CN106229972B - 一种基于多气象源集成并分段建模的风电功率预测方法 - Google Patents

一种基于多气象源集成并分段建模的风电功率预测方法 Download PDF

Info

Publication number
CN106229972B
CN106229972B CN201610677972.3A CN201610677972A CN106229972B CN 106229972 B CN106229972 B CN 106229972B CN 201610677972 A CN201610677972 A CN 201610677972A CN 106229972 B CN106229972 B CN 106229972B
Authority
CN
China
Prior art keywords
meteorological
wind speed
nwp
integrated
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.)
Active
Application number
CN201610677972.3A
Other languages
English (en)
Other versions
CN106229972A (zh
Inventor
向婕
雍正
闫涵
王思源
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.)
New Energy Polytron Technologies Inc
Original Assignee
New Energy Polytron Technologies Inc
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 New Energy Polytron Technologies Inc filed Critical New Energy Polytron Technologies Inc
Priority to CN201610677972.3A priority Critical patent/CN106229972B/zh
Publication of CN106229972A publication Critical patent/CN106229972A/zh
Application granted granted Critical
Publication of CN106229972B publication Critical patent/CN106229972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/386—
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation
    • 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
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/76—Power conversion electric or electronic aspects

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出一种基于多气象源集成并分段建模的风电功率预测方法，包括以下步骤：1)获取多组NWP预测气象数据及风电场实测气象数据、实测输出功率数据；2)剔除步骤1)中风速及功率的异常数据；3)进行关联分析筛选出待集成的气象源数据；4)采用最小二乘法，获得集成拟合多项式，进而获得集成后气象源；5)利用神经网络算法进行建模，获得不同风速段的风电场功率预测模型；6)将用于集成后气象源的NWP预测气象数据，输入到对应风速段的风电场功率预测模型中，获得风电场预测输出功率。本发明将多个数值模式结果融合集成,并针对不同大小风速，对风电场输出功率进行建模，有效地提升预测模型的稳定性和准确性。

Description

一种基于多气象源集成并分段建模的风电功率预测方法
技术领域
本发明属于电网风电预测领域,特别是涉及到一种基于多气象源集成并分段建模的风电功率预测方法。
背景技术
随着风电并网容量迅速增加，准确有效地对风电场输出功率进行预测不但可以帮助电力系统调度人员做出有效决策，还可以为电力市场条件下并网风电功率趸售提供可靠依据。通过风电场历史气象和输出功率数据进行建模，并将数值天气预报(NWP，NumericalWeather Prediction)的结果作为气象源，输入到风功率预测模型中，对风电场出力进行预测，是目前较为普遍的风电功率预测方法之一。在建立风电功率预测模型时，往往是对所有风速进行统一建模，并使用单一NWP作为气象源输入模型。
由于NWP中所描述的大气物理运动过程有限、作为其初始值的观测资料不可能绝对准确、计算过程中的舍入误差在所难免等原因，NWP预报结果只是未来大气一个可能的近似解。同时，NWP对于不同天气过程模拟能力的差异，也会导致风速模拟结果的不稳定以及不同风速范围模拟能力的差异。因此，利用单一NWP结果作为风功率预测模型的气象源，无法保证气象源本身的准确性和稳定性，进而影响风电功率预测结果。
由于受风电场地形、风机特性及排列方式等因素的影响，在不同风速条件下，风电场的输出功率特征会产生差异。如果按照目前常用的建模方法，即不考虑风速大小差异，对风电场出力进行统一建模，其模型结果有可能会受到不同风速段的相互影响，降低模型预测结果的准确性。
发明内容
有鉴于此，本发明提出一种基于多气象源集成并分段建模的风电功率预测方法，将多个数值模式结果融合集成,并针对不同大小风速，对风电场输出功率进行建模，有效地提升预测模型的稳定性和准确性。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于多气象源集成并分段建模的风电功率预测方法，包括以下步骤：
1)获取多组NWP预测气象数据及风电场实测气象数据、实测输出功率数据；
2)剔除步骤1)中风速及功率的异常数据；
3)对多个NWP预测气象数据与对应的风电场实测气象数据进行关联分析，筛选出合适NWP预测气象数据作为待集成的气象源数据；
4)结合待集成的气象源中NWP预测气象数据与对应的实测气象数据，采用最小二乘法，获得集成拟合多项式，进而获得集成后气象源；
5)将实测气象数据按照不同风速段进行划分，并结合相应的实测输出功率，利用神经网络算法进行建模，获得不同风速段的风电场功率预测模型；
6)将用于集成后气象源的NWP预测气象数据，按照集成拟合多项式，获得集成预测风速，并按照其预测风速大小输入到对应风速段的风电场功率预测模型中，获得风电场预测输出功率。
进一步的，步骤1)中NWP预测气象数据、风电场实测气象数据都包括风速数据。
进一步的，步骤2)中异常数据包括：气象观测仪器以及数值模式设置的缺省值、超过收集的同类要素数据集3倍标准差的奇异值、以及连续3个或以上时刻维持同一值的风速值。
进一步的，步骤3)所述关联分析是指利用相关系数和均方根误差进行分析。具体步骤如下：
(301)从备选的NWP预测气象数据中获取风速vi，其中，i代表第i个NWP的预测气象结果，i＝1，2，…，n，n代表备选NWP的个数，时间分辨率为15分钟；从实测气象数据中获取风速vr，时间分辨率为15分钟；
(302)分别计算每个备选NWP的预测气象数据与实测气象数据相对应的气象要素相关系数Ri，有：
其中，i为第i个NWP的预测气象结果，i＝1，2，…，n，n代表备选NWP的个数；Ri代表第i个NWP风速预测值与实测值的相关系数；vi代表第i个NWP风速预测值；vr代表风速实况值；m代表风速预测值和实测值的样本数，m＝1，2，…，M，M代表样本总数；
(303)将相关系数Ri按照从大到小排序，选取相关系数高的若干个NWP预测气象数据，并结合风速实测值计算均方根误差RMSEi，有：
其中，i为第i个NWP的预测气象结果，i＝1，2，…，10，；RMSEi代表第i个NWP风速预测值与实测值的均方根误差；vi代表第i个NWP风速预测值；vr代表风速实况值；m代表风速预测值和实测值的样本数，m＝1，2，…，M，M代表样本总数；
(304)将均方根误差RMSEi按照从小到大排序，选取前若干较小的均方根误差对应的NWP预测气象数据作为待集成的气象源数据。
进一步的，步骤4)所述获得集成后气象源的步骤包括：
(401)待集成气象源中的NWP预测风速矩阵为：
其中，m为待集成气象源中NWP的个数，n为预测风速样本数；
实测风速矩阵为：
风速拟合多项式为
Vr＝A·V
其中，A为常数项矩阵，为
(402)分别计算和其中，n为预测风速样本数，m为待集成气象源中NWP的个数；
(403)利用正规方程组，求出矩阵A，获得拟合多项式；
(404)根据拟合多项式，结合待集成气象源，获得集成后气象源。
进一步的，步骤5)所述神经网络算法建模具体步骤如下：
(501)将历史实测气象数据分成若干风速段；
(502)将每个风速段内历史实测风速v及对应的风电场实际输出功率p作为样本值和期望值输入到神经网络，并设定阈值；
(503)由给定的输入输出模式对计算隐层、输出层各单元输出；
(504)计算新的连接权及阈值；
(505)选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。
相对于现有技术，本发明所述的一种基于多气象源集成并分段建模的风电功率预测方法，主要有以下优势：
1、本发明将多气象源预报结果进行融合集成，作为风功率预测模型输入气象源，充分利用多个NWP模型的各自优势，弥补了单一NWP预测结果作为气象源可能引起的预报精度不稳定性，提高气象预报的稳定性和准确性；
2.本发明针对不同大小风速，对风电场输出功率进行建模，分离了不同风速大小对于模型预测效果的影响，提升风功率预测模型的适用性、稳定性和准确性。
附图说明
图1是本发明的流程图。
图2是本发明实施例中的NWP3预测风速与实际风速散点图。
图3是本发明实施例中的NWP1预测风速与实际风速散点图。
图4是本发明实施例中的NWP4预测风速与实际风速散点图。
图5是本发明实施例中的集成后NWP预测风速与实际风速散点图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面将结合实施例以及附图来详细说明本发明。
本发明的步骤如图1所示，具体说明如下：
本发明包括：
1)获取多组NWP预测气象数据及风电场实测气象数据、实测输出功率数据；NWP预测气象数据、风电场实测气象数据包括风速数据。
2)剔除步骤1)中风速及功率的异常数据；异常数据包括：气象观测仪器以及数值模式设置的缺省值、超过收集的同类要素数据集3倍标准差的奇异值、以及连续3个或以上时刻维持同一值的风速值。
3)对多个NWP预测气象数据与对应的风电场实测气象数据进行关联分析，筛选出合适NWP预测气象数据作为待集成的气象源数据；
所述关联分析是指利用相关系数和均方根误差进行分析。具体步骤如下：
(301)从备选的NWP预测气象数据中获取风速vi，其中，i代表第i个NWP的预测气象结果，i＝1，2，…，n，n代表备选NWP的个数，时间分辨率为15分钟；从实测气象数据中获取风速vr，时间分辨率为15分钟；
(302)分别计算每个备选NWP的预测气象数据与实测气象数据相对应的气象要素相关系数Ri，有：
其中，i为第i个NWP的预测气象结果，i＝1，2，…，n，n代表备选NWP的个数；Ri代表第i个NWP风速预测值与实测值的相关系数；vi代表第i个NWP风速预测值；vr代表风速实况值；m代表风速预测值和实测值的样本数，m＝1，2，…，M，M代表样本总数；
(303)将相关系数Ri按照从大到小排序，选取相关系数高的若干个NWP预测气象数据，并结合风速实测值计算均方根误差RMSEi，有：
其中，i为第i个NWP的预测气象结果，i＝1，2，…，10，；RMSEi代表第i个NWP风速预测值与实测值的均方根误差；vi代表第i个NWP风速预测值；vr代表风速实况值；m代表风速预测值和实测值的样本数，m＝1，2，…，M，M代表样本总数；
(304)将均方根误差RMSEi按照从小到大排序，选取前若干较小的均方根误差对应的NWP预测气象数据作为待集成的气象源数据。
4)结合待集成的气象源中NWP预测气象数据与对应的实测气象数据，采用最小二乘法，获得集成拟合多项式，进而获得集成后气象源；
所述获得集成后气象源的步骤包括：
(401)待集成气象源中的NWP预测风速矩阵为：
其中，m为待集成气象源中NWP的个数，n为预测风速样本数；
实测风速矩阵为：
风速拟合多项式为
Vr＝A·V
其中，A为常数项矩阵，为
(402)分别计算和其中，n为预测风速样本数，m为待集成气象源中NWP的个数；
(403)利用正规方程组，求出矩阵A，获得拟合多项式；
(404)根据拟合多项式，结合待集成气象源，获得集成后气象源。
5)将实测气象数据按照不同风速段进行划分，并结合相应的实测输出功率，利用神经网络算法进行建模，获得不同风速段的风电场功率预测模型；
所述神经网络算法建模具体步骤如下：
(501)将历史实测气象数据分成若干风速段；
(502)将每个风速段内历史实测风速v及对应的风电场实际输出功率p作为样本值和期望值输入到神经网络，并设定阈值；
(503)由给定的输入输出模式对计算隐层、输出层各单元输出；
(504)计算新的连接权及阈值；
(505)选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。
6)将用于集成后气象源的NWP预测气象数据，按照集成拟合多项式，获得集成预测风速，并按照其预测风速大小输入到对应风速段的风电场功率预测模型中，获得风电场预测输出功率。
以甘肃某风电场为例，备选NWP预测风速为6组，选取2016年1月1日至2016年5月26日的数据进行测试。用2016年1月1日-2016年4月30日的数据作为历史阶段，期间的NWP气象数据和实测风速、功率分别代表预测气象及风电场实测风速、实测输出功率等历史数据集。用2016年5月1日-26日的数据作为预测期数据集。将所获得的数据进行异常点剔除，包括气象观测仪器以及数值模式设置的缺省值、超过收集的同类要素数据集3倍标准差的奇异值、以及连续3个或以上时刻维持同一值的风速值。分别计算6组NWP历史预测风速与对应时期实况风速的相关系数，其结果列于表1：
表1各NWP预测风速与实测风速的相关系数
选取相关系数较高的5组NWP预测结果，计算与对应时期实况风速的均方根误差，其结果列于表2：
表2筛选后各NWP预测风速的均方根误差
选取均方根误差较小的前3组NWP(即NWP3、NWP1、NWP4)预测结果，与实测风速对比的散点图分别如图2、图3、图4所示，其中纵坐标为NWP预测风速(m/s)，横坐标为实际风速(m/s)。
将异常风速数据剔除后，利用建模数据段建立神经网络模型，采用步骤4)中的流程，利用最小二乘法获得集成后的气象源风速，其相关系数为0.8288，大于之前所有NWP预测风速，均方根误差为1.98m/s，小于所有NWP预测风速，图5为集成后的预测风速与实际风速的散点图，从散点图上也可以看出集成后的预测风速与实际风速的散点图较集成前的3个NWP预报风速更加紧凑，偏差更小。证明通过最小二乘法有效地提高了预测风速的精度。
按照步骤5)-6)以0.5m/s为间隔将历史实测风速划分为不同的风速段，并结合相应的风电场历史输出功率，利用神经网络算法分风速段进行建模，获得不同风速段的风电场功率预测模型。将用于集成气象源的NWP预测风速，按照集成拟合多项式，获得集成预测风速，并按照其预测风速大小输入到对应风速段的风电场功率预测模型中，获得风电场预测输出功率。其检验结果列于表3。可以看出，无论是使用5月份平均精度还是考核达标天数，使用集成NWP预测风速并使用分风速段建模后的功率预测方法所获的结果均高于集成NWP预测而整体建模的功率预测方法。此外，从表3中也可以看出，利用集成NWP进行功率预测的结果要优于使用单个NWP进行功率预测结果。
表3不同功率预测方法的结果对比
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、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于多气象源集成并分段建模的风电功率预测方法，其特征在于，包括以下步骤：
1)获取多组NWP预测气象数据及风电场实测气象数据、实测输出功率数据；
2)剔除步骤1)中风速及功率的异常数据；
3)对多个NWP预测气象数据与对应的风电场实测气象数据进行关联分析，筛选出合适NWP预测气象数据作为待集成的气象源数据；
4)结合待集成的气象源中NWP预测气象数据与对应的实测气象数据，采用最小二乘法，获得集成拟合多项式，进而获得集成后气象源；
5)将实测气象数据按照不同风速段进行划分，并结合相应的实测输出功率，利用神经网络算法进行建模，获得不同风速段的风电场功率预测模型；
6)将用于集成后气象源的NWP预测气象数据，按照集成拟合多项式，获得集成预测风速，并按照其预测风速大小输入到对应风速段的风电场功率预测模型中，获得风电场预测输出功率；
其中步骤3)所述关联分析是指利用相关系数和均方根误差进行分析，将均方根误差按照从小到大排序，选取前若干较小的均方根误差对应的NWP预测气象数据作为待集成的气象源数据。
2.根据权利要求1所述的一种基于多气象源集成并分段建模的风电功率预测方法，其特征在于，步骤1)中NWP预测气象数据、风电场实测气象数据都包括风速数据。
3.根据权利要求1所述的一种基于多气象源集成并分段建模的风电功率预测方法，其特征在于，步骤2)中异常数据包括：气象观测仪器以及数值模式设置的缺省值、超过收集的同类要素数据集3倍标准差的奇异值、以及连续3个或以上时刻维持同一值的风速值。
4.根据权利要求1所述的一种基于多气象源集成并分段建模的风电功率预测方法，其特征在于，步骤3)所述关联分析是指利用相关系数和均方根误差进行分析，具体步骤如下：
(301)从备选的NWP预测气象数据中获取风速vi，其中，i代表第i个NWP的预测气象结果，i＝1，2，…，n，n代表备选NWP的个数，时间分辨率为15分钟；从实测气象数据中获取风速vr，时间分辨率为15分钟；
(302)分别计算每个备选NWP的预测气象数据与实测气象数据相对应的气象要素相关系数Ri，有：
其中，i为第i个NWP的预测气象结果，i＝1，2，…，n，n代表备选NWP的个数；Ri代表第i个NWP风速预测值与实测值的相关系数；vi代表第i个NWP风速预测值；vr代表风速实况值；m代表风速预测值和实测值的样本数，m＝1，2，…，M，M代表样本总数；
(303)将相关系数Ri按照从大到小排序，选取相关系数高的若干个NWP预测气象数据，并结合风速实测值计算均方根误差RMSEi，有：
其中，i为第i个NWP的预测气象结果，i＝1，2，…，10；RMSEi代表第i个NWP风速预测值与实测值的均方根误差；vi代表第i个NWP风速预测值；vr代表风速实况值；m代表风速预测值和实测值的样本数，m＝1，2，…，M，M代表样本总数；
(304)将均方根误差RMSEi按照从小到大排序，选取前若干较小的均方根误差对应的NWP预测气象数据作为待集成的气象源数据。
5.根据权利要求1所述的一种基于多气象源集成并分段建模的风电功率预测方法，其特征在于，步骤4)所述获得集成后气象源的步骤包括：
(401)待集成气象源中的NWP预测风速矩阵为：
其中，m为待集成气象源中NWP的个数，n为预测风速样本数；
实测风速矩阵为：
风速拟合多项式为
Vr＝A·V
其中，A为常数项矩阵，为
(402)分别计算和其中，n为预测风速样本数，m为待集成气象源中NWP的个数；
(403)利用正规方程组，求出矩阵A，获得拟合多项式；
(404)根据拟合多项式，结合待集成气象源，获得集成后气象源。
6.根据权利要求1所述的一种基于多气象源集成并分段建模的风电功率预测方法，其特征在于，步骤5)所述神经网络算法建模具体步骤如下：
(501)将历史实测气象数据分成若干风速段；
(502)将每个风速段内历史实测风速v及对应的风电场实际输出功率p作为样本值和期望值输入到神经网络，并设定阈值；
(503)由给定的输入输出模式对计算隐层、输出层各单元输出；
(504)计算新的连接权及阈值；
(505)选取下一个输入模式对返回第2步反复训练直到网络设输出误差达到要求结束训练。
CN201610677972.3A 2016-08-16 2016-08-16 一种基于多气象源集成并分段建模的风电功率预测方法 Active CN106229972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610677972.3A CN106229972B (zh) 2016-08-16 2016-08-16 一种基于多气象源集成并分段建模的风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610677972.3A CN106229972B (zh) 2016-08-16 2016-08-16 一种基于多气象源集成并分段建模的风电功率预测方法

Publications (2)

Publication Number Publication Date
CN106229972A CN106229972A (zh) 2016-12-14
CN106229972B true CN106229972B (zh) 2018-12-04

Family

ID=57552964

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610677972.3A Active CN106229972B (zh) 2016-08-16 2016-08-16 一种基于多气象源集成并分段建模的风电功率预测方法

Country Status (1)

Country Link
CN (1) CN106229972B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106897481B (zh) * 2017-01-03 2020-06-26 国能日新科技股份有限公司 利用空间多点功率预测特征的风功率集成预测方法及装置
CN106897790B (zh) * 2017-01-03 2021-01-12 国能日新科技股份有限公司 一种选择最优预报格点的风功率预测方法及装置
CN107124003B (zh) * 2017-04-28 2020-09-15 北京天诚同创电气有限公司 风力发电场风能预测方法和设备
CN107992970B (zh) * 2017-12-06 2021-10-26 北京金风慧能技术有限公司 风力发电机组的输出功率预测方法和设备
CN108009689A (zh) * 2017-12-22 2018-05-08 北京金风慧能技术有限公司 风速修正模型训练、风速修正方法、装置及风力发电机组
CN110874665B (zh) * 2018-08-31 2022-07-08 北京金风科创风电设备有限公司 用于风力发电机组的控制装置和方法
CN112613155B (zh) * 2020-02-06 2024-04-12 北京金风慧能技术有限公司 风力发电机组理论功率的确定方法、装置及设备
CN112613632A (zh) * 2020-03-31 2021-04-06 北京金风慧能技术有限公司 功率预测模型建立方法、预测方法、装置及电子设备
CN112417734B (zh) * 2020-11-25 2024-03-15 国能日新科技股份有限公司 一种基于风电场地理信息的风速订正方法及装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496927A (zh) * 2011-12-16 2012-06-13 中国电力科学研究院 基于误差统计修正的风电场功率预测方法
CN102545211A (zh) * 2011-12-21 2012-07-04 西安交通大学 一种通用的用于风电功率预测的数据预处理装置及方法
CN102570453A (zh) * 2012-01-06 2012-07-11 甘肃省电力公司风电技术中心 基于多套数值天气预报源的短期风电功率预测方法及系统
CN103530508A (zh) * 2013-09-30 2014-01-22 国家电网公司 一种建立风速功率转换概率模型的方法
JP2016136001A (ja) * 2015-01-23 2016-07-28 中国電力株式会社 予測装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102496927A (zh) * 2011-12-16 2012-06-13 中国电力科学研究院 基于误差统计修正的风电场功率预测方法
CN102545211A (zh) * 2011-12-21 2012-07-04 西安交通大学 一种通用的用于风电功率预测的数据预处理装置及方法
CN102570453A (zh) * 2012-01-06 2012-07-11 甘肃省电力公司风电技术中心 基于多套数值天气预报源的短期风电功率预测方法及系统
CN103530508A (zh) * 2013-09-30 2014-01-22 国家电网公司 一种建立风速功率转换概率模型的方法
JP2016136001A (ja) * 2015-01-23 2016-07-28 中国電力株式会社 予測装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于数值天气预报NWP修正的BP神经网络风电功率短期预测研究;蔡祯祺;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20160131;第C042-269页 *

Also Published As

Publication number Publication date
CN106229972A (zh) 2016-12-14

Similar Documents

Publication Publication Date Title
CN106229972B (zh) 一种基于多气象源集成并分段建模的风电功率预测方法
KR101948236B1 (ko) 동네별 미세먼지 현황 제공 시스템
CN104021424B (zh) 用于预测风场中的风机的输出功率的方法和装置
CN106326625A (zh) 一种耦合WRF与OpenFOAM模式的风场模拟方法
CN108981616B (zh) 一种由无人机激光雷达反演人工林有效叶面积指数的方法
CN110263392A (zh) 基于多模式分区误差检验的风场预报方法及其系统
CN108680925A (zh) 一种基于激光点云数据的输电线路导线相间测量方法
CN108319772A (zh) 一种波浪长期数据的再分析方法
Hally et al. An ensemble study of HyMeX IOP6 and IOP7a: sensitivity to physical and initial and boundary condition uncertainties
CN109543907A (zh) 一种复杂地形风资源评估方法及其装置
Zhang et al. Tropospheric aerosol size distributions simulated by three online global aerosol models using the M7 microphysics module
CN104657584A (zh) 一种基于Lorenz系统的风速预测方法
CN110471131B (zh) 高空间分辨率的精细化大气水平能见度自动预报方法及系统
Hao et al. A classification method for transmission line icing process curve based on hierarchical k-means clustering
Khan et al. An outlook of ozone air pollution through comparative analysis of artificial neural network, regression, and sensitivity models
Feser et al. Regional modeling of the Western Pacific typhoon season
CN110956330A (zh) 一种基于多维影响量对输电线路线损进行预测的方法及系统
Godowitch et al. Investigating the impact on modeled ozone concentrations using meteorological fields from WRF with an updated four–dimensional data assimilation approach
Venkatraman et al. Effect of different source terms and inflow direction in atmospheric boundary modeling over the complex terrain site of Perdigão
CN112632799B (zh) 输电线路设计风速取值方法及装置
Perdigão et al. Assessment of direct normal irradiance forecasts based on IFS/ECMWF data and observations in the south of portugal
Zhang et al. Estimate of NO X production in the lightning channel based on three-dimensional lightning locating system
CN106897481B (zh) 利用空间多点功率预测特征的风功率集成预测方法及装置
Polly et al. Cloud radiative effects and precipitation in extratropical cyclones
Schwartz et al. The use of reanalysis data for wind resource assessment at the National Renewable Energy Laboratory

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 100081 four, 407, 19 Building, 68 South Road, Haidian District, Beijing.

Applicant after: New energy Polytron Technologies Inc

Address before: 100081 four, 407, 19 Building, 68 South Road, Haidian District, Beijing.

Applicant before: Beijing Guo Nengxin system control technique company limited

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: Power prediction method for wind power based on integration of multiple meteorological sources and segmented modeling

Effective date of registration: 20190404

Granted publication date: 20181204

Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee

Pledgor: New energy Polytron Technologies Inc

Registration number: 2019990000290

PE01 Entry into force of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Date of cancellation: 20200911

Granted publication date: 20181204

Pledgee: Zhongguancun Beijing technology financing Company limited by guarantee

Pledgor: SPRIXIN TECHNOLOGY Co.,Ltd.

Registration number: 2019990000290

PC01 Cancellation of the registration of the contract for pledge of patent right