CN103683274A - 区域中长期风电发电量概率预测方法 - Google Patents
区域中长期风电发电量概率预测方法 Download PDFInfo
- Publication number
- CN103683274A CN103683274A CN201310296597.4A CN201310296597A CN103683274A CN 103683274 A CN103683274 A CN 103683274A CN 201310296597 A CN201310296597 A CN 201310296597A CN 103683274 A CN103683274 A CN 103683274A
- Authority
- CN
- China
- Prior art keywords
- wind
- turbine set
- energy output
- electricity generation
- powered electricity
- 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
- Wind Motors (AREA)
Abstract
本发明涉及电力系统技术领域,具体的说是一种区域中长期风电发电量概率预测方法,步骤如下:(1)在区域内进行参考风电场选取;(2)对参考风电场所处位置的风能进行概率预测,进而对其进行发电量预测;(3)通过扩展模型得到区域风电发电量的概率预测结果;(4)计算区域新增装机的发电量,加上步骤(3)中概率预测结果,得到区域中长期风电发电量预测结果。本发明通过区域中长期风电发电量的概率预测模型,得到区域风电发电量的概率预测结果,通过概率密度来衡量中长期风电发电量的最大可能值,从而使风电发电量预测值更具参考价值,为区域风电长周期管理和交易提供依据较强的参考数据,弥补了这一块现有技术的空缺。
Description
技术领域
本发明涉及电力系统技术领域,具体的说是一种区域中长期风电发电量概率预测方法。
背景技术
近年来,我国清洁能源得到了迅猛发展,从2005年起至2010年底,我国风电几乎以每年翻一番的速度在增长。到2010年底,我国风电累计装机容量达到44.73GW,已超越美国跃居世界第一。其中,运营装机容量31GW,占电网最大用电负荷的4.2%;年发电量50TWh,占全社会用电总量的1.4%。尽管如此,按照全国风电可装机容量1000GW计算,已开发容量不到可装机量的5%,还具有很大的发展潜力。
由于我国风能资源主要受亚热带季风影响,以三北地区风能资源最为丰富。我国风资源的开发利用主要集中于此,在三北地区建设了八大千万千瓦级风电基地。基于我国区域间资源互补的特性,通过大范围协调可以充分发挥区域间负荷错峰错谷效应、电源结构之间的互补效应,从而最大程度地消纳风电等可再生能源。
上述大范围协调方式必然是长周期的,而难以在只负责短期电力平衡和计划落实的调度层面解决。目前,跨区域电力交易所采取的是以年度合同为主、月度临时交易为辅的交易模式。风电基地风电外送也是多以长期交易为主。
在签订风电长期交易的过程中,必然涉及到的问题是,未来一年或若干个月风电基地有多少电量需要送出;而在执行风电长期交易时,分解风电量至月度发电计划过程亦需要风电量的数量。
解决该问题即需要对区域中长期风电发电量进行预测。预测结果不仅可为风电长期交易制定提供参考,也可为交易的计划分解提供参考,以最大限度地发挥风电的发电能力与输电通道的输送能力。
以往的工作大多集中在短期风电功率预测,而对中长期风电量预测很少涉及。中长期风电发电量预测为预测风电场未来月或年的风电发电量,对制定全网电量平衡计划、优化全网运行方式意义重大。但是相比于短期风电发电量预测,中长期风电发电量预测存在一定的困难:
1风电量及风电场测风数据样本数据少
我国风力发电起步比较晚,风电场投产年头短,在中长期的时间尺度下,可用的年风电发电量历史数少,风电场的测风数据也不完备。而一般用于短期风电功率预测的方法,建模需要大量样本数据,导致其并不适用于中长期风电量预测。
2年新增装机容量大
我国风力发电建设处于大发展时期,每年新建成并投产的风电场很多,在预测周期内投产的容量增幅较大,若不考虑该因素,将会造成较大的预测误差。
发明内容
本发明针对上述现有技术中遇到的问题,提出了一种区域中长期风电发电量概率预测方法,包括如下步骤:
(1)在区域内进行参考风电场选取:依据风电场的年发电量与区域总风电发电量的相关性进行参考风电场选取。
(2)对参考风电场所处位置的风能进行概率预测,进而对其进行发电量预测:
(3)通过扩展模型得到区域风电发电量的概率预测结果;
(4)计算区域新增装机的发电量,加上步骤(3)中概率预测结果,得到区域中长期风电发电量。
进一步的,上述技术方案中,所述步骤(2)包括如下步骤:
(21)选定参考风电场后,利用参考风电场所在地理范围内的气象测风数据对其测风塔数据进行风速修正;
(22)对参考风电场的风速进行概率预测:利用威布尔分布曲线对参考风电场历史年份的修正后风速数据进行拟合,得到历史年份风速威布尔分布参数k、c的时间序列,其目的是对预测年的风速威布尔参数进行预测。
由于历史年的风速数据有限,得到的风速威布尔分布参数k、c的个数亦有限。恰好灰色模型具有算法简单、计算速度快且能对少量数据进行建模的特点。故采用灰色模型进行建模,对预测年风速的威布尔参数进行预测。
通过灰色预测,得到预测年风速的威布尔参数k、c。
(23)确定预测年风能密度的概率分布:由风能公式可知,在空气密度ρ及风电场的建场面积s为定值时,风能密度为风速三次函数;通过数学推导可以得到风速的三次方仍然服从威布尔分布,只不过它的形状参数变为3/k,尺度参数为c3。因此,得到预测年风速的威布尔分布参数后,风能的概率密度函数亦随之确定。
(24)建立风电场年发电量与风能之间的映射关系:其中,在建立风能与风场年发电量之间的映射关系时,由于风电场每年的新增装机对发电量影响很大,且新增装机为人为因素,并不具备一定的规律性。因此,在风电发电量的时间序列中,去除新增装机容量所等效的风电发电量以剔除新增容量对映射关系的影响。
(25)基于上述映射关系、风能密度概率性预测结果,得到参考风电场年发电量的概率性预测结果。
进一步的,上述技术方案中,所述步骤(1)参考风电场的选取方法包括:(1)空间相关性法选取参考风电场,考虑风电场以及与之相近几个地点的多组风电发电量数据,运用各个风电场风电发电量与区域总风电发电量之间的空间相关性,选择参考风电场;(2)灰色系统关联度分析法选取参考风电场,首先采用均值化变换求取均值化序列,然后即可求取关联度,将各风电场发电量与区域总发电量的关联度按大小顺序排列起来,便组成关联序,将与区域风电发电量关联度最大的选取为参考风电场。
进一步的,上述技术方案中,所述风速修正的方法为:用测风塔全年小时平均风速形成的时间序列y与气象站全年小时平均风速形成的时间序列x,建立测风塔与气象站全年逐小时平均风速相关方程:
y=f(x) (4)
式中,f为测风塔与气象站风速的相关性方程;
将气象站多年各月平均风速(x1)及待修正年份的各月平均风速(x2)分别代入相关方程,得到y1与y2的差值,即各月的订正量:
Δy=f(x1)-f(x2) (5)
式中,x1为气象站多年月平均风速,x2为待修正年份气象站的月平均风速,f(x)为测风塔与气象站风速的相关性方程,Δy为风速修正量;
测风塔各月风速均加上相应的订正量,可得到测风塔的订正后风速:
v修=v+Δy (6)
式中,v为测风塔全年小时平均风速时间序列,Δy为风速修正量,v修为修正后测风塔风速。本发明通过区域中长期风电发电量的概率预测模型,得到区域风电发电量的概率预测结果通过概率密度来衡量中长期风电发电量的最大可能值,从而使风电发电量预测值更具参考价值,为区域风电长周期管理和交易提供依据较强的参考数据,弥补了这一块现有技术的空缺。
附图说明
图1为本发明方法的总流程图;
图2为实施例中编号15参考风电场风电发电量概率密度曲线;
图3为实施例中区域风电发电量概率密度曲线。
具体实施方式
下面结合说明书附图对本发明做进一步详细说明。
如图1所示,本发明步骤如下:
步骤(1),参考风电场的选取,可采用如下两种方法中的任意一种。
1.1空间相关性法选取参考风电场
一般来说,区域中气象条件具有较好的相似性,同一区域内风速的变化规律较为接近,即风速具有相关性,并且距离越近的数据相关程度越高。由于风电发电量主要受风速影响,局部风电场的发电量与区域风电发电量之间也应存在一定的相关性。因此,以不同组合参考风电场的风电年发电量与区域风电年发电量的相关性作为衡量标准,选择参考风电场的最佳组合。
其原理为,考虑风电场以及与之相近几个地点的多组风电发电量数据,运用各个风电场风电发电量与区域总风电发电量之间的空间相关性,选择参考风电场。
相关性的大小用相关系数来衡量,相关系数是变量之间相关程度的指标。样本相关系数用r表示,总体相关系数用ρ表示,相关系数的取值范围为[‐1,1]。|r|值越接近1,误差Q越小,变量之间的线性相关程度越高;|r|值越接近0,误差Q越大,变量之间的线性相关程度越低。
相关系数的计算公式为:
通过空间相关性发选出参考风电场,进而对参考风电场进行风电发电量概率预测。
1.2灰色系统关联度分析法选取参考风电场
灰色关联度为描述两个系统或两个因素之间关联性大小的一种量度。其对各因素数列曲线形状接近程度的发展态势能做出很好的分析。通过灰色关联度来对参考风电场进行选择,以不同参考风电场的风电发电量与区域风电发电量的灰色关联度最大来选择最佳的参考风电场。
其实现过程,首先采用均值化变换即:先分别求出各风电场发电量序列与区域风电场总的发电量序列的平均值,再用平均值去除对应序列中的各个原始数据,得到新的数据列,即为均值化序列。
经数据变换的区域风电发电量序列作为母数列记为{X0(t)},第i个风电场发电量序列作为子数列记为{Xi(t)},则在年份t=k时母序列{X0(k)}与子序列{Xi(k)}的关联系数为L0i(k),计算公式为:
式中Δ0i(k)表示k年份两比较序列的绝对差,即Δ0i(k)=|x0(k)-xi(k)|(1≤i≤m);Δmax和Δmin分别表示所有比较序列各个时刻绝对差中的最大值与最小值。ρ称为分辨系数,其意义是削弱最大绝对差数值太大引起的失真,提高关联系数之间的差异显著性,ρ∈(0,1),一般情况下可取0.1~0.5。
然后即可求关联度,第i个风电场发电量序列与区域总发电量序列的关联度以两比较序列各个年份的关联系数平均值计算,即:
式中roi为第i个风电场子序列与区域总母序列的关联度。
对各风电场按上述原理求取关联度后,将各风电场发电量与区域总发电量的关联度按大小顺序排列起来,便组成关联序,记为{R},将与区域风电发电量关联度最大的选取为参考风电场。
步骤(2),参考风电场进行风电发电量概率预测,包括如下5个步骤:
步骤(21),风速修正
考虑到测风塔与气象站观测位置与风电场所在地在空间上存在一定的距离,为了能够更加准确的反映风电场风速的变化情况,一般需对其进行风速订正。
修正方法:
用测风塔全年小时平均风速形成的时间序列y与气象站全年小时平均风速形成的时间序列x,建立测风塔与气象站全年逐小时平均风速相关方程。
y=f(x) (4)
式中,f为测风塔与气象站风速的相关性方程。
将气象站多年各月平均风速(x1)及待修正年份的各月平均风速(x2)分别代入相关方程,得到y1与y2的差值,即各月的订正量。
Δy=f(x1)-f(x2) (5)
式中,x1为气象站多年月平均风速,x2为待修正年份气象站的月平均风速,f(x)为测风塔与气象站风速的相关性方程,Δy为风速修正量。
测风塔各月风速均加上相应的订正量,可得到测风塔的订正后风速。
v修=v+Δy (6)
式中,v为测风塔全年小时平均风速时间序列,Δy为风速修正量,v修为修正后测风塔风速。
步骤(22),风速的概率预测
1、风速概率密度分布
风速一般均为偏正态分布,一般来说,风力愈大的地区,分布曲线愈平缓,峰值降低右移。这说明风力大的地区,一般大风速所占比例也多。通常用于拟合风速分布的线型很多,而威布尔分布双参数曲线被普遍认为适用于风速作统计描述的概率密度函数。
威布尔分布是一种单峰、2参数的分布函数簇。其概率密度可表达为:
式中,v为实测风速,k和c为威布尔分布的2个参数,k称作形状参数,c称作尺度参数。
只要给定了威布尔分布参数k,c,风速的分布特征随即确定,风能的特征指标也随之确定。
2、风速威布尔分布参数看k,c的矩估计法。
矩估计法是利用样本的一阶原点矩(即平均风速v)来估计总体期望值μ,用样本的二阶中心距,即样本方差Sv来估计总体均方差σ:
其中:vi为第i个风速值;n为计算时段内风速测量数量。
由于
因此,知道了测风数据的均值与方差,便可求解k,一般按下式近似求解:
参数c反映了平均风速的状况,可按式(12)估计:
3、预测年风速威布尔分布参数k,c的预测
通过历史逐年的风速数据,得到历史年份的风速威布尔分布的参数c、k。由于历史年的风速数据有限,得到的风速威布尔分布参数k、c的个数亦有限。因此采用灰色模型对预测年份的风速的威布尔分布参数进行预测,得到预测年的风速威布尔分布。
设风速威布尔分布的参数c、k按照年份排列的原始数据序列为:
x(0)={x(0)(1),x(0)(2),…,x(0)(n)} (13)
由x(0)一次累加生成数列x(1),记为1‐AGO,生成一阶累加序列x(1):
x(1)={x(1)(1),x(1)(2),…,x(1)(n)} (14)
式中满足 构建一阶线性微分方程:
利用最小二乘法求解参数a、u,得
式中:
将代回原微分方程,可得:
即
将k=2,3..,n代入式,便可得到初始数据的拟合值,当k>n时,便可得到灰色模型对预测年c、k的预测值。
步骤(23),确定预测年风能密度的概率分布
1、风能概念
风能的利用主要将它的动能转化为其他形式的能,因此,计算风能的大小也就是计算气流所具有的动能。在单位时间内以风速v穿过面积为S的风轮的总功率,即风能密度为:
式中:W——风能的功率,W;
p——空气的密度,kg/m3;
S——风机叶片旋转一周的扫掠面积,m2;
v——风速,m/s。
由式(21)可以看出,风能大小与所流通过的面积、空气密度和气流速度的立方成正比。因此,在风能密度计算中,最重要的因素是风速,风速取值准确与否对风能的估计有决定性作用。
2、风能密度的概率分布
根据风能式(21)可知,W为ρ和v两个随机变量的函数,因此W的数学期望值为E(W)=1/2E(ρ)E(v3)。对同一地点而言,ρ的变化可忽略不计,因此W的变化主要是v3随机变化所决定,这样,W的概率密度只决定风速的概率分布特征,即:
风速立方的数学期望
令 即 所以,
可见,风速的立方其分布仍然是一个威布尔分布,只不过它的形状参数变为3/k,尺度参数为c3。因此,只要确定了区域的空气密度及风的流动面积,风速的威布尔分布的2个参数c和k,风能的概率密度分布亦随之确定。
步骤(24),建立风电场发电量与风能之间的映射关系
风的大小与风能具有直接的关系,而风电场的发电能力直接受风能大小的影响。风到风能再到风电发电量理论上可以得到风大的年份,风电场的发电量也应该大,风小的年份,风电场的发电量也应该小,但是二者之间的比例关系应该稳定在一定的水平上。
风电场投产后的年风电发电量可采集得到,在建立风能与风场年发电量之间的映射关系时,由于风电场每年的新增装机对发电量影响很大,且新增装机为人为因素,并不具备一定的规律性。因此,在风电发电量的时间序列中,去除新增装机容量所等效的风电发电量以剔除新增容量对映射关系的影响。
风能与风电发电量的映射关系如下
式中W——当地历史年份的年风能值
Q——去除新增装机容量所等效风电发电量后的风电场年发电量
步骤(25),参考风电场风电年发电量概率预测
通过上述风能与风电发电量之间的映射关系可得预测年的无新增装机容量情况下的风电发电量的概率分布。
式中Q参——预测年风电发电量概率密度函数(参考风电场)
W参——预测年的风能概率密度函数(参考风电场)
步骤(3)、(4),区域风电发电量概率预测,其预测结果加上新增装机容量即可得出区域风电场年发电量的总的预测结果。即:
将得到的参考风电场的风电发电量概率预测结果,通过扩展系数得到区域的风电发电量的概率预测结果,再加上新增装机容量所对应的发电量即得到预测年的风电发电量概率分布。
其中扩展系数为区域风电发电量与参考风电场风电发电量的比值:
区域风电发电量概率预测结果:
Q参——预测年风电发电量概率密度函数
λ——扩展系数
区域——新增装机容量所对应的发电量
实施例:
以我国某区域24个风电场三年的年发电量历史数据为样本,通过空间相关性模型,以不同参考风电场年发电量与区域风电发电量相关系数最大选择参考风电场。
其选择结果如表1所示:
表1依据空间相关性法选取参考风电场
由表1可知,编号15风电场年发电量与区域风电发电量相关系数最大,选为参考风电场。
选定参考风电场后,利用参考风电场所在地区气象数据及测风塔数据通过空间相关性对风速进行修正。进而对修正后参考风电场风速进行威布尔曲线拟合。
编号15参考风电场,其拟合后风速分布参数如表2所示:
表2编号15参考风电场风速分布参数表
对编号15参考风电场威布尔分布参数k、c进行灰色预测,其中以历史五年数据作为样本数据,对未来一年的参数进行滚动预测。
其预测结果及相对误差如表3所示:
表3编号15参考风电场风速分布参数预测结果
由表3可知,对预测年威布尔分布参数c的平均预测误差为6.86%,k的平均预测误差为0.79%,预测效果比较理想,能够较好地反映出预测年的风速的分布情况。
将预测的k、c转换为风能的概率密度参数:
表4预测年风能的概率密度参数
在风电场空气密度1.205kg/m3、风电场占地面积1309000m2及风速全年小时数8760h已知的情况下,得到编号15参考风电场2012年风能电量概率密度函数:
利用风电场可获取年份风能电量值与风电年发电量求取其映射因子k。由于风电场每年的新增装机容量很大,对风电场的年发电量有比较大的影响,故在求取风能电量与风电年发电量的映射因子k时,去除新增装机容量所等效的发电量。
编号15参考风电场的年发电量,年新增装机,及年平均利用小时数如表5所示:
表5风电场参数
其中风电场年风能电量与去除新增装机容量所等效发电量的风电场年发电量如表6所示:
表6风电场风能电量与风电发电量
由于只有风电场三年的年发电量值,利用10年、11年风能电量与风电发电量数据可求得映射因子k=30.56,12年风电年发电量作为验证年。
可求得编号15参考风电场风电发电量概率密度函数:
其曲线图如图2所示。
由图2可知编号15参考风电场风电发电量概率密度最大值为0.2456,在最大概率密度值下,风电场的年发电量为1.74亿千瓦时,加上规划装机对应年发电量1.049亿千瓦时,得到区域年发电量预测值2.789亿千瓦时,与实际值的相对误差为5.36%,由此可以看到该方法的预测精度比较理想。
通过去除新增装机容量所等效发电量的参考风电场的风电年发电量与区域总风电发电量获取放大系数λ,继而获得区域风电发电量概率密度函数。
其中区域风电场的年发电量,年新增装机,及年平均利用小时数如表6所示:
表6区域总风电场参数
去除新增装机容量所等效发电量的参考风电场的风电年发电量与区域总风电发电量如表
表7编号15参考风电场与区域总风电发电量
由表6可求得λ=20.62,进而求得区域风电年发电量的概率密度函数:
其概率密度曲线如图3所示。
由图3可知区域风电发电量概率密度最大值为0.0119,在最大概率密度值下,区域总风电场的年发电量为37亿千瓦时,加上规划装机对应年发电量9.52544亿千瓦时,得到区域年发电量预测值46.52544亿千瓦时,与实际值的相对误差为5.02%,由此可以看到该方法的预测精度比较理想。
Claims (4)
1.一种区域中长期风电发电量概率预测方法,其特征在于:包括如下步骤:
(1)在区域内进行参考风电场选取;
(2)对参考风电场所处位置的风能进行概率预测,进而对其进行发电量预测;
(3)通过扩展模型得到区域风电发电量的概率预测结果;
(4)计算区域新增装机的发电量,加上步骤(3)中概率预测结果,得到区域中长期风电发电量。
2.如权利要求1所述一种区域中长期风电发电量概率预测方法,其特征在于:所述步骤(2)包括如下步骤:
(21)选定参考风电场后,利用参考风电场所在地理范围内的气象测风数据对其测风塔数据进行风速修正;
(22)对参考风电场的风速进行概率预测;
(23)确定预测年风能密度的概率分布;
(24)建立风电场年发电量与风能之间的映射关系;
(25)基于上述映射关系、风能密度概率性预测结果,得到参考风电场年发电量的概率性预测结果。
3.如权利要求1所述一种区域中长期风电发电量概率预测方法,其特征在于:所述步骤(1)参考风电场的选取方法包括:(1)空间相关性法选取参考风电场,考虑风电场以及与之相近几个地点的多组风电发电量数据,运用各个风电场风电发电量与区域总风电发电量之间的空间相关性,选择参考风电场;(2)灰色系统关联度分析法选取参考风电场,首先采用均值化变换求取均值化序列,然后即可求取关联度,将各风电场发电量与区域总发电量的关联度按大小顺序排列起来,便组成关联序,将与区域风电发电量关联度最大的选取为参考风电场。
4.如权利要求2所述一种区域中长期风电发电量概率预测方法,其特征在于:所述风速修正的方法为:用测风塔全年小时平均风速形成的时间序列y与气象站全年小时平均风速形成的时间序列x,建立测风塔与气象站全年逐小时平均风速相关方程:
y=f(x) (4)
式中,f为测风塔与气象站风速的相关性方程;
将气象站多年各月平均风速(x1)及待修正年份的各月平均风速(x2)分别代入相关方程,得到y1与y2的差值,即各月的订正量:
Δy=f(x1)-f(x2) (5)
式中,x1为气象站多年月平均风速,x2为待修正年份气象站的月平均风速,f(x)为测风塔与气象站风速的相关性方程,Δy为风速修正量;
测风塔各月风速均加上相应的订正量,可得到测风塔的订正后风速:
v修=v+Δy (6)
式中,v为测风塔全年小时平均风速时间序列,Δy为风速修正量,v修为修正后测风塔风速。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310296597.4A CN103683274B (zh) | 2013-07-16 | 2013-07-16 | 区域中长期风电发电量概率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310296597.4A CN103683274B (zh) | 2013-07-16 | 2013-07-16 | 区域中长期风电发电量概率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103683274A true CN103683274A (zh) | 2014-03-26 |
CN103683274B CN103683274B (zh) | 2016-06-15 |
Family
ID=50319949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310296597.4A Expired - Fee Related CN103683274B (zh) | 2013-07-16 | 2013-07-16 | 区域中长期风电发电量概率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103683274B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112236A (zh) * | 2014-05-29 | 2014-10-22 | 国家电网公司 | 风电场发电功率的计算方法 |
CN104537436A (zh) * | 2014-12-18 | 2015-04-22 | 大连理工大学 | 一种地区小水电发电能力预测方法 |
CN104794342A (zh) * | 2015-04-17 | 2015-07-22 | 上海电机学院 | 一种基于灰色理论的地区中长期发电潜力预测方法 |
CN105956713A (zh) * | 2016-05-18 | 2016-09-21 | 中国电力科学研究院 | 一种新能源年/月电量计划制定方法 |
CN109190789A (zh) * | 2018-07-19 | 2019-01-11 | 清华大学 | 中长期风电功率预测方法、装置、计算机设备及存储介质 |
CN110097220A (zh) * | 2019-04-22 | 2019-08-06 | 大连理工大学 | 一种风力发电月度电量预测方法 |
CN110110908A (zh) * | 2019-04-22 | 2019-08-09 | 大连理工大学 | 一种面向新能源月度发电预测的数据扩充方法 |
CN110648249A (zh) * | 2019-09-23 | 2020-01-03 | 广西电网有限责任公司 | 年度电力平衡测算方法、装置及设备 |
CN110909921A (zh) * | 2019-11-08 | 2020-03-24 | 国家电网有限公司 | 中长期风电电量预测方法、装置、计算机设备及存储介质 |
CN111178609A (zh) * | 2019-12-23 | 2020-05-19 | 国网河北省电力有限公司 | 一种基于归一化拟合的区域光伏月发电量预测方法 |
CN111667093A (zh) * | 2020-04-22 | 2020-09-15 | 华北电力科学研究院有限责任公司 | 中长期风电发电计算方法及装置 |
CN112215392A (zh) * | 2020-08-27 | 2021-01-12 | 国电电力云南新能源开发有限公司 | 基于设备状态和环境因素的风电中长期区域发电量预测法 |
CN112761896A (zh) * | 2020-09-24 | 2021-05-07 | 国网内蒙古东部电力有限公司 | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 |
CN114662800A (zh) * | 2022-05-18 | 2022-06-24 | 浙江浙能能源服务有限公司 | 一种基于人工神经网络的风电功率预测方法及系统 |
CN115829140A (zh) * | 2022-12-14 | 2023-03-21 | 广西电网有限责任公司 | 一种基于机器学习的风力发电场发电量预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012034444A (ja) * | 2010-07-28 | 2012-02-16 | Toshiba Corp | 電力需給計画装置及びその方法 |
CN102738792A (zh) * | 2012-06-13 | 2012-10-17 | 华北电力大学(保定) | 一种风电功率预测方法 |
-
2013
- 2013-07-16 CN CN201310296597.4A patent/CN103683274B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012034444A (ja) * | 2010-07-28 | 2012-02-16 | Toshiba Corp | 電力需給計画装置及びその方法 |
CN102738792A (zh) * | 2012-06-13 | 2012-10-17 | 华北电力大学(保定) | 一种风电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
吴伟等: "风速概率分布参数预测研究及应用", 《万方会议论文》 * |
杜燕军等: "风电场代表年风速计算方法的分析", 《可再生能源》 * |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104112236A (zh) * | 2014-05-29 | 2014-10-22 | 国家电网公司 | 风电场发电功率的计算方法 |
CN104112236B (zh) * | 2014-05-29 | 2018-04-27 | 国家电网公司 | 风电场发电功率的计算方法 |
CN104537436A (zh) * | 2014-12-18 | 2015-04-22 | 大连理工大学 | 一种地区小水电发电能力预测方法 |
CN104537436B (zh) * | 2014-12-18 | 2017-11-10 | 大连理工大学 | 一种地区小水电发电能力预测方法 |
CN104794342A (zh) * | 2015-04-17 | 2015-07-22 | 上海电机学院 | 一种基于灰色理论的地区中长期发电潜力预测方法 |
CN105956713A (zh) * | 2016-05-18 | 2016-09-21 | 中国电力科学研究院 | 一种新能源年/月电量计划制定方法 |
CN109190789A (zh) * | 2018-07-19 | 2019-01-11 | 清华大学 | 中长期风电功率预测方法、装置、计算机设备及存储介质 |
CN110097220A (zh) * | 2019-04-22 | 2019-08-06 | 大连理工大学 | 一种风力发电月度电量预测方法 |
CN110110908A (zh) * | 2019-04-22 | 2019-08-09 | 大连理工大学 | 一种面向新能源月度发电预测的数据扩充方法 |
CN110097220B (zh) * | 2019-04-22 | 2022-10-14 | 大连理工大学 | 一种风力发电月度电量预测方法 |
CN110110908B (zh) * | 2019-04-22 | 2022-09-06 | 大连理工大学 | 一种面向新能源月度发电预测的数据扩充方法 |
CN110648249B (zh) * | 2019-09-23 | 2022-03-29 | 广西电网有限责任公司 | 年度电力平衡测算方法、装置及设备 |
CN110648249A (zh) * | 2019-09-23 | 2020-01-03 | 广西电网有限责任公司 | 年度电力平衡测算方法、装置及设备 |
CN110909921A (zh) * | 2019-11-08 | 2020-03-24 | 国家电网有限公司 | 中长期风电电量预测方法、装置、计算机设备及存储介质 |
CN111178609A (zh) * | 2019-12-23 | 2020-05-19 | 国网河北省电力有限公司 | 一种基于归一化拟合的区域光伏月发电量预测方法 |
CN111667093A (zh) * | 2020-04-22 | 2020-09-15 | 华北电力科学研究院有限责任公司 | 中长期风电发电计算方法及装置 |
CN111667093B (zh) * | 2020-04-22 | 2023-10-24 | 华北电力科学研究院有限责任公司 | 中长期风电发电计算方法及装置 |
CN112215392A (zh) * | 2020-08-27 | 2021-01-12 | 国电电力云南新能源开发有限公司 | 基于设备状态和环境因素的风电中长期区域发电量预测法 |
CN112761896A (zh) * | 2020-09-24 | 2021-05-07 | 国网内蒙古东部电力有限公司 | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 |
CN112761896B (zh) * | 2020-09-24 | 2024-05-14 | 国网内蒙古东部电力有限公司 | 提高风力发电站发电量预测精度的计算方法、装置和计算机设备 |
CN114662800A (zh) * | 2022-05-18 | 2022-06-24 | 浙江浙能能源服务有限公司 | 一种基于人工神经网络的风电功率预测方法及系统 |
CN115829140A (zh) * | 2022-12-14 | 2023-03-21 | 广西电网有限责任公司 | 一种基于机器学习的风力发电场发电量预测方法及系统 |
CN115829140B (zh) * | 2022-12-14 | 2023-07-25 | 广西电网有限责任公司 | 一种基于机器学习的风力发电场发电量预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103683274B (zh) | 2016-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
Wang et al. | Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting | |
Monforti et al. | Comparing the impact of uncertainties on technical and meteorological parameters in wind power time series modelling in the European Union | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
CN103279804B (zh) | 超短期风电功率的预测方法 | |
CN106485362B (zh) | 一种基于高维风电预测误差模型及降维技术的发电调度方法 | |
CN107330183A (zh) | 一种基于运行数据的风电利用率计算方法 | |
CN107862466A (zh) | 考虑系统双侧随机性的源荷跨时空互补效益评价方法 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN102570449B (zh) | 一种基于时空分布特性的区域风电功率预测方法 | |
CN101794996A (zh) | 风电场出力实时预测方法 | |
CN102509027B (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
CN102682207A (zh) | 风电场风速超短期组合预测方法 | |
CN106886833A (zh) | 一种适用于复杂约束条件的风力发电机选址选型优化方法 | |
CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
CN103902837A (zh) | 一种基于经验Copula函数进行风速预测的方法 | |
CN104217077A (zh) | 一种反映风速变化特性的风力发电出力随机模型建模方法 | |
CN105825002B (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
CN105846425A (zh) | 一种基于通用风电预测误差模型的经济调度方法 | |
CN107437135A (zh) | 一种新型储能选型方法 | |
CN105373849A (zh) | 光伏电池组件温度的分步预测方法 | |
CN103996087A (zh) | 一种新能源发电功率预测方法及系统 | |
CN112884601A (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
CN103745274A (zh) | 一种用于分散式风电的短期功率预测方法 |
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: 20160615 Termination date: 20200716 |
|
CF01 | Termination of patent right due to non-payment of annual fee |