CN105719023A - 一种基于混合高斯分布的风电功率实时预测误差分析方法 - Google Patents

一种基于混合高斯分布的风电功率实时预测误差分析方法 Download PDF

Info

Publication number
CN105719023A
CN105719023A CN201610047783.8A CN201610047783A CN105719023A CN 105719023 A CN105719023 A CN 105719023A CN 201610047783 A CN201610047783 A CN 201610047783A CN 105719023 A CN105719023 A CN 105719023A
Authority
CN
China
Prior art keywords
sigma
model
wind power
error
value
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
Application number
CN201610047783.8A
Other languages
English (en)
Inventor
杨茂
董骏城
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Electric Power University
Original Assignee
Northeast Dianli University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Dianli University filed Critical Northeast Dianli University
Priority to CN201610047783.8A priority Critical patent/CN105719023A/zh
Publication of CN105719023A publication Critical patent/CN105719023A/zh
Pending legal-status Critical Current

Links

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明是一种基于混合高斯分布的风电功率实时预测误差分析方法,其特点是:包括数据采集及处理、建立混合高斯分布模型、基于期望最大化算法计算混合分布函数参数和模型评价指标等步骤,通过将多个高斯分布进行线性组合得到“多权值混合高斯分布模型”,并通过期望最大化算法对模型参数进行估计,降低了最大似然估计的计算复杂度;直接依据误差分布本身的客观规律进行建模,避免了人为主观性,从而弥补了单一分布模型形状不够灵活,通用性差的缺点,实现了对风电功率实时预测误差更准确的描述,具有科学合理,适用性强,预测精度高等优点。

Description

一种基于混合高斯分布的风电功率实时预测误差分析方法
技术领域
本发明涉及风电技术领域,是一种基于混合高斯分布的风电功率实时预测误差分析方法。
背景技术
近年来,随着风电装机容量及渗透率在电力系统中的不断提高,风电功率预测方法更多地被国内外研究人员所关注。预测方法一直以来被认为是提高风电功率预测精度的最主要途径,国内外的相关学者做了大量工作,如时间序列法、相空间重构法、人工神经网络法、组合预测法、非参数估计法、支持向量机法等。风电功率的变化不具备明显的规律性,故目前的风电功率预测精度仍有限,因此对风电功率预测误差分析尤为重要。
风电功率预测所产生的误差从时域上分析应该属于无规则的白噪声序列,从误差出现频率来看应该呈现出一定的概率分布。在实际预测中大量样本所呈现的误差分布可能较为接近正态分布,但由于预测方法和实际环境的不同而存在较大的差异,因此应针对不同预测方法,不同风电场规模提出一种通用的方法。实时预测是指自上报时刻起未来15分至4小时的预测预报,时间分辨率为15分钟,可见对于风电功率实时预测,每天需要进行96次预测,每次预报的数据量为16个,而实时预测误差即为实时预测模式下的误差。
发明内容
本发明的目的是,提供一种科学合理,适用性强,预测精度高,直接依据实时预测误差分布特性的基于混合高斯分布的风电功率实时预测误差分析方法。
本发明的目的是由以下技术方案来实现的:一种基于混合高斯分布的风电功率实时预测误差分析方法,它包括以下步骤:
1)数据采集及处理
采集风电场风电功率实测数据和预测数据,采样时间间隔为15min,计算风电功率预测误差标幺值为
P w = P R ( t ) - P ( t ) P c a p - - - ( 1 )
其中,PR(t)为风电功率预测值,P(t)为风电功率真实值,Pcap为风机开机容量;
2)建立混合高斯分布模型
混合高斯分布模型是多个高斯分布的线性组合,对于高斯分布的概率密度函数表达式,如式(2)所示,
N ( μ i , σ i 2 ) = 1 2 π σ i e - 1 2 σ i 2 ( x - μ i ) 2 - - - ( 2 )
其中,x为样本点,μi为样本均值,为样本方差,
混合高斯分布其概率密度函数表示为
f ( X ) = Σ i = 1 n a i N ( X i ; μ i , σ i 2 ) , i = 1 , ... n - - - ( 3 )
其中,X为总体样本,ai为第i个高斯分布的权值,μi为第i个高斯分布的均值,为第i个高斯分布的方差,σi为第i个高斯分布的标准差,n为高斯分布数目,当n=1时,混合高斯模型f(x)=N(μ,σ)即为一维高斯分布的概率密度函数;
3)基于期望最大化(ExpectationMaximization,EM)算法计算混合分布函数参数
设θj=(ajjj),j=1,2,…,K,高斯混合模型由K个单一高斯模型线性组合而成,通过样本集X来估计混合高斯模型的所有参数:Θ=(θ12,…θk)T,包括权值,均值,标准差等,样本集X的对数似然函数可表示为如下形式:
L ( X | Θ ) = ln Π i = 1 T f k ( X i ) = Σ i = 1 T ln Σ j = 1 K a j f j ( X i ; μ j , σ j ) - - - ( 4 )
其中T为样本总数,适合当前样本集的混合模型参数Θ0将会最大化式(4)对数似然函数,即混合模型统计参数的估计满足:
Θ 0 = arg m a x θ L ( Θ ) - - - ( 5 )
设混合高斯模型参数的初始估计为Θ(0),并设第q步迭代的混合模型参数为Θ(q),则第q+1步迭代过程为:
(a)计算期望(E-Step)
根据当前混合模型的参数Θ(q)计算每个数据属于第j类分布的后验概率:
a i j ‾ ( q + 1 ) = a j ( q ) f j ( X i ; Θ ( q ) ) Σ r = 1 k a r ( q ) f r ( X i ; Θ ( q ) ) , 1 ≤ i ≤ T , 1 ≤ j ≤ K - - - ( 6 )
(b)最大化期望(M-Step)
获得每个数据属于各子类的后验概率后,利用梯度下降法求解式(4),得到Θ在第q+1步的估计,
权值计算: a j ( q + 1 ) = Σ i = 1 T a i j ‾ ( q + 1 ) - - - ( 7 )
均值计算: μ j ( q + 1 ) = Σ i = 1 T a i j ‾ ( q + 1 ) X i Σ i = 1 T a i j ‾ ( q + 1 ) - - - ( 8 )
协方差矩阵计算:
σ j ( q + 1 ) = Σ i = 1 T a i j ‾ ( q + 1 ) ( X i - μ j ( q + 1 ) ) ( X i - μ j ( q + 1 ) ) T Σ i = 1 T a i j ‾ ( q + 1 ) - - - ( 9 )
重复(a)和(b)步骤,直到||Θ(q+1)-Θ(q)||无穷小,即收敛时停止;
4)模型评价指标
纵向误差采用绝对值平均误差和均方根误差,二者值越小,说明模型在纵向与实际值越接近,模型精度越高;横向误差采用相关系数用于描述两组序列的相关程度,其值越接近于1,表明两组序列形态相似程度越高,模型越好,
模型误差计算公式如下:
y i = f ( C ‾ i ) - - - ( 10 )
则模型误差为
e i = y i - N ‾ i - - - ( 11 )
式中:i=1,2,...,M,其中M为频率分布直方图的数组;分别为第i个直方柱的纵坐标数值和其中间位置对应的横坐标数值;f为拟合的概率密度函数;为在给定横坐标数值上对应的纵坐标数值,
指标定义如下:
e M A E = 1 m Σ i = 1 m | e i | - - - ( 12 )
e R M S E = 1 m Σ i = 1 m e i 2 - - - ( 13 )
R = cov ( Y 1 , Y 2 ) D ( Y 1 ) · D ( Y 2 ) - - - ( 14 )
其中,m为数据序列的长度;cov(·)为样本协方差;D(·)为样本方差;Y1,Y2为两个样本。
本发明提出的一种基于混合高斯分布的风电功率实时预测误差分析方法的优点体现在:
1.由于多个高斯分布模型进行线性组合,从而弥补了单一分布模型形状不够灵活的缺点,实现了对风电功率实时预测误差更准确的描述;
2.本发明方法的物理意义明确,对不同预测方法产生的预测误差都有很好的效果;
3.可为其他方法提够参考依据。
附图说明
图1为基于混合高斯分布的风电功率实时预测误差分析方法的算法流程图;
图2为本发明的预测方法下某风电场风电功率预测误差分布曲线对比图。
具体实施方式
下面利用附图和实施例对本发明的一种基于混合高斯分布的风电功率实时预测误差分析方法进行详细说明。
参照图1,本发明的一种基于混合高斯分布的风电功率实时预测误差分析方法,包括以下步骤:
(1)数据采集及处理
采用东北地区某风电场实测数据为研究对象,该风电场位于吉林省,装机容量为400.5MW,选取2012年9月份30天数据为例,采用时间序列法进行风电功率实时预测,根据公式(1)计算其月预测误差标幺值,时间分辨率为15min。;
(2)建立混合高斯分布模型
根据混合高斯分布其概率密度函数表示式(3) f ( X ) = Σ i = 1 n a i N ( X i ; μ i , σ i 2 ) , i = 1 , ... n 建立混合高斯分布模型,对2个高斯分布线性组合而成的混合高斯分布模型称为“二权重混合高斯分布模型”,其混合高斯分布的概率密度函数可表示为
f ( X ) = Σ i = 1 2 a i N ( X i ; μ i , σ i 2 )
对3个高斯分布线性组合而成的混合高斯分布模型称为“三权重混合高斯分布模型”,其混合高斯分布的概率密度函数可表示为
f ( X ) = Σ i = 1 3 a i N ( X i ; μ i , σ i 2 )
式中,X为总体样本,ai为第i个高斯分布的权值,μi为第i个高斯分布的均值,为第i个高斯分布的方差,σi为第i个高斯分布的标准差。
(3)基于EM算法计算混合分布函数参数
设θj=(ajjj),j=1,2,…,K,分别计算由2个和3个单一高斯模型线性组合的“二权值混合高斯分布模型”和“三权值混合高斯分布模型”的参数值,即当K=2和K=3时,通过样本集X来估计混合高斯模型的所有参数:Θ=(θ12,…θk)T,包括权值,均值,标准差等,样本集X的对数似然函数可表示为如下形式:
L ( X | Θ ) = ln Π i = 1 T f k ( X i ) = Σ i = 1 T ln Σ j = 1 K a j f j ( X i ; μ j , σ j ) - - - ( 6 )
其中T为样本总数。适合当前样本集的混合模型参数Θ0将会最大化式(4)对数似然函数,即混合模型统计参数的估计满足:
Θ 0 = arg m a x θ L ( Θ ) - - - ( 5 )
设混合高斯模型参数的初始估计为Θ(0),并设第q步迭代的混合模型参数为Θ(q),则第q+1步迭代过程为:
1.计算期望(E-Step)
根据当前混合模型的参数Θ(q)计算每个数据属于第j类分布的后验概率:
a i j ‾ ( q + 1 ) = a j ( q ) f j ( X i ; Θ ( q ) ) Σ r = 1 k a r ( q ) f r ( X i ; Θ ( q ) ) , - - - ( 6 )
1≤i≤T,1≤j≤K
2.最大化期望(M-Step)
获得每个数据属于各子类的后验概率后,利用梯度下降法求解式(4),得到Θ在第q+1步的估计。
权值计算: a j ( q + 1 ) = Σ i = 1 T a i j ‾ ( q + 1 ) - - - ( 7 )
均值计算: μ j ( q + 1 ) = Σ i = 1 T a i j ‾ ( q + 1 ) X i Σ i = 1 T a i j ‾ ( q + 1 ) - - - ( 8 )
协方差矩阵计算:
σ j ( q + 1 ) = Σ i = 1 T a i j ‾ ( q + 1 ) ( X i - μ j ( q + 1 ) ) ( X i - μ j ( q + 1 ) ) T Σ i = 1 T a i j ‾ ( q + 1 ) - - - ( 9 )
重复1和2步骤,直到||Θ(q+1)(q)||无穷小,即收敛时停止。其参数估计值如表1所示:
表1某风电场模型参数估计值
(4)模型评价指标
纵向误差采用绝对值平均误差和均方根误差,二者值越小,说明模型在纵向与实际值越接近,模型精度越高;横向误差采用相关系数用于描述两组序列的相关程度,其值越接近于1,表明两组序列形态相似程度越高,模型越好。模型误差计算公式如下:
y i = f ( C ‾ i ) - - - ( 10 )
则模型误差为
e i = y i - N ‾ i - - - ( 11 )
式中:i=1,2,…,M,其中M为频率分布直方图的数组;分别为第i个直方柱的纵坐标数值和其中间位置对应的横坐标数值;f为拟合的概率密度函数;为在给定横坐标数值上对应的纵坐标数值,
指标定义如下:
e M A E = 1 m Σ i = 1 m | e i | - - - ( 12 )
e R M S E = 1 m Σ i = 1 m e i 2 - - - ( 13 )
R = cov ( Y 1 , Y 2 ) D ( Y 1 ) · D ( Y 2 ) - - - ( 14 )
其中,m为数据序列的长度;cov(·)为样本协方差;D(·)为样本方差;Y1,Y2为两个样本。
各评价指标如表2所示:
表2不同模型评价指标统计
随混合高斯模型权值数量的增加,模型精度不断提高,“三权值混合高斯分布模型”有最优的评价指标,其绝对值平均误差均为0.1623,均方根误差为0.2608,相关系数为0.9582,较“二权值混合高斯分布模型”和单一高斯分布模型具有更好的精度。
本发明的具体实施方式并非穷举,本领域技术人员不经过创造性劳动的简单复制和改进,应属于本发明权利要求的保护范围。

Claims (1)

1.一种基于混合高斯分布的风电功率实时预测误差分析方法,其特征是,它包括以下步骤:
1)数据采集及处理
采集风电场风电功率实测数据和预测数据,采样时间间隔为15min,计算风电功率预测误差标幺值为
P w = P R ( t ) - P ( t ) P c a p - - - ( 1 )
其中,PR(t)为风电功率预测值,P(t)为风电功率真实值,Pcap为风机开机容量;
2)建立混合高斯分布模型
混合高斯分布模型是多个高斯分布的线性组合,对于高斯分布的概率密度函数表达式,如式(2)所示,
N ( μ i , σ i 2 ) = 1 2 π σ i e - 1 2 σ i 2 ( x - μ i ) 2 - - - ( 2 )
其中,x为样本点,μi为样本均值,为样本方差,
混合高斯分布其概率密度函数表示为
f ( X ) = Σ i = 1 n a i N ( X i ; μ i , σ i 2 ) , i = 1 , ... n - - - ( 3 )
其中,X为总体样本,ai为第i个高斯分布的权值,μi为第i个高斯分布的均值,为第i个高斯分布的方差,σi为第i个高斯分布的标准差,n为高斯分布数目,当n=1时,混合高斯模型f(x)=N(μ,σ)即为一维高斯分布的概率密度函数;
3)基于期望最大化(ExpectationMaximization,EM)算法计算混合分布函数参数
设θj=(ajjj),j=1,2,…,K,高斯混合模型由K个单一高斯模型线性组合而成,通过样本集X来估计混合高斯模型的所有参数:Θ=(θ12,…θk)T,包括权值,均值,标准差等,样本集X的对数似然函数可表示为如下形式:
L ( X | Θ ) = ln Π i = 1 T f k ( X i ) = Σ i = 1 T ln Σ j = 1 K a j f j ( X i , · μ j , σ j ) - - - ( 4 )
其中T为样本总数,适合当前样本集的混合模型参数Θ0将会最大化式(4)对数似然函数,即混合模型统计参数的估计满足:
Θ 0 = arg m a x θ L ( Θ ) - - - ( 5 )
设混合高斯模型参数的初始估计为Θ(0),并设第q步迭代的混合模型参数为Θ(q),则第q+1步迭代过程为:
(a)计算期望(E-Step)
根据当前混合模型的参数Θ(q)计算每个数据属于第j类分布的后验概率:
a i j ‾ ( q + 1 ) = a j ( a ) f j ( X i ; Θ ( q ) ) Σ r = 1 k a r ( a ) f r ( X i ; Θ ( q ) ) , 1 ≤ i ≤ T , 1 ≤ j ≤ K - - - ( 6 )
(b)最大化期望(M-Step)
获得每个数据属于各子类的后验概率后,利用梯度下降法求解式(4),得到Θ在第q+1步的估计,
权值计算: a j ( q + 1 ) = Σ i = 1 T a i j ‾ ( q + 1 ) - - - ( 7 )
均值计算: μ j ( q + 1 ) = Σ i = 1 T a i j ‾ ( q + 1 ) X i Σ i = 1 T a i j ‾ ( q + 1 ) - - - ( 8 )
协方差矩阵计算:
σ j ( q + 1 ) = Σ i = 1 T a i j ‾ ( q + 1 ) ( X i - μ j ( q + 1 ) ) ( X i - μ j ( q + 1 ) ) T Σ i = 1 T a i j ‾ ( q + 1 ) - - - ( 9 )
重复(a)和(b)步骤,直到||Θ(q+1)(q)||无穷小,即收敛时停止;
4)模型评价指标
纵向误差采用绝对值平均误差和均方根误差,二者值越小,说明模型在纵向与实际值越接近,模型精度越高;横向误差采用相关系数用于描述两组序列的相关程度,其值越接近于1,表明两组序列形态相似程度越高,模型越好,
模型误差计算公式如下:
y i = f ( C ‾ i ) - - - ( 10 )
则模型误差为
e i = y i - N ‾ i - - - ( 11 )
式中:i=1,2,…,M,其中M为频率分布直方图的数组;分别为第i个直方柱的纵坐标数值和其中间位置对应的横坐标数值;f为拟合的概率密度函数;为在给定横坐标数值上对应的纵坐标数值,
指标定义如下:
e M A E = 1 m Σ i = 1 m | e i | - - - ( 12 )
e R M S E = 1 m Σ i = 1 m e i 2 - - - ( 13 )
R = cov ( Y 1 , Y 2 ) D ( Y 1 ) · D ( Y 2 ) - - - ( 14 )
其中,m为数据序列的长度;cov(·)为样本协方差;D(·)为样本方差;Y1,Y2为两个样本。
CN201610047783.8A 2016-01-24 2016-01-24 一种基于混合高斯分布的风电功率实时预测误差分析方法 Pending CN105719023A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610047783.8A CN105719023A (zh) 2016-01-24 2016-01-24 一种基于混合高斯分布的风电功率实时预测误差分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610047783.8A CN105719023A (zh) 2016-01-24 2016-01-24 一种基于混合高斯分布的风电功率实时预测误差分析方法

Publications (1)

Publication Number Publication Date
CN105719023A true CN105719023A (zh) 2016-06-29

Family

ID=56154901

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610047783.8A Pending CN105719023A (zh) 2016-01-24 2016-01-24 一种基于混合高斯分布的风电功率实时预测误差分析方法

Country Status (1)

Country Link
CN (1) CN105719023A (zh)

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407160A (zh) * 2016-09-30 2017-02-15 国网宁夏电力公司电力科学研究院 含多个风电场的电力系统概率潮流联合分布的计算方法
CN106772195A (zh) * 2017-01-04 2017-05-31 国网江苏省电力公司电力科学研究院 一种计量系统电流互感器长期误差稳定性可靠性评价方法
CN107358060A (zh) * 2017-09-06 2017-11-17 大连理工大学 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法
CN107527223A (zh) * 2016-12-22 2017-12-29 北京锐安科技有限公司 一种购票信息分析的方法及装置
CN107563656A (zh) * 2017-09-11 2018-01-09 东北大学 金湿法冶金氰化浸出过程运行状态的评价方法
CN107832881A (zh) * 2017-11-02 2018-03-23 南方电网科学研究院有限责任公司 考虑负荷水平和风速分段的风电功率预测误差评价方法
CN109146840A (zh) * 2018-01-19 2019-01-04 北京市遥感信息研究所 基于高斯概率统计的数据几何定位精度评估方法及装置
CN109580218A (zh) * 2018-12-08 2019-04-05 上海电力学院 一种基于似然学习机的风机齿轮箱状态识别方法
CN109947879A (zh) * 2019-01-29 2019-06-28 中国海洋大学 一种基于复杂网络的海洋观测大数据可视化分析方法
CN110084433A (zh) * 2019-05-05 2019-08-02 西南交通大学 基于高斯混合模型的风电功率预测误差分段拟合方法
CN110210052A (zh) * 2019-04-23 2019-09-06 东北电力大学 光伏发电出力波动性分量统计特性分析的方法
CN111191027A (zh) * 2019-12-14 2020-05-22 上海电力大学 一种基于高斯混合分布vae的广义零样本识别方法
CN112531694A (zh) * 2020-11-27 2021-03-19 国网重庆市电力公司电力科学研究院 基于数字孪生技术的交直流混合电网全域实时模拟方法
CN112633549A (zh) * 2020-11-19 2021-04-09 国网宁夏电力有限公司电力科学研究院 基于统计规律的负荷概率区间建模方法
WO2021077646A1 (zh) * 2019-10-22 2021-04-29 中国科学院广州能源研究所 用于电功率预测模型的多精度指标综合评价方法及系统
CN113346491A (zh) * 2021-06-09 2021-09-03 国网山西省电力公司经济技术研究院 一种新能源场站发电出力特性多维评估方法及系统
CN117114436A (zh) * 2023-07-27 2023-11-24 中冶建筑研究总院有限公司 一种基于实测数据的既有预应力混凝土构件性能评价方法
CN117786605A (zh) * 2024-02-27 2024-03-29 浙江省水利水电勘测设计院有限责任公司 基于改进高斯混合模型的多集合成员预报融合校正方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530531A (zh) * 2013-11-06 2014-01-22 国家电网公司 一种基于极大似然估计的风电功率持续特性描述方法
CN103927695A (zh) * 2014-04-22 2014-07-16 国家电网公司 基于自学习复合数据源的风电功率超短期预测方法
CN104702378A (zh) * 2013-12-06 2015-06-10 华为技术有限公司 混合高斯分布的参数估计方法和装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103530531A (zh) * 2013-11-06 2014-01-22 国家电网公司 一种基于极大似然估计的风电功率持续特性描述方法
CN104702378A (zh) * 2013-12-06 2015-06-10 华为技术有限公司 混合高斯分布的参数估计方法和装置
CN103927695A (zh) * 2014-04-22 2014-07-16 国家电网公司 基于自学习复合数据源的风电功率超短期预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨健康: "计及风电预测不确定性的电力系统日内调度模型研究", 《优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106407160B (zh) * 2016-09-30 2018-11-09 国网宁夏电力公司电力科学研究院 含多个风电场的电力系统概率潮流联合分布的计算方法
CN106407160A (zh) * 2016-09-30 2017-02-15 国网宁夏电力公司电力科学研究院 含多个风电场的电力系统概率潮流联合分布的计算方法
CN107527223A (zh) * 2016-12-22 2017-12-29 北京锐安科技有限公司 一种购票信息分析的方法及装置
CN106772195A (zh) * 2017-01-04 2017-05-31 国网江苏省电力公司电力科学研究院 一种计量系统电流互感器长期误差稳定性可靠性评价方法
CN107358060B (zh) * 2017-09-06 2019-10-11 大连理工大学 一种对风电功率预测误差区间进行估计的方法
CN107358060A (zh) * 2017-09-06 2017-11-17 大连理工大学 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法
CN107563656A (zh) * 2017-09-11 2018-01-09 东北大学 金湿法冶金氰化浸出过程运行状态的评价方法
CN107832881A (zh) * 2017-11-02 2018-03-23 南方电网科学研究院有限责任公司 考虑负荷水平和风速分段的风电功率预测误差评价方法
CN107832881B (zh) * 2017-11-02 2021-07-02 南方电网科学研究院有限责任公司 考虑负荷水平和风速分段的风电功率预测误差评价方法
CN109146840A (zh) * 2018-01-19 2019-01-04 北京市遥感信息研究所 基于高斯概率统计的数据几何定位精度评估方法及装置
CN109580218A (zh) * 2018-12-08 2019-04-05 上海电力学院 一种基于似然学习机的风机齿轮箱状态识别方法
CN109947879A (zh) * 2019-01-29 2019-06-28 中国海洋大学 一种基于复杂网络的海洋观测大数据可视化分析方法
CN109947879B (zh) * 2019-01-29 2023-07-04 中国海洋大学 一种基于复杂网络的海洋观测大数据可视化分析方法
CN110210052A (zh) * 2019-04-23 2019-09-06 东北电力大学 光伏发电出力波动性分量统计特性分析的方法
CN110084433A (zh) * 2019-05-05 2019-08-02 西南交通大学 基于高斯混合模型的风电功率预测误差分段拟合方法
WO2021077646A1 (zh) * 2019-10-22 2021-04-29 中国科学院广州能源研究所 用于电功率预测模型的多精度指标综合评价方法及系统
CN111191027B (zh) * 2019-12-14 2023-05-30 上海电力大学 一种基于高斯混合分布vae的广义零样本识别方法
CN111191027A (zh) * 2019-12-14 2020-05-22 上海电力大学 一种基于高斯混合分布vae的广义零样本识别方法
CN112633549A (zh) * 2020-11-19 2021-04-09 国网宁夏电力有限公司电力科学研究院 基于统计规律的负荷概率区间建模方法
CN112531694B (zh) * 2020-11-27 2022-05-20 国网重庆市电力公司电力科学研究院 基于数字孪生技术的交直流混合电网全域实时模拟方法
CN112531694A (zh) * 2020-11-27 2021-03-19 国网重庆市电力公司电力科学研究院 基于数字孪生技术的交直流混合电网全域实时模拟方法
CN113346491A (zh) * 2021-06-09 2021-09-03 国网山西省电力公司经济技术研究院 一种新能源场站发电出力特性多维评估方法及系统
CN117114436A (zh) * 2023-07-27 2023-11-24 中冶建筑研究总院有限公司 一种基于实测数据的既有预应力混凝土构件性能评价方法
CN117786605A (zh) * 2024-02-27 2024-03-29 浙江省水利水电勘测设计院有限责任公司 基于改进高斯混合模型的多集合成员预报融合校正方法
CN117786605B (zh) * 2024-02-27 2024-05-14 浙江省水利水电勘测设计院有限责任公司 基于改进高斯混合模型的多集合成员预报融合校正方法

Similar Documents

Publication Publication Date Title
CN105719023A (zh) 一种基于混合高斯分布的风电功率实时预测误差分析方法
Liu et al. Random forest solar power forecast based on classification optimization
Wang et al. Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting
Kou et al. Sparse online warped Gaussian process for wind power probabilistic forecasting
Tabone et al. Modeling variability and uncertainty of photovoltaic generation: A hidden state spatial statistical approach
CN110084433B (zh) 基于高斯混合模型的风电功率预测误差分段拟合方法
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN109088407B (zh) 基于深度信念网络伪量测建模的配电网状态估计方法
CN107038292A (zh) 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN112418346B (zh) 一种数值天气预报总辐射系统误差分类计算方法
Cheng et al. Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting
CN106600037B (zh) 一种基于主成分分析的多参量辅助负荷预测方法
CN108074015A (zh) 一种风电功率超短期预测方法及系统
CN103747477A (zh) 网络流量分析与预测方法和装置
CN104102836A (zh) 一种电力系统快速抗差状态估计方法
CN104778506A (zh) 基于局部集成学习的短期风速预报方法
CN104112062A (zh) 基于插值方法的风资源分布的获取方法
Gensler et al. An analog ensemble-based similarity search technique for solar power forecasting
CN110795841B (zh) 一种间歇性能源出力不确定性的数学建模方法
CN116826737A (zh) 一种光伏功率的预测方法、装置、存储介质及设备
CN102280877B (zh) 一种多量测断面的电力系统不良支路参数辨识方法
CN108879656A (zh) 一种基于子抽样svr集成的短期电力负荷预测方法
CN105939026B (zh) 基于混合Laplace分布的风电功率波动量概率分布模型建立方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20160629