CN103679282A - 风电功率爬坡的预测方法 - Google Patents

风电功率爬坡的预测方法 Download PDF

Info

Publication number
CN103679282A
CN103679282A CN201310457433.5A CN201310457433A CN103679282A CN 103679282 A CN103679282 A CN 103679282A CN 201310457433 A CN201310457433 A CN 201310457433A CN 103679282 A CN103679282 A CN 103679282A
Authority
CN
China
Prior art keywords
climbing
wind power
time
power
prediction
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
CN201310457433.5A
Other languages
English (en)
Other versions
CN103679282B (zh
Inventor
曹银利
鲁宗相
王玮
乔颖
付嘉渝
徐曼
张鹏
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.)
Tsinghua University
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Corp of China SGCC
State Grid Gansu Electric Power Co Ltd
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 Tsinghua University, State Grid Corp of China SGCC, State Grid Gansu Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN201310457433.5A priority Critical patent/CN103679282B/zh
Publication of CN103679282A publication Critical patent/CN103679282A/zh
Application granted granted Critical
Publication of CN103679282B publication Critical patent/CN103679282B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

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

Abstract

本发明提供一种风电功率爬坡的预测方法，主要包括以下步骤：据时序先后逐点计算超短期风电功率爬坡持续时间
Figure 2013104574335100004DEST_PATH_IMAGE001
、爬坡幅值
Figure DEST_PATH_IMAGE002
、爬坡方向及实时爬坡率
Figure DEST_PATH_IMAGE004
，比较
Figure 162812DEST_PATH_IMAGE004
与阈值判断是否为风电功率爬坡事件；获取每日更新的短期风电功率预测序列，对其逐点进行平滑处理，根据超过设定阈值
Figure DEST_PATH_IMAGE006
部分的极大值确定功率爬坡事件的爬坡中心时间
Figure DEST_PATH_IMAGE007
，根据附近超过阈值
Figure 476113DEST_PATH_IMAGE006
的临界点计算爬坡持续时间
Figure 99993DEST_PATH_IMAGE001
、爬坡幅值
Figure 306983DEST_PATH_IMAGE002
及爬坡方向
Figure 358116DEST_PATH_IMAGE003
，实现短期风电功率极端爬坡事件预测；以及分别对超短期风电功率爬坡和短期风电功率爬坡的历史预测结果和历史观测结果进行统计，实现风电功率爬坡预测。

Description

风电功率爬坡的预测方法
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/短期风电功率爬坡预测方法。
背景技术
受风资源变化特性支配，风电功率输出具有很强的随机性和波动性。风电功率爬坡事件指较短时间内风电出力发生较大变化，大规模风电集中并网后的风电功率爬坡可在短时间内变化上百兆瓦，是电力系统调度运行所面临的重要挑战，一旦爬坡幅度或爬坡速率超过系统备用可以承受的范围，将对系统的安全稳定构成威胁。
对风电功率爬坡进行预报可以帮助系统提前采取措施应对即将发生的功率爬坡事件。风电功率爬坡事件的基本要素是爬坡持续时间、爬坡幅值和爬坡方向（简称为“爬坡三要素”）。根据预报结果，对于功率上爬坡事件，调度机构可以调整发电计划以吸纳更多的清洁能源，或者在下调备用容量不足时采取限电等必要措施；对于功率下爬坡事件，可以按照功率爬坡的规模大小提前准备投入各级备用，必要时采取切负荷等措施保证系统安全。
传统风电功率预测技术以输出规定时段的预测功率序列为目的，而风电功率爬坡预报侧重对爬坡事件的识别和预判。由于功率爬坡事件涉及风资源的快速变化，采用的预测方法主要基于数值模式对天气变化物理过程的滚动模拟。国内已初步建立风电功率预测系统技术规范，规定预测系统提供每15分钟滚动的超短期未来4小时功率预报和按日上报的短期日前功率预报，但不包含对功率爬坡预报的要求，因此国内现有的风电功率预测系统并不具备该项功能。另一方面，国内风电功率预测系统所使用的数值天气预报服务一般由气象机构按日提供1-2次，尚不具备滚动数值预报服务，难以依靠实时气象预报对功率爬坡进行模拟。因此，如何依据现有风电功率预测系统运行模式在超短期/短期时间尺度实现对风电功率爬坡的预报具有十分重要的工程价值。
发明内容
综上所述，确有必要提供一种能够预测风电功率爬坡的预测方法。
一种风电功率爬坡的预测方法，主要包括以下步骤：获取实时更新的超短期风电功率预测序列，根据时序先后逐点计算超短期风电功率爬坡持续时间                                               
Figure 2013104574335100002DEST_PATH_IMAGE001
、爬坡幅值
Figure 2013104574335100002DEST_PATH_IMAGE002
、爬坡方向
Figure 2013104574335100002DEST_PATH_IMAGE003
及实时爬坡率
Figure 2013104574335100002DEST_PATH_IMAGE004
，根据设定阈值
Figure 2013104574335100002DEST_PATH_IMAGE005
判断是否为风电功率爬坡事件；获取每日更新的短期风电功率预测序列，对其逐点进行平滑处理，根据平滑后序列超过设定阈值
Figure 2013104574335100002DEST_PATH_IMAGE006
部分的极大值确定功率爬坡事件的爬坡中心时间，根据附近超过阈值的临界点计算爬坡持续时间
Figure 498107DEST_PATH_IMAGE001
、爬坡幅值
Figure 531922DEST_PATH_IMAGE002
及爬坡方向
Figure 977947DEST_PATH_IMAGE003
，实现短期风电功率极端爬坡事件预测；以及分别对超短期风电功率爬坡和短期风电功率爬坡的历史预测结果和历史观测结果进行统计，计算预报完成率、预报准确率和爬坡综合指标，实现风电功率爬坡预测。
相对于现有技术，本发明提供的风电功率爬坡预报方法，基于现行风电功率预测系统运行模式实现超短期/短期风电功率爬坡预报，通过设定不同含义爬坡阈值，在不同时间尺度将时间序列型预报转化为事件型预报，该功率爬坡预报方法可作为其附加功能模块或外置模块，具有较高灵活性，且无需额外的输入数据支持，经济成本低。
附图说明
图1为本发明提供的超短期风电功率爬坡的预测方法的流程图。
图2为本发明提供的超短期风电功率爬坡计算流程图。
图3为本发明提供的短期风电功率极端爬坡事件预测流程图。
图4为本发明提供的短期风电功率极端爬坡判断示意图。
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为本发明提供的风电功率爬坡的预测方法流程图，主要包括如下步骤：
步骤S10，获取实时更新的超短期风电功率预测序列，根据时序先后逐点计算超短期风电功率爬坡持续时间、爬坡幅值、爬坡方向，得到实时爬坡率，比较实时爬坡率与设定阈值，判断是否为风电功率爬坡事件；
步骤S20，获取每日更新的短期风电功率预测序列，对其逐点进行平滑处理，根据平滑后序列超过设定阈值部分的极大值确定功率爬坡事件的爬坡中心时间，根据附近超过阈值的临界点计算爬坡持续时间、爬坡幅值、爬坡方向及实时爬坡率，实现短期风电功率极端爬坡事件预测；
步骤S30，分别对超短期风电功率爬坡和短期风电功率爬坡的历史预测结果和历史观测结果进行统计，计算预报完成率、预报准确率和爬坡综合指标，实现风电功率爬坡预测。
在步骤S10中，请一并参阅图2，所述爬坡持续时间、爬坡幅值、及爬坡方向可通过以下方法计算：
对于第
Figure 2013104574335100002DEST_PATH_IMAGE008
个预测点，其对应时刻为
Figure 2013104574335100002DEST_PATH_IMAGE009
，
Figure 2013104574335100002DEST_PATH_IMAGE010
为事先设定的爬坡时间，取
Figure 984080DEST_PATH_IMAGE010
小于等于1小时。
Figure 2013104574335100002DEST_PATH_IMAGE011
为
Figure 2013104574335100002DEST_PATH_IMAGE012
时段内风电功率预测最大值，对应时刻为
Figure 2013104574335100002DEST_PATH_IMAGE013
；
Figure 2013104574335100002DEST_PATH_IMAGE014
为
Figure 995374DEST_PATH_IMAGE012
时段内风电功率预测最小值，对应时刻为
Figure 2013104574335100002DEST_PATH_IMAGE015
。则爬坡持续时间
Figure 2013104574335100002DEST_PATH_IMAGE016
为：
Figure 2013104574335100002DEST_PATH_IMAGE017
（1）；
爬坡幅值
Figure 2013104574335100002DEST_PATH_IMAGE018
为：
（2）；
爬坡方向
Figure 2013104574335100002DEST_PATH_IMAGE020
为：
Figure 2013104574335100002DEST_PATH_IMAGE021
（3）。
则对应
Figure 391851DEST_PATH_IMAGE009
的未来给定时段爬坡率
Figure 641567DEST_PATH_IMAGE004
为：
Figure 2013104574335100002DEST_PATH_IMAGE022
（4）
如果，则判定其为功率爬坡事件。其中，
Figure 564523DEST_PATH_IMAGE005
为风电爬坡率阈值，一般作为旋转备用的火电机组，其上/下功率爬坡上限一般为3-4MW/min，故
Figure 811965DEST_PATH_IMAGE005
根据实际备用情况，一般应取不大于备用机组功率爬坡上限的80%，即2-3MW/min。
在步骤S20中，请一并参阅图3，所述短期风电功率极端爬坡事件预测可通过以下步骤进行。
首先，对短期风电功率预测序列
Figure 2013104574335100002DEST_PATH_IMAGE024
（一般覆盖未来24-48小时）逐点进行平滑处理：
Figure 2013104574335100002DEST_PATH_IMAGE025
（5）
平滑阶数
Figure 2013104574335100002DEST_PATH_IMAGE026
一般取，
Figure 2013104574335100002DEST_PATH_IMAGE028
是
Figure 2013104574335100002DEST_PATH_IMAGE029
的平滑结果。
其次，根据风电爬坡阈值
Figure 755126DEST_PATH_IMAGE006
判断功率爬坡事件，并计算其爬坡持续时间、爬坡幅值、及爬坡方向：
Figure 2013104574335100002DEST_PATH_IMAGE030
（6）。
就极端功率爬坡事件而言，
Figure 746216DEST_PATH_IMAGE006
一般取20%-30%风电总开机容量。
请一并参阅图4，所述爬坡持续时间、爬坡幅值、及爬坡方向的计算包括以下步骤：
由
Figure 2013104574335100002DEST_PATH_IMAGE031
的局部极大值确定第
Figure 2013104574335100002DEST_PATH_IMAGE032
次功率爬坡事件的爬坡中心时间
Figure 523679DEST_PATH_IMAGE007
；
通过所述极大值附近超过阈值的两个临界点
Figure 2013104574335100002DEST_PATH_IMAGE033
和
Figure 2013104574335100002DEST_PATH_IMAGE034
，可对应确定功率爬坡起止时刻
Figure 2013104574335100002DEST_PATH_IMAGE035
和
Figure 2013104574335100002DEST_PATH_IMAGE036
（
Figure 2013104574335100002DEST_PATH_IMAGE037
），则爬坡持续时间
Figure 879705DEST_PATH_IMAGE001
为：
（7）；
所述爬坡幅值
Figure 109829DEST_PATH_IMAGE002
为：
（8）
所述爬坡方向
Figure 842293DEST_PATH_IMAGE003
为：
Figure 2013104574335100002DEST_PATH_IMAGE040
（9）
在步骤S30中，超短期/短期风电功率爬坡预测都属于事件型预测，可采用列联表对其历史预测结果和历史观测结果进行统计。
Figure 2013104574335100002DEST_PATH_IMAGE041
对于超短期风电功率爬坡预测，时刻历史预测爬坡率和历史观测爬坡率的绝对值均超过且爬坡方向相同的情况为成功；
Figure 105893DEST_PATH_IMAGE009
时刻历史预测爬坡率的绝对值超过
Figure 501103DEST_PATH_IMAGE005
，历史观测爬坡率的绝对值未超过
Figure 987579DEST_PATH_IMAGE005
或超过
Figure 950987DEST_PATH_IMAGE005
但爬坡方向不同的情况为错报；
Figure 155703DEST_PATH_IMAGE009
时刻历史观测爬坡率的绝对值超过，历史预测爬坡率的绝对值未超过
Figure 695586DEST_PATH_IMAGE005
或超过
Figure 954529DEST_PATH_IMAGE005
但爬坡方向不同的情况为漏报。
对于短期风电功率爬坡预测，对于每一次爬坡事件，根据爬坡起止时刻定义爬坡区间[
Figure 443279DEST_PATH_IMAGE035
,
Figure 383553DEST_PATH_IMAGE036
]，该区间包含爬坡中心时间
Figure 906938DEST_PATH_IMAGE007
，则一次历史预测爬坡事件[
Figure 2013104574335100002DEST_PATH_IMAGE042
,
Figure 2013104574335100002DEST_PATH_IMAGE043
]，爬坡中心时间
Figure 2013104574335100002DEST_PATH_IMAGE044
，若存在一次历史预测爬坡事件[
Figure 2013104574335100002DEST_PATH_IMAGE045
,
Figure DEST_PATH_IMAGE046
]，爬坡中心时间
Figure DEST_PATH_IMAGE047
，
Figure 967078DEST_PATH_IMAGE044
属于[,
Figure 687089DEST_PATH_IMAGE046
]且属于[
Figure 603409DEST_PATH_IMAGE042
,
Figure 66752DEST_PATH_IMAGE043
]，则统计为成功；没有被统计为成功的其余历史预测爬坡事件统计为错报；相应地，没有被统计为成功的其余历史观测爬坡事件统计为漏报。
完成所有历史结果统计后，计算评价指标：
Figure DEST_PATH_IMAGE048
，
，
Figure DEST_PATH_IMAGE050
；
评价指标越接近1，功率爬坡预测效果越好。
实施例一
作为具体的实施例，所述的超短期/短期风电功率爬坡预报方法基于我国西北某风电场风电功率预测系统历史数据进行虚拟预测，具体步骤如下：
（1）计算超短期风电功率实时爬坡率。
该风电场风电功率预测系统每15分钟滚动超短期未来4小时全场功率预报，对于每次更新的预报序列，设定爬坡时间
Figure 286512DEST_PATH_IMAGE010
为1小时，按照时序先后，依据公式（1）-（4），逐点计算其时段内的爬坡持续时间、爬坡幅值、及爬坡方向和爬坡率。风电爬坡率阈值
Figure 228240DEST_PATH_IMAGE005
取为2MW/min。
（2）短期风电功率极端爬坡事件预测。
该风电场风电功率预测系统每天上报未来3天的全场风电功率功率预报结果，对于每天更新的预报序列，设定平滑阶数
Figure 444458DEST_PATH_IMAGE026
为9，得到平滑序列，设定风电爬坡阈值
Figure 326963DEST_PATH_IMAGE006
为25%风电总开机容量，从而依据
Figure 679447DEST_PATH_IMAGE006
判定极端功率爬坡事件。对于每次爬坡事件，根据公式（7）-（9）计算其爬坡持续时间、爬坡幅值、及爬坡方向。
（3）风电功率爬坡预测。
采用列联表对其半年的历史预测结果和历史观测结果进行统计，计算预报完成率，预报准确率和爬坡综合指标。该风电场2012年上半年的统计结果为：
超短期风电功率爬坡预报：预报完成率76%，预报准确率70%，爬坡综合指标73%；
短期风电功率爬坡预报：预报完成率83%，预报准确率74%，爬坡综合指标78%。
本发明提供的风电功率爬坡预报方法，基于现行风电功率预测系统运行模式实现超短期/短期风电功率爬坡预报，通过不同含义爬坡阈值的设定，在不同时间尺度将时间序列型预报转化为事件型预报：在超短期时间尺度着重实时判断风电功率爬坡速率是否超过旋转备用机组承受能力；在短期时间尺度重点对大规模极端功率爬坡事件进行日前预测。对于各类风电功率预测系统，该功率爬坡预报方法可作为其附加功能模块或外置模块，具有较高灵活性，且无需额外的输入数据支持，经济成本低。
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)

1.一种风电功率爬坡的预测方法，主要包括以下步骤：
步骤S10，获取实时更新的超短期风电功率预测序列，根据时序先后逐点计算超短期风电功率爬坡持续时间                                               
Figure 2013104574335100001DEST_PATH_IMAGE001
、爬坡幅值
Figure DEST_PATH_IMAGE002
、爬坡方向，得到实时爬坡率
Figure DEST_PATH_IMAGE004
，比较
Figure 212247DEST_PATH_IMAGE004
与阈值，判断是否为风电功率爬坡事件；
步骤S20，获取每日更新的短期风电功率预测序列，对其逐点进行平滑处理，根据平滑后序列超过设定阈值
Figure DEST_PATH_IMAGE006
部分的极大值确定功率爬坡事件的爬坡中心时间
Figure DEST_PATH_IMAGE007
，根据附近超过阈值的临界点计算爬坡持续时间
Figure 728154DEST_PATH_IMAGE001
、爬坡幅值
Figure 63321DEST_PATH_IMAGE002
及爬坡方向
Figure 729925DEST_PATH_IMAGE003
，实现短期风电功率极端爬坡事件预测；以及
步骤S30，分别对超短期风电功率爬坡和短期风电功率爬坡的历史预测结果和历史观测结果进行统计，计算预报完成率、预报准确率和爬坡综合指标，实现风电功率爬坡预测。
2.如权利要求1所述的风电功率爬坡的预测方法，其特征在于，所述爬坡持续时间、爬坡幅值、及爬坡方向通过以下方法计算：
对于第
Figure DEST_PATH_IMAGE008
个预测点，其对应时刻为
Figure DEST_PATH_IMAGE009
，
Figure DEST_PATH_IMAGE010
为事先设定的爬坡时间，取小于等于1小时；
设为
Figure DEST_PATH_IMAGE012
时段内风电功率预测最大值，对应时刻为
Figure DEST_PATH_IMAGE013
；
设为
Figure 119767DEST_PATH_IMAGE012
时段内风电功率预测最小值，对应时刻为；则爬坡持续时间
Figure DEST_PATH_IMAGE016
为：
Figure DEST_PATH_IMAGE017
；
爬坡幅值
Figure DEST_PATH_IMAGE018
为：
Figure DEST_PATH_IMAGE019
；
爬坡方向
Figure DEST_PATH_IMAGE020
为：
Figure DEST_PATH_IMAGE021
。
3.如权利要求2所述的风电功率爬坡的预测方法，其特征在于，对应
Figure 438884DEST_PATH_IMAGE009
的未来给定时段爬坡率为：
Figure DEST_PATH_IMAGE022
；
如果
Figure DEST_PATH_IMAGE023
，则判定其为功率爬坡事件。
4.如权利要求1为所述的风电功率爬坡的预测方法，其特征在于，所述阈值
Figure 410043DEST_PATH_IMAGE005
小于等于备用机组功率爬坡上限的80%。
5.如权利要求1所述的风电功率爬坡的预测方法，其特征在于，所述阈值
Figure 762527DEST_PATH_IMAGE006
为风电总开机容量的20%-30%。
6.如权利要求1所述的风电功率爬坡的预测方法，其特征在于，所述短期风电功率极端爬坡事件预测包括以下子步骤：
首先，对短期风电功率预测序列
Figure DEST_PATH_IMAGE024
逐点进行平滑处理：
Figure DEST_PATH_IMAGE025
，
其中，平滑阶数
Figure DEST_PATH_IMAGE026
取
Figure DEST_PATH_IMAGE027
，是
Figure DEST_PATH_IMAGE029
为平滑结果；
其次，根据风电爬坡阈值
Figure 518125DEST_PATH_IMAGE006
判断功率爬坡事件，并计算其爬坡持续时间、爬坡幅值、及爬坡方向。
7.如权利要求6所述的风电功率爬坡的预测方法，其特征在于，所述爬坡持续时间、爬坡幅值、及爬坡方向的计算包括以下子步骤：
由的局部极大值确定第
Figure DEST_PATH_IMAGE031
次功率爬坡事件的爬坡中心时间
Figure 893742DEST_PATH_IMAGE007
；
通过所述极大值附近超过阈值的两个临界点
Figure DEST_PATH_IMAGE032
和
Figure DEST_PATH_IMAGE033
，对应确定功率爬坡起止时刻
Figure DEST_PATH_IMAGE034
和
Figure DEST_PATH_IMAGE035
（
Figure DEST_PATH_IMAGE036
），则爬坡持续时间
Figure 189726DEST_PATH_IMAGE001
为：
Figure DEST_PATH_IMAGE037
；
所述爬坡幅值
Figure 597049DEST_PATH_IMAGE002
为：
Figure DEST_PATH_IMAGE038
；
所述爬坡方向
Figure 382602DEST_PATH_IMAGE003
为：
Figure DEST_PATH_IMAGE039
。
8.如权利要求1所述的风电功率爬坡的预测方法，其特征在于，采用列联表对风电功率爬坡的历史预测结果和历史观测结果进行统计。
9.如权利要求8所述的风电功率爬坡的预测方法，其特征在于，对于超短期风电功率爬坡预测，
Figure 245516DEST_PATH_IMAGE009
时刻历史预测爬坡率和历史观测爬坡率的绝对值均超过
Figure 469824DEST_PATH_IMAGE005
且爬坡方向相同的情况为成功；
Figure 796900DEST_PATH_IMAGE009
时刻历史预测爬坡率的绝对值超过
Figure 18934DEST_PATH_IMAGE005
，历史观测爬坡率的绝对值未超过
Figure 431461DEST_PATH_IMAGE005
或超过但爬坡方向不同的情况为错报；
Figure 313146DEST_PATH_IMAGE009
时刻历史观测爬坡率的绝对值超过
Figure 768398DEST_PATH_IMAGE005
，历史预测爬坡率的绝对值未超过
Figure 605904DEST_PATH_IMAGE005
或超过
Figure 172015DEST_PATH_IMAGE005
但爬坡方向不同的情况为漏报。
10.如权利要求8所述的风电功率爬坡的预测方法，其特征在于，对于短期风电功率爬坡预测，对于每一次爬坡事件，根据爬坡起止时刻定义爬坡区间[
Figure 208104DEST_PATH_IMAGE034
,
Figure 771940DEST_PATH_IMAGE035
]，该区间包含爬坡中心时间
Figure 159059DEST_PATH_IMAGE007
，则对于一次历史预测爬坡事件[
Figure DEST_PATH_IMAGE040
,]，爬坡中心时间
Figure DEST_PATH_IMAGE042
，若存在一次历史预测爬坡事件[
Figure DEST_PATH_IMAGE043
,
Figure DEST_PATH_IMAGE044
]，爬坡中心时间
Figure DEST_PATH_IMAGE045
，
Figure 73401DEST_PATH_IMAGE042
属于[
Figure 229576DEST_PATH_IMAGE043
,
Figure 26631DEST_PATH_IMAGE044
]，且属于[
Figure 746642DEST_PATH_IMAGE040
,
Figure 695007DEST_PATH_IMAGE041
]，则统计为成功；没有被统计为成功的其余历史预测爬坡事件统计为错报；相应地，没有被统计为成功及错报的其余历史观测爬坡事件统计为漏报。
CN201310457433.5A 2013-09-30 2013-09-30 风电功率爬坡的预测方法 Expired - Fee Related CN103679282B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310457433.5A CN103679282B (zh) 2013-09-30 2013-09-30 风电功率爬坡的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310457433.5A CN103679282B (zh) 2013-09-30 2013-09-30 风电功率爬坡的预测方法

Publications (2)

Publication Number Publication Date
CN103679282A true CN103679282A (zh) 2014-03-26
CN103679282B CN103679282B (zh) 2017-01-04

Family

ID=50316766

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310457433.5A Expired - Fee Related CN103679282B (zh) 2013-09-30 2013-09-30 风电功率爬坡的预测方法

Country Status (1)

Country Link
CN (1) CN103679282B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897789A (zh) * 2017-01-03 2017-06-27 内蒙古电力(集团)有限责任公司 一种风电有功功率爬坡事件检测方法及装置
CN106933778A (zh) * 2017-01-22 2017-07-07 中国农业大学 一种基于爬坡事件特征识别的风电功率组合预测方法
CN107947200A (zh) * 2017-12-04 2018-04-20 长沙理工大学 一种含风电的系统频率偏差系数确定的方法
CN110264375A (zh) * 2019-06-21 2019-09-20 哈尔滨工业大学 一种风电场群出力间歇性的多时间尺度定量刻画方法
CN110348637A (zh) * 2019-07-12 2019-10-18 哈尔滨工业大学 一种考虑场-网因素的风电爬坡事件预警方法
CN111582557A (zh) * 2020-04-20 2020-08-25 哈尔滨工业大学 基于变差函数的风电爬坡事件多级预警方法
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
CN112529275A (zh) * 2020-12-02 2021-03-19 中国矿业大学 基于特征提取和深度学习的风电爬坡事件预测方法
CN113298290A (zh) * 2021-04-27 2021-08-24 宁波职业技术学院 一种基于图像生成的风电功率预测方法与系统
CN114254805A (zh) * 2021-11-22 2022-03-29 华北电力大学 爬坡事件的时间窗口识别方法、装置、设备及存储介质
CN117196122A (zh) * 2023-11-02 2023-12-08 湖南赛能环测科技有限公司 一种基于风电功率爬坡时长的风电场调整方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7613548B2 (en) * 2006-01-26 2009-11-03 General Electric Company Systems and methods for controlling a ramp rate of a wind farm
US20120185414A1 (en) * 2010-12-15 2012-07-19 Vaisala, Inc. Systems and methods for wind forecasting and grid management
CN103248050A (zh) * 2013-05-22 2013-08-14 山东大学 一种基于竞争博弈的风电爬坡协同控制系统及方法
CN103279804A (zh) * 2013-04-29 2013-09-04 清华大学 超短期风电功率的预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7613548B2 (en) * 2006-01-26 2009-11-03 General Electric Company Systems and methods for controlling a ramp rate of a wind farm
US20120185414A1 (en) * 2010-12-15 2012-07-19 Vaisala, Inc. Systems and methods for wind forecasting and grid management
CN103279804A (zh) * 2013-04-29 2013-09-04 清华大学 超短期风电功率的预测方法
CN103248050A (zh) * 2013-05-22 2013-08-14 山东大学 一种基于竞争博弈的风电爬坡协同控制系统及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TINGHUI OUYANG,XIAOMING ZHA,LIANG QIN: "《A Survey of Wind Power Ramp Forecasting》", 《ENERGY AND POWER ENGINEERING》 *
李福东等: "《基于统计分析和多支持向量机的风电功率坡度事件分类预测》", 《上海交通大学学报》 *
王颖等: "《抑制风电爬坡率的风储联合优化控制方法》", 《电力系统自动化》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897789B (zh) * 2017-01-03 2020-11-27 内蒙古电力(集团)有限责任公司 一种风电有功功率爬坡事件检测方法及装置
CN106897789A (zh) * 2017-01-03 2017-06-27 内蒙古电力(集团)有限责任公司 一种风电有功功率爬坡事件检测方法及装置
CN106933778A (zh) * 2017-01-22 2017-07-07 中国农业大学 一种基于爬坡事件特征识别的风电功率组合预测方法
CN107947200A (zh) * 2017-12-04 2018-04-20 长沙理工大学 一种含风电的系统频率偏差系数确定的方法
CN110264375A (zh) * 2019-06-21 2019-09-20 哈尔滨工业大学 一种风电场群出力间歇性的多时间尺度定量刻画方法
CN110348637B (zh) * 2019-07-12 2022-10-11 哈尔滨工业大学 一种考虑场-网因素的风电爬坡事件预警方法
CN110348637A (zh) * 2019-07-12 2019-10-18 哈尔滨工业大学 一种考虑场-网因素的风电爬坡事件预警方法
CN111582557A (zh) * 2020-04-20 2020-08-25 哈尔滨工业大学 基于变差函数的风电爬坡事件多级预警方法
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
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
CN112529275A (zh) * 2020-12-02 2021-03-19 中国矿业大学 基于特征提取和深度学习的风电爬坡事件预测方法
CN112529275B (zh) * 2020-12-02 2023-09-22 中国矿业大学 基于特征提取和深度学习的风电爬坡事件预测方法
CN113298290A (zh) * 2021-04-27 2021-08-24 宁波职业技术学院 一种基于图像生成的风电功率预测方法与系统
CN114254805A (zh) * 2021-11-22 2022-03-29 华北电力大学 爬坡事件的时间窗口识别方法、装置、设备及存储介质
CN117196122A (zh) * 2023-11-02 2023-12-08 湖南赛能环测科技有限公司 一种基于风电功率爬坡时长的风电场调整方法及装置
CN117196122B (zh) * 2023-11-02 2024-02-06 湖南赛能环测科技有限公司 一种基于风电功率爬坡时长的风电场调整方法及装置

Also Published As

Publication number Publication date
CN103679282B (zh) 2017-01-04

Similar Documents

Publication Publication Date Title
CN103679282A (zh) 风电功率爬坡的预测方法
Vargas et al. Wind power curtailment and energy storage in transmission congestion management considering power plants ramp rates
Li et al. On the determination of battery energy storage capacity and short-term power dispatch of a wind farm
Ruiz et al. Wind power day-ahead uncertainty management through stochastic unit commitment policies
CN102427244B (zh) 大规模光伏风电信息接入系统
Hatziargyriou et al. Energy management and control of island power systems with increased penetration from renewable sources
CN101707378B (zh) 一种基于大规模风电并网的电网调峰能力的调度方法
CN103001249B (zh) 基于bp神经网络的风电场短期功率预测方法
CN104463697A (zh) 含大规模风电电力系统的风险评估方法
CN102780219A (zh) 基于风电运行模拟的多维度风电消纳能力判别方法
CN104915737A (zh) 基于风险控制含大规模风电的电力系统协调经济调度方法
CN102831321A (zh) 一种基于蒙特卡洛方法的风电场风险评估方法
CN103473393B (zh) 一种考虑随机概率的输电裕度控制模型建模方法
CN104951899A (zh) 含大规模可再生能源的配电公司多时间尺度优化调度方法
CN103390116A (zh) 采用分步方式的光伏电站发电功率预测方法
CN103390902A (zh) 一种基于最小二乘法的光伏电站超短期功率预测方法
CN102567815A (zh) 基于实际电网运行数据的事后理想计划分析方法
CN103078317B (zh) 广域风电控制系统受控风电场控制方法
Xiao et al. A multi‐energy complementary coordinated dispatch method for integrated system of wind‐photovoltaic‐hydro‐thermal‐energy storage
CN102904248A (zh) 基于风电出力不确定性集合的电力系统调度方法
Wu et al. Preventive control strategy for an island power system that considers system security and economics
CN103208088A (zh) 考虑风电出力不确定性的节能发电调度的决策风险计算机评价方法
Xiao et al. A framework for assessing the inertia distribution of power systems
CN103326387B (zh) 一种利用储能减小风电调度风险的源网协调调度方法
CN105048491A (zh) 基于机组组合和经济调度的多阶段风电接纳范围计算方法

Legal Events

Date Code Title Description
PB01 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: 20170104

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