的风速历史数据以及目标风机的风速历史数据,获得参考风机与目标风机的功率数据分布映射关系,风机功率估计装置被配置为根据所述功率曲线映射关系、功率数据分布映射关系以及参考风机的功率和风速,估计目标风机的功率。
根据本发明的一个实施例,该系统400还可以进一步包括预测模型训练装置450,被配置为根据所估计的目标风机的功率,训练目标风机的功率预测模型。
根据本发明的一个实施例,该系统400还可以进一步包括风机功率预测装置460,被配置为根据所述目标风机的功率预测模型,预测所述目标风机的功率。
根据本发明的一个实施例,参考风机确定装置410进一步被配置为根据下列至少一个参数来确定与目标风机相关的参考风机:位置,地形,风速数据分布。
根据本发明的一个实施例,功率曲线映射装置420进一步被配置为获得所述参考风机和所述目标风机的功率曲线。
根据本发明的一个实施例,功率数据分布映射装置430被配置为采用如下公式来获得所述功率数据分布映射关系:
β=P(Xs)/P(Xt)=[P(Ws)/P(Wt)]3*Tc
其中,β代表功率数据分布映射关系,Xt、Xs分别代表目标风机和参考风机的功率,P(Xt)、P(Xs)分别代表目标风机和参考风机的功率数据分布,Wt、Ws分别代表目标风机和参考风机的风速,P(Wt)、P(Ws)分别代表目标风机和参考风机的风速数据分布,Tc为一个常数。
根据本发明的一个实施例,风机功率估计装置440被配置为采用如下公式来获得目标风机的功率:
Xti=Xsi*fts(Wsi)*β(Wsi)
其中,Xti、Xsi分别代表目标风机和参考风机在一特定时刻i的功率,Wsi代表参考风机在一特定时刻i的风速,fts(Wsi)代表在参考风机风速为Wsi时的功率曲线映射关系,β(Wsi)代表在参考风机风速为Wsi时的功率数据分布映射关系。
根据本发明的一个实施例,参考风机确定装置410进一步被配置为:确定与目标风机相关的多个参考风机,以及,预测模型训练装置450进一步被配置为:对于每个参考风机的数据,根据所估计的目标风机的功率,训练功率预测模型。
根据本发明的一个实施例,风机功率预测装置460进一步被配置为:产生用于预测的预测特征;根据各个训练的功率预测模型,产生对应于所述预测特征的预测功率;以及,组合所产生的预测功率,以确定目标风机的最终预测功率。
根据本发明的一个实施例,本发明的方法和系统都可以用于风电场的新增风机的超短期功率预测。然而,本领域技术人员可以了解的是,本发明的方法和系统并不仅限于超短期功率预测,例如,还可以单独或者与其他方法配合起来用于新增风机的短期功率预测。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (20)
1.一种用于预测风电场中新增的目标风机的功率的方法,包括:
确定与目标风机相关的参考风机;
根据参考风机和目标风机的功率曲线,确定参考风机和目标风机的功率曲线映射关系;
根据参考风机的风速历史数据以及目标风机的风速历史数据,获得参考风机与目标风机的功率数据分布映射关系;以及
根据所述功率曲线映射关系、功率数据分布映射关系以及参考风机的功率和风速,估计目标风机的功率。
2.如权利要求1所述的方法,进一步包括:根据所估计的目标风机的功率,训练目标风机的功率预测模型。
3.如权利要求2所述的方法,进一步包括:
根据所述目标风机的功率预测模型,预测所述目标风机的功率。
4.如权利要求1至3任一个所述的方法,其中,确定与目标风机相关的参考风机包括:根据下列至少一个参数来确定与目标风机相关的参考风机:位置,地形,风速数据分布。
5.如权利要求1至3任一个所述的方法,其中,根据参考风机和目标风机的功率曲线,确定参考风机和目标风机的功率曲线映射关系进一步包括:获得所述参考风机和所述目标风机的功率曲线。
6.如权利要求1至3任一个所述的方法,其中,根据参考风机的风速历史数据以及目标风机的风速历史数据,获得参考风机与目标风机的功率数据分布映射关系包括采用如下公式来获得所述功率数据分布映射关系:
β=P(Xs)/P(Xt)=[P(Ws)/P(Wt)]3*Tc
其中,β代表功率数据分布映射关系,Xt、Xs分别代表目标风机和参考风机的功率,P(Xt)、P(Xs)分别代表目标风机和参考风机的功率数据分布,Wt、Ws分别代表目标风机和参考风机的风速,P(Wt)、P(Ws)分别代表目标风机和参考风机的风速数据分布,Tc为一个常数。
7.如权利要求1至3任一个所述的方法,其中,根据所述功率曲线映射关系、功率数据分布映射关系以及参考风机的功率和风速,估计目标风机的功率包括采用如下公式来获得目标风机的功率:
Xti=Xsi*fts(Wsi)*β(Wsi)
其中,Xti、Xsi分别代表目标风机和参考风机在一特定时刻i的功率,Wsi代表参考风机在一特定时刻i的风速,fts(Wsi)代表在参考风机风速为Wsi时的功率曲线映射关系,β(Wsi)代表在参考风机风速为Wsi时的功率数据分布映射关系。
8.如权利要求2或3所述的方法,其中,确定与目标风机相关的参考风机包括:确定与目标风机相关的多个参考风机,
其中,根据所估计的目标风机的功率,训练目标风机的功率预测模型包括:对于每个参考风机的数据,根据所估计的目标风机的功率,训练功率预测模型。
9.如权利要求3所述的方法,其中,根据所述目标风机的功率预测模型,预测所述目标风机的功率包括:
产生用于预测的预测特征;
根据各个训练的功率预测模型,产生对应于所述预测特征的预测功率;以及
组合所产生的预测功率,以确定目标风机的最终预测功率。
10.如权利要求1所述的方法,其中,所述方法用于风机功率的超短期预测。
11.一种用于预测风电场中新增的目标风机的功率的系统,包括:
参考风机确定装置,被配置为确定与目标风机相关的参考风机;
功率曲线映射装置,被配置为根据所述参考风机和所述目标风机的功率曲线,确定所述参考风机和所述目标风机的功率曲线映射关系;
功率数据分布映射装置,被配置为根据参考风机的风速历史数据以及目标风机的风速历史数据,获得参考风机与目标风机的功率数据分布映射关系;以及
风机功率估计装置,被配置为根据所述功率曲线映射关系、功率数据分布映射关系以及参考风机的功率和风速,估计目标风机的功率。
12.如权利要求11所述的系统,进一步包括:预测模型训练装置,被配置为根据所估计的目标风机的功率,训练目标风机的功率预测模型。
13.如权利要求12所述的系统,进一步包括:
风机功率预测装置,被配置为根据所述目标风机的功率预测模型,预测所述目标风机的功率。
14.如权利要求11至13任一个所述的系统,其中,参考风机确定装置进一步被配置为根据下列至少一个参数来确定与目标风机相关的参考风机:位置,地形,风速数据分布。
15.如权利要求11至13任一个所述的系统,其中,所述功率曲线映射装置进一步被配置为获得所述参考风机和所述目标风机的功率曲线。
16.如权利要求11至13任一个所述的系统,其中,所述功率数据分布映射装置被配置为采用如下公式来获得所述功率数据分布映射关系:
β=P(Xs)/P(Xt)=[P(Ws)/P(Wt)]3*Tc
其中,β代表功率数据分布映射关系,Xt、Xs分别代表目标风机和参考风机的功率,P(Xt)、P(Xs)分别代表目标风机和参考风机的功率数据分布,Wt、Ws分别代表目标风机和参考风机的风速,P(Wt)、P(Ws)分别代表目标风机和参考风机的风速数据分布,Tc为一个常数。
17.如权利要求11至13任一个所述的系统,其中,所述风机功率估计装置被配置为采用如下公式来获得目标风机的功率:
Xti=Xsi*fts(Wsi)*β(Wsi)
其中,Xti、Xsi分别代表目标风机和参考风机在一特定时刻i的功率,Wsi代表参考风机在一特定时刻i的风速,fts(Wsi)代表在参考风机风速为Wsi时的功率曲线映射关系,β(Wsi)代表在参考风机风速为Wsi时的功率数据分布映射关系。
18.如权利要求12或13所述的系统,其中,参考风机确定装置进一步被配置为:确定与目标风机相关的多个参考风机,以及,预测模型训练装置进一步被配置为:对于每个参考风机的数据,根据所估计的目标风机的功率,训练功率预测模型。
19.如权利要求13所述的系统,其中,风机功率预测装置进一步被配置为:
产生用于预测的预测特征;
根据各个训练的功率预测模型,产生对应于所述预测特征的预测功率;以及
组合所产生的预测功率,以确定目标风机的最终预测功率。
20.如权利要求11所述的系统,其中,所述系统用于风机功率的超短期预测。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210226659.XA CN103514353A (zh) | 2012-06-29 | 2012-06-29 | 新增风机的功率预测方法和系统 |
US13/893,383 US20140006331A1 (en) | 2012-06-29 | 2013-05-14 | Power prediction for newly added wind turbine |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210226659.XA CN103514353A (zh) | 2012-06-29 | 2012-06-29 | 新增风机的功率预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103514353A true CN103514353A (zh) | 2014-01-15 |
Family
ID=49779209
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210226659.XA Pending CN103514353A (zh) | 2012-06-29 | 2012-06-29 | 新增风机的功率预测方法和系统 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20140006331A1 (zh) |
CN (1) | CN103514353A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105484939A (zh) * | 2015-12-16 | 2016-04-13 | 大连尚能科技发展有限公司 | 一种风速风向仪的角度测量误差曲线的替代学习方法 |
CN105545592A (zh) * | 2015-12-16 | 2016-05-04 | 大连尚能科技发展有限公司 | 一种角度测量误差曲线的数据预处理方法 |
CN105548614A (zh) * | 2015-12-16 | 2016-05-04 | 大连尚能科技发展有限公司 | 一种风速风向仪的角度安装误差的获取方法 |
CN105569921A (zh) * | 2015-12-16 | 2016-05-11 | 大连尚能科技发展有限公司 | 加入主控系统数据传递误差修正的角度测量误差补偿方法 |
CN105569922A (zh) * | 2015-12-16 | 2016-05-11 | 大连尚能科技发展有限公司 | 一种基于风速影响的风速风向仪的角度测量误差补偿方法 |
CN116418052A (zh) * | 2023-06-12 | 2023-07-11 | 中国海洋大学 | 一种海上新能源场站能量调度的调节系统 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104915747B (zh) * | 2015-02-03 | 2019-02-01 | 远景能源(江苏)有限公司 | 一种发电机组的发电性能评估方法及设备 |
CN104895819B (zh) * | 2015-05-13 | 2016-07-13 | 于文革 | 基于标准风速系数-功率系数曲线的风机性能测定方法 |
WO2017108044A1 (en) * | 2015-12-23 | 2017-06-29 | Vestas Wind Systems A/S | Controlling wind turbines according to reliability estimates |
US10395196B2 (en) | 2016-04-01 | 2019-08-27 | Enel X North America, Inc. | Two-stage control systems and methods for economical optimization of an electrical system |
CN108150360A (zh) | 2016-12-05 | 2018-06-12 | 北京金风科创风电设备有限公司 | 检测风电机组的等效载荷的方法和设备 |
US10330081B2 (en) | 2017-02-07 | 2019-06-25 | International Business Machines Corporation | Reducing curtailment of wind power generation |
US10598157B2 (en) | 2017-02-07 | 2020-03-24 | International Business Machines Corporation | Reducing curtailment of wind power generation |
CN107221965B (zh) * | 2017-08-07 | 2019-12-27 | 广州供电局有限公司 | 一种基于分布式设计的日前计划计算方法 |
CN108536958B (zh) * | 2018-04-09 | 2021-11-05 | 中能电力科技开发有限公司 | 一种基于功率曲线健康状态分级的风机实时评价方法 |
CN108665187B (zh) * | 2018-05-23 | 2021-10-08 | 中国石油大学(华东) | 基于海陆风资源的沿海城市建筑风环境设计方法 |
CN110555548B (zh) * | 2019-08-05 | 2023-04-07 | 三峡大学 | 基于数据挖掘原始误差校正的ics-elm超短期风电功率预测方法 |
CN111460360B (zh) * | 2020-04-24 | 2023-05-26 | 国能日新科技股份有限公司 | 基于密度分布的功率曲线拟合数据预处理方法及装置 |
CN115478991B (zh) * | 2022-09-21 | 2023-04-28 | 中节能风力发电股份有限公司 | 风电机组功率曲线形态异常的检测方法、设备及介质 |
CN115952924B (zh) * | 2023-03-09 | 2023-06-16 | 南京信息工程大学 | 一种基于优化vmd与特征热力图的短期风电功率预测方法 |
CN116227249B (zh) * | 2023-05-10 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 功率气象数据智能迁移的新能源长期电量预测方法与系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0914649A (ja) * | 1995-04-28 | 1997-01-17 | Gastar Corp | 燃焼装置 |
JP2005206018A (ja) * | 2004-01-22 | 2005-08-04 | Nissan Motor Co Ltd | 車両用冷却ファンの制御装置 |
CN101021880A (zh) * | 2007-03-22 | 2007-08-22 | 上海交通大学 | 降低多翼离心风机噪声的方法 |
US20070299548A1 (en) * | 2004-11-22 | 2007-12-27 | Repower Systems Ag | Method for Optimizing the Operation of Wind Farms |
CN102299527A (zh) * | 2011-08-23 | 2011-12-28 | 国电联合动力技术有限公司 | 一种风电场无功功率控制方法和系统 |
CN102400855A (zh) * | 2011-11-16 | 2012-04-04 | 北京金风科创风电设备有限公司 | 风电场的功率调节方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10134883A1 (de) * | 2001-07-18 | 2003-01-30 | Abb Research Ltd | Verfahren und Vorrichtung zur drehzahlstellbaren leistungselektronischen Regelung einer getriebelosen Windkraftanlage |
DE102007022705A1 (de) * | 2007-05-15 | 2008-11-20 | Siemens Ag | Verfahren zum Betrieb eines Windparks mit einer Mehrzahl von Windkraftanlagen |
US8050899B2 (en) * | 2008-05-30 | 2011-11-01 | General Electric Company | Method for wind turbine placement in a wind power plant |
US8924162B2 (en) * | 2010-05-13 | 2014-12-30 | University Of Cincinnati | Turbine-to-turbine prognostics technique for wind farms |
FR2976630B1 (fr) * | 2011-06-17 | 2021-07-23 | Ifp Energies Now | Procede pour optimiser la puissance recuperee par une eolienne en reduisant l'impact mecanique sur la structure. |
KR101519483B1 (ko) * | 2013-09-27 | 2015-05-12 | 한국전력공사 | 풍력발전단지의 시뮬레이션 장치 |
-
2012
- 2012-06-29 CN CN201210226659.XA patent/CN103514353A/zh active Pending
-
2013
- 2013-05-14 US US13/893,383 patent/US20140006331A1/en not_active Abandoned
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0914649A (ja) * | 1995-04-28 | 1997-01-17 | Gastar Corp | 燃焼装置 |
JP2005206018A (ja) * | 2004-01-22 | 2005-08-04 | Nissan Motor Co Ltd | 車両用冷却ファンの制御装置 |
US20070299548A1 (en) * | 2004-11-22 | 2007-12-27 | Repower Systems Ag | Method for Optimizing the Operation of Wind Farms |
CN101021880A (zh) * | 2007-03-22 | 2007-08-22 | 上海交通大学 | 降低多翼离心风机噪声的方法 |
CN102299527A (zh) * | 2011-08-23 | 2011-12-28 | 国电联合动力技术有限公司 | 一种风电场无功功率控制方法和系统 |
CN102400855A (zh) * | 2011-11-16 | 2012-04-04 | 北京金风科创风电设备有限公司 | 风电场的功率调节方法及装置 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105484939A (zh) * | 2015-12-16 | 2016-04-13 | 大连尚能科技发展有限公司 | 一种风速风向仪的角度测量误差曲线的替代学习方法 |
CN105545592A (zh) * | 2015-12-16 | 2016-05-04 | 大连尚能科技发展有限公司 | 一种角度测量误差曲线的数据预处理方法 |
CN105548614A (zh) * | 2015-12-16 | 2016-05-04 | 大连尚能科技发展有限公司 | 一种风速风向仪的角度安装误差的获取方法 |
CN105569921A (zh) * | 2015-12-16 | 2016-05-11 | 大连尚能科技发展有限公司 | 加入主控系统数据传递误差修正的角度测量误差补偿方法 |
CN105569922A (zh) * | 2015-12-16 | 2016-05-11 | 大连尚能科技发展有限公司 | 一种基于风速影响的风速风向仪的角度测量误差补偿方法 |
CN105569921B (zh) * | 2015-12-16 | 2018-08-14 | 大连尚能科技发展有限公司 | 加入主控系统数据传递误差修正的角度测量误差补偿方法 |
CN105545592B (zh) * | 2015-12-16 | 2018-09-25 | 大连尚能科技发展有限公司 | 一种获取角度测量误差曲线的方法 |
CN116418052A (zh) * | 2023-06-12 | 2023-07-11 | 中国海洋大学 | 一种海上新能源场站能量调度的调节系统 |
Also Published As
Publication number | Publication date |
---|---|
US20140006331A1 (en) | 2014-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103514353A (zh) | 新增风机的功率预测方法和系统 | |
Han et al. | Kernel density estimation model for wind speed probability distribution with applicability to wind energy assessment in China | |
Lydia et al. | Advanced algorithms for wind turbine power curve modeling | |
Schlechtingen et al. | Using data-mining approaches for wind turbine power curve monitoring: A comparative study | |
Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
Mohandes et al. | Estimation of wind speed profile using adaptive neuro-fuzzy inference system (ANFIS) | |
US10181101B2 (en) | Support vector machine enhanced models for short-term wind farm generation forecasting | |
CN103324980B (zh) | 一种风电场风速预测方法 | |
US8606418B1 (en) | Wind prediction for wind farms through the use of weather radar | |
US8489247B1 (en) | Agent-based chaotic control of wind turbines | |
CN111144663B (zh) | 计及出力波动过程的海上风电场超短期风功率预测方法 | |
Bhaskar et al. | Wind speed forecasting: Present status | |
Chang | Wind energy assessment incorporating particle swarm optimization method | |
CN104766175A (zh) | 一种基于时间序列分析的电力系统异常数据辨识与修正方法 | |
JP2017187371A (ja) | 気象予測装置及び風力発電所 | |
CN105574615A (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
Singh et al. | SCADA system dataset exploration and machine learning based forecast for wind turbines | |
CN109636066A (zh) | 一种基于模糊时间序列挖掘的风电输出功率预测方法 | |
CN114202129A (zh) | 风电出力预测方法、电子设备、存储介质及系统 | |
CN102938562A (zh) | 一种区域内风电总功率的预测方法 | |
CN114696351A (zh) | 一种电池储能系统动态优化方法、装置、电子设备和存储介质 | |
Japar et al. | Estimating the wake losses in large wind farms: A machine learning approach | |
Pinson | Introducing distributed learning approaches in wind power forecasting | |
Abarghooee et al. | Stochastic dynamic economic emission dispatch considering wind power | |
CN107358059A (zh) | 短期光伏能量预测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140115 |
|
WD01 | Invention patent application deemed withdrawn after publication |