CN106446571B - 风电场功率预测的误差评价方法 - Google Patents

风电场功率预测的误差评价方法 Download PDF

Info

Publication number
CN106446571B
CN106446571B CN201610877577.XA CN201610877577A CN106446571B CN 106446571 B CN106446571 B CN 106446571B CN 201610877577 A CN201610877577 A CN 201610877577A CN 106446571 B CN106446571 B CN 106446571B
Authority
CN
China
Prior art keywords
principal component
component item
error
item
prediction
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
CN201610877577.XA
Other languages
English (en)
Other versions
CN106446571A (zh
Inventor
白恺
柳玉
孙荣富
崔正湃
姚琦
崔阳
徐曼
王东升
王若阳
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.)
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
State Grid Jibei Electric Power Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
North China Electric Power Research Institute Co Ltd
State Grid Jibei Electric Power Co Ltd
Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd
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 State Grid Corp of China SGCC, North China Electric Power Research Institute Co Ltd, State Grid Jibei Electric Power Co Ltd, Electric Power Research Institute of State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201610877577.XA priority Critical patent/CN106446571B/zh
Publication of CN106446571A publication Critical patent/CN106446571A/zh
Application granted granted Critical
Publication of CN106446571B publication Critical patent/CN106446571B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • GPHYSICS
    • G16INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16ZINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00Subject matter not provided for in other main groups of this subclass

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种风电场功率预测的误差评价方法,该方法包括:根据风电场功率预测的样本数据,计算功率预测的误差评价指标,其中,样本数据包括预测数据和实测数据;对所述误差评价指标进行主成分分析,选取有效主成分项;计算所述有效主成分项对应的权重系数;根据所述有效主成分项及其对应的权重系数,计算综合评价指标。该方法能够从多方面综合评价风电场的预测水平,并避免多重指标带来不同排名而产生的不确定性,评价更加全面准确。

Description

风电场功率预测的误差评价方法
技术领域
本发明涉及风电场功率预测的误差评价技术领域,尤其涉及一种风电场功率预测的误差评价方法。
背景技术
风电功率预测是新能源电力系统经济、安全运行的核心问题。风电作为一种随机性、波动性的自然资源,当其渗透率超过一定比例之后,电能质量和电力系统的运行可能受到严重影响。风电功率预测水平直接关系到电网调峰、机组组合、机组经济运行等问题,然而,目前风电功率的预测水平还不能满足电力系统实际运行的需要。
近些年,国内外各机构和学者对风电功率预测开展了大量的研究工作,主要集中在物理模型和统计模型两方面。物理模型主要成果有Troen和Landberg开发的丹麦RLS国家实验室的物理预测模型Prediktor,冯双磊等利用解析原理分析的风电场局地效应与风电机组尾流影响,统计模型主要成果有持续性模型,时序分析法和卡尔曼滤波模型,基于人工神经网络和空间相关性的模型,前向神经网络和自回归移动平均模型,最小二乘支持向量机等。
相对于日益精确和复杂的风电功率预测模型,用于检验预测水平和服务系统运行的风电场功率预测评价指标则仍比较单一。目前风电场功率预测水平的评价指标多采用均方根误差和合格率两项指标,这两项指标能在一定程度上反映预测值和实际值的离散程度和可靠程度,但无法全面评价预测结果,评价结果也不适宜直接指导机组组合、调峰调频等电网调度运行。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的一个目的在于提出一种风电场功率预测的误差评价方法,该方法能够全面评价预测结果,指导机组、调峰调频等电网调度运行。
为达到上述目的,本发明实施例提出的风电场功率预测的误差评价方法,包括:根据风电场功率预测的样本数据,计算功率预测的误差评价指标,其中,样本数据包括预测数据和实测数据;对所述误差评价指标进行主成分分析,选取有效主成分项;计算所述有效主成分项对应的权重系数;根据所述有效主成分项及其对应的权重系数,计算综合评价指标。
进一步地,所述误差评价指标包括:
极大误差率:
准确率:
合格率:
相关系数:
最大正向误差:
最大负向误差:
其中,PMi是i时刻的实际功率;PPi是i时刻的预测功率;是所有样本实际功率的平均值;是所有预测功率样本的平均值;Capi是风电场在第i时刻的开机运行容量;n是所有样本个数。
进一步地,所述对所述误差评价指标进行主成分分析,选取有效主成分项,包括:根据所述各项误差评价指标建立相关系数矩阵;计算所述相关系数矩阵的特征值和特征向量;根据所述特征向量确定主成分项的表达式;根据所述特征值及其对应的特征向量选取有效主成分项。
进一步地,所述根据所述各项误差评价指标建立相关系数矩阵,包括:对多个风电场功率预测的各项误差评价指标数据进行标准化;根据标准化后的数据计算各项误差评价指标数据之间的相关系数;根据所述相关系数建立相关系数矩阵。
进一步地,所述根据所述特征值及其对应的特征向量选取有效主成分项,包括:根据所述特征值计算每个主成分项的贡献率;根据所述贡献率选取有效主成分项。
进一步地,所述根据所述贡献率选取有效主成分项,包括:将所述每个主成分项的贡献率按从大到小逐项累加,直至累积贡献率不小于预设阈值;将所累加的贡献率对应的主成分项作为有效主成分项。
进一步地,所述预设阈值的取值范围是60%~90%。
进一步地,所述计算所述有效主成分项对应的权重系数,包括:利用熵值法计算各有效主成分项的信息熵值;根据所述信息熵值计算所述各有效主成分项的权重系数。
进一步地,所述主成分项的表达式是主成分项与所述各项误差评价指标的关系表达式,所述根据所述有效主成分项及其对应的权重系数,计算综合评价指标,包括:根据所述有效主成分项与所述各项误差评价指标的关系表达式和所述各有效主成分项的权重系数,计算预设的综合评价指标。
进一步地,所述预设的综合评价指标是:
CEI=k1·(1-EV)+k2·CR+k3·QR+k4·rpower+k5·(1-Esurplus)+k6·(1-Edeficit)
其中,k1、k2、k3、k4、k5、k6是各误差指标的权重系数,且k1+k2+k3+k4+k5+k6=1。
本发明实施例提出的风电场功率预测的误差评价方法,通过从多个角度扩展功率预测的误差评价指标,建立多指标评价体系,采用主成分分析的方法使用几个有效主成分表征所有误差评价指标,并通过熵值法计算各有效主成分项的权重系数,最终得到科学有效的综合评价指标。一方面,考虑了预测过程和预测影响的物理意义,从多方面综合评价了风电场的功率预测水平和预测影响,评价更加全面。另一方面,相对于简单的多指标评价策略,避免了多重指标带来不同排名而产生的不确定性,由于采用了信息熵判定方法,能够有效避免人为定义权重值带来的主观因素和不科学,从而能够对风电场功率预测水平进行科学、合理、有效的综合评价。
为让本发明的上述和其他目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附图式,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的风电场功率预测的误差评价方法的流程示意图;
图2是本发明一个实施例的综合评价指标的计算方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的构思,在选取设定风电场功率预测水平的多元评价指标时,应尽可能满足我国风力发电行业的现状与前景,一方面应调研并参考现有标准和规定中的预测评价指标,另一方面所使用的评价指标应能够反映功率预测运行特点或对电网运行的影响。
NB/T《风电功率预测系统功能规范》和Q/GDW《风电功率预测功能规范》给出了其建议的误差计算方法,包括以下四项:
均方根误差:
平均绝对误差:
相关性系数:
最大预测误差:
δmax=max(|PMi-PPi|) (4)
式中,PMi——i时刻的实际功率;PPi——i时刻的预测功率;——所有样本实际功率的平均值;——所有预测功率样本的平均值;Cap——风电场的开机总容量;n——所有样本个数。
但以上的规范和误差计算方法给出的评价指标较少,且并不能全面综合地进行评价。对此,本发明进行了改进。
下面参考附图描述本发明实施例的风电场功率预测的误差评价方法。
图1是本发明一个实施例的风电场功率预测的误差评价方法的流程示意图,如图1所示,该方法包括:
步骤101,根据风电场功率预测的样本数据,计算功率预测的误差评价指标,其中,样本数据包括预测数据和实测数据。
步骤102,对所述误差评价指标进行主成分分析,选取有效主成分项。
步骤103,计算所述有效主成分项对应的权重系数。
步骤104,根据所述有效主成分项及其对应的权重系数,计算综合评价指标。
具体地,基于现有的误差评价理论,本申请实施例先扩展了误差评价指标(以下简称指标或评价指标),形成多指标评价体系,根据预测数据和实测数据计算各误差评价指标,并对各项误差评价指标利用主成分分析方法进行降维,用数量较小、贡献率较高的几个有效主成分表征所有误差评价指标,最终根据各有效主成分项对应的权重系数得到综合评价指标。
本申请实施例一方面考虑了预测过程和预测影响的物理意义,从多方面综合评价了风电场的预测水平和预测影响,评价更加全面。另一方面,相对于简单的多指标评价策略,本申请实施例提出的综合评价指标能够避免多重指标带来不同排名而产生的不确定性。
进一步地,本申请实施例从预测结果和预测影响的物理意义出发,定义了以下六项风电场功率预测误差评价指标,其中包括四项全时段预测评价指标和两项重点时段的预测评价指标。
极大误差率:
极大误差率考察的是风电场在极端情况下预测出现的最大误差的大小。若风电场经常出现最大误差过大的情况,则需要较高的备用容量,既影响经济性也会影响电网安全。
准确率:
准确率考察的是风电场全部时段的平均误差的大小,这一指标是传统风电功率预测误差评价最主要的参数,体现了风电场预测水平在全时段的整体稳定性。
合格率:
合格率考察的是风电场预测准确率不低于百分数θ的时段占总全部时段的概率。合格率越高,风电场功率预测达到电网要求的时间段越长。
相关系数:
相关系数考察的是预测功率与实际功率变化趋势的一致性的强弱。这一指标体现出风电场在功率预测时,预测值随真实值变化的灵敏性。相关系数越高,预测功率的变化趋势与实际功率的变化趋势拟合的越好。
除了以上几项全时段的误差计算指标外,本申请将重点时段的误差如每日的高峰低谷区间误差单独提出来评价,用于评价短期预测功率中系统负荷高峰区间的最大正向误差和负荷低谷区间的最大负向误差,以确定电场在重点时间段的预测水平。计算方法如下:根据实际出力曲线确定高峰、低谷区间,以高峰、低谷时刻前后预设时间内(例如1.5小时以内)的区间作为高峰、低谷评价区间,取区间内的实际功率和预测功率,分别统计高峰区间正向误差的最大值和低谷区间负向误差的最大值。计算公式如下:
最大正向误差:
最大负向误差:
根据以上的定义与分析,本文归结出式(5)至式(10)共6项风电场短期预测误差评价指标。
在上述各式中,PMi是i时刻的实际功率;PPi是i时刻的预测功率;是所有样本实际功率的平均值;是所有预测功率样本的平均值;Capi是风电场在i时刻的开机总容量;n是所有样本个数。
分析可知,在上述(5)-(10)指标中,准确率、相关系数、合格率这三个指标的属性值越大,预测水平越高,为正向指标;极大误差率、最大正向误差、最大负向误差这三个指标的属性值越小,预测水平越高,为负向指标。因而,在定义综合评价指标时应当注意各单项指标的正负向。通过分析可知,以上定义的各指标均能对风电场功率预测水平进行评价,但各自只针对某一方面的优劣程度。为了全面客观的评价各风电场功率预测水平,本申请定义了一个综合评价指标CEI,计算公式如下:
CEI=k1·(1-EV)+k2·CR+k3·QR+k4·rpower+k5·(1-Esurplus)+k6·(1-Edeficit) (11)
式中,k1、k2、k3、k4、k5、k6——不同误差指标的权重系数,且k1+k2+k3+k4+k5+k6=1。
为了获得科学有效的风电功率预测的综合评价指标,本申请的一个实施例采用了主成分分析法。对所述误差评价指标进行主成分分析,选取有效主成分项,进一步包括:根据所述各项误差评价指标建立相关系数矩阵;计算所述相关系数矩阵的特征值和特征向量;根据所述特征向量确定主成分项的表达式;根据所述特征值及其对应的特征向量选取有效主成分项。
在本申请的一个具体实施例中,首先对上述6项单项误差评价指标进行主成分分析,建立矩阵:X={x1,x2,...,x6},其中x1-x6分别为各风电场的预测准确率、极大误差率、合格率、相关系数、最大正向误差率和最大负向误差率。具体步骤包括:
1.对多个风电场功率预测的各项误差评价指标数据进行标准化:
正向指标
负向指标
其中,xij表示第i个风电场功率预测样本的第j项误差评价指标。
2.根据标准化后的数据计算各项误差评价指标数据之间的相关系数。
为方便,假定原始数据标准化后用X表示,则经标准化处理后的数据的相关系数为:
式中,i,j=1,2,…,p,cov(Xi,Xj)为指标Xi与Xj之间的协方差,Di与Dj为指标Xi与Xj的方差,p是误差评价指标的个数。
3.根据所述相关系数建立相关系数矩阵:
然后可用雅克比方法求相关系数矩阵R的特征值(λ12…λp)和相应的特征向量:
ai=(ai1,ai2,…aip),i=1,2…p (16)
根据特征向量写出主成分项的表达式:
主成分分析可以得到p个主成分F1、F2……Fp,但是,由于各个主成分的方差是递减的,包含的信息量也是递减的,所以实际分析时,一般不是选取p个主成分,而是根据各个主成分累计贡献率的大小选取前k个主成分,这里贡献率就是指某个主成分的方差占全部方差的比重,实际也就是某个特征值占全部特征值合计的比重。
根据本申请的一个实施例,根据所述贡献率选取有效主成分项,包括:将所述每个主成分项的贡献率按从大到小逐项累加,直至累积贡献率不小于预设阈值;将所累加的贡献率对应的主成分项作为有效主成分项。贡献率和累计贡献率的计算方式如下:
每个主成分项的贡献率:
k个主成分项的累积贡献率:
贡献率越大,说明该主成分所包含的原始变量的信息越强。有效主成分项的个数k的选取,主要根据主成分的累积贡献率来决定,即要求累计贡献率达到预设阈值或以上,这样才能保证综合变量能包括原始变量的绝大多数信息。在本申请一个具体实施例中,预设阈值的取值范围是60%~90%,一般取85%即可满足常规需求。
根据本申请的一个实施例,计算所述有效主成分项对应的权重系数,进一步包括:利用熵值法计算各有效主成分项的信息熵值;根据所述信息熵值计算所述各有效主成分项的权重系数。
具体地,如图2所示,本申请采用熵值法计算各有效主成分项的信息熵值,并据此计算得出各有效主成分项占综合评价指标的权重值,且满足权重值之和等于一。由于采用了信息熵判定方法,能够有效避免人为定义权重值带来的主观因素和不科学,从而使最终得到的风电场功率预测的综合评价指标更加客观和科学。
应用熵值法进行计算的具体流程如下:
1.经过主成分计算步骤,得到有效主成分矩阵F:
式中n代表风电场功率预测样本总数量,m代表有效主成分的数量。
2.计算各有效主成分的信息熵:
3.计算信息熵冗余度:
dj=1-ej (22)
4.计算各有效主成分项占综合评价指标的权重系数:
在计算出有效主成分项对应的权重系数W1……Wk后,可以得到综合评价指标:
CEI=W1·F1+W2·F2+……+Wk·Fk (24)
可选的,由公式(17)可知,主成分项的表达式是主成分项与各项误差评价指标的关系表达式。因此,根据k个有效主成分项F1、F2……Fk与各项误差评价指标的关系表达式,对公式(24)进行整理,即可得到公式(11)中k1、k2、k3、k4、k5、k6的值。
本申请的实施例通过从多个角度扩展功率预测的误差评价指标,建立多指标评价体系,采用主成分分析的方法使用几个有效主成分表征所有误差评价指标,并通过熵值法计算各有效主成分项的权重系数,最终得到科学有效的综合评价指标。一方面,考虑了预测过程和预测影响的物理意义,从多方面综合评价了风电场的功率预测水平和预测影响,评价更加全面。另一方面,相对于简单的多指标评价策略,避免了多重指标带来不同排名而产生的不确定性,由于采用了信息熵判定方法,能够有效避免人为定义权重值带来的主观因素和不科学,从而能够对风电场功率预测水平进行科学、合理、有效的综合评价。
需要说明的是,通过实际算例验证,该指标能综合评价风电场功率预测水平以及预测结果的影响,在实际运用中将能够对新能源电力系统的运行提供更全面客观的参考。
需要说明的是,在本发明的描述中,术语“第一”、“第二”等仅用于描述目的,而不能理解为指示或暗示相对重要性。此外,在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种风电场功率预测的误差评价方法,其特征在于,包括:
根据风电场功率预测的样本数据,计算功率预测的误差评价指标,其中,样本数据包括预测数据和实测数据;
对所述误差评价指标进行主成分分析,选取有效主成分项;
计算所述有效主成分项对应的权重系数;
根据所述有效主成分项及其对应的权重系数,计算综合评价指标;
其中,所述误差评价指标包括:
极大误差率:
准确率:
合格率:
相关系数:
最大正向误差:
最大负向误差:
其中,PMi是i时刻的实际功率;PPi是i时刻的预测功率;是所有样本实际功率的平均值;是所有预测功率样本的平均值;Capi是风电场在第i时刻的开机运行总容量;n是所有样本个数。
2.如权利要求1所述的方法,其特征在于,所述对所述误差评价指标进行主成分分析,选取有效主成分项,包括:
根据各项误差评价指标建立相关系数矩阵;
计算所述相关系数矩阵的特征值和特征向量;
根据所述特征向量确定主成分项的表达式;
根据所述特征值及其对应的特征向量选取有效主成分项。
3.如权利要求2所述的方法,其特征在于,所述根据各项误差评价指标建立相关系数矩阵,包括:
对多个风电场功率预测的各项误差评价指标数据进行标准化;
根据标准化后的数据计算各项误差评价指标数据之间的相关系数;
根据所述相关系数建立相关系数矩阵。
4.如权利要求2所述的方法,其特征在于,所述根据所述特征值及其对应的特征向量选取有效主成分项,包括:
根据所述特征值计算每个主成分项的贡献率;
根据所述贡献率选取有效主成分项。
5.如权利要求4所述的方法,其特征在于,所述根据所述贡献率选取有效主成分项,包括:
将所述每个主成分项的贡献率按从大到小逐项累加,直至累积贡献率不小于预设阈值;
将所累加的贡献率对应的主成分项作为有效主成分项。
6.如权利要求5所述的方法,其特征在于,所述预设阈值的取值范围是60%~90%。
7.如权利要求1所述的方法,其特征在于,所述计算所述有效主成分项对应的权重系数,包括:
利用熵值法计算各有效主成分项的信息熵值;
根据所述信息熵值计算所述各有效主成分项的权重系数。
8.如权利要求2所述的方法,其特征在于,所述主成分项的表达式是主成分项与所述各项误差评价指标的关系表达式,所述根据所述有效主成分项及其对应的权重系数,计算综合评价指标,包括:
根据所述有效主成分项与所述各项误差评价指标的关系表达式和各有效主成分项的权重系数,计算预设的综合评价指标。
9.如权利要求8所述的方法,其特征在于,所述预设的综合评价指标是:
CEI=k1·(1-EV)+k2·CR+k3·QR+k4·rpower+k5·(1-Esurplus)+k6·(1-Edeficit)
其中,k1、k2、k3、k4、k5、k6是各误差指标的权重系数,且k1+k2+k3+k4+k5+k6=1。
CN201610877577.XA 2016-10-08 2016-10-08 风电场功率预测的误差评价方法 Active CN106446571B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610877577.XA CN106446571B (zh) 2016-10-08 2016-10-08 风电场功率预测的误差评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610877577.XA CN106446571B (zh) 2016-10-08 2016-10-08 风电场功率预测的误差评价方法

Publications (2)

Publication Number Publication Date
CN106446571A CN106446571A (zh) 2017-02-22
CN106446571B true CN106446571B (zh) 2019-03-01

Family

ID=58172222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610877577.XA Active CN106446571B (zh) 2016-10-08 2016-10-08 风电场功率预测的误差评价方法

Country Status (1)

Country Link
CN (1) CN106446571B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165791A (zh) * 2018-09-11 2019-01-08 国网河北能源技术服务有限公司 一种供热机组热电关系预测方法及装置
CN109066819B (zh) * 2018-09-25 2021-08-20 中国人民解放军军事科学院国防工程研究院 一种基于案件推理的配电网的无功优化方法
CN110188932A (zh) * 2019-05-20 2019-08-30 国核电力规划设计研究院有限公司 基于评价优化的数据中心能耗预测方法
CN111336964B (zh) * 2020-03-27 2021-05-18 重庆市计量质量检测研究院 基于单轴对称标准器的误差补偿方法与测量误差评价方法
CN111336963B (zh) * 2020-03-27 2021-05-18 重庆市计量质量检测研究院 基于双轴对称标准器的误差补偿方法与测量误差评价方法
CN112381310A (zh) * 2020-11-23 2021-02-19 贵州电网有限责任公司 一种风电预测误差综合评价方法
CN112329271A (zh) * 2020-12-04 2021-02-05 国网山东省电力公司电力科学研究院 基于多重pca的火电机组调峰关键指标识别方法及装置
CN112749839B (zh) * 2020-12-28 2023-06-27 广东电网有限责任公司 一种模型确定方法、装置、设备和存储介质
US11906951B2 (en) 2021-09-16 2024-02-20 Saudi Arabian Oil Company Method and system for managing model updates for process models
CN114336590A (zh) * 2021-11-24 2022-04-12 华能新能源股份有限公司 一种考虑功率指标的风电场储能配置方法
CN114285651A (zh) * 2021-12-27 2022-04-05 电子科技大学 一种工控环境下的DDoS攻击检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664409A (zh) * 2012-05-14 2012-09-12 东北电力大学 一种基于实测数据风电场风电功率实时预测的计算方法
CN104915736A (zh) * 2015-06-29 2015-09-16 东北电力大学 基于改进熵权法提高风电功率组合预测精度的方法
CN105303468A (zh) * 2015-11-20 2016-02-03 国网天津市电力公司 一种基于主成分聚类分析的智能电网建设综合评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102664409A (zh) * 2012-05-14 2012-09-12 东北电力大学 一种基于实测数据风电场风电功率实时预测的计算方法
CN104915736A (zh) * 2015-06-29 2015-09-16 东北电力大学 基于改进熵权法提高风电功率组合预测精度的方法
CN105303468A (zh) * 2015-11-20 2016-02-03 国网天津市电力公司 一种基于主成分聚类分析的智能电网建设综合评价方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A protocol for standardizing the performance evaluation of short - term wind power prediction model;H.Madsen et al.;《Proceedings of the 2004 Global Windpower Conference and Exhibition》;20040131;1-16
基于多指标融合评价和案例推理的风电功率预测模型的优选决策;魏爱雪;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑(月刊)》;20150915(第09期);C042-77
短期风电功率预测误差综合评价方法;徐曼,等;《电力系统自动化》;20110625;第35卷(第12期);20-26
风电功率预测误差分析及预测误差评价方法;孟岩峰,等;《电力建设》;20130710;第34卷(第7期);6-9

Also Published As

Publication number Publication date
CN106446571A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN106446571B (zh) 风电场功率预测的误差评价方法
Wan et al. Optimal prediction intervals of wind power generation
CN109659933A (zh) 一种基于深度学习模型的含分布式电源配电网电能质量预测方法
Wang et al. A review of artificial intelligence based building energy prediction with a focus on ensemble prediction models
Wang et al. Decision tree based online stability assessment scheme for power systems with renewable generations
Cheng-wen et al. Application of ANN for the prediction of building energy consumption at different climate zones with HDD and CDD
CN105117602A (zh) 一种计量装置运行状态预警方法
CN102982393B (zh) 一种输电线路动态容量的在线预测方法
CN107730031A (zh) 一种超短期高峰负荷预测方法及其系统
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
CN109165819A (zh) 一种基于改进AdaBoost.M1-SVM的有源配电网可靠性快速评估方法
CN104376435A (zh) 一种电力电量平衡方案评估方法
CN108667069A (zh) 一种基于偏最小二乘法回归的短期风电功率预测方法
CN103440410A (zh) 主变个体缺陷概率预测方法
CN108649556A (zh) 一种电网应急场景随机优化调度方法
CN109118120A (zh) 考虑水库调度方案可持续性利用的多目标决策方法
CN104751254A (zh) 基于非等距加权灰色模型和模糊聚类排序线损率预测方法
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
Kovalchuk et al. Towards ensemble simulation of complex systems
Long et al. Study on Ann-based multi-step prediction model of short-term climatic variation
Fux et al. Short-term thermal and electric load forecasting in buildings
Lin et al. RLOPF (risk-limiting optimal power flow) for systems with high penetration of wind power
Liu et al. Advanced evaluation method for regional wind power prediction
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
CN110533213A (zh) 基于支持向量机的输电线路缺陷风险建模及其预测方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant