CN105631550A - 一种短时风电功率的组合预测方法 - Google Patents
一种短时风电功率的组合预测方法 Download PDFInfo
- Publication number
- CN105631550A CN105631550A CN201511017696.XA CN201511017696A CN105631550A CN 105631550 A CN105631550 A CN 105631550A CN 201511017696 A CN201511017696 A CN 201511017696A CN 105631550 A CN105631550 A CN 105631550A
- Authority
- CN
- China
- Prior art keywords
- wind power
- sequence
- model
- residual
- data
- 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
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及风电技术领域,具体地来讲为一种短时风电功率的组合预测方法。基于灰色系统与最小二乘支持向量机,其特征在于,包括以下步骤:对原始风电功率数据进行预处理,进行灰色预测,得到残差序列,然后用最小二乘支持向量机模型对残差序列进行预测,得到新的残差值;选择核函数,采用交叉验证的方法确定最小二乘支持向量机的回归参数:得到数据集之后,选择径向基函数作为核函数,包含宽度参数、二次规划的优化参数;构造组合预测模型;输入数据集,生成预测函数;进行预测误差评价分析。通过上述方法提高预测精确性和速度。
Description
技术领域
本发明涉及风电技术领域,具体地来讲为一种短时风电功率的组合预测方法。
背景技术
风功率预测/风电场功率预测WPP(WindPowerPrediction)(也有一些国内专业杂志称为WindEnergyPrediction)风功率预测是指风电场风力发电机发电功率预测。
风电场是利用在某个通过预测的坐标范围内,几座或者更换多的经过科学测算,按照合理距离安装的风力发电机,利用可控范围内的风能所产生的电力来实现运行供电。
由于风是大气压力差引起的空气流动所产生的,风向和风力的大小时刻都在变化。因而,风力发电具有波动性、间歇性和随机性的特点。
这些特点所导致的风电场功率波动,会对地区电网整体运行产生影响,进而会影响到整个地区总网内的电压稳定。因此,当风力发电场,特别是大容量风力发电场接入电网时,就会给整个电力系统的安全、稳定运行带来一定的隐患。同时,这些波动性、间歇性和随机性的特点,也会严重影响风机的发电效率和使用寿命。
发明内容
本发明所要解决的技术问题在于提供一种短时风电功率的组合预测方法,提高预测精确性和速度。
本发明是这样实现的,
一种短时风电功率的组合预测方法,基于灰色系统与最小二乘支持向量机,包括以下步骤:
步骤1:对原始风电功率数据进行预处理,进行灰色预测,得到残差序列,然后用最小二乘支持向量机模型对残差序列进行预测,得到新的残差值;
步骤2:选择核函数,采用交叉验证的方法确定最小二乘支持向量机的回归参数:得到数据集之后,选择径向基函数作为核函数,包含宽度参数、二次规划的优化参数;
步骤3:构造组合预测模型;
步骤4:输入步骤2的数据集,生成预测函数;
步骤5:进行预测误差评价分析。
进一步地:
步骤1中进行最小二乘支持向量机训练,对训练的数据进行数据归一化预处理,生成数据集并分组,即把样本数据转化为0~1之间的数据。
进一步地:
步骤1包括:通过风电检测系统得到原始据序列为:
X(0)={x(0)(1),x(0)(2),...,x(0)(n)}
其中X(0)为风电功率序列,x(0)(k)为风电功率数据,且x(0)(k)≥0,k=1,2,…n对原始风电功率的累加得到具有一定规律的新序列:
X(1)={x(1)(1),x(1)(2),...,x(1)(k)}其中X(1)为X(0)的1-AGO序列,且
通过灰色模型GM(1,1)的白化微分方程得出x(0)(k+1)+az(1)(k+1)=u,k=1,2,...,n-1,其中为dx(1)的导数;dx(1)为的背景值;z(1)(k+1)为背景值序列;a,u为参数,根据新序列X(1),得到背景值时间序列Z(1)={z(1)(2),z(1)(3),...,z(1)(n)},对背景值进行修正优化,得到:
其中Z(1)为背景值时间序列,z(1)(k),k=2,3,…,n为背景值,x(1)的预测公式为:
其中为发展系数,为灰色作用量,对灰色模型GM(1,1)进行残差修正:通过原始风电功率序列X(0)建立的灰色模型GM(1,1)求得累加序列X(1)的预测序列为:
其中为1-AGO序列X(1)的预测序列,为具体预测值;
定义用于修正的残差为:
用于修正的残差序列为:
e(0)={e(0)(1),e(0)(2),…,e(0)(n)}
其中e(0)为修正的残差序列,e(0)(k),k=1,2,…,n为残差值,
则可对残差序列e(0)建立相应的灰色模型GM(1,1):
其中为残差的预测值,ae和μeμe为参数,将其导数加到原始风电功率序列的灰色模型GM(1,1)中得到修正模型: 其中,
对进行累减还原,则x(0)的预测公式为:
其中 为原始交风电功率数据的预测值,
由原始风电功率数据和预测的风电功率数据得到待训练残差序列为:
ε(0)={ε(0)(1),ε(0)(2),…,ε(0)(n)}
其中ε(0)为待训练的残差序列,ε(0)(k)为具体的残差值,且
进一步地:
包括:对数据进行线性归一化处理:
其中xmin和xmax分别为风电功率的最小值和最大值,xt为风电功率值,xt′为归一化处理后的风电功率。
进一步地:
步骤2具体包括:构造最小二乘支持向量机预测模型:
在最小二乘支持向量机模型中假设训练样本集为(xk,yk)
其中k=1,2,…,n,xk∈Rn是输入向量,yk∈R是相应的输出,
根据最小二乘支持向量机的相关理论,输入空间Rn通过非线性函数被映射到一个高维特征空间H,利用高维特征空间的线性函数:
来估计未知的非线性函数,其中w∈H.b∈R是待确定的参数,
根据结构风险最小化原理,将回归问题转化为约束优化问题:
其中目标函数的第1项对应于模型的泛化能力,而第2项代表了模型的精确性,正常数γ是模型泛化能力和精度之间的一个折中参数,ek∈R是第k个数据的实际输出和预测输出之间的误差,
引入拉格朗日函数:
式中αk∈R为Lagrange乘子,根据KKT最优条件消去w和ek,得到线性方程如下
其中,y=[y1;…;yn],Iv T=[1;…;1],α=[α1;…;αn],
解线性方程组得到用于函数估计的最小二乘支持向量机模型如下:
进一步地:
步骤3具体包括:通过灰色模型GM(1,1)对电量序列
X(0)={x(0)(1),x(0)(2),…,x(0)(n)}
进行预测,得到一组残差序列然后用最小二乘支持向量机模型对残差ε(0)(k)进行预测,得预测值因此模型最终预测值为Vpredict(k)为:
其中为原始序列的灰色预测值,为最小二乘支持向量机模型预测的残差预测值。
进一步地:
步骤4中:根据风电功率的时间序列变化规律,风场中的风电功率与前几个时段的风电功率有着必然的联系,利用风场前几个时段的风电功率数据序列去预测未来时段的交通流量,用如下式子描述组合模型:
设x(0)(k)为风场第k时刻的风电功率,x(0)(k-1)为风场上第k-1时刻的风电功率,采用当前时间段和前s个时间段的风电功率对未来时间段的风电功率进行预测将x(0)(k),x(0)(k-1),…,x(0)(k-s)作为k时刻的输入数据集,x(0)(k+1)作为样本的预测值。
本发明与现有技术相比,有益效果在于:本发明解决当风力发电场,特别是大容量风力发电场接入电网时,就会给整个电力系统的安全、稳定运行带来一定的隐患。同时,这些波动性、间歇性和随机性的特点,也会严重影响风机的发电效率和使用寿命的问题,提高了提高预测精确性和速度。
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,以下结合实施例,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例仅仅用以解释本发明,并不用于限定本发明。
本发明提出了一种对原始风电功率数据进行预处理基于灰色系统与最小二乘支持向量机,进行灰色预测,得到残差序列,然后用最小二乘支持向量机模型(LSSVM)对残差序列进行预测,得到新的残差值,具体过程为:通过风电检测系统得到原始据序列为:
X(0)={x(0)(1),x(0)(2),...,x(0)(n)}
其中X(0)为风电功率序列,x(0)(k)为风电功率数据,且x(0)(k)≥0,k=1,2,…n对原始风电功率的累加得到具有一定规律的新序列:
X(1)={x(1)(1),x(1)(2),...,x(1)(k)}其中X(1)为X(0)的1-AGO序列,且
通过灰色模型GM(1,1)的白化微分方程可以得出x(0)(k+1)+az(1)(k+1)=u,k=1,2,...,n-1,其中为dx(1)的导数;dx(1)为的背景值;z(1)(k+1)为背景值序列;a,u为参数,根据新序列X(1),得到背景值时间序列Z(1)={z(1)(2),z(1)(3),...,z(1)(n)},这里对背景值进行修正优化,即
其中Z(1)为背景值时间序列,z(1)(k),k=2,3,…,n为背景值,因此x(1)的预测公式为:
其中为发展系数,为灰色作用量,为了提高模型的预测精度,对灰色模型GM(1,1)进行残差修正:通过原始风电功率序列X(0)建立的灰色模型GM(1,1)可以求得累加序列X(1)的预测序列为:
其中为1-AGO序列X(1)的预测序列,为具体预测值,
定义用于修正的残差为:
用于修正的残差序列为:
e(0)={e(0)(1),e(0)(2),…,e(0)(n)}
其中e(0)为修正的残差序列,e(0)(k),k=1,2,…,n为残差值,
则可对残差序列e(0)建立相应的灰色模型GM(1,1):
其中为残差的预测值,ae和μeμe为参数,将其导数加到原始风电功率序列的灰色模型GM(1,1)中得到修正模型: 其中,
对进行累减还原,则x(0)的预测公式为:
其中 为原始交风电功率数据的预测值,
由原始风电功率数据和预测的风电功率数据得到待训练残差序列为:
ε(0)={ε(0)(1),ε(0)(2),…,ε(0)(n)}
其中ε(0)为待训练的残差序列,ε(0)(k)为具体的残差值,且
(二)进行最小二乘支持向量机训练之前,对训练的数据进行数据归一化预处理,生成数据集并分组,即把样本数据转化为0~1之间的数据,具体过程为:对数据进行线性归一化处理:
其中xmin和xmax分别为风电功率的最小值和最大值,xt为风电功率值,xt′为归一化处理后的风电功率;
(三)选择核函数,采用交叉验证的方法确定最小二乘支持向量机的回归参数:得到数据集之后,选择径向基函数作为核函数,包含宽度参数、二次规划的优化参数,具体过程为:
构造最小二乘支持向量机预测模型:
在最小二乘支持向量机模型中假设训练样本集为(xk,yk)
其中k=1,2,…,n,xk∈Rn是输入向量,yk∈R是相应的输出,
根据最小二乘支持向量机的相关理论,输入空间Rn通过非线性函数被映射到一个高维特征空间H,利用高维特征空间的线性函数:
来估计未知的非线性函数,其中w∈H.b∈R是待确定的参数,根据结构风险最小化原理,将式(2)中的回归问题转化为约束优化问题:
其中目标函数的第1项对应于模型的泛化能力,而第2项代表了模型的精确性,正常数γ是模型泛化能力和精度之间的一个折中参数,ek∈R是第k个数据的实际输出和预测输出之间的误差,
引入拉格朗日函数:
式中αk∈R为Lagrange乘子,根据KKT最优条件消去式(4)中w和ek,得到线性方程如下
其中,y=[y1;…;yn],Iv T=[1;…;1],α=[α1;…;αn],
解线性方程组(5)我们可以得到用于函数估计的最小二乘支持向量机模型如下:
(四)构造组合预测模型,具体过程为:
通过灰色模型GM(1,1)对电量序列
X(0)={x(0)(1),x(0)(2),…,x(0)(n)}
进行预测,得到一组残差序列然后用最小二乘支持向量机模型对残差ε(0)(k)进行预测,得预测值因此模型最终预测值为Vpredict(k)为:
其中为原始序列的灰色预测值,为最小二乘支持向量机模型预测的残差预测值;
(五)输入数据集,生成预测函数,具体过程为:根据风电功率的时间序列变化规律,风场中的风电功率与前几个时段的风电功率有着必然的联系,这样就可以利用风场前几个时段的风电功率数据序列去预测未来时段的交通流量,可以用如下式子描述组合模型:
设x(0)(k)为风场第k时刻的风电功率,x(0)(k-1)为风场上第k-1时刻的风电功率,采用当前时间段和前s个时间段的风电功率对未来时间段的风电功率进行预测将x(0)(k),x(0)(k-1),…,x(0)(k-s)作为k时刻的输入数据集,x(0)(k+1)作为样本的预测值;
(六)进行预测误差评价分析,如果误差较大,重新调整参数,再次进行预测,具体过程为:
采用如下三个评价标准进行误差评价分析,即:
1)平均绝对百分比误差MAPE,以%表示
2)均方根误差MSE
3)均等系数EC
均等系数表示预测值与实测值之间的拟合度,EC值的大小作为评价预测效果的重要标准之一,数值在(0,1)之间,EC>0.85被视为较好的预测,EC>0.9被视为满意的预测,EC值越高,则整体预测效果越与实际监测值接近,效果也越接近理想,其中Vreal(k)为实际风电功率,即与步骤(一)所述的x(0)(k)对应,Vpredict(k)为预测风电功率,n为预测个数。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种短时风电功率的组合预测方法,基于灰色系统与最小二乘支持向量机,其特征在于,包括以下步骤:
步骤1:对原始风电功率数据进行预处理,进行灰色预测,得到残差序列,然后用最小二乘支持向量机模型对残差序列进行预测,得到新的残差值;
步骤2:选择核函数,采用交叉验证的方法确定最小二乘支持向量机的回归参数:得到数据集之后,选择径向基函数作为核函数,包含宽度参数、二次规划的优化参数;
步骤3:构造组合预测模型;
步骤4:输入步骤2的数据集,生成预测函数;
步骤5:进行预测误差评价分析。
2.按照权利要求1所述的短时风电功率的组合预测方法,其特征在于:
步骤1中进行最小二乘支持向量机训练,对训练的数据进行数据归一化预处理,生成数据集并分组,即把样本数据转化为0~1之间的数据。
3.按照权利要求1的预测方法,其特征在于:步骤1包括:通过风电检测系统得到原始据序列为:
X(0)={x(0)(1),x(0)(2),...,x(0)(n)}
其中X(0)为风电功率序列,x(0)(k)为风电功率数据,且x(0)(k)30,k=1,2,…n对原始风电功率的累加得到具有一定规律的新序列:
X(1)={x(1)(1),x(1)(2),...,x(1)(k)}其中X(1)为X(0)的1-AGO序列,且
通过灰色模型GM(1,1)的白化微分方程得出x(0)(k+1)+az(1)(k+1)=u,k=1,2,...,n-1,其中为dx(1)的导数;dx(1)为的背景值;z(1)(k+1)为背景值序列;a,u为参数,根据新序列X(1),得到背景值时间序列Z(1)={z(1)(2),z(1)(3),...,z(1)(n)},对背景值进行修正优化,得到:
其中Z(1)为背景值时间序列,z(1)(k),k=2,3,…,n为背景值,x(1)的预测公式为:
其中为发展系数,为灰色作用量,对灰色模型GM(1,1)进行残差修正:通过原始风电功率序列X(0)建立的灰色模型GM(1,1)求得累加序列X(1)的预测序列为:
其中为1-AGO序列X(1)的预测序列,为具体预测值;
定义用于修正的残差为:
用于修正的残差序列为:
e(0)={e(0)(1),e(0)(2),…,e(0)(n)}
其中e(0)为修正的残差序列,e(0)(k),k=1,2,…,n为残差值,
则可对残差序列e(0)建立相应的灰色模型GM(1,1):
其中为残差的预测值,ae和μeμe为参数,将其导数加到原始风电功率序列的灰色模型GM(1,1)中得到修正模型: 其中,
对进行累减还原,则x(0)的预测公式为:
其中 为原始交风电功率数据的预测值,
由原始风电功率数据和预测的风电功率数据得到待训练残差序列为:
ε(0)={ε(0)(1),ε(0)(2),…,ε(0)(n)}
其中ε(0)为待训练的残差序列,ε(0)(k)为具体的残差值,且
4.按照权利要求2所述的短时风电功率的组合预测方法,其特征在于:包括:对数据进行线性归一化处理:
其中xmin和xmax分别为风电功率的最小值和最大值,xt为风电功率值,xt′为归一化处理后的风电功率。
5.按照权利要求1所述的短时风电功率的组合预测方法,其特征在于:步骤2具体包括:构造最小二乘支持向量机预测模型:
在最小二乘支持向量机模型中假设训练样本集为(xk,yk)
其中k=1,2,…,n,xk∈Rn是输入向量,yk∈R是相应的输出,
根据最小二乘支持向量机的相关理论,输入空间Rn通过非线性函数被映射到一个高维特征空间H,利用高维特征空间的线性函数:
来估计未知的非线性函数,其中w∈H,b∈R是待确定的参数,
根据结构风险最小化原理,将回归问题转化为约束优化问题:
其中目标函数的第1项对应于模型的泛化能力,而第2项代表了模型的精确性,正常数γ是模型泛化能力和精度之间的一个折中参数,ek∈R是第k个数据的实际输出和预测输出之间的误差,
引入拉格朗日函数:
式中αk∈R为Lagrange乘子,根据KKT最优条件消去w和ek,得到线性方程如下
其中,y=[y1;…;yn],Iv T=[1;…;1],α=[α1;…;αn],
解线性方程组得到用于函数估计的最小二乘支持向量机模型如下:
6.按照权利要求1所述的短时风电功率的组合预测方法,其特征在于:
步骤3具体包括:通过灰色模型GM(1,1)对电量序列
X(0)={x(0)(1),x(0)(2),...,x(0)(n)}
进行预测,得到一组残差序列 然后用最小二乘支持向量机模型对残差ε(0)(k)进行预测,得预测值因此模型最终预测值为Vpredict(k)为:
其中为原始序列的灰色预测值,为最小二乘支持向量机模型预测的残差预测值。
7.按照权利要求1所述的短时风电功率的组合预测方法,其特征在于:步骤4中:根据风电功率的时间序列变化规律,风场中的风电功率与前几个时段的风电功率有着必然的联系,利用风场前几个时段的风电功率数据序列去预测未来时段的交通流量,用如下式子描述组合模型:
设x(0)(k)为风场第k时刻的风电功率,x(0)(k-1)为风场上第k-1时刻的风电功率,采用当前时间段和前s个时间段的风电功率对未来时间段的风电功率进行预测将x(0)(k),x(0)(k-1),…,x(0)(k-s)作为k时刻的输入数据集,x(0)(k+1)作为样本的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511017696.XA CN105631550A (zh) | 2015-12-29 | 2015-12-29 | 一种短时风电功率的组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511017696.XA CN105631550A (zh) | 2015-12-29 | 2015-12-29 | 一种短时风电功率的组合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105631550A true CN105631550A (zh) | 2016-06-01 |
Family
ID=56046457
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511017696.XA Pending CN105631550A (zh) | 2015-12-29 | 2015-12-29 | 一种短时风电功率的组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105631550A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093783A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 卡尔曼滤波与数据驱动融合的电池soc估计方法 |
CN106093782A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 动态建模的最小二乘支持向量机soc估计方法 |
CN107239849A (zh) * | 2017-04-17 | 2017-10-10 | 西安电子科技大学 | 一种基于改进的指数平滑灰色模型电力负荷预测方法 |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN108667069A (zh) * | 2018-04-19 | 2018-10-16 | 河海大学 | 一种基于偏最小二乘法回归的短期风电功率预测方法 |
CN110717610A (zh) * | 2018-07-11 | 2020-01-21 | 华北电力大学(保定) | 一种基于数据挖掘的风电功率预测方法 |
CN111626476A (zh) * | 2020-04-23 | 2020-09-04 | 渤海大学 | 一种风电场风力发电量预测方法 |
-
2015
- 2015-12-29 CN CN201511017696.XA patent/CN105631550A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106093783A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 卡尔曼滤波与数据驱动融合的电池soc估计方法 |
CN106093782A (zh) * | 2016-06-03 | 2016-11-09 | 哈尔滨工业大学 | 动态建模的最小二乘支持向量机soc估计方法 |
CN107239849A (zh) * | 2017-04-17 | 2017-10-10 | 西安电子科技大学 | 一种基于改进的指数平滑灰色模型电力负荷预测方法 |
CN107783071A (zh) * | 2017-10-23 | 2018-03-09 | 盐城工学院 | 传感器故障监控方法及装置 |
CN108564204A (zh) * | 2018-03-23 | 2018-09-21 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN108564204B (zh) * | 2018-03-23 | 2022-01-07 | 西安理工大学 | 基于最大相关熵准则的最小二乘支持向量机电量预测方法 |
CN108667069A (zh) * | 2018-04-19 | 2018-10-16 | 河海大学 | 一种基于偏最小二乘法回归的短期风电功率预测方法 |
CN110717610A (zh) * | 2018-07-11 | 2020-01-21 | 华北电力大学(保定) | 一种基于数据挖掘的风电功率预测方法 |
CN110717610B (zh) * | 2018-07-11 | 2023-10-31 | 华北电力大学(保定) | 一种基于数据挖掘的风电功率预测方法 |
CN111626476A (zh) * | 2020-04-23 | 2020-09-04 | 渤海大学 | 一种风电场风力发电量预测方法 |
CN111626476B (zh) * | 2020-04-23 | 2023-04-07 | 渤海大学 | 一种风电场风力发电量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105631550A (zh) | 一种短时风电功率的组合预测方法 | |
Wu et al. | Probabilistic wind-power forecasting using weather ensemble models | |
CN103730006B (zh) | 一种短时交通流量的组合预测方法 | |
Xie et al. | Forecasting China’s energy demand and self-sufficiency rate by grey forecasting model and Markov model | |
CN103218675B (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN103279804B (zh) | 超短期风电功率的预测方法 | |
CN103683274B (zh) | 区域中长期风电发电量概率预测方法 | |
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 | |
CN105631483A (zh) | 一种短期用电负荷预测方法及装置 | |
CN104899665A (zh) | 风电功率短期预测方法 | |
CN105654207A (zh) | 基于风速、风向信息的风电功率预测方法 | |
CN103065202B (zh) | 一种基于组合核函数的风电场超短期风速预测方法 | |
CN102479347B (zh) | 基于数据驱动的风电场短期风速预测方法和系统 | |
CN104732296A (zh) | 一种分布式光伏输出功率短期预测模型建模方法 | |
CN103218674A (zh) | 基于bp神经网络模型的光伏发电系统输出功率预测方法 | |
CN105389634A (zh) | 一种组合式短期风电功率预测系统及方法 | |
Shi et al. | Genetic algorithm-piecewise support vector machine model for short term wind power prediction | |
CN105719028A (zh) | 一种基于多因素混沌支持向量机的空调负荷动态预测方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN105488592A (zh) | 一种光伏电站发电量预测的方法 | |
CN105490310A (zh) | 一种基于通用分布的含风电电力系统实时动态经济调度方法 | |
Wang et al. | Optimizing wind farm layout by addressing energy-variance trade-off: A single-objective optimization approach | |
CN111612244A (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN105846425A (zh) | 一种基于通用风电预测误差模型的经济调度方法 | |
Karaaslan et al. | Forecasting of Turkey’s sectoral energy demand by using fuzzy grey regression model |
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 |
Application publication date: 20160601 |
|
RJ01 | Rejection of invention patent application after publication |