CN106712112B - 一种基于概率分布的风电场集群出力平滑效应的分析方法 - Google Patents
一种基于概率分布的风电场集群出力平滑效应的分析方法 Download PDFInfo
- Publication number
- CN106712112B CN106712112B CN201710085256.0A CN201710085256A CN106712112B CN 106712112 B CN106712112 B CN 106712112B CN 201710085256 A CN201710085256 A CN 201710085256A CN 106712112 B CN106712112 B CN 106712112B
- Authority
- CN
- China
- Prior art keywords
- wind power
- power plant
- output
- smoothing effect
- power output
- 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
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Wind Motors (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及新能源发电技术领域,具体涉及一种基于概率分布的风电场集群出力平滑效应的分析方法。所述方法包括如下步骤:获取风电场的风电功率数据,作为风电出力样本数据;将所述样本数据进行归一化处理,得到处理后的新数据;根据所述新数据,计算得到风电场集群出力平滑效应指标;根据所述指标的概率分布图,确定风电场集群出力平滑效应的结果。本申请在原有分析方法不足的基础上,从概率分布的角度提出了风电出力状态加权概率、最大出力同时率、平均绝对波动系数这三项平滑效应指标;通过对比分析得出不同的空间尺度对风电场集群出力平滑效应的影响。
Description
技术领域
本申请涉及新能源发电技术领域,具体涉及一种基于概率分布的风电场集群出力平滑效应分析方法。
背景技术
近年来,随着能源需求日益增大、温室效应及各种环境污染问题日益严重,大力发展新能源已经成为各国可持续发展战略的重要组成部分。其中,风力发电以其相对成熟的技术、丰富的资源储量、较低的发电成本成为了新能源发展的主导。然而,随着风电在电网中的渗透率逐渐增加,风力发电具有的波动性、随机性和不确定性等特点,给电力系统的安全稳定运行、电能质量以及其大规模并网带来了一系列问题。
随着区域规模的扩大,区域个体之间距离和区域个体数目的逐渐增加,使得区域内不同位置风资源的分布出现差异性,进而使得风电集群出力总体波动性减小且趋于平滑,这一现象称为“平滑效应”。研究风电集群出力的平滑效应对其波动性的影响,有助于降低风电出力预测成本、提高预测精度,进而为风电场的选址、系统备用容量的确定、电力系统的运行调度等提供可靠的依据。
目前,对风电场集群出力的平滑效应分析,主要是通过计算风电出力的波动量、平均值、最大值以及标准差等指标,来间接反映风电集群出力的平滑效应,这类指标可以准确地比较不同风电场之间出力平滑效应的显著程度,但是却难以直观地显示这些平滑效应指标的分布规律;而且对于风电出力时间序列的采样频率的选取较为单一,忽略了其对于风电集群出力的平滑效应分析可能造成的影响。
发明内容
本申请的目的是为了解决上述风电场集群出力的平滑效应分析方法中存在的难以直观地显示平滑效应指标分布规律的问题。
为此,本申请提供了如下技术方案:一种基于概率分布的风电场集群出力平滑效应的分析方法,包括如下步骤:
步骤一、获取风电场的风电功率数据,作为风电出力样本数据;
步骤二、将所述样本数据进行归一化处理,得到处理后的新数据;
步骤三、根据所述新数据,计算得到风电场集群出力平滑效应指标;
步骤四、根据所述指标的概率分布图,确定风电场集群出力平滑效应的结果。
进一步地,步骤二中,所述样本数据进行归一化处理的计算公式如下:
式(1)中,x为样本数据,max、min分别为样本数据的最大值和最小值,x*为经过归一化处理后的新数据。
进一步地,所述风电场集群出力平滑效应指标包括:风电出力状态加权概率、风电出力最大出力同时率、平均绝对波动系数。
进一步地,根据所述指标的概率分布图,确定风电场集群出力平滑效应的结果,包括:
根据所述风电出力状态加权概率、所述风电出力最大出力同时率在不同空间尺度下的概率分布图,确定所述风电场集群出力平滑效应的结果;
或者,根据所述平均绝对波动系数计算风电场集群出力在不同时间尺度下的平滑效应系数,根据所述平滑效应系数的概率分布图,确定所述风电场集群出力平滑效应的结果。
进一步地,所述风电出力状态加权概率指标的计算步骤包括:
S501、确定风电出力状态Pk:以ω为区间长度,将风电出力标幺值区间[0,1]划分成M个风电出力状态,则M=[1/ω]+1;为了保证区间的对称性,并尽可能避免风电出力极值对所述风电出力极值所属风电出力状态的概率造成影响,风电出力状态P1,P2,…,PM的区间长度皆取ω/2,即
式(2)中,Pk为第k个风电出力状态,M为风电出力的总状态数,Pd(t)为归一化处理后的风电出力;
由于风电场的最大出力一般不超过其装机容量CN、最小出力不小于0,归一化处理后的风电出力Pd(t)为:
式(3)中,CN为风电场集群出力时的总装机容量;Pd(t)为归一化处理后的风电出力,t=1,2,3,…,S,S为日采样点个数;Pd′(t)为风电场n年m月d日t时刻的出力值。
S502、判断归一化处理后的风电出力Pd(t)所属的风电出力状态,并生成风电出力状态Pk的状态变量矩阵D,状态变量矩阵D的计算公式如下:
式(4)中,dki为风电出力状态Pk的状态变量,其计算公式如下:
S503、计算风电出力状态的概率分布其计算公式如下:
式(6)中,Ntotal为风电场风电出力时间序列的总个数;
S504、计算风电出力状态加权概率指标以单个风电场的装机容量占风电场集群出力总装机容量的比例作为权重值,其计算公式为:
式(7)中,为风电集群出力时Pk的概率;j为风电场编号;为单个风电场j出力时Pk的概率;Cj为风电场j的装机容量;CN为风电场集群出力时的总装机容量。
进一步地,所述风电出力最大出力同时率为一段时间内风电场集群出力的最大值与所有子风电场各自最大出力之和的比值,其计算公式为:
式(8)中,ηmax为风电出力最大出力同时率,Pjmax为单个风电场j在统计时段内的最大出力;PNmax为统计时段内风电场集群出力的最大值,PNmax、Pjmax都为标幺值;n为集群风电场总数。
ηmax等于1表示各风电场出力在同一时刻达到最大值,ηmax小于1表示各风电场出力达到最大值有一定的时间差异,存在空间集群效应,且ηmax值越小表示各风电场之间的空间集群效应越明显。研究区域新能源风电场集群最大出力同时率可以为区域高峰时段调峰提供一定的参考依据。最大出力同时率越大表示区域新能源风电场高峰时段的调峰需求越高,对电网的规划和调度有一定参考价值。
进一步地,所述平均绝对波动系数是指风电出力序列与出力均值的平均差,计算公式为:
式(9)中,ρ为平均绝对波动系数;CN为风电场集群出力时的总装机容量;Pd(t)为归一化处理后的风电出力,其中,t=1,2,3,…,S,S为日采样点个数;为风电场出力的平均值。
进一步地,对不同规模的风电场,所述风电场集群出力的平滑效应还可以采用平滑效应系数σ来衡量,σ值越小,说明风电场集群出力相对于单个风电场而言离散程度较小,平滑效应较为显著;
所述平滑效应系数σ为风电场集群出力的平均绝对波动系数ρcluster与单个风电场的平均绝对波动系数ρj加权和的比值,所述平滑效应系数σ的计算公式如下:
式(10)中,ρcluster为风电场集群出力的平均绝对波动系数,ρj为单个风电场的平均绝对波动系数,kj为单个风电场的加权系数。
进一步地,所述不同空间尺度包括云南大理市的大龙潭风电场WF1、野猫山风电场WF2、罗平山风电场WF3、漕涧梁子风电场WF4。
本申请提供的技术方案包括以下有益效果:在原有分析方法不足的基础上,从概率分布的角度提出了风电出力状态加权概率、最大出力同时率、平均绝对波动系数这三项平滑效应指标;通过计算风电出力状态加权概率,绘制其在不同空间尺度下的概率分布图,可以直观地观察出随着风电场集群规模的扩大,风电场出力分布由两边向中间转移的趋势更加明显,平滑效应显著;通过计算最大出力同时率,绘制其在不同空间尺度下的概率分布图,可以直观地观察出随着风电场集群规模的增加,风电场集群出力的波动性趋于平缓,平滑效应较为显著。或者,根据所述平均绝对波动系数计算风电场集群出力在不同时间尺度下的平滑效应系数,根据所述平滑效应系数的概率分布图,可以看出平滑效应系数越小,风电场集群出力相对于单个风电场而言离散程度较小,平滑效应较为显著。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种基于概率分布的风电场集群出力平滑效应的分析方法的流程示意图;
图2为本申请实施例中风电场WF1、WF2集群出力状态加权概率指标分布图;
图3为本申请实施例中四个风电场WF1、WF2、WF3、WF4集群出力状态加权概率指标分布图;
图4为本申请实施例中不同数目的风电场集群规模下的最大出力同时率概率分布图;
图5为本申请实施例中不同数目的风电场集群规模下的平滑效应系数概率分布图。
具体实施方式
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请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,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
参见图1所示,为本申请提供的一种基于概率分布的风电场集群出力平滑效应分析方法的流程示意图,所述方法包括如下步骤:
步骤S101、获取风电场的风电功率数据,作为风电出力样本数据;
步骤S102、将所述样本数据进行归一化处理,得到处理后的新数据;
步骤S103、根据所述新数据,计算得到风电场集群出力平滑效应指标;
步骤S104、根据所述指标的概率分布图,确定风电场集群出力平滑效应的结果。
在步骤S102中,将所述样本数据进行归一化处理的计算公式如下:
式(1)中,x为样本数据,max、min分别为样本数据的最大值和最小值,x*为经过归一化处理后的新数据。
进一步地,在步骤S103中,所述风电场集群出力平滑效应指标包括:风电出力状态加权概率、风电出力最大出力同时率、平均绝对波动系数。
进一步地,所述步骤S104、根据所述指标的概率分布图,确定风电场集群出力平滑效应的结果,包括:
根据所述风电出力状态加权概率、所述风电出力最大出力同时率在不同空间尺度下的概率分布图,确定所述风电场集群出力平滑效应的结果;
或者,根据所述平均绝对波动系数计算风电场集群出力在不同时间尺度下的平滑效应系数,根据所述平滑效应系数的概率分布图,确定所述风电场集群出力平滑效应的结果。
进一步地,所述风电出力状态加权概率指标的计算步骤包括:
S501、确定风电出力状态Pk:以ω为区间长度,将风电出力标幺值区间[0,1]划分成M个风电出力状态,则M=[1/ω]+1;为了保证区间的对称性,并尽可能避免风电出力极值对所述风电出力极值所属风电出力状态的概率造成影响,风电出力状P1,P2,…,PM的区间长度皆取ω/2,即
式(2)中,Pk为第k个风电出力状态,M为风电出力的总状态数,Pd(t)为归一化处理后的风电出力;
优选地,ω的取值为0.1,风电出力状态P1~PM的区间划分具体为:[0,0.05)、[0.05,0.15)、[0.15,0.25)、[0.25,0.35)、[0.35,0.45)、[0.45,0.55)、[0.55,0.65)、[0.65,0.75)、[0.75,0.85)、[0.85,0.95)、[0.95,1]。
由于风电场的最大出力一般不超过其装机容量CN、最小出力不小于0,归一化处理后的风电出力Pd(t)为:
式(3)中,CN为风电场集群出力时的总装机容量;Pd(t)为归一化处理后的风电出力,t=1,2,3,…,S,S为日采样点个数;Pd′(t)为风电场n年m月d日t时刻的出力值。
S502、判断归一化处理后的风电出力Pd(t)所属的风电出力状态,并生成风电出力状态Pk的状态变量矩阵D,状态变量矩阵D的计算公式如下:
式(4)中,dki为风电出力状态Pk的状态变量,其计算公式如下:
S503、计算风电出力状态的概率分布其计算公式如下:
式(6)中,Ntotal为风电场风电出力时间序列的总个数;
根据公式(6)得到如表1所示的风电场出力状态的概率分布。
表1风电场出力状态概率分布表
S504、计算风电出力状态加权概率指标
以单个风电场的装机容量占风电场集群出力总装机容量的比例作为权重值,其计算公式为:
式(7)中,为风电集群出力时Pk的概率;j为风电场编号;为单个风电场j出力时Pk的概率;Cj为风电场j的装机容量;CN为风电场集群出力时的总装机容量。
根据式(7)计算风电出力状态加权概率指标绘制如图2、图3所示的不同集群规模下风电出力状态加权概率指标分布图。
由图2、图3可以直观地观察出:不同集群规模下的风电出力状态加权概率指标分布均呈中间为正、两边为负的特点,风电场出力分布由两边向中间转移,说明风电场集群之后波动性降低;随着风电场集群规模的扩大,风电场出力分布由两边向中间转移的趋势更加明显,平滑效应显著。
进一步地,所述风电出力最大出力同时率为一段时间内风电场集群出力的最大值与所有子风电场各自最大出力之和的比值,其计算公式为:
式(8)中,ηmax为风电出力最大出力同时率,Pjmax为单个风电场j在统计时段内的最大出力;PNmax为统计时段内风电场集群出力的最大值,PNmax、Pjmax都为标幺值;n为集群风电场总数。
分别以15min、30min、1h为采样时间尺度,以日为周期,根据式(8)计算多个风电场的风电出力最大同时率,进而得到如表2所示的不同采样时间尺度下最大出力同时率指标的概率分布表。
表2不同采样时间尺度下风电场出力最大出力同时率指标概率分布表
ηmax等于1表示各个风电场出力在同一时刻达到最大值,ηmax小于1表示各个风电场出力达到最大值有一定的时间差异,存在空间集群效应,且ηmax值越小表示各个风电场之间的空间集群效应越明显。研究区域新能源风电场集群最大出力同时率可以为区域高峰时段调峰提供一定的参考依据。最大出力同时率越大表示区域新能源风电场高峰时段的调峰需求越高,对电网的规划和调度有一定参考价值。
根据表2,以采样时间尺度为15min为例,绘制如图4所示的不同规模下风电集群的风电出力最大出力同时率概率分布图。由图4可以看出,随着风电场集群规模的扩大,最大出力同时率指标由集中分布逐渐趋于离散化。仅由WF1和WF2两个风电场集群出力时,最大出力同时率指标主要分布在[0.85,1]内,其概率高达0.83,当风电场数量增加到4个时,最大出力同时率指标明显有下降的趋势,而分布趋于均匀,分布在[0.85,1]区间内的概率降为0.55。说明随着风电场集群规模的增加,风电场集群出力的波动性趋于平缓,平滑效应较为显著。
进一步地,所述平均绝对波动系数是指风电出力序列与出力均值的平均差,计算公式为:
式(9)中,ρ为平均绝对波动系数;CN为风电场集群出力时的总装机容量;Pd′(t)为风电场n年m月d日t时刻的出力值,其中,t=1,2,3,…,S,S为日采样点个数;为风电场出力的平均值。
进一步地,对不同规模的风电场,所述风电场集群出力的平滑效应还可以采用平滑效应系数σ来衡量;
σ值越小,说明风电场集群出力相对于单个风电场而言离散程度较小,平滑效应较为显著;
所述平滑效应系数σ为风电场集群出力的平均绝对波动系数ρcluster与单个风电场的平均绝对波动系数ρj加权和的比值;
所述平滑效应系数σ的计算公式如下:
式(10)中,ρcluster为风电场集群出力的平均绝对波动系数,ρj为单个风电场的平均绝对波动系数,kj为单个风电场的加权系数。
σ值越小,说明风电场集群出力相对于单个风电场而言离散程度较小,平滑效应较为显著。
优选地,分别以15min、30min、1h为采样时间尺度,以日为周期,根据式(10)计算风电集群出力的平均绝对波动系数指标,进而得到如表3所示的不同采样时间尺度下的平滑效应系数σ概率分布表;以采样时间尺度为15min为例,绘制如图5所示的不同规模下风电场集群出力平滑效应系数的指标概率分布图。
表3不同采样时间尺度下的平滑效应系数指标概率分布表
根据表3,由图5可以直观地观察出:随着风电场集群规模的扩大,总出力的波动性逐渐下降,平滑效应系数由集中分布逐渐趋于离散化。当风电场数量增加到4个时,平滑效应系数最小值由0.5降低到0.3,且其分布空间逐渐向原点转移。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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)
1.一种基于概率分布的风电场集群出力平滑效应的分析方法,其特征在于,所述方法包括如下步骤:
获取风电场的风电功率数据,作为风电出力样本数据;
将所述样本数据进行归一化处理,得到处理后的新数据;
根据所述新数据,计算得到风电场集群出力平滑效应指标,其中,所述风电场集群出力平滑效应指标包括风电出力状态加权概率指标;
根据所述指标的概率分布图,确定风电场集群出力平滑效应的结果;
其中,所述风电出力状态加权概率指标的计算步骤包括:
确定风电出力状态Pk:以ω为区间长度,将风电出力标幺值区间[0,1]划分成M个风电出力状态,则为了保证区间的对称性,并尽可能避免风电出力极值对所述风电出力极值所属风电出力状态的概率造成影响,风电出力状态P1,P2,…,PM的区间长度皆取ω/2,即
式中,Pk为第k个风电出力状态,M为风电出力的总状态数,Pd(t)为归一化处理后的风电出力;
判断归一化处理后的风电出力Pd(t)所属的风电出力状态,并生成风电出力状态Pk的状态变量矩阵D,状态变量矩阵D的计算公式如下:
式中,dki为风电出力状态Pk的状态变量,计算公式如下:
计算所述风电出力状态的概率分布所述风电出力状态的概率分布的计算公式如下:
式中,Ntotal为风电场风电出力时间序列的总个数;
计算风电出力状态加权概率指标以单个风电场的装机容量占风电场集群出力总装机容量的比例作为权重值,所述风电出力状态加权概率指标的计算公式为:
式中,为风电集群出力时Pk的概率;j为风电场编号;为单个风电场j出力时Pk的概率;Cj为风电场j的装机容量;CN为风电场集群出力时的总装机容量。
2.根据权利要求1所述的基于概率分布的风电场集群出力平滑效应的分析方法,其特征在于,将所述样本数据进行归一化处理的计算公式如下:
式中,x为样本数据,max、min分别为样本数据的最大值和最小值,x*为经过归一化处理后的新数据。
3.根据权利要求1所述的基于概率分布的风电场集群出力平滑效应的分析方法,其特征在于,所述风电场集群出力平滑效应指标还包括:风电出力最大出力同时率、平均绝对波动系数。
4.根据权利要求3所述的基于概率分布的风电场集群出力平滑效应的分析方法,其特征在于,根据所述指标的概率分布图,确定风电场集群出力平滑效应的结果,包括:
根据所述风电出力状态加权概率、所述风电出力最大出力同时率在不同空间尺度下的概率分布图,确定所述风电场集群出力平滑效应的结果;
或者,根据所述平均绝对波动系数计算风电场集群出力在不同时间尺度下的平滑效应系数,根据所述平滑效应系数的概率分布图,确定所述风电场集群出力平滑效应的结果。
5.根据权利要求3所述的基于概率分布的风电场集群出力平滑效应的分析方法,其特征在于,所述风电出力最大出力同时率的计算公式为:
式中,ηmax为风电出力最大出力同时率,Pjmax为风电场j在统计时段内的最大出力;PNmax为统计时段内风电场集群出力的最大值,PNmax、Pjmax都为标幺值;n为集群风电场总数;CN为风电场集群出力时的总装机容量;Cj为风电场j的装机容量。
6.根据权利要求3所述的基于概率分布的风电场集群出力平滑效应的分析方法,其特征在于,所述平均绝对波动系数的计算公式为:
式中,ρ为平均绝对波动系数;CN为风电场集群出力时的总装机容量;Pd(t)为归一化处理后的风电出力值,t=1,2,3,…,S,S为日采样点个数;为风电场出力的平均值。
7.根据权利要求4所述的基于概率分布的风电场集群出力平滑效应的分析方法,其特征在于,所述平滑效应系数的计算公式为:
式中,ρcluster为风电场集群出力的平均绝对波动系数,ρj为单个风电场的平均绝对波动系数,kj为单个风电场的加权系数。
8.根据权利要求4所述的基于概率分布的风电场集群出力平滑效应的分析方法,其特征在于,所述不同空间尺度包括云南大理市的大龙潭风电场WF1、野猫山风电场WF2、罗平山风电场WF3、漕涧梁子风电场WF4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710085256.0A CN106712112B (zh) | 2017-02-17 | 2017-02-17 | 一种基于概率分布的风电场集群出力平滑效应的分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710085256.0A CN106712112B (zh) | 2017-02-17 | 2017-02-17 | 一种基于概率分布的风电场集群出力平滑效应的分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106712112A CN106712112A (zh) | 2017-05-24 |
CN106712112B true CN106712112B (zh) | 2019-11-01 |
Family
ID=58911782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710085256.0A Active CN106712112B (zh) | 2017-02-17 | 2017-02-17 | 一种基于概率分布的风电场集群出力平滑效应的分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106712112B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108054781B (zh) * | 2018-01-06 | 2019-08-30 | 东北电力大学 | 一种基于db6小波的风电汇聚效应时频分析方法 |
CN110443511B (zh) * | 2019-08-08 | 2020-10-30 | 贵州电网有限责任公司 | 一种基于分时段累计电量分布的风电出力特性分析方法 |
CN112803403B (zh) * | 2021-02-25 | 2022-07-15 | 国网江苏省电力有限公司经济技术研究院 | 基于时频特征的海上风电集群效应多层级评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103117546A (zh) * | 2013-02-28 | 2013-05-22 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
JP2014021555A (ja) * | 2012-07-12 | 2014-02-03 | Toyota Motor Corp | 自然エネルギー量予測装置 |
CN104240144A (zh) * | 2014-08-25 | 2014-12-24 | 河海大学 | 一种基于需求响应的电力负荷聚类方法 |
CN105701590A (zh) * | 2014-11-28 | 2016-06-22 | 国家电网公司 | 一种基于极大似然估计的风电功率波动概率分布描述方法 |
CN105939014A (zh) * | 2016-06-24 | 2016-09-14 | 中国电力科学研究院 | 一种风电场站相关性指标获取方法 |
-
2017
- 2017-02-17 CN CN201710085256.0A patent/CN106712112B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014021555A (ja) * | 2012-07-12 | 2014-02-03 | Toyota Motor Corp | 自然エネルギー量予測装置 |
CN103117546A (zh) * | 2013-02-28 | 2013-05-22 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
CN104240144A (zh) * | 2014-08-25 | 2014-12-24 | 河海大学 | 一种基于需求响应的电力负荷聚类方法 |
CN105701590A (zh) * | 2014-11-28 | 2016-06-22 | 国家电网公司 | 一种基于极大似然估计的风电功率波动概率分布描述方法 |
CN105939014A (zh) * | 2016-06-24 | 2016-09-14 | 中国电力科学研究院 | 一种风电场站相关性指标获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106712112A (zh) | 2017-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ren et al. | Overview of wind power intermittency: Impacts, measurements, and mitigation solutions | |
CN107292514B (zh) | 风电场生产运行测风塔选址方法及装置 | |
CN103944175B (zh) | 风光储联合发电系统出力特性优化方法 | |
CN106953363B (zh) | 一种风电场限功率运行状态下电网旋转备用优化配置方法 | |
Hoogwijk et al. | Exploring the impact on cost and electricity production of high penetration levels of intermittent electricity in OECD Europe and the USA, results for wind energy | |
Monforti et al. | Comparing the impact of uncertainties on technical and meteorological parameters in wind power time series modelling in the European Union | |
CN109103926A (zh) | 基于多辐照特性年气象场景的光伏发电接纳能力计算方法 | |
CN106712112B (zh) | 一种基于概率分布的风电场集群出力平滑效应的分析方法 | |
CN107528350B (zh) | 一种适应中长期电源规划的风电出力典型场景生成方法 | |
CN106786791B (zh) | 一种风电出力场景的生成方法 | |
Yu et al. | Profiling the regional wind power fluctuation in China | |
CN105389634A (zh) | 一种组合式短期风电功率预测系统及方法 | |
CN104135036B (zh) | 一种基于时域和集群效应分析间歇性能源出力的方法 | |
CN102682222A (zh) | 一种基于风电波动规律的连续潮流计算方法 | |
Jiang et al. | Comprehensive assessment of wind resources and the low-carbon economy: An empirical study in the Alxa and Xilin Gol Leagues of inner Mongolia, China | |
Kaygusuz | Wind power for a clean and sustainable energy future | |
CN109614718A (zh) | 一种风电出力仿真模拟模型与方法 | |
CN102938562A (zh) | 一种区域内风电总功率的预测方法 | |
Winslow | Urban wind generation: comparing horizontal and vertical axis wind turbines at Clark University in Worcester, Massachusetts | |
CN105071423A (zh) | 计及限风特性与经济性的储能系统容量配置方法 | |
CN103248050B (zh) | 一种基于竞争博弈的风电爬坡协同控制方法 | |
CN105244922B (zh) | 限风情况下双馈型风电场群有功出力优化分配方法 | |
CN114282757A (zh) | 考虑弃风限负荷手段的新型电力系统运行灵活性评估方法 | |
CN105205564A (zh) | 基于测风塔神经网络的风电场弃风电量统计系统及方法 | |
Badran et al. | Fuzzy Logic Controller for Predicting Wind Turbine Power Generation. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |