CN109146131A - 一种日前风力发电预测方法 - Google Patents
一种日前风力发电预测方法 Download PDFInfo
- Publication number
- CN109146131A CN109146131A CN201810754491.7A CN201810754491A CN109146131A CN 109146131 A CN109146131 A CN 109146131A CN 201810754491 A CN201810754491 A CN 201810754491A CN 109146131 A CN109146131 A CN 109146131A
- Authority
- CN
- China
- Prior art keywords
- wind
- electricity generation
- data
- power electricity
- hilbert
- 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.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 61
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000004393 prognosis Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 14
- 230000002068 genetic effect Effects 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims abstract description 8
- 238000005457 optimization Methods 0.000 claims abstract description 7
- 238000010248 power generation Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 26
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 230000035772 mutation Effects 0.000 claims description 9
- 238000001228 spectrum Methods 0.000 claims description 8
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000000053 physical method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000003585 interneuronal effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- 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)
Abstract
本发明公开了一种日前风力发电预测方法，具体步骤如下：步骤一，将NWP气象预测预测数据、历史实际风电发电数据和历史实际风速数据分解为子序列；步骤二，对子序列进行训练；步骤三，将通过希尔伯特‑黄变换得到的历史实际风速数据子序列作为输入，历史实际风力发电数据子序列作为输出，得到根据实际风速数据来预测风力发电的训练模型；步骤四，通过遗传算法优化根据实际风速数据来预测风力发电的训练模型；步骤五，利用希尔伯特‑黄变换的逆变换还原利用人工神经网络得到的风力发电预测数据。本发明考虑了实际风速历史数据、实际风力发电历史数据和NWP气象预测数据(包括风速、风向、气压、气温和湿度)，能够有效提高风力发电预测准确率。
Description
技术领域
本发明涉及电力系统短期负荷预测领域，具体是一种日前风力发电预测方法。
背景技术
风力发电具有无污染、容易开发、装置简单等优点，被广泛应用。但由于风速的间歇 性和波动性，风力发电的输出功率具有很强的不确定性，难以进行调度管理，因此风力发 电很难大规模接入电力系统。为了降低风力发电输出功率的波动性对电力系统的影响，使 输配电系统和电力调度部门易于对风力发电进行控制和管理，需要尽可能对风力发电进行 准确预测。日前风力发电预测属于短期风力发电预测，准确的日前风力发电预测对大电网 或为微网的运行效率、经济性、稳定性和安全性方面有重要意义。
目前，风力发电的预测方法包括统计方法、物理方法、时间序列法等传统的预测方法 和人工智能类方法。
统计方法根据历史统计数据建立气象因素与风力发电的关系，根据天气预测数据对风 力发电进行预测，该方法需要对历史数据的数量和质量均有较高的就要求；物理方法要求 对大气的物理特性及风电场特性有准确的数学描述，具有模型复杂、计算量大的缺点；时 间序列法通过寻找各历史数据在时序上的相关性来预测风力发电，存在低阶模型预测精度 低而高阶模型参数估计难度大的缺点；基于人工智能的预测方法准确率相对高一些，但目 前大部分研究仅仅单纯根据风力发电时间序列数据进行方法的套用，对气象因素的考虑不 足，也没有详细研究人工智能模型参数的算法，难以得到理想的预测结果。
发明内容
本发明的目的在于提供一种日前风力发电预测方法，以解决上述背景技术中提出的问 题。
为实现上述目的，本发明提供如下技术方案：
一种日前风力发电预测方法，具体步骤如下：
步骤一，利用希尔伯特-黄变换将NWP气象预测预测数据、历史实际风电发电数据和 历史实际风速数据分解为子序列：希尔伯特-黄变换利用经验模态分解方法将给定的序列分 解为若干固有模态函数，然后，对每一个固有模态函数进行希尔伯特变换，得到相应的希 尔伯特谱，汇总所有固有模态函数的希尔伯特谱就可以得到原始信号的子序列；
步骤二，利用人工神经网络对子序列进行训练：将步骤一中通过希尔伯特-黄变换得到 的子序列作为输入，历史实际风速数据子序列作为输出，得到根据NWP气象预测预测数 据来预测风速的训练模型；
步骤三，将步骤一中通过希尔伯特-黄变换得到的历史实际风速数据子序列作为输入， 历史实际风力发电数据子序列作为输出，得到根据实际风速数据来预测风力发电的训练模 型；
步骤四，通过遗传算法优化根据实际风速数据来预测风力发电的训练模型；
步骤五，利用希尔伯特-黄变换的逆变换还原利用人工神经网络得到的风力发电预测数 据。
作为本发明进一步的方案：希尔伯特-黄变换的详细步骤为：
(1)设时间序列为P(t)＝[P1，P2，……，PT]，其中，P为历史风力发电功率或历史风速或NWP预测气象数据的归一化数据，T为时间序列的长度；
(2)对P(t)的所有极大值点进行插值得到包络线Max(t)，对P(t)的所有极小值点进行 插值得到包络线Min(t)，计算P(t)的平均包络线Mean(t)＝0.5×[Max(t)+Min(t)]；
(3)根据经验模态分解算法，进行固有模态函数序列分解，序列需满足：序列中，极值的数目与零的数目之差小于等于1；对于序列中任一点，极大值和极小值确定的包络线的平均值为0；令h1(t)＝P(t)-Mean(t)；如果h1(t)满足固有模态函数序列条件，则h1(t)为 第一个固有模态函数分量，记为C1(t)；如果不满足条件，则对h1(t)重复上述步骤，直到找 到第一个固有模态函数分量；
(4)去除找到的固有模态函数分量，继续根据经验模态分解算法算法对信号残差进 行固有模态函数序列分解；
(5)计算S，判断是否满足停止条件，S取0.2至0.3之间，最终其中为IMF序列，Rn(t)为残差；
(6)对固有模态函数序列每个分量做希尔伯特变换：计算其中f(t)为固有模态函数序列，令z(t)＝f(t)+i·y(t)；上式可写为：z(t)＝a(t)·ei·θ(t)；其中固有模态函数序列的瞬时频率为：令H(ω,t)＝H(ω(t),t)＝a(t)，最终，希尔伯特谱为：
作为本发明进一步的方案：信号残差R1(t)＝P(t)-C1(t)。
作为本发明进一步的方案：NWP气象预测预测数据包括风速、风向、气压、气温和湿度
作为本发明进一步的方案：遗传算法优化根据实际风速数据来预测风力发电的训练模 型的具体步骤如下：
(1)生成初始种群：随机产生一定数目的初始个体，组成一个种群；
(2)个体评价：计算种群中每个个体的适应度；
(3)选择运算：利用选择算子，按个体适应度选择进入下一代的个体；
(4)交叉运算：按交叉算子进行交叉运算；
(5)变异运算：按变异算子进行变异运算，经过选择、交叉、变异形成下一代种群；
(6)判断是否满足终止条件，是则结束运算，否则进入下一轮迭代。
与现有技术相比，本发明的有益效果是：本发明提出了一种基于希尔伯特-黄变换(HHT)、遗传算法(GA)和人工神经网络(ANN)的预测模型，考虑了实际风速历史 数据、实际风力发电历史数据和NWP气象预测数据(包括风速、风向、气压、气温和湿 度)，能够有效提高风力发电预测准确率。
附图说明
图1为日前风力发电预测方法的流程图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
本发明提出了一种风力发电预测模型，模型是基于希尔伯特-黄变换(HHT)、遗传算 法(GA)和人工神经网络(ANN)的混合预测模型。希尔伯特-黄变换(HHT)用来将历 史实际风速数据、历史风力发电数据、NWP气象预测数据分解为一系列特性明显的子序列。 分解的历史数据子序列用来作为人工神经网络(ANN)的训练集。分解的NWP气象预测 数据子序列用来作为用人工神经网络(ANN)预测未来风力发电的输入数据。遗传算法 (GA)用来优化人工神经网络(ANN)的神经元连接权重，来达到提高神经预测准确率 和模型性能的作用。最后，利用希尔伯特-黄变换(HHT)的逆变换还原利用人工神经网络 (ANN)得到的风力发电预测数据。
预测包括两个HHT-GA-ANN预测阶段。第一阶段，HHT-GA-ANN用来预测风场风机 所在位置的风速，在这个阶段，为了训练ANN,用历史NWP预测数据(风速、风向、气压、 气温和湿度)作为输入数据，历史实际风速作为输出目标。第二阶段，HHT-GA-ANN模 型用来预测风力发电数据，输入数据为历史实际风速数据。用第一阶段预测得到的风速作 为第二阶段的输入数据。
1.利用希尔伯特-黄变换(HHT)将NWP气象预测预测数据、历史实际风电发电数据和历史实际风速数据分解为子序列
希尔伯特-黄变换(HHT)是基于经验模态分解(EMD)和Hilbert变换的一种数据序列处理方法。
HHT变换首先利用经验模态分解(EMD)方法将给定的序列分解为若干固有模态函数(IMF，也叫做本征模态函数)，这些IMF是满足一定条件的分量；然后，对每一个IMF 进行Hilbert变换，得到相应的Hilbert谱，即将每个IMF表示在联合的时频域中；最后， 汇总所有IMF的Hilbert谱就可以得到原始信号的Hilbert谱。
变换步骤为：
(1)设时间序列为P(t)＝[P1，P2，……，PT]，其中，P为历史风力发电功率或历史风速或NWP预测气象数据的归一化数据，T为时间序列的长度。
(2)对P(t)的所有极大值点进行插值得到包络线Max(t)，对P(t)的所有极小值点进行 插值得到包络线Min(t)，计算P(t)的平均包络线Mean(t)＝0.5×[Max(t)+Min(t)]。
(3)根据EMD算法，进行IMF序列分解，序列需满足：
(a)序列中，极值的数目与零的数目之差小于等于1。
(b)对于序列中任一点，极大值和极小值确定的包络线的平均值为0。
令h1(t)＝P(t)-Mean(t)；如果h1(t)满足IMF序列条件，则h1(t)为第一个IMF分量，记 为C1(t)；如果不满足条件，则对h1(t)重复(2)～(3)步，直到找到第一个IMF分量。
(4)去除找到的IMF分量，继续根据EMD算法对信号残差进行IMF序列分解。残 差R1(t)＝P(t)-C1(t)。
(5)计算S，判断是否满足停止条件。S取0.2至0.3之间。
最终其中为IMF序列，Rn(t)为残差。
(6)对IMF序列每个分量做Hilbert变换：
计算其中f(t)为IMF序列。
令z(t)＝f(t)+i·y(t)；
上式可写为：z(t)＝a(t)·ei·θ(t)。
其中
IMF序列的瞬时频率为：
令H(ω,t)＝H(ω(t),t)＝a(t)
最终，Hilbert谱为：
2.利用ANN对子序列进行训练
BP神经网络是一种误差反向后传学习算法。一般包括输入层、中间层和输出层，每层 包括多个神经元，信息在神经元之间按不同权重传输。
输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元；中间层是 内部信息处理层，负责信息变换，根据信息变化能力的需求，中间层可以设计为单隐层或 者多隐层结构；最后一个隐层传递到输出层各神经元的信息，经进一步处理后，完成一次 学习的正向传播处理过程，由输出层向外界输出信息处理结果。当实际输出与期望输出不 符时，进行误差的反向传播。误差通过输出层，按误差梯度下降的方式修正各层权值，向 隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程，即为神经网络学 习训练过程，此过程一直进行到网络输出的误差减少到可以接受的程度为止。
日前风力发电预测训练步骤：
(1)第一阶段，将第一步通过希尔伯特-黄变换得到的NWP气象预测数据(包括风速、风向、气压、气温和湿度)子序列作为输入，历史实际风速数据子序列作为输出，得 到根据NWP气象预测预测数据来预测风速的训练模型。
(2)第二阶段，将第一步通过希尔伯特-黄变换得到的历史实际风速数据子序列作为 输入，历史实际风力发电数据子序列作为输出，得到根据实际风速数据来预测风力发电的 训练模型。
利用训练好的模型，进行日前风力发电预测。其中，第二阶段的风速数据为第一阶段 的风速预测结果。
3.通过遗传算法优化ANN模型
遗传算法是模拟达尔文进化过程的计算模型。它将问题的解表示为基因型，从中选取 适应环境的个体，淘汰不适应的个体，把保留下来的个体复制再生，通过交叉、变异等遗 传算子产生新的染色体群，根据收敛条件，从新老群体中选出适应环境的个体。
将ANN中神经元间的每个权重作为基因，将每组权重作为个体，利用遗传算法进行优化，步骤为：
(1)生成初始种群：随机产生一定数目的初始个体，组成一个种群。
(2)个体评价：计算种群中每个个体的适应度。
(3)选择运算：利用选择算子，按个体适应度选择进入下一代的个体。
(4)交叉运算：按交叉算子进行交叉运算。
(5)变异运算：按变异算子进行变异运算，经过选择、交叉、变异形成下一代种群。
(6)判断是否满足终止条件，是则结束运算，否则进入下一轮迭代。
利用HHT-GA-ANN预测方法对2015年5月至2016年4月期间河北南网某风电场的 风电出力进行预测。各月平均预测误差如表1所示。
表1 2015年5月至2016年4月，两种方法的风力发电预测误差
从表1中可以看出，与BP神经网络预测方法相比，利用HHT-GA-ANN方法得到的 各月平均预测误差降低了4.5个百分点，即准确率提高了4.5％。说明该方法具有较好的预 测效果。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背 离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从 哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权 利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有 变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含 一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将 说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可 以理解的其他实施方式。
Claims (5)
1.一种日前风力发电预测方法，其特征在于，具体步骤如下：
步骤一，利用希尔伯特-黄变换将NWP气象预测预测数据、历史实际风电发电数据和历史实际风速数据分解为子序列：希尔伯特-黄变换利用经验模态分解方法将给定的序列分解为若干固有模态函数，然后，对每一个固有模态函数进行希尔伯特变换，得到相应的希尔伯特谱，汇总所有固有模态函数的希尔伯特谱就得到原始信号的子序列；
步骤二，利用人工神经网络对子序列进行训练：将步骤一中通过希尔伯特-黄变换得到的子序列作为输入，历史实际风速数据子序列作为输出，得到根据NWP气象预测预测数据来预测风速的训练模型；
步骤三，将步骤一中通过希尔伯特-黄变换得到的历史实际风速数据子序列作为输入，历史实际风力发电数据子序列作为输出，得到根据实际风速数据来预测风力发电的训练模型；
步骤四，通过遗传算法优化根据实际风速数据来预测风力发电的训练模型；
步骤五，利用希尔伯特-黄变换的逆变换还原利用人工神经网络得到的风力发电预测数据。
2.根据权利要求1所述的日前风力发电预测方法，其特征在于，所述希尔伯特-黄变换的详细步骤为：
(1)设时间序列为P(t)＝[P1，P2，……，PT]，其中，P为历史风力发电功率或历史风速或NWP预测气象数据的归一化数据，T为时间序列的长度；
(2)对P(t)的所有极大值点进行插值得到包络线Max(t)，对P(t)的所有极小值点进行插值得到包络线Min(t)，计算P(t)的平均包络线Mean(t)＝0.5×[Max(t)+Min(t)]；
(3)根据经验模态分解算法，进行固有模态函数序列分解，序列需满足：序列中，极值的数目与零的数目之差小于等于1；对于序列中任一点，极大值和极小值确定的包络线的平均值为0；令h1(t)＝P(t)-Mean(t)；如果h1(t)满足固有模态函数序列条件，则h1(t)为第一个固有模态函数分量，记为C1(t)；如果不满足条件，则对h1(t)重复上述步骤，直到找到第一个固有模态函数分量；
(4)去除找到的固有模态函数分量，继续根据经验模态分解算法算法对信号残差进行固有模态函数序列分解；
(5)计算S，判断是否满足停止条件，S取0.2至0.3之间，最终其中为IMF序列，Rn(t)为残差；
(6)对固有模态函数序列每个分量做希尔伯特变换：计算其中f(t)为固有模态函数序列，令z(t)＝f(t)+i·y(t)；上式可写为：z(t)＝a(t)·ei·θ(t)；其中固有模态函数序列的瞬时频率为：令H(ω,t)＝H(ω(t),t)＝a(t)，最终，希尔伯特谱为：
3.根据权利要求2所述的日前风力发电预测方法，其特征在于，所述信号残差R1(t)＝P(t)-C1(t)。
4.根据权利要求1或2所述的日前风力发电预测方法，其特征在于，所述NWP气象预测预测数据包括风速、风向、气压、气温和湿度。
5.根据权利要求1所述的日前风力发电预测方法，其特征在于，所述遗传算法优化根据实际风速数据来预测风力发电的训练模型的具体步骤如下：
(1)生成初始种群：随机产生一定数目的初始个体，组成一个种群；
(2)个体评价：计算种群中每个个体的适应度；
(3)选择运算：利用选择算子，按个体适应度选择进入下一代的个体；
(4)交叉运算：按交叉算子进行交叉运算；
(5)变异运算：按变异算子进行变异运算，经过选择、交叉、变异形成下一代种群；
(6)判断是否满足终止条件，是则结束运算，否则进入下一轮迭代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810754491.7A CN109146131A (zh) | 2018-07-11 | 2018-07-11 | 一种日前风力发电预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810754491.7A CN109146131A (zh) | 2018-07-11 | 2018-07-11 | 一种日前风力发电预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109146131A true CN109146131A (zh) | 2019-01-04 |
Family
ID=64800382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810754491.7A Pending CN109146131A (zh) | 2018-07-11 | 2018-07-11 | 一种日前风力发电预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109146131A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934422A (zh) * | 2019-04-25 | 2019-06-25 | 中国人民解放军国防科技大学 | 一种基于时间序列数据分析的神经网络风速预测方法 |
| CN111817313A (zh) * | 2020-07-14 | 2020-10-23 | 国网山东省电力公司电力科学研究院 | 一种基于分频段混合储能的光储容量优化配置方法及系统 |
| 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 |
| CN117041073A (zh) * | 2023-09-05 | 2023-11-10 | 广州天懋信息系统股份有限公司 | 网络行为预测方法、系统、设备及存储介质 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103489041A (zh) * | 2013-09-17 | 2014-01-01 | 国家电网公司 | 一种短期风电功率预测方法 |
| CN104102951A (zh) * | 2014-05-05 | 2014-10-15 | 南方电网科学研究院有限责任公司 | 一种基于emd历史数据预处理的短期风电功率预测方法 |
| CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和系统 |
| CN107392397A (zh) * | 2017-08-25 | 2017-11-24 | 广东工业大学 | 一种短期风速预测方法、装置及系统 |
| CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
| CN107679743A (zh) * | 2017-09-29 | 2018-02-09 | 河北百斛环保科技有限公司 | 一种基于大数据的环保智能执法应急溯源调度管理方法 |
| CN108022025A (zh) * | 2017-12-28 | 2018-05-11 | 华中科技大学 | 一种基于人工神经网络的风速区间预测方法与系统 |
| CN108197423A (zh) * | 2017-12-28 | 2018-06-22 | 华润电力技术研究院有限公司 | 一种测风数据处理系统 |
-
2018
- 2018-07-11 CN CN201810754491.7A patent/CN109146131A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103489041A (zh) * | 2013-09-17 | 2014-01-01 | 国家电网公司 | 一种短期风电功率预测方法 |
| CN104102951A (zh) * | 2014-05-05 | 2014-10-15 | 南方电网科学研究院有限责任公司 | 一种基于emd历史数据预处理的短期风电功率预测方法 |
| CN107133695A (zh) * | 2017-04-28 | 2017-09-05 | 北京天诚同创电气有限公司 | 一种风电功率预测方法和系统 |
| CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
| CN107392397A (zh) * | 2017-08-25 | 2017-11-24 | 广东工业大学 | 一种短期风速预测方法、装置及系统 |
| CN107679743A (zh) * | 2017-09-29 | 2018-02-09 | 河北百斛环保科技有限公司 | 一种基于大数据的环保智能执法应急溯源调度管理方法 |
| CN108022025A (zh) * | 2017-12-28 | 2018-05-11 | 华中科技大学 | 一种基于人工神经网络的风速区间预测方法与系统 |
| CN108197423A (zh) * | 2017-12-28 | 2018-06-22 | 华润电力技术研究院有限公司 | 一种测风数据处理系统 |
Non-Patent Citations (2)
| Title |
|---|
| 夏法锋: "《机械零件表面沉积纳米镀层及测试技术》", 哈尔滨工程大学出版社 * |
| 王伟: "Hilbert-Huang变换及其在非平稳信号分析中的应用研究", 《中国硕士学位论文全文数据库信息科技辑》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109934422A (zh) * | 2019-04-25 | 2019-06-25 | 中国人民解放军国防科技大学 | 一种基于时间序列数据分析的神经网络风速预测方法 |
| CN111817313A (zh) * | 2020-07-14 | 2020-10-23 | 国网山东省电力公司电力科学研究院 | 一种基于分频段混合储能的光储容量优化配置方法及系统 |
| CN111817313B (zh) * | 2020-07-14 | 2022-05-06 | 国网山东省电力公司电力科学研究院 | 一种基于分频段混合储能的光储容量优化配置方法及系统 |
| 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 |
| CN117041073A (zh) * | 2023-09-05 | 2023-11-10 | 广州天懋信息系统股份有限公司 | 网络行为预测方法、系统、设备及存储介质 |
| CN117041073B (zh) * | 2023-09-05 | 2024-05-28 | 广州天懋信息系统股份有限公司 | 网络行为预测方法、系统、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112217202B (zh) | 考虑灵活性投资的分布式新能源、储能与配电网规划方法 | |
| CN110414045B (zh) | 基于vmd-gru的短期风速预测方法 | |
| CN109117951B (zh) | 基于bp神经网络的概率潮流在线计算方法 | |
| CN111353582B (zh) | 一种基于粒子群算法的分布式深度学习参数更新方法 | |
| CN109146131A (zh) | 一种日前风力发电预测方法 | |
| CN109002948B (zh) | 基于cda-bp的微电网短期光伏发电功率预测方法 | |
| CN111222677A (zh) | 一种基于长短期记忆时间神经网络的风速预测方法及系统 | |
| CN105138717A (zh) | 一种动态变异粒子群优化神经网络的变压器状态评估方法 | |
| CN107133695A (zh) | 一种风电功率预测方法和系统 | |
| CN113361761A (zh) | 一种基于误差修正的短期风电功率集成预测方法及系统 | |
| CN102510059A (zh) | 基于bp神经网络的超短期风电功率预测方法 | |
| CN114784823A (zh) | 基于深度确定性策略梯度的微电网频率控制方法及系统 | |
| CN115017787A (zh) | 基于智能算法的风电场电压穿越特性等值建模方法及系统 | |
| CN112182835A (zh) | 一种考虑风电不确定性和储能调节的电力系统可靠性评估方法及系统 | |
| CN117077960A (zh) | 一种区域综合能源系统日前调度优化方法 | |
| CN112836885A (zh) | 组合负荷预测方法、装置、电子设备和存储介质 | |
| CN113705086A (zh) | 一种基于Elman误差修正的超短期风电功率预测方法 | |
| CN116702937A (zh) | 一种基于K-means均值聚类及优化BP神经网络的光伏出力日前预测方法 | |
| CN113435595A (zh) | 基于自然进化策略的极限学习机网络参数两阶段优化方法 | |
| CN110807508A (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
| CN110119842A (zh) | 一种微电网短期负荷预测方法 | |
| CN113326968A (zh) | 基于调整pso惯性权重的母线短期负荷预测方法及装置 | |
| CN109685242B (zh) | 基于Adaboost算法的光伏超短期组合预测方法 | |
| CN107016470A (zh) | 风力发电场风能预测方法和装置 | |
| CN111476402A (zh) | 耦合气象信息与emd技术的风电发电能力预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190104 |