CN108133279A - 风电功率概率预测方法、存储介质及设备 - Google Patents
风电功率概率预测方法、存储介质及设备 Download PDFInfo
- Publication number
- CN108133279A CN108133279A CN201710757703.2A CN201710757703A CN108133279A CN 108133279 A CN108133279 A CN 108133279A CN 201710757703 A CN201710757703 A CN 201710757703A CN 108133279 A CN108133279 A CN 108133279A
- Authority
- CN
- China
- Prior art keywords
- wind power
- error
- prediction
- wind
- power plant
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 238000013277 forecasting method Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000007637 random forest analysis Methods 0.000 claims abstract description 11
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims description 11
- 230000005611 electricity Effects 0.000 claims description 10
- 238000005315 distribution function Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000010801 machine learning Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation 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
- G06Q10/04—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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种风电功率概率预测的方法,包括:获取风电场历史数据的统计特征;将历史预测功率和风电场的NWP预测结果的风速波动量序列相结合,形成概率预测的影响因子,并将影响因子划分为多个互不相交的子集;以所述风电场历史数据的统计特征作为输入,通过随机森林算法对次日的误差水平进行分类预测,获得分类预测结果;根据所述分类预测结果,以及预测时所处的历史预测功率和NWP预测结果的风速波动量所在的子集,计算误差的概率密度函数,获得误差随机变量;以及根据风电场的风电功率NWP预测结果以及所述误差随机变量,获得风电功率概率预测结果。该方法具有更好的预测效果。本发明还提供一种计算机可读存储介质及计算机设备。
Description
技术领域
本发明涉及一种风电功率概率预测算法、存储介质及设备,属于风力发 电领域。
背景技术
风资源的随机性、波动性和风电出力的弱可控性给电力系统的安全稳定运 行带来了较大的困扰。风电功率预测技术已成为风电企业及调度部门必备的基 础技术。然而,在实际运行中,风电功率预测结果的误差无法避免,传统的风 电功率预测(点预测)无法提供风电功率不确定性的信息。
如果仅使用风电功率的点预测,其固有的预测误差将给风电场业主和调度 人员带来比较大的困扰,对电力系统的安全稳定分析及运行决策也作用有限。
发明内容
综上所述,确有必要提供一种能够提高电力系统运行安全及稳定性能的风 电功率概率预测的方法。
一种风电功率概率预测的方法,其中,所述方法包括:
获取风电场历史数据的统计特征;
将历史预测功率和风电场的NWP预测结果的风速波动量序列相结合,形 成概率预测的影响因子,并将影响因子划分为多个互不相交的子集;
以所述风电场历史数据的统计特征作为输入,通过随机森林算法对次日的 误差水平进行分类预测,获得分类预测结果;
根据所述分类预测结果,以及预测时所处的历史预测功率和NWP预测结 果的风速波动量所在的子集,计算误差的概率密度函数,获得误差随机变量; 以及
根据风电场的风电功率NWP预测结果以及所述误差随机变量,获得风电功 率概率预测结果。
在其中一个实施例中,所述风电场历史数据的包括历史单日风电预测功率 的标准差、均值及均方根误差。
在其中一个实施例中,所述获取风电场历史数据的统计特征的步骤包括:
获取风电场在一段时间内的历史输出功率;
获取在该段时间内风电场的历史预测功率;
根据所述历史和输出功率及历史预测功率计算该段时间内的误差向量;以 及
根据历史输出功率、历史预测功率、误差向量计算历史风电功率的统计特 征。
在其中一个实施例中,所述将历史预测功率和风电场的NWP预测结果的 风速波动量序列相结合,形成概率预测的影响因子的步骤包括:
获取在时刻t时,风电场的NWP预测结果的风速波动量;
根据风速波动量获取风电场的NWP预测结果的风速波动量的序列;
根据所述历史预测功率和风速波动量的序列,组合构成的笛卡尔集,获得 影响因子;以及
将影响因子划分为个互不相交的子集。
在其中一个实施例中,所述将影响因子划分为个互不相交的子集的步骤包 括:
选取分割点,将风速波动量和NWP预测结果分为预设个数的小区间;
对所述预设个数的小区间中不同的小区间进行相互组合,形成多个条件子 集。
在其中一个实施例中,所述以所述风电场历史数据的统计特征作为输入, 通过随机森林算法对次日的误差水平进行分类预测,获得分类预测结果的步骤 包括:
使用随机森林算法对次日的误差水平进行预测:
并根据次日误差水平将误差的样本集合分类。
在其中一个实施例中,根据所述分类预测结果及预测时所处条件,计算误 差的概率密度函数,获得误差随机变量的步骤包括:
确定某一时刻所需选取的样本集;
判断该时刻的预测条件所属的条件子集,对于所述所属的条件子集 Cnc(nc=1,2,...,m),获取在该时刻下的误差样本集;
根据所述误差样本集,获取在不同条件子集下的风电功率预测误差的经验 分布函数该分布函数用于描述所述误差随机变量
在其中一个实施例中,所述根据风电场的风电功率NWP预测结果以及所述 误差随机变量,获得风电功率概率预测结果的步骤包括:
对于第i天第j个时间点,获得在该时间点下的风电功率预测结果和该 点的误差随机变量ei,j,将两者相加,获得最终的概率预测结果:
一种计算机可读存储介质,所述可读存储介质上存储有计算机指令,其中, 所述计算机指令被处理器执行时实现上述所述的方法的步骤。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上 运行的计算机指令,其中,所述处理器执行所述指令时实现上述任意一项所述 的方法的步骤。
相对于传统技术,本发明提供的风电功率概率预测方法、存储介质及装置, 以条件概率分布和随机森林算法为基础,能够差异性地提供误差分布函数,具 有更好的预测效果,从而能够提高电力系统的稳定性及安全性。
附图说明
图1为本发明实例提供的风电功率概率预测的流程框图。
图2为本发明中条件子集的划分的示意图。
具体实施方式
下面根据说明书附图并结合具体实施例对本发明的技术方案进一步详细表 述。
请参阅图1,本发明实例提供的基于随机森林算法和误差分析的风电功率 概率预测方法,包括如下步骤:
步骤S10,获取风电场历史数据的统计特征。
具体的,该统计特征可包括历史单日风电预测功率的标准差,均值及均方 根误差等等。
所述获取风电场历史数据的统计特征的步骤可包括:
步骤S11,获取风电场在一段时间内的历史输出功率:
步骤S12,获取在该段时间内风电场的历史预测功率:
步骤S13,获取该段时间内的误差向量:
其中是第i天第j个时间点的风电场实测功率,是第i天第j个时间 点的风电场日前预测功率,是第i天第j个时间点的日前预测功率。共有n 天,每天共有m个时间点,L一般为96。
步骤S14,根据历史输出功率、历史预测功率、误差向量计算历史风电功 率的统计特征。
历史风电功率的统计特征包括单日风电预测功率的均方根误差ek,单日风 电预测功率的均值μk和单日风电预测功率的标准差σk,其计算公式如下:
步骤S20,将历史预测功率和风电场的NWP预测结果的风速波动量序 列Fluc相结合,形成概率预测的影响因子C,并将影响因子划分为多个互不相 交的子集。
具体的,所述形成概率预测的影响因子的步骤包括:
步骤S21,获取在时刻t时,风电场的NWP预测结果的风速波动量:
其中,WSt是t时刻的风速。
步骤S22,根据风速波动量计算风电场的NWP预测结果的风速波动量的序 列:
步骤S23,根据和Flucn,L,两者相互组合构成的笛卡尔集,获得影响因 子C。
步骤S24,将影响因子C划分为NC个互不相交的子集:
具体划分方法可以参照图2,划分方法包括:
步骤S24,选取分割点,将风速波动量和NWP预测结果分为预设个数的小 区间;
步骤S25,对预设个数的小区间中不同的小区间进行相互组合,形成多个条 件子集。
可以理解,通过选取合适的分割点,将风速波动量和NWP预测结果分为 3~4个小区间,不同的小区间之间相互组合,即可形成相应的条件子集,每个条 件子集对应于不同的误差的概率密度函数。
步骤S30,以风电场历史数据的统计特征作为输入,通过随机森林算法对次 日的误差水平进行分类预测,获得分类预测结果。
随机森林算法在机器学习方法中属于集成学习的一种,集成学习通过构建 并结合多个学习器来完成分类任务。
在k-1天时,通过输入μk、σk和ek-1,对次日(第k天)的误差水平进 行预测;
其中,的意义如下:
步骤S40,根据所述分类预测结果,以及预测时所处的历史预测功率和NWP 预测结果的风速波动量所在的子集,计算误差的概率密度函数,获得误差随机 变量。
具体的,首先将次日误差集合进行分类:
Ω1代表误差水平较高的时间段内的误差样本,Ω0则代表误差水平较低的时 间段内的误差样本。
对于某个时间点而言,首先确定该时刻应该选取的样本集(Ω1或Ω0),再 判断该时刻的预测条件属于哪个条件子集,对某个条件子集Cnc(nc=1,2,...,m), 获取在该时刻下的误差样本集
ξ代表应选取的样本集(Ω1或Ω0),ci,j是第i天第j个时间点的预测条件, 由该点的风电功率预测结果及预测风速波动量构成:
根据可以求出在不同条件下的风电功率预测误差的经验分布用这一分布来描述在误差随机变量ei,j:
步骤S50,根据风电场的风电功率NWP预测结果以及误差随机变量获得风 电功率概率预测结果。
根据前述步骤,对于第i天第j个时间点,可以获得在该时间点下的风电功 率NWP预测结果和该点的误差随机变量ei,j,将两者相加,形成最终的概 率预测结果:
是风电功率概率预测的结果,是一个随机变量,能够描述风电功率的不 确定信息。
本发明提供的风电功率概率预测方法,以条件概率分布和随机森林算法为 基础,能够差异性地提供误差分布函数,具有更好的预测效果。通过对风电功率 的预测误差进行建模和分析,可以对风电功率可能的波动范围和概率分布有全貌 的描述,从而为风电功率预测结果提供可靠、详细的信息。
为了描述的方便,以上所述装置的各部分以功能分为各种模块或单元分别描 述。当然,在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬 件中实现。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算 机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软 件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计 算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、 光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品 的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或 方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框 的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机 或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可 编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备 以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指 令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和 /或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得 在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从 而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或 多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细, 但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域 的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和 改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附 权利要求为准。
Claims (10)
1.一种风电功率概率预测的方法,其特征在于,所述方法包括:
获取风电场历史数据的统计特征;
将历史预测功率和风电场的NWP预测结果的风速波动量序列相结合,形成概率预测的影响因子,并将影响因子划分为多个互不相交的子集;
以所述风电场历史数据的统计特征作为输入,通过随机森林算法对次日的误差水平进行分类预测,获得分类预测结果;
根据所述分类预测结果,以及预测时所处的历史预测功率和NWP预测结果的风速波动量所在的子集,计算误差的概率密度函数,获得误差随机变量;以及
根据风电场的风电功率NWP预测结果以及所述误差随机变量,获得风电功率概率预测结果。
2.根据权利要求1所述的风电功率概率预测方法,其特征在于,所述风电场历史数据的包括历史单日风电预测功率的标准差、均值及均方根误差。
3.根据权利要求1所述的风电功率概率预测方法,其特征在于,所述获取风电场历史数据的统计特征的步骤包括:
获取风电场在一段时间内的历史输出功率;
获取在该段时间内风电场的历史预测功率;
根据所述历史和输出功率及历史预测功率计算该段时间内的误差向量;以及
根据历史输出功率、历史预测功率、误差向量计算历史风电功率的统计特征。
4.根据权利要求1所述的风电功率概率预测方法,其特征在于,所述将历史预测功率和风电场的NWP预测结果的风速波动量序列相结合,形成概率预测的影响因子的步骤包括:
获取在时刻t时,风电场的NWP预测结果的风速波动量;
根据风速波动量获取风电场的NWP预测结果的风速波动量的序列;
根据所述历史预测功率和风速波动量的序列,组合构成的笛卡尔集,获得影响因子;以及
将影响因子划分为个互不相交的子集。
5.根据权利要求1所述的风电功率概率预测方法,其特征在于,所述将影响因子划分为个互不相交的子集的步骤包括:
选取分割点,将风速波动量和NWP预测结果分为预设个数的小区间;
对所述预设个数的小区间中不同的小区间进行相互组合,形成多个条件子集。
6.根据权利要求1所述的风电功率概率预测方法,其特征在于,所述以所述风电场历史数据的统计特征作为输入,通过随机森林算法对次日的误差水平进行分类预测,获得分类预测结果的步骤包括:
使用随机森林算法对次日的误差水平进行预测:
并根据次日误差水平将误差的样本集合分类。
7.根据权利要求1所述的风电功率概率预测方法,其特征在于,根据所述分类预测结果及预测时所处条件,计算误差的概率密度函数,获得误差随机变量的步骤包括:
确定某一时刻所需选取的样本集;
判断该时刻的预测条件所属的条件子集,对于所述所属的条件子集Cnc(nc=1,2,...,m),获取在该时刻下的误差样本集;
根据所述误差样本集,获取在不同条件子集下的风电功率预测误差的经验分布函数该分布函数用于描述所述误差随机变量ei,j
8.根据权利要求1所述的风电功率概率预测方法,其特征在于,所述根据风电场的风电功率NWP预测结果以及所述误差随机变量,获得风电功率概率预测结果的步骤包括:
对于第i天第j个时间点,获得在该时间点下的风电功率预测结果和该点的误差随机变量ei,j,将两者相加,获得最终的概率预测结果:
9.一种计算机可读存储介质,所述可读存储介质上存储有计算机指令,其特征在于,所述计算机指令被处理器执行时实现权利要求1-8中任意一项所述的方法的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机指令,其特征在于,所述处理器执行所述指令时实现权利要求1-8中任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710757703.2A CN108133279B (zh) | 2017-08-29 | 2017-08-29 | 风电功率概率预测方法、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710757703.2A CN108133279B (zh) | 2017-08-29 | 2017-08-29 | 风电功率概率预测方法、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108133279A true CN108133279A (zh) | 2018-06-08 |
CN108133279B CN108133279B (zh) | 2020-12-22 |
Family
ID=62388458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710757703.2A Active CN108133279B (zh) | 2017-08-29 | 2017-08-29 | 风电功率概率预测方法、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108133279B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898251A (zh) * | 2018-06-29 | 2018-11-27 | 上海电力学院 | 考虑气象相似性和功率波动的海上风电场功率预测方法 |
CN109063916A (zh) * | 2018-08-13 | 2018-12-21 | 广东工业大学 | 一种风电功率预测方法、装置、设备及存储介质 |
CN110874611A (zh) * | 2019-10-16 | 2020-03-10 | 中国农业大学 | 风电集群功率超短期预测误差等级分级补偿方法 |
CN111222738A (zh) * | 2019-10-18 | 2020-06-02 | 华中科技大学 | 一种风电集群功率预测及参数优化的方法 |
CN111310121A (zh) * | 2019-11-14 | 2020-06-19 | 中国电力科学研究院有限公司 | 一种新能源出力概率预测方法和系统 |
CN112186761A (zh) * | 2020-09-30 | 2021-01-05 | 山东大学 | 一种基于概率分布的风电功率场景生成方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140195159A1 (en) * | 2013-01-09 | 2014-07-10 | Iteris, Inc. | Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility |
CN107067099A (zh) * | 2017-01-25 | 2017-08-18 | 清华大学 | 风电功率概率预测方法及装置 |
-
2017
- 2017-08-29 CN CN201710757703.2A patent/CN108133279B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140195159A1 (en) * | 2013-01-09 | 2014-07-10 | Iteris, Inc. | Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility |
CN107067099A (zh) * | 2017-01-25 | 2017-08-18 | 清华大学 | 风电功率概率预测方法及装置 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898251A (zh) * | 2018-06-29 | 2018-11-27 | 上海电力学院 | 考虑气象相似性和功率波动的海上风电场功率预测方法 |
CN109063916A (zh) * | 2018-08-13 | 2018-12-21 | 广东工业大学 | 一种风电功率预测方法、装置、设备及存储介质 |
CN110874611A (zh) * | 2019-10-16 | 2020-03-10 | 中国农业大学 | 风电集群功率超短期预测误差等级分级补偿方法 |
CN110874611B (zh) * | 2019-10-16 | 2022-06-24 | 中国农业大学 | 风电集群功率超短期预测误差等级分级补偿方法 |
CN111222738A (zh) * | 2019-10-18 | 2020-06-02 | 华中科技大学 | 一种风电集群功率预测及参数优化的方法 |
CN111222738B (zh) * | 2019-10-18 | 2022-04-15 | 华中科技大学 | 一种风电集群功率预测及参数优化的方法 |
CN111310121A (zh) * | 2019-11-14 | 2020-06-19 | 中国电力科学研究院有限公司 | 一种新能源出力概率预测方法和系统 |
CN112186761A (zh) * | 2020-09-30 | 2021-01-05 | 山东大学 | 一种基于概率分布的风电功率场景生成方法及系统 |
CN112186761B (zh) * | 2020-09-30 | 2022-03-01 | 山东大学 | 一种基于概率分布的风电功率场景生成方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108133279B (zh) | 2020-12-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108133279A (zh) | 风电功率概率预测方法、存储介质及设备 | |
Cui et al. | Wind power ramp event forecasting using a stochastic scenario generation method | |
Wang et al. | Decision tree based online stability assessment scheme for power systems with renewable generations | |
Liu et al. | A systematic approach for dynamic security assessment and the corresponding preventive control scheme based on decision trees | |
CN108375715A (zh) | 一种配电网线路故障风险日预测方法及系统 | |
Bhaskar et al. | Wind speed forecasting: Present status | |
CN103488869A (zh) | 一种最小二乘支持向量机的风力发电短期负荷预测方法 | |
CN108092319A (zh) | 一种短期风电功率预测的不确定性分析方法及装置 | |
CN107067099A (zh) | 风电功率概率预测方法及装置 | |
CN107133695A (zh) | 一种风电功率预测方法和系统 | |
CN107704992A (zh) | 输电线路雷击风险评估的方法及装置 | |
CN104077632A (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN110659825A (zh) | 银行网点多学习器的现钞需求量预测方法和装置 | |
CN109543912A (zh) | 基于深度学习的水库最优调度决策模型生成方法 | |
CN108121990A (zh) | 一种基于全天空成像设备的太阳辐照度预测方法和装置 | |
Seyr et al. | Value of information of repair times for offshore wind farm maintenance planning | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
Viet et al. | A short-term wind power forecasting tool for vietnamese wind farms and electricity market | |
CN110378358A (zh) | 一种配电网异构数据整合方法及系统 | |
CN113361737A (zh) | 一种光伏组件的异常预警方法及系统 | |
ȚIBOACĂ et al. | Design of short-term wind production forecasting model using machine learning algorithms | |
CN105260789B (zh) | 一种面向风电功率超短期预测的风电数据时间尺度优选方法 | |
Zafar et al. | A deep neural network-based optimal power flow approach for identifying network congestion and renewable energy generation curtailment | |
Deshmukh et al. | Application of genetic algorithm to neural network model for estimation of wind power potential | |
CN109840308A (zh) | 一种区域风电功率概率预报方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |