CN106485369B - 一种径流式小水电短期功率加权预测方法 - Google Patents
一种径流式小水电短期功率加权预测方法 Download PDFInfo
- Publication number
- CN106485369B CN106485369B CN201610963664.7A CN201610963664A CN106485369B CN 106485369 B CN106485369 B CN 106485369B CN 201610963664 A CN201610963664 A CN 201610963664A CN 106485369 B CN106485369 B CN 106485369B
- Authority
- CN
- China
- Prior art keywords
- radial
- flow type
- power station
- type small
- small power
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 74
- 238000013528 artificial neural network Methods 0.000 claims abstract description 30
- 238000011144 upstream manufacturing Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种径流式小水电短期功率加权预测方法,它包括收集地区径流式小水电和非径流式水电数据信息;计算第i个径流式小水电第j时刻的水流量、第i个径流式小水电第j时刻第一短期功率预测值Pr1ij和地区径流式小水电第j时刻的第一短期功率预测值Pr1j;根据第i个径流式小水电气象数据和出力数据,进行BP神经网络预测得到地区径流式小水电第j时刻第二短期功率预测值Pr2j;确定Pr1j和Pr2j的权重系数,并计算预测日第j时刻地区径流式小水电短期功率预测值Prj;解决了现有技术对径流式小水电短期功率预测存在的不能实际反映小水电受气象条件等诸多因素的影响情况,预测误差较大等技术问题。
Description
技术领域
本发明属于小水电功率预测技术领域,尤其涉及一种径流式小水电短期功率加权预测方法。
背景技术
随着环境污染和能源短缺问题的日益严重,小水电作为清洁绿色的可再生替代能源,不同于大中型水电,主要分布在地理位置偏远的山区,是农村地区重要的电源组成部分,具有分散开发、就地成网、就地供电、建设和发电成本低、建设周期短、回报收益快等优点,具有不可替代的优势因此在国家和地方政策的支持下发展迅速,很好的解决了部分地区的缺电局面。
与此同时,小水电的发展也带来一些问题,小水电分为径流式小水电和非径流式小水电,目前大多数为径流式小水电站,其基本无库容调节能力,具有强季节性,汛期来水较多,小水电多呈满发状态,枯期来水较少,小水电发电量大大降低,其发电负荷表现很强的不确定性。小水电站运行方式变化较大,且受上游非径流式水电(非径流式水电包括非径流式大水电和非径流式小水电)影响较大,机组启停频繁,致使主系统潮流波动大,增加线路潮流越限的可能性。并网小水电规模的不断增加,如果调度不掌握小水电的发电信息,对电网安全稳定运行以及电网调度等带来的不良影响将会越发显著。
因此,需要对径流式小水电进行短期功率预测,以往的小水电短期功率预测方法大多针对非径流式小水电,不适用于径流式小水电。由于径流式小水电来水就发、无水不发的特点,目前其短期发电功率一般不进行预测,或者采用小水电出力公式直接预测,该方法不需要历史数据、计算易行,但由于出力公式基于线性化模型,不能实际反映小水电受气象条件等诸多因素的影响情况,预测误差较大。
发明内容:
本发明要解决的技术问题:提供一种径流式小水电短期功率加权预测方法,以解决现有技术小水电短期功率预测方法大多针对非径流式小水电,不适用于径流式小水电。由于径流式小水电来水就发、无水不发的特点,目前其短期发电功率一般不进行预测,或者采用小水电出力公式直接预测,该方法不需要历史数据、计算易行,但由于出力公式基于线性化模型,不能实际反映小水电受气象条件等诸多因素的影响情况,预测误差较大等技术问题。
本发明技术方案:
一种径流式小水电短期功率加权预测方法,它包括:
步骤1、收集地区径流式小水电和非径流式水电的数据信息;
步骤2、计算第i个径流式小水电第j时刻的水流量;
步骤3、计算第i个径流式小水电第j时刻第一短期功率预测值Pr1ij和地区径流式小水电第j时刻的第一短期功率预测值Pr1j;
步骤4、根据第i个径流式小水电气象数据、出力数据,进行BP神经网络预测,得到地区径流式小水电第j时刻的第二短期功率预测值Pr2j;
步骤5、确定Pr1j和Pr2j的权重系数wr1、wr2,并计算预测日第j时刻,地区径流式小水电短期功率预测值Prj。
步骤1所述数据信息包为径流式小水电数据、非径流式水电数据和地理位置数据,所述径流式小水电数据包括气象数据、出力数据和开停机数据,气象数据包括径流式小水电所在区域的温度、气压、湿度、风向、风速和降雨量数据;所述非径流式水电的数据包括气象数据、出力数据、出库水量和开停机数据,气象数据包括非径流式水电所在区域的温度、气压、湿度、风向、风速和降雨量数据;所述地理位置数据包括非径流式水电和径流式小水电的所属流域地理位置信息。
所述非径流式水电包括非径流式大水电和非径流式小水电。
步骤2所述第i个径流式小水电第j时刻的水流量的计算公式为Qrij=Qr1ij+Qr2ij,式中:Qr1ij为径流式小水电所在区域的降雨量;Qr2ij为上游非径流式水电的出库水量。
步骤3所述第i个径流式小水电第j时刻第一短期功率预测值Pr1ij的计算公式为:
Pr1ij=ki·Qrij·Hi式中:Pr1ij为第i个径流式小水电第j时刻第一短期功率预测值Pr1ij,单位为W;Qrij为第i个径流式小水电第j时刻的水流量,单位为m3/s;Hi为第i个径流式小水电的平均水头,单位为m;ki为第i个径流式小水电的出力系数;
步骤3所述地区径流式小水电第j时刻的第一短期功率预测值Pr1j的计算公式为:
式中:n为地区径流式小水电的总数量。
步骤4所述的根据第i个径流式小水电气象数据、出力数据,进行BP神经网络预测,得到地区径流式小水电第j时刻的第二短期功率预测值Pr2j的方法它包括:
步骤4.1、使用三层BP神经网络,给定BP神经网络功率预测模型的输入向量并进行归一化处理;所述BP神经网络功率预测模型的输入层节点数为7个,根据径流式小水电所在区域的气象数据中的温度Tr、气压Pr、湿度Hr、风向Wdr、风速Wsr、降雨量Qr1、上游非径流式水电出库水量Qr2,形成BP神经网络功率预测模型的输入向量Yr=[Tr、Pr、Hr、Wdr、Wsr、Qr1、Qr2];所述对输入向量Yr进行归一化处理其公式为
式中Y'rij为第j时刻,第i个径流式小水电归一化处理后的输入向量;Yrij为第j时刻,第i个径流式小水电归一化处理前的输入向量;max(Yri)和min(Yri)分别表示第i个径流式小水电输入向量的最大值和最小值;
步骤4.2、选取预测日前的δr天数据作为训练样本,对BP神经网络进行训练,获得训练后的BP神经网络功率预测模型;
步骤4.3、将预测日第j时刻,第i个径流式小水电所在区域的温度Trij、气压Prij、湿度Hrij、风向Wdrij、风速Wsrij、降雨量Qr1ij和上游非径流式水电的出库水量Qr2ij作为输入层,输入到训练后的BP神经网络功率预测模型中,输出层数据为预测日第j时刻,第i个径流式小水电第二短期功率预测值pr2ij;
步骤4.4、计算地区径流式小水电第j时刻的第二短期功率预测值Pr2j
式中pr2ij为预测日第j时刻,第i个径流式小水电第二短期功率预测值n为地区径流式小水电的总数量。
步骤5所述的确定Pr1j和Pr2j的权重系数wr1、wr2,并计算预测日第j时刻,地区径流式小水电短期功率预测值Prj的方法它包括:
步骤5.1、根据预测日前θr天的历史气象数据和历史出力数据,利用步骤2、步骤3的方法分别计算第一短期功率预测值Pr1(1)j...Pr1(θr)j和第二短期功率预测值Pr2(1)j...Pr2j(θr)j,并统计实际功率值为Pr1...Prθr;
步骤5.2、分别以第一短期功率预测值和第二短期功率预测值与实际功率值的误差绝对值为评价指标,用熵权法确定权重系数wr1和wr2;wr1为Pr1j的权重系数,wr2为Pr2j的权重系数;wr1+wr2=1
步骤5.3、通过公式Prj=wr1×Pr1j+wr2×Pr2j计算出预测日第j时刻,地区径流式小水电短期功率预测值Prj。
所述的径流式小水电短期功率加权预测方法,它还包括:
步骤6、计算预测日前ξr天的历史出力数据与预测数据的误差εr,如果连续ξr天误差εr均大于设定的径流式小水电短期功率预测精度阈值er,重新进行步骤5;小于则输出预测日第j时刻,地区径流式小水电短期功率预测值Prj。
本发明有益效果:
本发明采用小水电出力直接预测和BP神经网络预测两种方法相结合,综合考虑气象因素对径流式小水电出力的影响,综合两种方法所提供的不同信息来提高各单一方法的互补性和预测精度,同时利用熵权法求取两种方法预测值的权重系数,并跟踪连续运行日内的预测误差及时对权重系数进行修正,从而更好地克服各个单一预测方法自身的局限性,充分融合信息,具有较强的客观性,有效地减少预测误差、提高预测精度;解决了现有技术对径流式小水电短期功率预测存在的不能实际反映小水电受气象条件等诸多因素的影响情况,预测误差较大等技术问题。
具体实施方式:
一种径流式小水电短期功率加权预测方法,它包括:
步骤1、收集地区径流式小水电和非径流式水电的数据信息;
步骤1所述数据信息包为径流式小水电数据、非径流式水电数据和地理位置数据,所述径流式小水电数据包括气象数据、出力数据和开停机数据,气象数据包括径流式小水电所在区域的温度、气压、湿度、风向、风速和降雨量数据;所述非径流式水电的数据包括气象数据、出力数据、出库水量和开停机数据,气象数据包括非径流式水电所在区域的温度、气压、湿度、风向、风速和降雨量数据;所述地理位置数据包括非径流式水电和径流式小水电的所属流域地理位置信息。
所述非径流式水电包括非径流式大水电和非径流式小水电。
在本发明中,设地区径流式小水电数量为n个,短期功率预测值为每15分钟1个,每日24小时共96个。记Xij为第i个径流式小水电第j个时刻的有关数据,0≤i≤n,0≤j≤96。
步骤2、计算第i个径流式小水电第j时刻的水流量;
步骤2所述第i个径流式小水电第j时刻的水流量的计算公式为Qrij=Qr1ij+Qr2ij,式中:Qr1ij为径流式小水电所在区域的降雨量;Qr2ij为上游非径流式水电的出库水量。
步骤3、计算第i个径流式小水电第j时刻第一短期功率预测值Pr1ij和地区径流式小水电第j时刻的第一短期功率预测值Pr1j;
步骤3所述第i个径流式小水电第j时刻第一短期功率预测值Pr1ij的计算公式为:
Pr1ij=ki·Qrij·Hi式中:Pr1ij为第i个径流式小水电第j时刻第一短期功率预测值Pr1ij,单位为W;Qrij为第i个径流式小水电第j时刻的水流量,单位为m3/s;Hi为第i个径流式小水电的平均水头,单位为m;ki为第i个径流式小水电的出力系数;
步骤3所述地区径流式小水电第j时刻的第一短期功率预测值Pr1j的计算公式为:
式中:n为地区径流式小水电的总数量。
步骤4、根据第i个径流式小水电气象数据、出力数据,进行BP神经网络预测,得到地区径流式小水电第j时刻的第二短期功率预测值Pr2j;
步骤4所述的根据第i个径流式小水电气象数据、出力数据,进行BP神经网络预测,得到地区径流式小水电第j时刻的第二短期功率预测值Pr2j的方法它包括:
步骤4.1、使用三层BP神经网络,给定BP神经网络功率预测模型的输入向量并进行归一化处理;所述BP神经网络功率预测模型的输入层节点数为7个,根据径流式小水电所在区域的气象数据中的温度Tr、气压Pr、湿度Hr、风向Wdr、风速Wsr、降雨量Qr1、上游非径流式水电出库水量Qr2,形成BP神经网络功率预测模型的输入向量Yr=[Tr、Pr、Hr、Wdr、Wsr、Qr1、Qr2];所述对输入向量Yr进行归一化处理其公式为
式中Y'rij为第j时刻,第i个径流式小水电归一化处理后的输入向量;Yrij为第j时刻,第i个径流式小水电归一化处理前的输入向量;max(Yri)和min(Yri)分别表示第i个径流式小水电输入向量的最大值和最小值;
在本发明中,隐含层节点数采用经验公式与实际训练的方法确定,输出层节点数为输入层数据对应时刻的径流式小水电短期功率预测值。
步骤4.2、选取预测日前的δr天数据作为训练样本,对BP神经网络进行训练,获得训练后的BP神经网络功率预测模型;δr越大,表示历史数据越多,训练后的神经网络预测结果精度越高。
步骤4.3、将预测日第j时刻,第i个径流式小水电所在区域的温度Trij、气压Prij、湿度Hrij、风向Wdrij、风速Wsrij、降雨量Qr1ij和上游非径流式水电的出库水量Qr2ij作为输入层,输入到训练后的BP神经网络功率预测模型中,输出层数据为预测日第j时刻,第i个径流式小水电第二短期功率预测值pr2ij;
步骤4.4、计算地区径流式小水电第j时刻的第二短期功率预测值Pr2j
式中pr2ij为预测日第j时刻,第i个径流式小水电第二短期功率预测值n为地区径流式小水电的总数量。
步骤5、确定Pr1j和Pr2j的权重系数wr1、wr2,并计算预测日第j时刻,地区径流式小水电短期功率预测值Prj。
步骤5所述的确定Pr1j和Pr2j的权重系数wr1、wr2,并计算预测日第j时刻,地区径流式小水电短期功率预测值Prj的方法它包括:
步骤5.1、根据预测日前θr天的历史气象数据和历史出力数据,利用步骤2、3、4方法分别计算第一短期功率预测值Pr1(1)j...Pr1(θr)j和第二短期功率预测值Pr2(1)j...Pr2j(θr)j,并统计实际功率值为Pr1...Prθr;
步骤5.2、分别以第一短期功率预测值和第二短期功率预测值与实际功率值的误差绝对值为评价指标,用熵权法确定权重系数wr1和wr2;wr1为Pr1j的权重系数,wr2为Pr2j的权重系数;wr1+wr2=1
步骤5.3、通过公式Prj=wr1×Pr1j+wr2×Pr2j计算出预测日第j时刻,地区径流式小水电短期功率预测值Prj。
为了提高预测出的Prj值的精度,可采用步骤6来实现。
步骤6、计算预测日前ξr天的历史出力数据与预测数据的误差εr,如果连续ξr天误差εr均大于设定的径流式小水电短期功率预测精度阈值er,重新进行步骤5;小于则输出预测日第j时刻,地区径流式小水电短期功率预测值Prj。
Claims (7)
1.一种径流式小水电短期功率加权预测方法,它包括:
步骤1、收集地区径流式小水电和非径流式水电的数据信息;
步骤2、计算第i个径流式小水电第j时刻的水流量;
步骤3、计算第i个径流式小水电第j时刻第一短期功率预测值Pr1ij和地区径流式小水电第j时刻的第一短期功率预测值Pr1j;
步骤4、根据第i个径流式小水电气象数据、出力数据,进行BP神经网络预测,得到地区径流式小水电第j时刻的第二短期功率预测值Pr2j;
步骤4所述的根据第i个径流式小水电气象数据、出力数据,进行BP神经网络预测,得到地区径流式小水电第j时刻的第二短期功率预测值Pr2j的方法它包括:
步骤4.1、使用三层BP神经网络,给定BP神经网络功率预测模型的输入向量并进行归一化处理;所述BP神经网络功率预测模型的输入层节点数为7个,根据径流式小水电所在区域的气象数据中的温度Tr、气压Pr、湿度Hr、风向Wdr、风速Wsr、降雨量Qr1、上游非径流式水电出库水量Qr2,形成BP神经网络功率预测模型的输入向量Yr=[Tr、Pr、Hr、Wdr、Wsr、Qr1、Qr2];所述对输入向量Yr进行归一化处理其公式为
式中Y'rij为第j时刻,第i个径流式小水电归一化处理后的输入向量;Yrij为第j时刻,第i个径流式小水电归一化处理前的输入向量;max(Yri)和min(Yri)分别表示第i个径流式小水电输入向量的最大值和最小值;
步骤4.2、选取预测日前的δr天数据作为训练样本,对BP神经网络进行训练,获得训练后的BP神经网络功率预测模型;
步骤4.3、将预测日第j时刻,第i个径流式小水电所在区域的温度Trij、气压Prij、湿度Hrij、风向Wdrij、风速Wsrij、降雨量Qr1ij和上游非径流式水电的出库水量Qr2ij作为输入层,输入到训练后的BP神经网络功率预测模型中,输出层数据为预测日第j时刻,第i个径流式小水电第二短期功率预测值Pr2ij;
步骤4.4、计算地区径流式小水电第j时刻的第二短期功率预测值Pr2j
式中Pr2ij为预测日第j时刻,第i个径流式小水电第二短期功率预测值n为地区径流式小水电的总数量;
步骤5、确定Pr1j和Pr2j的权重系数wr1、wr2,并计算预测日第j时刻,地区径流式小水电短期功率预测值Prj。
2.根据权利要求1所述的径流式小水电短期功率加权预测方法,其特征在于:步骤1所述数据信息包为径流式小水电数据、非径流式水电数据和地理位置数据,所述径流式小水电数据包括气象数据、出力数据和开停机数据,气象数据包括径流式小水电所在区域的温度、气压、湿度、风向、风速和降雨量数据;所述非径流式水电的数据包括气象数据、出力数据、出库水量和开停机数据,气象数据包括非径流式水电所在区域的温度、气压、湿度、风向、风速和降雨量数据;所述地理位置数据包括非径流式水电和径流式小水电的所属流域地理位置信息。
3.根据权利要求1所述的径流式小水电短期功率加权预测方法,其特征在于:所述非径流式水电包括非径流式大水电和非径流式小水电。
4.根据权利要求1所述的径流式小水电短期功率加权预测方法,其特征在于:步骤2所述第i个径流式小水电第j时刻的水流量的计算公式为
Qrij=Qr1ij+Qr2ij,式中:Qr1ij为径流式小水电所在区域的降雨量;Qr2ij为上游非径流式水电的出库水量。
5.根据权利要求1所述的径流式小水电短期功率加权预测方法,其特征在于:步骤3所述第i个径流式小水电第j时刻第一短期功率预测值Pr1ij的计算公式为:
Pr1ij=ki·Qrij·Hi式中:Pr1ij为第i个径流式小水电第j时刻第一短期功率预测值Pr1ij,单位为W;Qrij为第i个径流式小水电第j时刻的水流量,单位为m3/s;Hi为第i个径流式小水电的平均水头,单位为m;ki为第i个径流式小水电的出力系数;
步骤3所述地区径流式小水电第j时刻的第一短期功率预测值Pr1j的计算公式为:
式中:n为地区径流式小水电的总数量。
6.根据权利要求1所述的径流式小水电短期功率加权预测方法,其特征在于:步骤5所述的确定Pr1j和Pr2j的权重系数wr1、wr2,并计算预测日第j时刻,地区径流式小水电短期功率预测值Prj的方法它包括:
步骤5.1、根据预测日前θr天的历史气象数据和历史出力数据,利用步骤2、步骤3的方法分别计算第一短期功率预测值Pr1(1)j...Pr1(θr)j和第二短期功率预测值Pr2(1)j...Pr2j(θr)j,并统计实际功率值为Pr1...Prθr;
步骤5.2、分别以第一短期功率预测值和第二短期功率预测值与实际功率值的误差绝对值为评价指标,用熵权法确定权重系数wr1和wr2;wr1为Pr1j的权重系数,wr2为Pr2j的权重系数;wr1+wr2=1;
步骤5.3、通过公式Prj=wr1×Pr1j+wr2×Pr2j计算出预测日第j时刻,地区径流式小水电短期功率预测值Prj。
7.根据权利要求1所述的径流式小水电短期功率加权预测方法,其特征在于它还包括:
步骤6、计算预测日前ξr天的历史出力数据与预测数据的误差εr,如果连续ξr天误差εr均大于设定的径流式小水电短期功率预测精度阈值er,重新进行步骤5;小于则输出预测日第j时刻,地区径流式小水电短期功率预测值Prj。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610963664.7A CN106485369B (zh) | 2016-11-04 | 2016-11-04 | 一种径流式小水电短期功率加权预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610963664.7A CN106485369B (zh) | 2016-11-04 | 2016-11-04 | 一种径流式小水电短期功率加权预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485369A CN106485369A (zh) | 2017-03-08 |
CN106485369B true CN106485369B (zh) | 2019-08-09 |
Family
ID=58271916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610963664.7A Active CN106485369B (zh) | 2016-11-04 | 2016-11-04 | 一种径流式小水电短期功率加权预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485369B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107769268B (zh) * | 2017-10-10 | 2021-03-09 | 三峡大学 | 一种含小水电的地调范围日前预测省供负荷方法 |
CN111598354B (zh) * | 2020-05-26 | 2023-04-21 | 河南郑大水利科技有限公司 | 一种小型水库当日径流预测方法 |
CN112052996B (zh) * | 2020-09-03 | 2022-02-25 | 哈尔滨工业大学 | 基于卷积神经网络技术的小水电集群功率预测方法 |
CN112462651B (zh) * | 2020-11-18 | 2024-04-26 | 贵州电网有限责任公司 | 一种考虑前池水位的小水电功率预测方法及预测系统 |
CN112529252B (zh) * | 2020-11-18 | 2022-05-03 | 贵州电网有限责任公司 | 一种小水电前池水位预测方法及预测系统 |
CN117670076A (zh) * | 2023-11-15 | 2024-03-08 | 云南电网有限责任公司德宏供电局 | 一种小水电发电功率预测方法、系统及计算机可读介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103679288A (zh) * | 2013-12-04 | 2014-03-26 | 华北电力大学 | 一种径流式小水电集群发电功率短期预测方法及预测系统 |
JP2014176204A (ja) * | 2013-03-08 | 2014-09-22 | Toshiba Corp | 供給電力予測システム、供給電力調整システム |
CN104201704A (zh) * | 2014-08-19 | 2014-12-10 | 昆明理工大学 | 一种含小水电群、风电的地区电网备用容量确定方法 |
CN104600711A (zh) * | 2014-11-04 | 2015-05-06 | 广东电网有限责任公司江门供电局 | 小水电无功功率补偿装置和方法 |
CN105391093A (zh) * | 2015-12-07 | 2016-03-09 | 海南电力技术研究院 | 小水电群并网运行优化调度方法 |
-
2016
- 2016-11-04 CN CN201610963664.7A patent/CN106485369B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014176204A (ja) * | 2013-03-08 | 2014-09-22 | Toshiba Corp | 供給電力予測システム、供給電力調整システム |
CN103679288A (zh) * | 2013-12-04 | 2014-03-26 | 华北电力大学 | 一种径流式小水电集群发电功率短期预测方法及预测系统 |
CN104201704A (zh) * | 2014-08-19 | 2014-12-10 | 昆明理工大学 | 一种含小水电群、风电的地区电网备用容量确定方法 |
CN104600711A (zh) * | 2014-11-04 | 2015-05-06 | 广东电网有限责任公司江门供电局 | 小水电无功功率补偿装置和方法 |
CN105391093A (zh) * | 2015-12-07 | 2016-03-09 | 海南电力技术研究院 | 小水电群并网运行优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106485369A (zh) | 2017-03-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485369B (zh) | 一种径流式小水电短期功率加权预测方法 | |
Lei et al. | A review on the forecasting of wind speed and generated power | |
Hong et al. | Hour-ahead wind power and speed forecasting using simultaneous perturbation stochastic approximation (SPSA) algorithm and neural network with fuzzy inputs | |
Quan et al. | Hybrid model for hourly forecast of photovoltaic and wind power | |
Tang et al. | Entropy method combined with extreme learning machine method for the short-term photovoltaic power generation forecasting | |
CN106447134B (zh) | 一种小水电分类短期功率预测方法 | |
CN106529718B (zh) | 一种非径流式小水电短期功率加权预测方法 | |
CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
Lydia et al. | A comprehensive overview on wind power forecasting | |
CN103093288A (zh) | 基于气象信息的分区电网母线负荷预测系统 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN104299044A (zh) | 基于聚类分析的风功率短期预测系统及预测方法 | |
CN104484833A (zh) | 基于遗传学算法改进的rbf-bp神经网络的光伏发电输出功率追踪算法 | |
CN102102626A (zh) | 风电场短期功率预测方法 | |
CN102938562B (zh) | 一种区域内风电总功率的预测方法 | |
CN105303247A (zh) | 一种园区型冷热能源混合应用的能源网络调控方法及系统 | |
Mousavi et al. | Modelling, design, and experimental validation of a grid-connected farmhouse comprising a photovoltaic and a pumped hydro storage system | |
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 | |
CN105447572A (zh) | 一种基于遗传算法优化神经网络的风电功率预测系统及方法 | |
CN108075471B (zh) | 基于随机性电源出力预测的多目标约束优化电网调度策略 | |
Eseye et al. | Short-term wind power forecasting using a double-stage hierarchical hybrid GA-ANFIS approach | |
CN111612244A (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN107292537B (zh) | 考虑路径跟踪和灾情风险评判的台风日短期负荷预测方法 | |
CN105046349B (zh) | 一种计及尾流效应的风电功率预测方法 | |
Khalyasmaa et al. | Prediction of solar power generation based on random forest regressor model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |