CN108009689A - 风速修正模型训练、风速修正方法、装置及风力发电机组 - Google Patents
风速修正模型训练、风速修正方法、装置及风力发电机组 Download PDFInfo
- Publication number
- CN108009689A CN108009689A CN201711399108.2A CN201711399108A CN108009689A CN 108009689 A CN108009689 A CN 108009689A CN 201711399108 A CN201711399108 A CN 201711399108A CN 108009689 A CN108009689 A CN 108009689A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- speed value
- prediction
- source
- value
- 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.)
- Withdrawn
Links
- 238000012549 training Methods 0.000 title claims abstract description 138
- 238000012937 correction Methods 0.000 title claims abstract description 133
- 238000002715 modification method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 72
- 238000012545 processing Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000011218 segmentation Effects 0.000 description 6
- 241001269238 Data Species 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/04—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)
- Aerodynamic Tests, Hydrodynamic Tests, Wind Tunnels, And Water Tanks (AREA)
Abstract
本发明提供一种风速修正模型训练、风速修正方法、装置及风力发电机组,其中风速修正模型的训练方法包括:从多个数据源获取针对同一地区的多源预测风速值,并获取所述预测风速值相对应的实际风速值;对所述多源预测风速值进行预处理,得到用于综合评价所述多源预测风速值的综合预测风速值;以所述综合预测风速值以及所述实际风速值进行模型训练,得到风速修正模型。本发明提供的方案,能够显著提高风速预测的准确性。
Description
技术领域
本发明涉及风电技术领域,尤其涉及一种风速修正模型训练、风速修正方法、装置及风力发电机组。
背景技术
在风电行业中,由于风电的不可预知性,大规模的风电并网影响了电力系统的稳定性,带来了巨大的调峰成本。准确有效的功率预测能够有效节约调峰成本,而风速预测的结果将直接影响功率预测的准确率,进而直接影响电能质量。因此,通过对现有预测风速进行修正,从而提高其预测结果的准确性就尤为重要。
现有技术中,风电功率预测建模常基于风速建模,即利用数值天气预报和风电功率之间建立一个映射关系从而实现风电功率预测,因此数值天气预报的准确性直接影响风电功率预测的准确性。目前,数值天气预报结果主要根据一定范围内的气象要素采用不同的气象模式进行预报,由于同一区域范围内不同的地理环境,易导致当前地形条件下的预测结果与实际情况产生误差,针对该误差,目前主要通过对数值天气预报结果进行后期的数据修正,从而提高当前地形环境下的预测结果的准确性。由于当前的风速修正方法通常整体采用单一气象模式下的历史气象数据,而由于季节变化、地形差异以及不同时间段的差距,常常导致预测结果不同,从而影响了风速整体修正效果。
发明内容
本发明提供了一种风速修正模型训练、风速修正方法、装置及风力发电机组,能够显著提高风速预测的准确性。
为达到上述目的,本发明实施例提供了一种风速修正模型的训练方法,包括:从多个数据源获取针对同一地区的多源预测风速值,并获取所述预测风速值相对应的实际风速值;对所述多源预测风速值进行预处理,得到用于综合评价所述多源预测风速值的综合预测风速值;以所述综合预测风速值以及所述实际风速值进行模型训练,得到风速修正模型。
本发明实施例还提供了一种预测风速的修正方法,包括:从多个数据源获取针对同一地区的多源预测风速值;将所述多源预测风速值经上所述的风速修正模型的训练方法得到的风速修正模型进行模型计算,得到修正后的预测风速值。
本发明实施例还提供了另一种预测风速的修正方法,包括:从多个数据源获取针对同一地区的多源预测风速值;将所述多源预测风速值按不同时间段进行划分,并经上所述风速修正模型的训练方法得到的相应时间段的风速修正模型进行模型计算,得到修正后的预测风速值。
本发明实施例还提供了另一种预测风速的修正方法,包括:从多个数据源获取针对同一地区的多源预测风速值;将所述多源预测风速值按不同风速段进行划分,并经上所述风速修正模型的训练方法得到的相应风速段的风速修正模型进行模型计算,得到修正后的预测风速值。
本发明实施例还提供了一种风速修正模型的训练装置,包括:数据获取模块,用于从多个数据源获取针对同一地区的多源预测风速值,并获取所述预测风速值相对应的实际风速值;风速处理模块,用于对所述多源预测风速值进行预处理,得到用于综合评价所述多源预测风速值的综合预测风速值;模型训练模块,用于以所述综合预测风速值以及所述实际风速值进行模型训练,得到风速修正模型。
本发明实施例还提供了一种预测风速的修正装置,包括:第一风速获取模块,用于从多个数据源获取针对同一地区的多源预测风速值;第一风速修正模块,用于将所述多源预测风速值经上所述的风速修正模型的训练装置得到的风速修正模型进行模型计算,得到修正后的预测风速值。
本发明实施例还提供了另一种预测风速的修正装置,包括:第二风速获取模块,用于从多个数据源获取针对同一地区的多源预测风速值;第二风速修正模块,用于将所述多源预测风速值按不同时间段进行划分,并经上所述风速修正模型的训练装置得到的相应时间段的风速修正模型进行模型计算,得到修正后的预测风速值。
本发明实施例还提供了另一种预测风速的修正装置,包括:第三风速获取模块,用于从多个数据源获取针对同一地区的多源预测风速值;第三风速修正模块,用于将所述多源预测风速值按不同风速段进行划分,并经上所述风速修正模型的训练装置得到的相应风速段的风速修正模型进行模型计算,得到修正后的预测风速值。
本发明实施例还提供了一种风力发电机组,包括:设置有上述任一种所述的预测风速的修正装置。
本发明提供的风速修正模型训练、风速修正方法、装置及风力发电机组,通过从多个数据源中获取得到同一地区的多源预测风速值以及与该多源预测风速值相应的实际风速值,并基于该多源预测风速值和相应的实际风速值进行模型训练,进而得到以预测风速为输入、修正的预测风速为输出的风速修正模型,能够显著提高风速预测的准确性。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例提供的风速修正模型的训练方法流程图一;
图2为本发明实施例提供的风速修正模型的训练方法逻辑示意图;
图3a为本发明实施例提供的风速修正模型的训练方法流程图二;
图3b为本发明实施例提供的风速修正模型的训练方法流程图三;
图4为本发明实施例提供的风速修正模型的训练方法流程图四;
图5为本发明实施例提供的风速修正模型的训练方法流程图五;
图6a为本发明实施例提供的风速修正模型的训练方法流程图六;
图6b为本发明实施例提供的神经网络算法拓扑图;
图6c为本发明实施例提供的KNN算法决策过程示意图;
图6d为本发明实施例提供的均值聚类算法原理图;
图7为本发明实施例提供的预测风速的修正方法流程图一;
图8为本发明实施例提供的预测风速的修正方法流程图二;
图9为本发明实施例提供的预测风速的修正方法流程图三;
图10为本发明实施例提供的风速修正模型的训练装置结构图一;
图11为本发明实施例提供的风速修正模型的训练装置结构图二;
图12为本发明实施例提供的风速修正模型的训练装置结构图三;
图13为本发明实施例提供的风速修正模型的训练装置结构图四;
图14为本发明实施例提供的预测风速的修正装置结构图一;
图15为本发明实施例提供的预测风速的修正装置结构图二;
图16为本发明实施例提供的预测风速的修正装置结构图三。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供的风速修正模型训练、风速修正方法、装置及风力发电机组,通过从多个数据源中获取得到同一地区的多源预测风速值以及与该多源预测风速值相应的实际风速值;对多源预测风速值进行预处理,得到综合预测风速值,并基于该综合预测风速值和相应的实际风速值进行模型训练,进而得到以预测风速为输入、修正的预测风速为输出的风速修正模型,能够显著提高风速预测的准确性。
下面通过多个实施例来说明本申请的技术方案。
实施例一
图1为本发明实施例提供的风速修正模型的训练方法流程图一,该模型用于以预测风速为输入,输出修正后的预测风速值。如图1所示,该方法包括:
S110,从多个数据源获取针对同一地区的多源预测风速值,并获取预测风速值相对应的实际风速值。
具体地,从多个历史数据集中获取针对同一地区的多源预测风速值,该多源预测风速值即指来自不同预测机构(其实质是不同的预测风速模型)的多个预测风速值,例如美国、欧洲、西班牙等国家气象局或气象预测机构,利用不同的初始场数据和不同的模式针对同一地区的风速预测结果。同时,在历史数据集中,获取与上述多源预测风速值相对应的实际风速值。
S120,对多源预测风速值进行预处理,得到用于综合评价多源预测风速值的综合预测风速值。
基于从多个数据源获取的多源预测风速值和其相应的实际风速值,既可以以该多个预测风速值和实际风速值作为训练样本,或者也可以直接在多源预测风速值中选择一个预测风速值(比如被选择出的预测风速值对应的数据源在过去一段时间内预测的最为准确),或者还可以对多源预测风速值求平均值或加权求和得到一个综合预测风速值,并结合多源预测风速值对应的实际风速值作为训练样本进行模型训练。
具体地,对多源预测风速值进行预处理,该预处理的目的是基于多源预测风速值确定出一个能够整体评价被预测地区的所有预测风速的风速值,该风速值称为综合预测风速值。预处理过程既可以是从多源预测风速值中选择一个预测风速值,也可以是对该多源预测风速值求平均值,还可以对该多源预测风速值根据其不同来源和气象预报优势情况进行加权求和,得到综合预测风速值,该综合预测风速值可从整体上反映多源预测风速值水平的最优的一个预测风速值。通过本步骤,能够大幅度减少后期处理的数据量,使得方案复杂度降低,便于处理。
S130,以综合预测风速值以及实际风速值进行模型训练,得到风速修正模型。
具体地,基于上述综合预测风速值和与其相对应的实际风速值作为训练样本,在模型训练中可采用多种不同算法,例如神经网络算法、K最近邻算法进行模型训练得到风速修正模型。同时,还可采用不同的数据分段方法进行模型训练,例如按照时间分段或者按照风速分段的方法,从而得到针对不同时段或者不同风速段的风速修正模型。
图2为本发明实施例提供的风速修正模型的训练方法逻辑示意图。在实际应用场景中,如图2所示,首先,可从历史数据集中获取多源预测风速值和对应的实际风速值,可根据季节性变化和历史数据集中多源预测风速值的相关性规律对上述多源预测风速值和实际风速值数据进行筛选,例如,可筛选出与当前待预测季节、时段、风速段等相近的多源预测风速数据作为训练样本;然后,可根据该多源预测风速值的不同来源和其相应的预测优势,对多个预测风速值求平均值或加权求和值,并结合实际风速值作为训练样本,根据不同算法和不同的数据分段方法进行模型训练,从而得到风速修正模型;在进行风速修正时,可根据输入的未来多源预测风速,以及经过动态加权所确定出的多源加权配比参数确定出综合预测风速值,并以该综合预测风速值进行预测风速值的订正预测以得到修正后的预测风速值。
本发明实施例提供的风速修正模型的训练方法,通过从多个数据源中获取得到同一地区的多源预测风速值以及与该多源预测风速值相应的实际风速值,并基于该多源预测风速值和相应的实际风速值进行模型训练,进而得到以预测风速为输入、修正的预测风速为输出的风速修正模型,能够显著提高风速预测的准确性。
实施例二
图3a为本发明实施例提供的风速修正模型的训练方法流程图二,本实施例在实施例一所述方法的基础上,对基于多源预测风速值及其对应的实际风速值进行模型训练的过程进行进一步限定。如图3a所示,该方法包括:
S310,从多个数据源获取针对同一地区的多源预测风速值,并获取预测风速值相对应的实际风速值。
该步骤S310的内容与步骤S110的内容相同。
S321,以多源预测风速值的算术平均值作为综合预测风速值;
该步骤S321的内容可作为步骤S120的细化。
具体地,对从多个数据源中获取的多源预测风速值求其算术平均值,并以该平均值作为上述综合预测风速值。
可替代地,如图3b所示,上述步骤S120还可具体细化为步骤S322~步骤S323:
S322,设置多源预测风速值对应的权重系数;
具体地,可根据不同地区各气象模式的风速预测优势确定各预测风速值的权重,获得最优的权重系数组合。
例如,上述设置多源预测风速值对应的权重系数包括:以多源预测风速值、实际风速值以及给定的多个权重系数组合作为训练样本进行训练学习,得到用于将多源预测风速值转换为综合预测风速值的最优的权重系数。
在实际应用场景中,可以利用权重配置参数表(包括多个针对不同气象源的权重系数组合),对各个气象源依次自动配置权重,并以多源预测风速值、实际风速值和上述多个权重系数组合作为训练样本进行模型训练,输出最优的一组权重系数组合。
S323,以多源预测风速值与其对应的权重系数的加权和值作为综合预测风速值。
在确定出最优的一组权重系数组合后,以该组权重系数组合对多源预测风速值进行加权求和,从而得到综合预测风速值。
S330,以综合预测风速值以及实际风速值进行模型训练,得到风速修正模型。
该步骤S310的内容与步骤S110的内容相同。本发明实施例提供的风速修正模型的训练方法,通过从多个数据源中获取得到同一地区的多源预测风速值以及与该多源预测风速值相应的实际风速值,并基于该多源预测风速值得到的综合预测风速值和相应的实际风速值进行模型训练,进而得到以预测风速为输入、修正的预测风速为输出的风速修正模型,能够显著提高风速预测的准确性。
进一步地,本发明实施例对基于多源预测风速值及其对应的实际风速值进行模型训练的过程进行进一步限定,通过对多源预测风速值采用多种预处理方式得到综合预测风速值,从而大幅度减少后期处理的数据量,使得方案复杂度降低,便于处理。
实施例三
图4为本发明实施例提供的风速修正模型的训练方法流程图四,本实施例在实施例一和实施例二所述方法的基础上,对风速修正模型的训练过程进行进一步限定。如图4所示,该方法包括:
S410,从多个数据源获取针对同一地区的多源预测风速值,并获取预测风速值相对应的实际风速值。
该步骤S410的内容与步骤S110、步骤S310的内容相同。
S420,将多源预测风速值以及实际风速值按不同时间段进行划分,并基于各时间段的多源预测风速值以及实际风速值进行模型训练,得到不同时间段对应的风速修正模型。
具体地,基于同一地区在不同时间段气象规律不同,将多源预测风速值及其对应的实际风速值按不同时间段划分,并对各个时间段内的多源预测风速值和实际风速值构成的训练样本分别进行模型训练,从而得到对应不同时间段的多个风速修正模型。
例如,可将每天的24小时按不同的小时分段即(1小时,2小时,3小时,…,24小时)分段,获取每天中相同时间段的多源预测风速值和实际风速值,然后对各小时内的数据所构成的训练样本集合进行模型训练,得到相应时段下的风速修正模型。
另外,针对不同的时间段划分方式,还可对训练得到的风速修正模型所预测的结果进行验证,从中选择出最优的时间段划分方式所训练得到的风速修正模型进行后续的风速修正。
在实际应用场景中,可根据当前待预测时间段选择与其时间段相一致的风速修正模型进行模型计算,从而可进一步提高风速预测的准确性。
类似地,图5为本发明实施例提供的风速修正模型的训练方法流程图四,如图5所示,在执行步骤S410之后,还可执行如下步骤:
S510,将多源预测风速值以及实际风速值按多源预测风速值所处的不同风速段进行划分,并基于各风速段的多源预测风速值以及实际风速值进行模型训练,得到不同风速段对应的风速修正模型。
具体地,基于同一地区在不同风速段气象规律不同,将多源预测风速值及其对应的实际风速值按不同风速段划分,并对各个风速段内的多源预测风速值和实际风速值构成的训练样本分别进行模型训练,从而得到对应不同风速段的多个风速修正模型。
例如,将多源预测风速值按不同风速的大小进行分段即(3m/s,5m/s,8m/s,10m/s,12m/s,16m/s等等)风速分段,然后获取每天中相同风速段的多源预测风速值和实际风速值,对各风速段内的数据所构成的训练样本集合进行模型训练,得到相应风速段下的风速修正模型。
另外,针对不同的风速段段划分方式,还可对训练得到的风速修正模型所预测的结果进行验证,从中选择出最优的风速段划分方式所训练得到的风速修正模型进行后续的风速修正。
在实际应用场景中,可根据当前待预测风速段选择与其风速段相一致的风速修正模型进行模型计算,从而可进一步提高风速预测的准确性。
图6a为本发明实施例提供的风速修正模型的训练方法流程图六,如图6a所示,在上述方法的执行过程中,在执行步骤S410之后,还可执行如下步骤:
S610,基于多源预测风速值以及实际风速值采用如下任一种的模型算法进行模型训练,得到风速修正模型:
神经网络算法、K最近邻算法、线性回归算法和K均值聚类算法。
具体地,在风速修正模型训练过程中,还可采用多种模型算法,具体如下:
神经网络算法,图6b为本发明实施例提供的神经网络算法拓扑图,如图6b所示,x1~xn为模型输入,z1~zn为模型输出,T1~Tn为最优评判指标,如可以是输出的误差,w1~wn为隐含层中每一层节点的最优权重。该算法的拓扑原理是利用输出后的误差来估计输出层前一层的误差,再利用该前一层的误差来估计更前一层的误差,如此获取所有各层误差,其主要利用最速下降法,通过反向传播从而不断调整网络权值和阈值,从而达到全局误差系数最少。
K最近邻算法,图6c为本发明实施例提供的K最近邻(KNN)算法决策过程示意图,如图6c所示,首先从训练样本的训练集中找到和新数据最接近的k条记录,然后根据他们的主要分类来决定新数据的类别;该算法主要涉及训练集、距离和相似性的衡量、k的大小等因素,其核心思想是一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别。KNN算法依赖的是极限原理,主要靠周围有限的邻近的样本,而不是靠判别类域的方法来确定所属类别,因此对于类域的交叉或重叠较多的待分样本集来说,该算法更为适合。
线性回归算法,即利用线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析,即一个或多个回归系数的模型参数的线性组合,数据利用线性预测函数进行建模,线性回归的模型参数利用最小二乘法计算公式如下:
其中,a为权重系数;b为噪声参数;xi为模型算法的输入,yi为模型算法的输出,为xi的均值,为yi的均值,为xy的均值,n为样本数量。
K均值聚类算法,图6d为本发明实施例提供的均值聚类算法原理图,如图6d所示,该算法的步骤主要是:首先,选取k元素,作为k簇的各自的中心;然后,分别计算剩下的k簇中心的相异度,将元素划到相异度最低的簇;进而,根据聚类结果,计算k簇各自的中心,计算各个簇中所有元素各自纬度的算术平均数;最后,将全部元素重新聚类,直到每个簇的中心不再变化。
将上述各个算法的风速修正结果利用均方根误差和相关性的评价指标,选出当前条件下最优的算法,生成最优的风速修正模型,上述均方根误差公式如下:
上述相关性系数公式如下:
需要说明的是,在风速修正模型的训练中,算法的选择与按照时间或风速分段的方法并非互斥使用,即可以在上述按照时间或风速分段的进行训练样本划分的同时,采用上述任一种算法进行模型训练。同时,在本实施例中,无论按照时间、风速分段,或采用上述任一种算法,数据的处理与模型的训练均同时可采用上述实施例一和实施例二中所述的方法步骤。
本发明实施例提供的风速修正模型的训练方法,通过从多个数据源中获取得到同一地区的多源预测风速值以及与该多源预测风速值相应的实际风速值,并基于该多源预测风速值和相应的实际风速值进行模型训练,进而得到以预测风速为输入、修正的预测风速为输出的风速修正模型,进一步地,本发明实施例通过对数据按照时间或风速进行分段,以及采用多种算法进行模型训练,从而选出最优的风速修正模型,能够进一步提高风速预测的准确性。
实施例四
图7为本发明实施例提供的预测风速的修正方法流程图一,如图7所示,本发明实施例提供了一种预测风速的修正方法,包括:
S710,从多个数据源获取针对同一地区的多源预测风速值。
具体地,从多个历史数据集中,获取针对同一地区的多源预测风速值,该多源即指来自不同预测机构(其实质是不同的预测风速模型)的多个预测风速值,例如美国、欧洲、西班牙等国家气象局或气象预测机构,利用不同的初始场数据和不同的模式针对同一地区的风速预测结果。
S720,将多源预测风速值经上述的风速修正模型的训练方法得到的风速修正模型进行模型计算,得到修正后的预测风速值。
具体地,利用上述实施例一、实施例二中得到的任一种风速修正模型,以多源预测风速值为输入,输出修正后的预测风速值。
本发明实施例提供的预测风速的修正方法,通过从多个数据源中获取得到同一地区的多源预测风速值,并通过上述风速修正模型进行计算,输出修正后的预测风速值,能够显著提高风速预测的准确性。
实施例五
图8为本发明实施例提供的预测风速的修正方法流程图二,如图8所示,本发明实施例按照多源风速预测值以时间段划分为角度,提供了另一种预测风速的修正方法,包括:
S810,从多个数据源获取针对同一地区的多源预测风速值。
该步骤S810的内容与步骤S710的内容相同。
S820,将多源预测风速值按不同时间段进行划分,并经上述风速修正模型的训练方法得到的相应时间段的风速修正模型进行模型计算,得到修正后的预测风速值。
具体地,基于同一地区在不同时间段气象规律不同,将多源预测风速值及其对应的实际风速值按不同时间段划分,并通过按照不同时间段划分的训练样本经风速修正模型的训练方法(图4所示方法)得到的风速修正模型进行计算,即可得到相应时间段修正后的预测风速,该相应时间段为与该划分后的多源预测风速值的时间段为相同的时间段,例如同为春季、或者同为早8点至9点等,依据不同时间段的风速修正模型进行风速预测,从而进一步提高风速预测的准确性。
本发明实施例提供的预测风速的修正方法,通过从多个数据源中获取得到同一地区的多源预测风速值,并按照不同时间段对上述数据进行划分,通过上述按照不同时间段对训练样本进行划分后训练得到的风速修正模型进行计算,输出修正后的预测风速值,从而显著提高风速预测的准确性。
实施例六
图9为本发明实施例提供的预测风速的修正方法流程图三,如图9所示,本发明实施例按照多源风速预测值以风速段划分为角度,提供了另一种预测风速的修正方法,包括:
S910,从多个数据源获取针对同一地区的多源预测风速值。
该步骤S910的内容与步骤S710、步骤S810的内容相同。
S920,将多源预测风速值按不同风速段进行划分,并经上述风速修正模型的训练方法得到的相应风速段的风速修正模型进行模型计算,得到修正后的预测风速值。
具体地,基于同一地区在不同风速段气象规律不同,将多源预测风速值及其对应的实际风速值按不同预测风速段划分,并通过按照不同预测风速段划分的训练样本经风速修正模型的训练方法(图5所示方法)得到的风速修正模型进行计算,即可得到相应风速段修正后的预测风速,该相应风速段为与该划分后的多源预测风速值的风速段为相同的风速段,例如同为3m/s~5m/s等,依据不同风速段的风速修正模型进行风速预测,从而进一步提高风速预测的准确性。
本发明实施例提供的预测风速的修正方法,通过从多个数据源中获取得到同一地区的多源预测风速值,并按照不同风速段对上述数据进行划分,通过上述基于按照不同风速段划分数据而得到的风速修正模型进行计算,输出修正后的预测风速值,从而显著提高风速预测的准确性。
实施例七
图10为本发明实施例提供的风速修正模型的训练装置结构图一,该装置可用于执行实施例一中所述的方法步骤,如图10所示,该装置包括:
数据获取模块101,用于从多个数据源获取针对同一地区的多源预测风速值,并获取预测风速值相对应的实际风速值;
风速处理模块102,用于对多源预测风速值进行预处理,得到用于综合评价多源预测风速值的综合预测风速值;
模型训练模块103,用于以综合预测风速值以及实际风速值进行模型训练,得到风速修正模型。
进一步地,上述风速处理模块102可具体用于:
以多源预测风速值的算术平均值作为综合预测风速值。
可替代地,如图11所示,本发明实施例提供的风速修正模型的训练装置结构图二,该结构图中上述风速处理模块102还可具体包括:
系数设置单元111,用于设置多源预测风速值对应的权重系数;
风速处理单元112,用于以多源预测风速值与其对应的权重系数的加权和值作为综合预测风速值。
进一步地,上述系数设置单元111还具体用于:
以多源预测风速值、实际风速值以及给定的多个权重系数组合作为训练样本进行训练学习,得到用于将多源预测风速值转换为综合预测风速值的最优的权重系数组合。
进一步地,图12为本发明实施例提供的风速修正模型的训练装置结构图三,该装置可具体用于执行图4所示的方法步骤,如图12所示,在图10所示装置的基础上,还可包括:
时间划分模块104,用于将多源预测风速值以及实际风速值按不同时间段进行划分,并触发风速处理模块102和模型训练模块103基于各时间段的多源预测风速值以及实际风速值进行模型训练,得到不同时间段对应的风速修正模型。
进一步地,图13为本发明实施例提供的风速修正模型的训练装置结构图四,该装置可用于执行图5所示的方法步骤,如图13所示,在图10所示装置的基础上,还可包括:
风速划分模块105,用于将多源预测风速值以及实际风速值按多源预测风速值所处的不同风速段进行划分,并触发风速处理模块102和模型训练模块103基于各风速段的多源预测风速值以及实际风速值进行模型训练,得到不同风速段对应的风速修正模型。
进一步地,上述模型训练模块103还可用于:
基于多源预测风速值以及实际风速值采用如下任一种的模型算法进行模型训练,得到风速修正模型:
神经网络算法、K最近邻算法、线性回归算法和K均值聚类算法。
需要说明的是,在风速修正模型的训练装置中,算法的选择与按照时间或风速分段的方法并非互斥采用,即可以在上述按照时间或风速分段的前提下,采用上述任一种算法进行模型训练;同时,在本实施例中,无论按照时间、风速分段,或采用上述任一种算法,数据的处理与模型的训练均同时可采用图10或图11所示的装置结构。
本发明实施例提供的风速修正模型的训练装置,通过从多个数据源中获取得到同一地区的多源预测风速值以及与该多源预测风速值相应的实际风速值,并基于该多源预测风速值得到的综合预测风速值和相应的实际风速值进行模型训练,进而得到以预测风速为输入、修正的预测风速为输出的风速修正模型,能够显著提高风速预测的准确性。
进一步地,本发明实施例对基于多源预测风速值及其对应的实际风速值进行模型训练的过程进行进一步限定,通过对多源预测风速值进行预处理得到综合预测风速值,从而大幅度减少后续处理的数据量,使得方案复杂度降低,便于处理。
更进一步地,本发明实施例通过对数据按照时间或风速进行分段,以及采用多种算法进行模型训练,从而选出最优的风速修正模型,能够进一步提高风速预测的准确性。
实施例八
图14为本发明实施例提供的预测风速的修正装置结构图一,该装置可用于执行实施例四中所述的方法步骤,如图14所示,该装置包括:
第一风速获取模块141,用于从多个数据源获取针对同一地区的多源预测风速值;
第一风速修正模块142,用于将多源预测风速值经上所述的风速修正模型的训练装置得到的风速修正模型进行模型计算,得到修正后的预测风速值。
本发明实施例提供的预测风速的修正装置,通过从多个历史数据集中获取得到同一地区的多源预测风速值,并通过上述风速修正模型进行计算,输出修正后的预测风速,能够显著提高风速预测的准确性。
实施例九
图15为本发明实施例提供的预测风速的修正装置结构图二,该装置可用于执行实施例五中所述的方法步骤,如图15所示,该装置包括:
第二风速获取模块151,用于从多个数据源获取针对同一地区的多源预测风速值;
第二风速修正模块152,用于将多源预测风速值按不同时间段进行划分,并经上所述的风速修正模型的训练装置得到的相应时间段的风速修正模型进行模型计算,得到修正后的预测风速值。
本发明实施例提供的预测风速的修正装置,通过从多个数据源中获取得到同一地区的多源预测风速值,并按照不同时间段对上述数据进行划分,通过上述基于按照不同时间段划分数据而得到的风速修正模型进行计算,输出修正后的预测风速,从而显著提高风速预测的准确性。
实施例十
图16为本发明实施例提供的预测风速的修正装置结构图三,该装置可用于执行实施例六中所述的方法步骤,如图16所示,该装置包括:
第三风速获取模块161,用于从多个数据源获取针对同一地区的多源预测风速值;
第三风速修正模块162,用于将多源预测风速值按不同风速段进行划分,并经上所述的风速修正模型的训练装置得到的相应风速段的风速修正模型进行模型计算,得到修正后的预测风速值。
本发明实施例提供的预测风速的修正装置,通过从多个数据源中获取得到同一地区的多源预测风速值,并按照不同风速段对上述数据进行划分,通过上述基于按照不同风速段划分数据而得到的风速修正模型进行计算,输出修正后的预测风速,从而显著提高风速预测的准确性。
本发明实施例还提供了一种风力发电机组,包括:设置有上述任一种的预测风速的修正装置。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (21)
1.一种风速修正模型的训练方法,其特征在于,包括:
从多个数据源获取针对同一地区的多源预测风速值,并获取所述预测风速值相对应的实际风速值;
对所述多源预测风速值进行预处理,得到用于综合评价所述多源预测风速值的综合预测风速值;
以所述综合预测风速值以及所述实际风速值进行模型训练,得到风速修正模型。
2.根据权利要求1所述的方法,其特征在于,所述对所述多源预测风速值进行预处理,得到用于综合评价所述多源预测风速值的综合预测风速值包括:
以所述多源预测风速值的算术平均值作为所述综合预测风速值。
3.根据权利要求1所述的方法,其特征在于,所述对所述多源预测风速值进行预处理,得到用于综合评价所述多源预测风速值的综合预测风速值包括:
设置所述多源预测风速值对应的权重系数;
以所述多源预测风速值与其对应的所述权重系数的加权和值作为所述综合预测风速值。
4.根据权利要求3所述的方法,其特征在于,所述设置所述多源预测风速值对应的权重系数包括:
以所述多源预测风速值、所述实际风速值以及给定的多个权重系数组合作为训练样本进行训练学习,得到用于将所述多源预测风速值转换为所述综合预测风速值的最优的所述权重系数组合。
5.根据权利要求1所述的方法,其特征在于,所述从多个数据源获取针对同一地区的多源预测风速值,并获取所述预测风速值相对应的实际风速值之后还包括:
将所述多源预测风速值以及所述实际风速值按不同时间段进行划分,并基于各时间段的所述多源预测风速值以及所述实际风速值进行模型训练,得到不同时间段对应的所述风速修正模型。
6.根据权利要求1所述的方法,其特征在于,所述从多个数据源获取针对同一地区的多源预测风速值,并获取所述预测风速值相对应的实际风速值之后还包括:
将所述多源预测风速值以及所述实际风速值按多源预测风速值所处的不同风速段进行划分,并基于各风速段的所述多源预测风速值以及所述实际风速值进行模型训练,得到不同风速段对应的所述风速修正模型。
7.根据权利要求1-6任一种所述的方法,其特征在于,所述以所述综合预测风速值以及所述实际风速值进行模型训练得到风速修正模型包括:
以所述综合预测风速值以及所述实际风速值采用如下任一种的模型算法进行模型训练,得到风速修正模型:
神经网络算法、K最近邻算法、线性回归算法和K均值聚类算法。
8.一种预测风速的修正方法,其特征在于,包括:
从多个数据源获取针对同一地区的多源预测风速值;
将所述多源预测风速值经权利要求1-4任一种所述的风速修正模型的训练方法得到的风速修正模型进行模型计算,得到修正后的预测风速。
9.一种预测风速的修正方法,其特征在于,包括:
从多个数据源获取针对同一地区的多源预测风速值;
将所述多源预测风速值按不同时间段进行划分,并经权利要求5所述的风速修正模型的训练方法得到的相应时间段的风速修正模型进行模型计算,得到修正后的预测风速。
10.一种预测风速的修正方法,其特征在于,包括:
从多个数据源获取针对同一地区的多源预测风速值;
将所述多源预测风速值按不同风速段进行划分,并经权利要求6所述的风速修正模型的训练方法得到的相应风速段的风速修正模型进行模型计算,得到修正后的预测风速。
11.一种风速修正模型的训练装置,其特征在于,包括:
数据获取模块,用于从多个数据源获取针对同一地区的多源预测风速值,并获取所述预测风速值相对应的实际风速值;
风速处理模块,用于对所述多源预测风速值进行预处理,得到用于综合评价所述多源预测风速值的综合预测风速值;
模型训练模块,用于以所述综合预测风速值以及所述实际风速值进行模型训练,得到风速修正模型。
12.根据权利要求11所述的装置,其特征在于,所述风速处理模块具体用于:
以所述多源预测风速值的算术平均值作为所述综合预测风速值。
13.根据权利要求11所述的装置,其特征在于,所述风速处理模块具体包括:
系数设置单元,用于设置所述多源预测风速值对应的权重系数;
风速处理单元,用于以所述多源预测风速值与其对应的所述权重系数的加权和值作为所述综合预测风速值。
14.根据权利要求13所述的装置,其特征在于,所述系数设置单元具体用于:
以所述多源预测风速值、所述实际风速值以及给定的多个权重系数组合作为训练样本进行训练学习,得到用于将所述多源预测风速值转换为所述综合预测风速值的最优的所述权重系数组合。
15.根据权利要求11所述的装置,其特征在于,所述装置还包括:
时间划分模块,用于将所述多源预测风速值以及所述实际风速值按不同时间段进行划分,并触发所述风速处理模块和所述模型训练模块基于各时间段的所述多源预测风速值以及所述实际风速值进行模型训练,得到不同时间段对应的所述风速修正模型。
16.根据权利要求11所述的装置,其特征在于,所述模型训练模块还包括:
风速划分模块,用于将所述多源预测风速值以及所述实际风速值按多源预测风速值所处的不同风速段进行划分,并触发所述风速处理模块和所述模型训练模块基于各风速段的所述多源预测风速值以及所述实际风速值进行模型训练,得到不同风速段对应的所述风速修正模型。
17.根据权利要求11-16任一种所述的装置,其特征在于,所述模型训练模块还用于:
基于所述多源预测风速值以及所述实际风速值采用如下任一种的模型算法进行模型训练,得到风速修正模型:
神经网络算法、K最近邻算法、线性回归算法和K均值聚类算法。
18.一种预测风速的修正装置,其特征在于,包括:
第一风速获取模块,用于从多个数据源获取针对同一地区的多源预测风速值;
第一风速修正模块,用于将所述多源预测风速值经权利要求11-14任一种所述的风速修正模型的训练装置得到的风速修正模型进行模型计算,得到修正后的预测风速。
19.一种预测风速的修正装置,其特征在于,包括:
第二风速获取模块,用于从多个数据源获取针对同一地区的多源预测风速值;
第二风速修正模块,用于将所述多源预测风速值按不同时间段进行划分,并经权利要求15所述的风速修正模型的训练装置得到的相应时间段的风速修正模型进行模型计算,得到修正后的预测风速。
20.一种预测风速的修正装置,其特征在于,包括:
第三风速获取模块,用于从多个数据源获取针对同一地区的多源预测风速值;
第三风速修正模块,用于将所述多源预测风速值按不同风速段进行划分,并经权利要求16所述的风速修正模型的训练装置得到的相应风速段的风速修正模型进行模型计算,得到修正后的预测风速值。
21.一种风力发电机组,其特征在于,包括:设置有权利要求18-20任一种所述的预测风速的修正装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711399108.2A CN108009689A (zh) | 2017-12-22 | 2017-12-22 | 风速修正模型训练、风速修正方法、装置及风力发电机组 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711399108.2A CN108009689A (zh) | 2017-12-22 | 2017-12-22 | 风速修正模型训练、风速修正方法、装置及风力发电机组 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108009689A true CN108009689A (zh) | 2018-05-08 |
Family
ID=62060480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711399108.2A Withdrawn CN108009689A (zh) | 2017-12-22 | 2017-12-22 | 风速修正模型训练、风速修正方法、装置及风力发电机组 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108009689A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802860A (zh) * | 2018-06-19 | 2018-11-13 | 中国联合网络通信集团有限公司 | 数据修正方法、数据修正装置 |
CN110263998A (zh) * | 2019-06-19 | 2019-09-20 | 大唐(赤峰)新能源有限公司 | 多源数值天气预报集合双层修正方法 |
CN110969249A (zh) * | 2018-09-29 | 2020-04-07 | 北京国双科技有限公司 | 生产井产量预测模型建立方法、生产井产量预测方法及相关装置 |
CN111325376A (zh) * | 2018-12-14 | 2020-06-23 | 北京金风科创风电设备有限公司 | 风速预测方法及装置 |
CN112651542A (zh) * | 2020-09-29 | 2021-04-13 | 北京金风慧能技术有限公司 | 气象预报数据处理方法和气象预报数据处理装置 |
CN113191535A (zh) * | 2021-04-14 | 2021-07-30 | 国网河南省电力公司电力科学研究院 | 一种大风灾害预警中设计风速修正方法 |
CN114744623A (zh) * | 2022-06-09 | 2022-07-12 | 深圳万甲荣实业有限公司 | 一种基于深度学习的新能源发电预测方法和系统 |
CN115204712A (zh) * | 2022-07-26 | 2022-10-18 | 中国气象局上海台风研究所(上海市气象科学研究所) | 一种海上和沿海风电场选址评估方法 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
CN103955755A (zh) * | 2014-04-18 | 2014-07-30 | 国家电网公司 | 采用复合数据源基于自学习多项式核函数支持向量机的风电功率短期预测方法 |
CN104951846A (zh) * | 2015-06-02 | 2015-09-30 | 国电南京自动化股份有限公司 | 微电网短期功率和负荷预测系统及误差分类动态修正方法 |
CN106229972A (zh) * | 2016-08-16 | 2016-12-14 | 北京国能日新系统控制技术有限公司 | 一种基于多气象源集成并分段建模的风电功率预测方法 |
CN106503833A (zh) * | 2016-09-30 | 2017-03-15 | 天津大学 | 基于支持向量机算法的光伏发电短期功率滚动预测方法 |
CN106529719A (zh) * | 2016-11-08 | 2017-03-22 | 中国地质大学(武汉) | 基于粒子群优化算法风速融合的风电功率预测的方法 |
CN106779203A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于不同风速段的高原山区风电功率预测方法 |
CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
US20170175711A1 (en) * | 2014-07-18 | 2017-06-22 | Eip Technologies, Inc. | Direct wind energy generation |
CN106971032A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 基于非参数核密度估计与数值天气预报的风速预测方法 |
CN107179566A (zh) * | 2017-05-12 | 2017-09-19 | 周调彪 | 一种区县天气预测的自学习修正方法及系统 |
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 |
-
2017
- 2017-12-22 CN CN201711399108.2A patent/CN108009689A/zh not_active Withdrawn
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065202A (zh) * | 2012-12-24 | 2013-04-24 | 电子科技大学 | 一种基于组合核函数的风电场超短期风速预测方法 |
CN103400210A (zh) * | 2013-08-13 | 2013-11-20 | 广西电网公司电力科学研究院 | 一种短期风速组合预测方法 |
CN103955755A (zh) * | 2014-04-18 | 2014-07-30 | 国家电网公司 | 采用复合数据源基于自学习多项式核函数支持向量机的风电功率短期预测方法 |
US20170175711A1 (en) * | 2014-07-18 | 2017-06-22 | Eip Technologies, Inc. | Direct wind energy generation |
CN104951846A (zh) * | 2015-06-02 | 2015-09-30 | 国电南京自动化股份有限公司 | 微电网短期功率和负荷预测系统及误差分类动态修正方法 |
CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
CN106229972A (zh) * | 2016-08-16 | 2016-12-14 | 北京国能日新系统控制技术有限公司 | 一种基于多气象源集成并分段建模的风电功率预测方法 |
CN106503833A (zh) * | 2016-09-30 | 2017-03-15 | 天津大学 | 基于支持向量机算法的光伏发电短期功率滚动预测方法 |
CN106529719A (zh) * | 2016-11-08 | 2017-03-22 | 中国地质大学(武汉) | 基于粒子群优化算法风速融合的风电功率预测的方法 |
CN106779203A (zh) * | 2016-12-08 | 2017-05-31 | 贵州电网有限责任公司电力科学研究院 | 一种基于不同风速段的高原山区风电功率预测方法 |
CN106971032A (zh) * | 2017-03-16 | 2017-07-21 | 天津大学 | 基于非参数核密度估计与数值天气预报的风速预测方法 |
CN107179566A (zh) * | 2017-05-12 | 2017-09-19 | 周调彪 | 一种区县天气预测的自学习修正方法及系统 |
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 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108802860A (zh) * | 2018-06-19 | 2018-11-13 | 中国联合网络通信集团有限公司 | 数据修正方法、数据修正装置 |
CN108802860B (zh) * | 2018-06-19 | 2020-07-31 | 中国联合网络通信集团有限公司 | 数据修正方法、数据修正装置 |
CN110969249A (zh) * | 2018-09-29 | 2020-04-07 | 北京国双科技有限公司 | 生产井产量预测模型建立方法、生产井产量预测方法及相关装置 |
CN111325376A (zh) * | 2018-12-14 | 2020-06-23 | 北京金风科创风电设备有限公司 | 风速预测方法及装置 |
CN110263998A (zh) * | 2019-06-19 | 2019-09-20 | 大唐(赤峰)新能源有限公司 | 多源数值天气预报集合双层修正方法 |
CN110263998B (zh) * | 2019-06-19 | 2024-02-13 | 大唐(赤峰)新能源有限公司 | 多源数值天气预报集合双层修正方法 |
CN112651542A (zh) * | 2020-09-29 | 2021-04-13 | 北京金风慧能技术有限公司 | 气象预报数据处理方法和气象预报数据处理装置 |
CN113191535A (zh) * | 2021-04-14 | 2021-07-30 | 国网河南省电力公司电力科学研究院 | 一种大风灾害预警中设计风速修正方法 |
CN114744623A (zh) * | 2022-06-09 | 2022-07-12 | 深圳万甲荣实业有限公司 | 一种基于深度学习的新能源发电预测方法和系统 |
CN115204712A (zh) * | 2022-07-26 | 2022-10-18 | 中国气象局上海台风研究所(上海市气象科学研究所) | 一种海上和沿海风电场选址评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108009689A (zh) | 风速修正模型训练、风速修正方法、装置及风力发电机组 | |
CN111210082B (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
Khosravi et al. | Combined nonparametric prediction intervals for wind power generation | |
Kankanala et al. | AdaBoost $^{+} $: An ensemble learning approach for estimating weather-related outages in distribution systems | |
CN110298411A (zh) | 一种城市群生态空间受损识别评价方法 | |
CA2821103A1 (en) | Method and system for adaptive forecast of wind resources | |
CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN108021773B (zh) | 基于dss数据库的分布式水文模型多场次洪水参数率定方法 | |
CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
Ismail et al. | A hybrid model of self organizing maps and least square support vector machine for river flow forecasting | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN113379164B (zh) | 基于深度自注意力网络的负荷预测方法及系统 | |
CN115907436B (zh) | 基于量质耦合预报的水资源水环境调控方法和系统 | |
CN109978284A (zh) | 一种基于混合神经网络模型的光伏发电功率分时预测方法 | |
CN109816167A (zh) | 径流预报方法及径流预报装置 | |
CN114139719A (zh) | 一种基于机器学习的多源人为热时空量化方法 | |
CN111288973A (zh) | 海表流速获取方法、装置、计算机设备和存储介质 | |
CN116595394A (zh) | 风速修正模型的训练方法及风速预测方法、设备和介质 | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN116826745B (zh) | 一种电力系统背景下的分层分区短期负荷预测方法及系统 | |
CN112700349A (zh) | 测风塔选址方法和装置 | |
CN108167133A (zh) | 风速误差模型的训练方法、装置及风力发电机组 | |
CN108537581A (zh) | 基于gmdh选择性组合的能源消费量时间序列预测方法及装置 | |
CN110909916B (zh) | 一种基于熵权法的风力发电月度电量区间预测方法 | |
CN112085272A (zh) | 一种风功率预测方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20180508 |
|
WW01 | Invention patent application withdrawn after publication |