CN104933469B - 一种基于灰色生成扰动模型的短期风速预测方法 - Google Patents
一种基于灰色生成扰动模型的短期风速预测方法 Download PDFInfo
- Publication number
- CN104933469B CN104933469B CN201510092616.0A CN201510092616A CN104933469B CN 104933469 B CN104933469 B CN 104933469B CN 201510092616 A CN201510092616 A CN 201510092616A CN 104933469 B CN104933469 B CN 104933469B
- Authority
- CN
- China
- Prior art keywords
- mrow
- disturbance
- wind speed
- msup
- model
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于灰色生成扰动模型的短期风速预测方法，其步骤为：a.数值求解Lorenz方程；b.定义Lorenz扰动量形式；c.利用BP网络进行短期风速初步预测；d.选用某一瑞利数的Lorenz扰动量对预测结果进行修正；e.借助灰色生成理论及多项式累加生成模型对风速和扰动变量进行拟合，建立扰动模型；f.利用其它瑞利数的Lorenz扰动量建立扰动模型；g.进行风速预测；h.引入误差指标对扰动模型的有效性及风速预测水平进行评价。本发明利用灰生成技术弱化风速及扰动变量的随机性，进而建立风速扰动模型，对短期风速进行预测可大大提高风电预测的准确度，保证电力系统的安全稳定运行。
Description
技术领域
本发明涉及一种建立在Lorenz扰动系统和灰色生成模型基础上的短期风速预测方法，属于发电技术领域。
背景技术
生态环境恶化和全球矿藏资源紧张是当今世界面临的两大难题。可再生清洁能源的开发和利用是解决上述问题的有效途径。可再生能源是指来自大自然的能源，一般包括太阳能、生物能、风能、水能、地热能、潮汐能、氢能以及核能等等。风能是一种清洁的可再生能源，资源丰富，分布广泛。目前风力发电是大规模利用风资源的方式之一。据中国风能协会统计数据显示，截止到2013年底，中国新增风电装机容量为16088.7MW，同比增长24.1％；累计装机容量为91412.89MW，同比增长21.4％。新增装机和累计装机两项数据均居世界第一。
在风电产业如火如荼发展的同时我们也将面临一个重大挑战。风电场风电输出功率具有与风速相似的随机波动特性，为了保障电力系统的安全与稳定，保障人们正常的生产和生活，符合风电场要求的高精度风电预测技术亟待开发和应用。目前国内外学者对此课题已有大量可观的研究成果，现有的风电预测模型一般包括物理模型、统计模型、人工智能模型、组合模型以及基于这些模型的各种改进模型。但是至今还没有任何一种预测方法取得了理想的预测效果，还需要有关技术人员进一步进行研究。
发明内容
本发明的目的在于针对现有技术之弊端，提供一种基于灰色生成扰动模型的短期风速预测方法，以提高风电预测准确度，保证电力系统安全稳定运行。
本发明所述问题是以下述技术方案实现的：
一种基于灰色生成扰动模型的短期风速预测方法，所述方法包括以下步骤：
a.数值求解Lorenz方程：
式中x，y和z分别表示对流强度，上升与下降流体的水平温差，垂直温差对无对流时的偏离程度，σ，b和瑞利数r都是无量纲的正参数，
求解时固定初始条件和参数σ，b的取值，变动瑞利数r，得到不同形式的Lorenz吸引子；
b.定义Lorenz扰动量形式并对扰动区间进行归一化处理：
将Lorenz系统相空间中解向量的欧式范数定义为扰动量形式，令p(x,y,z)表示相空间中任意一点，则Lorenz扰动量表示为：
对得到的扰动区间进行归一化处理；
c.利用原始风速数据训练BP网络并利用训练好的BP网络进行短期风速初步预测；
d.选用某一瑞利数的Lorenz扰动量对步骤c中的短期风速初步预测结果进行补偿修正，得到风速序列及其对应的扰动序列的样本数据；
e.借助灰色生成理论及多项式累加生成模型对步骤d中的风速和扰动变量进行拟合，并建立最优扰动模型；
f.参照步骤d中建立的扰动模型，分别利用其它瑞利数的Lorenz扰动量建立扰动模型；
g.利用持续法模型、BP模型及其相对应的风速扰动模型分别进行风速预测，预测过程中采用的风速扰动补偿公式为：
W＝WIP-IAGOD
式中W表示经扰动补偿后的风速预测结果，WIP表示利用BP网络模型对预测时间段内的风速进行初步预测的结果，IAGOD表示对扰动模型输出值的累减生成处理；
h.引入误差指标对扰动模型的有效性及风速预测水平进行评价。
上述基于灰色生成扰动模型的短期风速预测方法，数值求解Lorenz方程时，(x,y,z)的初始值均设为(0,1,0)，固定参数σ和b的取值为10，8/3，瑞利数r的几次取值分别为0.7，12，16，45。
上述基于灰色生成扰动模型的短期风速预测方法，采用灰色生成理论及多项式累加生成模型对步骤d中的风速和扰动变量进行拟合分析并建立最优扰动模型的具体方法如下：
①定义风速数据和扰动序列的相关系数R为：
②令x(0)为原始序列
x(0)＝(x(0)(1),x(0)(2),…,x(0)(n)),
x(1)是x(0)的AGO序列，当且仅当
x(1)＝(x(1)(1),x(1)(2)，…,x(1)(n)),
并满足
y是x(0)的IAGO序列，当且仅当
y＝(y(1),y(2),…,y(n)),
并满足
y(1)＝x(0)(1),y(k)＝x(0)(k)-x(0)(k-1),k＝2,3,…,n.
根据相关系数计算公式首先计算风速序列及其对应的扰动序列间的相关性，然后对以上两个序列分别做一阶累加生成处理，得到有较强规律性的生成数据；
③选用一至五阶的多项式函数作为生成函数建立扰动模型，分析各预测模型的预测结果，其中，一阶或二阶多项式模型是最优扰动模型，在步骤f中以此为基础建立其他瑞利数条件下的最优扰动模型。
上述基于灰色生成扰动模型的短期风速预测方法，对各扰动模型的有效性及风速预测水平进行评价时选择的误差指标为平均绝对误差(MAE)和均方根误差(RMSE)，其计算公式分别表示为
其中y(t)和f(t)分别表示第t个风速的观测值和预测值，M表示预测样本数。
本发明利用灰生成技术弱化风速及扰动变量的随机性，进而建立两变量间的关系模型，即风速扰动模型。利用此扰动模型对短期风速预测结果进行扰动补偿，大大提高了风电预测的准确度，保证了电力系统的安全稳定运行。
附图说明
下面结合附图对本发明作进一步说明。
图1(a)和图1(b)分别表示Lorenz方程中初值为(0,1,0)，参数σ，r和b分别取值为10，8/3，45时的Lorenz扰动量分布和经归一化后的Lorenz扰动量分布；
图2是Sotavento风电场2014年1、2月风速分布情况；
图3是某段风速序列及其对应扰动序列的散点分布；
图4是图3中风速序列及其对应扰动序列经1-AGO处理后的数据分布；
图5是瑞利数r为45时的各阶风速扰动生成模型；
图6是瑞利数r分别为0.7，12，16和45时的最优风速扰动生成模型；
图7是瑞利数r为0.7时二次多项式生成模型的风速预测结果；
图8是瑞利数r为12时线性多项式生成模型的风速预测结果；
图9是瑞利数r为16时二次多项式生成模型的风速预测结果；
图10是瑞利数r为45时二次多项式生成模型的风速预测结果；
图11是本发明的流程图。
文中各符号为：L为Lorenz扰动量，W为经扰动补偿后的风速预测结果，WIP为利用BP网络对预测时间段内的风速进行初步预测的结果，IAGOD为对扰动模型输出值的累减生成处理，MAE为平均绝对误差，RMSE为均方根误差，y(t)为第t个风速的观测值，f(t)为第t个风速的预测值，M为预测样本数。
具体实施方式
本发明提出一种新的风电场风速预测研究方向。考虑大气系统中的非线性因素对风速变化规律的影响，并结合灰生成理论建立风速扰动模型来改进常规的风速预测方法。此发明的特征表现包括以下步骤：
步骤一：在数值求解Lorenz方程时固定初始条件和参数σ，b的取值，变动瑞利数r可得到不同形式的Lorenz吸引子：
Lorenz系统是研究非线性系统和混沌现象的经典模型，是美国气象学家E.N.Lorenz从B.Saltzman化简的七变量流体对流模型中提取出来的三变量模式。Lorenz方程可以表示为：
式中x，y和z分别表示对流强度，上升与下降流体的水平温差，垂直温差对无对流时的偏离程度，σ，r和b都是无量纲的正参数。本文中求解Lorenz方程的初始值均设为(0,1,0)，固定参数σ和b的取值为10，8/3，r分别取值为0.7，12，16，45；
步骤二：定义Lorenz扰动量形式并对扰动区间进行归一化处理：
步骤2-1：将Lorenz系统相空间中解向量的欧式范数定义为扰动量形式。令p(x,y,z)表示相空间中任意一点，则Lorenz扰动量表示为
步骤2-2：以瑞利数为45时的情形为例。如图1(a)所示，通过步骤2-1得到的Lorenz扰动量区间分布在(0,100)，这个波动范围远远大于风速波动区间，因此需要对扰动区间进行归一化处理。综合分析以往风速预测的偏差程度以及风速波动情况，扰动区间可暂定为(0,2)左右，归一化前后的Lorenz扰动分布见图1(b)；
步骤三：利用原始风速数据训练BP网络并进行短期风速初步预测；
步骤四：首先选用瑞利数为45的Lorenz扰动量对步骤三中的初步预测结果进行补偿修正，并得到风速序列及其对应的扰动序列的样本数据；
步骤五：借助灰色生成理论及多项式累加生成模型对步骤四中的风速和扰动变量进行拟合分析并建立最优扰动模型：
本实施例所使用的风速数据为Sotavento风电场2014年1、2月份每隔十分钟记录一次的风速和风向数据，其中风速分布如图2所示。
步骤5-1：在进行数据拟合之前，首先要对步骤四中得到的两组样本数据进行预处理。图3为某段风速及其对应的扰动序列的散点分布，从图中看出数据点排列散乱无规律。进一步计算其相关系数为0.1713，由此可初步判定这段风速数据和扰动序列呈现不相关关系。其中相关系数r由下式定义
步骤5-2：借助数据灰生成技术和累加生成模型进一步探索风速和扰动变量间的内在联系。
令x(0)为原始序列
x(0)＝(x(0)(1),x(0)(2),…,x(0)(n)), (4)
x(1)是x(0)的AGO序列，当且仅当
x(1)＝(x(1)(1),x(1)(2),…,x(1)(n)), (5)
并满足
y是x(0)的IAGO序列，当且仅当
y＝(y(1),y(2),…,y(n)), (7)
并满足
y(1)＝x(0)(1),y(k)＝x(0)(k)-x(0)(k-1),k＝2,3,…,n. (8)
参考式(3)-(6)的数据处理方式，对图3中风速和扰动序列分别做一阶累加生成处理，相应的生成数据分布见图4。经过累加生成处理，图3中杂乱分布的数据变换为图4中单调增长的序列，变量间相关关系变得明显且有规律，有利于进行高精度的数据拟合。
步骤5-3：根据图4中生成数据的分布规律，本发明选用不高于五阶的多项式函数作为生成函数建立扰动模型，具体建模结果如图5所示。表1为对应图5中每个扰动模型的短期风速预测结果。
步骤5-4：在利用扰动模型进行风速预测过程中采用的风速扰动补偿公式为
W＝WIP-IAGOD (9)
式中W表示经扰动补偿后的风速预测结果，WIP表示预测时间段内的风速初步预测结果，IAGOD表示对扰动模型输出值的累减生成处理；
步骤六：参照步骤五中建立的扰动模型，分别利用瑞利数为0.7，12和16的Lorenz扰动量建立扰动模型，并分别进行后续风速的短期预测验证。分析表1中实验结果可得，线性和二次生成模型的风速预测效果远远好于其他拟合形式的预测结果。因此，在步骤六中针对三种不同的扰动量形式分别建立其线性或二次扰动模型，建模结果如图6所示。；
步骤七：引入持续模型和合适的误差指标对各扰动模型的有效性及风速预测水平进行评价，具体的误差统计结果见表2。
选择合适有效的误差指标可以更加客观地评价各扰动模型的有效性和风速预测水平。本发明的误差指标采用比较常用的平均绝对误差(MAE)和均方根误差(RMSE)，其计算公式分别表示为
其中y(t)和f(t)分别表示第t个风速的观测值和预测值。M表示预测样本数。
实验结果分析
本发明利用加利西亚Sotavento风电场2014年1、2月份的风速风向数据进行短期风速预测，对本发明中提出的新方法进行验证，以下附图和表格展示了主要实验结果。
需要说明的是，下述实例结果分析仅为示范，并不是将此方法局限在以下特定应用环境当中。
通过图5可以看到从二阶多项式开始，生成函数的均方根拟合误差(RMSE)随着拟合阶数的增加而递减。图5中每一种累加生成关系都对应着一个风速扰动模型，将这些模型分别应用到同一段风速数据的预测工作并对结果进行比较分析，随着多项式生成函数阶数的增大，或者说随着生成函数复杂性的增加，其拟合效果越来越好，但与此同时会出现数据过拟合现象，降低拟合关系的泛化区间。从表1中还可得出如下结论：基于线性拟合和二次拟合的风速预测结果远远好于其他拟合形式的预测结果。
表1：基于图5中各扰动模型的Sotavento风电场2014年2月风速预测结果
当Lorenz系统中瑞利数取不同值时，Lorenz系统会发生不同形态的演化过程，其对应的实际流体运动也是形态各异。为了验证Lorenz系统对建立扰动模型的普适性，本发明将选取导致Lorenz系统出现不同形态的四个瑞利数进行建模，并用实际风速预测对所建模型进行验证。本发明中分别选取瑞利数为0.7，12，16和45。其详细建模数据见图6。表2为基于图6中四种扰动模型得到的风速预测结果。
图7-10为表2中各风速预测结果对应的风速预测曲线图。由四张图可以看到经过Lorenz扰动补偿后的风速预测更加符合实际风速波动分布，并且不同形式的Lorenz扰动量都能够对风速预测结果有显著的改善和提高。由表1和表2以及实验过程分析可知，当瑞利数大于13.97时，即Lorenz系统出现暂态混沌或者混沌状态的解时，Lorenz扰动形式更加复杂和丰富，从而更易于对初步风速预测结果进行干扰补偿。
表2：基于图6中四种扰动模型得到的风速预测结果
Claims (3)
1.一种基于灰色生成扰动模型的短期风速预测方法，其特征是，所述方法包括以下步骤：
a.求解Lorenz方程：
<mrow>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mo>-</mo>
<mi>&sigma;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>-</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mo>-</mo>
<mi>x</mi>
<mi>z</mi>
<mo>+</mo>
<mi>r</mi>
<mi>x</mi>
<mo>-</mo>
<mi>y</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mover>
<mi>z</mi>
<mo>&OverBar;</mo>
</mover>
<mo>=</mo>
<mi>x</mi>
<mi>y</mi>
<mo>-</mo>
<mi>b</mi>
<mi>z</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>,</mo>
</mrow>
式中x，y和z分别表示对流强度，上升与下降流体的水平温差，垂直温差对无对流时的偏离程度，σ，b和瑞利数r都是无量纲的正参数，
求解时固定初始条件和参数σ，b的取值，变动瑞利数r，得到不同形式的Lorenz吸引子；
b.定义Lorenz扰动量形式并对扰动区间进行归一化处理：
将Lorenz系统相空间中解向量的欧式范数定义为扰动量形式，令p(x,y,z)表示相空间中任意一点，则Lorenz扰动量表示为：
<mrow>
<mi>L</mi>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mi>p</mi>
<mo>|</mo>
<mo>|</mo>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mi>x</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>y</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>z</mi>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>.</mo>
</mrow>
对得到的扰动区间进行归一化处理；
c.利用原始风速数据训练BP网络并利用训练好的BP网络进行短期风速初步预测；
d.选用某一瑞利数的Lorenz扰动量对步骤c中的短期风速初步预测结果进行补偿修正，得到风速序列及其对应的扰动序列的样本数据；
e.借助灰色生成理论及多项式累加生成模型对步骤d中的风速和扰动变量进行拟合，并建立最优扰动模型；
f.参照步骤d中建立的扰动模型，分别利用其它瑞利数的Lorenz扰动量建立扰动模型；
g.利用持续法模型、BP模型及其相对应的风速扰动模型分别进行风速预测，预测过程中采用的风速扰动补偿公式为：
W＝WBP-IAGOD
式中W表示经扰动补偿后的风速预测结果，WBP表示利用BP网络模型对预测时间段内的风速进行初步预测的结果，IAGOD表示对扰动模型输出值的累减生成处理；
h.引入误差指标对扰动模型的有效性及风速预测水平进行评价；
求解Lorenz方程时，(x,y,z)的初始值均设为(0,1,0)，固定参数σ和b的取值为10，8/3，瑞利数r的几次取值分别为0.7，12，16，45。
2.根据权利要求1所述的基于灰色生成扰动模型的短期风速预测方法，其特征是，采用灰色生成理论及多项式累加生成模型对步骤d中的风速和扰动变量进行拟合分析、并建立最优扰动模型的具体方法如下：
①定义风速数据和扰动序列的相关系数R为：
<mrow>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>&Sigma;</mi>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msup>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msup>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<mi>&Sigma;</mi>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>x</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msup>
<mover>
<mi>x</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>y</mi>
<mo>&prime;</mo>
</msup>
<mo>-</mo>
<msup>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>&prime;</mo>
</msup>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>.</mo>
</mrow>
其中，x′表示风速，y′表示扰动量，表示平均风速值，表示平均扰动量；
②令为x(0)原始序列
x(0)＝(x(0)(1),x(0)(2),...,x(0)(n)),
x(1)是x(0)的AGO序列，当且仅当
x(1)＝(x(1)(1),x(1)(2),...,x(1)(n)),
并满足
<mrow>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<msup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mn>0</mn>
<mo>)</mo>
</mrow>
</msup>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>2</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>n</mi>
<mo>.</mo>
</mrow>
y是x(0)的IAGO序列，当且仅当
y＝(y(1),y(2),...,y(n)),
并满足
y(1)＝x(0)(1),y(k)＝x(0)(k)-x(0)(k-1),k＝2,3,...,n.，
首先计算风速序列及其对应的扰动序列间的相关性，然后对以上两个序列分别做一阶累加生成处理，得到有较强规律性的生成数据；
③选用一至五阶的多项式函数作为生成函数建立扰动模型；分析各预测模型的预测结果，其中，一阶或二阶多项式模型是最优扰动模型，在步骤f中以此为基础建立其他瑞利数条件下的最优扰动模型。
3.根据权利要求2所述的基于灰色生成扰动模型的短期风速预测方法，其特征是，对各扰动模型的有效性及风速预测水平进行评价时，选择的误差指标为平均绝对误差MAE和均方根误差RMSE，用计算公式分别表示为：
<mrow>
<mi>M</mi>
<mi>A</mi>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>T</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<mo>|</mo>
<mi>y</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>|</mo>
</mrow>
<mrow>
<mi>R</mi>
<mi>M</mi>
<mi>S</mi>
<mi>E</mi>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>M</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<mi>y</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<mi>f</mi>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中y(t)和f(t)分别表示第t个风速的观测值和预测值，M表示预测样本数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510092616.0A CN104933469B (zh) | 2015-03-02 | 2015-03-02 | 一种基于灰色生成扰动模型的短期风速预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510092616.0A CN104933469B (zh) | 2015-03-02 | 2015-03-02 | 一种基于灰色生成扰动模型的短期风速预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104933469A CN104933469A (zh) | 2015-09-23 |
| CN104933469B true CN104933469B (zh) | 2018-05-08 |
Family
ID=54120629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510092616.0A Active CN104933469B (zh) | 2015-03-02 | 2015-03-02 | 一种基于灰色生成扰动模型的短期风速预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104933469B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529713A (zh) * | 2016-11-03 | 2017-03-22 | 华北电力大学（保定） | 一种基于灰色gmdh网络组合模型的风速预测方法及系统 |
| CN107219566B (zh) * | 2017-05-02 | 2019-05-07 | 西北工业大学 | 基于gm(1,1)灰色模型的云预测和预报方法 |
| CN107358006B (zh) * | 2017-07-25 | 2021-10-22 | 华北电力大学（保定） | 一种基于主成分分析的Lorenz扰动风速预测方法 |
| CN107392379B (zh) * | 2017-07-25 | 2021-06-11 | 华北电力大学（保定） | 一种基于Lorenz扰动的时间序列风速预测方法 |
| CN108846508A (zh) * | 2018-05-30 | 2018-11-20 | 华北电力大学（保定） | 一种基于大气扰动的风速预测方法及系统 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
| CN103605902A (zh) * | 2013-12-02 | 2014-02-26 | 国家电网公司 | 微气象条件下输电线路覆冰环境影响因子评估计算方法 |
-
2015
- 2015-03-02 CN CN201510092616.0A patent/CN104933469B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
| CN103605902A (zh) * | 2013-12-02 | 2014-02-26 | 国家电网公司 | 微气象条件下输电线路覆冰环境影响因子评估计算方法 |
Non-Patent Citations (1)
| Title |
|---|
| "New Progress in Wind Prediction Based on Nonlinear Amendment";Yagang Zhang等;《2014 IEEE Fourth International Conference on Big Data and Cloud Computing》;20141205;第599-603页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104933469A (zh) | 2015-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104933469B (zh) | 一种基于灰色生成扰动模型的短期风速预测方法 | |
| Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
| CN107732970B (zh) | 一种新能源并网电力系统的静态安全概率评估方法 | |
| CN103390202B (zh) | 一种基于相似数据选取的光伏电站输出功率预测方法 | |
| Asghar et al. | Estimation of wind speed probability distribution and wind energy potential using adaptive neuro-fuzzy methodology | |
| CN107394809B (zh) | 基于风速时间周期特征的风电并网系统风险评估方法 | |
| Kassa et al. | A GA-BP hybrid algorithm based ANN model for wind power prediction | |
| CN103473393B (zh) | 一种考虑随机概率的输电裕度控制模型建模方法 | |
| CN103258142A (zh) | 基于天气模式的风电场短期风速预测方法 | |
| CN104794325A (zh) | 一种基于随机差分方程的集群风电场出力时序模拟方法 | |
| CN103077300A (zh) | 一种基于二型模糊逻辑的分布式光伏电源发电量预测方法 | |
| Khamees et al. | Stochastic modeling for wind energy and multi-objective optimal power flow by novel meta-heuristic method | |
| CN105634018A (zh) | 一种基于随机响应面法和内点法的含风电随机最优潮流求解方法 | |
| CN104951654A (zh) | 基于控制变量抽样的大规模风电场可靠性评估方法 | |
| CN104346659A (zh) | 应用于高倍聚光光伏发电系统的短期发电量预测方法 | |
| Kuan et al. | Short-term CHP heat load forecast method based on concatenated LSTMs | |
| CN114123313A (zh) | 一种时序生产模拟新能源电力系统消纳方法 | |
| CN103632314A (zh) | 基于概率统计的广义节点特征建模方法 | |
| CN104504466B (zh) | 考虑大气扰动效应的风电场功率预测方法 | |
| Chen et al. | Research on medium-long term power load forecasting method based on load decomposition and big data technology | |
| CN103473461B (zh) | 基于数据特征提取的风功率预测误差估计方法 | |
| Han et al. | The study of wind power combination prediction | |
| Chen et al. | Comparison of simulation methods of spatially correlated wind speeds | |
| Wang et al. | A novel structure adaptive grey seasonal model with data reorganization and its application in solar photovoltaic power generation prediction | |
| Kehe et al. | Research of wind power prediction model based on RBF neural network |
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 |