CN105633946A - 一种提取高风电穿透母线日净有功功率随机模糊特征的建模新方法 - Google Patents
一种提取高风电穿透母线日净有功功率随机模糊特征的建模新方法 Download PDFInfo
- Publication number
- CN105633946A CN105633946A CN201510689226.1A CN201510689226A CN105633946A CN 105633946 A CN105633946 A CN 105633946A CN 201510689226 A CN201510689226 A CN 201510689226A CN 105633946 A CN105633946 A CN 105633946A
- Authority
- CN
- China
- Prior art keywords
- active power
- clean active
- fuzzy
- bus
- high wind
- 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
Abstract
本发明属于高风电穿透母线日净有功功率建模技术领域,是关于一种考虑母线净有功功率具有随机性和模糊性双重不确定性特征的建模方法。该方法通过选取多年特定地区母线日净有功功率数据,用MATLAB概率密度曲线拟合已按需要划分的每个时间段内净有功功率数据在置信率为0.05时的概率分布,确定其参数波动范围的置信区间以及隶属函数模型;定义净有功功率为随机模糊变量且获取其机会测度函数,建立其随机模糊不确定模型。最后给出通过基于随机模糊模拟技术和逆变换法模拟生成仿真母线日净有功功率的流程及步骤。本发明能更全面的刻画高风电穿透母线日净有功功率多重不确定特征,为未来大量风电接入电力系统发电计划安排和调度提供相应的指导依据。
Description
技术领域
本发明属于高风电穿透母线日净有功功率建模技术领域,提出了一种提取高风电穿透母线日净有功功率随机模糊特征的建模新方法。
背景技术
提取风电场接入变电站母线日内同时刻有功负荷与风电有功出力之差即净有功功率的不确定特征对系统运行方式安排和安全校核具有重要意义。随着风电等新能源接入变电站日益增多且容量持续增大,传统母线负荷预测时将小容量风电等随机性能源剔除的方法已难以适应现实需求,对此提出净有功功率的概念,即风电场接入变电站母线日内同时刻有功负荷与风电有功出力之差。母线负荷本身规律性较弱,风电随机性大,因此,净有功功率不确定特征更加复杂。对净有功功率数据进行数据挖掘,将随机性和模糊性结合起来对净有功功率进行描述才能更全面的刻画净有功功率多重不确定特征。
国内外现有关于高风电穿透母线日净有功功率不确定性模型的研究取得了一些成果:在母线负荷数据预处理方面,文献《面向节能发电调度的母线负荷预测平台》提出在母线时序负荷曲线下按日进行负荷数据积累和分析预测的策略,找到历史负荷的发生规律。在考虑母线接入风电,小水电等新能源方面,文献《间接预测法在母线负荷预测中的应用》指出小电源发电上网量大时母线负荷可能出现负数,规律性差,其负荷曲线跟随小电源的发电负荷上下波动,为了剔除小电源出力的影响,把母线负荷转变为变电站供电区域内的用电负荷进行预测。母线负荷预测研究中对于系统净注入功率的研究还比较缺乏。文献《基于差分进化的含分布式电源母线净有功功率预测》提出了一种考虑风电和小水电不确定性的差分进化母线净负荷预测方法。在母线负荷不确定模型及其在潮流分析中的应用方面:文献《极值负荷及其出现时刻的概率化预测》指出母线负荷可用正态分布随机变量描述,极值负荷具有多峰特性并且运用序列运算获取其概率分布;有学者将母线负荷和随机性电源出力作为随机变量或模糊变量进行不确定潮流分析。其中文献《含大规模间歇式电源的模糊机会约束机组组合研究》将间歇式电源出力和负荷的模糊参数用梯形函数和三角函数表示。事实上,随机变量和模糊变量只是随机模糊变量的特例,兼顾电力系统负荷和风电出力随机性和模糊性更加符合客观实际。同时考虑随机性和模糊性更加符合客观实际。文献《FuzzyStochasticProgrammingMethod:CapacitorPlanninginDistributionSystemsWithWindGenerators》结合风电和负荷随机性和模糊优化求解高风电穿透配电系统的无功补偿电容器优化;文献《Anovelrandomfuzzyneuralnetworksfortacklinguncertaintiesofelectricloadforecasting》则以随机模糊变量描述系统负荷,并将传统神经网络扩展为随机模糊神经网络来进行电力系统负荷预测,但尚未对高风电穿透母线负荷进行研究;文献《考虑风电随机模糊不确定性的电力系统多目标优化调度计划研究》提出了一种综合考虑风电随机模糊性电力系统多目标优化调度模型。
事实上,在考虑含风电、小水电接入母线时,母线负荷有时为负的输出,在穿透水平较低时予以剔除可以理解,但当系统中大量母线具有此特征且穿透水平日益提高情况下,研究系统净注入功率更加符合客观实际情况。并且,随机性和模糊性共存于净有功功率不确定特征,传统净有功功率不确定模型一般以随机变量或模糊变量描述,然而净有功功率受季节、气温、用户用电情况等影响具有随机性,同时受有限净有功功率统计数据限制,难以获取认识意义上清晰的概率分布参数即具有模糊性,因此用随机模糊变量描述净有功功率更符合客观实际,而随机变量和模糊变量实质是随机模糊变量的特例。现有技术中对综合考虑随机性和模糊性的净有功功率不确定性相关理论和建模分析研究相对甚少,该理论体系还需要不断补充和完善。为了更好对大规模风电接入电力系统进行运行方式安排和系统安全校核,有必要考虑高风电穿透母线日净有功功率兼具随机性和模糊性的双重不确定性特点,基于实测母线负荷数据与风电出力之差即母线净有功功率进行数据挖掘分析并建立相应的随机模糊模型。
发明内容
针对提取风电场接入变电站母线日内同时刻有功负荷与风电有功出力之差即净有功功率的不确定特征对系统运行方式安排和安全校核的重要基础性工作,而现有研究未能考虑风电,小水电等接入时研究系统的净注入功率更加符合客观实际的情况,且净有功功率兼具随机性和模糊性的现状,有必要基于实测母线负荷数据与风电出力之差即母线净有功功率进行数据挖掘分析并建立相应的随机模糊不确定模型,进而在合理风险水平下安排电力系统运行与调控计划。本发明专利在传统净有功功率概率不确定模型的基础上,进一步考虑净有功功率参数拟合的模糊性,提出了一种提取净有功功率随机模糊不确定特征的建模新方法。
为实现上述目的,本发明采取以下技术方案:
本发明解决上述问题采取的技术方案:
1、原始数据质量评估及数据处理。获取可靠可信的原始净有功功率数据对构建净有功功率的不确定性模型至关重要,针对研究净有功功率的季节特性和其日变化特征,选取多年特定地区的实测母线负荷数据与风电出力数据,得到净有功功率数据,并对其进行基础性处理。
2、提取并分析净有功功率概率分布特征。基于净有功功率的季节特性和日变化特征,将选取的多年特定地区净有功功率数据按照实际需要划分为任意合适的时间段进行研究,用MATLAB概率密度曲线拟合每个时间段内的净有功功率数据在置信率为0.05时的概率分布,并进行概率分布特征统计,分析确定适合实测净有功功率的概率分布模型。
3、提取并分析净有功功率概率分布参数的模糊不确定性特征及其隶属函数特征。基于前一小节提取确定的净有功功率概率分布模型,采取相适应的参数估计方法对其概率分布参数的模糊不确定性特征进行数据挖掘,并确定其参数波动范围的置信区间,分析并提取确定其参数的隶属函数模型。
4、构建净有功功率的随机模糊模型并确立生成仿真净有功功率的随机模糊模拟方法。依据不确定理论,定义净有功功率为随机模糊变量,获取其机会测度函数,从而建立净有功功率随机模糊不确定模型,并给出通过基于随机模糊模拟技术和逆变换法模拟生成仿真净有功功率的流程及步骤。
本文在前人净有功功率随机性和模糊性不确定模型研究基础上,综合考虑净有功功率概率分布和其参数拟合时的模糊性实际,根据不确定规划理论定义净有功功率为随机模糊变量,并通过获取其机会测度函数来构建其随机模糊模型,并给出通过基于随机模糊模拟技术和逆变换法模拟生成高风电穿透母线日净有功功率数值的流程及步骤。此方法可对未来大量风电接入变电站母线负荷预测提供相应的指导依据。
附图说明
图1是本发明的某电网220kv变电站2013年6月母线日净有功功率第19时段概率密度图
图2是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段a1参数频率图
图3是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段b1参数频率图;
图4是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段c1参数频率图;
图5是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段a2参数频率图;
图6是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段b2参数频率图;
图7是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段c2参数频率图;
图8是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段a3参数频率图;
图9是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段b3参数频率图;
图10是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段c3参数频率图;
图11是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段a1,b1参数频率图;
图12是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段c1,a2参数频率图;
图13是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段b2,c2参数频率图;
图14是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段a3,b3参数频率图;
图15是本发明的某电网220kv变电站2012-2013年6,7,8月母线日净有功功率24时段c3参数频率图;
图16是本发明的日净有功功率随机模糊模拟
具体实施方式
本发明包括以下步骤:
1、原始数据质量评估及数据处理。
现有研究表明净有功功率具有明显的季节性变化特征和日变化特征,获取可靠可信的原始净有功功率数据对研究净有功功率的不确定性模型至关重要,针对研究净有功功率的季节特性和其日变化特征,为获取可靠可信的原始净有功功率数据,选取特定地区特定季节的实测母线负荷数据与风电出力数据之差即母线净有功功率数据进行研究,并对其进行基础性处理,剔除特殊因素下的净有功功率数据对整体样本的影响。
大量分布式风电广域接入电力系统后,在原有母线负荷的基础上,将风电出力视为负的负荷,两者之差定义为母线净有功功率,即:
考虑母线负荷,风电出力等季节性特征,将采集到的某电网220kv变电站2012-2013年夏季(6-8月份)母线负荷和风电出力的实测数据相减得到母线日净有功功率。采样间隔为5min,全天共288个采样数据,以1小时为时段间隔将多年份同月内日净有功功率划分为24个时段进行概率分布统计。
2、提取并分析净有功功率概率分布特征。
在相同季节下,选取的多年特定地区实测净有功功率数据按照实际需要划分为任意合适的时间段进行研究。提取净有功功率的概率分布特征并进行概率分布特征统计,分析并提出有效拟合净有功功率的概率密度函数如公式(2),其中ai,bi和ci为密度函数参数。
以2012-2013年夏季(6-8月份)某电网220kv变电站日净有功功率数据为例进行日净有功功率概率分布特征的提取和分析。统计结果显示,2012年-2013年6-8月同月内不同时段的母线净有功功率概率分布特征基本可用所提出的概率密度函数描述,但是不同时间段的母线净有功功率服从该概率密度函数程度不同,概率分布参数存在模糊性。
图1为用MATLAB概率密度曲线拟合2012年6月第19时段的净有功功率概率分布,拟合所有2012年-2013年6-8月同月内24时段净有功功率概率分布得到的均方根误差R-Square,可看出R-Square接近为1,拟合度较好。进一步对多年同月同时段净有功功率数据概率分布特征对比,发现其具有一定特征。上述以季节性月度和多年同月同时段的日净有功功率随机性特征研究结果表明,尽管多数日净有功功率样本数据可用所构建的概率密度函数拟合逼近且多年同月同时段存在一定相似性,但其分布参数客观上存在认识意义非清晰性即模糊性。
3、提取并分析净有功功率概率分布参数的模糊不确定性特征及其隶属函数特征。
基于前一小节提取确定的净有功功率概率分布模型,采取相适应的参数估计方法对其概率分布参数的模糊不确定性特征进行数据挖掘,并确定其参数波动范围的置信区间,分析并提取确定其参数的隶属函数模型。
以2012-2013年6,7,8月份某电网220kv变电站净有功功率数据为例进行日净有功功率概率分布参数的模糊不确定性特征及其隶属函数特征的提取和分析。基于前一小节的分析可以发现所提出概率密度函数能更好地描述净有功功率概率分布的偏度和峰度,因此兼顾净有功功率季节和日特征,采用极大似然法估计其参数值。2012-2013年6,7,8月日净有功功率数据24时段的概率分布参数均在一定范围波动,具有模糊性,但存在一定的时段周期相似性。进一步对上述概率分布参数时间序列进行统计分析,图2到图10表明不同年份同月内的不同时间段,各个参数值大都集中在某一区间内,但在这些区间内各参数值出现的频率并不相同,存在一定的差异,不具有特定的统计规律。
为更好地提取多年同月各时段和多年同月同时段分布参数的模糊性特征,将2012-2013年6,7,8月日净有功功率24时段的模型参数a1,b1,c1,a2,b2,c2,a3,b3和c3在各自波动范围内出现的频率进行汇总如图11-图15所示。由图11-图15所示,对于参数a1,取值近似以0为中心,并且随着偏离该中心距离的逐渐增大其出现频率呈现递减趋势,采用三角形模糊变量来描述较为合适;对于参数b1,某一区域[15,40]内,参数值出现频率相对集中,在该区域外的数值出现频率随着偏离中心值的距离的增大而呈现衰减趋势,采用梯形模糊变量来描述较为合适。类似地,参数c1在区域[5,40]内较集中,采用梯形模糊变量来描述;参数a2取值近似以0.004为中心,采用三角形模糊变量来描述;参数b2取值近似以5为中心采用三角形模糊变量来描述;参数c2在区域[25,70]内出现频率较集中,采用梯形模糊变量来描述;参数a3,取值近似以0.005为中心,采用三角形模糊变量来描述;参数b3,在区域[45,70]内出现频率较集中,采用梯形模糊变量来描述;参数c3,在区域[15,35]内出现频率较集中,采用梯形模糊变量来描述。
利用置信区间刻画分布参数的波动范围能更好的预测未来参数的取值。本文在利用极大似然法求取分布参数的同时,计算了在95%置信水平下各时段参数的置信区间,最后取各时段置信区间的最小下限和最大上限作为本月份参数波动范围的置信区间,得到多年份同时期的参数的置信区间。
参数a1的置信区间为[-0.0074,0.017],参数b1b1的置信区间为[-17.79,75.41],参数c1的置信区间为[0,78.28],参数a2的置信区间为[0,0.011],参数b2的置信区间为[-88.41,34.72],参数c2的置信区间为[17.27,131.9],参数a3的置信区间为[-0.0012,0.0326],参数b3的置信区间为[30.88,74.87],参数c3的置信区间为[5.77,45.01]。
4、构建高风电渗透母线日净有功功率的随机模糊模型并确立生成仿真净有功功率的随机模糊模拟方法。
在统计学问题中当随机变量服从的分布已知,而其参数值被描述为模糊变量,则该随机变量将变为随机模糊变量。基于文中前述分析,定义净有功功率为随机模糊变量,获取其机会测度分布函数,从而建立净有功功率随机模糊不确定模型。
以某电网220kv变电站净有功功率数据为例,前述随机性和模糊性分析发现2012-2013年6,7,8月份日净有功功率概率分布参数所具有的概率参数a1可以采用三角形模糊变量表示,其隶属函数为:
参数b1可以采用梯形模糊变量表示,其隶属函数为:
参数c1可以采用梯形模糊变量表示,其隶属函数为:
参数a2可以采用三角形模糊变量表示,其隶属函数为:
参数b2可以采用三角形模糊变量表示,其隶属函数为:
参数c2可以采用梯形模糊变量表示,其隶属函数为:
参数a3可以采用三角形模糊变量表示,其隶属函数为:
参数b3可以采用梯形模糊变量表示,其隶属函数为:
参数c3可以采用梯形模糊变量表示,其隶属函数为:
那么,风电接入母线日净有功功率p用随机模糊变量ξp表示,其MATLAB工具箱三峰高斯逼近模型的机会测度密度函数为:
基于随机模糊模拟技术和逆变换法生成仿真净有功功率的具体步骤如下:
1)基于母线日净有功功率概率分布的机会测度函数即式(12),在参数a1,b1,c1,a2,b2,c2,a3,b3和c3各自的置信区间内分别抽取满足可能性Pos{·}≥ε的24组参数的数值,其中ε是一个充分小的正数。
2)对分别抽取的24组a1,b1,c1,a2,b2,c2,a3,b3和c3的按照大小匹配成参数的对应组合,判断是否b2<b1<b3,若是,则在区间[0,1]内模拟生成24个Pos{·}的数值,依次对应24个时段,选取该数值所对应的参数的组合作为该时段的概率分布参数,若否,则转步骤1)。
3)基于各时段的a1,b1,c1,a2,b2,c2,a3,b3和c3值,对式(12)经逆变换,可得随机模糊变量母线净有功功率数值。该母线净有功功率p出现的可能性即为该时段九个参数组合的可能性测度Pos{·},每个时段模拟生成12个净有功功率数值,24时段共288个。
图16为采用上述随机模糊模拟方法生成的2013年7月份24时段母线日净有功功率数据,5000次仿真结果表明该模拟各时段净有功功率处于历史相应时段净有功功率上下限的概率大于93.20%,可有效用于日净有功功率仿真。图16横轴代表全天24小时以每5分钟为采样间隔的时间点,全天共288个时间点。
Claims (5)
1.一种提取高风电穿透母线日净有功功率随机模糊特征的建模新方法,包括如下步骤:
1)、原始数据质量评估及坏数据处理。
2)、提取并分析高风电穿透母线日净有功功率概率分布特征。
3)、提取并分析高风电穿透母线日净有功功率概率分布参数的模糊不确定性特征及其隶属函数特征。
4)、构建高风电穿透母线日净有功功率的随机模糊模型并确立生成仿真母线日净有功功率随机模糊模拟方法。
2.根据权利要求l所述的一种提取高风电穿透母线日净有功功率随机模糊特征的建模新方法,其特征在于:所述步骤1)中针对研究高风电穿透母线日净有功功率的季节特性和其日变化特征,为获取可靠可信的原始高风电穿透母线日净有功功率数据,选取特定地区特定季节的实测母线负荷数据与风电出力数据之差即母线净有功功率数据进行研究,即选取特定地区多年同月的高风电穿透母线日净有功功率数据进行研究,并对其进行基础性处理,剔除特殊因素下的日净有功功率数据对整体样本的影响。
3.根据权利要求l所述的一种提取高风电穿透母线日净有功功率随机模糊特征的建模新方法,其特征在于:所述步骤2)在相同季节下,选取的多年特定地区母线日净有功功率数据按照实际需要划分为任意合适的时间段进行研究,在置信度为0.05时,用MATLAB拟合每个时间段内的净有功功率数据概率分布曲线,提取并统计净有功功率的概率分布特征,分析并确定适合拟合净有功功率的概率分布模型。
4.根据权利要求l所述的一种提取高风电穿透母线日净有功功率随机模糊特征的建模新方法,其特征在于:所述步骤3)中基于上述提取确定的净有功功率概率分布模型,采取相适应的参数估计方法对其概率分布参数的模糊不确定性特征进行数据挖掘,并确定其参数波动范围的置信区间,分析并提取确定其参数的隶属函数模型特征。
5.根据权利要求l所述的一种提取高风电穿透母线日净有功功率随机模糊特征的建模新方法,其特征在于:所述步骤4)中基于上述结论,根据不确定规划理论,定义高风电穿透母线日净有功功率为随机模糊变量,提出了特定地域下考虑高风电穿透母线日净有功功率季节性和日变化特征的建模思路,通过净有功功率概率分布特征分析及其参数模糊隶属函数提取,获取净有功功率随机模糊变量的机会测度函数的随机模糊不确定模型建模步骤,考虑研究和工程中生成仿真高风电穿透母线日净有功功率需要,给出通过基于随机模糊模拟技术和逆变换法模拟生成净有功功率数值的流程及步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510689226.1A CN105633946B (zh) | 2015-10-21 | 2015-10-21 | 一种提取高风电穿透母线日净有功功率随机模糊特征的建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510689226.1A CN105633946B (zh) | 2015-10-21 | 2015-10-21 | 一种提取高风电穿透母线日净有功功率随机模糊特征的建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105633946A true CN105633946A (zh) | 2016-06-01 |
CN105633946B CN105633946B (zh) | 2018-10-26 |
Family
ID=56048614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510689226.1A Active CN105633946B (zh) | 2015-10-21 | 2015-10-21 | 一种提取高风电穿透母线日净有功功率随机模糊特征的建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105633946B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967451A (zh) * | 2017-11-23 | 2018-04-27 | 常州大学 | 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103532132A (zh) * | 2013-09-23 | 2014-01-22 | 国家电网公司 | 一种自适应移动微电网能量交互系统的控制方法 |
CN104578157A (zh) * | 2015-01-04 | 2015-04-29 | 云南电网有限责任公司电力科学研究院 | 一种分布式电源接入电网的潮流计算方法 |
CN104659799A (zh) * | 2015-03-19 | 2015-05-27 | 国家电网公司 | 一种平抑风电功率波动的电池储能系统的模糊控制方法 |
-
2015
- 2015-10-21 CN CN201510689226.1A patent/CN105633946B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103532132A (zh) * | 2013-09-23 | 2014-01-22 | 国家电网公司 | 一种自适应移动微电网能量交互系统的控制方法 |
CN104578157A (zh) * | 2015-01-04 | 2015-04-29 | 云南电网有限责任公司电力科学研究院 | 一种分布式电源接入电网的潮流计算方法 |
CN104659799A (zh) * | 2015-03-19 | 2015-05-27 | 国家电网公司 | 一种平抑风电功率波动的电池储能系统的模糊控制方法 |
Non-Patent Citations (2)
Title |
---|
秦泽宇等: "考虑风光互补的电力系统多目标随机优化发电方案研究", 《电力科学与技术学报》 * |
马瑞等: "考虑风电随机模糊不确定性的电力系统多目标优化调度计划研究", 《电力系统保护与控制》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107967451A (zh) * | 2017-11-23 | 2018-04-27 | 常州大学 | 一种利用多尺度多任务卷积神经网络对静止图像进行人群计数的方法 |
CN107967451B (zh) * | 2017-11-23 | 2021-04-27 | 常州大学 | 一种对静止图像进行人群计数的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105633946B (zh) | 2018-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ramadhani et al. | Review of probabilistic load flow approaches for power distribution systems with photovoltaic generation and electric vehicle charging | |
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 | |
Yunna et al. | Multi-criteria decision making on selection of solar–wind hybrid power station location: A case of China | |
Matos et al. | Probabilistic evaluation of reserve requirements of generating systems with renewable power sources: The Portuguese and Spanish cases | |
CN105447594A (zh) | 一种基于指数平滑的电力系统灰色负荷预测方法 | |
CN102880989B (zh) | 一种风电出力时间序列建模方法 | |
Sun et al. | Research on ultra-short-term wind power prediction considering source relevance | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN102722759A (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
Suomalainen et al. | Synthetic wind speed scenarios including diurnal effects: Implications for wind power dimensioning | |
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 | |
CN112994092B (zh) | 一种基于功率预测的独立风光储微电网系统尺寸规划方法 | |
CN105631520A (zh) | 一种提取风速随机模糊不确定特征的建模新方法 | |
CN103530700B (zh) | 城区配电网饱和负荷综合预测方法 | |
CN115065078B (zh) | 微网环境下储能容量配置方法及系统 | |
Li et al. | Evaluation method of wind power consumption capacity based on multi-fractal theory | |
CN105205572A (zh) | 基于EMD分解和Elman算法的光伏出力预测方法 | |
CN105633946A (zh) | 一种提取高风电穿透母线日净有功功率随机模糊特征的建模新方法 | |
CN102880917A (zh) | 基于对数负荷密度增长曲线的中长期电力负荷预测方法 | |
Voyant et al. | Numerical weather prediction or stochastic modelling: an objective criterion of choice for the global radiation forecasting | |
Ramirez-Burgueno et al. | Pricing Wind Power Uncertainty in the Electricity Market | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、系统及设备 | |
Zhou et al. | PV power characteristic modeling based on multi-scale clustering and its application in generation prediction | |
CN105184411A (zh) | 一种基于最大Lyapunov指数-校正的风电功率实时预测方法 | |
Jain et al. | Battery optimization in microgrids using Markov decision process integrated with load and solar forecasting |
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 |