CN110298511A - 一种新型风电功率预测方法及装置 - Google Patents
一种新型风电功率预测方法及装置 Download PDFInfo
- Publication number
- CN110298511A CN110298511A CN201910587612.8A CN201910587612A CN110298511A CN 110298511 A CN110298511 A CN 110298511A CN 201910587612 A CN201910587612 A CN 201910587612A CN 110298511 A CN110298511 A CN 110298511A
- Authority
- CN
- China
- Prior art keywords
- power
- wind speed
- wind
- cloud
- sample
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000013507 mapping Methods 0.000 claims abstract description 32
- 230000009466 transformation Effects 0.000 claims abstract description 25
- 230000007704 transition Effects 0.000 claims abstract description 21
- 230000011218 segmentation Effects 0.000 claims abstract description 20
- 238000011438 discrete method Methods 0.000 claims abstract description 17
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 15
- 238000005259 measurement Methods 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 4
- 239000000428 dust Substances 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 2
- 239000000843 powder Substances 0.000 claims description 2
- 238000012512 characterization method Methods 0.000 abstract description 7
- 230000010354 integration Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000053 physical method Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method 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
- G06Q10/04—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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明提供一种新型风电功率预测方法及装置,其特征是依据实地风速测量,获取一个月内每天的风速‑功率数据,组成风速‑功率样本;根据此风速‑功率样本,建立基于P‑Q分段云的风速‑功率映射关系;根据风速的大小,分别判断其所属P‑Q分段云的区段(i,j),构建相应功率正态云,求取对应两段风速‑功率正态状态转移核;采用拒绝抽样法生成风速vt+1下的功率输出预测值并对预测数据进行正态反变换,得到的数据序列即为原始功率序列,实现风功率预测。本发明基于P‑Q分段法对传统对称云进行改进,将相似数据用同一参数云表征,以熵值表征风速‑功率映射的概率性,以超熵表征映射的不确定性;显著地提高了大型风电场风速‑功率预测精度。
Description
技术领域
本发明涉及风场风功率预测技术领域,具体地说,涉及一种新型风电功率预测方法及装置。
背景技术
风能取之不尽,用之不竭,与传统能源相比具有可再生、低成本,没有污染物和碳排放等优点,同时其规模化和商业化的开发前景和清洁的利用方式,都使得风能资源的发电、传输及使用相关技术成为目前行业的研究热点。因为风速变化的随机性,风电场出力具有很强的不稳定性,并且大型风力涡轮机不能储存电能,而且不受人为控制。这些客观存在的事实表明,虽然风力发电具有许多显而易见的优点,但同时也将造成负面影响,这些问题在某些程度上限制了风力发电发展的步伐。因此做好风电发电的预测和调控是风电并网稳定运行和有效消纳的重要条件。
传统的风功率预测方法一般主要有物理方法和统计方法。物理模型的方法主要是根据风电场的地理信息和气象信息,预测出未来一段时间内风电场的气象数据,从而预测出风电场的输出功率。统计方法是根据历史风功率和气象数据信息对风电场输出功率进行预测,常用的预测方法有人工神经元网络、蚁群算法和支持向量机(SVM)方法等。目前大部分风功率预测方法都是利用风电场的气象数据和历史数据对整个风电场的输出功率进行预测,没有考虑历史风速的时间序列的相关性。
发明内容
为了解决上述现有技术的不足之处,本发明的目的在于提供一种新型风电功率预测方法及装置,以克服现有技术中的缺陷。
为了实现上述目的,本发明采用了一种新型风电功率预测方法,所述方法包括如下步骤:
1)依据实地风速测量,获取一个月内每天的风速-功率数据,组成风速-功率样本;
2)根据此风速-功率样本,建立基于P-Q分段云的风速-功率映射关系;
3)根据风速vt和vt+1的大小,分别判断其所属P-Q分段云的区段(i,j),构建相应功率正态云,求取对应两段风速-功率正态状态转移核;
4)采用拒绝抽样法生成风速vt+1下的功率输出预测值
5)将产生的作为已知状态,重复步骤2)至步骤3)得到并以此类推,进行多点预测;
6)根据式对预测数据进行正态反变换,得到的数据序列即为原始功率序列,实现风功率预测。
优选地,本发明所述新型风电功率预测方法中步骤1的建立基于P-Q分段云的风速-功率映射关系采用下述方法:
1)取出此地一个月内的风速-功率样本;
2)建立P-Q分段法;
3)采用P-Q分段法将样本数据划分为10个区段,每个区段具有相似的概率及不确定性质;
4)建立样本云模型;
5)对任意区段数据进行正态变换,具体步骤为:
①首先通过拟合的方法得到原始功率数据序列的累积概率分布函数F(·)
②利用CDF技术对该原始数据进行变换,得到服从[0,1]分布的均匀序列Ut
③利用样本云模型对原始序列Ut进行正态变换,得到服从标准正态分布的功率过程序列
6)采用逆向云发生器对经过步骤2和步骤3处理过的每个区段样本求取样本云模型期望Exi、熵Eni以及超熵Hei指标;
7)采用正向云发生器根据步骤4产生的样本云模型参数生成新的样本数据,得到各区段风速-功率映射关系。
优选地,所述建立风速-功率映射关系方法中步骤2的建立P-Q分段法包括如下步骤:
1)设一段风功率输出曲线上的相邻4点为(O,P,Q,R),曲线凹凸性质取决于不共性的矢量叉积的正负;
2)对4个有序点(O,P,Q,R)形成3个有序矢量,分别为对其进行叉积计算,即:
3)当两个相邻矢量叉积符号为负时,两个矢量区段间存在凹凸性质转变的拐点,该拐点即为P-Q连线与曲线的交点,即曲线P-Q分段节点;
4)实现区段的P-Q分段。
优选地,所述建立风速-功率映射关系方法中步骤4的样本云模型建立方法包括如下步骤:
1)设U为论域,并且C是U上的定性概念;
2)设x∈U是定性概念C的一次随机实现,且具有稳定倾向的数值μ,则可以得到样本云模型的数学表达式:
μ:U→[0,1],∨x∈U,x→μ(x)
式中:x在论域U上的分布称为云,(x,μ)为分布云的云滴;
3)通过逆向云发生器获得云模型用期望Ex、熵En及超熵He等3个数字特征描述数据。
优选地,所述新型风电功率预测方法中步骤3的求取两段对应风速-功率正态状态转移核的方法包括如下步骤:
1)设一阶连续马尔科夫链模型为:
式中:v(t)为关于时刻t的风速序列函数;为CSMC过程的一步状态转移核,表示在已知前k个时刻风速对应输出功率的前提下,下一时刻风速v(k+1)对应输出功率的概率分布函数。
2)采用拒绝抽样法得到下一时刻风速下风电场有功功率输出数值,着重求取样本云模型的状态转移核;
经过处理后的和服从正态云分布,记为:
式中:和分别服从正态分布,记作:
3)相邻时刻风速下风电场的功率输出均服从正态分布,它们可以构成的二维随机向量可近似认为服从二元正态分布,其联合概率密度函数为则风速-功率状态转移核为:
式中:H(·)是随机过程中相邻时刻风速下功率输出的二维联合概率分布;F(·)为风电场在风速vt下功率输出的边缘分布。
本发明还提供了一种新型风电功率预测装置,所述装置包括测量模块、依次与测量模块连接的P-Q分段模块、正态变换模块、风速-功率映射关系模块、正态状态转移核模块、拒绝抽样模块、正态反变换模块和显示模块;其中,所述测量模块,用于获取一个月内的风速-功率数据样本;所述P-Q分段模块,用于利用P-Q分段法将风速-功率数据样本数据划分为10个区段;所述正态变换模块,用于将10个样本区段进行正态变换;所述风速-功率映射关系模块,用于生成风速-功率映射关系;所述正态状态转移核模块,用于求取风速-功率正态转移核;所述拒绝抽样模块,用于生成不同风速下的功率输出预测值;所述正态反变换模块,用于对预测数据进行正态反变换,得到原始功率序列;所述显示模块,用于显示原始功率序列,实现风功率预测。
与现有技术相比,本发明的有益效果是:
1)本发明的新型风电功率预测方法根据某一风速在不同区间较大区别的输出功率,引入正态化的基于P-Q分段的样本云模型,很好地将风电场输出功率的概率性及不确定性体现出来,拟合优度检验结果高;
2)本发明的新型风电功率预测方法构建了基于样本云模型下的风速-功率正态状态转移核,可以显著提高风电场输出功率预测精度。
3)本发明的新型风电功率预测方法充分考虑了风电场风速-功率不确定性,采用P-Q分段法将样本数据划分为10个区段,显著提高了风电场风速-功率预测精度,具有较高的实用性和可行性。
附图说明
图1为本发明的新型风电功率预测方法的流程图;
图2为本发明的风电功率预测方法中风速-功率映射关系建立的方法流程图;
图3为本发明的风速-功率映射关系建立中P-Q分段法的流程图;
图4为本发明的风速-功率映射关系建立中云模型的建立方法流程图;
图5为本发明的风电功率预测方法中求取对应风速-功率正态状态转移核的方法流程图;
图6为本发明的新型风电预测装置的结构示意图。
具体实施方式
为了能够进一步了解本发明的结构、特征及其他目的,现结合所附较佳实施例附以附图详细说明如下,本附图所说明的实施例仅用于说明本发明的技术方案,并非限定本发明。
首先,如图1所示,图1为本发明的一种新型风电功率预测方法的流程图;所述方法包括如下步骤:
1)依据实地风速测量,获取一个月内每天的风速-功率数据,组成风速-功率样本;
2)根据此风速-功率样本,建立基于P-Q分段云的风速-功率映射关系;
3)根据风速vt和vt+1的大小,分别判断其所属P-Q分段云的区段(i,j),构建相应功率正态云,求取对应两段风速-功率正态状态转移核;
4)采用拒绝抽样法生成风速vt+1下的功率输出预测值
5)将产生的作为已知状态,重复步骤2)至步骤3)得到并以此类推,进行多点预测;
6)根据式对预测数据进行正态反变换,得到的数据序列即为原始功率序列,实现风功率预测。
工作原理:本发明的新型风电功率预测方法首先通过实测数据研究风电场风速-功率之间的不确定映射关系;然后基于P-Q分段法对传统对称云进行改进,将相似数据用同一参数云表征,以熵值表征风速-功率映射的概率性,以超熵表征映射的不确定性;最后建立了基于马尔科夫的风速-功率预测模型,充分考虑风速-功率映射的不确定性及风速转移的相关性。
进一步地,请参见图2,图2为本发明的风电功率预测方法中风速-功率映射关系建立的方法流程图;包括如下步骤:
1)取出此地一个月内的风速-功率数据样本;
2)建立P-Q分段;
3)采用P-Q分段法将样本数据划分为10个区段,每个区段具有相似的概率及不确定性质;
4)建立样本云模型;
5)对任意区段数据进行正态变换,具体步骤为:
①首先通过拟合的方法得到原始功率数据序列的累积概率分布函数F(·)
②利用CDF技术对该原始数据进行变换,得到服从[0,1]分布的均匀序列Ut
③利用样本云模型对原始序列Ut进行正态变换,得到服从标准正态分布的功率过程序列
6)采用逆向云发生器对经过步骤2和步骤3处理过的每个区段样本求取样本云模型期望Exi、熵Eni以及超熵Hei指标;
7)采用正向云发生器根据步骤4产生的样本云模型参数生成新的样本数据,得到各区段风速-功率映射关系。
此外,请参见图3,图3为本发明的风速-功率映射关系建立中P-Q分段法的流程图;P-Q分段法的原理为:离散数据本质特征发生改变的重要分界点,在数学分析上,通常认为是图形凹凸拐点;概率性和不确定性是两个相邻拐点之间的数据段信息特征,可用同一个云模型表征,但需要不同云模型表征去表述信息差异较大的不同相似云段;基于上述原理,首先求取风速-功率概率分布曲线拐点,然后针对不同相似段构造正态云。
所述建立P-Q分段法包括如下步骤:
1)设一个月内风功率输出曲线上的相邻4点为(O,P,Q,R),曲线凹凸性质取决于不共性的矢量叉积的正负;
2)对4个有序点(O,P,Q,R)形成3个有序矢量,分别为对其进行叉积计算,即:
3)当两个相邻矢量叉积符号为负时,两个矢量区段间存在凹凸性质转变的拐点,该拐点即为P-Q连线与曲线的交点,即曲线P-Q分段节点;
4)实现区段的P-Q分段。
另外,请参见图4,图4为本发明的风速-功率映射关系建立中样本云模型的建立方法流程图;其工作原理为:在数学方法上,我们通常用云模型来描述定性概念与其定量表示之间的不确定性,将云模型运用至不确定映射建模中具有无可比拟的优势。建立云模型的具体步骤为:
1)设U为论域,并且C是U上的定性概念;
2)设x∈U是定性概念C的一次随机实现,且具有稳定倾向的数值μ,则可以得到云模型的数学表达式:
μ:U→[0,1],∨x∈U,x→μ(x)
式中:x在论域U上的分布称为云,(x,μ)为分布云的云滴;
3)通过逆向云发生器获得云模型用期望Ex、熵En及超熵He等3个数字特征描述数据。
另外,请参见图5,图5为本发明的风电功率预测方法中求取对应风速-功率正态状态转移核的方法流程图;其工作原理为:首先,建立一阶连续马尔科夫链模型:
其中,为CSMC过程中一步状态转移核,表示在已知前一个时刻风速对应输出功率的前提下,下一时刻对应的输出功率概率分布函数。
其次,利用已知的状态转移核,采用拒绝抽样法,得到下一时刻风速下的风电功率输出值;经过处理后的和服从正态云分布:
其中,和也服从正态分布;记作:
由于风电场在相邻时刻的功率输出服从正态分布,相邻时刻的功率输出构成的二维随机向量近似为服从二元正态分布,则风速-功率状态转移核为:
式中:H(·)是随机过程中相邻时刻风速下功率输出的二维联合概率分布;F(·)为风电场在风速vt下功率输出的边缘分布。
最后,请参见图6,图6为本发明的新型风电预测装置的结构示意图;所述装置包括测量模块、P-Q分段模块、正态变换模块、风速-功率映射关系模块、正态状态转移核模块、拒绝抽样模块、正态反变换模块和显示模块;其中,所述测量模块,用于获取一定数量的风速-功率数据样本;所述P-Q分段模块,用于利用P-Q分段法将样本数据划分为10个区段;所述正态变换模块,用于将10个样本区段进行正态变换;所述风速-功率映射关系模块,用于生成风速-功率映射关系;所述正态状态转移核模块,用于求取风速-功率正态转移核;所述拒绝抽样模块,用于生成不同风速下的功率输出预测值;所述正态反变换模块,用于对预测数据进行正态反变换,得到原始功率序列;所述显示模块,用于显示原始功率序列,实现风功率预测。
需要声明的是,上述发明内容及具体实施方式意在证明本发明所提供技术方案的实际应用,不应解释为对本发明保护范围的限定。本领域技术人员在本发明的精神和原理内,当可作各种修改、等同替换或改进。本发明的保护范围以所附权利要求书为准。
Claims (6)
1.一种新型风电功率预测方法,其特征在于,包括如下步骤:
1)依据实地风速测量,获取一个月内每天的风速-功率数据,组成风速-功率样本;
2)根据此风速-功率样本,建立基于P-Q分段云的风速-功率映射关系;
3)根据风速vt和vt+1的大小,分别判断其所属P-Q分段云的区段(i,j),构建相应功率正态云,求取对应两段风速-功率正态状态转移核;
4)采用拒绝抽样法生成风速vt+1下的功率输出预测值
5)将产生的作为已知状态,重复步骤2)至步骤3)得到并以此类推,进行多点预测;
6)根据式Fi(p)=F-1(Fi new(p))对预测数据进行正态反变换,得到的数据序列即为原始功率序列,实现风功率预测。
2.根据权利要求1所述的一种新型风电功率预测方法,其特征在于,所述步骤2的建立基于P-Q分段云的风速-功率映射关系采用如下方法:
1)取出此地一个月内的风速-功率样本;
2)建立P-Q分段法;
3)采用P-Q分段法将此样本数据划分为10个区段,每个区段具有相似的概率及不确定性质;
4)建立样本云模型;
5)对任意区段数据进行正态变换,具体步骤为:
①首先通过拟合的方法得到原始功率数据序列Pvt的累积概率分布函数F(·)
②利用CDF技术对该原始数据进行变换,得到服从[0,1]分布的均匀序列Ut
③利用样本云模型对原始序列Ut进行正态变换,得到服从标准正态分布的功率过程序列
6)采用逆向云发生器对经过步骤2和步骤3处理过的每个区段样本求取样本云模型期望Exi、熵Eni以及超熵Hei指标;
7)采用正向云发生器根据步骤4产生的样本云模型参数生成新的样本数据,得到各区段风速-功率映射关系。
3.根据权利要求2所述的一种新型风电功率预测方法,其特征在于,所述步骤2的建立P-Q分段法包括如下步骤:
1)设一个月内风功率输出曲线上的相邻4点为(O,P,Q,R),曲线凹凸性质取决于不共性的矢量叉积的正负;
2)对4个有序点(O,P,Q,R)形成3个有序矢量,分别为对其进行叉积计算,即:
3)当两个相邻矢量叉积符号为负时,两个矢量区段间存在凹凸性质转变的拐点,该拐点即为P-Q连线与曲线的交点,即曲线P-Q分段节点;
4)实现区段的P-Q分段。
4.根据权利要求2所述的一种新型风电功率预测方法,其特征在于,所述步骤4中建立样本云模型包括如下步骤:
1)设U为论域,并且C是U上的定性概念;
2)设x∈U是定性概念C的一次随机实现,且具有稳定倾向的数值μ,则可以得到样本云模型的数学表达式:
μ:U→[0,1],∨x∈U,x→μ(x)
式中:x在论域U上的分布称为云,(x,μ)为分布云的云滴;
3)通过逆向云发生器获得样本云模型用期望Ex、熵En及超熵He等3个数字特征描述数据。
5.根据权利要求1所述的一种新型风电功率预测方法,其特征在于,所述步骤3的求取对应两段风速-功率正态状态转移核的方法包括如下步骤:
1)设一阶连续马尔科夫链模型为:
式中:v(t)为关于时刻t的风速序列函数;为CSMC过程的一步状态转移核,表示在已知前k个时刻风速对应输出功率的前提下,下一时刻风速v(k+1)对应输出功率的概率分布函数。
2)采用拒绝抽样法得到下一时刻风速下风电场有功功率输出数值,着重求取样本云模型的状态转移核;
经过处理后的和服从正态云分布,记为:
式中:和分别服从正态分布,记作:
3)相邻时刻风速下风电场的功率输出均服从正态分布,它们可以构成的二维随机向量可近似认为服从二元正态分布,其联合概率密度函数为则风速-功率状态转移核为:
式中:H(·)是随机过程中相邻时刻风速下功率输出的二维联合概率分布;F(·)为风电场在风速vt下功率输出的边缘分布。
6.一种新型风电功率预测装置,其特征在于,包括:测量模块、依次与测量模块连接的P-Q分段模块、正态变换模块、风速-功率映射关系模块、正态状态转移核模块、拒绝抽样模块、正态反变换模块和显示模块;
所述测量模块,用于获取一个月内的风速-功率数据样本;
所述P-Q分段模块,用于利用P-Q分段法将样本数据划分为10个区段;
所述正态变换模块,用于将10个样本区段进行正态变换;
所述风速-功率映射关系模块,用于生成风速-功率映射关系;
所述正态状态转移核模块,用于求取风速-功率正态转移核;
所述拒绝抽样模块,用于生成不同风速下的功率输出预测值;
所述正态反变换模块,用于对预测数据进行正态反变换,得到原始功率序列;
所述显示模块,用于显示原始功率序列,实现风功率预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910587612.8A CN110298511B (zh) | 2019-07-02 | 2019-07-02 | 一种新型风电功率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910587612.8A CN110298511B (zh) | 2019-07-02 | 2019-07-02 | 一种新型风电功率预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298511A true CN110298511A (zh) | 2019-10-01 |
CN110298511B CN110298511B (zh) | 2023-11-21 |
Family
ID=68029811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910587612.8A Active CN110298511B (zh) | 2019-07-02 | 2019-07-02 | 一种新型风电功率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298511B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613632A (zh) * | 2020-03-31 | 2021-04-06 | 北京金风慧能技术有限公司 | 功率预测模型建立方法、预测方法、装置及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130066569A1 (en) * | 2011-09-13 | 2013-03-14 | Kabushiki Kaisha Toshiba | Power generation predicting apparatus and method thereof |
CN105809293A (zh) * | 2016-03-29 | 2016-07-27 | 国网青海省电力公司 | 一种多模型风电场短期功率组合预测方法 |
CN106709819A (zh) * | 2017-01-04 | 2017-05-24 | 云南电网有限责任公司大理供电局 | 一种风电场功率预测综合评价方法 |
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 |
CN108832623A (zh) * | 2018-06-29 | 2018-11-16 | 国网山东省电力公司电力科学研究院 | 一种物理-统计混合两阶段风电功率预测方法 |
CN109636066A (zh) * | 2019-01-04 | 2019-04-16 | 广东工业大学 | 一种基于模糊时间序列挖掘的风电输出功率预测方法 |
-
2019
- 2019-07-02 CN CN201910587612.8A patent/CN110298511B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130066569A1 (en) * | 2011-09-13 | 2013-03-14 | Kabushiki Kaisha Toshiba | Power generation predicting apparatus and method thereof |
CN105809293A (zh) * | 2016-03-29 | 2016-07-27 | 国网青海省电力公司 | 一种多模型风电场短期功率组合预测方法 |
CN106709819A (zh) * | 2017-01-04 | 2017-05-24 | 云南电网有限责任公司大理供电局 | 一种风电场功率预测综合评价方法 |
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 |
CN108832623A (zh) * | 2018-06-29 | 2018-11-16 | 国网山东省电力公司电力科学研究院 | 一种物理-统计混合两阶段风电功率预测方法 |
CN109636066A (zh) * | 2019-01-04 | 2019-04-16 | 广东工业大学 | 一种基于模糊时间序列挖掘的风电输出功率预测方法 |
Non-Patent Citations (4)
Title |
---|
刘文颖,等.: "基于L2范数组合云的风电场短期风速–功率拟合方法", 《中国电机工程学报》 * |
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》 * |
杨茂等: "风电机组风速-功率特性曲线建模研究综述", 《电力自动化设备》 * |
董兴辉等: "基于云模型的风电机组输出功率特性分析", 《机械工程学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613632A (zh) * | 2020-03-31 | 2021-04-06 | 北京金风慧能技术有限公司 | 功率预测模型建立方法、预测方法、装置及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN110298511B (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
CN109713737A (zh) | 一种接入柔性直流电网的新能源外送能力评估方法及系统 | |
CN106532778B (zh) | 一种计算分布式光伏并网最大准入容量的方法 | |
CN106295899B (zh) | 基于遗传算法与支持向量分位数回归的风电功率概率密度预测方法 | |
CN105633948B (zh) | 一种分布式能源接入电力系统随机模糊潮流算法 | |
CN109272156A (zh) | 一种超短期风电功率概率预测方法 | |
Asgari et al. | Exergy analysis and optimisation of a wind turbine using genetic and searching algorithms | |
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 | |
CN106684905B (zh) | 一种考虑风电预测不确定性的风电场动态等值方法 | |
CN107679687A (zh) | 一种光伏出力建模方法以及发电系统可靠性评估方法 | |
CN103440405A (zh) | 基于实测数据的风电场稳态建模方法及系统 | |
CN106961104A (zh) | 基于数据分析和组合基函数神经网络的风电功率预测方法 | |
CN106058863A (zh) | 一种基于随机响应面法的随机最优潮流计算方法 | |
Wu et al. | Radial basis function neural network based short-term wind power forecasting with Grubbs test | |
Japar et al. | Estimating the wake losses in large wind farms: A machine learning approach | |
Zhu et al. | Data acquisition, power forecasting and coordinated dispatch of power systems with distributed PV power generation | |
Ni et al. | A review of line loss analysis of the low-voltage distribution system | |
CN110298511A (zh) | 一种新型风电功率预测方法及装置 | |
CN107276093B (zh) | 基于场景削减的电力系统概率潮流计算方法 | |
Zhang et al. | Joint forecasting of regional wind and solar power based on attention neural network | |
Wu et al. | Probabilistic wind power forecasts considering different NWP models | |
Chenhong et al. | Wind speed prediction research based on time series model with residual correction | |
CN107918920B (zh) | 多光伏电站的出力关联性分析方法 | |
CN109193779A (zh) | 一种分布式风力发电最大容量评估方法 | |
CN105279318B (zh) | 一种直驱永磁风电机组风电场动态等值方法 |
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 |