CN106529700A - 一种基于时空相关的风电场预测模型构建方法和系统 - Google Patents

一种基于时空相关的风电场预测模型构建方法和系统 Download PDF

Info

Publication number
CN106529700A
CN106529700A CN201610910795.9A CN201610910795A CN106529700A CN 106529700 A CN106529700 A CN 106529700A CN 201610910795 A CN201610910795 A CN 201610910795A CN 106529700 A CN106529700 A CN 106529700A
Authority
CN
China
Prior art keywords
wind speed
wind
energy turbine
turbine set
wind energy
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
CN201610910795.9A
Other languages
English (en)
Other versions
CN106529700B (zh
Inventor
黄宇
王佳荣
李雅雯
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.)
North China Electric Power University
Original Assignee
North China Electric Power University
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 North China Electric Power University filed Critical North China Electric Power University
Priority to CN201610910795.9A priority Critical patent/CN106529700B/zh
Publication of CN106529700A publication Critical patent/CN106529700A/zh
Application granted granted Critical
Publication of CN106529700B publication Critical patent/CN106529700B/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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明实施例公开了一种基于时空相关的风电场预测模型构建方法和系统，利用风电场位置信息和实测风速数据，探索风场多风机空间点阵风速预测的时/空相依性方法；结合典型风场风机群风速跟踪测量以及风电场多风机空间点阵风速预测的相依性模型，建立以时/空典型特征参量与当前风机运行状态监测相结合的风场多风机风速概率性预测模型；在此基础上，研究不同时间尺度上风电场多风机风速概率性预测方法。为解决复杂地形、气候多变环境下多风机风速场预测提供有效分析工具，促进风机运行效率提升。

Description

一种基于时空相关的风电场预测模型构建方法和系统
技术领域
本发明涉及风电场风速预测技术领域，更具体地说，涉及一种基于时空相关的风电场预测模型构建方法和系统。
背景技术
风能是一种可再生的清洁能源，在当前全球能源危机和环境危机的情况下，风力发电受到普遍重视和推广。
由于风速波动在时间和空间范围内存在延续性，风电场各风机处的风速存在复杂的时/空相依性。这使得风机的风速预测变得较为困难，严重影响到了风力发电的利用水平。
发明内容
有鉴于此，本发明提供一种基于时空相关的风电场预测模型构建方法和系统，以实现应对复杂多变的风电场短期风速变化情况，提高预测准确性。
一种基于时空相关的风电场预测模型构建方法，包括：
获取风电场多风机风速系统时/空相依性的结构模型；
建立包含时/空特征参量与当前风机运行状态监测相结合的多风机风速回归预测模型；
根据该时空相依性结构模型及该回归预测模型，生成风电场多风机风速概率性预测模型。
优选地，所述基于时空相关的风电场预测模型构建方法还包括：
针对不同风电场多风机风速的数据，采用聚类方法，对不同风电场风速时间尺度分别进行划分；
根据划分的结果，利用上述已建立的具有时/空相依结构的风电场多风机风速概率性预测模型，获得不同时间尺度上的风电场多风机风速概率性预测方法；
利用多个风电场的数据对不同时间尺度上的风电场多风机风速概率性预测方法进行验证。
优选地，获取风电场多风机风速系统时/空相依性的结构模型包括：
获取风电场各风机风速的实测数据，以计算多风机空间点阵风速相依性结果；
计算多风机历史风速数据拟合及残差；
将建立好的边缘分布转换到均匀分布域中，以获取降噪后的风速时/空相依结构的分布数据；
利用Vine-Copula方法建立多风机风速空间点阵时/空相依生结构，并计算模型中的待定参数。
优选地，计算多风机历史风速数据拟合及残差，包括：
对原始风速样本进行标幺化正态处理；
利用自回归条件异方差模型(GARCH)和自回归滑动平均模型(ARMA)模拟风场各风机处的风速。
优选地，所述基于时空相关的风电场预测模型构建系统方法还包括：
借助在线采集离线处理机制实现时空相依性结构模型及其参数的更新。
一种基于时空相关的风电场预测模型构建系统，包括：
获取模块，配置为获取风电场多风机风速系统时/空相依性的结构模型；
回归预测模型建立模块，配置为建立包含时/空特征参量与当前风机运行状态监测相结合的多风机风速回归预测模型；
风速概率性预测模型构建模块，配置为根据该时空相依性结构模型及该回归预测模型，生成风电场多风机风速概率性预测模型。
优选地，该系统还包括：时间尺度验证模块，其配置为：
针对不同风电场多风机风速的数据，采用聚类方法，对不同风电场风速时间尺度分别进行划分；
根据划分的结果，利用上述已建立的具有时/空相依结构的风电场多风机风速概率性预测模型，获得不同时间尺度上的风电场多风机风速概率性预测方法；
利用多个风电场的数据对不同时间尺度上的风电场多风机风速概率性预测方法进行验证。
优选地，所述获取模块执行：
获取风电场各风机风速的实测数据，以计算多风机空间点阵风速相依性结果；
计算多风机历史风速数据拟合及残差；
将建立好的边缘分布转换到均匀分布域中，以获取降噪后的风速时/空相依结构的分布数据；
利用Vine-Copula方法建立多风机风速空间点阵时/空相依性结构，并计算模型中的待定参数。
优选地，计算多风机历史风速数据拟合及残差具体实现为：
对原始风速样本进行标幺化正态处理；
利用自回归条件异方差模型(GARCH)和自回归滑动平均模型(ARMA)模拟风场各风机处的风速。
优选地，该系统还包括：更新模块，执行：
借助在线采集离线处理机制实现时空相依性结构模型及其参数的更新。
从上述的技术方案可以看出，本发明实施例利用风电场位置信息和实测风速数据，探索风场多风机空间点阵风速预测的时/空相依性方法；结合典型风场风机群风速跟踪测量以及风电场多风机空间点阵风速预测的相依性模型，建立以时/空典型特征参量与当前风机运行状态监测相结合的风场多风机风速概率性预测模型；在此基础上，研究不同时间尺度上风电场多风机风速概率性预测方法。为解决复杂地形、气候多变环境下多风机风速场预测提供有效分析工具，促进风机运行效率提升。
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为本发明实施例公开的一种基于时空相关的风电场预测模型构建方法流程图；
图2为本发明实施例公开的一种基于时空相关的风电场预测模型构建方法中时空相依性的获取方法流程图；
图3为本发明实施例公开的一种计算多风机历史风速数据拟合及残差方法流程图：
图4为本发明实施例公开的一种时间尺度验证方法流程图；
图5为本发明实施例公开的一种基于时空相关的风电场预测模型构建方法系统结构示意图。
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作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。
本发明实施例公开了一种基于时空相关的风电场预测模型构建方法和系统，以实现应对复杂多变的风电场短期风速变化情况，提高预测准确性。
图1示出了一种基于时空相关的风电场预测模型构建方法，包括：
S11：获取风电场多风机风速系统时/空相依性的结构模型；
需要说明的是：
在进行时/空相依性研究时，根据需要建立风电场风速数据的在线采集和离线处理平台。
获取风电场各风机风速的实测数据，是解决风电场多风机空间点阵风速相依性问题的必要条件。为此，需要建立风电场风速数据的在线采集和离线处理平台，获取风机的运行数据，并对数据进行分析和处理，以减少风速测量及信号采集、传输等过程中产生的不确定性和随机噪声。
参见图2，时空相依性的获取可以优选为如下步骤：
S21：获取风电场各风机风速的实测数据，以计算多风机空间点阵风速相依性结果；
获取风电场各风机风速的实测数据，是解决风电场多风机空间点阵风速相依性问题的必要条件。为此，需要建立风电场风速数据的在线采集和离线处理平台，获取风机的运行数据，并对数据进行分析和处理，以减少风速测量及信号采集、传输等过程中产生的不确定性和随机噪声。
S32：计算各风机历史风速数据的拟合残差，用以建立多风机风速空间点阵的时/空相依性。
风速波动在时间和空间范围内存在延续性，使得风电场各风机处的风速存在复杂的时/空相依性，而各风机风速之间的时/空相依性则体现在风速的拟合误差上。
参见图3，该计算多风机历史风速数据拟合及残差，包括：
S31：对原始风速样本进行标幺化正态处理：
S32：利用自回归条件异方差模型(GARCH)和自回归滑动平均模型(ARMA)模拟风场各风机处的风速；
广义自回归条件异方差模型和自回归滑动平均可以提高风速的拟合精度。
S22：将建立好的边缘分布转换到均匀分布域中，以获取降噪后的风速时/空相依结构的分布数据；
S23：利用Vine-Copula方法建立多风机风速空间点阵时/空相依性结构，并计算模型中的待定参数。
首先利用计算出的各风机历史风速数据拟合残差，建立风速的不确定性边缘分布。其次将建立好的边缘分布转换到均匀分布域中，以便更为清晰直观地展示风速时/空相依结构的分布情况。利用Vine-Copula方法建立多风机风速空间点阵时/空相依性结构，并计算模型中的待定参数。
S12：建立包含时/空特征参量与当前风机运行状态监测相结合的多风机风速回归预测模型；
根据风场多风机风速运行状态监测数据以及相应的历史数据，拟采用回归分析法(ARMA+GARCH)获得包含时/空典型特征参量与当前风机运行状态监测相结合的风速回归预测模型。
S13：根据该时空相依性结构模型及该回归预测模型，生成风电场多风机风速概率性预测模型。
建立具有时/空相依结构的风电场多风机风速概率性预测模型。
结合回归分析法(ARMA+GARCH)与相依性方法(Vine-Copula)，建立具有时/空相依结构的风电场多风机风速概率性预测模型。
本实施例中：根据风电场本身的特点，分析风电场中时/空相依性与风电场本身特性的内在关系，结合建立的多风机风速Vine-Copula时/空相依性模型，采用回归分析法与相依性分析研究包含时/空典型特征参量的多风机风速特性，建立具有时/空相依结构的风电场多风机风速概率性预测模型。
参见图4，还包括：时间尺度验证步骤，如下：
S41：针对不同风电场多风机风速的数据，采用聚类方法，对不同风电场风速时间尺度分别进行划分；
在此之前：研究不同时间尺度划分对风速预测的影响，揭示不同时间尺度上风速预测误差产生的原因。
S42：根据划分的结果，利用上述已建立的具有时/空相依结构的风电场多风机风速概率性预测模型，获得不同时间尺度上的风电场多风机风速概率性预测方法；
S43：利用多个风电场的数据对不同时间尺度上的风电场多风机风速概率性预测方法进行验证。
更为优选地，该方法还包括：
借助在线采集离线处理机制实现时空相依性结构模型及其参数的更新。
图5示出了一种基于时空相关的风电场预测模型构建系统，包括：
获取模块51，配置为获取风电场多风机风速系统时/空相依性的结构模型；
回归预测模型建立模块52，配置为建立包含时/空特征参量与当前风机运行状态监测相结合的多风机风速回归预测模型；
风速概率性预测模型构建模块53，配置为根据该时空相依性结构模型及该回归预测模型，生成风电场多风机风速概率性预测模型。
该系统还包括：时间尺度验证模块54，其配置为：
针对不同风电场多风机风速的数据，采用聚类方法，对不同风电场风速时间尺度分别进行划分；
根据划分的结果，利用上述已建立的具有时/空相依结构的风电场多风机风速概率性预测模型，获得不同时间尺度上的风电场多风机风速概率性预测方法；
利用多个风电场的数据对不同时间尺度上的风电场多风机风速概率性预测方法进行验证。
更为具体地，
所述获取模块51执行：
计算多风机历史风速数据拟合及残差具体实现为：
获取风电场多风机风速系统时/空相依性的结构模型包括：
获取风电场各风机风速的实测数据，以计算多风机空间点阵风速相依性结果；
计算多风机历史风速数据拟合及残差；(计算多风机历史风速数据拟合及残差包括，对原始风速样本进行标幺化正态处理；
计算各风机历史风速数据的拟合残差，用以建立多风机风速空间点阵的时/空相依性。)
将建立好的边缘分布转换到均匀分布域中，以获取降噪后的风速时/空相依结构的分布数据；
利用Vine-Copula方法建立多风机风速空间点阵时/空相依性结构，并计算模型中的待定参数。
在图中还示出了，更新模块55，其执行：
借助在线采集离线处理机制实现时空相依性结构模型及其参数的更新。
对于系统实施例而言，由于其基本相应于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上方法及系统的技术优势在于：
1)针对风电场多风机风速存在复杂的时/空相依性，建立以Vine-Copula方法表征的相依性结构数值模拟方法，获得风电场多风机风速时/空相依性问题的量化分析工具。
2)针对风机风速存在较强的不确定性以及复杂的时/空相依性，结合典型风场风机群风速跟踪测量数据以及多风机风速时/空相依性结构，建立以时/空典型特征参量与当前风机运行状态监测相结合的风场多风机风速概率性预测方法。在此基础上，分析不同时间尺度对风速预测的影响，建立不同时间尺度上的风电场多风机风速概率性预测模型。
3)借助在线采集+离线处理机制实现时/空相依性结构模型和参数的更新，通过大量现场实际数据全面验证上述模型预测的精确性和适应能力，为复杂地形、气候多变环境下多风机风速预测提供有效工具，促进风机运行效率提升。
综上所述：
本发明实施例一种基于时空相关的风电场预测模型构建方法和系统，利用风电场位置信息和实测风速数据，探索风场多风机空间点阵风速预测的时/空相依性方法；结合典型风场风机群风速跟踪测量以及风电场多风机空间点阵风速预测的相依性模型，建立以时/空典型特征参量与当前风机运行状态监测相结合的风场多风机风速概率性预测模型；在此基础上，研究不同时间尺度上风电场多风机风速概率性预测方法。为解决复杂地形、气候多变环境下多风机风速场预测提供有效分析工具，促进风机运行效率提升。
结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明实施例的精神或范围的情况下，在其它实施例中实现。因此，本发明实施例将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种基于时空相关的风电场预测模型构建方法，其特征在于，包括：
获取风电场多风机风速系统时/空相依性的结构模型；
建立包含时/空特征参量与当前风机运行状态监测相结合的多风机风速回归预测模型；
根据该时空相依性结构模型及该回归预测模型，生成风电场多风机风速概率性预测模型。
2.如权利要求1所述基于时空相关的风电场预测模型构建方法，其特征在于，还包括：
针对不同风电场多风机风速的数据，采用聚类方法，对不同风电场风速时间尺度分别进行划分；
根据划分的结果，利用上述已建立的具有时/空相依结构的风电场多风机风速概率性预测模型，获得不同时间尺度上的风电场多风机风速概率性预测方法；
利用多个风电场的数据对不同时间尺度上的风电场多风机风速概率性预测方法进行验证。
3.如权利要求1所述基于时空相关的风电场预测模型构建方法，其特征在于，
获取风电场多风机风速系统时/空相依性的结构模型包括：
获取风电场各风机风速的实测数据，以计算多风机空间点阵风速相依性结果；
计算多风机历史风速数据拟合及残差；
将建立好的边缘分布转换到均匀分布域中，以获取降噪后的风速时/空相依结构的分布数据；
利用Vine-Copula方法建立多风机风速空间点阵时/空相依性结构，并计算模型中的待定参数。
4.如权利要求1所述基于时空相关的风电场预测模型构建方法，其特征在于，
计算多风机历史风速数据拟合及残差，包括：
对原始风速样本进行标幺化正态处理；
利用自回归条件异方差模型(GARCH)和自回归滑动平均模型(ARMA)模拟风场各风机处的风速。
5.如权利要求2所述基于时空相关的风电场预测模型构建系统方法，其特征在于，还包括：
借助在线采集离线处理机制实现时空相依性结构模型及其参数的更新。
6.一种基于时空相关的风电场预测模型构建系统，其特征在于，包括：
获取模块，配置为获取风电场多风机风速系统时/空相依性的结构模型；
回归预测模型建立模块，配置为建立包含时/空特征参量与当前风机运行状态监测相结合的多风机风速回归预测模型；
风速概率性预测模型构建模块，配置为根据该时空相依性结构模型及该回归预测模型，生成风电场多风机风速概率性预测模型。
7.如权利要求6所述基于时空相关的风电场预测模型构建系统，其特征在于，
还包括：时间尺度验证模块，其配置为：
针对不同风电场多风机风速的数据，采用聚类方法，对不同风电场风速时间尺度分别进行划分；
根据划分的结果，利用上述已建立的具有时/空相依结构的风电场多风机风速概率性预测模型，获得不同时间尺度上的风电场多风机风速概率性预测方法；
利用多个风电场的数据对不同时间尺度上的风电场多风机风速概率性预测方法进行验证。
8.如权利要求6所述基于时空相关的风电场预测模型构建系统，其特征在于，
所述获取模块执行：
获取风电场各风机风速的实测数据，以计算多风机空间点阵风速相依性结果；
计算多风机历史风速数据拟合及残差；
将建立好的边缘分布转换到均匀分布域中，以获取降噪后的风速时/空相依结构的分布数据；
利用Vine-Copula方法建立多风机风速空间点阵时/空相依性结构，并计算模型中的待定参数。
9.如权利要求6所述基于时空相关的风电场预测模型构建系统，其特征在于，计算多风机历史风速数据拟合及残差具体实现为：
对原始风速样本进行标幺化正态处理；
利用自回归条件异方差模型(GARCH)和自回归滑动平均模型(ARMA)模拟风场各风机处的风速。
10.如权利要求7所述基于时空相关的风电场预测模型构建系统，其特征在于，还包括：更新模块，执行：
借助在线采集离线处理机制实现时空相依性结构模型及其参数的更新。
CN201610910795.9A 2016-10-20 2016-10-20 一种基于时空相关的风电场预测模型构建方法和系统 Active CN106529700B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610910795.9A CN106529700B (zh) 2016-10-20 2016-10-20 一种基于时空相关的风电场预测模型构建方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610910795.9A CN106529700B (zh) 2016-10-20 2016-10-20 一种基于时空相关的风电场预测模型构建方法和系统

Publications (2)

Publication Number Publication Date
CN106529700A true CN106529700A (zh) 2017-03-22
CN106529700B CN106529700B (zh) 2020-03-31

Family

ID=58332578

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610910795.9A Active CN106529700B (zh) 2016-10-20 2016-10-20 一种基于时空相关的风电场预测模型构建方法和系统

Country Status (1)

Country Link
CN (1) CN106529700B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437149A (zh) * 2017-08-07 2017-12-05 华北电力大学（保定） 一种光伏电站出力的确定方法及系统
CN111159900A (zh) * 2019-12-30 2020-05-15 国核电力规划设计研究院有限公司 风机风速的预测方法及装置
CN111401596A (zh) * 2019-01-03 2020-07-10 新疆金风科技股份有限公司 一种风速指标的生成方法及装置
CN111396265A (zh) * 2019-01-03 2020-07-10 新疆金风科技股份有限公司 一种风力发电机组的故障预测方法及装置
CN112308322A (zh) * 2020-11-03 2021-02-02 华翔翔能科技股份有限公司 一种多风场时空风速预测方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070053513A1 (en) * 1999-10-05 2007-03-08 Hoffberg Steven M Intelligent electronic appliance system and method
CN102298707A (zh) * 2011-08-24 2011-12-28 辽宁力迅风电控制系统有限公司 基于连续时间段聚类与支持向量机建模的风电功率预测方法
CN102479347A (zh) * 2010-11-24 2012-05-30 香港理工大学 基于数据驱动的风电场短期风速预测方法和系统
CN103268416A (zh) * 2013-05-20 2013-08-28 华北电力大学（保定） 基于stcp-bp的风速预测方法
CN104485665A (zh) * 2014-12-17 2015-04-01 河海大学 计及风速预测误差时空相关性的动态概率潮流计算方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070053513A1 (en) * 1999-10-05 2007-03-08 Hoffberg Steven M Intelligent electronic appliance system and method
CN102479347A (zh) * 2010-11-24 2012-05-30 香港理工大学 基于数据驱动的风电场短期风速预测方法和系统
CN102298707A (zh) * 2011-08-24 2011-12-28 辽宁力迅风电控制系统有限公司 基于连续时间段聚类与支持向量机建模的风电功率预测方法
CN103268416A (zh) * 2013-05-20 2013-08-28 华北电力大学（保定） 基于stcp-bp的风速预测方法
CN104485665A (zh) * 2014-12-17 2015-04-01 河海大学 计及风速预测误差时空相关性的动态概率潮流计算方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
QIONG XU 等: "Correlation modeling among multi-wind farms based on Copula-ARMA wind speed model", 《2014 CHINA INTERNATIONAL CONFERENCE ON ELECTRICITY DISTRIBUTION (CICED)》 *
郑文书: "基于时空相关性的区域风电场群风速预测研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
陈新娜: "基于时间序列的超短期功率预测方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107437149A (zh) * 2017-08-07 2017-12-05 华北电力大学（保定） 一种光伏电站出力的确定方法及系统
CN107437149B (zh) * 2017-08-07 2020-11-24 华北电力大学（保定） 一种光伏电站出力的确定方法及系统
CN111401596A (zh) * 2019-01-03 2020-07-10 新疆金风科技股份有限公司 一种风速指标的生成方法及装置
CN111396265A (zh) * 2019-01-03 2020-07-10 新疆金风科技股份有限公司 一种风力发电机组的故障预测方法及装置
CN111401596B (zh) * 2019-01-03 2022-07-08 新疆金风科技股份有限公司 一种风速指标的生成方法及装置
CN111396265B (zh) * 2019-01-03 2023-02-03 新疆金风科技股份有限公司 一种风力发电机组的故障预测方法及装置
CN111159900A (zh) * 2019-12-30 2020-05-15 国核电力规划设计研究院有限公司 风机风速的预测方法及装置
CN111159900B (zh) * 2019-12-30 2024-02-09 国核电力规划设计研究院有限公司 风机风速的预测方法及装置
CN112308322A (zh) * 2020-11-03 2021-02-02 华翔翔能科技股份有限公司 一种多风场时空风速预测方法、装置及电子设备
CN112308322B (zh) * 2020-11-03 2023-11-24 华翔翔能科技股份有限公司 一种多风场时空风速预测方法、装置及电子设备

Also Published As

Publication number Publication date
CN106529700B (zh) 2020-03-31

Similar Documents

Publication Publication Date Title
CN106529700A (zh) 一种基于时空相关的风电场预测模型构建方法和系统
Almeida et al. PV power forecast using a nonparametric PV model
Meng et al. An intelligent hybrid wavelet-adversarial deep model for accurate prediction of solar power generation
Callaway Sequential reliability forecasting for wind energy: Temperature dependence and probability distributions
Kang et al. Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters
Yoder et al. Short‐term forecasting of categorical changes in wind power with Markov chain models
CN112686464A (zh) 短期风电功率预测方法及装置
CN111967696B (zh) 基于神经网络的电动汽车充电需求预测方法、系统及装置
Weekes et al. Data efficient measure-correlate-predict approaches to wind resource assessment for small-scale wind energy
CN110399365A (zh) 地图缺失道路的确定方法、装置、存储介质及电子设备
Ohashi et al. Wind speed forecasting using spatio-temporal indicators
Shahriari et al. Using the analog ensemble method as a proxy measurement for wind power predictability
Drew et al. The importance of forecasting regional wind power ramping: A case study for the UK
CN115239105A (zh) 一种在役风电场的风资源的评估方法以及装置
CN110991701A (zh) 一种基于数据融合的风电场风机风速预测方法及系统
CN114330110A (zh) 模型训练方法、光伏发电功率预测方法及系统
Holmstrom et al. Assessing avian-wind turbine collision risk: an approach angle dependent model
Tastu Short-term wind power forecasting: probabilistic and space-time aspects
Khosravi et al. Wind farm power uncertainty quantification using a mean-variance estimation method
Vincent Mesoscale wind fluctuations over Danish waters
CN111027827A (zh) 保底通信网运行风险分析的方法、装置及计算机设备
CN116596165A (zh) 一种风力发电功率预测方法及系统
Hassanian et al. Iceland wind farm assessment case study and development: An empirical data from wind and wind turbine
CN110187363A (zh) 适用于大型风电基地的测风方法、系统、设备和存储介质
AlSkaif et al. On the interdependence and importance of meteorological variables for photovoltaic output power estimation

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