CN106529700B - 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 PDFInfo
- Publication number
- CN106529700B CN106529700B CN201610910795.9A CN201610910795A CN106529700B CN 106529700 B CN106529700 B CN 106529700B CN 201610910795 A CN201610910795 A CN 201610910795A CN 106529700 B CN106529700 B CN 106529700B
- Authority
- CN
- China
- Prior art keywords
- wind
- wind speed
- space
- fan
- wind 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
- 238000010276 construction Methods 0.000 title claims description 10
- 238000000034 method Methods 0.000 claims abstract description 67
- 238000005259 measurement Methods 0.000 claims abstract description 12
- 238000012544 monitoring process Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000009827 uniform distribution Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000004445 quantitative analysis Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000000611 regression analysis Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage 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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
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
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性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性结构的分布数据;
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,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性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性结构的分布数据;
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性结构的分布数据;
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性结构的分布情况。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。
建立具有时空相依性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),建立具有时空相依性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,建立具有时空相依性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性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性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性结构的分布数据;
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 (8)
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;
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性结构的分布数据;
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,其中,所述Vine-Copula方法为表征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.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,利用已建立的具有时空相依性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,
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。
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,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。
5.一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;
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性结构的分布数据;
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,其中,所述Vine-Copula方法为表征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。
6.如权利要求5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,利用已建立的具有时空相依性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。
7.如权利要求5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。
8.如权利要求5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。
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 CN106529700A (zh) | 2017-03-22 |
CN106529700B true 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) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
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 |
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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6850252B1 (en) * | 1999-10-05 | 2005-02-01 | Steven M. Hoffberg | Intelligent electronic appliance system and method |
-
2016
- 2016-10-20 CN CN201610910795.9A patent/CN106529700B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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)
Title |
---|
Correlation modeling among multi-wind farms based on Copula-ARMA wind speed model;Qiong Xu 等;《2014 China International Conference on Electricity Distribution (CICED)》;20140926;第543-546页 * |
基于时空相关性的区域风电场群风速预测研究;郑文书;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20150315;正文第4-9,15-16,27-35页 * |
基于时间序列的超短期功率预测方法研究;陈新娜;《中国优秀硕士学位论文全文数据库信息科技辑》;20131215;正文第32-40页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106529700A (zh) | 2017-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529700B (zh) | 一种基于时空相关的风电场预测模型构建方法和系统 | |
He et al. | A spatio-temporal analysis approach for short-term forecast of wind farm generation | |
Wang et al. | A conditional model of wind power forecast errors and its application in scenario generation | |
Erdem et al. | ARMA based approaches for forecasting the tuple of wind speed and direction | |
JP6847343B2 (ja) | 再生可能エネルギーの変動に対する予測誤差を決定するシステムおよび方法 | |
Li et al. | Applications of Bayesian methods in wind energy conversion systems | |
Radziukynas et al. | Short-term wind speed forecasting with ARIMA model | |
CN111461444A (zh) | 风电场的机组功率的预测方法、系统、介质及电子设备 | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
Poncela et al. | Automatic tuning of Kalman filters by maximum likelihood methods for wind energy forecasting | |
Pourhabib et al. | Short-term wind speed forecast using measurements from multiple turbines in a wind farm | |
de Magalhães Carvalho et al. | Simplified cross-entropy based approach for generating capacity reliability assessment | |
Tagliaferri et al. | Wind modelling with nested Markov chains | |
JP6193008B2 (ja) | 予測システム、予測装置および予測方法 | |
Phan et al. | Short-term solar power forecasting using xgboost with numerical weather prediction | |
Pedro et al. | A database infrastructure to implement real-time solar and wind power generation intra-hour forecasts | |
CN114330110A (zh) | 模型训练方法、光伏发电功率预测方法及系统 | |
Kaur et al. | Wind speed forecasting using hybrid wavelet transform-ARMA techniques | |
Bracale et al. | A new finite mixture distribution and its expectation-maximization procedure for extreme wind speed characterization | |
Ferguson et al. | Big data techniques for wind turbine condition monitoring | |
Sørensen et al. | Power fluctuations from large wind farms-Final report | |
Nielsen et al. | Improvement and automation of tools for short term wind power forecasting | |
WO2023178328A2 (en) | Systems and methods for ramp predictions for forecasting power using neighboring sites | |
Condeixa et al. | Wind speed time series analysis using TBATS decomposition and moving blocks bootstrap | |
Sumathy et al. | Qualitative study of Riccati difference equation on maneuvering target tracking and fault diagnosis of wind turbine gearbox |
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 |