CN105260789A - 一种面向风电功率超短期预测的风电数据时间尺度优选方法 - Google Patents
一种面向风电功率超短期预测的风电数据时间尺度优选方法 Download PDFInfo
- Publication number
- CN105260789A CN105260789A CN201510611842.5A CN201510611842A CN105260789A CN 105260789 A CN105260789 A CN 105260789A CN 201510611842 A CN201510611842 A CN 201510611842A CN 105260789 A CN105260789 A CN 105260789A
- Authority
- CN
- China
- Prior art keywords
- wind
- data
- prediction
- wind power
- 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
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风力发电技术领域,针对当前实际获取的风电数据涉及多种时间尺度,如何选取合理的时间尺度来处理相关风电功率预测问题,提出了一种面向风电功率超短期预测的风电数据时间尺度优选方法,其特点是,包括:建立预测误差分析的指标模型、构建风电数据的优度指标模型和对构建风电数据时间尺度的优选步骤,通过对不同时间尺度风电数据复杂度和风电功率预测效果的量化对比分析,确定用于风电功率预测的最优时间尺度,能够使所使用的数据准确合理。
Description
技术领域
本发明涉及风力发电技术领域,是一种面向风电功率超短期预测的风电数据时间尺度优选方法。
背景技术
我国已进入风电大规模并网发电阶段,共投建了8个巨型风电基地,风电并网规模大、穿透率高已成为其典型特征。由于风的不确定性、间歇性等因素,使风力发电不能像常规发电方式一样具有良好的可预测性和可控性,当风电功率接入电网进行消纳和传输时,会对电网产生不利影响。因此,电网调度部门希望能够准确把握风电特性进而制定出相应调度方案,以减小大规模风电并网对电网运行不利影响的程度。
基于风电实测数据的分析能够为调度方案的制定提供重要依据。利用风速、风电功率的实测数据可以得到风电场的功率曲线,可用于评估过去时段内风电场运行状态或预测风电场未来的运行状态。
实际获取到的风电数据常常涉及到多种时间尺度,如风电场机组录波装置、SCADA系统等可以采集到ms级、s级、min级及以上时间尺度的风电数据;而电网调度通常基于15min、4h等时间尺度制定日调度计划。使用不同时间尺度的风电数据有各自优缺点:短时间尺度更能反映波动的细节、包含信息量丰富,但数据结构复杂,数据量大,坏数据多,处理耗时;长时间尺度对趋势性分析更有效,数据结构相对简单、数据处理速度较快,但细节反映度低,可能忽略有分析价值的数据。
对于研究不同特定风电并网相关问题时,涉及调度、规划等,应采用何种时间尺度的风电数据最为有效合理,迄今未见有关报道和实际应用。
发明内容
本发明所要解决的技术问题是:针对如何选取合理时间尺度的风电数据用于相关风电功率预测问题,提出一种面向风电功率超短期预测的风电数据时间尺度优选方法,该方法通过构建优度指标来综合分析不同时间尺度风电数据对应的预测精度及数据的复杂程度,进而确定最优时间尺度用于风电功率预测。
解决其技术问题采用的方案是:一种面向风电功率超短期预测的风电数据时间尺度优选方法,其特征是,以预测误差分析的指标模型为基础,通过构建优度指标来综合分析不同时间尺度风电数据对应的预测精度及数据的复杂程度,确定最优时间尺度的风电数据用于风电功率预测,具体包括以下步骤:
1)建立预测误差分析的指标模型
为评估风电预测的精度,需对预测结果和实际功率值序列进行对比,并计算相应指标值来量化分析预测的效果,采用均方根误差(RMSE)、预测误差、平均百分比误差(MAPE)、合格率、准确率,
其中,均方根误差的模型为:
式中,Cap是风电场装机容量,一个预测序列包含N个元素,yi是第i个实际功率值,yi *是第i个预测值,
Bk表示对第k个功率序列预测的误差,由于在特定的时间段内,时间尺度的不同会使实验数据的个数不同,故Bk含有的元素个数也不相同,每个元素值表示一个点对点的预测误差,设Bk=[bk1,bk2,…,bkj,…,bknk],则
根据关于风电功率预测精度的规定,RMSE的指标值应不大于20%;预测的最大误差不超过25%,即bkj的取值要不小于75%;
合格率、准确率是参考指标,用zk表示第k序列预测的准确率:
用hk表示第k序列预测的合格率,计算准确率时要涉及预测误差的计算结果,设
则hk的数学模型是:
平均百分比误差的计算公式为:
引入上述的误差分析指标模型,用于量化表达不同时间尺度的风电数据用于风电功率预测时的预测效果;
2)构建风电数据的优度指标模型
风电数据是风电功率波动特性的直观表达,同一时间段不同时间尺度的风电数据维数和坏数据含量不同,即数据的复杂程度不同,复杂程度作为抽象概念,用具体的数值大小来量化表达,预测程序的运行时间就是表达方式之一,当一个时间尺度的风电数据用于风电功率预测时,数据维数的大小和预测程序时间复杂度成正比,进而实现从数据维数的角度表达复杂程度,由于坏数据的含量又会直接影响预测误差指标值,因此应同时计及预测误差和程序运行时间来综合考虑一种时间尺度的风电数据的预测效果和复杂程度,建立优度指标I来量化不同时间尺度风电数据作为风电功率预测的合适程度。对第k个功率序列,优度指标I的数学模型定义为:
式中,参量hk,zk、(100%-MAPE)用于评价预测效果;etime表示基于相同预测方法和硬件平台的预测程序运行时间,基于多次实验结果确定对于时间尺度在6s-30min的风电数据用于风电功率预测时,参量hk,zk、(100%-MAPE)、1/etime的取值范围为(0,1),故参量hk,zk、(100%-MAPE)、1/etime的取值的数量级相近,使模型避免被单一参量误导,
考虑到风电场功率预测的最大误差不应超过25%,预测结果的均方根误差应小于20%,因此当预测均方根误差值大于0.2或skj=0时,令对应功率序列的I值为零,即此时间尺度的功率序列不适合用于风电功率预测;I值越大,表示对应的时间尺度风电数据的预测误差小且复杂程度低,适合用于风电功率预测;
3)构建风电数据时间尺度的优选
基于上述预测误差指标值和优度指标I,构建风电数据时间尺度的优选核心内容按顺序包括:
(1)获得一系列时间尺度对应的风电数据序列P1,P2,…,Pm;
(2)进行m次风电功率预测,返回m个均方根误差指标值:R1,R2,…,Rm;
(3)判断任意Ri和20%的大小关系,删除大于20%的Ri值对应的数据序列Pi,更新功率序列,若此时剩余n个数据序列,则本过程共删除(m-n)个均方根误差大于20%的数据序列;
(4)计算此n个数据序列对应的预测误差B,对任意的Bk,判断Bk中所有元素和75%的大小关系,若有bkj<75%,则Bk对应的Pk被删除,若此时剩余X个数据序列,则本过程共删除(n-X)个存在预测误差大于25%的功率序列;
(5)计算此X个功率序列的其它指标值:准确率z1,z2,…,zX;合格率h1,h2,…,hX;程序运行时间etime1,etime2,…,etimeX;优度指标I1,I2,…,IX以及X个平均相对误差(MAPE)的值;
(6)将I1,I2,…,IX按大小关系进行排列,寻找到最大的指标值Ij(j∈[1,X]),返回Ij对应的数据序列Pj,则Pj为用于风电功率预测的最优数据序列。
本发明的一种面向风电功率超短期预测的风电数据时间尺度优选方法是针对如何选取合理时间尺度的风电数据用于相关风电功率预测问题,通过构建优度指标来综合分析不同时间尺度风电数据对应的预测精度及数据的复杂程度,进而确定最优时间尺度用于风电功率预测。具有方法科学合理,适用性强,预测精度高等优点。能够使所使用的数据准确合理。
附图说明
图1为一种面向风电功率超短期预测的风电数据时间尺度优选方法原理图;
图2为基于6s时间尺度的风电功率预测效果对比图;
图3为基于1min时间尺度的风电功率预测效果对比图;
图4为基于5min时间尺度的风电功率预测效果对比图;
图5为基于15min时间尺度的风电功率预测效果对比图;
图6为基于30min时间尺度的风电功率预测效果对比图。
具体实施方式
下面利用附图和实施例对本发明一种面向风电功率超短期预测的风电数据时间尺度优选方法作进一步说明。
本发明的一种面向风电功率超短期预测的风电数据时间尺度优选方法,其特征是,以预测误差分析的指标模型为基础,通过构建优度指标来综合分析不同时间尺度风电数据对应的预测精度及数据的复杂程度,确定最优时间尺度的风电数据用于风电功率预测,具体包括以下步骤:
1)建立预测误差分析的指标模型
为评估风电预测的精度,需对预测结果和实际功率值序列进行对比,并计算相应指标值来量化分析预测的效果,采用均方根误差(RMSE)、预测误差、平均百分比误差(MAPE)、合格率、准确率,
其中,均方根误差的模型为:
式中,Cap是风电场装机容量,一个预测序列包含N个元素,yi是第i个实际功率值,yi *是第i个预测值,
Bk表示对第k个功率序列预测的误差,由于在特定的时间段内,时间尺度的不同会使实验数据的个数不同,故Bk含有的元素个数也不相同,每个元素值表示一个点对点的预测误差,设Bk=[bk1,bk2,…,bkj,…,bknk],则
根据关于风电功率预测精度的规定,RMSE的指标值应不大于20%;预测的最大误差不超过25%,即bkj的取值要不小于75%;
合格率、准确率是参考指标,用zk表示第k序列预测的准确率:
用hk表示第k序列预测的合格率,计算准确率时要涉及预测误差的计算结果,设
则hk的数学模型是:
平均百分比误差的计算公式为:
引入上述的误差分析指标模型,用于量化表达不同时间尺度的风电数据用于风电功率预测时的预测效果;
2)构建风电数据的优度指标模型
风电数据是风电功率波动特性的直观表达,同一时间段不同时间尺度的风电数据维数和坏数据含量不同,即数据的复杂程度不同,复杂程度作为抽象概念,用具体的数值大小来量化表达,预测程序的运行时间就是表达方式之一,当一个时间尺度的风电数据用于风电功率预测时,数据维数的大小和预测程序时间复杂度成正比,进而实现从数据维数的角度表达复杂程度,由于坏数据的含量又会直接影响预测误差指标值,因此应同时计及预测误差和程序运行时间来综合考虑一种时间尺度的风电数据的预测效果和复杂程度,建立优度指标I来量化不同时间尺度风电数据作为风电功率预测的合适程度。对第k个功率序列,优度指标I的数学模型定义为:
式中,参量hk,zk、(100%-MAPE)用于评价预测效果;etime表示基于相同预测方法和硬件平台的预测程序运行时间,基于多次实验结果确定对于时间尺度在6s-30min的风电数据用于风电功率预测时,参量hk,zk、(100%-MAPE)、1/etime的取值范围为(0,1),故参量hk,zk、(100%-MAPE)、1/etime的取值的数量级相近,使模型避免被单一参量误导,
考虑到风电场功率预测的最大误差不应超过25%,预测结果的均方根误差应小于20%,因此当预测均方根误差值大于0.2或skj=0时,令对应功率序列的I值为零,即此时间尺度的功率序列不适合用于风电功率预测;I值越大,表示对应的时间尺度风电数据的预测误差小且复杂程度低,适合用于风电功率预测;
3)构建风电数据时间尺度的优选
基于上述预测误差指标值和优度指标I,构建风电数据时间尺度的优选核心内容按顺序包括:
(1)获得一系列时间尺度对应的风电数据序列P1,P2,…,Pm;
(2)进行m次风电功率预测,返回m个均方根误差指标值:R1,R2,…,Rm;
(3)判断任意Ri和20%的大小关系,删除大于20%的Ri值对应的数据序列Pi,更新功率序列,若此时剩余n个数据序列,则本过程共删除(m-n)个均方根误差大于20%的数据序列;
(4)计算此n个数据序列对应的预测误差B,对任意的Bk,判断Bk中所有元素和75%的大小关系,若有bkj<75%,则Bk对应的Pk被删除,若此时剩余X个数据序列,则本过程共删除(n-X)个存在预测误差大于25%的功率序列;
(5)计算此X个功率序列的其它指标值:准确率z1,z2,…,zX;合格率h1,h2,…,hX;程序运行时间etime1,etime2,…,etimeX;优度指标I1,I2,…,IX以及X个平均相对误差(MAPE)的值;
(6)将I1,I2,…,IX按大小关系进行排列,寻找到最大的指标值Ij(j∈[1,X]),返回Ij对应的数据序列Pj,则Pj为用于风电功率预测的最优数据序列。
具体实施例:
本实施例将基于某风电场实测数据进行算例分析,以24h内实际风速、功率数据为样本数据,样本数据每6s/点。分别取相邻的两点时间间隔为6s、1min、5min、15min、30min的风电数据形成数据序列,并使用支持向量机(svm)法完成风电功率预测。取前12h的数据作为模型输入的样本数据,后12h的数据用于预测结果的测试。
图2-图6分别为6s、1min、5min、15min、30min时间尺度下的风电功率预测效果对比图。在上述时间尺度下,风电功率预测值主要出现在实际功率值附近±3%、±4%、±5%、±12%、±20%的偏差范围内,预测精度逐渐下降。时间尺度由6s逐渐增大至30min时,样本点个数由14400个点减少至48个点,大部分风电功率短时快速波动被忽略,使预测模型处于欠学习状态,同时样本点的减少导致长时间尺度风电数据不能完整地描述风电功率波动情况,进而导致风电功率预测效果变差。
下表给出五种时间尺度的风电功率预测误差指标值及优度指标I的情况。
表1不同时间尺度的预测误差对比
上表数据表明,随着样本数据时间尺度的增大,风电功率预测的准确率、合格率和计算时间的值下降,而平均百分比误差(MAPE)、优度指标I的值上升。
对比分析不同时间尺度的预测误差指标值后可知,15min的风电数据复杂程度低,预测误差符合要求,并且对应最高优度指标值(为3.1975),是最适合用于风电功率预测的风电数据时间尺度。
本发明实施例中的计算条件、图例、表等仅用于对本发明作进一步的说明,并非穷举,并不构成对权利要求保护范围的限定,本领域技术人员根据本发明实施例获得的启示,不经过创造性劳动就能够想到其它实质上等同的替代,均在本发明保护范围内。
Claims (1)
1.一种面向风电功率超短期预测的风电数据时间尺度优选方法,其特征是,以预测误差分析的指标模型为基础,通过构建优度指标来综合分析不同时间尺度风电数据对应的预测精度及数据的复杂程度,确定最优时间尺度的风电数据用于风电功率预测,具体包括以下步骤:
1)建立预测误差分析的指标模型
为评估风电预测的精度,需对预测结果和实际功率值序列进行对比,并计算相应指标值来量化分析预测的效果,采用均方根误差(RMSE)、预测误差、平均百分比误差(MAPE)、合格率、准确率,
其中,均方根误差的模型为:
式中,Cap是风电场装机容量,一个预测序列包含N个元素,yi是第i个实际功率值,yi *是第i个预测值,
Bk表示对第k个功率序列预测的误差,由于在特定的时间段内,时间尺度的不同会使实验数据的个数不同,故Bk含有的元素个数也不相同,每个元素值表示一个点对点的预测误差,设 则
根据关于风电功率预测精度的规定,RMSE的指标值应不大于20%;预测的最大误差不超过25%,即bkj的取值要不小于75%;
合格率、准确率是参考指标,用zk表示第k序列预测的准确率:
用hk表示第k序列预测的合格率,计算准确率时要涉及预测误差的计算结果,设
则hk的数学模型是:
平均百分比误差的计算公式为:
引入上述的误差分析指标模型,用于量化表达不同时间尺度的风电数据用于风电功率预测时的预测效果;
2)构建风电数据的优度指标模型
风电数据是风电功率波动特性的直观表达,同一时间段不同时间尺度的风电数据维数和坏数据含量不同,即数据的复杂程度不同,复杂程度作为抽象概念,用具体的数值大小来量化表达,预测程序的运行时间就是表达方式之一,当一个时间尺度的风电数据用于风电功率预测时,数据维数的大小和预测程序时间复杂度成正比,进而实现从数据维数的角度表达复杂程度,由于坏数据的含量又会直接影响预测误差指标值,因此应同时计及预测误差和程序运行时间来综合考虑一种时间尺度的风电数据的预测效果和复杂程度,建立优度指标I来量化不同时间尺度风电数据作为风电功率预测的合适程度。对第k个功率序列,优度指标I的数学模型定义为:
式中,参量hk,zk、(100%-MAPE)用于评价预测效果;etime表示基于相同预测方法和硬件平台的预测程序运行时间,基于多次实验结果确定对于时间尺度在6s-30min的风电数据用于风电功率预测时,参量hk,zk、(100%-MAPE)、1/etime的取值范围为(0,1),故参量hk,zk、(100%-MAPE)、1/etime的取值的数量级相近,使模型避免被单一参量误导,
考虑到风电场功率预测的最大误差不应超过25%,预测结果的均方根误差应小于20%,因此当预测均方根误差值大于0.2或skj=0时,令对应功率序列的I值为零,即此时间尺度的功率序列不适合用于风电功率预测;I值越大,表示对应的时间尺度风电数据的预测误差小且复杂程度低,适合用于风电功率预测;
3)构建风电数据时间尺度的优选
基于上述预测误差指标值和优度指标I,构建风电数据时间尺度的优选核心内容按顺序包括:
(1)获得一系列时间尺度对应的风电数据序列P1,P2,…,Pm;
(2)进行m次风电功率预测,返回m个均方根误差指标值:R1,R2,…,Rm;
(3)判断任意Ri和20%的大小关系,删除大于20%的Ri值对应的数据序列Pi,更新功率序列,若此时剩余n个数据序列,则本过程共删除(m-n)个均方根误差大于20%的数据序列;
(4)计算此n个数据序列对应的预测误差B,对任意的Bk,判断Bk中所有元素和75%的大小关系,若有bkj<75%,则Bk对应的Pk被删除,若此时剩余X个数据序列,则本过程共删除(n-X)个存在预测误差大于25%的功率序列;
(5)计算此X个功率序列的其它指标值:准确率z1,z2,…,zX;合格率h1,h2,…,hX;程序运行时间etime1,etime2,…,etimeX;优度指标I1,I2,…,IX以及X个平均相对误差(MAPE)的值;
(6)将I1,I2,…,IX按大小关系进行排列,寻找到最大的指标值Ij(j∈[1,X]),返回Ij对应的数据序列Pj,则Pj为用于风电功率预测的最优数据序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510611842.5A CN105260789B (zh) | 2015-09-24 | 2015-09-24 | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510611842.5A CN105260789B (zh) | 2015-09-24 | 2015-09-24 | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105260789A true CN105260789A (zh) | 2016-01-20 |
CN105260789B CN105260789B (zh) | 2018-12-11 |
Family
ID=55100468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510611842.5A Active CN105260789B (zh) | 2015-09-24 | 2015-09-24 | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105260789B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709819A (zh) * | 2017-01-04 | 2017-05-24 | 云南电网有限责任公司大理供电局 | 一种风电场功率预测综合评价方法 |
CN110265996A (zh) * | 2019-02-26 | 2019-09-20 | 国网吉林省电力有限公司 | 一种适于光伏/风电功率预测的时间特征尺度建模方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065049A (zh) * | 2012-12-28 | 2013-04-24 | 东北电力大学 | 一种基于coif5小波实时分解的风电功率实时预测计算方法 |
CN104182803A (zh) * | 2014-08-13 | 2014-12-03 | 东北电力大学 | 风电数据预处理方法及风电功率预测方法和系统 |
CN104933489A (zh) * | 2015-06-29 | 2015-09-23 | 东北电力大学 | 基于自适应神经模糊推理系统的风电功率实时高精度预测方法 |
-
2015
- 2015-09-24 CN CN201510611842.5A patent/CN105260789B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065049A (zh) * | 2012-12-28 | 2013-04-24 | 东北电力大学 | 一种基于coif5小波实时分解的风电功率实时预测计算方法 |
CN104182803A (zh) * | 2014-08-13 | 2014-12-03 | 东北电力大学 | 风电数据预处理方法及风电功率预测方法和系统 |
CN104933489A (zh) * | 2015-06-29 | 2015-09-23 | 东北电力大学 | 基于自适应神经模糊推理系统的风电功率实时高精度预测方法 |
Non-Patent Citations (4)
Title |
---|
Y.WANG ETC.: "Research on applicability of ultra-short term wind power forecasting models", 《RENEWABLE POWER GENERATION CONFERENCE》 * |
江岳文 等: "结合风电功率超短期预测值偏差的", 《电力自动化设备》 * |
王魁 等: "含大规模风电的电力系统多时间尺度", 《电网技术》 * |
薛禹胜 等: "关于短期及超短期风电功率预测的评述", 《电力系统自动化》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709819A (zh) * | 2017-01-04 | 2017-05-24 | 云南电网有限责任公司大理供电局 | 一种风电场功率预测综合评价方法 |
CN106709819B (zh) * | 2017-01-04 | 2021-05-04 | 云南电网有限责任公司大理供电局 | 一种风电场功率预测综合评价方法 |
CN110265996A (zh) * | 2019-02-26 | 2019-09-20 | 国网吉林省电力有限公司 | 一种适于光伏/风电功率预测的时间特征尺度建模方法 |
CN110265996B (zh) * | 2019-02-26 | 2023-04-07 | 国网吉林省电力有限公司 | 一种适于光伏/风电功率预测的时间特征尺度建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105260789B (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Papavasiliou et al. | Reserve requirements for wind power integration: A scenario-based stochastic programming framework | |
CN112700027B (zh) | 用于电功率预测模型的多精度指标综合评价方法及系统 | |
CN104794206B (zh) | 一种变电站数据质量评价系统及方法 | |
CN105654207A (zh) | 基于风速、风向信息的风电功率预测方法 | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN103545832A (zh) | 一种基于发电预测误差的光伏系统储能容量配置方法 | |
CN102509027B (zh) | 一种基于交叉熵理论的风电功率组合预测方法 | |
CN103150635B (zh) | 电力设备运维方法 | |
CN103295081A (zh) | 基于bp神经网络的电力系统负荷预测方法 | |
CN104252649A (zh) | 一种计及多风电场相关性的区域风电出力预测方法 | |
CN109978242A (zh) | 基于统计升尺度的光伏发电集群功率预测方法及装置 | |
CN104978608A (zh) | 一种风电功率预测装置及预测方法 | |
CN108183512A (zh) | 一种接入新能源的电力系统的可靠性评估方法 | |
CN103996079B (zh) | 一种基于条件概率的风电功率加权预测方法 | |
CN107145707A (zh) | 一种计及光伏出力不确定性和全寿命周期成本的配电网变压器规划方法 | |
LaBonte et al. | Standardized cost and performance reporting for marine and hydrokinetic technologies | |
CN101414317A (zh) | 一种处理风电场静态功率等值分散性问题的等效风速法 | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
Yan et al. | A robust probabilistic wind power forecasting method considering wind scenarios | |
CN103577647A (zh) | 一种汽轮机及其调速系统模型的评估分析方法及装置 | |
CN101685964B (zh) | 基于大规模并行处理的在线调度辅助决策方法和系统 | |
Shendryk et al. | Decision Support System for Efficient Energy Management of MicroGrid with Renewable Energy Sources | |
CN105260789A (zh) | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 | |
CN111476411B (zh) | 一种光伏电站发电量计算方法及服务器 |
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 |