CN109146192A - 一种考虑风电机组运行工况的风电功率预测方法 - Google Patents

一种考虑风电机组运行工况的风电功率预测方法 Download PDF

Info

Publication number
CN109146192A
CN109146192A CN201811016731.XA CN201811016731A CN109146192A CN 109146192 A CN109146192 A CN 109146192A CN 201811016731 A CN201811016731 A CN 201811016731A CN 109146192 A CN109146192 A CN 109146192A
Authority
CN
China
Prior art keywords
wind
meteorological
moment
vector
day
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
Application number
CN201811016731.XA
Other languages
English (en)
Other versions
CN109146192B (zh
Inventor
文贤馗
范强
林呈辉
徐长宝
桂军国
吕黔苏
徐梅梅
顾威
徐玉韬
龙秋风
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN201811016731.XA priority Critical patent/CN109146192B/zh
Publication of CN109146192A publication Critical patent/CN109146192A/zh
Application granted granted Critical
Publication of CN109146192B publication Critical patent/CN109146192B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Probability & Statistics with Applications (AREA)

Abstract

本发明公开了一种考虑风电机组运行工况的风电功率预测方法，它包括获取风电场基础数据、历史数据和预测日数据；对风电场历史气象数据进行归一化处理，形成气象模式向量初始训练样本库ξ；对预测日第k个时刻风电场气象模式向量Ek进行归一化处理后记做Fk；对气象模式向量初始训练样本库ξ进行筛选；构建BP神经网络功率预测模型最终训练样本λk；利用最终训练样本训练BP神经网络功率预测模型；将Fk输入到训练后的模型，得到预测日第k个时刻的功率预测值Pk；解决了高原山区风电场内各台风机受到的地理气象条件均不相同，造成风电功率预测不准确、精度低等问题。

Description

一种考虑风电机组运行工况的风电功率预测方法
技术领域
本发明涉及一种考虑风电机组运行工况的风电功率预测方法，属于风电发电技术领域。
背景技术
近年来，随着我国风电事业的快速发展，尤其在一些西部高原山区地区，比如云南、贵州、四川西部等，虽然总体属于风能资源贫乏区，但局部地形优势使得部分区域的风能资源具有一定的开发价值，越来越多的高原山区风电场投入运行，因此进行风电功率预测是十分必要的。
现有的风电场短期功率预测大多是依据气象预报数据和风电场测风塔提供的各类信息，根据风机功率曲线计算得到单台风电机组的预测功率，再计及风电机组间尾流影响，最后利用多台风电机组的预测功率叠加获得，但这种方法适用于平原地区，不适用于高原山区。这是由于高原山区与平原或丘陵地带不同，平原地区的风电场其风机排布规律，气象数据或者测风塔信息对整个风电场的气象信息描述具有较强的代表性，因此该方法比较有效。但高原山区风电场的风机排布没有统一的规律，分散在不同的山坡上，每个风电机组都处于不同的正向风与山坡回风的叠加之中。风电场内风向风速的微观变化，使得各台风机受到的微观气象条件均不相同，因此气象预报数据和测风塔数据，由于高原山区特殊的地理和气象条件的影响，会变得千差万别，尤其是山脊和山背部位，因此会造成各台风机的出力均不相同，从而造成风电功率预测不准确、精度低等问题。
发明内容：
本发明要解决的技术问题是：提供一种考虑风电机组运行工况的风电功率预测方法，以解决现有技术针对风电功率预测存在的风电功率预测不准确、精度低等问题。
本发明的技术方案是：
一种考虑风电机组运行工况的风电功率预测方法，它包括：
S1：获取风电场基础数据、历史数据和预测日数据；
S2：对风电场历史气象数据进行归一化处理，形成气象模式向量初始训练样本库ξ；
S3:对预测日第k个时刻风电场气象模式向量Ek进行归一化处理，归一化处理后的预测日第k个时刻风电场气象模式向量记做Fk；
S4：考虑风电场风电机组的运行情况，对气象模式向量初始训练样本库ξ进行筛选，形成满足匹配度要求的预测日第k个时刻训练样本库
S5：计算预测日第k个时刻的气象模式向量Fk与训练样本库中的气象模式向量的相似度，根据相似度由高到低排列，从第k个时刻的气象模式向量训练样本库中的气象模式向量选取排名前τ个气象模式向量构建BP神经网络功率预测模型最终训练样本λk；
S6:利用S5得到的BP神经网络功率预测模型最终训练样本λk训练BP神经网络功率预测模型；
S7：将预测日第k个时刻的气象模式向量Fk作为输入，输入到训练好的BP神经网络功率预测模型，BP神经网络功率预测模型的输出量即为预测日第k个时刻的功率预测值Pk。
步骤S1所述的风电场基础数据包括风电场所含风电机组个数，风电机组的编号及对应位置坐标；所述历史数据包括历史气象数据、历史运行数据和历史功率数据；所述历史气象数据包括每台风机所在区域的风速、风向、温度、湿度和气压，时间分辨率为15分钟；历史运行数据包括历史开机容量及开机风电机组对应编号；所述预测日数据包括预测日气象数据，含每台风机所在区域的风速、风向、温度、湿度、气压，时间分辨率为15分钟；预测日开机计划及开机风电机组对应编号。
步骤S2所述对风电场历史气象数据进行归一化处理，形成气象模式向量初始训练样本库ξ的方法包括：
(1)、将获取的风电场历史气象数据，包括风速、风向、温度、湿度和气压进行组合构成风电场气象模式向量，其中第i个时刻风电场气象模式向量记做Yi，表达式为：
Yi＝[Yi(1),Yi(2),Yi(3),Yi(4),Yi(5),Yi(6),Yi(7),Yi(8)]＝[Wsmaxi,Wsmini,cosθi,sinθi,Pi,Hi,tmaxi,tmini]
式中，i＝1,2,...,N表示第i个时刻风电场气象模式向量，将15分钟记做1个时刻；Wsmaxi和Wsmini分别表示第i个时刻风电场气象模式向量中风速的最大值和最小值；cosθi和sinθ分别表示第i个时刻风电场气象模式向量中风向的余弦值和正弦值；Pi表示第i个时刻风电场气象模式向量中气压的平均值；Hi表示第i个时刻风电场气象模式向量中湿度的平均值；tmaxi和tmini分别表示第i个时刻风电场气象模式向量中温度的最大值和最小值；
(2)、将第i个时刻风电场气象模式向量的第j个分量记做Yi(j)，对Yi(j)采取极大极小差值法进行归一化处理，归一化处理后的第i个时刻风电场气象模式向量的第j个分量xi(j)公式为：
式中：m(j)表示N个时刻中风电场气象模式向量中第j个分量的最小值；M(j)表示N个时刻中风电场气象模式向量中第j个分量的最大值；
(3)、将归一化后的第i个时刻风电场气象模式向量记做Xi，并将归一化后的N个时刻的风电场气象模式向量形成气象模式向量初始训练样本库ξ；
Xi＝[xi(1),xi(2),xi(3),xi(4),xi(5),xi(6),xi(7),xi(8)]。
S4所述对气象模式向量初始训练样本库ξ进行筛选，形成满足匹配度要求的预测日第k个时刻训练样本库的方法包括：
(1)、将第i个时刻的开机风电机组的对应编号记做Ci，将预测日第k个时刻的开机风电机组的对应编号记做Dk，第k个时刻的开机风电机组的组数为nk，
(2)、比较Ci和Dk，将开机风电机组的对应编号相同的组数记做rki，
(3)、计算匹配度形成满足匹配度要求的预测日第k个时刻训练样本库匹配度的计算公式为：
若匹配度则将第i个时刻风电场气象模式向量Xi记入满足匹配度要求的预测日第k个时刻气象模式向量构成训练样本库若其匹配度则忽略第i个时刻风电场气象模式向量Xi，不做处理；ε为开机风电机组的匹配度定值，取值范围可取70％～100％。
Xi＝[xi(1),xi(2),xi(3),xi(4),xi(5),xi(6),xi(7),xi(8)]。
S5所述相似度的计算公式为：
式中，Ψk,ki表示预测日第k个时刻的气象模式向量Fk与训练样本库中的气象模式向量的相似度；j表示向量中的第j个分量。
本发明有益效果：
本发明将风电场历史气象数据进行归一化处理后，考虑了风电机组运行工况，通过利用匹配度对预测日的开机情况与历史开机情况进行对比，将匹配度高的风电机组运行工况对应的历史信息对历史气象数据库进行筛选，这样减少功率预测模型的输入量，可以降低大量历史气象数据参与建模时的计算规模和计算量，同时可以减少大量相关性差的历史气象数据在功率预测模型训练时的影响，从而有效解决高原山区风电场内各台风机受到的地理气象条件均不相同，造成风电功率预测不准确、精度低等问题。
具体实施方式：
本发明提出了一种考虑风电机组运行工况的风电功率预测方法，主要包括以下步骤：
S1：获取风电场基础数据、历史数据和预测日气象数据；
(1)风电场基础数据主要包括：风电场所含风电机组个数，风电机组的编号及其对应位置坐标；
(2)风电场历史数据主要包括历史气象数据、历史运行数据和历史功率数据；
其中，历史气象数据包括每台风机所在区域的风速、风向、温度、湿度、气压，时间分辨率为15分钟；历史运行数据包括历史开机容量及开机风电机组对应编号；
(3)获取的预测日数据包括预测日气象数据，含每台风机所在区域的风速、风向、温度、湿度、气压，时间分辨率为15分钟；预测日开机计划及开机风电机组对应编号；
S2：对S1获取的风电场历史气象数据进行归一化处理，形成气象模式向量初始训练样本库ξ；
(1)将S1获取的风电场历史气象数据，包括风速、风向、温度、湿度、气压，进行组合构成风电场气象模式向量，其中第i个时刻风电场气象模式向量记做Yi，其表达式为：
Yi＝[Yi(1),Yi(2),Yi(3),Yi(4),Yi(5),Yi(6),Yi(7),Yi(8)]＝[Wsmaxi,Wsmini,cosθi,sinθi,Pi,Hi,tmaxi,tmini]
其中，i＝1,2,...,N表示第i个时刻风电场气象模式向量，将15分钟记做1个时刻；
Wsmaxi和Wsmini分别表示第i个时刻风电场气象模式向量中风速的最大值和最小值；
cosθi和sinθ分别表示第i个时刻风电场气象模式向量中风向的余弦值和正弦值；
Pi表示第i个时刻风电场气象模式向量中气压的平均值；
Hi表示第i个时刻风电场气象模式向量中湿度的平均值；
tmaxi和tmini分别表示第i个时刻风电场气象模式向量中温度的最大值和最小值；
(2)将第i个时刻风电场气象模式向量的第j个分量记做Yi(j)，对Yi(j)采取极大极小差值法进行归一化处理，归一化处理后的第i个时刻风电场气象模式向量的第j个分量xi(j)见式(1)
其中，m(j)表示N个时刻中风电场气象模式向量中第j个分量的最小值；
M(j)表示N个时刻中风电场气象模式向量中第j个分量的最大值；
(3)将归一化后的第i个时刻风电场气象模式向量记做Xi，并将归一化后的N个时刻的风电场气象模式向量形成气象模式向量初始训练样本库ξ；
Xi＝[xi(1),xi(2),xi(3),xi(4),xi(5),xi(6),xi(7),xi(8)]
S3:按照S2的方法，对预测日第k个时刻风电场气象模式向量Ek进行归一化处理，归一化处理后的预测日第k个时刻风电场气象模式向量记做Fk。
S4：考虑风电场风电机组的运行情况，对气象模式向量初始训练样本库ξ进行筛选；
(1)将第i个时刻的开机风电机组的对应编号记做Ci，
将预测日第k个时刻的开机风电机组的对应编号记做Dk，第k个时刻的开机风电机组的组数为nk，
(2)比较Ci和Dk，将开机风电机组的对应编号相同的组数记做rki，
(3)计算匹配度形成满足匹配度要求的预测日第k个时刻训练样本库
其中，匹配度的计算公式为：
若其匹配度则将第i个时刻风电场气象模式向量Xi记入满足匹配度要求的预测日第k个时刻气象模式向量构成训练样本库
若其匹配度则忽略第i个时刻风电场气象模式向量Xi，不做处理；
其中，ε为开机风电机组的匹配度定值，由用户决定，其取值范围可取70％～100％。
S5：计算预测日第k个时刻的气象模式向量Fk与训练样本库中的气象模式向量的相似度，根据相似度由高到低排列，从第k个时刻的气象模式向量训练样本库中的气象模式向量选取排名前τ个气象模式向量构建BP神经网络功率预测模型最终训练样本λk；
其中，相似度计算公式为：
其中，Ψk,ki表示预测日第k个时刻的气象模式向量Fk与训练样本库中的气象模式向量的相似度；j表示向量中的第j个分量。
S6:建立BP神经网络功率预测模型，并利用S5得到的BP神经网络功率预测模型最终训练样本λk训练BP神经网络功率预测模型；
S7：将预测日第k个时刻的气象模式向量Fk作为输入，输入S6建立的BP神经网络功率预测模型，预测模型的输出量即为预测日第k个时刻的功率预测值Pk。

Claims (5)

1.一种考虑风电机组运行工况的风电功率预测方法，它包括：
S1：获取风电场基础数据、历史数据和预测日数据；
S2：对风电场历史气象数据进行归一化处理，形成气象模式向量初始训练样本库ξ；
S3:对预测日第k个时刻风电场气象模式向量Ek进行归一化处理，归一化处理后的预测日第k个时刻风电场气象模式向量记做Fk；
S4：考虑风电场风电机组的运行情况，对气象模式向量初始训练样本库ξ进行筛选，形成满足匹配度要求的预测日第k个时刻训练样本库
S5：计算预测日第k个时刻的气象模式向量Fk与训练样本库中的气象模式向量的相似度，根据相似度由高到低排列，从第k个时刻的气象模式向量训练样本库中的气象模式向量选取排名前τ个气象模式向量构建BP神经网络功率预测模型最终训练样本λk；
S6:利用S5得到的BP神经网络功率预测模型最终训练样本λk训练BP神经网络功率预测模型；
S7：将预测日第k个时刻的气象模式向量Fk作为输入，输入到训练好的BP神经网络功率预测模型，BP神经网络功率预测模型的输出量即为预测日第k个时刻的功率预测值Pk。
2.根据权利要求1所述的一种考虑风电机组运行工况的风电功率预测方法，其特征在于：步骤S1所述的风电场基础数据包括风电场所含风电机组个数，风电机组的编号及对应位置坐标；所述历史数据包括历史气象数据、历史运行数据和历史功率数据；所述历史气象数据包括每台风机所在区域的风速、风向、温度、湿度和气压，时间分辨率为15分钟；历史运行数据包括历史开机容量及开机风电机组对应编号；所述预测日数据包括预测日气象数据，含每台风机所在区域的风速、风向、温度、湿度、气压，时间分辨率为15分钟；预测日开机计划及开机风电机组对应编号。
3.根据权利要求2所述的一种考虑风电机组运行工况的风电功率预测方法，其特征在于：步骤S2所述对风电场历史气象数据进行归一化处理，形成气象模式向量初始训练样本库ξ的方法包括：
(1)、将获取的风电场历史气象数据，包括风速、风向、温度、湿度和气压进行组合构成风电场气象模式向量，其中第i个时刻风电场气象模式向量记做Yi，表达式为：
Yi＝[Yi(1),Yi(2),Yi(3),Yi(4),Yi(5),Yi(6),Yi(7),Yi(8)]＝[Wsmaxi,Wsmini,cosθi,sinθi,Pi,Hi,tmaxi,tmini]
式中，i＝1,2,...,N表示第i个时刻风电场气象模式向量，将15分钟记做1个时刻；Wsmaxi和Wsmini分别表示第i个时刻风电场气象模式向量中风速的最大值和最小值；cosθi和sinθ分别表示第i个时刻风电场气象模式向量中风向的余弦值和正弦值；Pi表示第i个时刻风电场气象模式向量中气压的平均值；Hi表示第i个时刻风电场气象模式向量中湿度的平均值；tmaxi和tmini分别表示第i个时刻风电场气象模式向量中温度的最大值和最小值；
(2)、将第i个时刻风电场气象模式向量的第j个分量记做Yi(j)，对Yi(j)采取极大极小差值法进行归一化处理，归一化处理后的第i个时刻风电场气象模式向量的第j个分量xi(j)公式为：
式中：m(j)表示N个时刻中风电场气象模式向量中第j个分量的最小值；M(j)表示N个时刻中风电场气象模式向量中第j个分量的最大值；
(3)、将归一化后的第i个时刻风电场气象模式向量记做Xi，并将归一化后的N个时刻的风电场气象模式向量形成气象模式向量初始训练样本库ξ；
Xi＝[xi(1),xi(2),xi(3),xi(4),xi(5),xi(6),xi(7),xi(8)]。
4.根据权利要求1所述的一种考虑风电机组运行工况的风电功率预测方法，其特征在于：S4所述对气象模式向量初始训练样本库ξ进行筛选，形成满足匹配度要求的预测日第k个时刻训练样本库的方法包括：
(1)、将第i个时刻的开机风电机组的对应编号记做Ci，将预测日第k个时刻的开机风电机组的对应编号记做Dk，第k个时刻的开机风电机组的组数为nk，
(2)、比较Ci和Dk，将开机风电机组的对应编号相同的组数记做rki，
(3)、计算匹配度形成满足匹配度要求的预测日第k个时刻训练样本库匹配度的计算公式为：
若匹配度则将第i个时刻风电场气象模式向量Xi记入满足匹配度要求的预测日第k个时刻气象模式向量构成训练样本库若其匹配度则忽略第i个时刻风电场气象模式向量Xi，不做处理；ε为开机风电机组的匹配度定值，取值范围可取70％～100％。
Xi＝[xi(1),xi(2),xi(3),xi(4),xi(5),xi(6),xi(7),xi(8)]。
5.根据权利要求1所述的一种考虑风电机组运行工况的风电功率预测方法，其特征在于：S5所述相似度的计算公式为：
式中，Ψk,ki表示预测日第k个时刻的气象模式向量Fk与训练样本库中的气象模式向量的相似度；j表示向量中的第j个分量。
CN201811016731.XA 2018-09-03 2018-09-03 一种考虑风电机组运行工况的风电功率预测方法 Active CN109146192B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811016731.XA CN109146192B (zh) 2018-09-03 2018-09-03 一种考虑风电机组运行工况的风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811016731.XA CN109146192B (zh) 2018-09-03 2018-09-03 一种考虑风电机组运行工况的风电功率预测方法

Publications (2)

Publication Number Publication Date
CN109146192A true CN109146192A (zh) 2019-01-04
CN109146192B CN109146192B (zh) 2021-09-03

Family

ID=64826186

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811016731.XA Active CN109146192B (zh) 2018-09-03 2018-09-03 一种考虑风电机组运行工况的风电功率预测方法

Country Status (1)

Country Link
CN (1) CN109146192B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785215A (zh) * 2019-03-05 2019-05-21 重庆工商大学融智学院 一种基于生态环境空间大数据的生态安全格局构建方法
CN112528560A (zh) * 2020-12-04 2021-03-19 贵州电网有限责任公司 一种用于风力发电机并网检测的风机输出模拟方法
CN112651542A (zh) * 2020-09-29 2021-04-13 北京金风慧能技术有限公司 气象预报数据处理方法和气象预报数据处理装置
CN113822418A (zh) * 2021-09-24 2021-12-21 中节能风力发电股份有限公司 一种风电场功率预测方法、系统、设备和存储介质
CN113988394A (zh) * 2021-10-21 2022-01-28 中国电建集团华东勘测设计研究院有限公司 基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法
CN114048930A (zh) * 2022-01-13 2022-02-15 广东电网有限责任公司揭阳供电局 一种超短期风电功率预测方法和装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103138294A (zh) * 2013-03-25 2013-06-05 国电联合动力技术有限公司 一种大型风电机组在微电网系统中的运行控制方法
CN104616087A (zh) * 2015-03-11 2015-05-13 国家电网公司 考虑天气因素和风速连续性的风电场输出功率预测方法
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
CN106529741A (zh) * 2016-12-12 2017-03-22 国网电力科学研究院 一种基于空间相关特征的超短期风电功率预测方法
CN106779203A (zh) * 2016-12-08 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于不同风速段的高原山区风电功率预测方法
CN107330251A (zh) * 2017-06-10 2017-11-07 华南理工大学 一种基于云遗传算法的风功率预测方法
JP2018007312A (ja) * 2016-06-27 2018-01-11 藤崎電機株式会社 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法
CN107609697A (zh) * 2017-09-06 2018-01-19 南京邮电大学 一种风力发电功率预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103138294A (zh) * 2013-03-25 2013-06-05 国电联合动力技术有限公司 一种大型风电机组在微电网系统中的运行控制方法
CN104616087A (zh) * 2015-03-11 2015-05-13 国家电网公司 考虑天气因素和风速连续性的风电场输出功率预测方法
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
JP2018007312A (ja) * 2016-06-27 2018-01-11 藤崎電機株式会社 発電電力予測装置、サーバ、コンピュータプログラム及び発電電力予測方法
CN106779203A (zh) * 2016-12-08 2017-05-31 贵州电网有限责任公司电力科学研究院 一种基于不同风速段的高原山区风电功率预测方法
CN106529741A (zh) * 2016-12-12 2017-03-22 国网电力科学研究院 一种基于空间相关特征的超短期风电功率预测方法
CN107330251A (zh) * 2017-06-10 2017-11-07 华南理工大学 一种基于云遗传算法的风功率预测方法
CN107609697A (zh) * 2017-09-06 2018-01-19 南京邮电大学 一种风力发电功率预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785215A (zh) * 2019-03-05 2019-05-21 重庆工商大学融智学院 一种基于生态环境空间大数据的生态安全格局构建方法
CN112651542A (zh) * 2020-09-29 2021-04-13 北京金风慧能技术有限公司 气象预报数据处理方法和气象预报数据处理装置
CN112528560A (zh) * 2020-12-04 2021-03-19 贵州电网有限责任公司 一种用于风力发电机并网检测的风机输出模拟方法
CN113822418A (zh) * 2021-09-24 2021-12-21 中节能风力发电股份有限公司 一种风电场功率预测方法、系统、设备和存储介质
CN113988394A (zh) * 2021-10-21 2022-01-28 中国电建集团华东勘测设计研究院有限公司 基于格拉姆矩阵和卷积神经网络的风电超短期功率预测方法
CN114048930A (zh) * 2022-01-13 2022-02-15 广东电网有限责任公司揭阳供电局 一种超短期风电功率预测方法和装置

Also Published As

Publication number Publication date
CN109146192B (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN109146192A (zh) 一种考虑风电机组运行工况的风电功率预测方法
Shi et al. Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features
CN105184423B (zh) 一种风电场集群风速预测方法
Mabel et al. Estimation of energy yield from wind farms using artificial neural networks
CN103268366A (zh) 一种适用于分散式风电场的组合风电功率预测方法
CN108428017A (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
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN106779201B (zh) 一种考虑高原山区风机位置的风速建模方法
CN110298411A (zh) 一种城市群生态空间受损识别评价方法
CN106779203B (zh) 一种基于不同风速段的高原山区风电功率预测方法
CN104299044A (zh) 基于聚类分析的风功率短期预测系统及预测方法
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
CN103489046A (zh) 风电场短期功率预测方法
CN103473621A (zh) 风电场短期功率预测方法
CN110263998B (zh) 多源数值天气预报集合双层修正方法
CN103942736B (zh) 一种风电场多机等值建模方法
US20240054267A1 (en) Method for planning a layout of a renewable energy site
CN114429053B (zh) 流域尺度wefe系统适配性模拟优化方法
CN105512766A (zh) 一种风电场功率预测方法
CN107895202A (zh) 基于多视角风速模式挖掘的短期风速预测方法
CN114462718A (zh) 基于时间滑动窗口的cnn-gru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
CN114139760A (zh) 一种预测台风路径的方法、系统、存储介质及设备
CN110991701A (zh) 一种基于数据融合的风电场风机风速预测方法及系统
CN115907268A (zh) 一种集合预报气象资源综合管理方法及系统

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