CN108665102B - 基于中尺度数据预测风电场实时发电量的方法 - Google Patents

基于中尺度数据预测风电场实时发电量的方法 Download PDF

Info

Publication number
CN108665102B
CN108665102B CN201810447141.6A CN201810447141A CN108665102B CN 108665102 B CN108665102 B CN 108665102B CN 201810447141 A CN201810447141 A CN 201810447141A CN 108665102 B CN108665102 B CN 108665102B
Authority
CN
China
Prior art keywords
wind
wind speed
power plant
data
mesoscale
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
Application number
CN201810447141.6A
Other languages
English (en)
Other versions
CN108665102A (zh
Inventor
王东霞
董晔弘
何利志
罗伟
刘静
王海渠
莫蕊瑜
胡号鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CSIC Haizhuang Windpower Co Ltd
Original Assignee
CSIC Haizhuang Windpower Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CSIC Haizhuang Windpower Co Ltd filed Critical CSIC Haizhuang Windpower Co Ltd
Priority to CN201810447141.6A priority Critical patent/CN108665102B/zh
Publication of CN108665102A publication Critical patent/CN108665102A/zh
Application granted granted Critical
Publication of CN108665102B publication Critical patent/CN108665102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • 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)
  • Wind Motors (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供的一种基于中尺度数据预测风电场实时发电量的方法，第一步根据风电场限定条件，判断要预测的风电场是否满足条件；第二步收集要预测的风电场的中尺度数据，并进行归一化整理；第三步，进行风速折算，生成标准空气密度下的风速矩阵，并对同一时刻风速进行算术平均计算，生成v的列矩阵；第四步，按每一时刻分别建立预测数学模型，生成系数a、b的矩阵，计算出预测风速；第五步，收集并整理风电场各机组已经运行的SCADA风速，计算出最终预测的风速；第六步，根据机组理论功率曲线，计算预测发电量。采用中尺度历史数据进行发电量预测，不需要实时接收数值天气预报数据，不需要另立测风塔进行风速的实测，就可以直接进行发电量的实时预测。

Description

基于中尺度数据预测风电场实时发电量的方法
技术领域
本发明涉及海上风电技术领域，具体涉及预测风电场实时发电量的方法。
背景技术
对于风力发电领域发电量预测，大部分是采用新能源发电历史数据和发电影响因素历史数据，或者发电综合观测站数据，而且一般是进行发行年发电量的预测。另外风电功率预测主要是为了降低风电并网对于电网的冲击，便于电网提前做好电力调度计划。风电场功率预测系统中核心困难是风电场风速的准确预测以及功率的准确预测，风速预测的方法主要是物理方法、统计方法以及物理与统计结合的三种方法。物理方法为：利用实时的数值天气预报数据的风速预报值。统计方法为：根据历史实测风速数据进行统计分析并预测。功率预测有直接功率预测有直接功率预测和预测风速计算功率，直接功率预测主要是根据历史功率数据采用统计预测方法；预测风速计算功率，首先预测风速，通过功率计算公式进行风速和功率的转化。而且前预测风速的初始数据都是需要实时更新，还需要实地测量收集长时间的历史数据，另外根据数值天气预报技术决定，对于风场级风速预报精度较差。
发明内容
针对现有技术中的缺陷，本发明提供一种基于中尺度数据预测风电场实时发电量的方法，不需要实时接收数值天气预报数据，不需要另立测风塔进行风速的实测，就可以直接进行发电量的实时预测。
本发明提供的一种基于中尺度数据预测风电场实时发电量的方法，包括以下步骤：
S1.根据风电场限定条件，判断要预测的风电场是否满足条件；
S2.收集要预测的风电场的中尺度数据，并进行归一化整理；
S3.根据公式：
Figure GDA0003458356360000021
进行风速折算，生成标准空气密度下的风速矩阵，并对同一时刻风速进行算术平均计算，生成v的列矩阵：
Figure GDA0003458356360000022
S4.按每一时刻分别建立预测数学模型，生成系数a、b的矩阵，建立预测风速数学模型，计算出预测风速；
包括，按每一时刻分别建立的预测数学模型为：
Figure GDA0003458356360000023
建立的预测风速数学模型为：
Figure GDA0003458356360000024
其中，
Figure GDA0003458356360000025
S5.收集并整理风电场各机组已经运行的SCADA风速，计算出最终预测的风速；
S6.根据机组理论功率曲线，计算预测发电量。
进一步的，在S1中，风电场限定条件为：
一、风电场地形变化较小，即：各机位点之间平均海拔高差比绝对值小于3％；
∣(Hi-H平均)/H平均∣≤3％
二、风电场内机位点处海拔高度以及地表环境与中尺度数据点位置处相差不大的，即：海拔高度差不绝对值最大不超过5％；
∣(Hi-H中尺度)/H中尺度∣≤5％
三、分析风电场各机位点相对中尺度数据的坡度，确定坡度小于3％；
∣(Hi-H中尺度)/D中尺度.i∣≤3％
其中，Hi为要预测的风电场各机位点的海拔高度，H平均为要预测的风电场各机位点的平均海拔高度，D中尺度.i为风机距离中尺度数据点的距离，要预测的风电场需同时满足以上三个条件。
进一步的，在S2中收集中尺度数据包括风速，风向，空气密度。
进一步的，在S2中收集中尺度数据，并进行归一化整理的具体方法为：
S21、收集轮毂高度15km分辨率中尺度数据，时间范围为n年，将每一年的同一时刻风速和空气密度归类整理；
S22、将中尺度数据进行归一化整理，按行为时刻，列为年份排列为m行n列的数据矩阵，数据矩阵包括平均风速矩阵和空气密度矩阵：
平均风速为：
Figure GDA0003458356360000031
空气密度为：
Figure GDA0003458356360000032
进一步的，在S22中m最大为8784，n不小于20。
进一步的，在S5中计算出最终预测的风速的具体方法为：
S51、整理风电场各机组的SCADA风速，并进行算数平均处理；
S52、得出风电场实际风速：
Figure GDA0003458356360000033
S53、计算得到补偿值Δ，
Figure GDA0003458356360000034
S54、根据公式vj＝v′j+Δ的出最终预测的风速。
由上述技术方案可知，本发明的有益效果：
本发明提供一种基于中尺度数据预测风电场实时发电量的方法，第一步根据风电场限定条件，判断要预测的风电场是否满足条件；第二步收集要预测的风电场的中尺度数据，并进行归一化整理；第三步，进行风速折算，生成标准空气密度下的风速矩阵，并对同一时刻风速进行算术平均计算，生成v的列矩阵；第四步，按每一时刻分别建立预测数学模型，生成系数a、b的矩阵，计算出预测风速；第五步，收集并整理风电场各机组已经运行的SCADA风速，计算出最终预测的风速；第六步，根据机组理论功率曲线，计算预测发电量。采用中尺度历史数据进行发电量预测，不需要实时接收数值天气预报数据，不需要另立测风塔进行风速的实测，就可以直接进行发电量的实时预测。节约成本，预测精度较高，不仅可以对电网调度提供依据，而且在电力交易市场中也能够提供可靠的保障。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
图1为本发明一种基于中尺度数据预测风电场实时发电量的方法的流程示意图。
图2为利用本发明一种基于中尺度数据预测风电场实时发电量的方法中的机组理论功率曲线图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
请参阅图1，本实施例提供的一种基于中尺度数据预测风电场实时发电量的方法，包括以下步骤：
第一步，根据风电场限定条件，判断要预测的风电场是否满足条件：
首先，计算各机位点海拔高度与所有机位点的平均海拔高差比绝对值，所选风电场需满足各机位点之间平均海拔高差比绝对值小于3％，如表1所示；
表1
Figure GDA0003458356360000051
其次，本实施例中风电场中尺度数据点海拔高度为2822米，所选风电场各机位点海拔高度与中尺度数据点高度差比绝对值最大不超过5％，如表2所示；
表2
Figure GDA0003458356360000061
最后，计算风电场各机位点相对中尺度数据的坡度，所选风电场坡度小于3％，如表3所示；
表3
Figure GDA0003458356360000062
Figure GDA0003458356360000071
要预测的风电场同时满足以上三个条件，进入第二步。
第二步，收集要预测的风电场的中尺度数据，并进行归一化整理，具体为：
首先：收集轮毂高度15km分辨率中尺度数据，中尺度数据为风速、风向和空气密度，时间范围为n年，n最小为20，将每一年的同一时刻风速和空气密度归类整理；
然后，将中尺度数据进行归一化整理，按行为时刻，列为年份排列为m行n列的数据矩阵，
数据矩阵包括平均风速矩阵和空气密度矩阵：
平均风速为：
Figure GDA0003458356360000081
即：
Figure GDA0003458356360000082
空气密度为：
Figure GDA0003458356360000083
即：
Figure GDA0003458356360000084
第三步，根据公式：
Figure GDA0003458356360000085
进行风速折算，生成标准空气密度下的风速矩阵，并对同一时刻风速进行算术平均计算，生成v的列矩阵：
Figure GDA0003458356360000086
即：
Figure GDA0003458356360000087
第四步，按每一时刻分别建立预测数学模型，生成系数a、b的矩阵，建立预测风速数学模型，计算出预测风速；
按每一时刻分别建立的预测数学模型为：
Figure GDA0003458356360000091
Figure GDA0003458356360000092
生产系数a的矩阵
Figure GDA0003458356360000093
即：
Figure GDA0003458356360000094
生产系数b的矩阵
Figure GDA0003458356360000095
即：
Figure GDA0003458356360000096
建立的预测风速数学模型为：
Figure GDA0003458356360000097
其中，
Figure GDA0003458356360000098
计算出预测风速：
Figure GDA0003458356360000099
为
Figure GDA00034583563600000910
第五步，收集并整理风电场各机组已经运行的SCADA风速，并进行算数平均处理，得出风电场实际风速：
Figure GDA0003458356360000101
其中，p≤m
即：
Figure GDA0003458356360000102
计算得出补偿值Δ
Figure GDA0003458356360000103
根据公式：
vj＝v′j+Δ
计算出最终预测的风速：
Figure GDA0003458356360000104
即：
Figure GDA0003458356360000105
第六步、根据如图2所示机组理论功率曲线，计算预测发电量：
Figure GDA0003458356360000106
即：
Figure GDA0003458356360000107
之后根据实际SCADA风速滚动计算补偿值，滚动给出每小时、每天、每月、每季度的预测发电量。
验证：
根据风电场实际运行状况，删除机组收集下载有误的数据：机组维护，故障停机以及机组不正常运行等时段的数据。对风电场预测功率与实际功率进行对比，每小时预测误差最大28.04％，最小0；日预测最大21.43％，最小3.63％；月预测最大16.68％，最小7.2％；年预测最大偏差4.74％，最小1.98％。预测效果较好。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，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发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

Claims (6)

1.基于中尺度数据预测风电场实时发电量的方法，其特征在于：包括以下步骤：
S1.根据风电场限定条件，判断要预测的风电场是否满足条件；
S2.收集要预测的风电场的中尺度数据，并进行归一化整理；
S3.风速折算，生成标准空气密度下的风速矩阵，并对同一时刻风速进行算术平均计算，生成v的列矩阵；
S4.按每一时刻分别建立预测数学模型，生成系数a、b的矩阵，建立预测风速数学模型，计算出预测风速；
包括，按每一时刻分别建立的预测数学模型为：
Figure FDA0003458356350000011
建立的预测风速数学模型为：
Figure FDA0003458356350000012
其中，
Figure FDA0003458356350000013
S5.收集并整理风电场各机组已经运行的SCADA风速，计算出最终预测的风速；
S6.根据机组理论功率曲线，计算预测发电量。
2.根据权利要求1所述的基于中尺度数据预测风电场实时发电量的方法，其特征在于：在S1中，风电场限定条件为：
一、风电场地形变化较小，即：各机位点之间平均海拔高差比绝对值小于3％；
二、风电场内机位点处海拔高度以及地表环境与中尺度数据点位置处相差不大的，即：海拔高度差不绝对值最大不超过5％；
三、分析风电场各机位点相对中尺度数据的坡度，确定坡度小于3％；
要预测的风电场需同时满足以上三个条件。
3.根据权利要求1所述的基于中尺度数据预测风电场实时发电量的方法，其特征在于：在S2中收集中尺度数据包括风速，风向，空气密度。
4.根据权利要求3所述的基于中尺度数据预测风电场实时发电量的方法，其特征在于：在S2中收集中尺度数据，并进行归一化整理的具体方法为：
S21、收集轮毂高度15km分辨率中尺度数据，时间范围为n年，将每一年的同一时刻风速和空气密度归类整理；
S22、将中尺度数据进行归一化整理，按行为时刻，列为年份排列为m行n列的数据矩阵，
数据矩阵包括平均风速矩阵和空气密度矩阵。
5.根据权利要求4所述的基于中尺度数据预测风电场实时发电量的方法，其特征在于：在S22中m最大为8784，n不小于20。
6.根据权利要求1所述的基于中尺度数据预测风电场实时发电量的方法，其特征在于：在S5中计算出最终预测的风速的具体方法为：
S51、整理风电场各机组的SCADA风速，并进行算数平均处理；
S52、得出风电场实际风速：
Figure FDA0003458356350000021
S53、计算得到补偿值Δ，
Figure FDA0003458356350000022
S54、根据公式vj＝v′j+Δ的出最终预测的风速。
CN201810447141.6A 2018-05-11 2018-05-11 基于中尺度数据预测风电场实时发电量的方法 Active CN108665102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810447141.6A CN108665102B (zh) 2018-05-11 2018-05-11 基于中尺度数据预测风电场实时发电量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810447141.6A CN108665102B (zh) 2018-05-11 2018-05-11 基于中尺度数据预测风电场实时发电量的方法

Publications (2)

Publication Number Publication Date
CN108665102A CN108665102A (zh) 2018-10-16
CN108665102B true CN108665102B (zh) 2022-08-05

Family

ID=63779094

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810447141.6A Active CN108665102B (zh) 2018-05-11 2018-05-11 基于中尺度数据预测风电场实时发电量的方法

Country Status (1)

Country Link
CN (1) CN108665102B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111814345B (zh) * 2020-07-17 2022-08-02 中国船舶重工集团海装风电股份有限公司 利用多种中尺度风速数据插补观测缺失风速数据的方法
CN113567164B (zh) * 2021-07-20 2024-03-05 中国华能集团清洁能源技术研究院有限公司 一种风电场技术改造需求系统性评估预测方法
CN113723683A (zh) * 2021-08-30 2021-11-30 西安热工研究院有限公司 一种风电场利润预测方法及系统
CN116169727B (zh) * 2023-02-14 2023-11-17 中节能风力发电股份有限公司 无测风数据的老旧风电场重建项目发电量评估方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156575A (zh) * 2014-07-28 2014-11-19 国家电网公司 基于测风塔数据外推法的风电场理论功率计算方法
CN104598715A (zh) * 2014-11-07 2015-05-06 国家电网公司 一种基于气候态风速预测的区域风电电量预测方法
CN106547996A (zh) * 2016-12-08 2017-03-29 贵州电网有限责任公司电力科学研究院 一种风电场虚拟测风塔构建方法
CN106650977A (zh) * 2015-10-29 2017-05-10 中能电力科技开发有限公司 应用于新建风电场的短期功率预测方法
CN106779208A (zh) * 2016-12-08 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于虚拟测风塔技术的风电超短期功率预测方法
JP2017102760A (ja) * 2015-12-02 2017-06-08 メトロウェザー株式会社 風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法
CN106875037A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 风力预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105512766A (zh) * 2015-12-11 2016-04-20 中能电力科技开发有限公司 一种风电场功率预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104156575A (zh) * 2014-07-28 2014-11-19 国家电网公司 基于测风塔数据外推法的风电场理论功率计算方法
CN104598715A (zh) * 2014-11-07 2015-05-06 国家电网公司 一种基于气候态风速预测的区域风电电量预测方法
CN106650977A (zh) * 2015-10-29 2017-05-10 中能电力科技开发有限公司 应用于新建风电场的短期功率预测方法
JP2017102760A (ja) * 2015-12-02 2017-06-08 メトロウェザー株式会社 風力発電量予測システム、風力発電量予測プログラム、および風力発電量予測方法
CN106547996A (zh) * 2016-12-08 2017-03-29 贵州电网有限责任公司电力科学研究院 一种风电场虚拟测风塔构建方法
CN106779208A (zh) * 2016-12-08 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于虚拟测风塔技术的风电超短期功率预测方法
CN106875037A (zh) * 2016-12-30 2017-06-20 东软集团股份有限公司 风力预测方法及装置

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
a new method for wind speed forecasting based on copula theory;YuankunWang等;《Environmental Research》;20180131;第160卷;第365-371页 *
short-term wind power prediction based on extreme learning machine with error correction;Zhi Li等;《Protection and Control of Modern Power Systems volume》;20160620;第1-8页 *
两种算法在超短期风速预测的对比分析;唐伟等;《计算机与数字工程》;20150920;第43卷(第9期);第1553-1556页 *
基于机舱风速计的风电机组功率特性评估方法;娄建楼等;《电力系统自动化》;20160510;第40卷(第9期);第23-28页 *

Also Published As

Publication number Publication date
CN108665102A (zh) 2018-10-16

Similar Documents

Publication Publication Date Title
CN108665102B (zh) 基于中尺度数据预测风电场实时发电量的方法
Méchali et al. Wake effects at Horns Rev and their influence on energy production
TWI476430B (zh) 具極端風速預測功能之風能預報方法
CN102945508B (zh) 一种基于模型校正的风电功率预测预报方法
Abbes et al. Wind resource estimation and wind park design in El-Kef region, Tunisia
Yang et al. Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining
CN105160060B (zh) 一种基于实际功率曲线拟合的风电场理论功率确定方法
CN109784563B (zh) 一种基于虚拟测风塔技术的超短期功率预测方法
EP3545193B1 (en) Improving annual energy production of wind turbine sites
CN105389634A (zh) 一种组合式短期风电功率预测系统及方法
CN113205210B (zh) 复杂地形风电场风速与功率预测方法、系统、设备及存储介质
CN111488896B (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN103489046A (zh) 风电场短期功率预测方法
CN104732296A (zh) 一种分布式光伏输出功率短期预测模型建模方法
CN110880789A (zh) 一种风电、光伏联合发电系统经济调度方法
CN108388962A (zh) 一种风电功率预测系统及方法
CN107832881B (zh) 考虑负荷水平和风速分段的风电功率预测误差评价方法
CN107403015B (zh) 一种基于时间序列相似性的短期光功率预测方法
CN103473621A (zh) 风电场短期功率预测方法
CN101794996A (zh) 风电场出力实时预测方法
CN106875037A (zh) 风力预测方法及装置
CN111626473A (zh) 一种考虑误差修正的两阶段光伏功率预测方法
CN113379142B (zh) 一种基于风速修正和融合模型的短期风电功率预测方法
CN106650977A (zh) 应用于新建风电场的短期功率预测方法
CN111342499A (zh) 一种基于风功率预测数据的风电场实时调度方法

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