CN104200280B - 一种用于风电功率预测的方法及系统 - Google Patents
一种用于风电功率预测的方法及系统 Download PDFInfo
- Publication number
- CN104200280B CN104200280B CN201410419443.4A CN201410419443A CN104200280B CN 104200280 B CN104200280 B CN 104200280B CN 201410419443 A CN201410419443 A CN 201410419443A CN 104200280 B CN104200280 B CN 104200280B
- Authority
- CN
- China
- Prior art keywords
- wind
- tested
- wind field
- extreme weather
- influence
- 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.)
- Active
Links
Landscapes
- Wind Motors (AREA)
Abstract
一种用于风电功率预测的方法及系统，该方法包括：根据接收到的气象数据预测极端天气；当预测结果为极端天气时，记录极端天气相关的影响数据；根据本次预测之前所有的极端天气对应的被测风场的历史运行数据确定被测风场的修正系数；根据所述影响数据和所述修正系数确定所述极端天气对风机发电功率的影响因子；根据所述影响因子确定所述极端天气相关的风机发电受影响参数；根据所述修正系数和所述风机发电受影响参数，对被测风场内利用现有风电功率预测系统预测得到的风机的发电功率进行调整，将调整后的结果作为被测风场内风机的发电功率。该方法提高了极端天气条件下的风电功率预测的准确性，极大的减小了预测功率与实际功率的误差。
Description
技术领域
本发明属于风电功率预测领域，尤其涉及一种用于风电功率预测的方法及系统。
背景技术
风能是一种清洁的可再生能源，由于其资源丰富、转化效率高、产业化基础好、经济优势明显、环境影响小等优点，具备大规模开发的条件。就目前发展形势，风能的开发利用已成为我国最为重要的可再生能源发展方向。
但由于风电等可再生能源发电具有间歇性强、随机性大、可调度性弱等特点，大规模接入后对电网运行会产生较为明显的影响。目前，我国正在发展的大容量风电场通常表现出显著的区域集中性，大型风电场对电网产生的影响必然显著区别于国外分布式风电发展模式。同时，我国风资源丰富、适宜建设大型风电场的地区存在局部电网建设相对薄弱的情况，为保障电网运行的安全稳定，有时需采取限制风电场发电功率的措施。
近年来，风电场功率预测取得一系列突破性进展，该项技术是提高电网调峰能力、增强电网接纳风电的能力、改善电力系统运行安全性与经济性的最为有效、经济的手段之一。从发电企业角度考虑，精准的风功率预测将使得风电可以积极地参与市场竞争，规避由供电的不可靠性而受到的经济惩罚。
目前，极端天气下功率预测没有做任何特殊处理，所以风机在极端天气下的风机不发电或者发电量严重偏低的数据被当作异常数据在建立风机发电数学模型的时候被剔除掉，极端天气出现的时候，偶尔会有有经验的预报员手工输入预测数据来预测风机在极端天气下的发电功率，但是这样的做法无法做到精确量化，导致预测功率与实际功率相差较大。
发明内容
有鉴于此，本发明的一个目的是提出一种用于风电功率预测的方法。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
在一些可选的实施例中，该方法包括：根据接收到的气象数据预测极端天气；当预测结果为极端天气时，记录极端天气相关的影响数据；根据本次预测之前所有的极端天气对应的被测风场的历史运行数据确定被测风场的修正系数；根据所述影响数据和所述修正系数确定所述极端天气对风机发电功率的影响因子；根据所述影响因子确定所述极端天气相关的风机发电受影响参数；根据所述修正系数和所述风机发电受影响参数对被测风场内利用现有风电功率预测系统预测得到的风机的发电功率进行调整，将调整后的结果作为被测风场内风机的发电功率，所述现有风电功率预测系统为被测风场内未根据极端天气因素进行修正的风电功率预测系统。
在一些可选的实施例中，该方法中根据本次预测之前所有的极端天气对应的被测风场的历史运行数据确定被测风场的修正系数的过程包括：将本次预测之前所有的极端天气对应的被测风场的历史运行数据输入到计算机程序中；利用所述计算机程序计算出被测风场的极端天气对风机发电功率的影响因子的修正系数K1和被测风场的风机发电功率的修正系数K2，所述修正系数K1和K2使得风机发电功率的预测结果最接近真实发电状态、误差最小。
在一些可选的实施例中，该方法中极端天气相关的影响数据包括：被测风场的温度下降的持续时间长度t；被测风场的温度下降强度w；被测风场的降雪强度s。
在一些可选的实施例中，该方法中根据影响数据和修正系数确定极端天气对风机发电功率的影响因子的过程包括：按照公式α＝K1×t×w×s计算出风机发电功率的影响因子α。
在一些可选的实施例中，该方法中根据影响因子确定极端天气相关的风机发电受影响参数的过程包括：根据影响因子与风机发电受影响程度的线性关系确定对发电量的影响强度m。
在一些可选的实施例中，该方法中根据修正系数和风机受影响参数对被测风场内利用现有风电功率预测系统预测得到的风机的发电功率进行调整，将调整后的结果作为被测风场内风机的发电功率的过程包括：利用被测风场内现有风电功率预测系统计算出被测风场的风机的发电功率P1；按照公式P＝P1×K2/m计算出被测风场的调整后的风机的发电功率P；将所述调整后的风机的发电功率P作为被测风场内风机的发电功率。
本发明的另一个目的是提出一种用于风电功率预测的系统。
在一些可选的实施例中，该系统包括：天气预测模块，用于根据接收到的气象数据预测极端天气；和，当预测结果为极端天气时，记录极端天气相关的影响数据；第一计算模块，用于根据本次预测之前所有的极端天气对应的被测风场的历史运行数据确定被测风场的修正系数；第二计算模块，用于根据所述影响数据和所述修正系数确定所述极端天气对风机发电功率的影响因子；第三计算模块，用于根据所述影响因子确定所述极端天气相关的风机发电受影响参数；功率预测模块，用于根据所述修正系数和所述风机发电受影响参数，对被测风场内利用现有风电功率预测系统预测得到的风机的发电功率进行调整，将调整后的结果作为被测风场内风机的发电功率，所述现有风电功率预测系统为被测风场内未根据极端天气因素进行修正的风电功率预测系统。
在一些可选的实施例中，该系统中第一计算模块包括：接收模块，用于接收本次预测之前所有的极端天气对应的被测风场的历史运行数据；第一子计算模块，用于根据接收到的所述历史运行数据计算出被测风场的极端天气对风机发电功率的影响因子的修正系数K1和被测风场的风机发电功率的修正系数K2，所述修正系数K1和K2使得风机发电功率的预测结果最接近真实发电状态、误差最小。
在一些可选的实施例中，该系统中天气预测模块记录的极端天气相关的影响数据包括：被测风场的温度下降的持续时间长度t；被测风场的温度下降强度w；被测风场的降雪强度s。
在一些可选的实施例中，该系统中第二计算模块用于按照公式α＝K1×t×w×s计算出风机发电功率的影响因子α。
在一些可选的实施例中，该系统中第三计算模块用于根据影响因子与风机发电受影响程度的线性关系确定对发电量的影响强度m。
在一些可选的实施例中，该系统中功率预测模块包括：第一预测模块，用于利用被测风场内现有风电功率预测系统计算出被测风场的风机的发电功率P1；第二预测模块，用于按照公式P＝P1×K2/m计算出被测风场的调整后的风机的发电功率P；将所述调整后的风机的发电功率P作为被测风场内风机的发电功率。
与现有技术相比，本发明的有益效果为：
本发明提供了一种用于风电功率预测的方法及系统，该方法可以用于极端天气条件下的风机发电功率的预测，提高了极端天气条件下的风电功率预测的准确性，极大的减小了预测功率与实际功率的误差。本发明有效利用风机在极端天气下发电的这部分数据，发现了风机在极端天气下的发电表现，精确量化了风机发电。
为了上述以及相关的目的，一个或多个实施例包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明某些示例性方面，并且其指示的仅仅是各个实施例的原则可以利用的各种方式中的一些方式。其它的益处和新颖性特征将随着下面的详细说明结合附图考虑而变得明显，所公开的实施例是要包括所有这些方面以及它们的等同。
附图说明
图1是本发明实施例的用于风电功率预测的方法的流程示意图；
图2是本发明实施例的用于风电功率预测的系统的结构示意图。
具体实施方式
以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的部件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本发明的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本文中，本发明的这些实施方案可以被单独地或总地用术语“发明”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的发明，不是要自动地限制该应用的范围为任何单个发明或发明构思。
本文所使用的术语“极端天气”是指温度持续大幅下降并伴随降雪的天气状况。
现在结合附图进行说明，图1示出的是一些可选的实施例中用于风电功率预测的方法的流程图。
如图1所示，在一些可选的实施例中，公开了一种用于风电功率预测的方法，该方法包括：
S11、根据接收到的气象数据预测极端天气，当预测结果为极端天气时，记录极端天气相关的影响数据；
在一些可选的实施例中，该方法中的气象数据是由气象预测模型，例如WRF(Weather Research and Forecasting，天气预报)气象预测模型计算得出，该气象数据包括：被测风场的风速、风向、温度、湿度、气压、空气密度、降雪量等。
在一些可选的实施例中，该方法中的极端天气相关的影响数据包括：被测风场的温度下降的持续时间长度t；被测风场的温度下降强度w；被测风场的降雪强度s。其中，t指的是极端天气下温度呈持续下降趋势的时间段，w指的是时间段t对应的开始与结束时的温度差，s指的是时间段t内测到的每个时刻的降雪量的总和除以时间段t得到的平均降雪量。
S12、根据本次预测之前所有的极端天气对应的被测风场的历史运行数据确定被测风场的修正系数；
在一些可选的实施例中，该方法中根据本次预测之前所有的极端天气对应的被测风场的历史运行数据确定被测风场的修正系数的过程包括：将本次预测之前所有的极端天气对应的被测风场的历史运行数据输入到计算机程序中；利用所述计算机程序计算出被测风场的极端天气对风机发电功率的影响因子的修正系数K1和被测风场的风机发电功率的修正系数K2，所述修正系数K1和K2使得风机发电功率的预测结果最接近真实发电状态、误差最小。在具体的实施过程中，可以将本次预测之前所有的极端天气对应的被测风场的历史运行数据输入到Matlab程序中计算即可得到修正系数K1和K2，其中，被测风场的历史运行数据包括：气象数据、真实的风机的发电功率数据以及预测的风机的发电功率数据。这里真实的风机的发电功率是指风机在极端天气发生的情况下的发电功率，预测的风机的发电功率是指利用被测风场内现有的风电功率预测系统预测得到的风机的发电功率。
S13、根据所述影响数据和所述修正系数确定所述极端天气对风机发电功率的影响因子；
在一些可选的实施例中，该方法中根据影响数据和修正系数确定极端天气对风机发电功率的影响因子的过程包括：按照公式α＝K1×t×w×s计算出风机发电的影响因子α。例如：当t＝0.5,w＝15,s＝10,K1＝0.2时，α＝0.2×0.5×15×10＝15。
S14、根据所述影响因子确定所述极端天气相关的风机发电受影响参数；
在一些可选的实施例中，该方法中根据影响因子确定极端天气相关的风机发电受影响参数的过程包括：根据影响因子与风机发电受影响程度的线性关系确定对发电量的影响强度m。
S15、根据所述修正系数和所述风机受影响参数，对被测风场内利用现有风电功率预测系统预测得到的风机的发电功率进行调整，将调整后的结果作为被测风场内风机的发电功率。
本文中，现有风电功率预测系统是指被测风场内未根据极端天气因素进行修正的现有的风电功率预测系统。
在一些可选的实施例中，该方法中根据修正系数和风机受影响参数对被测风场内利用现有风电功率预测系统预测得到的风机的发电功率进行调整，将调整后的结果作为被测风场内风机的发电功率的过程包括：利用被测风场内现有风电功率预测系统计算出被测风场的风机的发电功率P1；按照公式P＝P1×K2/m计算出被测风场的调整后的风机的发电功率P；将所述调整后的风机的发电功率P作为被测风场内风机的发电功率。
在一些可选的实施例中，该方法还包括：将风机的发电功率进行统计分析和误差计算；将风机的发电功率上报调度系统。
该方法可以用于极端天气条件下的风机发电功率的预测，提高了极端天气条件下的风电功率预测的准确性，极大的减小了预测功率与实际功率的误差。本发明有效利用风机在极端天气下发电的这部分数据，发现了风机在极端天气下的发电表现，精确量化了风机发电。
参照图2，图2示出的是一些可选的实施例中用于风电功率预测的系统的结构图。
如图2所示，在一些可选的实施例中，公开了一种用于风电功率预测的系统(例如系统200)，包括：
天气预测模块(例如天气预测模块201)，用于根据接收到的气象数据预测极端天气；和，当预测结果为极端天气时，记录极端天气相关的影响数据；
第一计算模块(例如第一计算模块202)，用于根据本次预测之前所有的极端天气对应的被测风场的历史运行数据确定被测风场的修正系数；
第二计算模块(例如第二计算模块203)，用于根据所述影响数据和所述修正系数确定所述极端天气对风机发电功率的影响因子；
第三计算模块(例如第三计算模块204)，用于根据所述影响因子确定所述极端天气相关的风机发电受影响参数；
功率预测模块(例如功率预测模块205)，用于根据所述修正系数和所述风机受影响参数对被测风场内利用现有风电功率预测系统预测得到的风机的发电功率进行调整，将调整后的结果作为被测风场内风机的发电功率，所述现有风电功率预测系统为被测风场内未根据极端天气因素进行修正的风电功率预测系统。
在一些可选的实施例中，该系统(例如系统200)中天气预测模块(例如天气预测模块201)接收由气象预测模型，例如WRF(Weather Research and Forecasting，天气预报)气象预测模型计算得出的气象数据，该气象数据包括：被测风场的风速、风向、温度、湿度、气压、空气密度、降雪量等。
在一些可选的实施例中，该系统(例如系统200)中第一计算模块(例如第一计算模块202)包括：接收模块(例如接收模块2021)，用于接收本次预测之前所有的极端天气对应的被测风场的历史运行数据；子计算模块(例如子计算模块2022)，用于根据接收到的所述历史运行数据计算出被测风场的极端天气对风机发电功率的影响因子的修正系数K1和被测风场的风机发电功率的修正系数K2，所述修正系数K1和K2使得风机发电功率的预测结果最接近真实发电状态、误差最小。在具体的实施过程中，接收模块(例如接收模块2021)接收人为输入或其它模块发送的本次预测之前所有的极端天气对应的被测风场的历史运行数据；子计算模块(例如子计算模块2022)将接收到的历史运行数据利用Matlab程序进行计算，计算后得到修正系数K1和K2，其中，被测风场的历史运行数据包括：气象数据、真实的风机的发电功率数据以及预测的风机的发电功率数据，这里真实的风机的发电功率是指风机在极端天气发生的情况下的发电功率，预测的风机的发电功率是指利用被测风场内现有的风电功率预测系统预测得到的风机的发电功率。
在一些可选的实施例中，该系统(例如系统200)中天气预测模块(例如天气预测模块201)记录的极端天气相关的影响数据包括：被测风场的温度下降的持续时间长度t；被测风场的温度下降强度w；被测风场的降雪强度s。其中，t指的是极端天气下温度呈持续下降趋势的时间段，w指的是时间段t对应的开始与结束时的温度差，s指的是时间段t内测到的每个时刻的降雪量的总和除以时间段t得到的平均降雪量。
在一些可选的实施例中，该系统(例如系统200)中第二计算模块(例如第二计算模块203)用于按照公式α＝K1×t×w×s计算出风机发电功率的影响因子α。
在一些可选的实施例中，该系统(例如系统200)中第三计算模块(例如第三计算模块204)用于根据影响因子与风机发电受影响程度的线性关系确定对发电量的影响强度m。
在一些可选的实施例中，该系统(例如系统200)中功率预测模块(例如功率预测模块205)包括：第一预测模块(例如第一预测模块2051)，用于利用被测风场内现有风电功率预测系统计算出被测风场的风机的发电功率P1；第二预测模块(例如第二预测模块2052)，用于按照公式P＝P1×K2/m计算出被测风场的调整后的风机的发电功率P；将所述调整后的风机的发电功率P作为被测风场内风机的发电功率。
在一些可选的实施例中，该系统(例如系统200)还包括：
传输模块(例如传输模块206)，用于将被测风场内风机的发电功率发送到其它关联系统。
在一些可选的实施例中，该系统(例如系统200)中传输模块(例如传输模块206)，用于将被测风场内风机的发电功率发送到下述系统：人机界面系统；预测数据上报系统。
该系统可以用于极端天气条件下的风机发电功率的预测，提高了极端天气条件下的风电功率预测的准确性，极大的减小了预测功率与实际功率的误差。本发明有效利用风机在极端天气下发电的这部分数据，发现了风机在极端天气下的发电表现，精确量化了风机发电。
本领域技术人员还应当理解，结合本文的实施例描述的各种说明性的逻辑框、模块、电路和算法步骤均可以实现成电子硬件、计算机软件或其组合。为了清楚地说明硬件和软件之间的可交换性，上面对各种说明性的部件、框、模块、电路和步骤均围绕其功能进行了一般地描述。至于这种功能是实现成硬件还是实现成软件，取决于特定的应用和对整个系统所施加的设计约束条件。熟练的技术人员可以针对每个特定应用，以变通的方式实现所描述的功能，但是，这种实现决策不应解释为背离本公开的保护范围。
Claims (4)
1.一种用于风电功率预测的方法，其特征在于，包括：
根据接收到的气象数据预测极端天气；
当预测结果为极端天气时，记录极端天气相关的影响数据；
根据本次预测之前所有的极端天气对应的被测风场的历史运行数据确定被测风场的修正系数，包括：将本次预测之前所有的极端天气对应的被测风场的历史运行数据输入到计算机程序中；利用所述计算机程序计算出被测风场的极端天气对风机发电功率的影响因子的修正系数K1和被测风场的风机发电功率的修正系数K2，所述修正系数K1和K2使得风机发电功率的预测结果最接近真实发电状态、误差最小；其中，被测风场的历史运行数据包括：气象数据、真实的风机的发电功率数据以及预测的风机的发电功率数据；
根据所述影响数据和所述修正系数确定所述极端天气对风机发电功率的影响因子；
根据所述影响因子确定所述极端天气相关的风机发电受影响参数；
根据所述修正系数和所述风机发电受影响参数，对被测风场内利用现有风电功率预测系统预测得到的风机的发电功率进行调整，将调整后的结果作为被测风场内风机的发电功率，所述现有风电功率预测系统为被测风场内未根据极端天气因素进行修正的风电功率预测系统；
其中，根据所述影响数据和所述修正系数确定所述极端天气对风机发电功率的影响因子的过程包括：按照公式α＝K1×t×w×s计算出风机发电功率的影响因子α；其中，t为被测风场的温度下降的持续时间长度，w为被测风场的温度下降强度，s为被测风场的降雪强度；
其中，根据所述影响因子确定所述极端天气相关的风机发电受影响参数的过程包括：根据所述影响因子与风机发电受影响程度的线性关系确定对发电量的影响强度m。
2.根据权利要求1所述的方法，其特征在于，所述根据所述修正系数和所述风机发电受影响参数，对被测风场内利用现有风电功率预测系统预测得到的风机的发电功率进行调整，将调整后的结果作为被测风场内风机的发电功率的过程包括：
利用被测风场内现有风电功率预测系统计算出被测风场的风机的发电功率P1；
按照如下公式计算出被测风场的调整后的风机的发电功率P；
P＝P1×K2/m
将所述调整后的风机的发电功率P作为被测风场内风机的发电功率。
3.一种用于风电功率预测的系统，其特征在于，包括：
天气预测模块，用于根据接收到的气象数据预测极端天气；和，当预测结果为极端天气时，记录极端天气相关的影响数据；
第一计算模块，用于根据本次预测之前所有的极端天气对应的被测风场的历史运行数据确定被测风场的修正系数，包括：接收模块，用于接收本次预测之前所有的极端天气对应的被测风场的历史运行数据；子计算模块，用于根据接收到的所述历史运行数据计算出被测风场的极端天气对风机发电功率的影响因子的修正系数K1和被测风场的风机发电功率的修正系数K2，所述修正系数K1和K2使得风机发电功率的预测结果最接近真实发电状态、误差最小；其中，被测风场的历史运行数据包括：气象数据、真实的风机的发电功率数据以及预测的风机的发电功率数据；
第二计算模块，用于根据所述影响数据和所述修正系数确定所述极端天气对风机发电功率的影响因子；
第三计算模块，用于根据所述影响因子确定所述极端天气相关的风机发电受影响参数；
功率预测模块，用于根据所述修正系数和所述风机发电受影响参数，对被测风场内利用现有风电功率预测系统预测得到的风机的发电功率进行调整，将调整后的结果作为被测风场内风机的发电功率，所述现有风电功率预测系统为被测风场内未根据极端天气因素进行修正的风电功率预测系统；
其中，所述第二计算模块用于按照公式α＝K1×t×w×s计算出风机发电功率的影响因子α；其中，t为被测风场的温度下降的持续时间长度，w为被测风场的温度下降强度，s为被测风场的降雪强度；
其中，所述第三计算模块用于根据所述影响因子与风机发电受影响程度的线性关系确定对发电量的影响强度m。
4.根据权利要求3所述的系统，其特征在于，所述功率预测模块包括：
第一预测模块，用于利用被测风场内现有风电功率预测系统计算出被测风场的风机的发电功率P1；
第二预测模块，用于按照公式P＝P1×K2/m计算出被测风场的调整后的风机的发电功率P；将所述调整后的风机的发电功率P作为被测风场内风机的发电功率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410419443.4A CN104200280B (zh) | 2014-08-22 | 2014-08-22 | 一种用于风电功率预测的方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410419443.4A CN104200280B (zh) | 2014-08-22 | 2014-08-22 | 一种用于风电功率预测的方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104200280A CN104200280A (zh) | 2014-12-10 |
| CN104200280B true CN104200280B (zh) | 2017-09-22 |
Family
ID=52085569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410419443.4A Active CN104200280B (zh) | 2014-08-22 | 2014-08-22 | 一种用于风电功率预测的方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104200280B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105825302A (zh) * | 2016-03-17 | 2016-08-03 | 中车株洲电力机车研究所有限公司 | 一种基于云平台的光伏电站功率预测系统 |
| 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 |
| CN111146800B (zh) * | 2019-12-06 | 2021-10-26 | 华北电力科学研究院有限责任公司 | 风力发电场发电功率损失预测方法、装置和存储介质 |
| CN111401689B (zh) * | 2020-02-19 | 2023-08-04 | 远景智能国际私人投资有限公司 | 光伏场站降雪日期的确定方法、装置、设备及存储介质 |
| CN111950764B (zh) * | 2020-07-03 | 2024-03-22 | 国网冀北电力有限公司 | 一种极端天气条件电网风电功率预测修正方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102945508A (zh) * | 2012-10-15 | 2013-02-27 | 风脉（武汉）可再生能源技术有限责任公司 | 一种基于模型校正的风电功率预测预报系统及方法 |
| CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
-
2014
- 2014-08-22 CN CN201410419443.4A patent/CN104200280B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102945508A (zh) * | 2012-10-15 | 2013-02-27 | 风脉（武汉）可再生能源技术有限责任公司 | 一种基于模型校正的风电功率预测预报系统及方法 |
| CN103279804A (zh) * | 2013-04-29 | 2013-09-04 | 清华大学 | 超短期风电功率的预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于数值天气预报NWP修正的BP神经网络风电功率短期预测研究;蔡祯祺;《万方学术期刊数据库》;20120531;第4页第1.1.2节，22页第3.2.2节 * |
| 并网型光伏电站发电功率与其主气象影响因子相关性分析;郭佳;《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》;20131215(第14期);第C042-561页，第8页第1.32.节，24页第3.1.1节，27页第3.2.2节，第31页第3.3.2节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104200280A (zh) | 2014-12-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104200280B (zh) | 一种用于风电功率预测的方法及系统 | |
| Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
| CN109617134B (zh) | 计及不确定量预测误差时空相关性的鲁棒机组组合方法 | |
| Zhang et al. | Two-stage robust security-constrained unit commitment model considering time autocorrelation of wind/load prediction error and outage contingency probability of units | |
| Zhao et al. | Resilient unit commitment for day-ahead market considering probabilistic impacts of hurricanes | |
| CN109167387A (zh) | 风场风电功率预测方法 | |
| Rasmussen | Energy storage for improvement of wind power characteristics | |
| CN105488592A (zh) | 一种光伏电站发电量预测的方法 | |
| CN111917111B (zh) | 用于配电网的分布式光伏电源接纳能力在线评估的方法、系统、设备及存储介质 | |
| CN111177128B (zh) | 基于改进的离群点检测算法的计量大数据批量处理方法及系统 | |
| CN115907168A (zh) | 一种用于电力负荷预测的异常数据处理系统 | |
| CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
| Wang et al. | Decision-making model based on conditional risks and conditional costs in power system probabilistic planning | |
| CN114493365A (zh) | 一种含风电场电力系统连锁故障脆弱性的评估方法 | |
| CN113567739A (zh) | 一种光伏电站发电受限状态实时检测方法及系统 | |
| CN107221933A (zh) | 一种概率潮流计算方法 | |
| Datta et al. | Cyber Threat Analysis Framework for the Wind Energy Based Power System | |
| CN108695893A (zh) | 一种省级电网新能源弃电量影响因素分解方法 | |
| CN110296055A (zh) | 一种风向预测关联种子机组筛选方法 | |
| CN112994087B (zh) | 基于条件风险约束的多源电力系统中期优化调度方法 | |
| CN104331748A (zh) | 一种预测规划目标年风电场群持续功率曲线的方法 | |
| CN109066791B (zh) | 一种风电模拟弃风序列的确定方法和装置 | |
| CN110008583A (zh) | 风电场中风资源情况的预测方法及系统 | |
| Miao et al. | Energy Availability Analysis of Offshore Wind Farms Considering the Correlation between Wind Speed Cloud Model and Parameters | |
| CN110148973A (zh) | 一种基于风速预测的风电机组调频控制方法、装置及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C41 | Transfer of patent application or patent right or utility model | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20160226 Address after: 100083, No. 14, Nanjing Ning building, No. 35, Haidian District, Beijing, Xueyuan Road, China, 1410-007 Applicant after: Northern Great Wind Power Technology (Beijing) Co., Ltd. Address before: 100000, Beijing the Summer Palace Road, No. 5, 06, Haidian District Institute of physics graduate dormitory Applicant before: Qian Shengli |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Wind power prediction method and system Effective date of registration: 20190318 Granted publication date: 20170922 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: Northern Great Wind Power Technology (Beijing) Co., Ltd. Registration number: 2019990000221 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20200506 Granted publication date: 20170922 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: DXWIND TECHNOLOGY (BEIJING) Co.,Ltd. Registration number: 2019990000221 |