CN109658006A - 一种大规模风电场群辅助调度方法及装置 - Google Patents
一种大规模风电场群辅助调度方法及装置 Download PDFInfo
- Publication number
- CN109658006A CN109658006A CN201811644730.XA CN201811644730A CN109658006A CN 109658006 A CN109658006 A CN 109658006A CN 201811644730 A CN201811644730 A CN 201811644730A CN 109658006 A CN109658006 A CN 109658006A
- Authority
- CN
- China
- Prior art keywords
- switching frequency
- day switching
- time series
- blower
- virtual
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000002776 aggregation Effects 0.000 claims abstract description 22
- 238000004220 aggregation Methods 0.000 claims abstract description 22
- 238000010219 correlation analysis Methods 0.000 claims abstract description 21
- 238000003860 storage Methods 0.000 claims abstract description 18
- 238000013179 statistical model Methods 0.000 claims abstract description 15
- 238000005314 correlation function Methods 0.000 claims description 33
- 238000005311 autocorrelation function Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 20
- 238000005259 measurement Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000005684 electric field Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims 1
- 238000012423 maintenance Methods 0.000 abstract description 10
- 238000010248 power generation Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 238000002360 preparation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 244000144992 flock Species 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241001282153 Scopelogadus mizolepis Species 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本申请提供了一种大规模风电场群辅助调度方法、装置、设备及计算机可读存储介质，其中方法包括：获取单台风机的日切换频率时间序列，所述日切换频率为风机在预设时间内切入和切出的数量；基于对所述单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；获取多风机聚集形成的虚拟发电场群的日切换频率，对所述日切换频率进行自相关分析，得到最佳预报时长；基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。为大规模风电场群的风机安全保护和检修计划安排提供辅助调度决策支持信息。
Description
技术领域
本申请涉及调度技术领域，尤其涉及一种大规模风电场群辅助调度方法、装置、设备及计算机可读存储介质。
背景技术
目前，人类面临日益严重的能源资源枯竭和环境污染困境，世界各国都在积极调整能源产业结构、大力发展太阳能、风能等可再生能源。其中，风能被认为是当前世界上最有发展前景的新能源技术，已成为世界许多国家可持续发展的重要战略决策。然而，受到气候、地形和地貌等因素的影响，风具有明显的间歇性、随机性和波动性，极大影响了风电机组(场群)的输出功率质量，甚至制约大规模风电的安全高效并网利用。
目前，对于风场功率进行准确的预测是解决风电安全高效并网的手段之一。诸多学者对此展开了研究，提出了不同的风速预报模型，如统计模型、物理模型以及混合模型，对风速进行预报。在风速预报的基础上，一些学者还对预报的不确定性进行了研究，给出风速波动的范围。虽然对风速的不确定性、间歇性等对电网的影响研究较多，但是实际中缺乏能够对大规模风电场群进行辅助调度的风场发电质量定量评价方法。
申请内容
本申请实施例提供了一种大规模风电场群辅助调度方法及装置，为大规模风电场群的风机安全保护和检修计划安排提供辅助调度决策支持信息。
本申请的第一方面提供了一种大规模风电场群辅助调度方法，包括：
获取单台风机的日切换频率时间序列，所述日切换频率为风机在预设时间内切入和切出的数量；
基于对所述单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；
获取多风机聚集形成的虚拟发电场群的日切换频率，对所述日切换频率进行自相关分析，得到最佳预报时长；
基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。
可选地，所述基于对所述单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分，包括：
利用Pearson互相关函数法，确定{xt}t＝1:n和{yt}t＝1:n为随机时间序列，确定度量xt与yt的互相关系数被定义为如下的样本的协方差：
其中互相关函数为：
其中，k是延迟步长，n是风机日切换频率时间序列的长度，和是风机日切换频率时间序列的均值，yt+k是将风机日切换频率时间序列yt延迟k个步长后得到的时间序列，γx,y(k)是延迟k个步长后的协方差，γx,y(0)是延迟步长k＝0时的协方差，ρx,y(k)是延迟k个步长后得到的互相关系数；
将随机时间序列{xt}t+1:n和{yt}t＝1:n分别替换成2个实际风机的日切换频率的时间序列，根据所述互相关函数，对所述日切换频率时间序列进行互相关函数计算，根据计算结果确定每两台不同风机的日切换频率时间序列的互相关性，并进行多台风机虚拟发电场群的聚集划分。
可选地，所述获取多风机聚集形成的虚拟发电场群的日切换频率，对所述日切换频率进行自相关分析，得到最佳预报时长，包括：
统计多风机聚集形成的虚拟发电场群的日切换频率，形成虚拟风场时间序列；
利用Pearson自相关函数法，确定{xt}t＝1:n是随机时间序列，度量xt与其延迟k个步长的样本xt+k的自相关系数定义为如下的样本的协方差：
其中，自相关函数定义为：
其中，k是延迟步长，n是虚拟风场日切换频率时间序列的长度，是虚拟风场日切换频率时间序列的均值，xt+k是将虚拟风场日切换频率时间序列xt延迟k个步长后得到的时间序列，γx,x(k)是延迟k个步长后的协方差，γx,x(0)是延迟步长k＝0时的协方差，ρx,x(k)是延迟k个步长后得到的自相关系数；
将所述随机时间序列{xt}t＝1:n替换为上述多台风机组成虚拟风场的新时间序列，并根据所述自相关函数，对虚拟风场日切换频率时间序列进行自相关函数计算，得到最佳预报时长。
可选地，所述基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度，包括：
利用支持向量机或神经网络建立统计预估模型，对虚拟风电场的日切换频率进行提前预估，得到虚拟风场的日切换频率序列，辅助风电场群的优化调度。
本申请的第二方面提供了一种大规模风电场群辅助调度装置，包括：
获取模块，用于获取单台风机的日切换频率时间序列，所述日切换频率为风机在预设时间内切入和切出的数量；
处理模块，用于基于对所述单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；
所述获取模块，还用于获取多风机聚集形成的虚拟发电场群的日切换频率，对所述日切换频率进行自相关分析，得到最佳预报时长；
所述处理模块，还用于基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。
可选地，所述处理模块，还用于利用Pearson互相关函数法，确定{xt}t＝1:n和{yt}t＝1:n为随机时间序列，确定度量xt与yt的互相关系数被定义为如下的样本的协方差：
其中互相关函数为：
其中，k是延迟步长，n是风机日切换频率时间序列的长度，和是风机日切换频率时间序列的均值，yt+k是将风机日切换频率时间序列yt延迟k个步长后得到的时间序列，γx,y(k)是延迟k个步长后的协方差，γx,y(0)是延迟步长k＝0时的协方差，ρx,y(k)是延迟k个步长后得到的互相关系数；
将随机时间序列{xt}t＝1:n和{yt}t＝1:n分别替换成2个实际风机的日切换频率的时间序列，根据所述互相关函数，对所述日切换频率时间序列进行互相关函数计算，根据计算结果确定每两台不同风机的日切换频率时间序列的互相关性，并进行多台风机虚拟发电场群的聚集划分。
可选地，所述获取模块，还用于统计多风机聚集形成的虚拟发电场群的日切换频率，形成虚拟风场时间序列；
利用Pearson自相关函数法，确定{xt}t＝1:n是随机时间序列，度量xt与其延迟k个步长的样本xt+k的自相关系数定义为如下的样本的协方差：
其中，自相关函数定义为：
其中，k是延迟步长，n是虚拟风场日切换频率时间序列的长度，是虚拟风场日切换频率时间序列的均值，xt+k是将虚拟风场日切换频率时间序列xt延迟k个步长后得到的时间序列，γx,x(k)是延迟k个步长后的协方差，γx,x(0)是延迟步长k＝0时的协方差，ρx,x(k)是延迟k个步长后得到的自相关系数；
将所述随机时间序列{xt}t＝1:n替换为上述多台风机组成虚拟风场的新时间序列，并根据所述自相关函数，对虚拟风场日切换频率时间序列进行自相关函数计算，得到最佳预报时长。
可选地，所述处理模块，还用于：利用支持向量机或神经网络建立统计预估模型，对虚拟风电场的日切换频率进行提前预估，得到虚拟风场的日切换频率序列，辅助风电场群的优化调度。
本申请第三方面提供一种大规模风电场群辅助调度设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令，执行如上述第一方面所述的大规模风电场群辅助调度方法的步骤。
本申请第四方面提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述第一方面所述的大规模风电场群辅助调度方法。
从以上技术方案可以看出，本申请实施例具有以下优点：
本申请实施例中，提供了一种大规模风电场群辅助调度方法，包括获取单台风机的日切换频率时间序列，所述日切换频率为风机在预设时间内切入和切出的数量；基于对所述单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；获取多风机聚集形成的虚拟发电场群的日切换频率，对所述日切换频率进行自相关分析，得到最佳预报时长；基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。利用风机日切换频率这一参数对风机发电质量进行定量综合评价，通过多台风机之间的互相关分析，实现了相关性较高的多台风机聚合在一起，作为统一调度的虚拟风电场群；而且统计多风机聚集形成的虚拟发电场群的日切换频率序列，通过自相关分析表明这一参数序列还具有可预报性。对未来聚合在一起的虚拟全场的所有风机的切换频率进行预报，如果在一段时间内风机的启停次数频繁，则表明这段时间内风速变化剧烈，风电场输出的功率波动较大、发电质量较差，电网可以据此提前做好调度及控制的准备，避免对电网造成冲击；并且，对于风场的风机而言，通过预报未来的切换频率，如果在某一段时间内风机频繁启停，可以考虑直接将风机切出，延长风机的使用寿命；另外在安排风机的检修计划时，也可以参考虚拟风场发电质量的预估结果。表明了风机之间的日切换频率序列具有互相关性，可以将相关性较高的多台风机聚合在一起作为统一调度的虚拟风电场群。表明了，不仅风机日切换频率时间序列具有一定的自相关长度，该序列具有可预报性；而且多台风机日切换频率叠加之后的序列也有一定的自相关长度，因而该序列也是可以预报的。实现了对单台/场群风机发电质量的定量评估，具有重要的应用价值。实现了用具体参数来定量评估风机和风场的发电质量，即基于单一风机的日切换频率来度量单机功率输出质量优劣，基于具有相关性的多台风机聚集在一起形成虚拟风场的日切换频率叠加序列来度量虚拟风场功率输出质量优劣。而且，该单机参数和风场叠加参数都具有可预报性，通过统计模型实现其预报，对全风场而言可以提前做好调度和控制的准备，避免对电网造成冲击；对单台风机而言，对风机的安全保护及安排检修计划也有重要的参考价值。这对于避免全场直接弃风具有一定的指导意义。
附图说明
图1为本申请实施例中一种大规模风电场群辅助调度方法的一个实施例示意图；
图2为本申请实施例中风电场某一风机6月份风速实测数据图；
图3为本申请实施例中风速实测数据经过处理后得到的“0～1”序列示意图；
图4为本申请实施例中基于“0，1”序列得到的单台风机日切换频率的月份统计图；
图5为本申请实施例中一年内风电场单台风机日启停频度统计图；
图6为本申请实施例中两台不同风机日切换频率时间序列的互相关分析结果图；
图7为本申请实施例中另两台不同风机日切换频率时间序列的互相关分析结果图；
图8为本申请实施例中实际多台风机日切换频率序列叠加后形成的虚拟风场的日切换频率时间序列统计结果图；
图9为本申请实施例中为虚拟风场日切换频率序列的自相关分析结果图；
图10为本申请实施例中基于支持向量机回归模型(SVR)的虚拟风场日切换频率的预报效果图；
图11为本申请实施例中一种大规模风电场群辅助调度装置的一个实施例示意图；
图12为本申请实施例中一种大规模风电场群辅助调度设备的一个实施例示意图。
具体实施方式
本申请实施例提供了一种大规模风电场群辅助调度方法。
请参阅图1，本申请实施例中一种大规模风电场群辅助调度方法一个实施例包括：
101、获取单台风机的日切换频率时间序列，日切换频率为风机在预设时间内切入和切出的数量；
可选的，基于对所述单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分，包括：
利用Pearson互相关函数法，确定{xt}t＝1:n和{yt}t＝1:n为随机时间序列，确定度量xt与yt的互相关系数被定义为如下的样本的协方差：
其中互相关函数为：
其中，k是延迟步长，n是风机日切换频率时间序列的长度，和是风机日切换频率时间序列的均值，yt+k是将风机日切换频率时间序列yt延迟k个步长后得到的时间序列，γx,y(k)是延迟k个步长后的协方差，γx,y(0)是延迟步长k＝0时的协方差，ρx,y(k)是延迟k个步长后得到的互相关系数；
将随机时间序列{xt}t＝1:n和{yt}t＝1:n分别替换成2个实际风机的日切换频率的时间序列，根据互相关函数，对日切换频率时间序列进行互相关函数计算，根据计算结果确定每两台不同风机的日切换频率时间序列的互相关性，并进行多台风机虚拟发电场群的聚集划分。
本实施例中，可以定量描述风机发电质量优劣的参数，即风机日切换频率的提出及其定义。
风是驱动风机运转的能量来源，风机存在一个切入风速和一个切出风速，当风速低于风机的切入风速时，风机处于停止运行状态，不能启动；当风速高于风机的切出风速时，为了保护风机，风力发电机组也会停止运行。只有风速处于风机的切入风速与切出风速之间时，风机处于正常运行状态。如果一段时间内风机的切入和切出的次数比较多，意味着风速在这段时间内时大时小，影响了风机的发电质量；如果一段时间内风机的启动和停运的次数很少，意味着风速在这段时间内变化小，风机发电质量较好。所以用风机的日切换频率可以定量的来刻画风机发电质量的优劣。
给出风机日切换频率的定义：
风机日切换频率，风机在一天之内切入和切出的次数。
图2是风电场某一风机6月份风速实测数据(采样间隔10min)。为了方便统计风机的日切换频率，根据风机的切入风速和切出风速对风速序列进行转化，具体为：当风速低于风机切入风速或者高于风机的切出风速时，将此时的风速定义为“0”，意味着风机处于停止运行状态；当风速处于风机切入风速和切出风速之间时，将此时的风速定义为“1”，意味着风机处于正常运行状态。由此，将原始的风速序列转化为“0，1”时间序列，如图3所示。
根据得到的“0，1”时间序列统计风机的日切换频率，具体为：
当序列中的0变为1时，此时说明风机由停运状态切入运行状态，即记切换一次；而当序列中1变为0时，此时说明风机由运行状态转为切出状态，即记切换一次。由此统计出一天内的切换频率的时间序列。如图4所示，为一风电场6月份一台风机的日切换频率的时间序列。并且，用同样的方法，可以得到风电场一年中单台风机日切换频率的时间序列，如图5所示。
由此通过风机的日切换频率时间序列就可以对风机发电质量进行定量评价。风机单位时间启停频度多，意味着风速在这段时间内时大时小且变化迅速，发电质量较差；风机单位启停频度很少，则意味着风速在这段时间内变化小，发电质量较好。
102、基于对单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；
可选的，基于对单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分，包括：
利用Pearson互相关函数法，确定{xt}t＝1:n和{yt}t＝1:n为随机时间序列，确定度量xt与yt的互相关系数被定义为如下的样本的协方差：
其中互相关函数为：
其中，k是延迟步长，n是风机日切换频率时间序列的长度，和是风机日切换频率时间序列的均值，yt+k是将风机日切换频率时间序列yt延迟k个步长后得到的时间序列，γx,y(k)是延迟k个步长后的协方差，γx,y(0)是延迟步长k＝0时的协方差，ρx,y(k)是延迟k个步长后得到的互相关系数；
将随机时间序列{xt}t＝1:n和{yt}t＝1:n分别替换成2个实际风机的日切换频率的时间序列，根据互相关函数，对日切换频率时间序列进行互相关函数计算，根据计算结果确定每两台不同风机的日切换频率时间序列的互相关性，并进行多台风机虚拟发电场群的聚集划分。
本实施例中，利用Pearson互相关函数法，设{xt}t＝1:n和{yt}t＝1:n是一随机时间序列，则度量xt与yt的互相关系数被定义为样本的协方差，即：
互相关函数定义为：
将公式(1)中的随机时间序列{xt}t＝1:n和{yt}t＝1:n分别替换成2个实际风机的日切换频率的时间序列，并根据互相关函数的定义，对步骤一中得到的风机日切换频率时间序列进行互相关函数计算，计算时k是延迟步长，n是风机日切换频率时间序列的长度，和是风机日切换频率时间序列的均值，yt+k是将风机日切换频率时间序列yt延迟k个步长后得到的时间序列，γx,y(k)是延迟k个步长后的协方差，γx,y(0)是延迟步长k＝0时的协方差，ρx,y(k)是延迟k个步长后得到的互相关系数。最后，根据计算结果分析每两台不同风机的日切换频率时间序列的互相关性，实现多台风机虚拟发电场群的聚集划分。如图6和图7所示，为实际两台不同风机的日切换频率时间序列的互相关性与互相关长度关系的统计结果。根据统计结果，将存在很强关联的风机聚集在一起形成虚拟风场。
103、获取多风机聚集形成的虚拟发电场群的日切换频率，对日切换频率进行自相关分析，得到最佳预报时长；
获取多风机聚集形成的虚拟发电场群的日切换频率，对日切换频率进行自相关分析，得到最佳预报时长，包括：
统计多风机聚集形成的虚拟发电场群的日切换频率，形成虚拟风场时间序列；
利用Pearson自相关函数法，确定{xt}t＝1:n是随机时间序列，度量xt与其延迟k个步长的样本xt+k的自相关系数定义为如下的样本的协方差：
其中，自相关函数定义为：
其中，k是延迟步长，n是虚拟风场日切换频率时间序列的长度，是虚拟风场日切换频率时间序列的均值，xt+k是将虚拟风场日切换频率时间序列xt延迟k个步长后得到的时间序列，γx,x(k)是延迟k个步长后的协方差，γx,x(0)是延迟步长k＝0时的协方差，ρx,x(k)是延迟k个步长后得到的自相关系数；
将随机时间序列{xt}t＝1:n替换为上述多台风机组成虚拟风场的新时间序列，并根据自相关函数，对虚拟风场日切换频率时间序列进行自相关函数计算，得到最佳预报时长。
统计多风机聚集形成的虚拟发电场群的日切换频率，即将步骤二中的互相关系数ρx,y(k)大于0.6的所有风机的日切换频率叠加，形成虚拟风场时间序列。如图8所示，为实际多台机组叠加后的形成的实际虚拟风场日切换频率时间序列。
利用Pearson自相关函数法，设{xt}t＝1:n是一随机时间序列，则度量xt与其延迟k个步长的样本xt+k的自相关系数被定义为样本的协方差，即：
自相关函数定义为：
将公式(3)中的随机时间序列{xt}t＝1:n替换成上述多台风机组成虚拟风场的新时间序列，并根据自相关函数的定义，对步骤一中得到虚拟风场日切换频率时间序列进行自相关函数计算，计算时k是延迟步长，n是虚拟风场日切换频率时间序列的长度，是虚拟风场日切换频率时间序列的均值，xt+k是将虚拟风场日切换频率时间序列xt延迟k个步长后得到的时间序列，γx,x(k)是延迟k个步长后的协方差，γx,x(0)是延迟步长k＝0时的协方差，ρx,x(k)是延迟k个步长后得到的自相关系数。如图9所示，为实际虚拟风场日切换频率时间序列自相关分析的结果，根据计算结果分析其可预报性。
104、基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。
可选的，基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度，包括：
利用支持向量机或神经网络建立统计预估模型，对虚拟风电场的日切换频率进行提前预估，得到虚拟风场的日切换频率序列，辅助风电场群的优化调度。
利用人工智能或机器学习算法(如支持向量机、神经网络等)建立统计预估模型，对虚拟风电场(群)的日切换频率进行提前预估，得到虚拟风场(群)未来24h的日切换频率序列，辅助风电场群的优化调度。
基本的辅助调度原则如下：对于切换至少、运行平稳、发电质量较优的风电场(群)进行优先发电调度，而对于日切换比较频繁、发电质量较差的风电场(群)则安排停机检修等工作，避免全场直接弃风带来的不必要损失。
图10为预报结果，可以看出预报结果与实际结果吻合较好。利用该预报结果，对风电场全场而言，可以知道未来一段时间内虚拟风场的日切换频率情况，可以提前做好调度和控制的准备，避免对电网造成冲击；对单台风机而言，还可以将单机日切换频率的预报结果，作为风机的安全保护及安排检修计划的重要参考价值。
本申请实施例中，提供了一种大规模风电场群辅助调度方法，获取单台风机的日切换频率时间序列，日切换频率为风机在预设时间内切入和切出的数量；基于对单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；获取多风机聚集形成的虚拟发电场群的日切换频率，对日切换频率进行自相关分析，得到最佳预报时长；基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。利用风机日切换频率这一参数对风机发电质量进行定量综合评价，通过多台风机之间的互相关分析，实现了相关性较高的多台风机聚合在一起，作为统一调度的虚拟风电场群；而且统计多风机聚集形成的虚拟发电场群的日切换频率序列，通过自相关分析表明这一参数序列还具有可预报性。对未来聚合在一起的虚拟全场的所有风机的切换频率进行预报，如果在一段时间内风机的启停次数频繁，则表明这段时间内风速变化剧烈，风电场输出的功率波动较大、发电质量较差，电网可以据此提前做好调度及控制的准备，避免对电网造成冲击；并且，对于风场的风机而言，通过预报未来的切换频率，如果在某一段时间内风机频繁启停，可以考虑直接将风机切出，延长风机的使用寿命；另外在安排风机的检修计划时，也可以参考虚拟风场发电质量的预估结果。表明了风机之间的日切换频率序列具有互相关性，可以将相关性较高的多台风机聚合在一起作为统一调度的虚拟风电场群。表明了，不仅风机日切换频率时间序列具有一定的自相关长度，该序列具有可预报性；而且多台风机日切换频率叠加之后的序列也有一定的自相关长度，因而该序列也是可以预报的。实现了对单台/场群风机发电质量的定量评估，具有重要的应用价值。实现了用具体参数来定量评估风机和风场的发电质量，即基于单一风机的日切换频率来度量单机功率输出质量优劣，基于具有相关性的多台风机聚集在一起形成虚拟风场的日切换频率叠加序列来度量虚拟风场功率输出质量优劣。而且，该单机参数和风场叠加参数都具有可预报性，通过统计模型实现其预报，对全风场而言可以提前做好调度和控制的准备，避免对电网造成冲击；对单台风机而言，对风机的安全保护及安排检修计划也有重要的参考价值。这对于避免全场直接弃风具有一定的指导意义。
下面对本申请中的大规模风电场群辅助调度装置进行详细描述，请参阅图11，图11为本申请实施例中大规模风电场群辅助调度装置一个实施例示意图，包括：
获取模块1101，用于获取单台风机的日切换频率时间序列，日切换频率为风机在预设时间内切入和切出的数量；
处理模块1102，用于基于对单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；
获取模块1101，还用于获取多风机聚集形成的虚拟发电场群的日切换频率，对日切换频率进行自相关分析，得到最佳预报时长；
处理模块1102，还用于基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。
可选的，处理模块，还用于利用Pearson互相关函数法，确定{xt}t＝1:n和{yt}t＝1:n为随机时间序列，确定度量xt与yt的互相关系数被定义为如下的样本的协方差：
其中互相关函数为：
其中，k是延迟步长，n是风机日切换频率时间序列的长度，和是风机日切换频率时间序列的均值，yt+k是将风机日切换频率时间序列yt延迟k个步长后得到的时间序列，γx,y(k)是延迟k个步长后的协方差，γx,y(0)是延迟步长k＝0时的协方差，ρx,y(k)是延迟k个步长后得到的互相关系数；
将随机时间序列{xt}t＝1:n和{yt}t＝1:n分别替换成2个实际风机的日切换频率的时间序列，根据互相关函数，对日切换频率时间序列进行互相关函数计算，根据计算结果确定每两台不同风机的日切换频率时间序列的互相关性，并进行多台风机虚拟发电场群的聚集划分。
可选的，获取模块，还用于统计多风机聚集形成的虚拟发电场群的日切换频率，形成虚拟风场时间序列；
利用Pearson自相关函数法，确定{xt}t＝1:n是随机时间序列，度量xt与其延迟k个步长的样本xt+k的自相关系数定义为如下的样本的协方差：
其中，自相关函数定义为：
其中，k是延迟步长，n是虚拟风场日切换频率时间序列的长度，是虚拟风场日切换频率时间序列的均值，xt+k是将虚拟风场日切换频率时间序列xt延迟k个步长后得到的时间序列，γx,x(k)是延迟k个步长后的协方差，γx,x(0)是延迟步长k＝0时的协方差，ρx,x(k)是延迟k个步长后得到的自相关系数；
将随机时间序列{xt}t＝1:n替换为上述多台风机组成虚拟风场的新时间序列，并根据自相关函数，对虚拟风场日切换频率时间序列进行自相关函数计算，得到最佳预报时长。
可选的，处理模块，还用于：利用支持向量机或神经网络建立统计预估模型，对虚拟风电场的日切换频率进行提前预估，得到虚拟风场的日切换频率序列，辅助风电场群的优化调度。
本实施例中，获取模块1101，用于获取单台风机的日切换频率时间序列，日切换频率为风机在预设时间内切入和切出的数量；处理模块1102，用于基于对单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；获取模块1101，还用于获取多风机聚集形成的虚拟发电场群的日切换频率，对日切换频率进行自相关分析，得到最佳预报时长；处理模块1102，还用于基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。
本申请实施例中，提供了一种大规模风电场群辅助调度装置，首先获取模块1101，用于获取单台风机的日切换频率时间序列，日切换频率为风机在预设时间内切入和切出的数量；处理模块1102，用于基于对单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；获取模块1101，还用于获取多风机聚集形成的虚拟发电场群的日切换频率，对日切换频率进行自相关分析，得到最佳预报时长；处理模块1102，还用于基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。利用风机日切换频率这一参数对风机发电质量进行定量综合评价，通过多台风机之间的互相关分析，实现了相关性较高的多台风机聚合在一起，作为统一调度的虚拟风电场群；而且统计多风机聚集形成的虚拟发电场群的日切换频率序列，通过自相关分析表明这一参数序列还具有可预报性。对未来聚合在一起的虚拟全场的所有风机的切换频率进行预报，如果在一段时间内风机的启停次数频繁，则表明这段时间内风速变化剧烈，风电场输出的功率波动较大、发电质量较差，电网可以据此提前做好调度及控制的准备，避免对电网造成冲击；并且，对于风场的风机而言，通过预报未来的切换频率，如果在某一段时间内风机频繁启停，可以考虑直接将风机切出，延长风机的使用寿命；另外在安排风机的检修计划时，也可以参考虚拟风场发电质量的预估结果。表明了风机之间的日切换频率序列具有互相关性，可以将相关性较高的多台风机聚合在一起作为统一调度的虚拟风电场群。表明了，不仅风机日切换频率时间序列具有一定的自相关长度，该序列具有可预报性；而且多台风机日切换频率叠加之后的序列也有一定的自相关长度，因而该序列也是可以预报的。实现了对单台/场群风机发电质量的定量评估，具有重要的应用价值。实现了用具体参数来定量评估风机和风场的发电质量，即基于单一风机的日切换频率来度量单机功率输出质量优劣，基于具有相关性的多台风机聚集在一起形成虚拟风场的日切换频率叠加序列来度量虚拟风场功率输出质量优劣。而且，该单机参数和风场叠加参数都具有可预报性，通过统计模型实现其预报，对全风场而言可以提前做好调度和控制的准备，避免对电网造成冲击；对单台风机而言，对风机的安全保护及安排检修计划也有重要的参考价值。这对于避免全场直接弃风具有一定的指导意义。
图12是本申请实施例提供的一种大规模风电场群辅助调度设备结构示意图，该服务器1200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)1222(例如，一个或一个以上处理器)和存储器1232，一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中，存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1222可以设置为与存储介质1230通信，在服务器1200上执行存储介质1230中的一系列指令操作。
服务器1200还可以包括一个或一个以上电源1226，一个或一个以上有线或无线网络接口1250，一个或一个以上输入输出接口1258，和/或，一个或一个以上操作系统1241，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
上述实施例中由大规模风电场群辅助调度设备所执行的步骤可以基于该图12所示的服务器结构。
其中，CPU 1222用于执行如下步骤：
获取单台风机的日切换频率时间序列，日切换频率为风机在预设时间内切入和切出的数量；
基于对单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；
获取多风机聚集形成的虚拟发电场群的日切换频率，对日切换频率进行自相关分析，得到最佳预报时长；
基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。
本申请实施例还提供一种计算机可读存储介质，用于存储程序代码，该程序代码用于执行前述各个实施例所述的一种大规模风电场群辅助调度方法中的任意一种实施方式。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：Random Access Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种大规模风电场群辅助调度方法，其特征在于，包括：
获取单台风机的日切换频率时间序列，所述日切换频率为风机在预设时间内切入和切出的数量；
基于对所述单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；
获取多风机聚集形成的虚拟发电场群的日切换频率，对所述日切换频率进行自相关分析，得到最佳预报时长；
基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。
2.根据权利要求1所述的大规模风电场群辅助调度方法，其特征在于，所述基于对所述单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分，包括：
利用Pearson互相关函数法，确定{xt}t＝1:n和{yt}t＝1:n为随机时间序列，确定度量xt与yt的互相关系数被定义为如下的样本的协方差：
其中互相关函数为：
其中，k是延迟步长，n是风机日切换频率时间序列的长度，和是风机日切换频率时间序列的均值，yt+k是将风机日切换频率时间序列yt延迟k个步长后得到的时间序列，γx,y(k)是延迟k个步长后的协方差，γx,y(0)是延迟步长k＝0时的协方差，ρx,y(k)是延迟k个步长后得到的互相关系数；
将随机时间序列{xt}t＝1:n和{yt}t＝1:n分别替换成2个实际风机的日切换频率的时间序列，根据所述互相关函数，对所述日切换频率时间序列进行互相关函数计算，根据计算结果确定每两台不同风机的日切换频率时间序列的互相关性，并进行多台风机虚拟发电场群的聚集划分。
3.根据权利要求2所述的大规模风电场群辅助调度方法，其特征在于，所述获取多风机聚集形成的虚拟发电场群的日切换频率，对所述日切换频率进行自相关分析，得到最佳预报时长，包括：
统计多风机聚集形成的虚拟发电场群的日切换频率，形成虚拟风场时间序列；
利用Pearson自相关函数法，确定{xt}t＝1:n是随机时间序列，度量xt与其延迟k个步长的样本xt+k的自相关系数定义为如下的样本的协方差：
其中，自相关函数定义为：
其中，k是延迟步长，n是虚拟风场日切换频率时间序列的长度，是虚拟风场日切换频率时间序列的均值，xt+k是将虚拟风场日切换频率时间序列xt延迟k个步长后得到的时间序列，γx,x(k)是延迟k个步长后的协方差，γx,x(0)是延迟步长k＝0时的协方差，ρx,x(k)是延迟k个步长后得到的自相关系数；
将所述随机时间序列{xt}t＝1:n替换为上述多台风机组成虚拟风场的新时间序列，并根据所述自相关函数，对虚拟风场日切换频率时间序列进行自相关函数计算，得到最佳预报时长。
4.根据权利要求3所述的大规模风电场群辅助调度方法，其特征在于，所述基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度，包括：
利用支持向量机或神经网络建立统计预估模型，对虚拟风电场的日切换频率进行提前预估，得到虚拟风场的日切换频率序列，辅助风电场群的优化调度。
5.一种大规模风电场群辅助调度装置，其特征在于，包括：
获取模块，用于获取单台风机的日切换频率时间序列，所述日切换频率为风机在预设时间内切入和切出的数量；
处理模块，用于基于对所述单台风机指标时间序列的互相关分析，对风机虚拟发电场群进行聚集划分；
所述获取模块，还用于获取多风机聚集形成的虚拟发电场群的日切换频率，对所述日切换频率进行自相关分析，得到最佳预报时长；
所述处理模块，还用于基于统计模型进行虚拟发电场群的日切换频率预估，根据预估结果实现对大规模风电场群进行辅助调度。
6.根据权利要求5所述的大规模风电场群辅助调度装置，其特征在于，所述处理模块，还用于利用Pearson互相关函数法，确定{xt}t＝1:n和{yt}t＝1:n为随机时间序列，确定度量xt与yt的互相关系数被定义为如下的样本的协方差：
其中互相关函数为：
其中，k是延迟步长，n是风机日切换频率时间序列的长度，和是风机日切换频率时间序列的均值，yt+k是将风机日切换频率时间序列yt延迟k个步长后得到的时间序列，γx,y(k)是延迟k个步长后的协方差，γx,y(0)是延迟步长k＝0时的协方差，ρx,y(k)是延迟k个步长后得到的互相关系数；
将随机时间序列{xt}t＝1:n和{yt}t＝1:n分别替换成2个实际风机的日切换频率的时间序列，根据所述互相关函数，对所述日切换频率时间序列进行互相关函数计算，根据计算结果确定每两台不同风机的日切换频率时间序列的互相关性，并进行多台风机虚拟发电场群的聚集划分。
7.根据权利要求6所述的大规模风电场群辅助调度装置，其特征在于，所述获取模块，还用于统计多风机聚集形成的虚拟发电场群的日切换频率，形成虚拟风场时间序列；
利用Pearson自相关函数法，确定{xt}t＝1:n是随机时间序列，度量xt与其延迟k个步长的样本xt+k的自相关系数定义为如下的样本的协方差：
其中，自相关函数定义为：
其中，k是延迟步长，n是虚拟风场日切换频率时间序列的长度，是虚拟风场日切换频率时间序列的均值，xt+k是将虚拟风场日切换频率时间序列xt延迟k个步长后得到的时间序列，γx,x(k)是延迟k个步长后的协方差，γx,x(0)是延迟步长k＝0时的协方差，ρx,x(k)是延迟k个步长后得到的自相关系数；
将所述随机时间序列{xt}t＝1:n替换为上述多台风机组成虚拟风场的新时间序列，并根据所述自相关函数，对虚拟风场日切换频率时间序列进行自相关函数计算，得到最佳预报时长。
8.根据权利要求7所述的大规模风电场群辅助调度装置，其特征在于，所述处理模块，还用于：利用支持向量机或神经网络建立统计预估模型，对虚拟风电场的日切换频率进行提前预估，得到虚拟风场的日切换频率序列，辅助风电场群的优化调度。
9.一种大规模风电场群辅助调度设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的大规模风电场群辅助调度方法。
10.一种算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的大规模风电场群辅助调度方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811644730.XA CN109658006B (zh) | 2018-12-30 | 2018-12-30 | 一种大规模风电场群辅助调度方法及装置 |
| PCT/CN2019/091460 WO2020140393A1 (zh) | 2018-12-30 | 2019-06-17 | 一种大规模风电场群辅助调度方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811644730.XA CN109658006B (zh) | 2018-12-30 | 2018-12-30 | 一种大规模风电场群辅助调度方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109658006A true CN109658006A (zh) | 2019-04-19 |
| CN109658006B CN109658006B (zh) | 2022-02-15 |
Family
ID=66118001
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811644730.XA Active CN109658006B (zh) | 2018-12-30 | 2018-12-30 | 一种大规模风电场群辅助调度方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN109658006B (zh) |
| WO (1) | WO2020140393A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110414034A (zh) * | 2019-06-05 | 2019-11-05 | 广东电网有限责任公司 | 一种电力负荷爬坡预警的方法、系统及设备 |
| WO2020140393A1 (zh) * | 2018-12-30 | 2020-07-09 | 广东电网有限责任公司电力调度控制中心 | 一种大规模风电场群辅助调度方法及装置 |
| CN113704340A (zh) * | 2021-08-30 | 2021-11-26 | 远景智能国际私人投资有限公司 | 数据处理方法、装置、服务器及存储介质 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610250B (zh) * | 2021-08-13 | 2024-06-14 | 西安热工研究院有限公司 | 基于缺陷单在线计算风场故障停机超24小时台数的方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102738792A (zh) * | 2012-06-13 | 2012-10-17 | 华北电力大学（保定） | 一种风电功率预测方法 |
| CN104463511A (zh) * | 2014-12-31 | 2015-03-25 | 哈尔滨工业大学 | 基于风机单位时间启停频度的风速间歇性定量刻画方法 |
| CN106849066A (zh) * | 2017-03-07 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种区域风电功率预测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2515750B2 (ja) * | 1986-07-31 | 1996-07-10 | ヤマハ発動機株式会社 | 風力発電装置の制御方法 |
| CN101440783B (zh) * | 2008-12-22 | 2012-05-23 | 三一电气有限责任公司 | 风力发电系统运行控制方法 |
| CN104680017B (zh) * | 2015-03-06 | 2017-09-05 | 华北电力大学 | 时变电力系统稳定性分析系统及方法 |
| CN106532762B (zh) * | 2015-09-14 | 2018-12-14 | 南京理工大学 | 一种分类处理负荷和风速相关性的直流概率潮流方法 |
| CN106816886B (zh) * | 2015-12-02 | 2019-09-27 | 中国电力科学研究院 | 一种大规模风电并网系统调峰需求确定方法 |
| CN109658006B (zh) * | 2018-12-30 | 2022-02-15 | 广东电网有限责任公司 | 一种大规模风电场群辅助调度方法及装置 |
-
2018
- 2018-12-30 CN CN201811644730.XA patent/CN109658006B/zh active Active
-
2019
- 2019-06-17 WO PCT/CN2019/091460 patent/WO2020140393A1/zh active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102738792A (zh) * | 2012-06-13 | 2012-10-17 | 华北电力大学（保定） | 一种风电功率预测方法 |
| CN104463511A (zh) * | 2014-12-31 | 2015-03-25 | 哈尔滨工业大学 | 基于风机单位时间启停频度的风速间歇性定量刻画方法 |
| CN106849066A (zh) * | 2017-03-07 | 2017-06-13 | 云南电网有限责任公司电力科学研究院 | 一种区域风电功率预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 汤奕 等: "考虑预测误差分布特性的风电场集群调度方法", 《中国电机工程学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020140393A1 (zh) * | 2018-12-30 | 2020-07-09 | 广东电网有限责任公司电力调度控制中心 | 一种大规模风电场群辅助调度方法及装置 |
| CN110414034A (zh) * | 2019-06-05 | 2019-11-05 | 广东电网有限责任公司 | 一种电力负荷爬坡预警的方法、系统及设备 |
| CN110414034B (zh) * | 2019-06-05 | 2021-06-29 | 广东电网有限责任公司 | 一种电力负荷爬坡预警的方法、系统及设备 |
| CN113704340A (zh) * | 2021-08-30 | 2021-11-26 | 远景智能国际私人投资有限公司 | 数据处理方法、装置、服务器及存储介质 |
| CN113704340B (zh) * | 2021-08-30 | 2023-07-21 | 远景智能国际私人投资有限公司 | 数据处理方法、装置、服务器及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109658006B (zh) | 2022-02-15 |
| WO2020140393A1 (zh) | 2020-07-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109658006A (zh) | 一种大规模风电场群辅助调度方法及装置 | |
| Jiang et al. | Short-term wind power forecasting using hybrid method based on enhanced boosting algorithm | |
| CN112433819B (zh) | 异构集群调度的模拟方法、装置、计算机设备及存储介质 | |
| CN103197983B (zh) | 基于概率图模型的服务组件可靠性在线时间序列预测方法 | |
| Böhm et al. | xSim: The extreme-scale simulator | |
| CN107609141A (zh) | 一种对大规模可再生能源数据进行快速概率建模方法 | |
| CN110502213A (zh) | 一种人工智能能力开发平台 | |
| CN103365727A (zh) | 一种云计算环境中的主机负载预测方法 | |
| Tang et al. | A distributed and scalable approach to semi-intrusive load monitoring | |
| Wu et al. | A deadline-aware estimation of distribution algorithm for resource scheduling in fog computing systems | |
| CN109066687A (zh) | 一种电力系统潮流计算方法、系统及电子设备 | |
| Aral et al. | Quality of service channelling for latency sensitive edge applications | |
| CN109995023A (zh) | 基于谱聚类区域划分的电力系统稳定性的判断方法和系统 | |
| CN104978605A (zh) | 基于深度学习网络的大规模风电功率预测系统及方法 | |
| Liu et al. | High-performance predictor for critical unstable generators based on scalable parallelized neural networks | |
| CN104915889A (zh) | 一种基于日负荷曲线在线获取综合负荷模型参数的方法 | |
| CN106649067B (zh) | 一种性能和能耗预测方法及装置 | |
| CN108898248A (zh) | 电力负荷影响因素量化分析方法、装置、设备及介质 | |
| CN109993335A (zh) | 一种用于风电功率的概率预报方法及系统 | |
| CN103870342B (zh) | 云计算环境中的基于结点属性函数的任务核值计算方法 | |
| Sun et al. | Aledar: An attentions-based encoder-decoder and autoregressive model for workload forecasting of cloud data center | |
| bin Ahmad et al. | Application of hybrid GMDH and Least Square Support Vector Machine in energy consumption forecasting | |
| Ponnuswami et al. | Evaluating data-parallel distributed training strategies | |
| CN103530183B (zh) | 大规模异构计算系统中任务计算量具有随机性的调度方法 | |
| Wang et al. | Rdf subgraph matching by means of star decomposition |
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 |