CN109872248A - 一种风电场集群出力计算方法及系统 - Google Patents
一种风电场集群出力计算方法及系统 Download PDFInfo
- Publication number
- CN109872248A CN109872248A CN201811551950.8A CN201811551950A CN109872248A CN 109872248 A CN109872248 A CN 109872248A CN 201811551950 A CN201811551950 A CN 201811551950A CN 109872248 A CN109872248 A CN 109872248A
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- power plant
- time series
- function
- 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
Landscapes
- Wind Motors (AREA)
- Control Of Eletrric Generators (AREA)
Abstract
本发明实施例提供一种风电场集群出力计算方法及系统,该方法包括:根据风电场集群的风速历史时序数据,获取风速经验分布函数;根据所述风速历史时序数据,获取一阶连续状态空间马尔科夫链模型;根据所述一阶连续状态空间马尔科夫链模型,获取多维风速马尔科夫时间序列模型;根据所述风速经验分布函数,获取M个风速经验值;根据所述M个风速经验值和所述第一Copula函数,获取M个风速马尔科夫时间序列;根据所述M个风速马尔科夫时间序列、风速与风力发电机输出功率的关系,获取每一风电场的输出功率。本发明实施例推动大规模风电接入区域电网的可持续发展,适用于大规模风电场集群并网下计及时空相依性的风电场集群出力预测。
Description
技术领域
本发明实施例涉及风力发电技术领域,尤其涉及一种风电场集群出力计算方法及系统。
背景技术
在全球经济突飞猛进式发展的大背景下,传统化石能源的储量捉襟见肘,全球范围内的能源危机已初见端倪。
风电作为一种清洁能源,其存在虽然能对环境污染及能源短缺问题起到一定的缓解作用,但风电场的有功出力受制于风速,会呈现出一定的随机特性,风力发电的这种特点会对电力系统的节点电压、线路传输功率以及系统运行频率等带来危害,限制着风能进一步发展利用。
与此同时,同一地区的风电场之间因为地理位置的互邻,多个风电场的有功出力之间会表现出一定的正相关特性,即各个风力发电场的有功出力同时增加或者减小,忽略这种相关性,会对后续的系统状态评估带来一定偏差。
以上所述风力发电的种种特性,限制了其进一步发展利用。对此,亟需提出考虑时空相关性的风电场集群典型出力选取方法。
发明内容
针对上述问题,本发明实施例提供一种风电场集群出力计算方法及系统。
第一方面,本发明实施例提供一种风电场集群出力计算方法,包括:
S1,根据风电场集群的风速历史时序数据,获取风速经验分布函数,所述风速经验分布函数表示风速与风速分布之间的关系;
S2,根据所述风速历史时序数据,获取一阶连续状态空间马尔科夫链模型,并基于Sklar定理生成第一Copula函数,所述一阶连续状态空间马尔科夫链模型表示所述风电场集群中每一风电场不同时刻之间风速分布关系;
S3,根据所述一阶连续状态空间马尔科夫链模型,获取多维风速马尔科夫时间序列模型,并基于Sklar定理生成第二Copula函数,所述多维风速马尔科夫时间序列模型表示所述风电场集群中同一时刻不同风电场之间风速分布关系;
S4,根据所述风速经验分布函数,获取M个风速经验值,所述M个风速经验值满足所述第二Copula函数,M表示所述风电场集群中风电场的个数;
S5,根据所述M个风速经验值和所述第一Copula函数,获取M个风速马尔科夫时间序列;
S6,根据所述M个风速马尔科夫时间序列、风速与风力发电机输出功率的关系,获取每一风电场的输出功率。
第二方面,本发明实施例提供一种一种风电场集群出力计算系统,包括:
第一模块,用于根据风电场集群的风速历史时序数据,获取风速经验分布函数,所述风速经验分布函数表示风速与风速分布之间的关系;
第二模块,用于根据所述风速历史时序数据,获取一阶连续状态空间马尔科夫链模型,并基于Sklar定理生成第一Copula函数,所述一阶连续状态空间马尔科夫链模型表示所述风电场集群中每一风电场不同时刻之间风速分布关系;
第三模块,用于根据所述一阶连续状态空间马尔科夫链模型,获取多维风速马尔科夫时间序列模型,并基于Sklar定理生成第二Copula函数,所述多维风速马尔科夫时间序列模型表示所述风电场集群中同一时刻不同风电场之间风速分布关系;
第四模块,用于根据所述风速经验分布函数,获取M个风速经验值,所述M个风速经验值满足所述第二Copula函数,M表示所述风电场集群中风电场的个数;
第五模块,用于根据所述M个风速经验值和所述第一Copula函数,获取M个风速马尔科夫时间序列;
第六模块,用于根据所述M个风速马尔科夫时间序列、风速与风力发电机输出功率的关系,获取每一风电场的输出功率。
本发明实施例提供的一种风电场集群出力计算方法及系统,建立能够准确反映单个风电场时间上短期相依关系与风电场集群空间上同期相依关系的集群风电典型出力选取方法,推动大规模风电接入区域电网的可持续发展,适用于大规模风电场集群并网下计及时空相依性的风电场集群出力预测。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一种风电场集群出力计算方法的流程图;
图2为本发明实施例一种风电场集群出力计算系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例一种风电场集群出力计算方法的流程图,如图1所示,该方法包括:
S1,根据风电场集群的风速历史时序数据,获取风速经验分布函数,所述风速经验分布函数表示风速与风速分布之间的关系;
S2,根据所述风速历史时序数据,获取一阶连续状态空间马尔科夫链模型,并基于Sklar定理生成第一Copula函数,所述一阶连续状态空间马尔科夫链模型表示所述风电场集群中每一风电场不同时刻之间风速分布关系;
S3,根据所述一阶连续状态空间马尔科夫链模型,获取多维风速马尔科夫时间序列模型,并基于Sklar定理生成第二Copula函数,所述多维风速马尔科夫时间序列模型表示所述风电场集群中同一时刻不同风电场之间风速分布关系;
S4,根据所述风速经验分布函数,获取M个风速经验值,所述M个风速经验值满足所述第二Copula函数,M表示所述风电场集群中风电场的个数;
S5,根据所述M个风速经验值和所述第一Copula函数,获取M个风速马尔科夫时间序列;
S6,根据所述M个风速马尔科夫时间序列、风速与风力发电机输出功率的关系,获取每一风电场的输出功率。
首先获取风电场的风速历史时序数据,根据风速历史时序数据,获取风速经验分布函数,风速经验分布函数是用来预测风速分布的,通过对风速历史时序数据进行分析和总结,可以得到风速经验分布函数,以此来预测未来时刻的风速分布。
具体地,为了降低参数估计带来的误差,采用经验分布函数对原始数据进行概率积分变换,风速经验分布函数可表示为:
其中,F(v)表示所述风速经验分布函数,n表示风速采样点个数,Vi表示所述风速历史时序数据,v表示预设阈值,I为指示函数。
根据Copula理论,获取随机变量的相关结构信息,最基本的方法就是确定其联合概率分布函数。当随机变量的相关结构较为复杂时,很难得到确定的函数表达式。Copula函数作为一种连接函数,能够建立联合分布与边缘分布的联系,为相关性的测量提供了一种间接途径。
一阶连续状态空间马尔科夫链模型表示风电场集群中同一个风电场不同时刻的风速分布之间的关系,对于任意一个风电场,由于可以根据该风电场当前某个时刻的风速,来预测该风电场下个时刻的风速,这就是所谓的风电场“短期相依关系”,也就是该风电场一阶连续状态空间马尔科夫链模型表达的含义。
对每个风电场都建立了一阶连续状态空间马尔科夫链模型,然后伸出多维风速马尔科夫时间序列模型,所谓的多维风速马尔科夫时间序列模型,表达的是同一时间,这就是所谓的风电场“同期相依关系”,任一一个风电场与其相邻的风电场之间风速的分布关系。
然后根据风速经验分布函数,获取M个风速经验值,这M个风速经验分布值满足第二Copula函数,M表示风电场集群中风电场的个数。由于风速经验分布函数表示对风速分布的经验判断,那么需要根据风速经验值,反推出风速分布。风速分布就是本发明实施例中的风速马尔科夫时间序列。
最后根据M个风速马尔科夫时间序列、风速与风力发电机输出功率的关系,得到每个风电场的输出功率。
本发明实施例提供的一种风电场集群出力计算方法,建立能够准确反映单个风电场时间上短期相依关系与风电场集群空间上同期相依关系的集群风电典型出力选取方法,推动大规模风电接入区域电网的可持续发展,适用于大规模风电场集群并网下计及时空相依性的风电场集群出力预测。
在上述实施例的基础上,优选地,所述一阶连续状态空间马尔科夫链模型如下:
P(Vt≤vt+1|Vt=vt)=k(vt+1|vt),
其中,{Vt,t=1,2,…,T}为风速时间序列随机过程,k(vt+1|vt)为状态转移核,表示随机过程中在t时刻状态为Vt的条件下t+1时刻风速的状态概率分布。
具体地,基于Sklar定理,该随机过程的转移密度函数可表示为:
其中,R(vt+1,vt)为相邻两时刻变量的概率分布函数,F(vt)为风速的概率分布函数。
为了方便计算,依据Copula函数理论,状态转移核和转移密度函数可以转化为:
其中,k(vt+1|vt)表示所述状态转移核,f(vt+1|vt)表示所述状态转移函数,c(xt+1,xt)、f(vt)分别为C(xt+1,xt)、F(vt)的密度函数,F(vt)表示t时刻风速的分布函数,C(xt+1,xt)表示所述第一Copula函数。
在上述实施例的基础上,优选地,所述第一Copula函数为:
其中,Ci(xt+1,xt,θi)为子Copula函数,θi为参数估计值,ωi为相应的权重系数,ωi∈[0,1]且n为子Copula函数的个数。
在上述实施例的基础上,优选地,所述多维风速马尔科夫时间序列模型为:
P(v1,t+1|V1,t=v1,t,...,vM,t+1|VM,t=vM,t)=k(v1,t+1|v1,t,...,vM,t+1|vM,t),
其中,V1,t,…VM,t为M个风电场的风速时间序列,F1,…FM为与所述M个风电场对应的分布函数,Pi=P(Vi,t+1≤vi,t+1|Vi,t=vi,t)为对应的条件分布函数,c是M个时间序列的同期相依模型密度函数,ci是时间序列Vi,t在时间t+1和t时刻之间的短期条件相依模型密度函数。
多元转移核和多元转移密度函数为:
具体地,所述第二Copula函数为:
其中,Ci(P1,...,PM,θi)为子Copula函数,θi为参数估计值,ωi为相应的权重系数,ωi∈[0,1]且n为子Copula函数的个数。
在上述实施例的基础上,优选地,所述根据所述风速经验分布函数,获取M个风速经验值,具体包括:
S41,生成随机向量(y1,…,yM),其中所述随机向量服从(0,1)独立分布;
S42,生成服从所述第一Copula函数的随机向量(x1,…,xM),其中:
S43,重复步骤S41~S42T次,得到向量序列(x1,t,...,xM,t),t=1,2…,T。
在上述实施例的基础上,优选地,步骤S5中,根据所述M个风速经验值和所述第一Copula函数,获取M个风速马尔科夫时间序列,具体包括:
S51,令qi,1=xi,1,作为新序列qi,t的初始值;
S52,由迭代,得到新的序列qi,t(t=2,…,T);
S53,由逆变换求得风速马尔科夫时间序列{vi,t,t=1,2,…,T}。
具体地,新生成的风速马尔科夫时间序列{vi,t,t=1,2,…,T},获取各个风电场风速的第一参数概率密度函数,当第一参数概率密度函数为Weibull分布时,其中,v为风速,k为Weibull分布的形状参数;c为Weibull分布的尺度参数。
具体地,风速与发电机输出功率的关系函数为:
其中,Pr为风电发电机的额定功率,vci为切入风速,vr为额定风速,vco为切出风速。
具体地,每个风电场风力发电机有功出力的概率密度函数为:
图2为本发明实施例一种风电场集群出力计算系统的结构示意图,如图2所示,该系统包括:第一模块201、第二模块202、第三模块203、第四模块204、第五模块205和第六模块206,其中:
第一模块201用于根据风电场集群的风速历史时序数据,获取风速经验分布函数,所述风速经验分布函数表示风速与风速分布之间的关系;
第二模块202用于根据所述风速历史时序数据,获取一阶连续状态空间马尔科夫链模型,并基于Sklar定理生成第一Copula函数,所述一阶连续状态空间马尔科夫链模型表示所述风电场集群中每一风电场不同时刻之间风速分布关系;
第三模块203用于根据所述一阶连续状态空间马尔科夫链模型,获取多维风速马尔科夫时间序列模型,并基于Sklar定理生成第二Copula函数,所述多维风速马尔科夫时间序列模型表示所述风电场集群中同一时刻不同风电场之间风速分布关系;
第四模块204用于根据所述风速经验分布函数,获取M个风速经验值,所述M个风速经验值满足所述第二Copula函数,M表示所述风电场集群中风电场的个数;
第五模块205用于根据所述M个风速经验值和所述第一Copula函数,获取M个风速马尔科夫时间序列;
第六模块206用于根据所述M个风速马尔科夫时间序列、风速与风力发电机输出功率的关系,获取每一风电场的输出功率。
本系统实施例的具体执行过程与上述方法实施例的具体执行过程相同,详情请参考上述方法实施例,本系统实施例在此不再赘述。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,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发明各实施例技术方案的精神和范围。
Claims (10)
1.一种风电场集群出力计算方法,其特征在于,包括:
S1,根据风电场集群的风速历史时序数据,获取风速经验分布函数,所述风速经验分布函数表示风速与风速分布之间的关系;
S2,根据所述风速历史时序数据,获取一阶连续状态空间马尔科夫链模型,并基于Sklar定理生成第一Copula函数,所述一阶连续状态空间马尔科夫链模型表示所述风电场集群中每一风电场不同时刻之间风速分布关系;
S3,根据所述一阶连续状态空间马尔科夫链模型,获取多维风速马尔科夫时间序列模型,并基于Sklar定理生成第二Copula函数,所述多维风速马尔科夫时间序列模型表示所述风电场集群中同一时刻不同风电场之间风速分布关系;
S4,根据所述风速经验分布函数,获取M个风速经验值,所述M个风速经验值满足所述第二Copula函数,M表示所述风电场集群中风电场的个数;
S5,根据所述M个风速经验值和所述第一Copula函数,获取M个风速马尔科夫时间序列;
S6,根据所述M个风速马尔科夫时间序列、风速与风力发电机输出功率的关系,获取每一风电场的输出功率。
2.根据权利要求1所述方法,其特征在于,所述风速经验分布函数如下:
其中,F(v)表示所述风速经验分布函数,n表示风速采样点个数,Vi表示所述风速历史时序数据,v表示预设阈值,I为指示函数。
3.根据权利要求1所述方法,其特征在于,所述一阶连续状态空间马尔科夫链模型如下:
P(Vt≤vt+1|Vt=vt)=k(vt+1|vt),
其中,{Vt,t=1,2,…,T}为风速时间序列随机过程,k(vt+1|vt)为状态转移核,表示随机过程中在t时刻状态为Vt的条件下t+1时刻风速的状态概率分布。
4.根据权利要求3所述方法,其特征在于,所述一阶连续状态空间马尔科夫链模型中需要用到的状态转移核和状态转移函数如下:
xt=Ft(vt),
其中,k(vt+1|vt)表示所述状态转移核,f(vt+1|vt)表示所述状态转移函数,c(xt+1,xt)、f(vt)分别为C(xt+1,xt)、F(vt)的密度函数,Ft(vt)表示t时刻风速的分布函数,C(xt+1,xt)表示所述第一Copula函数。
5.根据权利要求1所述方法,其特征在于,所述第一Copula函数为:
其中,Ci(xt+1,xt,θi)为子Copula函数,θi为参数估计值,ωi为相应的权重系数,ωi∈[0,1]且n为子Copula函数的个数。
6.根据权利要求1所述方法,其特征在于,所述多维风速马尔科夫时间序列模型为:
P(v1,t+1|V1,t=v1,t,...,vM,t+1|VM,t=vM,t)=k(v1,t+1|v1,t,...,vM,t+1|vM,t),
其中,V1,t,…VM,t为M个风电场的风速时间序列,F1,…FM为与所述M个风电场对应的分布函数,Pi=P(Vi,t+1≤vi,t+1|Vi,t=vi,t)为对应的条件分布函数,c是M个时间序列的同期相依模型密度函数,ci是时间序列Vi,t在时间t+1和t时刻之间的短期条件相依模型密度函数。
7.根据权利要求1所述方法,其特征在于,所述第二Copula函数为:
其中,Ci(P1,...,PM,θi)为子Copula函数,θi为参数估计值,ωi为相应的权重系数,ωi∈[0,1]且n为子Copula函数的个数。
8.根据权利要求1所述方法,其特征在于,步骤S4中,所述根据所述风速经验分布函数,获取M个风速经验值,具体包括:
S41,生成随机向量(y1,…,yM),其中所述随机向量服从(0,1)独立分布;
S42,生成服从所述第二Copula函数的随机向量(x1,…,xM);
S43,重复步骤S41~S42T次,得到向量序列(x1,t,...,xM,t),t=1,2…,T。
9.根据权利要求1所述方法,其特征在于,步骤S5中,根据所述M个风速经验值和所述第一Copula函数,获取M个风速马尔科夫时间序列,具体包括:
S51,令qi,1=xi,1,作为新序列qi,t的初始值;
S52,由迭代,得到新的序列qi,t(t=2,…,T);
S53,由vi,t=Fi -1(qi,t),逆变换求得风速马尔科夫时间序列{vi,t,t=1,2,…,T}。
10.一种风电场集群出力计算系统,其特征在于,包括:
第一模块,用于根据风电场集群的风速历史时序数据,获取风速经验分布函数,所述风速经验分布函数表示风速与风速分布之间的关系;
第二模块,用于根据所述风速历史时序数据,获取一阶连续状态空间马尔科夫链模型,并基于Sklar定理生成第一Copula函数,所述一阶连续状态空间马尔科夫链模型表示所述风电场集群中每一风电场不同时刻之间风速分布关系;
第三模块,用于根据所述一阶连续状态空间马尔科夫链模型,获取多维风速马尔科夫时间序列模型,并基于Sklar定理生成第二Copula函数,所述多维风速马尔科夫时间序列模型表示所述风电场集群中同一时刻不同风电场之间风速分布关系;
第四模块,用于根据所述风速经验分布函数,获取M个风速经验值,所述M个风速经验值满足所述第二Copula函数,M表示所述风电场集群中风电场的个数;
第五模块,用于根据所述M个风速经验值和所述第一Copula函数,获取M个风速马尔科夫时间序列;
第六模块,用于根据所述M个风速马尔科夫时间序列、风速与风力发电机输出功率的关系,获取每一风电场的输出功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551950.8A CN109872248B (zh) | 2018-12-18 | 2018-12-18 | 一种风电场集群出力计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811551950.8A CN109872248B (zh) | 2018-12-18 | 2018-12-18 | 一种风电场集群出力计算方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109872248A true CN109872248A (zh) | 2019-06-11 |
CN109872248B CN109872248B (zh) | 2021-07-30 |
Family
ID=66917151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811551950.8A Active CN109872248B (zh) | 2018-12-18 | 2018-12-18 | 一种风电场集群出力计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872248B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400011A (zh) * | 2019-07-12 | 2019-11-01 | 国能日新科技股份有限公司 | 电力现货交易中风电场出力申报方案的确定方法及装置 |
CN111611741A (zh) * | 2020-06-02 | 2020-09-01 | 国网山东省电力公司电力科学研究院 | 基于有限状态马尔科夫序列的时序风速模拟方法和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172329A1 (en) * | 2012-12-17 | 2014-06-19 | Junshan Zhang | System and method for wind generation forecasting |
CN103902837A (zh) * | 2014-04-16 | 2014-07-02 | 广西大学 | 一种基于经验Copula函数进行风速预测的方法 |
CN104252649A (zh) * | 2014-09-25 | 2014-12-31 | 东南大学 | 一种计及多风电场相关性的区域风电出力预测方法 |
CN104657791A (zh) * | 2015-02-28 | 2015-05-27 | 武汉大学 | 一种基于相关性分析的风电场群风速分布预测方法 |
CN104794325A (zh) * | 2015-03-10 | 2015-07-22 | 国家电网公司 | 一种基于随机差分方程的集群风电场出力时序模拟方法 |
CN106548256A (zh) * | 2016-12-05 | 2017-03-29 | 西南石油大学 | 一种风电场时空动态相关性建模的方法和系统 |
CN107563904A (zh) * | 2017-09-05 | 2018-01-09 | 清华大学 | 一种基于风过程划分的风电出力重构方法 |
CN108345961A (zh) * | 2018-01-30 | 2018-07-31 | 上海电力学院 | 风电场群出力预测与分析方法 |
-
2018
- 2018-12-18 CN CN201811551950.8A patent/CN109872248B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140172329A1 (en) * | 2012-12-17 | 2014-06-19 | Junshan Zhang | System and method for wind generation forecasting |
CN103902837A (zh) * | 2014-04-16 | 2014-07-02 | 广西大学 | 一种基于经验Copula函数进行风速预测的方法 |
CN104252649A (zh) * | 2014-09-25 | 2014-12-31 | 东南大学 | 一种计及多风电场相关性的区域风电出力预测方法 |
CN104657791A (zh) * | 2015-02-28 | 2015-05-27 | 武汉大学 | 一种基于相关性分析的风电场群风速分布预测方法 |
CN104794325A (zh) * | 2015-03-10 | 2015-07-22 | 国家电网公司 | 一种基于随机差分方程的集群风电场出力时序模拟方法 |
CN106548256A (zh) * | 2016-12-05 | 2017-03-29 | 西南石油大学 | 一种风电场时空动态相关性建模的方法和系统 |
CN107563904A (zh) * | 2017-09-05 | 2018-01-09 | 清华大学 | 一种基于风过程划分的风电出力重构方法 |
CN108345961A (zh) * | 2018-01-30 | 2018-07-31 | 上海电力学院 | 风电场群出力预测与分析方法 |
Non-Patent Citations (3)
Title |
---|
CARLOS F.MOYANO ET AL.: "An optimization approach for wind turbine commitment and dispatch in a wind park", 《ELECTRIC POWER SYSTEMS RESEARCH》 * |
史可琴,等: "基于随机过程自相关性的风速预测模型分析", 《电网技术》 * |
邓鹤鸣,等: "基于风机调控能力排序的风电场实时有功控制策略", 《电网技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110400011A (zh) * | 2019-07-12 | 2019-11-01 | 国能日新科技股份有限公司 | 电力现货交易中风电场出力申报方案的确定方法及装置 |
CN111611741A (zh) * | 2020-06-02 | 2020-09-01 | 国网山东省电力公司电力科学研究院 | 基于有限状态马尔科夫序列的时序风速模拟方法和系统 |
CN111611741B (zh) * | 2020-06-02 | 2023-10-10 | 国网山东省电力公司电力科学研究院 | 基于有限状态马尔科夫序列的时序风速模拟方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109872248B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | A novel wind speed forecasting system based on hybrid data preprocessing and multi-objective optimization | |
Li et al. | A multi-step ahead photovoltaic power prediction model based on similar day, enhanced colliding bodies optimization, variational mode decomposition, and deep extreme learning machine | |
Wen et al. | A review on reliability assessment for wind power | |
Wang et al. | Estimation methods review and analysis of offshore extreme wind speeds and wind energy resources | |
Vafaeipour et al. | Application of sliding window technique for prediction of wind velocity time series | |
CN105046374A (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN108155674B (zh) | 考虑不确定分布特性的水火电联合调度方法及系统 | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
Colak et al. | Multi-time series and-time scale modeling for wind speed and wind power forecasting part I: Statistical methods, very short-term and short-term applications | |
CN110009141B (zh) | 基于sdae特征提取和svm分类模型的爬坡事件预测方法及系统 | |
Dokur et al. | Hybrid model for short term wind speed forecasting using empirical mode decomposition and artificial neural network | |
Xiyun et al. | Wind power probability interval prediction based on bootstrap quantile regression method | |
Kaplan et al. | Fault diagnosis of smart grids based on deep learning approach | |
CN109872248A (zh) | 一种风电场集群出力计算方法及系统 | |
CN116484743A (zh) | 风电并网对电力系统可靠性影响的评估方法及装置 | |
Zhang et al. | Short‐Term Power Prediction of Wind Power Generation System Based on Logistic Chaos Atom Search Optimization BP Neural Network | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、系统及设备 | |
CN107846039A (zh) | 考虑风速相关性的集群风电并网建模分析方法及系统 | |
Ye et al. | A combined prediction method of wind farm power | |
Pang et al. | Research on wind power output reconstruction technology based on multiple time scales | |
Wu et al. | Development of an industrial forecasting tool in wind power | |
Xu et al. | Evaluation method of DG black start of distribution network | |
Zim et al. | Short-term Weather Forecasting for Wind Energy Generation using A Deep Learning Technique | |
Mantri et al. | Solar Power Generation Prediction for Better Energy Efficiency using Machine Learning | |
Huang et al. | Theory-guided Output Feedback Neural Network (Tg-OFNN) for Short-term Wind Power Forecasting |
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 |