CN108846499B - 一种气象要素超短期预测方法和装置 - Google Patents
一种气象要素超短期预测方法和装置 Download PDFInfo
- Publication number
- CN108846499B CN108846499B CN201810328872.9A CN201810328872A CN108846499B CN 108846499 B CN108846499 B CN 108846499B CN 201810328872 A CN201810328872 A CN 201810328872A CN 108846499 B CN108846499 B CN 108846499B
- Authority
- CN
- China
- Prior art keywords
- short
- meteorological
- term
- value
- meteorological element
- 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 26
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 6
- 238000010248 power generation Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification 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
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种气象要素超短期预测方法和装置,需要气象要素实测值和短期预测值,需要的气象要素少,降低对历史气象要素的依赖程度,且通过实测值和短期预测值的组合绝对误差和组合相对误差实现气象要素的超短期预测,可以有效提高气象要素的超短期预测精度。本发明提供的技术方案尤其适用于气象要素条件不完备或新建的风电场和光伏电站,通过分配权重,可以分摊数据预测的误差风险,消除大偏差,简单实用、精度高,具有很强的可操作性。
Description
技术领域
本发明涉及新能源技术领域,具体涉及一种气象要素超短期预测方法和装置。
背景技术
风力发电和光伏发电超短期功率预测是指未来15分钟到4小时功率预测,可为新能源实时调度提供决策支持,也可为新能源电站有功功率控制提供参考。风速、温度、相对湿度、气压、辐照度等要素是影响新能源发电的主要气象因素,其预测精度直接影响风力发电和光伏发电超短期功率预测精度。
现有技术中的气象要素超短期预测方法主要有卡尔曼滤波法、人工神经网络和支持向量机等,其中卡尔曼滤波法是利用有限时间内的观测数据进行预测建模,这种方法适用于噪声信号服从高斯分布的情况,实用性较差;人工神经网络方法应用最为广泛,具有较强的容错性以及自组织和自适应能力,对非线性问题的求解十分有效,但存在训练速度慢,容易陷入局部极小等缺点,且需要大量历史样本,局限性强。支持向量机具有全局收敛性,样本维数不敏感,不依赖于经验信息等优点,但最佳核变换函数及其相应的参数确定较为复杂,实用性差,且上述三种方法的超短期预测精度均较低。
发明内容
为了克服上述现有技术中超短期预测精度低的不足,本发明提供一种气象要素超短期预测方法和装置,先获取气象数据,气象数据包括实测值和短期预测值,计算实测值和短期预测值的组合绝对误差和组合相对误差,最后根据实测值和短期预测值的组合绝对误差和组合相对误差对气象要素进行超短期预测,本发明需要气象要素实测值和短期预测值,需要的气象要素少,降低对历史气象要素的依赖程度,且通过气象要素实测值和短期预测值的组合绝对误差和组合相对误差实现气象要素的超短期预测,可以有效提高气象要素的超短期预测精度。
为了实现上述发明目的,本发明采取如下技术方案:
一方面,本发明提供一种气象要素超短期预测方法,包括:
获取气象要素实测值和短期预测值;
计算气象要素实测值和短期预测值的组合绝对误差和组合相对误差;
根据组合绝对误差和组合相对误差对气象要素进行超短期预测。
所述气象要素包括风电场气象要素和光伏电站气象要素;
所述风电场气象要素包括风电场的气温、风速、风向、气压和湿度;
所述光伏电站气象要素包括光伏电站的总辐照度、直接辐照度、散射辐照度、气温、风速、风向、气压和湿度。
所述获取气象要素实测值和短期预测值的时间分辨率大于15min。
所述气象要素实测值和短期预测值的组合绝对误差和组合相对误差按下式计算:
δ=λ1δ1+λ2δ2+λ3δ3+…+λnδn
θ=λ1θ1+λ2θ2+λ3θ3+...+λn*θn
其中,δ表示气象要素实测值和短期预测值的组合绝对误差,θ表示气象要素实测值和短期预测值的组合相对误差;δ1,δ2,δ3,......,δn表示气象要素前n个短期预测值与实测值的绝对误差值,θ1,θ2,θ3,......,θn表示气象要素前n个短期预测值与实测值的相对误差值;λ1表示获取时间距离当前预测时刻最近的气象要素实测值和短期预测值的权重,λn表示获取时间距离当前预测时刻最远的气象要素实测值和短期预测值的权重,λ1+λ2+λ3+......+λn=1,且λ1≥λ2≥λ3≥......≥λn。
所述根据组合绝对误差和组合相对误差对气象要素进行超短期预测,包括:
若δ≥0.9×F,且θ≥-0.1时,Fv=F(1-θ),否则Fv=F-δ,Fv表示气象要素超短期预测值,F表示当前预测时刻短期预测值。
另一方面,本发明提供一种气象要素超短期预测装置,包括:
获取模块,用于获取气象要素实测值和短期预测值;
计算模块,用于计算气象要素实测值和短期预测值的组合绝对误差和组合相对误差;
预测模块,用于根据组合绝对误差和组合相对误差对气象要素进行超短期预测。
所述气象要素包括风电场气象要素和光伏电站气象要素;
所述风电场气象要素包括风电场的气温、风速、风向、气压和湿度;
所述光伏电站气象要素包括光伏电站的总辐照度、直接辐照度、散射辐照度、气温、风速、风向、气压和湿度。
所述获取模块获取气象要素实测值和短期预测值的时间分辨率大于15min。
所述计算模块按下式计算气象要素实测值和短期预测值的组合绝对误差和组合相对误差:
δ=λ1δ1+λ2δ2+λ3δ3+…+λnδn
θ=λ1θ1+λ2θ2+λ3θ3+...+λn*θn
其中,δ表示气象要素实测值和短期预测值的组合绝对误差,θ表示气象要素实测值和短期预测值的组合相对误差;δ1,δ2,δ3,......,δn表示气象要素前n个短期预测值与实测值的绝对误差值,θ1,θ2,θ3,......,θn表示气象要素前n个短期预测值与实测值的相对误差值;λ1表示获取时间距离当前预测时刻最近的气象要素实测值和短期预测值的权重,λn表示获取时间距离当前预测时刻最远的气象要素实测值和短期预测值的权重,λ1+λ2+λ3+......+λn=1,且λ1≥λ2≥λ3≥......≥λn。
所述预测模块具体用于:
若δ≥0.9×F,且θ≥-0.1时,Fv=F(1-θ),否则Fv=F-δ,Fv表示气象要素超短期预测值,F表示当前预测时刻短期预测值。
与最接近的现有技术相比,本发明提供的技术方案具有以下有益效果:
本发明提供的气象要素超短期预测方法中,先获取气象要素实测值和短期预测值,然后计算气象要素实测值和短期预测值的组合绝对误差和组合相对误差,最后根据组合绝对误差和组合相对误差对气象要素进行超短期预测,本发明需要气象要素实测值和短期预测值,需要的气象要素少,降低对历史气象要素的依赖程度,且通过气象要素实测值和短期预测值的组合绝对误差和组合相对误差实现气象要素的超短期预测,可以有效提高气象要素的超短期预测精度;
本发明提供的气象要素超短期预测装置包括获取模块、计算模块和预测模块,获取模块,用于获取气象要素实测值和短期预测值;计算模块用于计算气象要素实测值和短期预测值的组合绝对误差和组合相对误差;预测模块,用于根据组合绝对误差和组合相对误差对气象要素进行超短期预测,本发明需要气象要素实测值和短期预测值,需要的气象要素少,降低对历史气象要素的依赖程度,且通过实测值和短期预测值的组合绝对误差和组合相对误差实现气象要素的超短期预测,可以有效提高气象要素的超短期预测精度;
本发明提供的技术方案尤其适用于气象要素条件不完备或新建的风电场和光伏电站,降低对历史气象要素的依赖程度,而且通过分配权重,可以分摊数据预测的误差风险,消除大偏差;
本发明提供的技术方案简单实用,精度高,具有很强的可操作性。
附图说明
图1是本发明实施例1中气象要素超短期预测方法流程图;
图2是本发明实施例1中气象要素超短期预测效果图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明实施例提供了一种气象要素超短期预测方法,具体的流程图如图1所示,具体过程如下:
S101:获取气象要素实测值和短期预测值;
S102:计算气象要素实测值和短期预测值的组合绝对误差和组合相对误差;
S103:根据组合绝对误差和组合相对误差对气象要素进行超短期预测。
上述S101中,气象要素包括风电场气象要素和光伏电站气象要素共两大类:
其中的风电场气象要素包括风电场的气温、风速、风向、气压和湿度;
光伏电站气象要素包括光伏电站的总辐照度、直接辐照度、散射辐照度、气温、风速、风向、气压和湿度,
上述S101中,获取气象要素实测值和短期预测值的时间分辨率大于15min。
上述S102中,气象要素实测值和短期预测值的组合绝对误差和组合相对误差按下式计算:
δ=λ1δ1+λ2δ2+λ3δ3+…+λnδn
θ=λ1θ1+λ2θ2+λ3θ3+...+λn*θn
其中,δ表示气象要素实测值和短期预测值的组合绝对误差,θ表示气象要素实测值和短期预测值的组合相对误差;δ1,δ2,δ3,......,δn表示气象要素前n个短期预测值与实测值的绝对误差值,θ1,θ2,θ3,......,θn表示气象要素前n个短期预测值与实测值的相对误差值;λ1表示获取时间距离当前预测时刻最近的气象要素实测值和短期预测值的权重,λn表示获取时间距离当前预测时刻最远的气象要素实测值和短期预测值的数据权重,λ1+λ2+λ3+......+λn=1,且λ1≥λ2≥λ3≥......≥λn,其中n可以取5。
上述S103中,根据组合绝对误差和组合相对误差对气象要素进行超短期预测,具体过程如下:
若δ≥0.9×F,且θ≥-0.1时,Fv=F(1-θ),否则Fv=F-δ,Fv表示气象要素超短期预测值,F表示当前预测时刻短期预测值。以风电场的风速这一风电场气象要素为例,若δ≥0.9×F,且θ≥-0.1时,Fv=F(1-θ),否则Fv=F-δ,Fv表示风电场的风速超短期预测值,F表示当前预测时刻短期预测值。
本发明的方法可以对待预测的某一或某些气象要素进行超短期预测,下面举例说明,若实际工况中是要对风电场的风速这一气象要素进行超短期预测,则可以通过上述步骤S101 获取的风电场气象要素中查询风速的实测值和短期预测值,然后通过上述步骤S102中的公式计算风速的实测值和短期预测值的组合绝对误差和组合相对误差,公式中所用到的风速绝对误差值和相对误差值可以采用本领域技术人员公知的现有技术根据实测值和短期预测值计算得到;最后通过上述步骤S103对风电场的风速进行超短期预测。
步骤S102中,由于获取风速实测值和短期预测值的时刻距离预测时刻越近,则预测结果越准确,因此将距离预测时刻最近的风速实测值和短期预测值的权重值设置成最高,次近的设置成次高,最远的设置成最低。
基于同一发明构思,本发明实施例还提供一种气象要素超短期预测装置,包括获取模块、计算模块和预测模块,下面对上述三个模块的功能进行详细介绍:
其中的获取模块,用于获取气象要素实测值和短期预测值;
其中的计算模块,用于计算气象要素实测值和短期预测值的组合绝对误差和组合相对误差;
其中的预测模块,用于根据组合绝对误差和组合相对误差对气象要素进行超短期预测。
上述气象要素包括风电场气象数据和光伏电站气象数据;
上述所述风电场气象要素包括风电场的气温、风速、风向、气压和湿度;
光伏电站气象要素包括光伏电站的总辐照度、直接辐照度、散射辐照度、气温、风速、风向、气压和湿度。获取模块获取气象要素实测值和短期预测值的时间分辨率大于15min。
上述计算模块按下式计算气象要素实测值和短期预测值的组合绝对误差和组合相对误差:
δ=λ1δ1+λ2δ2+λ3δ3+…+λnδn
θ=λ1θ1+λ2θ2+λ3θ3+...+λn*θn
其中,δ表示气象要素实测值和短期预测值的组合绝对误差,θ表示气象要素实测值和短期预测值的组合相对误差;δ1,δ2,δ3,......,δn表示气象要素前n个短期预测值与实测值的绝对误差值,θ1,θ2,θ3,......,θn表示气象要素前n个短期预测值与实测值的相对误差值;λ1表示获取时间距离当前预测时刻最近的气象要素实测值和短期预测值的权重,λn表示获取时间距离当前预测时刻最远的气象要素实测值和短期预测值的数据权重,λ1+λ2+λ3+......+λn=1,且λ1≥λ2≥λ3≥......≥λn。
上述预测模块根据组合绝对误差和组合相对误差对气象要素进行超短期预测的具体过程如下:
若δ≥0.9×F,且θ≥-0.1时,Fv=F(1-θ),否则Fv=F-δ,Fv表示气象要素超短期预测值,F表示当前预测时刻短期预测值。
下面利用新疆某地光伏电站为例,验证本发明实施例提供的气象要素超短期预测效果,选取2017年3月21日-3月23日三天的实测辐射数据和短期预测数据进行验证。预测效果如图2所示,各项误差指标如表1:
表1
预测类型 | 均方根误差RMSE(W/m2) | 平均绝对误差MAE(W/m2) | 相关系数R |
短期 | 159.789 | 115.1292 | 0.9153 |
超短期 | 72.9752 | 42.1805 | 0.9623 |
上述结果表明,超短期预测各项误差指标均优于短期预测,由此可以证明,应用本发明实施例提供的气象要素超短期预测方法可以有效提高气象要素的超短期预测精度。
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。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换,这些未脱离本发明精神和范围的任何修改或者等同替换,均在申请待批的本发明的权利要求保护范围之内。
Claims (6)
1.一种气象要素超短期预测方法,其特征在于,包括:
获取气象要素实测值和短期预测值;
计算气象要素实测值和短期预测值的组合绝对误差和组合相对误差;
根据组合绝对误差和组合相对误差对气象要素进行超短期预测;
所述气象要素实测值和短期预测值的组合绝对误差和组合相对误差按下式计算:
δ=λ1δ1+λ2δ2+λ3δ3+…+λnδn
θ=λ1θ1+λ2θ2+λ3θ3+…+λn*θn
其中,δ表示气象要素实测值和短期预测值的组合绝对误差,θ表示气象要素实测值和短期预测值的组合相对误差;δ1,δ2,δ3,......,δn表示气象要素前n个短期预测值与实测值的绝对误差值,θ1,θ2,θ3,......,θn表示气象要素前n个短期预测值与实测值的相对误差值;λ1表示获取时间距离当前预测时刻最近的气象要素实测值和短期预测值的权重,λn表示获取时间距离当前预测时刻最远的气象要素实测值和短期预测值的权重,λ1+λ2+λ3+......+λn=1,且λ1≥λ2≥λ3≥......≥λn;
所述根据组合绝对误差和组合相对误差对气象要素进行超短期预测,包括:
若δ≥0.9×F,且θ≥-0.1时,Fv=F(1-θ),否则Fv=F-δ,Fv表示气象要素超短期预测值,F表示当前预测时刻短期预测值。
2.根据权利要求1所述的气象要素超短期预测方法,其特征在于,所述气象要素包括风电场气象要素和光伏电站气象要素;
所述风电场气象要素包括风电场的气温、风速、风向、气压和湿度;
所述光伏电站气象要素包括光伏电站的总辐照度、直接辐照度、散射辐照度、气温、风速、风向、气压和湿度。
3.根据权利要求2所述的气象要素超短期预测方法,其特征在于,所述获取气象要素实测值和短期预测值的时间分辨率大于15min。
4.一种气象要素超短期预测装置,其特征在于,包括:
获取模块,用于获取气象要素实测值和短期预测值;
计算模块,用于计算气象要素实测值和短期预测值的组合绝对误差和组合相对误差;
预测模块,用于根据组合绝对误差和组合相对误差对气象要素进行超短期预测;
所述计算模块按下式计算气象要素的实测值和短期预测值的组合绝对误差和组合相对误差:
δ=λ1δ1+λ2δ2+λ3δ3+…+λnδn
θ=λ1θ1+λ2θ2+λ3θ3+...+λn*θn
其中,δ表示气象要素实测值和短期预测值的组合绝对误差,θ表示气象要素实测值和短期预测值的组合相对误差;δ1,δ2,δ3,......,δn表示气象要素前n个短期预测值与实测值的绝对误差值,θ1,θ2,θ3,......,θn表示气象要素前n个短期预测值与实测值的相对误差值;λ1表示获取时间距离当前预测时刻最近的气象要素实测值和短期预测值的数据权重,λn表示时间距离当前预测时刻最远的气象要素实测值和短期预测值的权重,λ1+λ2+λ3+......+λn=1,且λ1≥λ2≥λ3≥......≥λn;所述预测模块具体用于:
若δ≥0.9×F,且θ≥-0.1时,Fv=F(1-θ),否则Fv=F-δ,Fv表示气象要素超短期预测值,F表示当前预测时刻短期预测值。
5.根据权利要求4所述的气象要素超短期预测装置,其特征在于,所述气象要素包括风电场气象要素和光伏电站气象要素;
所述风电场气象要素包括风电场的气温、风速、风向、气压和湿度;
所述光伏电站气象要素包括光伏电站的总辐照度、直接辐照度、散射辐照度、气温、风速、风向、气压和湿度。
6.根据权利要求5所述的气象要素超短期预测装置,其特征在于,所述获取模块获取气象要素实测值和短期预测值的时间分辨率大于15min。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810328872.9A CN108846499B (zh) | 2018-04-13 | 2018-04-13 | 一种气象要素超短期预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810328872.9A CN108846499B (zh) | 2018-04-13 | 2018-04-13 | 一种气象要素超短期预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108846499A CN108846499A (zh) | 2018-11-20 |
CN108846499B true CN108846499B (zh) | 2022-10-11 |
Family
ID=64212027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810328872.9A Active CN108846499B (zh) | 2018-04-13 | 2018-04-13 | 一种气象要素超短期预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108846499B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109345046B (zh) * | 2018-12-05 | 2020-07-07 | 国能日新科技股份有限公司 | 光伏功率的预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN105389634A (zh) * | 2015-12-01 | 2016-03-09 | 广东智造能源科技研究有限公司 | 一种组合式短期风电功率预测系统及方法 |
CN107766968A (zh) * | 2017-09-26 | 2018-03-06 | 河海大学 | 基于capso‑rvm组合模型的短期风速预测方法 |
-
2018
- 2018-04-13 CN CN201810328872.9A patent/CN108846499B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102102626A (zh) * | 2011-01-30 | 2011-06-22 | 华北电力大学 | 风电场短期功率预测方法 |
CN105389634A (zh) * | 2015-12-01 | 2016-03-09 | 广东智造能源科技研究有限公司 | 一种组合式短期风电功率预测系统及方法 |
CN107766968A (zh) * | 2017-09-26 | 2018-03-06 | 河海大学 | 基于capso‑rvm组合模型的短期风速预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108846499A (zh) | 2018-11-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875033B (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN106779226B (zh) | 一种基于混核机器学习的风机批功率预测方法 | |
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN108428017B (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 | |
CN109345046B (zh) | 光伏功率的预测方法及装置 | |
CN102945508A (zh) | 一种基于模型校正的风电功率预测预报系统及方法 | |
CN109088407B (zh) | 基于深度信念网络伪量测建模的配电网状态估计方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN112036595B (zh) | 基于多位置数值天气预报短期风电功率预测方法和系统 | |
CN103955749A (zh) | 太阳直接辐射值预测方法和系统 | |
WO2023216576A1 (zh) | 一种光伏发电短期功率预测方法和系统 | |
Li et al. | Short-term prediction of the power of a new wind turbine based on IAO-LSTM | |
CN111340307B (zh) | 预测风机风力发电功率的方法以及相关装置 | |
CN108846499B (zh) | 一种气象要素超短期预测方法和装置 | |
CN112417734A (zh) | 一种基于风电场地理信息的风速订正方法及装置 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN112700050B (zh) | 一种光伏电站超短期第1点功率预测方法及系统 | |
CN111832786A (zh) | 一种基于滑动误差的光伏发电超短期功率预测方法和装置 | |
Mao et al. | Improved fast short-term wind power prediction model based on superposition of predicted error | |
CN116245039A (zh) | 海上风力发电场群的尾流评估方法及系统 | |
CN114239920A (zh) | 一种风电功率短期预测方法 | |
CN113468767B (zh) | 一种海上风电机组发电量评估方法与系统 | |
CN113050115B (zh) | 一种激光雷达风场数据重建方法、系统及设备 | |
CN116595381B (zh) | 一种水库分层水温模拟方法及系统 | |
CN112217199B (zh) | 一种风电场风速概率分布拟合方法 |
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 |