CN109193791A - 一种基于改进shapley值的风电汇聚趋势性分状态量化方法 - Google Patents
一种基于改进shapley值的风电汇聚趋势性分状态量化方法 Download PDFInfo
- Publication number
- CN109193791A CN109193791A CN201811334912.7A CN201811334912A CN109193791A CN 109193791 A CN109193791 A CN 109193791A CN 201811334912 A CN201811334912 A CN 201811334912A CN 109193791 A CN109193791 A CN 109193791A
- Authority
- CN
- China
- Prior art keywords
- wind
- electricity generation
- powered electricity
- prediction
- continuous output
- 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
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 163
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000013139 quantization Methods 0.000 title claims abstract description 11
- 230000000694 effects Effects 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims abstract description 6
- 238000004445 quantitative analysis Methods 0.000 claims abstract description 6
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000000611 regression analysis Methods 0.000 claims description 4
- 238000012067 mathematical method Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims 1
- 238000013277 forecasting method Methods 0.000 abstract description 9
- 230000005540 biological transmission Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001269238 Data Species 0.000 description 1
- 238000000418 atomic force spectrum Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- H02J3/386—
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/70—Wind energy
- Y02E10/76—Power conversion electric or electronic aspects
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种基于改进shapley值的风电汇聚趋势性分状态量化方法,针对仅利用测风数据及气象数据对汇聚效应预测精度较低、传统shapley值法在单一模型预测结果偏差过大时仍参与组合的问题,本发明基于改进shapley值法对风电汇聚效应的趋势性进行量化分析,在对不同风电输出状态量化分析的基础上,得到各风电输出状态下的风电持续出力曲线,进而构建基于汇聚特性分析的风电持续出力曲线分状态组合预测模型,并建立预测精度评价体系。相对于单一的预测模型,风电持续出力曲线的分状态组合预测方法能更准确地描述风电汇聚的趋势,为风电基地扩建后的外送输电容量规划提供一定的理论依据。
Description
技术领域
本发明涉及风电技术领域,是一种基于改进shapley值的风电汇聚趋势性分状态量化方法。
背景技术
风电作为最具商业化开发利用的可再生能源发电形式,是解决我国以及当今世界能源、环境危机的重要途径。近年来在我国一直保持快速发展态势,大规模风电场群集群外送输电已成定势。目前,我国已在甘肃酒泉、新疆哈密、河北、吉林、内蒙古、江苏沿海、山东、黑龙江、山西等风能资源丰富地区,投建了数个千万千瓦级风电基地。2018年1-6月新增并网风电装机794万千瓦,累计并网装机容量达到1.716亿千瓦。
通过各类不同角度的研究可发现,各风电机组出力之间具有平抑效果,随着风电集群规模的增大,风电输出功率波动逐渐变缓,风电输出功率表现出“汇聚(平滑)效应”,而这正是大规模风电场群与单机或单个风场波动特性不同的主要原因,也是进一步研究风电联网相关影响的重要前提。
现有方法大多基于实测数据的统计性分析来得到汇聚效应这一现象及其表征手段,而仅利用测风数据及气象数据对汇聚效应(如风电持续出力曲线)的预测精度较低。为此,本发明提出一种风电持续出力曲线分状态组合预测方法,用于分析不同汇聚规模下的风电持续出力曲线在各风电输出状态内的趋势性变化,进而得到汇聚效应的变化趋势量化方法,最后通过基于实测数据的实施案例对其有效性进行验证。
发明内容
本发明所要解决的技术问题是:提出一种科学合理,适用性强,效果佳的基于改进shapley值的风电汇聚趋势性分状态量化方法,采用改进的shapley值法确定预测模型中的权重系数,避免传统shapley值法在单一模型预测结果偏差过大时仍参与组合的现象,基于实测数据对模型有效性进行检验;实施案例表明,相对于单一的预测模型,风电持续出力曲线的分状态组合预测方法能较更准确地描述风电汇聚的趋势。
本发明的目的是由以下技术方案来是实现的:一种基于改进shapley值的风电汇聚趋势性分状态量化方法,其特征是,在对不同风电输出状态量化分析的基础上,得到各风电输出状态下的风电持续出力曲线,进而构建基于汇聚特性分析的风电持续出力曲线分状态组合预测模型,并建立预测精度评价体系,具体包括以下步骤:
1)对风电持续出力曲线分状态进行划分
风电场群的汇聚效应可以由风电持续出力曲线来描述,直接对风电持续出力曲线变化的趋势性进行预测,会增加预测的难度且预测精度下降;为此,采用分段线性化的方式来提升预测精度,分段点的选取依据风电功率区间;
将风电功率的输出范围等分为若干个风电功率区间,每一个风电功率区间代表一个风电输出状态;设某风电场的风电装机容量为P,将此风电场的输出功率范围进行K等分,第k(1,2,…,K)个风电输出状态对应的风电功率的输出范围为(Pk,min,Pk,max],其计算公式为(1)式:
为了把握各风电输出状态内风电持续出力曲线的变化趋势,需要对风电持续出力曲线合理划分风电输出状态,对于风电场的加入顺序为:以某风电场为中心向四周发散集群,得到各风电输出状态持续出力曲线;
2)风电持续出力曲线分状态组合预测模型
各风电输出状态下的风电持续出力曲线皆趋于线性,对风电持续出力曲线划分为K个风电输出状态,记第k个风电输出状态下的风电持续出力最大值为Pk,max,风电持续出力最小值为Pk,min,风电输出状态内的非零值个数,即等效持续出力时间为Nk,自变量为x,则风电输出状态k内的风电持续出力曲线的计算公式为(2)式:
将各个风电输出状态下的风电持续出力曲线进行依次拼接,得到风电持续出力曲线模型,其计算公式为(3)式:
式中:Pi,max为第i个风电输出状态下的出力最大值;uk为0-1变量;
由(3)式可见,预测的关键在于等效持续出力时间以及风电持续出力极值的确定,针对同一个问题,采用两种以上的预测方法进行预测,可以综合各个方法的信息,尽可能的提高预测精度,称之为组合预测;利用回归分析、灰色系统、神经网络三种预测方法进行组合预测模型的建立,其计算公式为(4)式:
Yk=ωAkYAk+ωBkYBk+ωCkYCk (4)
式中:Yk为风电输出状态k下的组合预测值;
ωAk、ωBk、ωCk分别为回归分析、灰色系统、神经网络三种预测方法在风电输出状态k下的权重;YAk、YBk、YCk分别为三种预测方法在风电输出状态k下的预测值;
shapley值法用于解决多人合作对策问题的数学方法,实现的是每个合作成员对该合作联盟的贡献大小,具体算法为:
设三种预测误差分别为F1、F2、F3,根据shapley值法的概念,参与组合预测的“合作关系”的成员为S=(1,2,3),它的所有子集的组合误差值分别为E(1)、E(2)、E(3)、E(1,2)、E(1,3)、E(2,3)、E(1,2,3),求法为(5)式:
各个预测方法对应的权重为(6)式:
在某个风电输出状态内,若某种预测方法误差过大,shapley值法将赋予其负权值,即此种预测方法不适合参与组合预测;采用改进的shapley值法进行权重分配,改进在于舍弃被赋予负值的预测方法,对其余的预测方法组合并对权重进行重新分配,进而避免了某种预测方法在预测偏差较大时仍参与组合预测的情况;
3)预测精度指标评价体系
为检验各个风电输出状态,预测风电持续出力曲线的精度,采用(7)式-(11)式对预测曲线精度进行评价:
①指标准确度
预测的关键在于各个风电输出状态内的风电持续出力最大值以及等效持续出力时间的确定,对于等效持续出力时间,在风电输出状态k下,该指标的准确度计算公式为(7)式:
Fk=Yk-Tk (7)
式中:Fk为预测绝对误差;Yk为组合预测值;Tk为实际值;
εk=(1-Fk/Tk)×100% (8)
式中:εk为该指标的准确度,单位:%;
②风电持续出力曲线预测精度
为了量化预测曲线与实际持续出力曲线的误差,建立以下两个误差评价指标:
绝对距离D:用于量化两条曲线间的整体误差大小,计算公式为(9)式:
式中:Xj、Yj分别表示风电实际持续出力曲线、风电预测持续出力曲线在第j个位置的数值;N为总数据点个数;
③一阶差分波动率var:用于量化两条曲线在各个位置的误差波动情况,计算公式为(10)式-(11)式:
式中:dj为两条曲线在第j个位置的偏差;为dj的均值;
本发明的一种基于改进shapley值的风电汇聚趋势性分状态量化方法,针对仅利用测风数据及气象数据对汇聚效应预测精度较低、传统shapley值法在单一模型预测结果偏差过大时仍参与组合的问题,本发明基于改进shapley值法对风电汇聚效应的趋势性进行量化分析,在对不同风电输出状态量化分析的基础上,得到各风电输出状态下的风电持续出力曲线,进而构建基于汇聚特性分析的风电持续出力曲线分状态组合预测模型,并建立预测精度评价体系。相对于单一的预测模型,风电持续出力曲线的分状态组合预测方法能更准确地描述风电汇聚的趋势,为风电基地扩建后的外送输电容量规划提供一定的理论依据。具有方法科学合理,适用性强,效果佳等优点。
附图说明
图1是重构持续出力曲线示意图;
图2是重构持续出力曲线误差示意图;
图3是风电出力最大值的预测与实际对比示意图;
图4是风电持续出力曲线预测精度的绝对距离指标示意图;
图5是风电持续出力曲线预测精度的一阶差分波动率指标示意图;
图6是含20风电场的场群风电持续出力预测曲线示意图。
具体实施方式
下面利用附图和实施案例对本发明一种基于改进shapley值的风电汇聚趋势性分状态量化方法作进一步说明。
本实施案例基于2012年东北某风电场群实测数据(据调度部门的记录,该年度限风次数少,风电数据能较好的反映风能自然情况)。该场群含20个风电场,总装机容量为2649.428MW,数据采样时间间隔为5分钟。算例以该场群10个风电场数据为基础,利用组合预测方法研究风电持续出力曲线随汇聚规模增大的变化趋势,并以另10个风电场的数据对组合预测方法的有效性进行验证。
1.对风电持续出力曲线分状态进行划分
风电输出状态划分数目过少,重构曲线与实际曲线偏差过大,不能很好的反映风电持续出力曲线的特性,由此预测得到的各个指标的数值不准确、风电持续出力曲线预测精度不高;风电输出状态划分数目越多,各风电输出状态内的风电持续出力曲线皆趋于线性,由风电最大、最小持续出力值、等效持续出力时间(两点定直线)重构的风电持续出力曲线能够极好的反映实际曲线的特性,但是会增加算法的复杂度且运算时间过长。以装机容量为400.5MW的吉林向阳风场为例,不同数目的状态划分K下,重构风电持续出力曲线与实际曲线的对比如图1所示。
由图2易知:1、3、5状态划分下,重构风电持续出力曲线与实际曲线偏差较大,而10、15、20风电输出状态划分下,重构风电持续出力曲线与实际曲线十分接近。根据公式(10)量化重构风电持续出力曲线与实际曲线之间的整体误差,结果如图3所示。
由图3可知,随着风电输出状态划分数目的增多,重构曲线与实际曲线愈发相近;数目超过10后,重构精度有所提高,但并十分显著。综合考虑重构精度及算法复杂度,本发明的算例部分对风电输出功率等分为10个状态。
2.风电持续出力曲线分状态组合预测
预测的关键在于对各风电输出状态下的等效持续出力时间以及风电出力最大值的确定:
(1)等效持续出力时间的预测
本发明以各风电输出状态内的出力非零点个数等效持续出力时间,根据各风电输出状态下实际出力非零点个数,得到三种方法在各个风电输出状态下的预测绝对误差如表1所示。
表1各风电输出状态出力非零个数预测绝对误差
由传统shapley值法定权得到各风电输出状态下的组合预测模型权重如表2所示。
表2三种方法非零个数预测的权重(传统shapley值法)
由表2知:风电输出状态1、2、8的组合预测模型中,存在权重系数为负的预测方法,经过本发明提出的改进shapley值法进行重新定权,得到各预测方法在模型中的权重系数如表3所示。
表3三种方法非零个数预测的权重(改进shapley值法)
在改进的shapley值法定权的组合预测模型下,各风电输出状态出力非零个数的组合预测值如表4。
表4不同汇聚规模下各风电输出状态非零个数组合预测值(11-20场)
(1)风电出力最大值预测
对场群内的10个风场进行集群,拟合精度指标计算结果如表5所示。
表5拟合精度指标计算结果
三种方法的风电出力最大值预测绝对误差及权重系数如表6所示。
表6三种方法出力最大值绝对误差及权重系数
此过程中,未出现偏差过大的预测方法,shapley值法确定的权重与改进后确立权重一致。在此权值下的组合预测模型中,风电出力最大值的预测值与实际值对比如图3所示。
由图3可知:相对于单一的预测方法,组合预测方法对风电出力最大值的预测更接近实际值。
3.分状态组合预测精度检验
(1)等效持续出力时间预测准确度
改进前后shapley值法下的组合模型与单独模型在等效持续时间预测的准确度对比如表7所示。
表7等效持续出力时间预测准确度
由上表可知:除风电输出状态1、4、7外,传统shapley值法组合预测模型的准确度皆处于最优,且前6个风电输出状态的组合预测准确度皆达到了93%以上;改进的shapley值法组合预测模型准确度得到提升,风电输出状态1、8的效果显著;风电输出状态8的预测准确度较低主要原因有二:其一,此风电输出状态下的组合模型中存在预测效果较差的预测方法,如神经网络模型预测偏差较大,精度为-514.7%;其二,此风电输出状态下的等效持续出力时间较短,较小的偏差亦可带来巨大的预测偏差,但由于等效持续时间短,一定误差允许范围内对电网规划等方面带来的影响亦较小。
(2)风电出力最大值预测准确度
组合模型与单独模型在风电出力最大值上的预测准确度对比如表8所示。
表8风电出力最大值预测准确度
由上表易知:组合预测模型在风电出力最大值的预测上具有明显的优势。
(3)风电持续出力曲线预测精度
通过对绝对距离D以及一阶差分波动率var的计算,得到不同方法下的风电持续出力曲线预测精度结果如图4所示。
由图4可知:三种单独的预测方法中,神经网络对于风电持续出力曲线的预测效果较好,风电预测持续出力曲线与实际曲线的绝对距离最小,接近组合预测方法;组合预测方法在两个指标上皆占据优势,即更利于准确把握风电持续出力曲线的趋势线变化。
以含20个风电场的场群为例,绘制风电持续出力预测曲线如图5所示。
风电持续出力预测曲线精度结果如表9所示。
表9风电持续出力曲线预测精度
联合图6、表9可知:针对此规模场群,相对于单一的预测模型,组合预测方法下的风电持续出力预测曲线与实际曲线保持了更好的一致性。
需指出的是,上述结果针对当前算例有效,若采用其他地区风电数据,本发明方法仍适用,但汇聚趋势分析的结论可能会有不同,这取决于当地的风资源特性。
本发明实施案例中的计算条件、图例等仅用于对本发明作进一步的说明,并非穷举,并不构成对权利要求保护范围的限定,本领域技术人员根据本发明实施案例获得的启示,不经过创造性劳动就能够想到其它实质上等同的替代,均在本发明保护范围内。
Claims (1)
1.一种基于改进shapley值的风电汇聚趋势性分状态量化方法,其特征是,在对不同风电输出状态量化分析的基础上,得到各风电输出状态下的风电持续出力曲线,进而构建基于汇聚特性分析的风电持续出力曲线分状态组合预测模型,并建立预测精度评价体系,具体包括以下步骤:
1)对风电持续出力曲线分状态进行划分
风电场群的汇聚效应可以由风电持续出力曲线来描述,直接对风电持续出力曲线变化的趋势性进行预测,会增加预测的难度且预测精度下降;为此,采用分段线性化的方式来提升预测精度,分段点的选取依据风电功率区间;
将风电功率的输出范围等分为若干个风电功率区间,每一个风电功率区间代表一个风电输出状态;设某风电场的风电装机容量为P,将此风电场的输出功率范围进行K等分,第k(1,2,…,K)个风电输出状态对应的风电功率的输出范围为(Pk,min,Pk,max],其计算公式为(1)式:
为了把握各风电输出状态内风电持续出力曲线的变化趋势,需要对风电持续出力曲线合理划分风电输出状态,对于风电场的加入顺序为:以某风电场为中心向四周发散集群,得到各风电输出状态持续出力曲线;
2)风电持续出力曲线分状态组合预测模型
各风电输出状态下的风电持续出力曲线皆趋于线性,对风电持续出力曲线划分为K个风电输出状态,记第k个风电输出状态下的风电持续出力最大值为Pk,max,风电持续出力最小值为Pk,min,风电输出状态内的非零值个数,即等效持续出力时间为Nk,自变量为x,则风电输出状态k内的风电持续出力曲线的计算公式为(2)式:
将各个风电输出状态下的风电持续出力曲线进行依次拼接,得到风电持续出力曲线模型,其计算公式为(3)式:
式中:Pi,max为第i个风电输出状态下的出力最大值;uk为0-1变量;
由(3)式可见,预测的关键在于等效持续出力时间以及风电持续出力极值的确定,针对同一个问题,采用两种以上的预测方法进行预测,可以综合各个方法的信息,尽可能的提高预测精度,称之为组合预测;利用回归分析、灰色系统、神经网络三种预测方法进行组合预测模型的建立,其计算公式为(4)式:
Yk=ωAkYAk+ωBkYBk+ωCkYCk (4)
式中:Yk为风电输出状态k下的组合预测值;
ωAk、ωBk、ωCk分别为回归分析、灰色系统、神经网络三种预测方法在风电输出状态k下的权重;YAk、YBk、YCk分别为三种预测方法在风电输出状态k下的预测值;
shapley值法用于解决多人合作对策问题的数学方法,实现的是每个合作成员对该合作联盟的贡献大小,具体算法为:
设三种预测误差分别为F1、F2、F3,根据shapley值法的概念,参与组合预测的“合作关系”的成员为S=(1,2,3),它的所有子集的组合误差值分别为E(1)、E(2)、E(3)、E(1,2)、E(1,3)、E(2,3)、E(1,2,3),求法为(5)式:
各个预测方法对应的权重为(6)式:
在某个风电输出状态内,若某种预测方法误差过大,shapley值法将赋予其负权值,即此种预测方法不适合参与组合预测;采用改进的shapley值法进行权重分配,改进在于舍弃被赋予负值的预测方法,对其余的预测方法组合并对权重进行重新分配,进而避免了某种预测方法在预测偏差较大时仍参与组合预测的情况;
3)预测精度指标评价体系
为检验各个风电输出状态,预测风电持续出力曲线的精度,采用(7)式-(11)式对预测曲线精度进行评价:
①指标准确度
预测的关键在于各个风电输出状态内的风电持续出力最大值以及等效持续出力时间的确定,对于等效持续出力时间,在风电输出状态k下,该指标的准确度计算公式为(7)式:
Fk=Yk-Tk (7)
式中:Fk为预测绝对误差;Yk为组合预测值;Tk为实际值;
εk=(1-Fk/Tk)×100% (8)
式中:εk为该指标的准确度,单位:%;
②风电持续出力曲线预测精度
为了量化预测曲线与实际持续出力曲线的误差,建立以下两个误差评价指标:
绝对距离D:用于量化两条曲线间的整体误差大小,计算公式为(9)式:
式中:Xj、Yj分别表示风电实际持续出力曲线、风电预测持续出力曲线在第j个位置的数值;N为总数据点个数;
③一阶差分波动率var:用于量化两条曲线在各个位置的误差波动情况,计算公式为(10)式-(11)式:
式中:dj为两条曲线在第j个位置的偏差;为dj的均值;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811334912.7A CN109193791B (zh) | 2018-11-10 | 2018-11-10 | 一种基于改进shapley值的风电汇聚趋势性分状态量化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811334912.7A CN109193791B (zh) | 2018-11-10 | 2018-11-10 | 一种基于改进shapley值的风电汇聚趋势性分状态量化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109193791A true CN109193791A (zh) | 2019-01-11 |
CN109193791B CN109193791B (zh) | 2021-05-25 |
Family
ID=64939117
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811334912.7A Active CN109193791B (zh) | 2018-11-10 | 2018-11-10 | 一种基于改进shapley值的风电汇聚趋势性分状态量化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109193791B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110401224A (zh) * | 2019-08-01 | 2019-11-01 | 高东锋 | 一种基于分场景风电汇聚趋势预测方法及系统 |
CN111242210A (zh) * | 2020-01-09 | 2020-06-05 | 南京工程学院 | 基于改进Shapley值模型的短期负荷预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097828A (zh) * | 2010-12-30 | 2011-06-15 | 中国电力科学研究院 | 一种基于功率预测的风电优化调度方法 |
CN103473438A (zh) * | 2013-08-15 | 2013-12-25 | 国家电网公司 | 风功率预测模型优选及修正方法 |
CN106295857A (zh) * | 2016-07-29 | 2017-01-04 | 电子科技大学 | 一种风电功率超短期预测方法 |
CN106877397A (zh) * | 2017-03-22 | 2017-06-20 | 燕山大学 | 一种考虑需求侧响应的基于博弈论的主动配电网孤岛恢复方法 |
CN107403244A (zh) * | 2017-08-29 | 2017-11-28 | 河海大学 | 基于人工神经网络改进灰色模型的短期风速预测方法 |
-
2018
- 2018-11-10 CN CN201811334912.7A patent/CN109193791B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102097828A (zh) * | 2010-12-30 | 2011-06-15 | 中国电力科学研究院 | 一种基于功率预测的风电优化调度方法 |
CN103473438A (zh) * | 2013-08-15 | 2013-12-25 | 国家电网公司 | 风功率预测模型优选及修正方法 |
CN106295857A (zh) * | 2016-07-29 | 2017-01-04 | 电子科技大学 | 一种风电功率超短期预测方法 |
CN106877397A (zh) * | 2017-03-22 | 2017-06-20 | 燕山大学 | 一种考虑需求侧响应的基于博弈论的主动配电网孤岛恢复方法 |
CN107403244A (zh) * | 2017-08-29 | 2017-11-28 | 河海大学 | 基于人工神经网络改进灰色模型的短期风速预测方法 |
Non-Patent Citations (4)
Title |
---|
叶晨: "风电功率组合预测研究", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
李进: "基于模型优选的风电功率融合预测模型", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
杨茂,张强: "风电功率超短期预测误差的非参数估计分布研究", 《东北电力大学学报》 * |
韩杏宁,黎嘉明,文劲宇,谢海莲,岳程燕: "风电功率状态的时域概率特性研究", 《电力系统保护与控制》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110401224A (zh) * | 2019-08-01 | 2019-11-01 | 高东锋 | 一种基于分场景风电汇聚趋势预测方法及系统 |
CN111242210A (zh) * | 2020-01-09 | 2020-06-05 | 南京工程学院 | 基于改进Shapley值模型的短期负荷预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109193791B (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104978608B (zh) | 一种风电功率预测装置及预测方法 | |
CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
Mabel et al. | Estimation of energy yield from wind farms using artificial neural networks | |
CN109740953A (zh) | 一种风电机组的实时状态评估方法 | |
CN102567636B (zh) | 基于相关向量机的高精度风电场功率区间预测方法 | |
CN105654207A (zh) | 基于风速、风向信息的风电功率预测方法 | |
CN107609697B (zh) | 一种风力发电功率预测方法 | |
CN106505631B (zh) | 智能风电风功率预测系统 | |
CN107394809B (zh) | 基于风速时间周期特征的风电并网系统风险评估方法 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN104133989B (zh) | 计及覆冰损失的风电场时序输出功率计算方法 | |
CN112968441B (zh) | 一种应用于大规模风电基地的电网规划方法 | |
CN105512766A (zh) | 一种风电场功率预测方法 | |
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 | |
CN109167387A (zh) | 风场风电功率预测方法 | |
CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
CN106130066A (zh) | 一种用于独立微电网系统的多目标鲁棒频率控制方法 | |
CN109193791A (zh) | 一种基于改进shapley值的风电汇聚趋势性分状态量化方法 | |
CN112633632A (zh) | 一种基于信号分解技术的集成短期风电集群功率预测方法 | |
Syu et al. | Ultra-short-term wind speed forecasting for wind power based on gated recurrent unit | |
CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
Zuo et al. | A review of optimization technologies for large-scale wind farm planning with practical and prospective concerns | |
CN110147908A (zh) | 一种基于三维最优相似度与改进布谷鸟算法的风电功率预测方法 | |
CN108832623A (zh) | 一种物理-统计混合两阶段风电功率预测方法 |
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 |