CN106503861B - 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 PDFInfo
- Publication number
- CN106503861B CN106503861B CN201610981536.5A CN201610981536A CN106503861B CN 106503861 B CN106503861 B CN 106503861B CN 201610981536 A CN201610981536 A CN 201610981536A CN 106503861 B CN106503861 B CN 106503861B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- data
- wind
- meteorological
- 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 28
- 239000002245 particle Substances 0.000 title claims abstract description 14
- 238000005457 optimization Methods 0.000 title claims abstract description 10
- 230000004927 fusion Effects 0.000 claims abstract description 26
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000011497 Univariate linear regression Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
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 (5)
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;
其中,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;
其中,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;
其中,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;
其中,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′T-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′。
2.如权利要求1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。
3.如权利要求1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Vi′。
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。
5.如权利要求4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。
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 CN106503861A (zh) | 2017-03-15 |
CN106503861B true 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 (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095602A (zh) * | 2021-05-27 | 2021-07-09 | 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 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107222328B (zh) * | 2017-03-23 | 2020-08-28 | 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 |
FR3088971B1 (fr) * | 2018-11-26 | 2021-02-19 | Ifp Energies Now | procédé d’acquisition et de modélisation par un capteur LIDAR d’un champ de vent incident |
Citations (5)
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 |
-
2016
- 2016-11-08 CN CN201610981536.5A patent/CN106503861B/zh active Active
Patent Citations (5)
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)
Title |
---|
"基于改进粒子群优化算法的短期风电功率预测";徐敏等;《郑州大学学报(工学版)》;20121130;32-35页 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095602A (zh) * | 2021-05-27 | 2021-07-09 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN106503861A (zh) | 2017-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503861B (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 | |
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN108304623B (zh) | 一种基于堆栈降噪自动编码器的概率潮流在线计算方法 | |
CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
Zhang et al. | Wavelet-based neural network with genetic algorithm optimization for generation prediction of PV plants | |
CN105701562B (zh) | 训练方法、所适用的预测发电功率的方法及各自系统 | |
CN105512766A (zh) | 一种风电场功率预测方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN112508279B (zh) | 基于空间相关性的区域分布式光伏预测方法及系统 | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN114091317A (zh) | 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 | |
CN113964884A (zh) | 基于深度强化学习的电网有功频率的调控方法 | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
CN113988421A (zh) | 基于深度学习的风电机组功率智能预测方法 | |
CN113991711A (zh) | 一种光伏电站储能系统容量配置方法 | |
CN107909096A (zh) | 一种基于二分k‑均值聚类的逆变器故障预警判据实现方法 | |
CN115347556A (zh) | 一种促进新能源消纳的储能电站容量配置方法 | |
CN112990533B (zh) | 一种稀疏约束和动态权重分配的风电集群功率预测方法 | |
CN111177973B (zh) | 一种基于强化学习的光伏阵列在线建模方法 | |
Theocharides et al. | Impact of data quality on day-ahead photovoltaic power production forecasting | |
CN114565186A (zh) | 一种基于广义回归神经网络的预测风速校正方法和系统 |
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 |