CN107704990A - 一种基于字典学习算法的风电功率预测实时误差评估方法 - Google Patents
一种基于字典学习算法的风电功率预测实时误差评估方法 Download PDFInfo
- Publication number
- CN107704990A CN107704990A CN201710757693.2A CN201710757693A CN107704990A CN 107704990 A CN107704990 A CN 107704990A CN 201710757693 A CN201710757693 A CN 201710757693A CN 107704990 A CN107704990 A CN 107704990A
- Authority
- CN
- China
- Prior art keywords
- mrow
- wind power
- msubsup
- msub
- error
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 14
- 230000005611 electricity Effects 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 230000009466 transformation Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000011426 transformation method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 20
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000000605 extraction Methods 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000001172 regenerating effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于字典学习算法的风电功率预测实时误差评估方法，从分析风电功率预测系统的误差产生机理入手，获取影响预测误差的因素，根据风电功率数据，利用小波变化提取功率信号的高频及低频分量，并加上风电预测功率、风电实际功率、风电预测误差方差、实际风电功率方差等组成误差评估参数，然后利用字典学习，获取这些评估参数的稀疏矩阵和字典，最后将这个稀疏矩阵作为输入，建立风电功率预测实时误差评估模型；本发明仅通过对风电功率当前时刻之前的一段历史数据的分析，即可获得与风电功率预测误差相关的敏感参数，获取预测误差的实时值，特别适用于风电功率波动大，不确定性强的场合。
Description
技术领域
本发明涉及再生能源利用领域，特别涉及一种基于字典学习算法的风电功率预测误差评估方法。
背景技术
风电功率的预测一直是个技术难题，短期预测误差甚至能达到40％。低估风电功率会造成弃风，我国弃风问题比较严重，2015年平均弃风率15％。高估会造成电网供需不平衡，严重威胁电网的安全。为此，电网需要配置多种形式的能源作为备用。据估计，含风能电网需要配置风电容量两倍的备用，以降低风电功率带来的风险。这样就大大增加了风电成本，进一步限制其大量接入。如果在预测风电功率的同时，能够提供预测误差的评估或者误差的概率，使电网的运行人员在进行操作的时候，能够兼顾风电预测功率有可能出现的预测误差，将对于抑制风电功率波动性和不确定性带给电网的冲击具有重要意义。
当前的预测误差评估主要是通过风电功率的历史的预测和实际数据，拟合预测误差的概率分布来获得当前的预测误差值。虽然从长期宏观的角度看，预测误差可能确实符合某些分布或者某些分布的组合，但电网运行及风力发电是实时过程，各种参数变化瞬息万变，误差是个时变过程。如果放弃当前时刻及之前一段时间的实时信息，仅从长期历史数据的统计结果获取当前误差，会造成误差评估冗余较大且准确性不高。而且预测误差与预测方法、预测步长、风电机类型等多种参数有关，很难用特定的概率密度分布函数拟合风电预测误差的分布不精确的拟合效果也会带来误差评估的较大误差。
为此，本发明主要研究风电功率的预测误差评估及其应用问题，引入故障诊断领域故障特征值的概念，提取预测误差的特征值。通过对风电功率波动特性和预测系统的分析，研究寻找能够评估风电功率预测误差的因素，进而评估实时预测误差。
发明内容
为解决上述问题，本发明提供一种基于字典学习算法的风电功率预测误差评估方法，本发明利用风电功率信号准确获取预测误差评估的特征量，从而利用评估模型准确的反应预测误差的实时变化，避免利用概率密度函数评估预测误差仅是历史统计量，难以实时反应误差变化的缺陷，能够更有效的克服风电不确定性带来的预测误差对电力系统运行造成的不利影响。
为实现上述目的，本发明采用以下技术手段：
本发明提供一种基于字典学习算法的风电功率预测误差评估方法，具体包括以下步骤：
(1)测取风电功率数据P(t)；
(2)计算风电预测功率风电预测误差方差FEV、实际风电功率方差AOV；
(3)利用小波变化方法分解风电实际发电功率数据，得到风电功率的高频分量和低频分量；
(4)利用字典学习方法对步骤(2)、(3)计算出来的参数进行处理，得出这些参数的稀疏表示和字典；
(5)建立基于RAN的预测实时误差评估模型，模型的输入为步骤(4)得到的稀疏矩阵X，模型输出为实时误差评估值
进一步的，所述步骤(2)中风电预测误差方差FEV、实际风电功率方差AOV的定义为：
其中，n为选取的历史数据样本数。
进一步的，所述步骤(3)中风电功率的高频分量和低频分量的计算公式为：
w(t)＝A1(t)+D1(t)＝A2(t)+D2(t)+D1(t)；
其中，j和k是小波变化调节参数。A1，A2是低频分量，D1，D2是高频分量。
进一步的，所述步骤(4)中得到稀疏表示和字典的方法具体包括以下步骤：
(4.1)确定目标函数为：
subject to
其中Y为步骤2中计算出来的P(t)，FEV，AOV以及步骤3计算出来的A1，A2和D1，D2；DIC为生成的字典，T0为预先设定的稀疏裕量；
(4.2)挑选一定数目的训练样本Y作为初始字典DIC；
(4.3)采用追踪算法OMP，计算信号Y在初始字典DIC下的稀疏表示，计算相应的系数；
(4.4)将字典中的原子逐个进行更新，E_k表示去掉字典中第k行后稀疏表示Y时的误差；将优化函数转化为：
对Ek进行奇异值分解，得到UΔVT，将字典的第k行dk更新为U的第一列，同时稀疏矩阵X的第K行更新为V的第K列乘以Δ(1,1)。如此逐列将字典DIC以及稀疏矩阵X更新。
本发明的有益效果：
本发明通过采集风电功率的历史信号，由计算机对风电功率的历史数据进行处理，评估风电功率预测的实时误差，操作简单方便；利用小波变换后的风电功率数据，风电预测功率、风电实际功率、风电预测误差方差、实际风电功率方差等作为评估特征量，借助字典学习强大的模式识别能力，提取特征量的稀疏表示，使其对评估误差更为敏感。利用这些敏感信息建立的评估模型，能够更准确的反应预测误差的实时变化，有效的克服风电不确定性带来的预测误差对电力系统运行造成的不利影响。
附图说明
图1评估模型图；
图2风电功率信号的小波分解图；
图3预测误差评估量的稀疏表示图；
图4实际风电功率与实时误差评估区域关系图；
图5实际风电功率与统计误差评估区域关系图；
图6不同误差评估大小时实际风电功率越限比例图；
图7不同误差评估倍数时实际风电功率越限比例图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步说明。
实施例1：如图1-7所示，本实施例提供提供一种基于字典学习算法的风电功率预测误差评估方法，具体包括以下步骤：
步骤1：测取风电功率数据P(t)，采用比利时ELIA和美国NREL数据库的风电功率实际数据进行分析；
步骤2：计算风电预测功率风电预测误差方差FEV、实际风电功率方差AOV，后两者定义为：
其中，n为选取的历史数据样本数。
步骤3：利用小波变化方法分解风电实际发电功率数据，得到风电功率的高频分量和低频分量。
w(t)＝A1(t)+D1(t)＝A2(t)+D2(t)+D1(t).
其中，j和k是小波变换调节参数。A1，A2是低频分量，D1，D2是高频分量。采用三层小波变换。
步骤4：利用字典学习方法对步骤2、3计算出来的参数进行处理，得出这些参数的稀疏表示和字典，具体方法如下：
(4.1)确定目标函数为：
subject to；
其中Y为步骤2中计算出来的P(t)，FEV，AOV以及步骤3计算出来的A1，A2和D1，D2；DIC为生成的字典，T0为预先设定的稀疏裕量。
(4.2)挑选一定数目的训练样本Y作为初始字典DIC；
(4.3)采用追踪算法OMP，计算信号Y在初始字典DIC下的稀疏表示，计算相应的系数；
(4.4)将字典中的原子逐个进行更新，Ek表示去掉字典中第k行后稀疏表示Y时的误差。将优化函数转化为：
对Ek进行奇异值分解，得到UΔVT，将字典的第k行dk更新为U的第一列，同时稀疏矩阵X的第K行更新为V的第K列乘以Δ(1,1)。如此逐列将字典DIC以及稀疏矩阵X更新。字典规模设定为10，即包含10个原子。
步骤5：建立基于RAN的预测实时误差评估模型，模型的输入为稀疏矩阵X，模型输出为实时误差评估值。根据前面的字典规模设定，误差模型为10输入，1输出。评估模型如图1所示。
应用上述方法对风电功率预测误差进行评估，效果理想。
经过小波变换后的风电功率数据如图2所示，经过字典学习后的误差评估量如图3所示。由图2和图3可以看到，经过字典学习后的稀疏表示比起之前小波分解的量，对风电功率的变化更为敏感，因而更能够反映出风电功率的波动性和随机性。
实际风电功率与实时误差评估区域关系如图4所示，实际风电功率与统计误差评估区域关系如图5所示。由图中可以看出，在第250时刻的时候，出现了较大的误差。根据历史数据统计而成的误差概率分布是无法获得这种即时误差的。而利用实时信息滚动预报的方法，可以根据前一时刻的预测误差以及当前的功率波动情况预测出后面将会有较大的误差。因此在出现较大波动时能够实时评估误差。
实际输出越出误差评估带的次数统计如表1所示，一共有480个数据。
表1
由表中数据可以看出，本方法的越限个数分别为12个，占480个数据中的2.5％。而利用T分布时越限次数为56，占11.7％。这说明本方法可以更精确的估计误差范围，使实际输出更大比例的落在考虑误差范围的区间内。
另外，通过区间大小的比较，可以看出利用本方法获取的误差区间在90％时的置信区间为162.6，远低于T分布的342.2、通用误差分布的367.1、改进高斯分布的235.3、混合高斯分布的351.3。由此可见，由于本方法可以根据当前数据特点，对误差进行估计，比起直接利用历史统计出来的误差，可以更为精确，误差估计范围也更小。
采用美国NREL风电功率数据，针对不同风电功率预测方法，来研究本方法的有效性。数据采用ID 17729的风电实际功率数据。
非智能预测方法通过误差概率分布获得的90％置信区间的越限次数如表2所示。
表2
不同的预测方法在不同误差评估大小时实际风电功率越限比例如图6。由表2和图6可见，随着区间的增加越限次数会减小。而误差区间越大也代表着电力系统的备用会增加。在区间很小时。各种方法的越限比例都挺高，这是由风电的不确定性决定的。不可能做到完全准确预测。随着区间的增加，越限次数减少。误差评估的可信度也增加。
当误差区间在0.1以内时，采用小波和PSR方法可以获得接近于0的误判率。而其他几种方法在这个误差区间内要高于50％，基本不具备参考性。而在误差区域为0.3时，NR的方法可以接近10％。也就是需要有30％的备用去弥补这个误差区间，这么大的备用对电力系统来讲也是极大的浪费。因此预测误差较大的预测方法，即使采用本方法能够准确评估其预测误差，也不适合用来预测风电功率。
不同误差评估倍数时实际风电功率越限比例如图7所示。当预测区间是各自方法预测误差平均值的1.5倍的时候，各个方法基本上能够达到10％的误判率。各种方法的均方根误差如表3所示。
表3
这可以说明两个方面问题。第一是对于不同的预测方法，本方法都能够准确的评估其预测误差大小。当然，由表3可以看出，准确的预测方法的误差评估区间较小，而准确性较差的方法误差区间范围较大。第二比较表2和表3，PSR的均方根误差是0.176，考虑0.5倍的裕量，误差范围是0.264。与表2中的改进高斯分布类似，但是误判率8％左右，低于改进高斯分布的误判率26％。而其他的概率分布拟合方法，无论是置信区间大小还是越限比例，均高于本提出的误差判断方法。由此可见，对于不同的预测方法，本方法能够在更小的误差范围内获得更精确的预测效果。或者在基本相同的出错次数下，系统的备用容量可以做的更小。
Claims (4)
1.一种基于字典学习算法的风电功率预测实时误差评估方法，其特征在于，具体包括以下步骤：
(1)测取风电功率数据P(t)；
(2)计算风电预测功率风电预测误差方差FEV、实际风电功率方差AOV；
(3)利用小波变化方法分解风电实际发电功率数据，得到风电功率的高频分量和低频分量；
(4)利用字典学习方法对步骤(2)、(3)计算出来的参数进行处理，得出这些参数的稀疏表示和字典；
(5)建立基于RAN的预测实时误差评估模型，模型的输入为步骤(4)得到的稀疏矩阵X，模型输出为实时误差评估值。
2.根据权利要1所述的一种基于字典学习算法的风电功率预测实时误差评估方法，其特征在于，所述步骤(2)中风电预测误差方差FEV、实际风电功率方差AOV的定义为：
<mrow>
<mi>F</mi>
<mi>E</mi>
<mi>V</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<mi>F</mi>
<mi>E</mi>
<mo>(</mo>
<mi>i</mi>
<mo>|</mo>
<mi>t</mi>
<mo>)</mo>
<mo>-</mo>
<mover>
<mrow>
<mi>F</mi>
<mi>E</mi>
</mrow>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
<mo>;</mo>
</mrow>
其中，n为选取的历史数据样本数。
3.根据权利要1所述的一种基于字典学习算法的风电功率预测实时误差评估方法，其特征在于，所述步骤(3)中风电功率的高频分量和低频分量的计算公式为：
w(t)＝A1(t)+D1(t)＝A2(t)+D2(t)+D1(t)；
其中，j和k是小波变化调节参数。A1，A2是低频分量，D1，D2是高频分量。
4.根据权利要1所述的一种基于字典学习算法的风电功率预测实时误差评估方法，其特征在于，所述步骤(4)中得到稀疏表示和字典的方法具体包括以下步骤：
(4.1)确定目标函数为：
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mo>{</mo>
<mo>|</mo>
<mo>|</mo>
<mi>Y</mi>
<mo>-</mo>
<msub>
<mi>D</mi>
<mrow>
<mi>I</mi>
<mi>C</mi>
</mrow>
</msub>
<mi>X</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>s</mi>
<mi>u</mi>
<mi>b</mi>
<mi>j</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
<mi> </mi>
<mi>t</mi>
<mi>o</mi>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>,</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>|</mo>
<msub>
<mo>|</mo>
<mn>0</mn>
</msub>
<mo>&le;</mo>
<msub>
<mi>T</mi>
<mn>0</mn>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>;</mo>
</mrow>
其中Y为步骤2中计算出来的P(t)，FEV，AOV以及步骤3计算出来的A1，A2和D1，D2；DIC为生成的字典，T0为预先设定的稀疏裕量；
(4.2)挑选一定数目的训练样本Y作为初始字典DIC；
(4.3)采用追踪算法OMP，计算信号Y在初始字典DIC下的稀疏表示，计算相应的系数；
(4.4)将字典中的原子逐个进行更新，E_k表示去掉字典中第k行后稀疏表示Y时的误差；将优化函数转化为：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mo>|</mo>
<mo>|</mo>
<mi>Y</mi>
<mo>-</mo>
<mi>D</mi>
<mi>X</mi>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mi>Y</mi>
<mo>-</mo>
<munderover>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>T</mi>
<mi>j</mi>
</msubsup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<mrow>
<mo>(</mo>
<mi>Y</mi>
<mo>-</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>&NotEqual;</mo>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>d</mi>
<mi>j</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>T</mi>
<mi>j</mi>
</msubsup>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>T</mi>
<mi>K</mi>
</msubsup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>E</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<msubsup>
<mi>x</mi>
<mi>T</mi>
<mi>K</mi>
</msubsup>
<mo>|</mo>
<msubsup>
<mo>|</mo>
<mi>F</mi>
<mn>2</mn>
</msubsup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
对Ek进行奇异值分解，得到UΔVT，将字典的第k行dk更新为U的第一列，同时稀疏矩阵X的第K行更新为V的第K列乘以Δ(1,1),如此逐列将字典DIC以及稀疏矩阵X更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710757693.2A CN107704990A (zh) | 2017-08-29 | 2017-08-29 | 一种基于字典学习算法的风电功率预测实时误差评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710757693.2A CN107704990A (zh) | 2017-08-29 | 2017-08-29 | 一种基于字典学习算法的风电功率预测实时误差评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107704990A true CN107704990A (zh) | 2018-02-16 |
Family
ID=61169917
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710757693.2A Pending CN107704990A (zh) | 2017-08-29 | 2017-08-29 | 一种基于字典学习算法的风电功率预测实时误差评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107704990A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697630A (zh) * | 2018-11-21 | 2019-04-30 | 浙江大学城市学院 | 一种基于稀疏回归的商家客流量多因素分析与预测方法 |
| CN110942194A (zh) * | 2019-11-27 | 2020-03-31 | 徐州上若科技有限公司 | 一种基于tcn的风电预测误差区间评估方法 |
| CN111753699A (zh) * | 2020-06-17 | 2020-10-09 | 国网江西省电力有限公司电力科学研究院 | 一种直流充电桩数字计量准确度提升的方法 |
| CN112580709A (zh) * | 2020-12-14 | 2021-03-30 | 上海电力大学 | 一种海上风电机组自适应状态评估方法 |
-
2017
- 2017-08-29 CN CN201710757693.2A patent/CN107704990A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109697630A (zh) * | 2018-11-21 | 2019-04-30 | 浙江大学城市学院 | 一种基于稀疏回归的商家客流量多因素分析与预测方法 |
| CN109697630B (zh) * | 2018-11-21 | 2020-08-04 | 浙江大学城市学院 | 一种基于稀疏回归的商家客流量多因素分析与预测方法 |
| CN110942194A (zh) * | 2019-11-27 | 2020-03-31 | 徐州上若科技有限公司 | 一种基于tcn的风电预测误差区间评估方法 |
| CN111753699A (zh) * | 2020-06-17 | 2020-10-09 | 国网江西省电力有限公司电力科学研究院 | 一种直流充电桩数字计量准确度提升的方法 |
| CN111753699B (zh) * | 2020-06-17 | 2024-04-05 | 国网江西省电力有限公司电力科学研究院 | 一种直流充电桩数字计量准确度提升的方法 |
| CN112580709A (zh) * | 2020-12-14 | 2021-03-30 | 上海电力大学 | 一种海上风电机组自适应状态评估方法 |
| CN112580709B (zh) * | 2020-12-14 | 2022-11-29 | 上海电力大学 | 一种海上风电机组自适应状态评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107704990A (zh) | 一种基于字典学习算法的风电功率预测实时误差评估方法 | |
| CN107732970B (zh) | 一种新能源并网电力系统的静态安全概率评估方法 | |
| Huang et al. | Hybrid state estimation for distribution systems with AMI and SCADA measurements | |
| CN106598917A (zh) | 一种基于深度信念网络的上层海洋热结构预测方法 | |
| CN105429129B (zh) | 一种考虑网络约束的间歇性能源发电容量置信度评估方法 | |
| CN103577710B (zh) | 基于分数阶upf的航空功率变换器故障预测方法 | |
| CN104319807B (zh) | 一种基于Copula函数获取多风电场容量可信度的方法 | |
| CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
| CN103198235B (zh) | 基于风功率纵向时刻概率分布的风功率预测值预评估方法 | |
| CN103150635B (zh) | 电力设备运维方法 | |
| CN103996079B (zh) | 一种基于条件概率的风电功率加权预测方法 | |
| CN106097146A (zh) | 一种计及运行状态的风电机组短期可靠性预测方法 | |
| CN104297635A (zh) | 基于原子稀疏分解与极限学习机的配电网故障选线方法 | |
| CN104361414A (zh) | 一种基于相关向量机的输电线路覆冰预测方法 | |
| CN103699800A (zh) | 基于频域多尺度风速信号可预报性的超短期风速预测方法 | |
| CN106126944A (zh) | 一种电力变压器顶层油温区间预测方法及系统 | |
| CN106709651A (zh) | 一种基于风险理论的电力系统安全性评估系统 | |
| CN106599417A (zh) | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 | |
| Zobaa et al. | Hosting capacity for smart power grids | |
| CN102664409B (zh) | 一种基于实测数据风电场风电功率实时预测的计算方法 | |
| CN111191832A (zh) | 一种台风灾害配电网杆塔故障预测方法及系统 | |
| Nagaraja et al. | A survey on wind energy, load and price forecasting:(Forecasting methods) | |
| CN106228468A (zh) | 一种潮汐流能发电场输出功率的概率模拟方法 | |
| Kennedy et al. | A probabilistic model for simulating long-term wind-power output | |
| CN104574211A (zh) | 基于风险源的电网调度操作风险预警方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180216 |
|
| RJ01 | Rejection of invention patent application after publication |