CN104820868A - 一种基于风电概率进行预测的调度展示方法 - Google Patents
一种基于风电概率进行预测的调度展示方法 Download PDFInfo
- Publication number
- CN104820868A CN104820868A CN201510199765.7A CN201510199765A CN104820868A CN 104820868 A CN104820868 A CN 104820868A CN 201510199765 A CN201510199765 A CN 201510199765A CN 104820868 A CN104820868 A CN 104820868A
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- output
- powered electricity
- electricity generation
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable energy
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于风电概率进行预测的调度展示方法,涉及电力行业调控的技术领域。该方法包括:S1,建立基于分量稀疏贝叶斯学习的风电功率概率预测模型,并根据所述风电功率概率预测模型获取预测信息;S2,根据所述预测信息,建立约束电力概率调度上限的计及系统风险模型,根据所述电力系统概率调度模型的结果,制订发电计划安排策略;S3,根据所述发电计划安排策略,进行风电概率预测,得到并展示风电概率预测的结果;S4,根据展示结果,实现基于风电概率进行预测的调度。本发明降低短期风场输出功率值预测值的误差、提高发电计划准确性、有效降低电力系统发电不满足负荷的风险、提高近10%风电吸纳量和增加电网公司经济效益。
Description
技术领域
本发明涉及电力行业调控的技术领域,尤其是涉及一种基于风电概率进行预测的调度展示方法。
背景技术
现有技术中,由于大规模随机风电并网,使得传统以确定性的火电、水电为主的电力系统成为随机性-确定性相互耦合的电力系统。由于风力发电的波动性难以准确预测,其接入电网后给电网安全运行、多能源发电协调、备用容量优化、频率调节、电压调节及负荷跟踪等带来了许多新挑战。当千万千瓦风电场通过远距离输电系统接入电网后,接入点的功率波动最大值可能达到400万千瓦,接入点附近的电压和线路传输功率将发生大幅度的变化,可能导致线路过载和负荷的不稳定性,严重时可能导致系统崩溃。
现有的风电预测技术中还存在如下缺陷:1)采用点预测方法,则存在风速随机波动的特点决定了风电功率规律性较弱,无法达到像负荷预测的精度水平,预测结果的不确定性难以评估的缺陷。2)采用支持向量机的方法,虽然高维非线性预测问题建模中具有优势,但是随着风电接入规模的扩大,存在风电场电力系统的运行风险分析与风险决策问题,这些问题的建模多依赖于对风电场输出功率分布信息的掌握,无法为后续电力调度提供准确的风电预测数据。3)采用分位点回归方法、时间序列方法,则存在预测精度一般会随着预测时长的增加而显著降低的缺陷。
现有的发电调度主要依靠点预测方法来实现,而采用点预测方法实现发电调度存在如下缺陷:1)调度策略单一,不能在多个管理目标之间进行平衡。2)依赖点预测方法得到的未来风功率期望值,预测结果的不确定性难以评估;3)依赖点预测方法得到的未来风功率期望值,日前风电发电计划不能很好执行,日内调度难度加大,系统风险变大;4)依赖点预测方法将风电出力作为确定值处理,系统备用是通过人为设定,难以明确并网风电对电力系统运行风险的影响,容易造成备用容量的配置在安全性和经济性之间的矛盾;5)需要固定系统的备用设备,容易造成能源浪费或造成不满足用电需求的问题。
发明内容
本发明的目的在于提供一种基于风电概率进行预测的调度展示方法,从而解决现有技术中存在的前述问题。
为了实现上述目的,本发明所述基于风电概率进行预测的调度展示方法,采用的技术方案如下:
S1,建立基于分量稀疏贝叶斯学习的风电功率概率预测模型,并根据所述风电功率概率预测模型获取预测信息;
所述预测信息包括:预期时段风电场输出功率的期望值和方差;
S2,根据所述预测信息,建立约束电力概率调度上限的计及系统风险模型,根据所述电力系统概率调度模型的结果,制订发电计划安排策略;
S3,根据所述发电计划安排策略,进行风电概率预测,得到并展示风电概率预测的结果;
S4,根据展示结果,实现基于风电概率进行预测的调度。
优选地,步骤S1,具体按照下述步骤实现:
A1、根据风场的历史风速预报信息及同时段的风场单点输出功率进行趋势分析,得到趋势分析结果;
A2、根据所述趋势分析结果,将风电功率分解为平稳趋势分量和扰动分量,采用小波分解的方法分别对所述平稳趋势分量和所述扰动分量进行风电场输出功率的预测分析;
A3,在稀疏贝叶斯学习的基础上,根据所述预测分析结果的分布进行评估预测,得到所述风电场输出功率的期望值的分布估计值;
A4,在稀疏贝叶斯学习的基础上,对所述期望值的分布估计值进行风功率时间序列风量的多步概率预测,获得未来多时段的风电场输出功率的期望值;
A5,计算并输出预测时段所述风电场输出功率的期望值和方差。
更优选地,步骤A4中,所述风功率时间序列风量的多步概率预测,具体按照下述步骤实现:
A41,对所述风电场输出功率的期望值的分布估计值进行相关性进行分析,得到风电场输出功率分析结果;
A42,根据所述风电场输出功率分析结果,利用稀疏贝叶斯学习,输出预测时段内风电场输出功率的期望值的预测值、方差及预测误差;
A43,当所述预测误差服从正态分布时,确定风电场输出功率的概率密度函数,根据所述预测时段内风电场输出功率的期望值的预测值与方差,得到风电场输出功率的期望值和方差,完成所述风功率时间序列分量进行预测分析。
更优选地,步骤A41,所述相关性分析的依据是由所述风电场输出功率历史数据及预测目标时段的风速预报数据的相关性,所述风电场输出功率历史数据回溯三步。
优选地,步骤S2,具体按照下述步骤实现:
B1,录入基础数据后,根据所述风电功率概率预测模型得到风电场输出功率和方差,将风场划分成多状态机组,进行风电预处理,记录各个时段的多状态机组;
B2,记录在电网负荷图上水电负荷趋于平坦的多状态机组;
B3,采用优先级表法获得多状态机组组合的初始解;
B4,判断所述多状态机组组合的初始解中必须在线机组是否符合在所有时段均在线的条件,如果不符合,则进入B5;如果符合,则进入B6;
B5,对步骤B13中所述多状态机组组合中组合后的不在线的必须在线机组进行设定,保证其在线运行,进入B6;
B6,计算多状态机组组合的中级解;
B7,获取所述多状态机组的启停状态和多状态机组故障率,制备得到火电机组的容量停运概率表;将所述多状态机组的风电机组卷积到所述火电机组的容量停运概率表,得到整个系统的停运容量概率表;
B8,根据系统运行的失负荷风险,判断在当前备用多状态机组组合的水平下,系统运行的失负荷风险是否小于预先设定的失负荷风险的最大值,如果是,则输出发电计划安排策略;如果否,则返回B6,直到得出发电计划安排策略为止;
所述发电计划安排策略包括:备用多状态机组组合、最优的未来多时段的多状态机组组合和最优的机组出力安排。
更优选地,步骤B1,所述风电预处理,记录风电的最大吸纳时各个时段的多状态机组,是按照下述方法实现:
B11,设定风电场最大出力μ+3σ处对应功率P,从预先设定的各时段负荷的输出功率中减去所述对应功率P,得到各时段输出功率参考值;
B12,优化火电机组,获取风电实际出力最大的各个时段的多状态机组;
B13,判断各时段必须在线机组最小出力与风电实际出力是否大于预先设定的各时段负荷的输出功率,如果大于,则根据限电系数确定每个多状态机组出力的上限值,超过限电系数进行弃风;如果小于,则记录风电的最大吸纳时各个时段的多状态机组。
优选地,步骤S3中,将所述风电概率预测结果以图形化方式进行展示,具体为:
C1,选择图形类型;
C2,根据所述图形类型,将所述风电概率预测结果进行标记展示。
更优选地,步骤C2中,将所述风电概率预测结果的标记包括:将所述风电概率预测结果进行分段标记和标记颜色匹配。
优选地,步骤S4中,所述展示结果包括:计划修正效果评估结果、发电分析结果、经济分析结果和节能分析结果。
本发明的有益效果是:
1、通过本发明采用稀疏贝叶斯学习的风电功率概率预测模型,预测的短期风场输出功率值的误差范围降低10%左右,明显提高了电力调度部门发电计划安排的准确性,有效降低电力系统发电不满足负荷的风险。
2、通过本发明的调度,相对于常规的技术手段,不需要备用系统,减少了并网风电对电力系统运行风险的影响,解决了使备用容量的配置在安全性和经济性之间的矛盾,通过本发明一般可提高10%左右的风电吸纳量,明显提高了系统接纳风电的能力。
3、通过本发明的调度,相对于常规技术手段,减少能源浪费,一般可降低系统1%—2%左右的购电成本,可有效提高电网公司经济效益。
4、通过本发明,解决了调度策略单一,不能在多个管理目标之间进行平衡的问题。
5、通过本发明,解决了预测结果的不确定性难以评估的缺陷;减少了调度难度,减少了系统风险。
6、依赖点预测方法将风电出力作为确定值处理,系统备用是通过人为设定,难以明确并网风电对电力系统运行风险的影响,容易使备用容量的配置在安全性和经济性之间产生矛盾。
附图说明
图1是实施例中所述基于风电概率进行预测的调度展示方法的流程示意图;
图2是实施例中步骤S1中建立基于分量稀疏贝叶斯学习的风电功率概率预测模型,并根据所述风电功率概率预测模型获取预测信息的流程示意图;
图3是实施例中步骤A4中所述风功率时间序列风量的多步概率预测的流程示意图;
图4是实施例中步骤S2的流程示意图;
图5是实施例中步骤B1中所述风电预处理的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
实施例
参照图1,本实施例所述基于风电概率进行预测的调度展示方法,包括以下步骤:
S1,建立基于分量稀疏贝叶斯学习的风电功率概率预测模型,并根据所述风电功率概率预测模型获取预测信息;
所述预测信息包括:预期时段风电场输出功率的期望值和方差;
S2,根据所述预测信息,建立约束电力概率调度上限的计及系统风险模型,根据所述电力系统概率调度模型的结果,制订发电计划安排策略;
S3,根据所述发电计划安排策略,进行风电概率预测,得到并展示风电概率预测的结果;
S4,根据展示结果,实现基于风电概率进行预测的调度。
参照图2,步骤S1,具体按照下述步骤实现:
A1、根据风场的历史风速预报信息及同时段的风场单点输出功率进行趋势分析,得到趋势分析结果;
A2、根据所述趋势分析结果,将风电功率分解为平稳趋势分量和扰动分量,采用小波分解的方法分别对所述平稳趋势分量和所述扰动分量进行风电场输出功率的预测分析;
A3,在稀疏贝叶斯学习的基础上,根据所述预测分析结果的分布进行评估预测,得到所述风电场输出功率的期望值的分布估计值;
A4,在稀疏贝叶斯学习的基础上,对所述期望值的分布估计值进行风功率时间序列风量的多步概率预测,获得未来多时段的风电场输出功率的期望值;
A5,计算并输出预测时段所述风电场输出功率的期望值和方差。
其中,参照图3,步骤A4中,所述风功率时间序列风量的多步概率预测,具体按照下述步骤实现:
A41,对所述风电场输出功率的期望值的分布估计值进行相关性进行分析,得到风电场输出功率分析结果;所述相关性分析的依据是由所述风电场输出功率历史数据及预测目标时段的风速预报数据的相关性,所述风电场输出功率历史数据回溯三步;
A42,根据所述风电场输出功率分析结果,利用稀疏贝叶斯学习,输出预测时段内风电场输出功率的期望值的预测值、方差及预测误差;
A43,当所述预测误差服从正态分布时,确定风电场输出功率的概率密度函数,根据所述预测时段内风电场输出功率的期望值的预测值与方差,得到风电场输出功率的期望值和方差,完成所述风功率时间序列分量进行预测分析。
参照图4,步骤S2,具体按照下述步骤实现:
B1,录入基础数据后,根据所述风电功率概率预测模型得到风电场输出功率和方差,将风场划分成多状态机组,进行风电预处理,记录各个时段的多状态机组;
步骤B1中,所述基础数据包括:多状态机组数、预测时段数、失负荷概率、机组故障率、各时段负荷、机组参数、机组爬坡约束、煤耗费用系数、启动成本、已开停机时间、最小开停机时间、标志位、水电数据和风电数据;所述机组参数包括电价、多状态机组最大出力和多状态机组最小出力;
B2,记录在电网负荷图上水电负荷趋于平坦的多状态机组;
B3,采用优先级表法获得多状态机组组合的初始解;
B4,判断所述多状态机组组合的初始解中必须在线机组是否符合在所有时段均在线的条件,如果不符合,则进入B5;如果符合,则进入B6;
B5,对步骤B13中所述多状态机组组合中组合后的不在线的必须在线机组进行设定,保证其在线运行,进入B6;
B6,计算多状态机组组合的中级解;
B7,获取所述多状态机组的启停状态和多状态机组故障率,制备得到火电机组的容量停运概率表;将所述多状态机组的风电机组卷积到所述火电机组的容量停运概率表,得到整个系统的停运容量概率表;
B8,根据系统运行的失负荷风险,判断在当前备用多状态机组组合的水平下,系统运行的失负荷风险是否小于预先设定的失负荷风险的最大值,如果是,则输出发电计划安排策略;如果否,则返回B6,直到得出发电计划安排策略为止;
所述发电计划安排策略包括:备用多状态机组组合、最优的未来多时段的多状态机组组合和最优的机组出力安排。
参照图5,步骤B1,所述风电预处理,记录风电的最大吸纳时各个时段的多状态机组,是按照下述方法实现:
B11,设定风电场最大出力μ+3σ处对应功率P,从预先设定的各时段负荷的输出功率中减去所述对应功率P,得到各时段输出功率参考值;
B12,优化火电机组,获取风电实际出力最大的各个时段的多状态机组;
B13,判断各时段必须在线机组最小出力与风电实际出力是否大于预先设定的各时段负荷的输出功率,如果大于,则根据限电系数确定每个多状态机组出力的上限值,超过限电系数进行弃风;如果小于,则记录风电的最大吸纳时各个时段的多状态机组。
本实施例中,步骤S3将所述风电概率预测结果以图形化方式进行展示,具体为:
C1,选择图形类型;
C2,根据所述图形类型,将所述风电概率预测结果进行标记展示;将所述风电概率预测结果的标记包括:将所述风电概率预测结果进行分段标记和标记颜色匹配。
本实施例中,步骤S4中,所述展示结果包括:计划修正效果评估结果、发电分析结果、经济分析结果和节能分析结果。
通过采用本发明公开的上述技术方案,得到了如下有益的效果:
1、通过本发明采用稀疏贝叶斯学习的风电功率概率预测模型,预测的短期风场输出功率值的误差范围降低10%左右,明显提高了电力调度部门发电计划安排的准确性,有效降低电力系统发电不满足负荷的风险。
2、通过本发明的调度,相对于常规的技术手段,不需要备用系统,减少了并网风电对电力系统运行风险的影响,解决了使备用容量的配置在安全性和经济性之间的矛盾,通过本发明一般可提高10%左右的风电吸纳量,明显提高了系统接纳风电的能力;
3、通过本发明的调度,相对于常规技术手段,减少能源浪费,一般可降低系统1%—2%左右的购电成本,可有效提高电网公司经济效益。
4、通过本发明,解决了调度策略单一,不能在多个管理目标之间进行平衡的问题。
5、通过本发明,解决了预测结果的不确定性难以评估的缺陷;减少了调度难度,减少了系统风险。
6、依赖点预测方法将风电出力作为确定值处理,系统备用是通过人为设定,难以明确并网风电对电力系统运行风险的影响,容易使备用容量的配置在安全性和经济性之间产生矛盾。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视本发明的保护范围。
Claims (9)
1.一种基于风电概率进行预测的调度展示方法,其特征在于,该调度展示方法包括以下步骤:
S1,建立基于分量稀疏贝叶斯学习的风电功率概率预测模型,并根据所述风电功率概率预测模型获取预测信息;
所述预测信息包括:预期时段风电场输出功率的期望值和方差;
S2,根据所述预测信息,建立约束电力概率调度上限的计及系统风险模型,根据所述电力系统概率调度模型的结果,制订发电计划安排策略;
S3,根据所述发电计划安排策略,进行风电概率预测,得到并展示风电概率预测的结果;
S4,根据展示结果,实现基于风电概率进行预测的调度。
2.根据权利要求1所述调度展示方法,其特征在于,步骤S1,具体按照下述步骤实现:
A1、根据风场的历史风速预报信息及同时段的风场单点输出功率进行趋势分析,得到趋势分析结果;
A2、根据所述趋势分析结果,将风电功率分解为平稳趋势分量和扰动分量,采用小波分解的方法分别对所述平稳趋势分量和所述扰动分量进行风电场输出功率的预测分析;
A3,在稀疏贝叶斯学习的基础上,根据所述预测分析结果的分布进行评估预测,得到所述风电场输出功率的期望值的分布估计值;
A4,在稀疏贝叶斯学习的基础上,对所述期望值的分布估计值进行风功率时间序列风量的多步概率预测,获得未来多时段的风电场输出功率的期望值;
A5,计算并输出预测时段所述风电场输出功率的期望值和方差。
3.根据权利要求2所述调度展示方法,其特征在于,步骤A4中,所述风功率时间序列风量的多步概率预测,具体按照下述步骤实现:
A41,对所述风电场输出功率的期望值的分布估计值进行相关性进行分析,得到风电场输出功率分析结果;
A42,根据所述风电场输出功率分析结果,利用稀疏贝叶斯学习,输出预测时段内风电场输出功率的期望值的预测值、方差及预测误差;
A43,当所述预测误差服从正态分布时,确定风电场输出功率的概率密度函数,根据所述预测时段内风电场输出功率的期望值的预测值与方差,得到风电场输出功率的期望值和方差,完成所述风功率时间序列分量进行预测分析。
4.根据权利要求3所述调度展示方法,其特征在于,步骤A41,所述相关性分析的依据是由所述风电场输出功率历史数据及预测目标时段的风速预报数据的相关性,所述风电场输出功率历史数据回溯三步。
5.根据权利要求1所述调度展示方法,其特征在于,步骤S2,具体按照下述步骤实现:
B1,录入基础数据后,根据所述风电功率概率预测模型得到风电场输出功率和方差,将风场划分成多状态机组,进行风电预处理,记录各个时段的多状态机组;
B2,记录在电网负荷图上水电负荷趋于平坦的多状态机组;
B3,采用优先级表法获得多状态机组组合的初始解;
B4,判断所述多状态机组组合的初始解中必须在线机组是否符合在所有时段均在线的条件,如果不符合,则进入B5;如果符合,则进入B6;
B5,对步骤B13中所述多状态机组组合中组合后的不在线的必须在线机组进行设定,保证其在线运行,进入B6;
B6,计算多状态机组组合的中级解;
B7,获取所述多状态机组的启停状态和多状态机组故障率,制备得到火电机组的容量停运概率表;将所述多状态机组的风电机组卷积到所述火电机组的容量停运概率表,得到整个系统的停运容量概率表;
B8,根据系统运行的失负荷风险,判断在当前备用多状态机组组合的水平下,系统运行的失负荷风险是否小于预先设定的失负荷风险的最大值,如果是,则输出发电计划安排策略;如果否,则返回B6,直到得出发电计划安排策略为止;
所述发电计划安排策略包括:备用多状态机组组合、最优的未来多时段的多状态机组组合和最优的机组出力安排。
6.根据权利要求5所述调度展示方法,其特征在于,步骤B1,所述风电预处理,记录风电的最大吸纳时各个时段的多状态机组,是按照下述方法实现:
B11,设定风电场最大出力μ+3σ处对应功率P,从预先设定的各时段负荷的输出功率中减去所述对应功率P,得到各时段输出功率参考值;
B12,优化火电机组,获取风电实际出力最大的各个时段的多状态机组;
B13,判断各时段必须在线机组最小出力与风电实际出力是否大于预先设定的各时段负荷的输出功率,如果大于,则根据限电系数确定每个多状态机组出力的上限值,超过限电系数进行弃风;如果小于,则记录风电的最大吸纳时各个时段的多状态机组。
7.根据权利要求1所述调度展示方法,其特征在于,步骤S3中,将所述风电概率预测结果以图形化方式进行展示,具体为:
C1,选择图形类型;
C2,根据所述图形类型,将所述风电概率预测结果进行标记展示。
8.根据权利要求7所述调度展示方法,其特征在于,步骤C2中,将所述风电概率预测结果的标记包括:将所述风电概率预测结果进行分段标记和标记颜色匹配。
9.根据权利要求1所述调度展示方法,其特征在于:步骤S4中,所述展示结果包括:计划修正效果评估结果、发电分析结果、经济分析结果和节能分析结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510199765.7A CN104820868B (zh) | 2015-04-23 | 2015-04-23 | 一种基于风电概率进行预测的调度展示方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510199765.7A CN104820868B (zh) | 2015-04-23 | 2015-04-23 | 一种基于风电概率进行预测的调度展示方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104820868A true CN104820868A (zh) | 2015-08-05 |
CN104820868B CN104820868B (zh) | 2017-12-26 |
Family
ID=53731154
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510199765.7A Active CN104820868B (zh) | 2015-04-23 | 2015-04-23 | 一种基于风电概率进行预测的调度展示方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104820868B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105391093A (zh) * | 2015-12-07 | 2016-03-09 | 海南电力技术研究院 | 小水电群并网运行优化调度方法 |
CN106485393A (zh) * | 2015-09-01 | 2017-03-08 | 波音公司 | 平台管理系统、装置以及方法 |
CN107958019A (zh) * | 2017-10-23 | 2018-04-24 | 中国南方电网有限责任公司 | 基于电网运行管理系统的图形化应用方法 |
CN108537380A (zh) * | 2018-04-04 | 2018-09-14 | 福州大学 | 一种基于稀疏表示的电力负荷预测方法 |
CN108876060A (zh) * | 2018-08-01 | 2018-11-23 | 国网吉林省电力有限公司长春供电公司 | 一种基于大数据的样本采集风电出力概率预测方法 |
CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
CN111872516A (zh) * | 2020-06-16 | 2020-11-03 | 中国石油天然气集团有限公司 | 一种管道环焊缝强度匹配的焊接材料选择方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011042785A1 (ja) * | 2009-10-05 | 2011-04-14 | パナソニック電工株式会社 | 電力管理システム |
CN103078353A (zh) * | 2013-01-25 | 2013-05-01 | 黑龙江省电力有限公司 | 一种计及风电波动性的电源配置方法 |
CN103440541A (zh) * | 2013-09-18 | 2013-12-11 | 山东大学 | 多风电场短期输出功率的联合概率密度预测方法 |
-
2015
- 2015-04-23 CN CN201510199765.7A patent/CN104820868B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011042785A1 (ja) * | 2009-10-05 | 2011-04-14 | パナソニック電工株式会社 | 電力管理システム |
CN103078353A (zh) * | 2013-01-25 | 2013-05-01 | 黑龙江省电力有限公司 | 一种计及风电波动性的电源配置方法 |
CN103440541A (zh) * | 2013-09-18 | 2013-12-11 | 山东大学 | 多风电场短期输出功率的联合概率密度预测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485393A (zh) * | 2015-09-01 | 2017-03-08 | 波音公司 | 平台管理系统、装置以及方法 |
CN105391093A (zh) * | 2015-12-07 | 2016-03-09 | 海南电力技术研究院 | 小水电群并网运行优化调度方法 |
CN105391093B (zh) * | 2015-12-07 | 2017-10-17 | 海南电力技术研究院 | 小水电群并网运行优化调度方法 |
CN107958019A (zh) * | 2017-10-23 | 2018-04-24 | 中国南方电网有限责任公司 | 基于电网运行管理系统的图形化应用方法 |
CN107958019B (zh) * | 2017-10-23 | 2022-02-25 | 中国南方电网有限责任公司 | 基于电网运行管理系统的图形化应用方法 |
CN108537380A (zh) * | 2018-04-04 | 2018-09-14 | 福州大学 | 一种基于稀疏表示的电力负荷预测方法 |
CN108537380B (zh) * | 2018-04-04 | 2022-03-25 | 福州大学 | 一种基于稀疏表示的电力负荷预测方法 |
CN108876060A (zh) * | 2018-08-01 | 2018-11-23 | 国网吉林省电力有限公司长春供电公司 | 一种基于大数据的样本采集风电出力概率预测方法 |
CN108876060B (zh) * | 2018-08-01 | 2021-05-11 | 国网吉林省电力有限公司长春供电公司 | 一种基于大数据的样本采集风电出力概率预测方法 |
CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
CN109978222B (zh) * | 2019-01-04 | 2021-04-27 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
CN111872516A (zh) * | 2020-06-16 | 2020-11-03 | 中国石油天然气集团有限公司 | 一种管道环焊缝强度匹配的焊接材料选择方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104820868B (zh) | 2017-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104820868A (zh) | 一种基于风电概率进行预测的调度展示方法 | |
Yu et al. | Stochastic optimal relaxed automatic generation control in non-markov environment based on multi-step $ Q (\lambda) $ learning | |
WO2017000853A1 (zh) | 主动配电网多时间尺度协调优化调度方法和存储介质 | |
Zhou et al. | Optimal wind–thermal coordination dispatch based on risk reserve constraints | |
CA3030490A1 (en) | Intelligent energy management system for distributed energy resources and energy storage systems using machine learning | |
CN112381375B (zh) | 一种基于潮流分配矩阵的电网经济运行域快速生成方法 | |
CN103997039A (zh) | 基于概率区间预测的计及风电接纳的旋转备用区间预测方法 | |
JP2016093016A (ja) | 運転計画生成装置、運転計画生成方法及びプログラム | |
CN109002912A (zh) | 一种水风光互补发电系统调峰能力评估方法 | |
CN111682529A (zh) | 一种基于节点电价信息的移动储能车灵活调度方法 | |
CN105140967A (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
Mao et al. | Microgrid group control method based on deep learning under cloud edge collaboration | |
Jiang et al. | Research on nodal wind power values and optimal accommodation based on locational marginal price | |
CN109066769A (zh) | 风电全消纳下虚拟电厂内部资源调度控制方法 | |
Pliuhin et al. | Smart Grid technologies as a concept of innovative energy development: initial proposals for the development of Ukraine | |
Chen et al. | Flexibility evaluation of distribution network with high penetration of variable generations | |
Chen et al. | A Low‐Carbon Planning Model for Regional Power Systems with Generation‐Load‐Storage Coordination considering New Energy Resources’ Consumption | |
Zhang et al. | Low carbon multi‐objective scheduling of integrated energy system based on ladder light robust optimization | |
Zhao et al. | Affinely adjustable robust optimal dispatch for island microgrids with wind power, energy storage and diesel generators | |
Cai et al. | Intra-day Tie-line Scheduling Model Considering New Energy Fluctuation | |
Liu et al. | Method to determine spinning reserve requirement for a grid with large‐scale wind power penetration | |
Luo et al. | Optimal scheduling for a multi-energy microgrid by a soft actor-critic deep reinforcement learning | |
Lin et al. | Rolling Scheduling Method considering Shiftable Demand Respond Resources | |
Zhou et al. | Optimal dispatch of an integrated energy system based on deep reinforcement learning considering new energy uncertainty | |
Lim et al. | Cost-Effective Peak Shaving Strategy Based on Clustering and XGBoost Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant |