CN109274124B - 基于场景马尔科夫法的风电就地消纳能力预测方法 - Google Patents
基于场景马尔科夫法的风电就地消纳能力预测方法 Download PDFInfo
- Publication number
- CN109274124B CN109274124B CN201811398899.1A CN201811398899A CN109274124B CN 109274124 B CN109274124 B CN 109274124B CN 201811398899 A CN201811398899 A CN 201811398899A CN 109274124 B CN109274124 B CN 109274124B
- Authority
- CN
- China
- Prior art keywords
- power
- wind
- wind speed
- scene
- local
- 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 81
- 238000010521 absorption reaction Methods 0.000 claims abstract description 24
- 238000010248 power generation Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000007704 transition Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- ZZUFCTLCJUWOSV-UHFFFAOYSA-N furosemide Chemical compound C1=C(Cl)C(S(=O)(=O)N)=CC(C(O)=O)=C1NCC1=CC=CO1 ZZUFCTLCJUWOSV-UHFFFAOYSA-N 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 6
- 230000000875 corresponding effect Effects 0.000 description 5
- 230000001932 seasonal effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
Images
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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- 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
- Wind Motors (AREA)
Abstract
基于场景马尔科夫法的风电就地消纳能力预测方法,涉及新能源与高效节能技术领域。本发明是为了解决现有技术手段对风电就地消纳能力预测的准确率低的问题。步骤一、预测下一时刻风速的风电出力和预测下一时刻的电力负荷;步骤二、基于预测出的下一时刻风速的风电出力和预测出的下一时刻的电力负荷,结合本地区电源发电出力、电网电力外送和电网电力输入情况,获得风电就地消纳能力。它用于对风电就地消纳能力进行预测。
Description
技术领域
本发明涉及一种基于场景马尔科夫法的提高风电就地消纳能力预测方法,属于新能源与高效节能技术领域。
背景技术
风力资源,是我国重要的可再生能源。随着对清洁可再生能源需求的不断增强,风电一直保持着较快的发展速度。现有的风电装机容量大、风电渗透率高,所以,现在利用可再生能源进行就地消纳是当前风电快速发展过程中需要解决的主要问题,
然而由于各地区的季节特征不同且电力负荷分布不均,导致许多地区出现风电就地消纳困难,弃风弃光现象严重,已严重制约了可再生能源的健康发展。现有缺少能够对风电就地消纳能力进行准确预测的方法,准确的预测地区短时(1至4小时)风电就地消纳能力,可为合理制定风电消纳计划、采取准确风电消纳措施提供数据依托。
发明内容
本发明是为了解决现有技术手段对风电就地消纳能力预测的准确率低的问题。现提供基于场景马尔科夫法的风电就地消纳能力预测方法。
基于场景马尔科夫法的风电就地消纳能力预测方法,所述方法包括以下步骤:
步骤一、预测下一时刻风速的风电出力和预测下一时刻的电力负荷:
预测下一时刻风速的风电出力的过程为:
统计本地区历史风速数据和影响该风速数据的历史天气因素,将历史天气因素分为若干天气场景,利用场景分析法将历史风速数据归入相应的场景内,利用马尔科夫法,获得各场景内历史风速的转移矩阵;
根据各场景内历史风速的转移概率和风机发电特性,建立风速与风电出力数学关系模型;
根据风速与风电出力数学关系模型和当前时刻风场内的风机数量及风机的电出力功率,利用马尔科夫法预测下一时刻风速的风电出力;
预测下一时刻的电力负荷:
统计本地区历史电力负荷数据和影响负荷数据的历史天气数据,将历史天气数据分为若干天气场景,并将历史天气数据归入每个场景内,利用马尔科夫法,获得各场景下的本地区电力负荷转移矩阵;
根据各场景下的本地区电力负荷转移矩阵和当前时刻电力负荷数据,利用马尔科夫法预测本地区内下一时刻的电力负荷;
步骤二、基于预测出的下一时刻风速的风电出力和预测出的下一时刻的电力负荷,结合本地区电源发电出力、电网电力外送和电网电力输入情况,获得风电就地消纳能力。
本申请的有益效果为:
本申请通过获取地区风机轮毂高度历史风速数据,以历史风速数据为依托,实现短时风速预测;建立风速-风电功率数学转换模型,实现风速预测向风电出力预测的转换;获取地区电力负荷历史数据,以历史电力负荷数据为依托,实现短时电力负荷预测;获取地区历史天气数据包括降水、温度数据,根据历史天气数据,设定相应场景,丰富历史风速数据和电力负荷数据的样本分类;在各场景中利用马尔科夫预测模型对地区短时风电出力和电力负荷进行预测,提高预测精度;基于风电出力和电力负荷预测结果,结合地区传统电源发电及电网外送、输入情况,计算风电就地消纳能力。
本申请采用场景分析法,对风速、电力负荷数据进行分类,丰富了风速和电力负荷数据的样本类别;并且基于场景分析法,在各场景内利用马尔科夫预测模型提高了短时风速及电力负荷的预测精度;
本申请的基于场景马尔科夫法的短时风电就地消纳能力预测方法可提高风电就地消纳预测水平,为制定风电消纳计划和措施提供可信数据基础。相比现有的对风电就地消纳能力的预测方法准确率提高了3倍以上。
附图说明
图1为具体实施方式一所述的基于场景马尔科夫法的风电就地消纳能力预测方法的流程图;
图2为预测风速与实测风速的对比图;
图3为预测电力负荷与实测电力负荷的对比图;
图4为预测风电出力与实测风电出力的对比图;
图5为预测风电就地消纳量与实测风电就地消纳量的对比图;
图6为预测风电就地消纳率与实测风电就地消纳率的对比图。
具体实施方式
具体实施方式一:参照图图1具体说明本实施方式,本实施方式所述的基于场景马尔科夫法的风电就地消纳能力预测方法,所述方法包括以下步骤:
步骤一、预测下一时刻风速的风电出力和预测下一时刻的电力负荷:
预测下一时刻风速的风电出力的过程为:
统计本地区历史风速数据和影响该风速数据的历史天气因素,将历史天气因素分为若干天气场景,利用场景分析法将历史风速数据归入相应的场景内,利用马尔科夫法,获得各场景内历史风速的转移矩阵;
根据各场景内历史风速的转移概率和风机发电特性,建立风速与风电出力数学关系模型;
根据风速与风电出力数学关系模型和当前时刻风场内的风机数量及风机的电出力功率,利用马尔科夫法预测下一时刻风速的风电出力;
预测下一时刻的电力负荷:
统计本地区历史电力负荷数据和影响负荷数据的历史天气数据,将历史天气数据分为若干天气场景,并将历史天气数据归入每个场景内,利用马尔科夫法,获得各场景下的本地区电力负荷转移矩阵;
根据各场景下的本地区电力负荷转移矩阵和当前时刻电力负荷数据,利用马尔科夫法预测本地区内下一时刻的电力负荷;
步骤二、基于预测出的下一时刻风速的风电出力和预测出的下一时刻的电力负荷,结合本地区电源发电出力、电网电力外送和电网电力输入情况,获得风电就地消纳能力。
本实施方式中,步骤一中的多场景分类图如表1所示,其中,历史天气因素包括季节因素和天气情况,季节因素包括春秋、夏、冬,天气情况包括晴、阴、降水。步骤四中的多场景分类图如表2所示,其中,历史天气数据包括季节因素和日负荷强度;季节因素包括春秋、夏、冬,日负荷强度包括大负荷日、平负荷日和小负荷日。
表1:
如表1所示,本发明中选择季节和降水与否作为影响风速分布的主要因素;将关键影响因素进行组合,形成多个初步未来场景描述方案;根据风速数据采集信息,将采集到的风速数据归入相应的场景方案内;将全部风速数据按场景分类后形成场景集。
表2:
步骤一中的场景分析法,具体为:
情景分析法又称脚本法或者前景描述法,是假定某种现象或某种趋势将持续到未来的前提下,对预测对象可能出现的情况或引起的后果作出预测的方法。通常用来对预测对象的未来发展作出种种设想或预计,是一种直观的定性预测方法。
步骤三中,马尔科夫预测模型,具体为:
马尔可夫链是满足马尔可夫性质的随机过程,它满足如下两个条件。
1、t+l时刻系统状态的概率分布只与t时刻的状态有关,与t时刻以前的状态无关;
2、从t时刻到t+l时刻的状态转移与t的值无关。
马尔可夫链(Markov Chain)X1,X2,X3…描述了一种状态序列,其每个状态值取决于前面有限个状态。马尔可夫链是具有马尔可夫性质的随机变量的一个数列。这些变量的范围,即它们所有可能取值的集合,被称为“状态空间”,而Xn的值则是在时间n的状态。如果Xn+1对于过去状态的条件概率分布仅是Xn的一个函数,则
P(Xn+1=x|X1=x1,X2=x2,...,Xn=xn)=P(Xn+1=x|Xn=xn)
其中,x为过程中的某个状态。恒等式可以被看作是马尔可夫性质。
利用马尔科夫链可以求得从某一状态转移到另一状态的概率,因此,可以用此方法做相应的预测研究。假设状态空间为{x1,x2,...,xn},其转移概率可表达为:
P{X(t+1)=j|X(t)=i}=pi i∈n
对于n个这样的系统,可有n×n个状态,则其各状态间的转移概率为:
具体实施方式二:本实施方式是对具体实施方式一所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明,本实施方式中,步骤一中,利用马尔科夫法,获得各场景内历史风速的转移矩阵为:
P{v(t+1)=j|v(t)=i}=pij i,j∈Φk 公式1,
式中,v(t)为t时刻风速,v(t+1)为t+1时刻风速,Φk为风速样本空间,pij为风速转移概率;
由多个风速转移概率构成的风速转移矩阵为:
式中,Pwind为风速转移矩阵,n为风速样本种类数量。
具体实施方式三:本实施方式是对具体实施方式二所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明,本实施方式中,步骤一中,根据各场景内历史风速的转移矩阵和风机发电特性,建立风速与风电出力数学关系模型为:
t时刻第τ台风机的电出力功率Pwind,t,τ与风速v的关系模型为:
式中,v为风速,Prated为风机额定功率;A为风机出力常数;B为风机一次风速出力常数;C为风机二次风速出力常数,vci为风机切入风速;vr为风机额定风速;vco为风机切出风速;
t时刻风场内所有风机总的电出力功率PWF,t与风速v的关系模型为:
具体实施方式四:本实施方式是对具体实施方式三所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明,本实施方式中,步骤一中,根据风速与风电出力数学关系模型和当前时刻风场内的风机数量及风机的电出力功率,利用马尔科夫法预测下一时刻风速的风电出力为:
下一时刻风速为:
下一时刻一台风机的风电出力为:
式中,Pwind,t+1,τ为t+1时刻第τ台风机的电出力功率;
具体实施方式五:本实施方式是对具体实施方式一所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明,本实施方式中,步骤四中,利用马尔科夫法,获得各场景下的本地区电力负荷转移矩阵为:
本地区电力负荷转移概率为:
P{L(t+1)=Lx|L(t)=Ly}=pxy Lx=Ly∈Φz 公式8,
式中,L(t)为t时刻地区电力负荷,L(t+1)为t+1时刻地区电力负荷,Φz为地区电力负荷样本空间,pxy为本地区电力负荷转移概率,1≤x≤z,1≤y≤z,
地区电力负荷转移矩阵Pload为:
式中,z为电力负荷样本种类数量。
具体实施方式六:本实施方式是对具体实施方式一所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明,本实施方式中,步骤五中,利用马尔科夫法预测本地区内下一时刻电力负荷为:
具体实施方式七:本实施方式是对具体实施方式一所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明,本实施方式中,步骤六中,本地区电源发电出力Ptri为:
Ptri=∑PCHP+∑Pthermal+∑Phydro公式11,
式中,电源包括火电厂、热电厂和水电厂,Ptri为地区内传统电源发电出力,PCHP为热电机组电出力,Pthermal为火电机组电出力,Phydro为水电机组电出力。
具体实施方式八:本实施方式是对具体实施方式七所述的基于场景马尔科夫法的风电就地消纳能力预测方法作进一步说明,本实施方式中,步骤六中,风电就地消纳能力为:
式中,Lpred为地区电网预测电力负荷,Pout为地区电网外送功率,Pin为地区电网输入功率。
实施例:
以黑龙江省宾西地区电网系统作为算例系统。该地区电网电源总容量110MW,其中传统电源均为背压热电联产机组60MW,最小技术出力30MW,新能源容量50MW,全部为风电,风电渗透率约为45.5%。地区电网通过220KV宾发变电站与省网相联,地区电网断面最大外送能力80MW,本地区为电能外送地区,不计域外输入电能。
黑龙江省宾西地区坐落锐驰风电场一座,场内包含w2000c-99-80型风机25台,单台风机额定功率2MW,切入、额定和切出风速分别为3m/s、14m/s和25m/s。风电场内尾流效应忽略不计。
统计宾西地区近10年小时级风速和电力负荷历史数据,利用场景马尔科夫模型对历史风速及电力负荷数据进行统计。并根据马尔科夫预测模型进行短时风速及电力负荷预测,如图2与图3。利用本发明的短时预测风速与实测风速相关系数为0.982,短时预测电力负荷与实测负荷相关系数为0.967两者均高度正相关,证明了本发明提出的短时风速及电力负荷预测方法的有效性。
根据风速-风电出力模型,求得短时预测风电出力,如图4所示。预测短时风电出力与实测风电出力相关系数为0.934,由于风速与风电出力的非线性关系扩大了风电出力的预测误差,风电出力预测的相关性系数较风速预测小,但其依然显示出很高的预测准确性。
风电本地预测及实测消纳情况及消纳率如图5和图6所示,两者预测值与实测值相关性分别为0.964和0.952,呈现很高的正相关性,证明了本发明所述风电短时就地消纳能力预测方法的有效性。
Claims (8)
1.基于场景马尔科夫法的风电就地消纳能力预测方法,其特征在于,所述方法包括以下步骤:
步骤一、预测下一时刻风速的风电出力和预测下一时刻的电力负荷:
预测下一时刻风速的风电出力的过程为:
统计本地区历史风速数据和影响该风速数据的历史天气因素,将历史天气因素分为若干天气场景,利用场景分析法将历史风速数据归入相应的场景内,利用马尔科夫法,获得各场景内历史风速的转移矩阵;
根据各场景内历史风速的转移概率和风机发电特性,建立风速与风电出力数学关系模型;
根据风速与风电出力数学关系模型和当前时刻风场内的风机数量及风机的电出力功率,利用马尔科夫法预测下一时刻风速的风电出力;
预测下一时刻的电力负荷:
统计本地区历史电力负荷数据和影响负荷数据的历史天气数据,将历史天气数据分为若干天气场景,并将历史天气数据归入每个场景内,利用马尔科夫法,获得各场景下的本地区电力负荷转移矩阵;
根据各场景下的本地区电力负荷转移矩阵和当前时刻电力负荷数据,利用马尔科夫法预测本地区内下一时刻的电力负荷;
步骤二、基于预测出的下一时刻风速的风电出力和预测出的下一时刻的电力负荷,结合本地区电源发电出力、电网电力外送和电网电力输入情况,获得风电就地消纳能力。
7.根据权利要求1所述的基于场景马尔科夫法的风电就地消纳能力预测方法,其特征在于,步骤六中,本地区电源发电出力Ptri为:
Ptri=∑PCHP+∑Pthermal+∑Phydro公式11,
式中,电源包括火电厂、热电厂和水电厂,Ptri为地区内传统电源发电出力,PCHP为热电机组电出力,Pthermal为火电机组电出力,Phydro为水电机组电出力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811398899.1A CN109274124B (zh) | 2018-11-22 | 2018-11-22 | 基于场景马尔科夫法的风电就地消纳能力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811398899.1A CN109274124B (zh) | 2018-11-22 | 2018-11-22 | 基于场景马尔科夫法的风电就地消纳能力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109274124A CN109274124A (zh) | 2019-01-25 |
CN109274124B true CN109274124B (zh) | 2022-08-12 |
Family
ID=65189954
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811398899.1A Active CN109274124B (zh) | 2018-11-22 | 2018-11-22 | 基于场景马尔科夫法的风电就地消纳能力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109274124B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113241793A (zh) * | 2021-05-27 | 2021-08-10 | 国网江苏省电力有限公司经济技术研究院 | 一种计及风电场景的含ipfc电力系统预防控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3830634A1 (de) * | 1988-09-09 | 1990-03-15 | Bodenseewerk Geraetetech | Flugdatengeber |
CN104182914A (zh) * | 2014-09-05 | 2014-12-03 | 国家电网公司 | 一种基于波动特性的风电出力时间序列建模方法 |
CN104463371A (zh) * | 2014-12-16 | 2015-03-25 | 山东大学 | 基于风电功率变化量的Markov链建模、预测方法 |
CN105591387A (zh) * | 2016-03-03 | 2016-05-18 | 天津大学 | 计及风电不确定性的基于安全域的电力系统安全监测方法 |
CN105610192A (zh) * | 2016-01-26 | 2016-05-25 | 山东大学 | 考虑大规模风电接入的在线风险评估方法 |
CN105741025A (zh) * | 2016-01-26 | 2016-07-06 | 山东大学 | 基于风电波动在线风险评估的预防控制方法 |
CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
CN106777487A (zh) * | 2016-11-18 | 2017-05-31 | 清华大学 | 一种含有储能系统的光伏电站可信容量计算方法及系统 |
CN107862466A (zh) * | 2017-11-21 | 2018-03-30 | 国网新疆电力有限公司 | 考虑系统双侧随机性的源荷跨时空互补效益评价方法 |
CN108365608A (zh) * | 2018-01-05 | 2018-08-03 | 中国电力科学研究院有限公司 | 一种区域能源互联网不确定优化调度方法及系统 |
CN108537413A (zh) * | 2018-03-19 | 2018-09-14 | 国网天津市电力公司 | 基于马尔科夫链的考虑台风时空特性的电网韧性评估方法 |
-
2018
- 2018-11-22 CN CN201811398899.1A patent/CN109274124B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3830634A1 (de) * | 1988-09-09 | 1990-03-15 | Bodenseewerk Geraetetech | Flugdatengeber |
CN104182914A (zh) * | 2014-09-05 | 2014-12-03 | 国家电网公司 | 一种基于波动特性的风电出力时间序列建模方法 |
CN104463371A (zh) * | 2014-12-16 | 2015-03-25 | 山东大学 | 基于风电功率变化量的Markov链建模、预测方法 |
CN105825040A (zh) * | 2015-12-29 | 2016-08-03 | 海南电力技术研究院 | 短期电力负荷预测方法 |
CN105610192A (zh) * | 2016-01-26 | 2016-05-25 | 山东大学 | 考虑大规模风电接入的在线风险评估方法 |
CN105741025A (zh) * | 2016-01-26 | 2016-07-06 | 山东大学 | 基于风电波动在线风险评估的预防控制方法 |
CN105591387A (zh) * | 2016-03-03 | 2016-05-18 | 天津大学 | 计及风电不确定性的基于安全域的电力系统安全监测方法 |
CN106777487A (zh) * | 2016-11-18 | 2017-05-31 | 清华大学 | 一种含有储能系统的光伏电站可信容量计算方法及系统 |
CN107862466A (zh) * | 2017-11-21 | 2018-03-30 | 国网新疆电力有限公司 | 考虑系统双侧随机性的源荷跨时空互补效益评价方法 |
CN108365608A (zh) * | 2018-01-05 | 2018-08-03 | 中国电力科学研究院有限公司 | 一种区域能源互联网不确定优化调度方法及系统 |
CN108537413A (zh) * | 2018-03-19 | 2018-09-14 | 国网天津市电力公司 | 基于马尔科夫链的考虑台风时空特性的电网韧性评估方法 |
Non-Patent Citations (2)
Title |
---|
Uncertain Dispatch Based on the Multiple Scenarios Technique in the AC/DC Hybrid Distribution Network;Lei Dong,等;《2018 IEEE Power & Energy Society General Meeting (PESGM)》;20180924;第1-5页 * |
基于场景树和机会约束规划的含风电场电力系统机组组合;张步涵,等;《电力系统保护与控制》;20130101;第41卷(第1期);第127-135页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109274124A (zh) | 2019-01-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113224756B (zh) | 一种应用于光伏建筑一体化最佳装机容量测算的方法 | |
KR101635450B1 (ko) | 기상정보를 활용한 도시에너지관리시스템용 태양광발전량 예측시스템 | |
KR20210013565A (ko) | 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘 | |
CN102509173A (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN102769298B (zh) | 一种太阳能并网发电功率预测方法及预测系统 | |
CN112241923B (zh) | 一种基于综合能源系统源荷等效外特性的配网电力平衡方法 | |
Zhang et al. | Assessing the integration potential of new energy in river basin clean energy corridors considering energy-power coupled complementary operation modes | |
CN115689146A (zh) | 一种多能源智能楼宇负荷调度方法及系统 | |
CN111105096A (zh) | 一种新能源并网布局规划方法与系统 | |
CN109274124B (zh) | 基于场景马尔科夫法的风电就地消纳能力预测方法 | |
Basmadjian et al. | ARIMA-based forecasts for the share of renewable energy sources: The case study of Germany | |
CN103543327A (zh) | 一种测定光伏组件的发电功率的方法及设备 | |
CN104331748A (zh) | 一种预测规划目标年风电场群持续功率曲线的方法 | |
Fan et al. | Research on influence factors analysis and countermeasures of improving prediction accuracy of run-of-river small hydropower | |
Taneja | Growth in renewable generation and its effect on demand-side management | |
Takeda et al. | Distributed stochastic control of microgrids based on PV power predictions | |
CN117913866B (zh) | 基于光伏发电的蓄能系统 | |
Zainaa et al. | Statistical Assessment of Renewable Energy Generation in Optimizing Qatar Green Buildings | |
Lin et al. | Estimating the Cooling-induced Electricity Demand at Industry and City-level | |
Zhu et al. | The Research on the Construction of Confidence Interval Model for Solar, Hydropower and Load Demand | |
Huang et al. | Short-term load forecasting method based on heterogeneous big data of power | |
Li et al. | Correlation analysis of meteorological factors on daily solar photovoltaic power generation | |
Liu et al. | Statistical Analysis on the Power Energy Adequacy of the PV Generation in South China | |
CN118100330A (zh) | 一种用于确定嵌入式直流输电曲线的方法 | |
Feng et al. | Bi-level optimal configuration of multi-energy microgrid under multiple scenarios |
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 |