CN104182803A - 风电数据预处理方法及风电功率预测方法和系统 - Google Patents
风电数据预处理方法及风电功率预测方法和系统 Download PDFInfo
- Publication number
- CN104182803A CN104182803A CN201410398277.4A CN201410398277A CN104182803A CN 104182803 A CN104182803 A CN 104182803A CN 201410398277 A CN201410398277 A CN 201410398277A CN 104182803 A CN104182803 A CN 104182803A
- Authority
- CN
- China
- Prior art keywords
- wind
- electricity generation
- powered electricity
- bunch
- data
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明提供一种用于风电功率预测的风电数据预处理方法以及风电功率预测方法和系统,其中,风电数据预处理方法包括:对风电数据进行聚类形成簇,得到簇外孤立点,并从每个簇内提取出中心点;以及,基于与簇内点的功率值的差异,从所述簇外孤立点中筛选出一个或多个孤立点。风电功率预测方法包括:对于采集到的风电数据,根据上述风电数据预处理方法选出部分数据;以及根据选出的数据预测风电功率信息。本发明通过从原始风电数据中提取特殊点,提高了风电功率的预测效率;并且在特殊点的提取过程中保证了数据的真实性,提高了风电功率的预测精度。
Description
技术领域
本发明涉及电力技术领域,以及更具体地,涉及一种用于风电功率预测的风电数据预处理方法以及风电功率预测方法和系统。
背景技术
风能作为一种清洁的可再生能源,越来越受到世界各国的重视。但由于风能具有间歇性和波动性等特性,使得风电的大规模接入会对电网产生巨大影响,例如导致电力系统的实时运行调度和潮流控制的难度增加。风电功率预测可减轻风电对电网的冲击、提高电网运行的经济性和安全性,因此准确的风电功率预测是风力发电健康发展的保障。目前,风电功率预测的步骤主要包括:采集风电数据、对采集到的风电数据进行预处理,以及使用处理后的数据来预测未来的风电功率。其中,预处理过程的目的在于摈弃与后续工作不相关的数据,并且提供干净、准确、更有针对性的数据。因此,要准确地预测风电功率,需首先对采集到的风电数据进行有效的预处理。
图1示出了一种用于剔除功率异常点的风电数据预处理方法,该方法通过统计拟合形成数值天气预报(NWP)数据和风电场实测功率的统计拟合曲线,剔除限电、NWP故障等明显的功率异常点。该方法对原始的大量风电数据进行了清理,但由于剔除了不在拟合曲线上的点,而这些点可能对风电功率预测有帮助,使得处理后的数据缺乏真实性,从而导致风电功率的预测精度较低。此外,该方法没有对风电数据进行有效约简(仅清理少量数据),因此预测效率较低。
另一种分层抽样方法对原始风电数据进行约简,该方法通过将数据总体分成互不交叉的层,然后按一定的比例从各层独立地抽取一定数量的个体,将这些个体作为新样本。尽管在现有的各种风电数据预处理方法中,采用分层抽样方法得到的预测精度要高于其他方法,但该方法本身随机性较大并且没有考虑层的边界及总体具有的特征,因此其预测精度总体来说仍然比较低。
综上所述,现有的风电数据预处理方法通常忽略或过滤掉某些异常点,对风电数据的真实性造成了影响,或者方法本身具有随机性,从而导致风电功率的预测精度较低。此外,有的风电数据预处理方法会导致预测效率较低。如何提高风电功率的预测精度和预测效率,仍然是风电领域当前需要解决的问题。
发明内容
针对上述问题,根据本发明的一个实施例,提供一种风电数据预处理方法,该方法包括:
步骤1)、对风电数据进行聚类形成簇,得到簇外孤立点,并且从每个簇内提取出中心点;其中,所述风电数据指示采集时间和在该时间采集到的功率值。
步骤2)、基于与簇内点的功率值的差异,从所述簇外孤立点中筛选出一个或多个孤立点。
在一个实施例中,所述中心点是位于簇内中心位置的点。
在一个实施例中,步骤1)包括:在包含风电数据的区域中采用基于密度的聚类方法对所述风电数据进行聚类;其中,所述区域具有时间维度和功率值维度。
在一个实施例中,步骤1)还包括:从每个簇内提取出功率值最大的点和功率值最小的点。
在一个实施例中,步骤2)包括:
步骤21)、得到由在相邻的簇外孤立点之间、第一个簇外孤立点之前和最后一个簇外孤立点之后的风电数据构成的多个风电数据包,计算每个风电数据包的功率值均值和标准差;
步骤22)、对于每个簇外孤立点,计算该簇外孤立点的功率值与在该簇外孤立点之前或者之后的风电数据包的功率值均值的差值,根据该差值以及在该簇外孤立点之前或者之后的风电数据包的功率值标准差确定是否选择该簇外孤立点。
在进一步的实施例中,步骤22)包括:对于每个簇外孤立点执行以下步骤:
步骤221)、分别计算该簇外孤立点的功率值与前两个风电数据包以及后一个风电数据包的功率值均值的差值,选择其中最小的差值;
步骤222)、如果所选差值不小于前一个风电数据包的功率值标准差的三倍,则选择该簇外孤立点。
在一个实施例中,根据下式计算风电数据包的功率值标准差σ:
其中,D(X)表示该风电数据包的功率值方差,并且
其中,xj为该风电数据包内的第j个数据的功率值,μ为该风电数据包的功率值均值,N为该风电数据包内的数据个数。
根据本发明的一个实施例,还提供一种风电数据预处理设备,包括:
第一筛选装置,用于对风电数据进行聚类形成簇,得到簇外孤立点,并且从每个簇内提取出中心点;其中,所述风电数据指示采集时间和在该时间采集到的功率值。
第二筛选装置,用于基于与簇内点的功率值的差异,从所述簇外孤立点中筛选出一个或多个孤立点。
在一个实施例中,所述第一筛选装置还用于从每个簇内提取出功率值最大的点和功率值最小的点。
根据本发明的一个实施例,还提供一种风电功率预测方法,包括:
步骤A)、对于采集到的风电数据,根据上述风电数据预处理方法选出部分数据;
步骤B)、根据选出的数据预测风电功率信息。
根据本发明的一个实施例,还提供一种风电功率预测系统,包括:
数据采集设备,用于采集实测的风电数据;
风电数据预处理设备,用于对由所述数据采集设备采集的风电数据进行预处理;
风电场功率预测设备,用于根据所述风电数据预处理设备预处理过的数据进行预测,输出预测的风电功率信息。
采用本发明可以达到如下的有益效果:
1、通过从原始风电数据中提取特殊点,减少了要存储的数据量,提高了风电功率的预测效率并且降低了内存空间;
2、在特殊点的提取过程中保留了风电数据的价值信息,从而保证了数据的真实性,与现有的风电功率预测方法及风电数据预处理方法相比,提高了风电功率的预测精度。
附图说明
以下附图仅对本发明做示意性说明和解释,并不用于限定本发明的范围,其中:
图1是一种用于在原始风电数据中剔除功率异常点的现有风电数据预处理方法的流程图;
图2是根据本发明一个实施例的风电功率预测方法的流程图;
图3是根据本发明一个实施例的风电功率分布示意图;以及
图4是采用本发明提供的方法与分层抽样方法预测的风电功率与实际风电功率的平均绝对误差示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图说明本发明的具体实施方式。
根据本发明的一个实施例,提供一种用于风电功率预测的风电数据预处理方法。
参考图2的虚线框部分,该风电数据预处理方法可概括为:对采集到的原始风电数据进行初步筛选;对初步筛选出的部分数据再次进行筛选,确定特殊点。下面将对该方法进行详细描述:
第一步:对采集到的原始风电数据进行初步筛选。
概括而言,本步骤对采集到的原始风电数据执行聚类,形成不同的簇,根据形成的簇提取出簇内的中心点和簇外的孤立点。
1、对原始风电数据执行聚类。
在本文中,原始风电数据是指在一个时间区间内的不同时间采集到的与风电功率相关的数据,例如,以一天为时间区间,在这一天内每秒采集一次风电功率值。因此,风电数据是时序性数据,并且每一次采集到的数据可表示为(t,P),其中t表示采集时间、P表示时间t对应的功率值,则可以将风电数据表示为平面直角坐标系中的点。如图3所示,其中X轴指示时间且Y轴指示功率值,图中的每个点(x,y)表示在时间x采集到的功率值为y。
在图3所示的平面空间内,风电数据总体呈无规律波动,但在某些时间段内,风电数据波动小且呈簇状。因此,可将波动较小(即分布较为密集)的数据归为同一个簇,并且可以用簇内的某些数据来代表该簇的所有数据,从而对原始的风电数据进行约简。在一个实施例中,可采用基于密度的聚类方法对原始风电数据进行聚类。例如,可采用DBSCAN方法,其中需选取适当的MinPts和Eps进行聚类,MinPts的值诸如可以是数据量的1/25。
2、根据聚类后得到的簇提取簇内的中心点和簇外孤立点(又称为可疑孤立点)。
簇内的中心点可以是该簇的中心位置的点,由于簇内数据分布密集,该中心点所对应的数据的功率值相当于整个簇内数据的平均功率值,因此,中心点可用于表示该簇内的所有风电数据。
在一个实施例中,还可以从聚类后得到的簇中提取出最大值点和最小值点,最大值点和最小值点分别指示该簇内功率值最大的数据和功率值最小的数据。
第二步:对初步筛选出的部分数据再次进行筛选,确定特殊点。
概括而言,本步骤对在上一步初步筛选出的可疑孤立点进行判定,确定最终的孤立点,由簇内的中心点和最终的孤立点构成可用于进行风电功率预测的特殊点。在一个实施例中,特殊点还可以包括簇内的最大值点和最小值点。
由于风电数据的数据量非常大并且服从正态分布,因此可基于正态分布的3σ原则对可疑孤立点进行进一步的筛选。根据正态分布的3σ原则P{μ-3σ<X≤μ+3σ}=99.7%可知,只有0.3%的点落在分布以外,其中,μ为呈正态分布的一系列数值的均值,σ为标准差。也就是说,如果一个点X落在99.7%的范围以外(即|X-μ|≥3σ),则可将其视为孤立点。
基于上述3σ原则,对可疑孤立点进行判定的步骤如下:
1、继续参见图3,将相邻可疑孤立点之间的数据打包,得到在相邻的可疑孤立点之间、第一个可疑孤立点之前和最后一个可疑孤立点之后的风电数据包,这些风电数据包不包括可疑孤立点。
2、计算每个风电数据包的功率值均值和标准差。
计算每个风电数据包的功率值均值也就是计算每个风电数据包内所有数据的功率值的平均,该数据包的功率值的标准差可以通过方差求得,如下式所示:
其中,σ为风电数据包的功率值标准差,D(X)为该风电数据包的功率值的方差。
应理解,可采用本领域技术人员公知的方法来计算该方差。在一个优选的实施例中,可根据风电数据包的功率值均值来计算风电数据包的功率值方差,参考下式:
其中,xj表示风电数据包中的第j个数据的功率值,μ为该风电数据包的功率值均值,N为该风电数据包内的数据个数。
3、对于每个可疑孤立点,计算该可疑孤立点对应的功率值与在其之前或之后的风电数据包的功率值均值的差异。对于得到的差值,基于3σ原则判定该可疑孤立点是否是最终的孤立点。
在一个实施例中,可以分别计算可疑孤立点对应的功率值与之前两个风电数据包以及之后一个风电数据包的功率值均值的差值(本文中,差值均表示差的绝对值),选择这些差值中最小的一个差值;接着,将所选择的差值与前一个风电数据包的功率值标准差的三倍进行比较,如果不小于该标准差的三倍,则将该可疑孤立点确定为最终的孤立点,与簇内中心点一起作为特殊点(在一个实施例中,与簇内中心点、最大值点和最小值点一起作为特殊点);否则确定该可疑孤立点为非孤立点。
经过以上两步的数据筛选,得到约简后的数据,即特殊点对应的数据,用该数据代替原始风电数据进行风电功率的预测。
根据本发明的一个实施例,还提供一种风电功率预测方法。再次参考图2,该预测方法可包括:
第一步:采集风电场的实测功率值,构成原始风电数据。
第二步:对于原始风电数据,采用上述风电数据预处理方法筛选出特殊点;其中,该特殊点可包括簇内的中心点和最终的孤立点。
在一个实施例中,特殊点还可以包括簇内最大值点和最小值点。
第三步:用筛选出的特殊点代替原始风电数据并进行存储,作为测试或者训练数据来进行风电功率的预测。
第四步:用存储的特殊点进行风电功率预测。
本领域技术人员应理解,可以将存储的特殊点输入风电场功率预测设备,得到预测的风电功率数据。
其中,风电场功率预测设备可包括经典的BP神经网络预测模型、支持向量机模型、模糊逻辑模型等。通过设定参数并输入预处理后的数据,该风电场功率预测设备可进行风电功率的直接预测,输出预测的风电功率数据。
由于本发明提供的风电数据预处理方法极大地减少了用于风电功率预测的输入数据,从而节省了存储该数据所需的内存空间;随着输入数据的减少,可使预测工作更快速地进行,从而提高了风电功率的预测效率。
根据本发明的一个实施例,还提供一种风电功率预测系统,包括数据采集设备、风电数据预处理设备、样本整合设备,以及风电场功率预测设备。
数据采集设备用于采集风电场的实测功率值,从而得到原始风电数据。风电数据预处理设备用于执行上述风电数据预处理方法,对由数据采集设备采集得到的原始风电数据进行预处理,筛选出原始风电数据中的特殊点。样本整合设备用于将由风电数据预处理设备筛选出的特殊点进行存储,作为用于预测风电功率的测试或训练数据。风电场功率预测设备,用于根据存储的特殊点进行预测,输出预测的风电功率数据。其中,风电场功率预测设备可包括经典的BP神经网络预测模型、支持向量机模型、模糊逻辑模型等。
为验证采用本发明提供的风电数据预处理方法及预测方法能够提高风电功率的预测精度,发明人分别采用本发明提供的方法和现有技术中预测精度较高的分层抽样方法对从吉林省某风电场采集的原始风电数据进行了预处理,并且分别将通过这两种方法处理后的数据输入BP神经网络预测模型来预测一天后的风电功率数据。其中,在采集原始风电数据时,采集的时间区间为一天,采集的频率为每秒一次。
发明人分别计算了采用本发明提供的预测方法以及分层抽样方法预测的风电功率与实际风电功率的平均绝对误差,图4示出了在不同时间段的平均绝对误差。从图4可以看出,采用本发明预测的风电功率值与实际值的误差要小于采用分层抽样方法的误差,因此,本发明提供的风电数据预处理方法及预测方法可进一步提高风电功率的预测精度。
应当理解,虽然本说明书是按照各个实施例描述的,但并非每个实施例仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
以上所述仅为本发明示意性的具体实施方式,并非用以限定本发明的范围。任何本领域的技术人员,在不脱离本发明的构思和原则的前提下所作的等同变化、修改与结合,均应属于本发明保护的范围。
Claims (11)
1.一种风电数据预处理方法,包括:
步骤1)、对风电数据进行聚类形成簇,得到簇外孤立点,并且从每个簇内提取出中心点;其中,所述风电数据指示采集时间和在该时间采集到的功率值;
步骤2)、基于与簇内点的功率值的差异,从所述簇外孤立点中筛选出一个或多个孤立点。
2.根据权利要求1所述的方法,其中,步骤1)包括:
在包含风电数据的区域中采用基于密度的聚类方法对所述风电数据进行聚类;其中,所述区域具有时间维度和功率值维度。
3.根据权利要求1或2所述的方法,其中,所述中心点是位于簇内中心位置的点。
4.根据权利要求1或2所述的方法,其中,步骤1)还包括:
从每个簇内提取出功率值最大的点和功率值最小的点。
5.根据权利要求1或2所述的方法,其中,步骤2)包括:
步骤21)、得到由在相邻的簇外孤立点之间、第一个簇外孤立点之前和最后一个簇外孤立点之后的风电数据构成的多个风电数据包,计算每个风电数据包的功率值均值和标准差;
步骤22)、对于每个簇外孤立点,计算该簇外孤立点的功率值与在该簇外孤立点之前或者之后的风电数据包的功率值均值的差值,根据该差值以及在该簇外孤立点之前或者之后的风电数据包的功率值标准差确定是否选择该簇外孤立点。
6.根据权利要求5所述的方法,其中,步骤22)包括:对于每个簇外孤立点执行以下步骤:
步骤221)、分别计算该簇外孤立点的功率值与前两个风电数据包以及后一个风电数据包的功率值均值的差值,选择其中最小的差值;
步骤222)、如果所选差值不小于前一个风电数据包的功率值标准差的三倍,则选择该簇外孤立点。
7.根据权利要求5所述的方法,其中,根据下式计算风电数据包的功率值标准差σ:
其中,D(X)表示该风电数据包的功率值方差,并且
其中,xj为该风电数据包内的第j个数据的功率值,μ为该风电数据包的功率值均值,N为该风电数据包内的数据个数。
8.一种风电数据预处理设备,包括:
第一筛选装置,用于对风电数据进行聚类形成簇,得到簇外孤立点,并且从每个簇内提取出中心点;其中,所述风电数据指示采集时间和在该时间采集到的功率值;
第二筛选装置,用于基于与簇内点的功率值的差异,从所述簇外孤立点中筛选出一个或多个孤立点。
9.根据权利要求8所述的风电数据预处理设备,其中,所述第一筛选装置还用于从每个簇内提取出功率值最大的点和功率值最小的点。
10.一种风电功率预测方法,包括:
步骤A)、对于采集到的风电数据,根据如权利要求1-7所述的方法选出部分数据;
步骤B)、根据选出的数据预测风电功率信息。
11.一种风电功率预测系统,包括:
数据采集设备,用于采集实测的风电数据;
如权利要求8或9所述的风电数据预处理设备,用于对由所述数据采集设备采集的风电数据进行预处理;
风电场功率预测设备,用于根据所述风电数据预处理设备预处理过的数据进行预测,输出预测的风电功率信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410398277.4A CN104182803B (zh) | 2014-08-13 | 2014-08-13 | 风电数据预处理方法及风电功率预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410398277.4A CN104182803B (zh) | 2014-08-13 | 2014-08-13 | 风电数据预处理方法及风电功率预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182803A true CN104182803A (zh) | 2014-12-03 |
CN104182803B CN104182803B (zh) | 2017-10-13 |
Family
ID=51963827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410398277.4A Expired - Fee Related CN104182803B (zh) | 2014-08-13 | 2014-08-13 | 风电数据预处理方法及风电功率预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182803B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260789A (zh) * | 2015-09-24 | 2016-01-20 | 东北电力大学 | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 |
CN106640547A (zh) * | 2016-11-24 | 2017-05-10 | 东北电力大学 | 监测风电机组状态的方法及系统 |
CN107808209A (zh) * | 2017-09-11 | 2018-03-16 | 重庆大学 | 基于加权kNN距离的风电场异常数据辨识方法 |
CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
CN111145027A (zh) * | 2019-12-31 | 2020-05-12 | 众安信息技术服务有限公司 | 一种疑似洗钱交易识别方法及装置 |
CN111753097A (zh) * | 2020-06-22 | 2020-10-09 | 国能日新科技股份有限公司 | 基于深度学习的电力现货交易出清的数据分析方法及装置 |
CN112949938A (zh) * | 2021-03-29 | 2021-06-11 | 哈尔滨工业大学 | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592538A (zh) * | 2009-06-18 | 2009-12-02 | 东北电力大学 | 一种基于实测数据风电场稳态输出功率的计算方法 |
EP2341594A1 (en) * | 2009-12-29 | 2011-07-06 | Converteam Technology Ltd | Power collection and transmission systems |
CN103955521A (zh) * | 2014-05-08 | 2014-07-30 | 华北电力大学 | 一种风电场机群划分方法 |
-
2014
- 2014-08-13 CN CN201410398277.4A patent/CN104182803B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101592538A (zh) * | 2009-06-18 | 2009-12-02 | 东北电力大学 | 一种基于实测数据风电场稳态输出功率的计算方法 |
EP2341594A1 (en) * | 2009-12-29 | 2011-07-06 | Converteam Technology Ltd | Power collection and transmission systems |
CN103955521A (zh) * | 2014-05-08 | 2014-07-30 | 华北电力大学 | 一种风电场机群划分方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260789A (zh) * | 2015-09-24 | 2016-01-20 | 东北电力大学 | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 |
CN105260789B (zh) * | 2015-09-24 | 2018-12-11 | 东北电力大学 | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 |
CN106640547A (zh) * | 2016-11-24 | 2017-05-10 | 东北电力大学 | 监测风电机组状态的方法及系统 |
CN106640547B (zh) * | 2016-11-24 | 2020-08-18 | 东北电力大学 | 监测风电机组状态的方法及系统 |
CN107808209A (zh) * | 2017-09-11 | 2018-03-16 | 重庆大学 | 基于加权kNN距离的风电场异常数据辨识方法 |
CN107808209B (zh) * | 2017-09-11 | 2021-09-14 | 重庆大学 | 基于加权kNN距离的风电场异常数据辨识方法 |
CN110334726A (zh) * | 2019-04-24 | 2019-10-15 | 华北电力大学 | 一种基于密度聚类和lstm的电力负荷异常数据的识别与修复方法 |
CN111145027A (zh) * | 2019-12-31 | 2020-05-12 | 众安信息技术服务有限公司 | 一种疑似洗钱交易识别方法及装置 |
CN111753097A (zh) * | 2020-06-22 | 2020-10-09 | 国能日新科技股份有限公司 | 基于深度学习的电力现货交易出清的数据分析方法及装置 |
CN111753097B (zh) * | 2020-06-22 | 2023-11-14 | 国能日新科技股份有限公司 | 基于深度学习的电力现货交易出清的数据分析方法及装置 |
CN112949938A (zh) * | 2021-03-29 | 2021-06-11 | 哈尔滨工业大学 | 改善训练样本类别不均衡的风电爬坡事件直接预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104182803B (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104182803A (zh) | 风电数据预处理方法及风电功率预测方法和系统 | |
CN102004859B (zh) | 建筑异常能耗支路在线诊断方法 | |
CN106411257A (zh) | 一种光伏电站状态诊断方法及装置 | |
Shayesteh et al. | ATC-based system reduction for planning power systems with correlated wind and loads | |
CN104123477A (zh) | 一种基于生活数据的群租分析方法 | |
CN107732970A (zh) | 一种新能源并网电力系统的静态安全概率评估方法 | |
CN106650982A (zh) | 一种基于多点nwp的深度学习功率预测方法 | |
CN102832617B (zh) | 一种基于精确化模式判别的大电网暂态稳定分析方法 | |
CN109501834A (zh) | 一种道岔转辙机故障预测方法及装置 | |
CN105550943A (zh) | 一种基于模糊综合评判的风电机组状态参数异常辨识方法 | |
CN107368918A (zh) | 数据处理方法和装置 | |
CN108876163A (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
CN105930424A (zh) | 一种实现配电网数据在线异步采集智能挖掘的方法 | |
CN106570779A (zh) | 一种直流配电网可靠性分析的方法及系统 | |
CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 | |
CN104361233A (zh) | 分布式电源入网情况下的反窃电管理方法 | |
CN102063626A (zh) | 一种电能质量扰动模式判别方法 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN104218571A (zh) | 一种风力发电设备的运行状态评估方法 | |
CN107742883A (zh) | 一种基于Spark的电力系统拓扑岛快速识别系统和方法 | |
Chidean et al. | Spatio-temporal analysis of wind resource in the Iberian Peninsula with data-coupled clustering | |
CN115034422A (zh) | 基于波动识别和误差修正的风电短期功率预测方法和系统 | |
CN110865329B (zh) | 一种基于大数据自诊断的电能计量方法及系统 | |
CN107276807A (zh) | 一种基于社区动态紧密度的层次化网络社区树剪枝方法 | |
CN108242027A (zh) | 用于风力发电机机组故障分析的数据处理方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171013 Termination date: 20200813 |