CN108549962B - 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 - Google Patents
基于历史分段序列搜索和时序稀疏化的风电功率预测方法 Download PDFInfo
- Publication number
- CN108549962B CN108549962B CN201810561013.4A CN201810561013A CN108549962B CN 108549962 B CN108549962 B CN 108549962B CN 201810561013 A CN201810561013 A CN 201810561013A CN 108549962 B CN108549962 B CN 108549962B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- historical
- time
- wind power
- segmented
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000011218 segmentation Effects 0.000 claims abstract description 16
- 230000002776 aggregation Effects 0.000 claims abstract description 7
- 238000004220 aggregation Methods 0.000 claims abstract description 7
- 238000005457 optimization Methods 0.000 claims description 17
- 239000013598 vector Substances 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 239000011541 reaction mixture Substances 0.000 claims description 4
- 230000003321 amplification Effects 0.000 claims description 3
- 238000005311 autocorrelation function Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 3
- 150000001875 compounds Chemical class 0.000 description 2
- 238000011437 continuous method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine 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
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于历史分段序列搜索和时序稀疏化的风电功率预测方法,对风电功率历史数据进行归一化,根据功率时间序列波动特征和基本统计特性确定搜索的分段时间序列的窗口宽度最优值。以当前时刻最新的分段时间序列为基准,综合相关性指标和相似性距离指标,计算所有历史分段时间序列与当前时刻的分段时间序列的匹配度。按照从大到小的顺序对匹配度进行排序,按照平均匹配度聚合的原则确定最优历史分段序列个数。针对每个时刻的当前分段时间序列,确定其相应的最优历史分段序列个数和最优的平均历史分段序列个数。针对训练时间序列所有时刻,建立时序稀疏化的功率预测模型。采用乘子交替方向法对其求解,得到模型的参数,用于未来的功率预测。
Description
技术领域
本发明涉及电力系统运行与控制领域,特别是涉及一种基于历史分段序列搜索和时序稀疏化的风电功率预测方法。
背景技术
随着煤炭、石油等不可再生资源的日益枯竭以及能源困局的日益严峻,风能、太阳能、潮汐能及生物质能等可再生能源在世界范围内愈发备受关注。风力发电是可再生能源发电技术中技术最成熟、最具开发价值的可再生能源。发展风电对于保障能源安全,调整能源结构,减轻环境污染,实现可持续发展等都具有非常重要的意义。
自然界风能的间歇特性决定了风电功率具有很强的波动性,随着风电场数量和装机容量的不断增大,一旦将风电并入电网,这种功率波动将给电网的安全经济运行带来巨大挑战。提前对风速和风电功率进行准确的预测,可以缓解电力系统调峰、调频的压力,有效提高电网对风电的接纳能力。
目前,国内外对于风力发电预测课题的研究越来越广泛和深入。在各种预测方法中,最简单直接的是将最近一点风速或功率观测值作为下一点预测值的持续法,该方法模型简单,但是随着时间尺度的增大其精度快速下降,因此持续法一般只作为评估高级预测方法性能优劣的标准。其他常用的高级方法有卡尔曼滤波、时间序列、人工神经网络、模糊逻辑、支持向量机等统计、智能方法。这些方法都有各自的适用性和局限性。
一般来讲,现有的基于时序特性建立的超短期风电功率预测模型存在两方面的不足:第一,这类模型通常假设时间序列的未来输出值只与最近的历史数据之间有关系,而与更旧的数据无关,因此仅使用少量的最近的历史数据作为模型的输入值来预测未来值,但是这实际上限制了用于预测的信息源,由于风电功率时间序列有一定的周期性甚至季节性,因此,一个时间序列的未来输出值同样会受到更旧数据的影响;第二,即使传统的模型仅仅使用了少量最近的历史数据作为预测模型的输入值,在这些有限的历史数据中也会存在某些数据,它们与未来的输出值并没有关联性,也就是说它们被作为冗余甚至干扰信息被引入到了预测模型中,不利于风电功率预测精度的提高。
发明内容
为了克服上述现有技术的不足,本发明所要解决的技术问题一方面是,风电功率时序预测模型通常假设时间序列的未来输出值只与最近的历史数据之间有关系,而与更旧的数据无关,因此仅使用少量的最近的历史数据作为模型的输入值来预测未来值,这限制了用于预测的信息源;另一方面是,现有的时序预测模型所使用的少量最近的历史数据中也会存在某些数据,它们与未来的输出值并没有关联性,它们被作为冗余甚至干扰信息被引入到了预测模型中,不利于风电功率预测精度的提高。
为此目的,本发明提出一种基于历史分段序列搜索和时序稀疏化的风电功率预测方法,该方法包括以下步骤:
A.对风电场的风电功率历史数据进行归一化,根据风电场的风电功率时间序列波动特征以及基本统计特性来确定搜索的分段时间序列的窗口宽度最优值。
B.根据计算出的分段时间序列的窗口宽度最优值,以当前时刻最新的分段时间序列为基准,综合相关性指标和相似性欧式距离指标,计算所有历史分段时间序列与当前时刻的分段时间序列的匹配度。
C.根据计算出的所有历史分段时间序列与当前时刻分段时间序列的匹配度,按照从大到小的顺序对匹配度进行排序,按照平均匹配度聚合的原则确定最优历史分段时间序列个数,针对用于训练的时间序列的每个时刻的当前时刻分段时间序列,确定其相应的最优历史分段时间序列个数,并得到平均最优历史分段时间序列个数及相应的最优历史分段时间序列。
D.根据计算出的平均最优历史分段时间序列个数以及相应的最优历史分段时间序列,针对用于训练的时间序列的所有时刻,建立时序稀疏化的风电功率预测优化模型,采用交替方向乘子法对预测优化模型进行训练并求解,得到预测优化模型的最优参数,并用于未来的功率预测。
在上述方案的基础上,步骤A中对风电场的风电功率历史数据进行归一化具体为:将风电场的原始风电功率历史时间序列按照式(1)归一化到[0,1]区间内:
式(1)中,pt,O是风电场在t时刻风电功率实测值的原始数据,pmin和pmax分别是风电场风电功率时间序列在考察时段内的最小值和最大值,pt是数据归一化后风电场在t时刻的风电功率实测值,0≤pt≤1。
在上述方案的基础上,步骤A中采用公式(2)确定搜索的分段时间序列的窗口宽度:
式(2)中,T为用于训练预测优化模型的时间序列总长度;σ为风电场的功率时间序列的标准差,用来表征风电场的波动幅度;K0是根据时间序列的贝叶斯信息准则值和偏自相关函数确定的自回归模型的最优阶数;c为扩增系数,其取值根据风电功率时间序列数据得到的标准差σ进行具体设定,K≥10K0。
在上述方案的基础上,步骤B中假设当前时刻为τ,根据计算出的分段时间序列的窗口宽度最优值,确定当前时刻最新的分段时间序列,表示为:
Pτ=[pτ,pτ-1,...,pτ-K+1]T (3)
式(3)中,pτ是数据归一化后风电场在τ时刻的风电场风电功率实测值;
将搜索出的第n个历史分段时间序列表示为:
Pτ,n=[pτ,n,pτ-1,n,…,pτ-K+1,n]T (4)
式(4)中,pτ,n是与pτ对应的第n个历史分段时间序列的风电场风电功率实测值。
在上述方案的基础上,步骤B中综合Pearson相关性指标和相似性欧式距离指标,定义并计算第n个历史分段时间序列与当前τ时刻分段时间序列之间的匹配度如下:
式(5)中,pj(j=τ,τ-1,…,τ-K+1)为当前τ时刻分段时间序列Pτ中的元素,pj,n(j=τ,τ-1,…,τ-K+1)是第n个历史分段时间序列Pτ,n中的元素,Cτ,n是第n个历史分段时间序列与当前时刻分段时间序列之间的Pearson相关系数,Dτ,n是第n个历史分段时间序列与当前时刻分段时间序列之间的欧式距离,Pτ,ave是当前时刻分段时间序列的平均值,Pτ,n,ave是第n个历史分段时间序列的平均值,Θτ,n的值越大,表示匹配度越强。
在上述方案的基础上,步骤C中设历史分段时间序列的总数为N,根据计算出的N个历史分段时间序列与当前时刻分段时间序列的匹配度,按照从大到小的顺序对匹配度及其相应的历史分段时间序列进行排序,将排序后的匹配度和相应的历史分段时间序列分别标记为{Θτ,1,Θτ,2,…,Θτ,N}和{Pτ,1,Pτ,2,…,Pτ,N},按照平均匹配度聚合的原则选取最优的历史分段时间序列个数,假设最终选取的最优历史分段时间序列个数为Mτ,则这些序列应该满足以下条件:
式(6)中H是待优化的历史分段时间序列个数变量,h=1,2,…,H是索引值。
在上述方案的基础上,步骤C中针对用于训练的时间序列的每个时刻t的当前时刻分段时间序列,均求取其相应的最优历史分段时间序列个数Mt,最终得到平均最优历史分段时间序列个数M,
进而可以得到相应的最优历史分段时间序列{Pt,1,Pt,2,…,Pt,M}。
在上述方案的基础上,步骤D中根据计算出的平均最优历史分段时间序列个数M,风电场在t+1时刻的风电功率值表示为:
在上述方案的基础上,步骤D中对于用于训练的时间序列的所有时刻t,使预测误差平方和达到最小
引入基于l1-模的正则化算子,建立时序稀疏化的风电功率预测优化模型,得到稀疏化的最优系数矩阵:
其中||·||1为向量的l1-模,μ为收缩参数。
在上述方案的基础上,步骤D中采用交替方向乘子法对风电功率预测优化模型进行训练和求解,得到稀疏化的最优系数矩阵之后根据新的当前时刻分段时间序列和其相应的最优历史分段时间序列,对未来风电场的功率进行预测。
有益效果:
本发明所述的基于历史分段序列搜索和时序稀疏化的风电功率预测方法,因考虑了更多与风电场最近有功出力状态相关的历史匹配信息,能够改善风电功率预测结果;时序稀疏化建模技术能够自动弱化冗余数据信息,而且在保证预测精度的同时可显著提高计算效率,因此本发明能够有效地提高风电场风电功率预测的精度。
附图说明
本发明有如下附图:
图1为本发明一种基于历史分段序列搜索和时序稀疏化的风电功率预测方法的流程示意图。
具体实施方式
上述仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,以下结合附图与具体实施方式对本发明作进一步的详细说明。
如图1所示,本发明所述的基于历史分段序列搜索和时序稀疏化的风电功率预测方法,该方法包括以下步骤:
步骤A.对风电场的风电功率历史数据进行归一化,根据风电场的风电功率时间序列波动特征以及基本统计特性来确定搜索的分段时间序列的窗口宽度最优值。
将风电场的原始风电功率历史时间序列按照下式归一化到[0,1]区间内:
式中,pt,O是风电场在t时刻风电功率实测值的原始数据,pmin和pmax分别是风电场风电功率时间序列在考察时段内的最小值和最大值,pt是数据归一化后风电场在t时刻的风电功率实测值,即0≤pt≤1。
搜索的分段时间序列的窗口宽度是影响预测精度的重要参数,不同的风电场的风电功率波动特征不同。当风电场风电功率时间序列的波动性较小时,采用最近的较少历史数据即可表征风电的有功出力值,因此,可适当减小分段时间序列的窗口宽度,但是待搜索的历史分段时间序列个数会增加,会增大计算量;当风电场风电功率时间序列的波动性较大时,应适当增加分段时间序列的窗口宽度,但是如果窗口宽度过大,可供搜索和匹配的历史分段时间序列个数会减少,在一定程度上会影响预测精度。假设用于训练预测优化模型的时间序列总长度为T,则采用下式确定窗口宽度:
式中,σ为风电场的功率时间序列的标准差,用来表征风电场的波动幅度;K0是根据时间序列的贝叶斯信息准则(Bayesian information criterion,BIC)值和偏自相关函数确定的自回归模型(AR模型)的最优阶数;c为扩增系数,其取值根据风电功率时间序列数据得到的标准差σ进行具体设定,但应保证K≥10K0;是下取整函数,即
步骤B.根据计算出的分段时间序列的窗口宽度最优值,以当前时刻最新的分段时间序列为基准,综合相关性指标和相似性欧式距离指标,计算所有历史分段时间序列与当前时刻的分段时间序列的匹配度。
假设当前时刻为τ,根据计算出的分段时间序列的窗口宽度最优值,确定当前时刻最新的分段时间序列,表示为:
Pτ=[pτ,pτ-1,...,pτ-K+1]T (3)
式中,pτ是数据归一化后风电场在τ时刻的风电场风电功率实测值。
将搜索出的第n个历史分段时间序列表示为:
Pτ,n=[pτ,n,pτ-1,n,…,pτ-K+1,n]T (4)
式中,pτ,n是与pτ对应的第n个历史分段时间序列的风电场风电功率实测值。
综合Pearson相关性指标和相似性欧式距离指标,定义并计算第n个历史分段时间序列与当前τ时刻分段时间序列之间的匹配度如下:
式中,pj(j=τ,τ-1,…,τ-K+1)为当前τ时刻分段时间序列Pτ中的元素,pj,n(j=τ,τ-1,…,τ-K+1)是第n个历史分段时间序列Pτ,n中的元素,Cτ,n是第n个历史分段时间序列与当前时刻分段时间序列之间的Pearson相关系数,Dτ,n是第n个历史分段时间序列与当前时刻分段时间序列之间的欧式距离(Euclidean distance),Pτ,ave是当前时刻分段时间序列的平均值,Pτ,n,ave是第n个历史分段时间序列的平均值。Θτ,n的值越大,表示匹配度越强。
以K为分段时间序列的窗口宽度,滑动选取所有的历史分段时间序列,并根据式(5)计算所有历史分段时间序列与当前时刻分段时间序列的匹配度。
步骤C.根据计算出的所有历史分段时间序列与当前时刻分段时间序列的匹配度,按照从大到小的顺序对匹配度进行排序,按照平均匹配度聚合的原则确定最优历史分段时间序列个数。针对用于训练的时间序列的每个时刻的当前时刻分段时间序列,确定其相应的最优历史分段时间序列个数,并得到平均最优历史分段时间序列个数及相应的最优历史分段时间序列。
设历史分段时间序列的总数为N,根据计算出的N个历史分段时间序列与当前时刻分段时间序列的匹配度,按照从大到小的顺序对匹配度及其相应的历史分段时间序列进行排序,将排序后的匹配度和相应的历史分段时间序列分别标记为{Θτ,1,Θτ,2,…,Θτ,N}和{Pτ,1,Pτ,2,…,Pτ,N},按照平均匹配度聚合的原则选取最优的历史分段时间序列个数,假设最终选取的最优历史分段时间序列个数为Mτ,则这些序列应该满足以下条件:
式中H是待优化的历史分段时间序列个数变量,h=1,2,…,H是索引值。
针对用于训练的时间序列的每个时刻t的当前时刻分段时间序列,均求取其相应的最优历史分段时间序列个数Mt,最终得到平均最优历史分段时间序列个数M,即
进而可以得到相应的最优历史分段时间序列,即{Pt,1,Pt,2,…,Pt,M}。
步骤D.根据计算出的平均最优历史分段时间序列个数以及相应的最优历史分段时间序列,针对用于训练的时间序列的所有时刻,建立时序稀疏化的风电功率预测优化模型。采用交替方向乘子法对预测优化模型进行训练并求解,得到预测优化模型的参数,并用于未来的功率预测。
根据计算出的平均最优历史分段时间序列个数M,风电场在t+1时刻的风电功率值可以表示为:
对于用于训练的时间序列的所有时刻t,使预测误差平方和达到最小
引入基于l1-模的正则化算子,建立时序稀疏化的风电功率预测优化模型,得到稀疏化的最优系数矩阵:
其中||·||1为向量的l1-模,μ为收缩参数。
采用交替方向乘子法(alternating direction method of multipliers,ADMM)对上述得到的时序稀疏化风电功率预测优化模型进行训练和求解,得到稀疏化的最优系数矩阵之后根据新的当前时刻分段时间序列和其相应的最优历史分段时间序列,对未来风电场的功率进行预测。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (8)
1.一种基于历史分段序列搜索和时序稀疏化的风电功率预测方法,其特征在于:包括以下步骤:
A.对风电场的风电功率历史数据进行归一化,根据风电场的风电功率时间序列波动特征以及基本统计特性来确定搜索的分段时间序列的窗口宽度最优值;
B.根据计算出的分段时间序列的窗口宽度最优值,以当前时刻最新的分段时间序列为基准,综合相关性指标和相似性欧式距离指标,计算所有历史分段时间序列与当前时刻的分段时间序列的匹配度;
C.根据计算出的所有历史分段时间序列与当前时刻分段时间序列的匹配度,按照从大到小的顺序对匹配度进行排序,按照平均匹配度聚合的原则确定最优历史分段时间序列个数,针对用于训练的时间序列的每个时刻的当前时刻分段时间序列,确定其相应的最优历史分段时间序列个数,并得到平均最优历史分段时间序列个数及相应的最优历史分段时间序列;
D.根据计算出的平均最优历史分段时间序列个数以及相应的最优历史分段时间序列,针对用于训练的时间序列的所有时刻,建立时序稀疏化的风电功率预测优化模型,采用交替方向乘子法对预测优化模型进行训练并求解,得到预测优化模型的最优参数,并用于未来的功率预测;
步骤B中假设当前时刻为τ,根据计算出的分段时间序列的窗口宽度最优值,确定当前时刻最新的分段时间序列,表示为:
Pτ=[pτ,pτ-1,…,pτ-K+1]T (3)
式(3)中,pτ是数据归一化后风电场在τ时刻的风电场风电功率实测值;T表示矩阵或向量的转置;
将搜索出的第n个历史分段时间序列表示为:
Pτ,n=[pτ,n,pτ-1,n,…,pτ-K+1,n]T (4)
式(4)中,pτ,n是与pτ对应的第n个历史分段时间序列的风电场风电功率实测值;
步骤B中综合Pearson相关性指标和相似性欧式距离指标,定义并计算第n个历史分段时间序列与当前τ时刻分段时间序列之间的匹配度如下:
式(5)中,pj为当前τ时刻分段时间序列Pτ中的元素,pj,n是第n个历史分段时间序列Pτ,n中的元素,j=τ,τ-1,…,τ-K+1;Cτ,n是第n个历史分段时间序列与当前时刻分段时间序列之间的Pearson相关系数,Dτ,n是第n个历史分段时间序列与当前时刻分段时间序列之间的欧式距离,Pτ,ave是当前时刻分段时间序列的平均值,Pτ,n,ave是第n个历史分段时间序列的平均值,Θτ,n的值越大,表示匹配度越强。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810561013.4A CN108549962B (zh) | 2018-06-04 | 2018-06-04 | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810561013.4A CN108549962B (zh) | 2018-06-04 | 2018-06-04 | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108549962A CN108549962A (zh) | 2018-09-18 |
CN108549962B true CN108549962B (zh) | 2020-10-09 |
Family
ID=63511713
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810561013.4A Active CN108549962B (zh) | 2018-06-04 | 2018-06-04 | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108549962B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409740B (zh) * | 2018-10-25 | 2021-08-10 | 江苏方天电力技术有限公司 | 一种基于皮尔森相关系数校核风力发电数据质量的方法 |
CN109886488B (zh) * | 2019-02-21 | 2022-10-18 | 南方电网科学研究院有限责任公司 | 考虑风速时滞性的分散式风电场分层混合短期预测方法 |
CN110288136B (zh) * | 2019-06-11 | 2023-04-25 | 上海电力学院 | 风电功率多步预测模型建立方法 |
CN111625190B (zh) * | 2020-05-21 | 2023-05-30 | 广东电网有限责任公司东莞供电局 | 一种基于配电特性的电气量存储的实现方法及装置 |
CN112200346B (zh) * | 2020-09-07 | 2024-03-26 | 中国农业大学 | 一种天气波动过程划分与匹配的短期风电功率预测方法 |
CN113159957B (zh) * | 2021-05-17 | 2022-11-04 | 深圳前海微众银行股份有限公司 | 一种交易处理方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120083933A1 (en) * | 2010-09-30 | 2012-04-05 | General Electric Company | Method and system to predict power plant performance |
CN103440541B (zh) * | 2013-09-18 | 2016-03-30 | 山东大学 | 多风电场短期输出功率的联合概率密度预测方法 |
CN105654207A (zh) * | 2016-01-07 | 2016-06-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于风速、风向信息的风电功率预测方法 |
-
2018
- 2018-06-04 CN CN201810561013.4A patent/CN108549962B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN108549962A (zh) | 2018-09-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108549962B (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
CN110288136B (zh) | 风电功率多步预测模型建立方法 | |
CN108564206B (zh) | 一种基于分布式优化和空间相关性的风电功率预测方法 | |
CN106447086B (zh) | 一种基于风电场数据预处理的风电功率组合预测方法 | |
CN111414717A (zh) | 一种基于XGBoost-LightGBM的机组功率预测方法 | |
CN103023065A (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
Qin et al. | Hydrological time series anomaly pattern detection based on isolation forest | |
CN111832812A (zh) | 一种基于深度学习的风电功率短期预测方法 | |
CN111353652A (zh) | 一种风电出力短期区间预测方法 | |
CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
Abedinia et al. | A multi-level model for hybrid short term wind forecasting based on SVM, wavelet transform and feature selection | |
CN114757427A (zh) | 自回归修正的lstm智能风电场超短期功率预测方法 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN113065704A (zh) | 一种非侵入式负荷分解模型的超参数优化和后处理方法 | |
CN108832623B (zh) | 一种物理-统计混合两阶段风电功率预测方法 | |
CN113627685B (zh) | 一种考虑风电上网负荷限制的风力发电机功率预测方法 | |
CN114386718A (zh) | 一种结合粒子群神经网络的风电场输出功率短时预测算法 | |
CN110033126A (zh) | 基于注意力机制与逻辑回归的长短期记忆网络预测方法 | |
CN116885691B (zh) | 一种风电功率爬坡事件间接预测方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
Guo et al. | Wind speed forecasting of genetic neural model based on rough set theory | |
CN116777039A (zh) | 基于训练集分段和误差修正的双层神经网络风速预测方法 | |
CN116070768A (zh) | 一种基于数据重构和TCN-BiLSTM的短期风电功率预测方法 | |
CN115689001A (zh) | 基于模式匹配的短期负荷预测方法 | |
CN116187508A (zh) | 一种融合知识图谱和深度学习的风电机组故障预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |