CN104299044A - 基于聚类分析的风功率短期预测系统及预测方法 - Google Patents

基于聚类分析的风功率短期预测系统及预测方法 Download PDF

Info

Publication number
CN104299044A
CN104299044A CN201410310083.4A CN201410310083A CN104299044A CN 104299044 A CN104299044 A CN 104299044A CN 201410310083 A CN201410310083 A CN 201410310083A CN 104299044 A CN104299044 A CN 104299044A
Authority
CN
China
Prior art keywords
prediction
day
wind power
short
analysis
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
Application number
CN201410310083.4A
Other languages
English (en)
Inventor
高阳
董存
葛延峰
刘莉
刘宝贵
李广磊
李献伟
赵毅
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.)
SHENYANG JIAYUE POWER TECHNOLOGY Co Ltd
XJ Electric Co Ltd
Shenyang Institute of Engineering
Original Assignee
SHENYANG JIAYUE POWER TECHNOLOGY Co Ltd
XJ Electric Co Ltd
Shenyang Institute of Engineering
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 SHENYANG JIAYUE POWER TECHNOLOGY Co Ltd, XJ Electric Co Ltd, Shenyang Institute of Engineering filed Critical SHENYANG JIAYUE POWER TECHNOLOGY Co Ltd
Priority to CN201410310083.4A priority Critical patent/CN104299044A/zh
Publication of CN104299044A publication Critical patent/CN104299044A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开一种基于聚类分析的风功率短期预测系统及预测方法，预测系统包括短期预测服务器和实时数据采集装置，短期预测服务器上安装有功率预测功能单元和预测数据库，预测方法主要通过应用皮尔逊积矩相关系数进行日相关性分析确定风功率的日相关性可以用天气信息的日相似情况的一致性，然后通过K均值聚类法对历史天气数据进行聚类分析预处理，用欧氏距离作为相似性量度的方法选取出与预测日的天气特征参数具有相似性的历史日的数据，作为神经网络预测模型建模用的训练样本，利用这些聚类后的相似样本经过训练以后得到基于聚类分析的风功率预测模型，将预测日数值天气预报(NWP)信息作为模型的输入参数，风功率作为模型输出，得出预测日预测功率数据。

Description

基于聚类分析的风功率短期预测系统及预测方法
技术领域
本发明涉及一种基于聚类分析的风功率短期预测系统及预测方法，属于新能源风力发电应用领域。
背景技术
为了有效地利用风能资源，大型风电场的并网运行都需要配备风力发电预测系统。如果没有预测系统的支持，或者预测的不够准确，风电场有可能被限电处理，从而导致风电场的有效装机容量不能得到充分的利用。风力发电机组实际运行中产生功率的大小主要取决于当地风资源的情况，而风资源的特性主要是指风速的变化特性。风速是单位时间内空气在水平方向上移动的距离，主要受气象因素及地形、地表障碍物等地形因素的影响。地球自转产生的昼夜交替使得某些天的天气状况呈现某种程度的相似性，所以不同日的风功率变化趋势十分近似，为了充分利用历史风速数据所蕴含的信息，根据风速和风功率的日相似性提出基于聚类分析的短期预测方法，出发点在于样本预处理对预测结果的重要性，目的在于提高预测精度。
专利：风电场功率预测方法，申请号201210397828.6，本发明提供了一种风电场功率预测方法，包括以下步骤：A、根据风场风资源特性，确定风场的主风向；B、按照风机类型，对风电场内的各风机进行分组；C、对相同风机类型下的各风机，根据风机安装的地理位置差异进行再分组；D、计算各风机类型下风机分组的平均风速值，并由风机分组的平均风速值求得风机分组的风机功率，最后将各风机类型下所有风机分组的风机功率相加求和。此专利中应用聚类分析方法划分在风场主风向下相同风机类型中具有相近平均风速的风机，然后计算各风机类型下风机分组的平均风速值，并由风机分组的平均风速值求得风机分组的风机功率，最后将各风机类型下所有风机分组的风机功率相加求和。
上述专利中虽然应用了聚类分析的理论，但仅限于此理论的分类方法，而没有结合此理论对风功率预测中气象历史风速数据所蕴含的信息进行剖析。事实证明，应用根据风速和风功率的日相似性提出基于聚类分析的短期预测方法，可以有效提高预测精度。
发明内容
本发明针对现有技术所存在的问题，提出了一种基于聚类分析的风功率短期预测系统及预测方法。主要目的就是通过对历史天气数据进行聚类分析预处理，用欧氏距离作为相似性量度的方法选取出与预测日的天气特征参数具有相似性的历史日的数据，作为预测模型建模用的训练样本，利用这些聚类后的相似样本经过训练以后得到基于聚类分析的风功率预测模型，将预测日数值天气预报(NWP)信息作为模型的输入参数，风功率作为模型输出，得出预测日预测功率数据。
本发明的目的是这样实现的：
本发明提出一种基于聚类分析的风功率短期预测系统，包括短期预测服务器、实时数据采集装置，短期预测服务器上安装有功率预测功能单元和预测数据库，实时数据采集装置包括测风塔、风机数据监控装置、数值天气预报接收装置。实时数据采集装置与短期预测服务器电连接，将采集到的风速、风向、温度、湿度、气压、风电功率、数值天气预报数据传输到短期预测服务器。短期预测服务器中的功率预测功能单元接收到实时数据采集装置发送的数据后存储到预测数据库中。
本发明提出一种基于聚类分析的风功率短期预测方法，具体包括一下步骤：
A、风功率的日相似性分析：通过预测数据库中实际风电场的历史数据及皮尔逊积矩相关系数，得出风功率的日相似性可以用与风功率有密切关系的天气信息的日相似情况来判断的结论；
B、应用K均值聚类法对历史日天气信息进行聚类分析：应用近邻规则，通过不断的迭代将历史日天气信息分为不同的K类，具体步骤如下：
B1、将所有日天气信息向量分为K个初始类，选取K个样本点为初始聚类中心，记为z1(l),z2(l),...,zk(l)，其中初始值l＝1；
B2、按照最近邻规则将所有样本分配到各聚类中心所代表的K类ωj(K)中，各类所包含的样本数为Nj(l)；
B3、计算各类的均值向量，并将该向量作为新的聚类中心：
z j ( l + 1 ) = 1 N j ( l ) Σ x ( i ) ∈ ω j ( l ) x ( i )
其中j＝1,2,...,k，i＝1,2,...,Nj(l)。
B4、若zj(l+1)≠zj(l)，表示聚类结果并不是最佳的，则l在原值上加1，返回步骤B2，继续迭代计算；
B5、若zj(l+1)＝zj(l)，迭代过程结束，此时的聚类结果就是最优聚类结果。
C、从预测数据库中提取预测日的NWP信息，根据相似性量度确定预测日所属的类，从中选取相应的历史数据作为神经网络预测模型的训练数据，建立基于聚类分析的神经网络风功率预测模型；
D、将预测日的NWP信息作为神经网络的输入信息，得到预测日的风功率预测数据；
E、将预测功率数据存储到预测数据库中，同时发送给电网调度中心。
由于上述技术方案运用，本发明与现有技术相比具有下列优点和效果：
本发明的一个效果在于，应用皮尔逊积矩相关系数得出风功率的日相似性可以用与风功率有密切关系的天气信息的日相似情况来判断的结论。
本发明的一个效果在于，应用K均值聚类法对历史日天气信息进行聚类分析。
本发明的一个效果在于，根据相似性量度确定预测日所属的类，从中选取相应的历史数据作为神经网络预测模型的训练数据，建立基于聚类分析的神经网络风功率预测模型。
附图说明
图1是本发明中风电场风功率预测系统硬件结构示意图；
图2是本发明中一种基于聚类分析的风功率短期预测方法预测模型示意图图；
图3是本发明一种基于聚类分析的风功率短期预测方法流程图；
图4是本发明中K均值聚类算法得到的准则函数与分类数K的关系曲线图；
图5是本发明中实施例样本所在聚类情况；
图6是本发明中提出的基于聚类分析的风功率短期预测模型与持续预测模型预测曲线对比；
图7是是本发明中提出的基于聚类分析的风功率短期预测模型与持续预测模型预测误差对比。
具体实施方式
实施例：
一种基于聚类分析的风功率短期预测系统，包括短期预测服务器、实时数据采集装置。实时数据采集装置包括测风塔、风机数据监控装置、数值天气预报接收装置实时数据采集装置与短期预测服务器电连接，实时传输风速、风向、温度、湿度、气压、风电功率等数据信息。短期预测服务器上安装有功率预测功能单元和预测数据库，功率预测功能单元接收到实时数据采集装置发送的数据后存储到预测数据库中，同时进行短期风电功率预测并将预测数据保存到预测数据库中。短期风电功率预测采用基于聚类分析的风功率预测方法。
基于聚类分析的风功率短期预测方法，通过对历史天气数据进行聚类分析预处理，用欧氏距离作为相似性量度的方法选取出与预测日的天气特征参数具有相似性的历史日的数据，作为预测模型建模用的训练样本，利用这些聚类后的相似样本建立模型，数值天气预报(NWP)信息作为模型的输入参数，风功率作为模型输出，经过训练以后得到风功率短期多步预测模型。预测方法实例如下：
采用黑龙江依兰风电场2012年1～2月的NWP数据和实测风功率数据进行分析、建模和预测为例，数据分辨率为15分钟。
选择2012年2月4日之前的20天的天气及功率数据作为历史数据，将每天作为一个数据对象，由一个7维向量表示，称为日天气信息向量，表示为X＝[Pav,Vmin,Vmax,Tmin,Tmax,Dsin,Dcos]，其中的变量依次代表日气压平均值、日风速最小值、日风速最大值、日气温最小值、日气温最大值、日风向正弦平均值、日风向余弦平均值。选择2012年2月4日作为预测日，同样构建一个7维向量，表示为XX＝[Pav,Vmin,Vmax,Tmin,Tmax,Dsin,Dcos]，预测步长为96步。具体实施步骤如下：
A、风功率的日相似性分析：通过实际风电场的历史数据及皮尔逊积矩相关系数，得出风功率的日相似性可以用与风功率有密切关系的天气信息的日相似情况来判断的结论；
B、应用K均值聚类法对历史日天气信息进行聚类分析：
选择2012年2月4日之前的20天历史数据做聚类分析，采用K均值聚类算法，具体步骤如下：
B1、将所有日天气信息向量分为K个初始类，选取K个样本点为初始聚类中心，记为z1(l),z2(l),...,zk(l)，其中初始值l＝1；
B2、按照最近邻规则将所有样本分配到各聚类中心所代表的K类ωj(K)中，各类所包含的样本数为Nj(l)；
B3、计算各类的均值向量，并将该向量作为新的聚类中心：
z j ( l + 1 ) = 1 N j ( l ) Σ x ( i ) ∈ ω j ( l ) x ( i )
其中j＝1,2,...,k，i＝1,2,...,Nj(l)。
B4、若zj(l+1)≠zj(l)，表示聚类结果并不是最佳的，则l在原值上加1，返回步骤B2，继续迭代计算；
B5、若zj(l+1)＝zj(l)，迭代过程结束，此时的聚类结果就是最优聚类结果。
由此得到准则函数与分类数K的关系曲线如图2所示，根据聚类分析理论中确定最优分类数的方法，取准则函数曲线拐点处的K作为最佳分类数，得到K＝3。
在分类数K＝3的情况下，20个历史样本日的所属类别情况如图3所示。有4天属于第3类，有1天属于第2类，其他均属于第1类。由式(1)计算出这三类的聚类中心(归一化)分别为：
第1类：[0.9880.1830.438-1.130-0.8040.0420.051]；
第2类：[0.9880.5550.863-1.151-0.8530.1190.189]；
第3类：[0.9930.0470.268-0.856-0.551-0.020-0.125]。
C、根据相似性量度确定预测日所属的类，从中选取相应的历史数据作为神经网络预测模型的训练数据，建立基于聚类分析的神经网络风功率预测模型：
预测当天的归一化日NWP向量为[0.9810.3400.801-0.932-0.5790.113-0.052]，与三类聚类中心的欧式距离分别为0.51、0.48和0.63，距离第2类聚类中心最近，所以预测日所属分类为第2类，属于第2类的样本为第19个样本日，2012年2月2日。
以2012年2月2日的NWP气压、NWP风速、NWP气温、NWP风向正弦和NWP风向余弦作为输入，实测功率数据作为输出进行建模，模型结构见图1。
D、基于聚类分析的神经网络风功率预测模型训练完成后，将预测日的NWP信息作为神经网络的输入信息，得到预测日的风功率预测数据：
将预测日即2012年2月4日的NWP气压、NWP风速、NWP气温、NWP风向正弦和NWP风向余弦代入基于聚类分析的神经网络风功率预测模型得到预测功率值。基于聚类分析的神经网络风功率预测模型预测误差NMAE和NRMSE分别为10.67％和14.01％，与持续与预测模型预测曲线对比如图4所示，预测误差对比如图5所示。
步骤E：将预测功率数据存储到预测数据库中，同时发送给电网调度中心。

Claims (8)

1.一种基于聚类分析的风功率短期预测系统，包括短期预测服务器、实时数据采集装置，短期预测服务器上安装有功率预测功能单元和预测数据库，实时数据采集装置与短期预测服务器电连接，进行数据传输。
2.一种基于聚类分析的风功率短期预测系统，其特征在于，实时数据采集装置包括测风塔、风机数据监控装置、数值天气预报接收装置。
3.一种基于聚类分析的风功率短期预测系统，其特征在于，短期预测服务器中的功率预测功能单元接收到实时数据采集装置发送的数据后存储到预测数据库中。
4.一种基于聚类分析的风功率短期预测系统预测方法，其特征在于，所述预测方法包括以下步骤：
步骤A：从预测数据库中提取历史数据，通过日相关性分析确定风功率的日相关性可以用天气信息的日相似情况的一致性；
步骤B：对历史日天气信息进行聚类分析，将历史日天气信息分为不同的K类；
步骤C：从预测数据库中提取预测日数值天气预报信息，确定预测日所属的类，从中选取相应的历史数据作为神经网络预测模型的训练数据，建立基于聚类分析的神经网络风功率预测模型；
步骤D：将预测日数值天气预报信息作为模型的输入参数，风功率作为模型输出，得出预测日预测功率数据；
步骤E：将预测功率数据存储到预测数据库中。
5.如权利要求1所述的一种基于聚类分析的风功率短期预测方法，其特征在于，所述步骤A中应用皮尔逊积矩相关系数进行风功率日相似性分析。
6.如权利要求1所述的一种基于聚类分析的风功率短期预测方法，其特征在于，所述步骤B中应用K均值聚类法对历史日天气信息进行聚类分析，具体步骤如下：
B1、将所有日天气信息向量分为K个初始类，选取K个样本点为初始聚类中心，记为z1(l),z2(l),...,zk(l)，其中初始值l＝1；
B2、按照最近邻规则将所有样本分配到各聚类中心所代表的K类ωj(K)中，各类所包含的样本数为Nj(l)；
B3、计算各类的均值向量，并将该向量作为新的聚类中心：
z j ( l + 1 ) = 1 N j ( l ) Σ x ( i ) ∈ ω j ( l ) x ( i )
其中j＝1,2,...,k，i＝1,2,...,Nj(l)；
B4、若zj(l+1)≠zj(l)，表示聚类结果并不是最佳的，则l在原值上加1，返回步骤B2，继续迭代计算；
B5、若zj(l+1)＝zj(l)，迭代过程结束，此时的聚类结果就是最优聚类结果。
7.如权利要求1所述的一种基于聚类分析的风功率短期预测方法，其特征在于，所述步骤2中应用近邻规则，通过不断的迭代将历史日天气信息分为不同的K类。
8.如权利要求1所述的风电场风功率预测系统，其特征在于，所述步骤3中根据相似性量度确定预测日所属的类。
CN201410310083.4A 2014-07-01 2014-07-01 基于聚类分析的风功率短期预测系统及预测方法 Pending CN104299044A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410310083.4A CN104299044A (zh) 2014-07-01 2014-07-01 基于聚类分析的风功率短期预测系统及预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410310083.4A CN104299044A (zh) 2014-07-01 2014-07-01 基于聚类分析的风功率短期预测系统及预测方法

Publications (1)

Publication Number Publication Date
CN104299044A true CN104299044A (zh) 2015-01-21

Family

ID=52318765

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410310083.4A Pending CN104299044A (zh) 2014-07-01 2014-07-01 基于聚类分析的风功率短期预测系统及预测方法

Country Status (1)

Country Link
CN (1) CN104299044A (zh)

Cited By (32)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636489A (zh) * 2015-02-27 2015-05-20 百度在线网络技术（北京）有限公司 描述属性数据的处理方法和装置
CN104963691A (zh) * 2015-06-03 2015-10-07 华中科技大学 一种复杂地层条件下土压盾构开挖面稳定性预测控制方法
CN104978608A (zh) * 2015-06-24 2015-10-14 云南电网有限责任公司电力科学研究院 一种风电功率预测装置及预测方法
CN105512766A (zh) * 2015-12-11 2016-04-20 中能电力科技开发有限公司 一种风电场功率预测方法
CN105654207A (zh) * 2016-01-07 2016-06-08 国网辽宁省电力有限公司锦州供电公司 基于风速、风向信息的风电功率预测方法
CN106022538A (zh) * 2016-05-31 2016-10-12 中国矿业大学 基于k均值聚类改进广义天气的光伏发电预测方法
CN107194509A (zh) * 2017-05-19 2017-09-22 长春工程学院 一种基于时间区间模糊算子与近似权重集成的风电功率预测方法
CN107895411A (zh) * 2017-11-10 2018-04-10 北京交通大学 一种基于功率和功率变化等效性的锂离子电池工况提取方法
CN108491959A (zh) * 2018-02-11 2018-09-04 周名扬 一种智能相似天气预报方法及系统、信息数据处理终端
CN109242218A (zh) * 2018-11-05 2019-01-18 南方电网科学研究院有限责任公司 一种基于svm的高原山区的风电功率预测方法和装置
CN109766346A (zh) * 2019-01-25 2019-05-17 长春工程学院 一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法
CN110210675A (zh) * 2019-06-06 2019-09-06 国网湖南省电力有限公司 基于局地动力相似的风电场中期功率的预测方法及系统
CN110276468A (zh) * 2018-03-14 2019-09-24 北京金风科创风电设备有限公司 风力发电机组的发电功率的预测方法和设备
CN110288136A (zh) * 2019-06-11 2019-09-27 上海电力学院 风电功率多步预测模型建立方法
CN110363354A (zh) * 2019-07-16 2019-10-22 上海交通大学 风场风功率预测方法、电子装置及存储介质
CN110619360A (zh) * 2019-09-09 2019-12-27 国家电网有限公司 一种考虑历史样本相似性的超短期风功率预测方法
CN111062509A (zh) * 2019-11-12 2020-04-24 国电陕西新能源有限公司 一种基于改进神经网络的风功率中短期预测方法及系统
US10705255B2 (en) 2016-04-18 2020-07-07 Yandex Europe Ag Method of and system for generating a weather forecast
CN111461444A (zh) * 2020-04-07 2020-07-28 上海电气风电集团股份有限公司 风电场的机组功率的预测方法、系统、介质及电子设备
CN111815039A (zh) * 2020-06-28 2020-10-23 山东大学 基于天气分类的周尺度风电功率概率预测方法及系统
CN111861023A (zh) * 2020-07-28 2020-10-30 南方电网科学研究院有限责任公司 基于统计学的混合风电功率预测方法、装置
CN112052985A (zh) * 2020-08-07 2020-12-08 南京易司拓电力科技股份有限公司 一种基于lightgbm的中短期低电压预测方法
CN112766537A (zh) * 2020-12-24 2021-05-07 沈阳工程学院 一种短期电负荷预测方法
CN113094997A (zh) * 2021-04-19 2021-07-09 华北电力大学 一种风电机组运行模拟方法、装置、设备及存储介质
CN113139646A (zh) * 2021-05-17 2021-07-20 中国水利水电科学研究院 一种数据修正方法、装置、电子设备及可读存储介质
CN114298395A (zh) * 2021-12-24 2022-04-08 广东电网有限责任公司 一种风功率预测方法、装置、设备及存储介质
CN114936614A (zh) * 2022-07-25 2022-08-23 广东电网有限责任公司佛山供电局 一种基于神经网络的作业风险识别方法及系统
CN115099586A (zh) * 2022-06-10 2022-09-23 上海异工同智信息科技有限公司 用于作业风险识别的方法及装置
US20230136352A1 (en) * 2021-10-29 2023-05-04 Economic and Technological Research Institute of State Grid Liaoning Electric Power Co., Ltd. Method and system for predicting a day-ahead wind power of wind farms
CN117117991A (zh) * 2023-10-25 2023-11-24 国网天津市电力公司培训中心 基于碳捕集和储能的高比例风电并网方法及装置
CN117272827A (zh) * 2023-10-13 2023-12-22 辽宁天成联合科技有限公司 测风系统超短期风速预测方法
CN118040680A (zh) * 2024-04-11 2024-05-14 国家能源集团陕西电力有限公司吉山梁电厂 一种风功率中短期预测方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184453A (zh) * 2011-05-16 2011-09-14 上海电气集团股份有限公司 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN102298707A (zh) * 2011-08-24 2011-12-28 辽宁力迅风电控制系统有限公司 基于连续时间段聚类与支持向量机建模的风电功率预测方法
CN103324980A (zh) * 2013-04-25 2013-09-25 华北电力大学（保定） 一种风电场风速预测方法
CN103390200A (zh) * 2013-07-18 2013-11-13 国家电网公司 基于相似日的光伏电站发电输出功率预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102184453A (zh) * 2011-05-16 2011-09-14 上海电气集团股份有限公司 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN102298707A (zh) * 2011-08-24 2011-12-28 辽宁力迅风电控制系统有限公司 基于连续时间段聚类与支持向量机建模的风电功率预测方法
CN103324980A (zh) * 2013-04-25 2013-09-25 华北电力大学（保定） 一种风电场风速预测方法
CN103390200A (zh) * 2013-07-18 2013-11-13 国家电网公司 基于相似日的光伏电站发电输出功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
盛文斌 等: "一种利用邻近原则的聚类方法", 《测绘与空间地理信息》 *

Cited By (48)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636489A (zh) * 2015-02-27 2015-05-20 百度在线网络技术（北京）有限公司 描述属性数据的处理方法和装置
CN104636489B (zh) * 2015-02-27 2018-04-13 百度在线网络技术（北京）有限公司 描述属性数据的处理方法和装置
CN104963691A (zh) * 2015-06-03 2015-10-07 华中科技大学 一种复杂地层条件下土压盾构开挖面稳定性预测控制方法
CN104978608B (zh) * 2015-06-24 2019-03-01 云南电网有限责任公司电力科学研究院 一种风电功率预测装置及预测方法
CN104978608A (zh) * 2015-06-24 2015-10-14 云南电网有限责任公司电力科学研究院 一种风电功率预测装置及预测方法
CN105512766A (zh) * 2015-12-11 2016-04-20 中能电力科技开发有限公司 一种风电场功率预测方法
CN105654207A (zh) * 2016-01-07 2016-06-08 国网辽宁省电力有限公司锦州供电公司 基于风速、风向信息的风电功率预测方法
US10705255B2 (en) 2016-04-18 2020-07-07 Yandex Europe Ag Method of and system for generating a weather forecast
CN106022538A (zh) * 2016-05-31 2016-10-12 中国矿业大学 基于k均值聚类改进广义天气的光伏发电预测方法
CN107194509A (zh) * 2017-05-19 2017-09-22 长春工程学院 一种基于时间区间模糊算子与近似权重集成的风电功率预测方法
CN107194509B (zh) * 2017-05-19 2020-06-09 长春工程学院 一种基于时间区间模糊算子与近似权重集成的风电功率预测方法
CN107895411A (zh) * 2017-11-10 2018-04-10 北京交通大学 一种基于功率和功率变化等效性的锂离子电池工况提取方法
CN108491959B (zh) * 2018-02-11 2021-11-19 周名扬 一种智能相似天气预报方法及系统、信息数据处理终端
CN108491959A (zh) * 2018-02-11 2018-09-04 周名扬 一种智能相似天气预报方法及系统、信息数据处理终端
CN110276468A (zh) * 2018-03-14 2019-09-24 北京金风科创风电设备有限公司 风力发电机组的发电功率的预测方法和设备
CN109242218A (zh) * 2018-11-05 2019-01-18 南方电网科学研究院有限责任公司 一种基于svm的高原山区的风电功率预测方法和装置
CN109242218B (zh) * 2018-11-05 2022-07-12 南方电网科学研究院有限责任公司 一种基于svm的高原山区的风电功率预测方法和装置
CN109766346A (zh) * 2019-01-25 2019-05-17 长春工程学院 一种高寒地区固体蓄热式电锅炉短期功率消耗预测方法
CN110210675A (zh) * 2019-06-06 2019-09-06 国网湖南省电力有限公司 基于局地动力相似的风电场中期功率的预测方法及系统
CN110288136A (zh) * 2019-06-11 2019-09-27 上海电力学院 风电功率多步预测模型建立方法
CN110288136B (zh) * 2019-06-11 2023-04-25 上海电力学院 风电功率多步预测模型建立方法
CN110363354B (zh) * 2019-07-16 2023-05-02 上海交通大学 风场风功率预测方法、电子装置及存储介质
CN110363354A (zh) * 2019-07-16 2019-10-22 上海交通大学 风场风功率预测方法、电子装置及存储介质
CN110619360A (zh) * 2019-09-09 2019-12-27 国家电网有限公司 一种考虑历史样本相似性的超短期风功率预测方法
CN111062509A (zh) * 2019-11-12 2020-04-24 国电陕西新能源有限公司 一种基于改进神经网络的风功率中短期预测方法及系统
CN111461444A (zh) * 2020-04-07 2020-07-28 上海电气风电集团股份有限公司 风电场的机组功率的预测方法、系统、介质及电子设备
CN111461444B (zh) * 2020-04-07 2023-07-18 上海电气风电集团股份有限公司 风电场的机组功率的预测方法、系统、介质及电子设备
CN111815039A (zh) * 2020-06-28 2020-10-23 山东大学 基于天气分类的周尺度风电功率概率预测方法及系统
CN111861023B (zh) * 2020-07-28 2024-02-09 南方电网科学研究院有限责任公司 基于统计学的混合风电功率预测方法、装置
CN111861023A (zh) * 2020-07-28 2020-10-30 南方电网科学研究院有限责任公司 基于统计学的混合风电功率预测方法、装置
CN112052985B (zh) * 2020-08-07 2023-11-03 南京易司拓电力科技股份有限公司 一种基于lightgbm的中短期低电压预测方法
CN112052985A (zh) * 2020-08-07 2020-12-08 南京易司拓电力科技股份有限公司 一种基于lightgbm的中短期低电压预测方法
CN112766537A (zh) * 2020-12-24 2021-05-07 沈阳工程学院 一种短期电负荷预测方法
CN112766537B (zh) * 2020-12-24 2023-06-06 沈阳工程学院 一种短期电负荷预测方法
CN113094997A (zh) * 2021-04-19 2021-07-09 华北电力大学 一种风电机组运行模拟方法、装置、设备及存储介质
CN113094997B (zh) * 2021-04-19 2022-04-01 华北电力大学 一种风电机组运行模拟方法、装置、设备及存储介质
CN113139646B (zh) * 2021-05-17 2023-10-31 中国水利水电科学研究院 一种数据修正方法、装置、电子设备及可读存储介质
CN113139646A (zh) * 2021-05-17 2021-07-20 中国水利水电科学研究院 一种数据修正方法、装置、电子设备及可读存储介质
US20230136352A1 (en) * 2021-10-29 2023-05-04 Economic and Technological Research Institute of State Grid Liaoning Electric Power Co., Ltd. Method and system for predicting a day-ahead wind power of wind farms
CN114298395A (zh) * 2021-12-24 2022-04-08 广东电网有限责任公司 一种风功率预测方法、装置、设备及存储介质
CN115099586A (zh) * 2022-06-10 2022-09-23 上海异工同智信息科技有限公司 用于作业风险识别的方法及装置
CN114936614B (zh) * 2022-07-25 2023-01-03 广东电网有限责任公司佛山供电局 一种基于神经网络的作业风险识别方法及系统
CN114936614A (zh) * 2022-07-25 2022-08-23 广东电网有限责任公司佛山供电局 一种基于神经网络的作业风险识别方法及系统
CN117272827A (zh) * 2023-10-13 2023-12-22 辽宁天成联合科技有限公司 测风系统超短期风速预测方法
CN117272827B (zh) * 2023-10-13 2024-04-12 辽宁天成联合科技有限公司 测风系统超短期风速预测方法
CN117117991A (zh) * 2023-10-25 2023-11-24 国网天津市电力公司培训中心 基于碳捕集和储能的高比例风电并网方法及装置
CN117117991B (zh) * 2023-10-25 2024-02-13 国网天津市电力公司培训中心 基于碳捕集和储能的高比例风电并网方法及装置
CN118040680A (zh) * 2024-04-11 2024-05-14 国家能源集团陕西电力有限公司吉山梁电厂 一种风功率中短期预测方法及系统

Similar Documents

Publication Publication Date Title
CN104299044A (zh) 基于聚类分析的风功率短期预测系统及预测方法
Shi et al. Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features
Ciulla et al. Modelling and analysis of real-world wind turbine power curves: Assessing deviations from nominal curve by neural networks
CN102663513B (zh) 利用灰色关联度分析的风电场功率组合预测建模方法
TWI476430B (zh) 具極端風速預測功能之風能預報方法
US7523001B2 (en) Method and apparatus for operating wind turbine generators
Mabel et al. Estimation of energy yield from wind farms using artificial neural networks
CN104978608B (zh) 一种风电功率预测装置及预测方法
CN103268366A (zh) 一种适用于分散式风电场的组合风电功率预测方法
CN102184453A (zh) 基于模糊神经网络和支持向量机的风电功率组合预测方法
CN103955521B (zh) 一种风电场机群划分方法
CN201413997Y (zh) 风电功率预测系统
CN105069521A (zh) 一种基于加权fcm聚类算法的光伏电站输出功率预测方法
Özgönenel et al. Short-term wind speed estimation based on weather data
CN105512766A (zh) 一种风电场功率预测方法
Holttinen et al. Variability of load and net load in case of large scale distributed wind power
Xu et al. Short-term prediction of wind power based on adaptive LSTM
CN113205210A (zh) 复杂地形风电场风速与功率预测方法、系统、设备及存储介质
CN114386718A (zh) 一种结合粒子群神经网络的风电场输出功率短时预测算法
Molina-Garcia et al. Vertical wind profile characterization and identification of patterns based on a shape clustering algorithm
Liew et al. Wind characterization by three blade savonius wind turbine using iot
CN110991701A (zh) 一种基于数据融合的风电场风机风速预测方法及系统
CN112561149B (zh) 基于动力降尺度数据融合和统计模型的风电功率预测方法
CN113610285A (zh) 一种分散式风电的功率预测方法
Salgado et al. Hybrid fuzzy clustering neural networks to wind power generation forecasting

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20150121