CN104462839A - 基于风功率波动强度瞬时模型的风电不确定性估计方法 - Google Patents
基于风功率波动强度瞬时模型的风电不确定性估计方法 Download PDFInfo
- Publication number
- CN104462839A CN104462839A CN201410798080.XA CN201410798080A CN104462839A CN 104462839 A CN104462839 A CN 104462839A CN 201410798080 A CN201410798080 A CN 201410798080A CN 104462839 A CN104462839 A CN 104462839A
- Authority
- CN
- China
- Prior art keywords
- wind power
- level
- formula
- overbar
- minute
- 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
Links
Landscapes
- Wind Motors (AREA)
Abstract
基于风功率波动强度瞬时模型的风电不确定性估计方法,涉及一种风功率波动的不确定性估计方法。为了解决传统的方法的风功率波动瞬时模型普适性较弱的问题和风功率实时预报结果不准确的问题。本发明获取实测风功率数据,以Mallat小波分解和重构算法为工具,对实测风功率数据进行小波分解;利用Mallat小波分解算法对风功率波动残差进行分解和重构,得到与同期小时平均风功率相对应的风功率分钟级波动残差的瞬时标准差σm和风功率秒级波动残差的瞬时标准差σs,求取与小时平均风功率相对应的分钟级、秒级风功率波动强度;对风功率波动强度建模进行拟合;得到最终的风功率波动强度瞬时模型,对预报结果的不确定性进行定量评估。本发明适用于电网的运行和调度。
Description
技术领域
本发明涉及一种风功率波动的不确定性估计方法。
背景技术
风能作为一种永不枯竭的资源,一种高效清洁的可再生能源,成为世界上增长最快的能源。中国风力发电的跨越式发展虽然缓解了能源危机,改善了生态环境,但随着风电并网规模的迅速扩大,风电场输出功率、频率以及相位上剧烈的随机波动性给电力系统运行带来了很大的不确定性。风电场功率预测对风力发电系统的安全、稳定运行具有重大意义,但现有预测方法所得到的都是确定性的预测结果,即仅能给出一组确定的功率预测数值。此预测结果对于电网的安全运行、优化调度等工作具有很好的借鉴意义,但难以满足不断发展的全面分析风力发电市场风险的需求。目前的大部分研究都集中在确定性预测,而风功率波动不确定性预测方面的研究较少。风电场功率预测不确定性分析方法的主要有三种,可分为:置信区间法、风险指标法、概率值法;置信区间方法是目前常用的不确定性分析方法。设定确定的置信水平,计算预测功率可能出现的波动值或波动上下限。大多数的置信区间模型都需假设预测误差服从高斯分布,但实际的风电场功率预测误差分布有一定偏度,置信区间并不关于预测点对称分布。因此,需要寻找不受预测误差分布限制的算法进行预测功率值置信区间的估计。风险指标法是指针对不同的功率预测模型定义相应的风险指标,借此来反映预测不确定性水平的高低。将影响风电场功率预测精度的各种不确定性因素定量地归结为一个实数,为风电场工作人员及电网调度人员提供了一种更加直观的不确定性信息。概率值法是以各时间点风电场功率预测舉值能够准确发生或者在某范围内波动的概率值来表示预测的不确定程度。目前多数方法只适用于基于数值天气预报的预测模型等,鲜有具有普适性的不确定性分析模型,精度和实用性有待进一步提高。
现有的一种方法是先测定风速波动,然后由风速进行电场风功率预测,这种方法可以先对风速波动不确定性进行估计,然后对风功率波动不确定性进行估计,这种方法在由风速计算风功率时存在着较大的误差。
发明内容
本发明为了解决传统的方法的风功率波动瞬时模型普适性较弱的问题和风功率实时预报结果不准确的问题。
基于风功率波动强度瞬时模型的风电不确定性估计方法,包括下述步骤:
步骤一:获取实测风功率数据,以Mallat小波分解和重构算法为工具,对采样间隔为n s的实测风功率数据进行小波分解,分解为小时平均风功率、分钟级波动残差和秒级波动残差三个尺度分量,具体分解层数m由采样间隔决定,应保证分解的最后一层周期n·2m为15min;若n·2m不等于15min,则应分解至n·2m刚好超过15min的一层为止,即n·2m-1小于15min,n·2m刚好大于15min,则此m层就是所要的具体分解层数m;若n·2m与15min的差在3min内,则将第m层作为小时级别的小时平均风功率,若n·2m与15min的差超过3min,则将第m层与第m-1层进行重构,得到周期为小时级别的小时平均风功率;将余下的周期为分钟级的分解层进行重构,得到分钟级风功率波动残差;将最后余下的周期为秒级的分解层进行重构,得到秒级风功率波动残差;
步骤二:利用步骤一中Mallat小波分解算法对进行平方后的风功率分钟级波动残差进行分解和重构,得到滤波平滑后的分钟级方差;对进行平方后的风功率秒级波动残差进行分解和重构,得到滤波平滑后的秒级方差;然后,对滤波平滑后的分钟级、秒级方差进行开方,得到其算数平方根;将其近似作为与同期小时平均风功率相对应的风功率分钟级波动残差的瞬时标准差σm,以及风功率秒级波动残差的瞬时标准差σs;
步骤三:定义风功率波动强度IP为风功率波动残差的瞬时标准差σ与小时平均风功率P的比值,如下式1所示:
利用分频段的建模方法,进一步得到不同频段的波动强度表达式,即得到分钟级风功率和秒级风功率的波动强度表达式,如式2、式3所示;
式中,IPm是分钟级风功率波动强度,IPs是秒级风功率波动强度;σm是分钟级脉动风功率的瞬时标准差,σs是秒级脉动风功率的瞬时标准差;
根据风功率波动强度的定义,求取与小时平均风功率相对应的分钟级、秒级风功率波动强度;
步骤四:根据二次多项式方法,利用3σ原则剔除拟合数据中的野点,对风功率波动强度建模进行拟合;针对实际风功率波动强度建模给出幂律模型,如下式4、式5所示;
其中,α、β、c为拟合常数;αm、βm、cm为分钟级风功率波动强度拟合常数,αs、βs、cs为秒级风功率波动强度拟合常数;
步骤五:基于拟合结果得到每一台风机最终的不同频段内风功率波动强度瞬时模型,即分钟级风功率和秒级风功率波动强度瞬时模型,对与每一台风机对应的风功率多步预测结果进行分频段不确定性估计,对预报结果中不同频段内的不确定性进行定量评估,即对预报结果中分钟级风功率和秒级风功率的不确定性波动进行定量评估,为电网的运行和调度设置安全边界提供参考。
本发明的优点在于,本发明首次定义了风功率波动强度概念并给出其建模方法,并将风功率波动强度模型引入到风功率波动不确定性估计之中,通过建立了具有普适性的风功率波动强度瞬时模型,利用小时平均风功率与同期风功率标准偏差的内在关系,实现对未来一段时间风功率序列不确定性估计,从而可以给出预报风功率的不确定性波动范围,适用于单台风机功率、风场功率以及场群功率的波动范围的估计。此外,本发明还利用分频段建模的方法,实现利用瞬时模型指导电网一二次调频的目的,具有实用性;不同于传统的区间估计方法,本发明还给出了一种拟合关系式,可以根据风功率波动强度瞬时模型进行不确定性估计,在小时平均风功率大和小时平均风功率小的区域所给出的风功率不确定波动范围是不同的,不确定度与小时平均风功率自身大小相关,使本发明在风功率预测不定性估计应用中更具实用性;此外,本发明可以针对地域、地貌、季节等差异性,进行风功率波动强度的瞬时统计建模,提高了本发明在风功率预测不定性估计应用中的精确性,精确度提高30%以上。最后,本发明基于风功率波动强度瞬时模型的风功率不确定性估计方法,在实际风功率预测及不确定性估计中具有很好的应用前景。
附图说明
图1为本发明的方法的流程示意图;
图2为某风电场一个月的实测风功率序列;
图3为实测风功率数据的小时级平均风功率分量;
图4为实测风功率数据的去掉小时级平均风功率后分钟级风功率波动残差;
图5为实测风功率数据的去掉小时级平均风功率后秒级风功率波动残差;
图6为Mallat小波8层分解算法示意图;
图7为Mallat小波8层重构算法示意图;
图8为实测风功率数据风功率分钟级波动残差的标准差;
图9为实测风功率数据风功率分钟级波动残差的标准差;
图10为利用实测数求出的分钟级风功率波动强度;
图11为利用实测数求出的秒级风功率波动强度;
图12为拟合得到的分钟级风功率波动强度;
图13为拟合得到的秒级风功率波动强度;
图14为风场1的分钟级幂律模型的通用性验证;
图15为风场1的秒级幂律模型的通用性验证;
图16为风场2的分钟级幂律模型的通用性验证;
图17为风场2的秒级幂律模型的通用性验证;
图18为叠加在小时平均风功率上的分钟级瞬时波动不确定性;
图19为叠加在小时平均风功率上的秒级瞬时波动不确定性;
图20为风场1中风机的利用本发明给出的带有预报误差带的风功率预报结果。
具体实施方式
具体实施方式一:结合图1说明本实施方式,基于风功率波动强度瞬时模型的风电不确定性估计方法,它包括下述步骤:
步骤一:获取实测风功率数据,以Mallat小波分解和重构算法为工具,对采样间隔为n s的实测风功率数据进行小波分解,分解为小时平均风功率、分钟级波动残差和秒级波动残差三个尺度分量,具体分解层数m由采样间隔决定,应保证分解的最后一层周期n·2m为15min;若n·2m不等于15min,则应分解至n·2m刚好超过15min的一层为止,即n·2m-1小于15min,n·2m刚好大于15min,则此m层就是所要的具体分解层数m;若n·2m与15min的差在3min内,则将第m层作为小时级别的小时平均风功率,若n·2m与15min的差超过3min,则将第m层与第m-1层进行重构,得到周期为小时级别的小时平均风功率;将余下的周期为分钟级的分解层进行重构,得到分钟级风功率波动残差;将最后余下的周期为秒级的分解层进行重构,得到秒级风功率波动残差;
步骤二:利用步骤一中Mallat小波分解算法对进行平方后的风功率分钟级波动残差进行分解和重构,得到滤波平滑后的分钟级方差;对进行平方后的风功率秒级波动残差进行分解和重构,得到滤波平滑后的秒级方差;然后,对滤波平滑后的分钟级、秒级方差进行开方,得到其算数平方根;将其近似作为与同期小时平均风功率相对应的风功率分钟级波动残差的瞬时标准差σm,以及风功率秒级波动残差的瞬时标准差σs;
步骤三:定义风功率波动强度IP为风功率波动残差的瞬时标准差σ与小时平均风功率P的比值,如下式1所示:
利用分频段的建模方法,进一步得到不同频段的波动强度表达式,即得到分钟级风功率和秒级风功率的波动强度表达式,如式2、式3所示;
式中,IPm是分钟级风功率波动强度,IPs是秒级风功率波动强度;σm是分钟级脉动风功率的瞬时标准差,σs是秒级脉动风功率的瞬时标准差;
根据风功率波动强度的定义,求取与小时平均风功率相对应的分钟级、秒级风功率波动强度;
步骤四:根据二次多项式方法,利用3σ原则剔除拟合数据中的野点,对风功率波动强度建模进行拟合;针对实际风功率波动强度建模给出幂律模型,如下式4、式5所示;
其中,α、β、c为拟合常数;αm、βm、cm为分钟级风功率波动强度拟合常数,αs、βs、cs为秒级风功率波动强度拟合常数;
步骤五:基于拟合结果得到每一台风机最终的不同频段内风功率波动强度瞬时模型,即分钟级风功率和秒级风功率波动强度瞬时模型,对与每一台风机对应的风功率多步预测结果进行分频段不确定性估计,对预报结果中不同频段内的不确定性进行定量评估,即对预报结果中分钟级风功率和秒级风功率的不确定性波动进行定量评估,为电网的运行和调度设置安全边界提供参考。
具体实施方式二:本实施方式所述的基于风功率波动强度瞬时模型的风电不确定性估计方法的步骤五具体包括下述步骤:
步骤五一:将每一台风机的风功率波动强度瞬时模型进行等效变换处理,如式6、式7:
步骤五二:由式8、式9,完成对风功率时间序列中不同频段的不确定性进行定量评估,根据评估结果为电网的运行和调度设置安全边界提供参考;
其中,Pm(t)为考虑了分钟级风功率波动的不确定性定量评估结果;Ps(t)为考虑了秒级风功率波动的不确定性定量评估结果;将预报的小时平均风功率作为输入;分别为分钟级、秒级误差带,即瞬时风功率波动的不确定性。
其他步骤和参数与具体实施方式一相同。
具体实施方式三:本实施方式所述的基于风功率波动强度瞬时模型的风电不确定性估计方法的步骤二的具体步骤如下:
首先,利用Mallat小波分解算法对进行平方后的风功率分钟级波动残差进行8层分解;然后,利用Mallat小波重构算法将第7层和第8层进行重构,得到滤波平滑后的分钟级方差;同理,对进行平方后的风功率秒级波动残差进行6层分解;然后,利用Mallat小波重构算法将第5层和第6层进行重构,得到滤波平滑后的秒级方差;计算滤波平滑后的分钟级、秒级方差的算数平方根;将其近似作为与同期小时平均风功率相对应的风功率分钟级波动残差的瞬时标准差σm,以及风功率秒级波动残差的瞬时标准差σs。
其他步骤和参数与具体实施方式一或二相同。
实施例
步骤一、
以Mallat小波分解和重构算法为工具,并选择db10作为小波基,进行风功率时间序列的分解和重构:首先,对采样间隔为5s的实测风功率数据进行8层小波分解,将第7层与第8层进行重构,得到周期为小时级别的小时平均风功率如图3所示;将余下的周期为分钟级的分解层进行重构,得到分钟级风功率波动残差如图4所示;将最后余下的周期为秒级的分解层进行重构,得到秒级风功率波动残差如图5所示。
步骤二、
利用步骤一中Mallat小波分解算法对进行平方后的风功率分钟级波动残差进行8层分解;然后,利用Mallat小波重构算法将第7层和第8层进行重构,得到滤波平滑后的分钟级方差;同理,对进行平方后的风功率秒级波动残差进行6层分解;然后,利用Mallat小波重构算法将第5层和第6层进行重构,得到滤波平滑后的秒级方差;然后,求取滤波平滑后的分钟级、秒级方差的算数平方根。从而,也就相当于求取了应用于有风功率波动强度建模的与同期平均风功率相对应的风功率波动残差的瞬时标准差,如图8、9所示;
步骤三、
利用步骤二中求取的与同期平均风功率相对应的风功率波动残差的瞬时标准差,根据公式2、3,求出与小时平均风功率相对应的分钟级、秒级风功率波动强度;式中,IPm是分钟级风功率波动强度,IPs是秒级风功率波动强度;σm是分钟级脉动风功率的瞬时标准差,σs是秒级脉动风功率的瞬时标准差;
步骤四、
根据最二次多项式方法,利用3σ原理剔除野点,对风功率波动强度建模进行拟合。利用公式4、5,拟合与风机对应的实测风功率数据得到的分钟级、秒级风功率波动强度瞬时模型,如图12、13所示,其中,αm≈0.0212、βm≈-0.3765、cm≈-0.0046。αs≈0.007、βs≈-0.4245、cs≈-0.0016。并且,如表1、表2所示,经过其他不同区域的4个风场数据拟合效果验证,式4、5具有较好的通用性。
表1 不同风电场分钟级风功率波动强度拟合结果
表2 不同风电场秒级风功率波动强度拟合结果
步骤五、
由式8、9,完成对风功率时间序列中不同频段的不确定性进行定量评估:
其中,Pm(t)为考虑了分钟级风功率波动的不确定性定量评估结果;Ps(t)为考虑了秒级风功率波动的不确定性定量评估结果;P为预报的风功率小时平均值;为误差带,即瞬时风功率波动的不确定性。根据上述的步骤即可完成对基于风功率波动强度瞬时建模的风功率波动不确定性估计,得到风功率的瞬时波动范围,如图20所示。
Claims (3)
1.基于风功率波动强度瞬时模型的风电不确定性估计方法,其特征在于它包括下述步骤:
步骤一:获取实测风功率数据,以Mallat小波分解和重构算法为工具,对采样间隔为n s的实测风功率数据进行小波分解,分解为小时平均风功率、分钟级波动残差和秒级波动残差三个尺度分量,具体分解层数m由采样间隔决定,应保证分解的最后一层周期n·2m为15min;若n·2m不等于15min,则应分解至n·2m刚好超过15min的一层为止,若n·2m与15min的差在3min内,则将第m层作为小时级别的小时平均风功率,若n·2m与15min的差超过3min,则将第m层与第m-1层进行重构,得到周期为小时级别的小时平均风功率;将余下的周期为分钟级的分解层进行重构,得到分钟级风功率波动残差;将最后余下的周期为秒级的分解层进行重构,得到秒级风功率波动残差;
步骤二:利用步骤一中Mallat小波分解算法对进行平方后的风功率分钟级波动残差进行分解和重构,得到滤波平滑后的分钟级方差;对进行平方后的风功率秒级波动残差进行分解和重构,得到滤波平滑后的秒级方差;然后,对滤波平滑后的分钟级、秒级方差进行开方,得到其算数平方根;将其近似作为与同期小时平均风功率相对应的风功率分钟级波动残差的瞬时标准差σm,以及风功率秒级波动残差的瞬时标准差σs;
步骤三:定义风功率波动强度IP为风功率波动残差的瞬时标准差σ与小时平均风功率P的比值,如下式1所示:
利用分频段的建模方法,进一步得到不同频段的波动强度表达式,即得到分钟级风功率和秒级风功率的波动强度表达式,如式2、式3所示;
式中,IPm是分钟级风功率波动强度,IPs是秒级风功率波动强度;σm是分钟级脉动风功率的瞬时标准差,σs是秒级脉动风功率的瞬时标准差;
根据风功率波动强度的定义,求取与小时平均风功率相对应的分钟级、秒级风功率波动强度;
步骤四:根据二次多项式方法,利用3σ原则剔除拟合数据中的野点,对风功率波动强度建模进行拟合;针对实际风功率波动强度建模给出幂律模型,如下式4、式5所示;
其中,α、β、c为拟合常数;αm、βm、cm为分钟级风功率波动强度拟合常数,αs、βs、cs为秒级风功率波动强度拟合常数;
步骤五:基于拟合结果得到每一台风机最终的不同频段内风功率波动强度瞬时模型,即分钟级风功率和秒级风功率波动强度瞬时模型,对与每一台风机对应的风功率多步预测结果进行分频段不确定性估计,对预报结果中不同频段内的不确定性进行定量评估,即对预报结果中分钟级风功率和秒级风功率的不确定性波动进行定量评估,为电网的运行和调度设置安全边界提供参考。
2.根据权利要求1所述的基于风功率波动强度瞬时模型的风电不确定性估计方法,其特征在于步骤五包括下述步骤:
步骤五一:将每一台风机的风功率波动强度瞬时模型进行等效变换处理,如式6、式7:
步骤五二:由式8、式9,完成对风功率时间序列中不同频段的不确定性进行定量评估,根据评估结果为电网的运行和调度设置安全边界提供参考;
其中,Pm(t)为考虑了分钟级风功率波动的不确定性定量评估结果;Ps(t)为考虑了秒级风功率波动的不确定性定量评估结果;将预报的小时平均风功率作为输入;分别为分钟级、秒级误差带,即瞬时风功率波动的不确定性。
3.根据权利要求1或2所述的基于风功率波动强度瞬时模型的风电不确定性估计方法,其特征在于步骤二的具体步骤如下:
首先,利用Mallat小波分解算法对进行平方后的风功率分钟级波动残差进行8层分解;然后,利用Mallat小波重构算法将第7层和第8层进行重构,得到滤波平滑后的分钟级方差;同理,对进行平方后的风功率秒级波动残差进行6层分解;然后,利用Mallat小波重构算法将第5层和第6层进行重构,得到滤波平滑后的秒级方差;计算滤波平滑后的分钟级、秒级方差的算数平方根;将其近似作为与同期小时平均风功率相对应的风功率分钟级波动残差的瞬时标准差σm,以及风功率秒级波动残差的瞬时标准差σs。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410798080.XA CN104462839A (zh) | 2014-12-19 | 2014-12-19 | 基于风功率波动强度瞬时模型的风电不确定性估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410798080.XA CN104462839A (zh) | 2014-12-19 | 2014-12-19 | 基于风功率波动强度瞬时模型的风电不确定性估计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104462839A true CN104462839A (zh) | 2015-03-25 |
Family
ID=52908868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410798080.XA Pending CN104462839A (zh) | 2014-12-19 | 2014-12-19 | 基于风功率波动强度瞬时模型的风电不确定性估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104462839A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303056A (zh) * | 2015-11-16 | 2016-02-03 | 哈尔滨工业大学 | 一种风速实时变化速率刻画方法 |
CN105914787A (zh) * | 2016-05-25 | 2016-08-31 | 哈尔滨工业大学 | 一种基于功率瞬时相对变化速度的风电不确定性的定量刻画方法 |
CN107588947A (zh) * | 2017-08-23 | 2018-01-16 | 电子科技大学 | 考虑运行工况和信息简化的风电机组传动链状态监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678940A (zh) * | 2013-12-31 | 2014-03-26 | 哈尔滨工业大学 | 基于有效湍流强度瞬时模型的风速波动不确定性估计方法 |
CN104201700A (zh) * | 2014-09-22 | 2014-12-10 | 哈尔滨工业大学 | 计及风电不确定性波动的区域电网火电调频机组配置方法 |
-
2014
- 2014-12-19 CN CN201410798080.XA patent/CN104462839A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103678940A (zh) * | 2013-12-31 | 2014-03-26 | 哈尔滨工业大学 | 基于有效湍流强度瞬时模型的风速波动不确定性估计方法 |
CN104201700A (zh) * | 2014-09-22 | 2014-12-10 | 哈尔滨工业大学 | 计及风电不确定性波动的区域电网火电调频机组配置方法 |
Non-Patent Citations (2)
Title |
---|
王铮等: "基于风过程方法的风电功率预测结果不确定性估计", 《电网技术》 * |
薛禹胜等: "关于风电不确定性对电力系统影响的评述", 《中国电机工程学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105303056A (zh) * | 2015-11-16 | 2016-02-03 | 哈尔滨工业大学 | 一种风速实时变化速率刻画方法 |
CN105303056B (zh) * | 2015-11-16 | 2017-12-01 | 哈尔滨工业大学 | 一种风速实时变化速率刻画方法 |
CN105914787A (zh) * | 2016-05-25 | 2016-08-31 | 哈尔滨工业大学 | 一种基于功率瞬时相对变化速度的风电不确定性的定量刻画方法 |
CN107588947A (zh) * | 2017-08-23 | 2018-01-16 | 电子科技大学 | 考虑运行工况和信息简化的风电机组传动链状态监测方法 |
CN107588947B (zh) * | 2017-08-23 | 2020-04-28 | 电子科技大学 | 考虑运行工况和信息简化的风电机组传动链状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dvorkin et al. | Uncertainty sets for wind power generation | |
CN107425520B (zh) | 一种含节点注入功率不确定性的主动配电网三相区间状态估计方法 | |
Zhang et al. | Modeling conditional forecast error for wind power in generation scheduling | |
CN103117546B (zh) | 一种超短期风电功率滑动预测方法 | |
WO2017054537A1 (zh) | 一种长时间尺度光伏出力时间序列建模方法及装置 | |
Mc Garrigle et al. | Quantifying the value of improved wind energy forecasts in a pool-based electricity market | |
Ma et al. | Climate change impacts on techno-economic performance of roof PV solar system in Australia | |
Sun et al. | Research on ultra-short-term wind power prediction considering source relevance | |
CN103208029B (zh) | 基于净空模型的光伏电站超短期功率预测方法 | |
Alzubaidi et al. | Impact of probabilistic modelling of wind speed on power system voltage profile and voltage stability analysis | |
CN103440529B (zh) | 一种风电功率预测系统的横向误差平移修正方法 | |
CN103106544A (zh) | 一种基于t-s型模糊神经网络的光伏发电预测系统 | |
CN103699800A (zh) | 基于频域多尺度风速信号可预报性的超短期风速预测方法 | |
CN104319807A (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
CN104268659A (zh) | 一种光伏电站发电功率超短期预测方法 | |
Mohan et al. | Solar energy disaggregation using whole-house consumption signals | |
Wang et al. | Development of wind speed forecasting model based on the Weibull probability distribution | |
CN106203732A (zh) | 基于itd和时间序列分析的计量误差计算方法 | |
Xiyun et al. | Wind power probability interval prediction based on bootstrap quantile regression method | |
Heath et al. | Potential capacity contribution of renewables at higher penetration levels on MISO system | |
CN103678940B (zh) | 基于有效湍流强度瞬时模型的风速波动不确定性估计方法 | |
CN104462839A (zh) | 基于风功率波动强度瞬时模型的风电不确定性估计方法 | |
Aguilar et al. | Predicting probabilistic wind power generation using nonparametric techniques | |
CN103065049B (zh) | 一种基于coif5小波实时分解的风电功率实时预测计算方法 | |
Salami et al. | Influence of the Random Data Sampling in Estimation of Wind Speed Resource: Case Study. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150325 |
|
WD01 | Invention patent application deemed withdrawn after publication |