CN106503861A - 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 - Google Patents

基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 Download PDF

Info

Publication number
CN106503861A
CN106503861A CN201610981536.5A CN201610981536A CN106503861A CN 106503861 A CN106503861 A CN 106503861A CN 201610981536 A CN201610981536 A CN 201610981536A CN 106503861 A CN106503861 A CN 106503861A
Authority
CN
China
Prior art keywords
wind
wind speed
data
speed
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.)
Granted
Application number
CN201610981536.5A
Other languages
English (en)
Other versions
CN106503861B (zh
Inventor
吴敏
安剑奇
丁敏
谢华
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN201610981536.5A priority Critical patent/CN106503861B/zh
Publication of CN106503861A publication Critical patent/CN106503861A/zh
Application granted granted Critical
Publication of CN106503861B publication Critical patent/CN106503861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

  • 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)
  • Control Of Eletrric Generators (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法，所述风电功率预测方法包括：步骤一，获取预设的时间范围内的风电场数据，对所述风电场数据进行预处理；其中，所述风电场数据包括风电场实发风速、实发功率和多气象源NWP风速数据；步骤二，采集风电场历史数据，统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据；步骤三，利用PSO算法在对粒子的迭代中，通过跟踪极值来更新数据，找到种群的最优解；利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，并采用所述融合后风速数据作为预测模型的输入；步骤四，建立风速与功率的回归模型。

Description

基于概率统计和粒子群优化的多气象源风速融合的风电功率 预测方法
技术领域
本发明涉及风电功率预测领域，特别涉及一种基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法。
背景技术
随着化石能源的快速消耗，人类正面临着能源枯竭和环境恶化的双重危机，因此近年来清洁可再生的风能在世界范围内也因此受到了广泛重视与发展。国内风电总装机容量已跃居世界第一，风电的大规模发展和减少化石能源的使用，在一定程度上缓解了能源危机。但是，由于风能具有很强的间歇性和随机性，随着风电场数量的增多和装机容量的不断增大，风电的大规模并网给电网的安全经济运行带来了巨大的挑战。
目前，风电功率预测主要有物理模型和基于NWP风速数据驱动两种建模方式。物理模型的建模方式较为复杂，且实用性小；而基于NWP风速的数学模型建模方式虽然运用广泛，但是NWP风速的波动和准确度影响着风电功率预测精度。
发明内容
本发明提供一种基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法，解决了现有技术中基于NWP风速的数学模型建模方式中，NWP风速的波动和准确度影响风电功率预测精度的技术问题，达到了提高NWP风速的准确度，减小NWP风速随机误差，提高风电功率预测模型中风速输入的准确性，进而提高风电功率预测的精度的技术效果。
为解决上述技术问题，本发明提供一种基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法，所述风电功率预测方法包括：
步骤一，获取预设的时间范围内的风电场数据，对所述风电场数据进行预处理；其中，所述风电场数据包括风电场实发风速、实发功率和多气象源NWP风速数据；
步骤二，采集风电场历史数据，统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据；
步骤三，利用PSO算法在对粒子的迭代中，通过跟踪极值来更新数据，找到种群的最优解；利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，并采用所述融合后风速数据作为预测模型的输入；
步骤四，建立风速与功率的回归模型。
优选的，所述步骤一中所述对所述风电场数据进行预处理，具体为：
对不合格的数据进行预处理；所述对不合格的数据进行预处理具体为判断所述风电场数据中所述实发风速是否存在连续多个为零的点和为负数的点；若存在，则将其中连续多个为零的点和为负数的点进行删除，并且删除相同时间点对应的实发功率和多气象源NWP风速。
优选的，在所述对不合格的数据进行预处理之后，所述步骤一还包括：
对预处理后的所述风电场数据按时间顺序排列。
优选的，所述步骤二中统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据，具体为:
统计全年多个气象源风速数据；V1、V2、…Vn表示不同的气象源风速，n表示有n个气象源，Vi为第i个气象源的风速，其中，1≤i≤n；Vture为实发风速；
分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况。
优选的，所述分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况，具体为：
分别将V1、V2、…Vn对应的气象源风速每1m/s区间内的实发风速以1m/s为分辨率划分为k个区间，设每个区间的频数为fj(j＝1,2,…,k)，最大频数对应区间的风速为修正后的风速数据Vi'。
优选的，所述步骤三中所述利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，具体步骤包括：
(1)设参数α＝[α1,α2,…,αn]为对应气象源风速融合系数向量，设定参数范围，其中，n表示有n个气象源；
(2)根据PSO算法计算风速融合系数向量α，设定适应度函数：
Vdiff＝|αV'Τ-Vture|＝|α1V1'+α2V2'…+αnVn'-Vture|
式中，Vdiff表示偏差，Vture表示实发风速，Vi'为修正后的风速数据。
(3)PSO算法通过计算得到最小Vdiff，此时对应的修正后气象源风速融合系数α为风速融合系数，融合后风速数据为Vfusion：
Vfusion＝α1V1'+α2V2'…+αnVn'。
优选的，所述步骤四中所述建立风速与功率的回归模型，具体为：
采用最小二乘算法通过所述功率最小化误差的平方和来获取风速数据与功率数据之间的最佳函数匹配，建立风速数据与功率数据的一元线性回归模型。
优选的，所述建立风速数据与功率数据的一元线性回归模型时，
利用实发风速和实发功率之间的关系，对实发风速和实发功率使用最小二乘法拟合建模，得到一元多次方程各阶次的系数。
优选的，采用所述回归模型预测风速场数据时，
将融合后风速数据作为预测输入，代入所述风速数据与功率数据的一元线性回归模型中计算得到预测功率。
本申请有益效果如下：
(1)本发明利用概率统计的方法对每个气象源中的幅值误差进行修正，得到与实测风速分布范围相同的修正后预测风速，解决了多个气象源NWP风速与实发风速分布范围不一致的问题。
(2)本发明采用PSO算法融合多个气象源的NWP风速，充分利用每个气象源NWP风速不同的特征，分析发现某些气象源风速的互补特性，对这类的风速进行融合，在一定水平上消除NWP风速误差，提高风功率预测精度，解决了单个NWP风速误差较大的问题。
(3)本发明利用最小二乘算法进行建模预测，最小二乘法是以功率残差平方和最小确定曲线的位置。最小二乘法使用以及计算方便，能够准确的反应风速-功率之间的关系，预测精度高。
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。
图1为本申请较佳实施方式基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法的流程图；
图2为本申请一实施例中三个气象源NWP风速与实测风速对比图；
图3为本申请一实施例中实发风速-功率图；
图4为图2中气象源A的NWP风速-功率图；
图5为图2中气象源B的NWP风速-功率图；
图6为图2中气象源C的NWP风速-功率图；
图7为图5中气象源B的气象源风速、融合风速数据4-5m/s区间内实测风速的分布。
具体实施方式
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
本申请提供的基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法，所述风电功率预测方法利用概率统计的方法对每个气象源中的幅值误差进行修正，得到与实测风速分布范围相同的修正后预测风速，解决了多个气象源NWP风速与实发风速分布范围不一致的问题；采用PSO算法融合多个气象源的NWP风速，充分利用每个气象源NWP风速不同的特征，分析发现某些气象源风速的互补特性，对这类的风速进行融合，在一定水平上消除NWP风速误差，提高风功率预测精度，解决了单个NWP风速误差较大的问题。
本申请提供的基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法，请参阅图1，所述风电功率预测方法包括：
步骤一S100，获取预设的时间范围内的风电场数据，对所述风电场数据进行预处理；其中，所述风电场数据包括风电场实发风速、实发功率和多气象源NWP风速数据；
所述步骤一中所述对所述风电场数据进行预处理，具体为：
对不合格的数据进行预处理；所述对不合格的数据进行预处理具体为判断所述风电场数据中所述实发风速是否存在连续多个为零的点和为负数的点；若存在，则将其中连续多个为零的点和为负数的点进行删除，并且删除相同时间点对应的实发功率和多气象源NWP风速。
在所述对不合格的数据进行预处理之后，所述步骤一还包括：
对预处理后的所述风电场数据按时间顺序排列。
步骤二S200，采集风电场历史数据，统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据；
所述步骤二中统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据，具体为:
统计全年多个气象源风速数据；V1、V2、…Vn表示不同的气象源风速，n表示有n个气象源，Vi为第i个气象源的风速，其中，1≤i≤n；Vture为实发风速；
分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况。
所述分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况，具体为：
分别将V1、V2、…Vn对应的气象源风速每1m/s区间内的实发风速以1m/s为分辨率划分为k个区间，设每个区间的频数为fj(j＝1,2,…,k)，最大频数对应区间的风速为修正后的风速数据Vi'。
其中，所述分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况，具体为：
分别将V1、V2、…Vn对应的气象源风速每1m/s区间内的实发风速以1m/s为分辨率划分为k个区间，设每个区间的频数为fj(j＝1,2,…,k)，最大频数对应区间的风速为修正后的风速数据Vi'。
例一
请参阅图2，以2015年某电场三个气象源的NWP风速进行分析。请参阅图3，比较实发风速与实发功率的关系。图4至图6为所述三个气象源气象源A、气象源B、气象源C的NWP风速-功率图；以其中气象源B中的NWP风4-5m/s内风速为例，如图7所示，在该区间内，实测风速7-8m/s区间内的频数最高，那么该预测风4-5m/s内风速的修正值为7m/s。
步骤三S300，利用PSO算法在对粒子的迭代中，通过跟踪极值来更新数据，找到种群的最优解；利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，并采用所述融合后风速数据作为预测模型的输入；
所述步骤三中所述利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，具体步骤包括：
(1)设参数α＝[α1,α2,…,αn]为对应气象源风速融合系数向量，设定参数范围，其中，n表示有n个气象源；
(2)根据PSO算法计算风速融合系数向量α，设定适应度函数：
Vdiff＝|αV'Τ-Vture|＝|α1V1'+α2V2'…+αnVn'-Vture|
Vdiff＝|αV′T-Vture|＝|α1V′1+α2V′2…+αnV′n-Vture|
式中，Vdiff表示偏差，Vture表示实发风速，Vi'为修正后的风速数据。
(3)PSO算法通过计算得到最小Vdiff，此时对应的修正后气象源风速融合系数α为风速融合系数，融合后风速数据为Vfusion：
Vfusion＝α1V1'+α2V2'…+αnVn'。
步骤四S400，建立风速与功率的回归模型。
所述步骤四中所述建立风速与功率的回归模型，具体为：
采用最小二乘算法通过所述功率最小化误差的平方和来获取风速数据与功率数据之间的最佳函数匹配，建立风速数据与功率数据的一元线性回归模型。
所述建立风速数据与功率数据的一元线性回归模型时，利用实发风速和实发功率之间的关系，对实发风速和实发功率使用最小二乘法拟合建模，得到一元多次方程各阶次的系数。
采用所述回归模型预测风速场数据时，将融合后风速数据作为预测输入，代入所述风速数据与功率数据的一元线性回归模型中计算得到预测功率。
本申请有益效果如下：
(1)本发明利用概率统计的方法对每个气象源中的幅值误差进行修正，得到与实测风速分布范围相同的修正后预测风速，解决了多个气象源NWP风速与实发风速分布范围不一致的问题。
(2)本发明采用PSO算法融合多个气象源的NWP风速，充分利用每个气象源NWP风速不同的特征，分析发现某些气象源风速的互补特性，对这类的风速进行融合，在一定水平上消除NWP风速误差，提高风功率预测精度，解决了单个NWP风速误差较大的问题。
(3)本发明利用最小二乘算法进行建模预测，最小二乘法是以功率残差平方和最小确定曲线的位置。最小二乘法使用以及计算方便，能够准确的反应风速-功率之间的关系，预测精度高。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法，其特征在于，所述风电功率预测方法包括：
步骤一，获取预设的时间范围内的风电场数据，对所述风电场数据进行预处理；其中，所述风电场数据包括风电场实发风速、实发功率和多气象源NWP风速数据；
步骤二，采集风电场历史数据，统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据；
步骤三，利用PSO算法在对粒子的迭代中，通过跟踪极值来更新数据，找到种群的最优解；利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，并采用所述融合后风速数据作为预测模型的输入；
步骤四，建立风速与功率的回归模型。
2.如权利要求1所述的风电功率预测方法，其特征在于，所述步骤一中所述对所述风电场数据进行预处理，具体为：
对不合格的数据进行预处理；所述对不合格的数据进行预处理具体为判断所述风电场数据中所述实发风速是否存在连续多个为零的点和为负数的点；若存在，则将其中连续多个为零的点和为负数的点进行删除，并且删除相同时间点对应的实发功率和多气象源NWP风速。
3.如权利要求2所述的风电功率预测方法，其特征在于，在所述对不合格的数据进行预处理之后，所述步骤一还包括：
对预处理后的所述风电场数据按时间顺序排列。
4.如权利要求1所述的风电功率预测方法，其特征在于，所述步骤二中统计全年风速分布，并根据风速统计规律修正所述多气象源NWP风速数据，得到修正后的风速数据，具体为:
统计全年多个气象源风速数据；V1、V2、…Vn表示不同的气象源风速，n表示有n个气象源，Vi为第i个气象源的风速，其中，1≤i≤n；Vture为实发风速；
分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况。
5.如权利要求4所述的风电功率预测方法，其特征在于，所述分别统计V1、V2、…Vn对应的气象源风速每1m/s区间内对应实发风速的分布情况，具体为：
分别将V1、V2、…Vn对应的气象源风速每1m/s区间内的实发风速以1m/s为分辨率划分为k个区间，设每个区间的频数为fj(j＝1,2,…,k)，最大频数对应区间的风速为修正后的风速数据V′i。
6.如权利要求1所述的风电功率预测方法，其特征在于，所述步骤三中所述利用PSO算法计算多个修正后的NWP风速融合系数，以进行融合并得到较优的融合后风速数据，具体步骤包括：
(1)设参数α＝[α1,α2,…,αn]为对应气象源风速融合系数向量，设定参数范围，其中，n表示有n个气象源；
(2)根据PSO算法计算风速融合系数向量α，设定适应度函数：
Vdiff＝|αV'Τ-Vture|＝|α1V′1+α2V′2…+αnV′n-Vture|
式中，Vdiff表示偏差，Vture表示实发风速，V′i为修正后的风速数据；
(3)PSO算法通过计算得到最小Vdiff，此时对应的修正后气象源风速融合系数α为风速融合系数，融合后风速数据为Vfusion：
Vfusion＝α1V′1+α2V′2…+αnV′n。
7.如权利要求1所述的风电功率预测方法，其特征在于，所述步骤四中所述建立风速与功率的回归模型，具体为：
采用最小二乘算法通过所述功率最小化误差的平方和来获取风速数据与功率数据之间的最佳函数匹配，建立风速数据与功率数据的一元线性回归模型。
8.如权利要求7所述的风电功率预测方法，其特征在于，所述建立风速数据与功率数据的一元线性回归模型时，
利用实发风速和实发功率之间的关系，对实发风速和实发功率使用最小二乘法拟合建模，得到一元多次方程各阶次的系数。
9.如权利要求8所述的风电功率预测方法，其特征在于，采用所述回归模型预测风速场数据时，
将融合后风速数据作为预测输入，代入所述风速数据与功率数据的一元线性回归模型中计算得到预测功率。
CN201610981536.5A 2016-11-08 2016-11-08 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法 Active CN106503861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610981536.5A CN106503861B (zh) 2016-11-08 2016-11-08 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610981536.5A CN106503861B (zh) 2016-11-08 2016-11-08 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法

Publications (2)

Publication Number Publication Date
CN106503861A true CN106503861A (zh) 2017-03-15
CN106503861B CN106503861B (zh) 2020-09-11

Family

ID=58323550

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610981536.5A Active CN106503861B (zh) 2016-11-08 2016-11-08 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法

Country Status (1)

Country Link
CN (1) CN106503861B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107222328A (zh) * 2017-03-23 2017-09-29 广州华多网络科技有限公司 预测饱和拐点的方法及装置
CN107274006A (zh) * 2017-05-23 2017-10-20 中国地质大学（武汉） 一种基于贝叶斯推断的多源气象风速融合方法
CN109118384A (zh) * 2018-07-16 2019-01-01 湖南优利泰克自动化系统有限公司 一种风电机组健康预警方法
CN111221003A (zh) * 2018-11-26 2020-06-02 Ifp新能源公司 用激光雷达传感器获取入射风场和对其建模的方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113095602B (zh) * 2021-05-27 2022-02-15 中国水利水电科学研究院 一种以出力平稳为目标的流域风电场群规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855412A (zh) * 2012-09-21 2013-01-02 广西电网公司电力科学研究院 一种风电功率预测方法及其装置
CN103928938A (zh) * 2014-02-24 2014-07-16 国家电网公司 考虑功率预测的储能电站优化控制方法
CN104091207A (zh) * 2014-06-19 2014-10-08 南方电网科学研究院有限责任公司 考虑有害气体排放量的含风电场多目标机组组合优化方法
CN105046374A (zh) * 2015-08-25 2015-11-11 华北电力大学 一种基于核极限学习机模型的功率区间预测方法
CN105512745A (zh) * 2015-11-05 2016-04-20 天津大学 基于粒子群—bp神经网络的风电功率区间预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102855412A (zh) * 2012-09-21 2013-01-02 广西电网公司电力科学研究院 一种风电功率预测方法及其装置
CN103928938A (zh) * 2014-02-24 2014-07-16 国家电网公司 考虑功率预测的储能电站优化控制方法
CN104091207A (zh) * 2014-06-19 2014-10-08 南方电网科学研究院有限责任公司 考虑有害气体排放量的含风电场多目标机组组合优化方法
CN105046374A (zh) * 2015-08-25 2015-11-11 华北电力大学 一种基于核极限学习机模型的功率区间预测方法
CN105512745A (zh) * 2015-11-05 2016-04-20 天津大学 基于粒子群—bp神经网络的风电功率区间预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐敏等: ""基于改进粒子群优化算法的短期风电功率预测"", 《郑州大学学报（工学版）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107222328A (zh) * 2017-03-23 2017-09-29 广州华多网络科技有限公司 预测饱和拐点的方法及装置
CN107274006A (zh) * 2017-05-23 2017-10-20 中国地质大学（武汉） 一种基于贝叶斯推断的多源气象风速融合方法
CN109118384A (zh) * 2018-07-16 2019-01-01 湖南优利泰克自动化系统有限公司 一种风电机组健康预警方法
CN111221003A (zh) * 2018-11-26 2020-06-02 Ifp新能源公司 用激光雷达传感器获取入射风场和对其建模的方法

Also Published As

Publication number Publication date
CN106503861B (zh) 2020-09-11

Similar Documents

Publication Publication Date Title
CN106503861A (zh) 基于概率统计和粒子群优化的多气象源风速融合的风电功率预测方法
CN105656031B (zh) 基于高斯混合分布特征的含风电电力系统安全风险评估方法
CN106875033B (zh) 一种基于动态自适应的风电集群功率预测方法
CN106529719A (zh) 基于粒子群优化算法风速融合的风电功率预测的方法
CN109193649A (zh) 基于深度信念网络的分布式光伏集群动态等值建模方法
CN102594215B (zh) 一种光伏电站模型参数辨识方法
CN108428017A (zh) 基于核极限学习机分位数回归的风电功率区间预测方法
CN109086928A (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN105512766A (zh) 一种风电场功率预测方法
CN107681685A (zh) 一种考虑光伏非线性相关性的电力系统概率潮流计算方法
CN103973203A (zh) 一种适用于安全稳定分析的大型光伏电站在线等值建模方法
CN101794996A (zh) 风电场出力实时预测方法
CN109698521A (zh) 一种基于实测数据的光伏逆变器的低穿特性辨识方法
CN110263998A (zh) 多源数值天气预报集合双层修正方法
CN103440405A (zh) 基于实测数据的风电场稳态建模方法及系统
CN112862274A (zh) 一种基于WRF-LES和DeepAR相结合的风功率预测方法
CN109921426A (zh) 基于cv-kde的风电并网系统概率潮流计算方法
CN104113061A (zh) 一种含分布式电源的配电网三相潮流计算方法
Wang et al. Ultra-short-term wind power forecasting based on deep belief network
CN104021315A (zh) 基于bp神经网络的电厂厂用电率计算方法
CN105048451B (zh) 一种基于新能源发电量区间预测的区间潮流计算方法
CN103745274A (zh) 一种用于分散式风电的短期功率预测方法
CN108537581A (zh) 基于gmdh选择性组合的能源消费量时间序列预测方法及装置
CN103489037A (zh) 一种可发电风资源的预测方法
CN107918920B (zh) 多光伏电站的出力关联性分析方法

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