CN110365041B - 基于gan场景模拟的风电多场景鲁棒调度方法 - Google Patents
基于gan场景模拟的风电多场景鲁棒调度方法 Download PDFInfo
- Publication number
- CN110365041B CN110365041B CN201910484761.1A CN201910484761A CN110365041B CN 110365041 B CN110365041 B CN 110365041B CN 201910484761 A CN201910484761 A CN 201910484761A CN 110365041 B CN110365041 B CN 110365041B
- Authority
- CN
- China
- Prior art keywords
- scene
- robust
- scheduling
- wind speed
- scenes
- 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 39
- 238000004088 simulation Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 9
- 230000008569 process Effects 0.000 claims abstract description 4
- 230000009467 reduction Effects 0.000 claims abstract description 4
- 230000009194 climbing Effects 0.000 claims description 18
- 238000005070 sampling Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000004904 shortening Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000011160 research 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
- H02J3/38—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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于gan场景模拟的风电多场景鲁棒调度方法,包括步骤:(1)确定调度系统的运行参数;(2)收集历史风速场景数据;(3)利用生成对抗网络生成风速场景;(4)对风速场景进行场景削减;(5)搭建含风电场电力系统鲁棒调度模型;(6)利用鲁棒优化方法对进行搭建的调度模型进行求解。本发明采用生成对抗网络来模拟风电场的风速场景,无须引入复杂的风速预测模型,也不需要采用风速的概率分布进行抽样,令场景模拟过程大大简化。
Description
技术领域
本发明涉及电力系统优化运行与控制领域,尤其涉及一种基于gan场景模拟的风电多场景鲁棒调度方法。
背景技术
随着风光等可再生能源发电渗透率的日益提高,电力系统的安全稳定受到严峻的挑战,关于高渗透可再生能源系统的调度和运行策略的研究也如火如荼的进行。
目前关于风电高渗透的电力系统的调度方法主要有随机优化方法和鲁棒优化方法。这两种方法各有优劣,都能在特定场景下解决相关的风电高渗透系统调度问题,但这两种方法分别都有一个亟待解决的问题:随机优化方法中风电出力的概率分布怎么确定以及鲁棒优化调度方法中最坏场景如何确定。以上两个问题都会或多或少采用概率抽样或者经验概率分布模型,但这种方式无疑存在着方案理想化,存在实际工程误差的问题,同时,若采用概率抽样的方法,得到的抽样场景过多则增加调度计算难度,影响调度的时效性,若过少则更不具代表性,工程实用性低。
近年来深度学习领域提出了生成对抗网络技术(Generative AdversarialNetworks,GAN),一经提出就受到广泛关注,其无需对数据服从的分布作任何假定,可以直接从数据中学习并生成新的数据样本,这给风电调度的场景模拟提供了新的思路。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于gan场景模拟的风电多场景鲁棒调度方法。本发明采用生成对抗网络,基于历史风速场景生成模拟场景,在模拟场景的基础上搭建风电多场景鲁棒调度模型,再利用鲁棒优化方法对模型进行求解。
本发明的目的能够通过以下技术方案实现:
基于gan场景模拟的风电多场景鲁棒调度方法,包括步骤:
确定调度系统的运行参数;
收集历史风速场景数据;
利用生成对抗网络生成风速场景;
对风速场景进行场景削减;
搭建含风电场电力系统鲁棒调度模型;
利用鲁棒优化方法对搭建的调度模型进行求解。
本发明相较于现有技术,具有以下的有益效果:
1、本发明采用生成对抗网络来模拟风电场的风速场景,无需引入复杂的风速预测模型,并且无需采用风速的概率分布进行抽样,大大简化了场景模拟过程。
2、风速场景模拟采用生成对抗网络,并且参考系统的历史风速场景,使得场景模拟更加精确,生成的场景组合更具有代表性。
3、本发明将生成对抗网络的场景模拟和鲁棒调度相结合,大大提供了含风电场的电力系统鲁棒调度的策略可行性,同时提高了调度策略的制定速度。
附图说明
图1是基于gan场景模拟的风电多场景鲁棒调度方法的流程图。
图2是本发明采用的生成对抗网络的结构示意图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1所述为一种基于gan场景模拟的风电多场景鲁棒调度方法的流程图,包括如下步骤:
(1)确定调度系统的运行参数。
具体地,所述系统的运行参数主要包括各机组的发电功率上下限,爬坡速率,系统调度日的24h负荷,线路传输功率限制,风电切入风速,切出风速,额定风速,额定功率等。
(2)收集历史风速场景数据。
本发明收集过去十年的风速数据,涵盖十年内的普通场景和恶劣天气的极端场景,极端场景包括台风,暴雨等天气场景。
(3)利用生成对抗网络生成风速场景,如图2所示为采用的生成对抗网络的结构图,包括步骤:
(3-1)构建生成器网络G1,G2,G3(z),同时构建判别器D;
(3-2)从一个预先定义的分布pz中进行随机采样得到噪声集z={z1,z2,z3,…,zn};
(3-3)令生成器的输入为z,输出“假”数据G1(z),G2(z),G3(z);
(3-4)将“假”数据G1(z),G2(z),G3(z)置于判别器D中判断数据真假,根据判别结果,更新各生成器网络的参数;
判别器的输出为一个一维的标量,表示输入为“真”的概率。对于真实数据样本x有D(x)=1,理想情况下对生成数据有D(G1(z))=0,D(G2(z))=0,D(G3(z))=0;
生成器训练的目标函数为:
L=-||G1(z)-G2(z)||p-||G2(z)-G3(z)||p-||G1(z)-G3(z)||p
其中,λ为协同控制常数,可以根据各生成器性能差异调整训练模型的训练协同程度;协同距离L采用p范数来评价各生成器之间的性能差异,此处p可根据训练需求来自定义。
(3-5)重复步骤(3-4)训练过程k次,直至前后两次训练结果的目标函数值之差小于第一次训练的目标函数值的0.0.1倍。以历史风速场景数据作为真实数据集x={x1,x2,x3,…,xn},将“假”数据G1(z),G2(z),G3(z)和真数据x={x1,x2,x3,…,xn}置于判别器D中进行判别;根据判别结果更新判别器D的参数;
判别器训练的目标函数为:
(3-6)设置协同参数;
协同参数的计算公式为:
根据判别结果计算协同参数s1,s2,s3的值,s1为s1,s2,s3中最大值,即G1的真实度较高,则给各生成器网络G2,G3设置惩罚网络连接权,拉近性能差的生成器网络与性能较优的网络之间的距离;若s2,s3较大则同理可调整性能相对较差的生成器网络的惩罚网络连接权,使各生成器网络的性能协同进步。
(3-7)重复步骤(3-3)-(3-6),直至生成器网络近似收敛于真实数据分布,得到生成场景集M。
(4)对风速场景进行场景削减,具体削减方法为:
(4-1)随机抽取生成场景中的10个场景,构成代表场景集S。
(4-2)计算非代表场景的各个生成场景与各个代表场景的欧式距离:
其中,mi,mj分别表示生成场景集M中第i个样本和代表场景集S中第j个样本。T为一个风速场景中数据的个数,本实施例中以一天为调度时间尺度,15min为调度时间间隔,故令T=96。
将生成场景集中所有场景通过此公式计算出其与十个代表场景之间的欧式距离,然后根据生成场景与代表场景的欧式距离,各生成场景找到与自身欧式距离最小的代表场景,并将自己归到此代表场景这一类中。由此,将步骤(3)中的生成场景集中所有场景分为10类,而代表场景集S中的10个场景即作为这10类场景的参照中心,即每一类各自的代表场景,由各代表场景可以反映各类场景各自的特征。
(4-3)对代表场景集中10个场景进行更新;
更新操作的目标函数为:
(4-4)重复步骤(4-1)到(4-3)直到收敛,即代表场景不再更新时。
(5)搭建含风电场电力系统鲁棒调度模型;
模型目标函数为:
其中,NG为火电机组的个数,Pit为第i个火电机组在第t个调度时刻的出力值,qit(m)为场景m发生时第i个火电机组在第t个调度断面的有功出力调整量,pm为第m个场景出现的概率。fi(.)为第i个火电机组的运行费用函数,其中ai,bi,ci为其运行费用系数。
模型约束条件包括系统有功平衡鲁棒约束、机组爬坡鲁棒约束和机组出力上下限约束;
系统有功平衡鲁棒约束表示为:
机组爬坡鲁棒约束表示为:
其中,ΔPi,up,ΔPi,down分别为第i个火电机组的上下爬坡的上限值。
机组出力上下限约束表示为:
其中,Pi min,Pi max分别为第i个机组的有功出力上下限值。
(6)利用鲁棒优化方法对进行搭建的调度模型进行求解,求解步骤如下:
(6-1)通过简化鲁棒可行域,简化鲁棒调度模型的约束条件;
具体操作为:将代表场景缩减为两种极端场景m1和m2,从场景m1过渡到场景m2机组的爬坡约束最为接近其上爬坡的上限,从场景m2过渡到到场景m1机组的爬坡约束最为接近其下爬坡的上限值。
(6-2)对鲁棒模型的有功平衡鲁棒约束和机组爬坡鲁棒约束进行转化,转化后约束条件为:
qit(m1)≤qit(m)≤qit(m2)
(6-3)利用CPLEX工具箱对转化后的调度模型进行求解。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于gan场景模拟的风电多场景鲁棒调度方法,其特征在于,包括步骤:
(1)确定调度系统的运行参数;
(2)收集历史风速场景数据;
(3)利用生成对抗网络生成风速场景;
(4)对风速场景进行场景削减;
(5)搭建含风电场电力系统鲁棒调度模型;
(6)利用鲁棒优化方法对进行搭建的调度模型进行求解。
2.根据权利要求1所述的一种基于gan场景模拟的风电多场景鲁棒调度方法,其特征在于,系统的运行参数主要包括各机组的发电功率上下限,爬坡速率,系统调度日的24h负荷,线路传输功率限制,风电切入风速,切出风速,额定风速,额定功率。
3.根据权利要求1所述的一种基于gan场景模拟的风电多场景鲁棒调度方法,其特征在于,所述步骤(3)包括步骤:
(3-1)构建生成器网络G1、G2和G3,同时构建判别器D;
(3-2)从一个预先定义的分布pz中进行随机采样得到噪声集z={z1,z2,z3,…,zn};
(3-3)令生成器网络G1、G2和G3的输入为z,输出“假”数据G1(z)、G2(z)、G3(z);
(3-4)将“假”数据G1(z)、G2(z)、G3(z)置于判别器D中判断数据真假,根据判别结果,更新各生成器网络G1、G2和G3的参数;
生成器网络G1、G2和G3的训练的目标函数为:
L=-||G1(z)-G2(z)||p-||G2(z)-G3(z)||p-||G1(z)-G3(z)||p
其中,λ为协同控制常数,根据生成器网络G1、G2和G3性能差异调整训练模型的训练协同程度;协同距离L采用p范数来评价生成器网络G1、G2和G3之间的性能差异,p可根据训练需求来自定义;
(3-5)重复步骤(3-4)训练过程k次,直至前后两次训练结果的目标函数值之差小于第一次训练的目标函数值的0.01倍;以历史风速场景数据作为真实数据集x={x1,x2,x3,…,xn},将“假”数据G1(z)、G2(z)、G3(z)和真数据x={x1,x2,x3,…,xn}置于判别器D中进行判别;根据判别结果更新判别器D的参数;
判别器D训练的目标函数为:
(3-6)设置协同参数;
协同参数的计算公式为:
根据判别结果计算协同参数s1,s2,s3的值,若s1为s1、s2、s3中最大值,即G1的真实度较高,则给生成器网络G2、G3设置惩罚网络连接权,拉近性能差的生成器网络与性能较优的生成器网络之间的距离;若s2、s3较大则同理可调整性能相对较差的生成器网络的惩罚网络连接权;
(3-7)重复步骤(3-3)-(3-6),直至生成器网络近似收敛于真实数据分布,得到生成场景集M。
4.根据权利要求3所述的一种基于gan场景模拟的风电多场景鲁棒调度方法,其特征在于,所述步骤(4)包括:
(4-1)随机抽取生成场景集M中的10个场景,构成代表场景集S;
(4-2)计算非代表场景的各个生成场景与各个代表场景的欧式距离:
其中,mi,mj分别表示生成场景集M中第i个样本和代表场景集S中第j个样本;T为一个风速场景中数据的个数;
将生成场景集中所有生成场景通过此公式计算出其与十个代表场景之间的欧式距离,然后根据各生成场景与各代表场景的欧式距离,各生成场景找到与自身欧式距离最小的代表场景,并将其归到此代表场景这一类中;
(4-3)对代表场景集S中10个场景进行更新;
更新操作的目标函数为:
(4-4)重复步骤(4-1)到(4-3)直到收敛。
5.根据权利要求1所述的一种基于gan场景模拟的风电多场景鲁棒调度方法,其特征在于,所述步骤(5)中,
模型目标函数为:
其中,NG为火电机组的个数,Pit为第i个火电机组在第t个调度时刻的出力值,qit(m)为场景m发生时第i个火电机组在第t个调度断面的有功出力调整量,pm为第m个场景出现的概率;fi(.)为第i个火电机组的运行费用函数,其中ai、bi、ci为其运行费用系数;
模型约束条件包括系统有功平衡鲁棒约束、机组爬坡鲁棒约束和机组出力上下限约束;
系统有功平衡鲁棒约束表示为:
机组爬坡鲁棒约束表示为:
其中,ΔPi,up,ΔPi,down分别为第i个火电机组的上下爬坡的上限值;
机组出力上下限约束表示为:
其中,Pi min,Pi max分别为第i个机组的有功出力上下限值。
7.根据权利要求1所述的一种基于gan场景模拟的风电多场景鲁棒调度方法,其特征在于,所述历史风速场景数据为过去十年的风速数据,包括十年内的普通场景和恶劣天气的极端场景,极端场景包括台风,暴雨等天气场景。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910484761.1A CN110365041B (zh) | 2019-06-05 | 2019-06-05 | 基于gan场景模拟的风电多场景鲁棒调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910484761.1A CN110365041B (zh) | 2019-06-05 | 2019-06-05 | 基于gan场景模拟的风电多场景鲁棒调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110365041A CN110365041A (zh) | 2019-10-22 |
CN110365041B true CN110365041B (zh) | 2021-05-14 |
Family
ID=68216763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910484761.1A Active CN110365041B (zh) | 2019-06-05 | 2019-06-05 | 基于gan场景模拟的风电多场景鲁棒调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110365041B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110991122B (zh) * | 2019-11-19 | 2021-08-10 | 浙江大学 | 用神经网络和交叉熵采样的风电电力系统可靠性估测方法 |
CN112994115B (zh) * | 2019-12-18 | 2023-09-29 | 华北电力大学(保定) | 一种基于wgan场景模拟和时序生产模拟的新能源容量配置方法 |
CN111709672B (zh) * | 2020-07-20 | 2023-04-18 | 国网黑龙江省电力有限公司 | 基于场景和深度强化学习的虚拟电厂经济调度方法 |
CN112232488A (zh) * | 2020-10-22 | 2021-01-15 | 国网河南省电力公司经济技术研究院 | 基于深度学习与数据驱动的新能源出力场景生成方法 |
CN113298290A (zh) * | 2021-04-27 | 2021-08-24 | 宁波职业技术学院 | 一种基于图像生成的风电功率预测方法与系统 |
CN115953009B (zh) * | 2023-03-01 | 2023-07-21 | 阿里巴巴(中国)有限公司 | 电力系统的调度方法、调度决策模型的训练方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102562469A (zh) * | 2011-12-27 | 2012-07-11 | 华北电力大学 | 基于校正算法的短期风力发电机输出功率预测方法 |
US8624696B2 (en) * | 2004-06-17 | 2014-01-07 | Grant A. MacLennan | Inductor apparatus and method of manufacture thereof |
CN105633950A (zh) * | 2015-12-21 | 2016-06-01 | 长沙理工大学 | 考虑风电注入不确定性的多目标随机模糊动态最优潮流 |
CN106447063A (zh) * | 2015-08-11 | 2017-02-22 | 华北电力大学(保定) | 一种并网型风电场短期风速组合预测方法 |
CN107730048A (zh) * | 2017-10-26 | 2018-02-23 | 华中科技大学 | 一种风电‑电动汽车联合系统随机鲁棒优化调度方法 |
CN108074048A (zh) * | 2018-02-06 | 2018-05-25 | 国网四川省电力公司技能培训中心 | 计入风速相关特性的风电并网电力系统安全风险评估方法 |
-
2019
- 2019-06-05 CN CN201910484761.1A patent/CN110365041B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8624696B2 (en) * | 2004-06-17 | 2014-01-07 | Grant A. MacLennan | Inductor apparatus and method of manufacture thereof |
CN102562469A (zh) * | 2011-12-27 | 2012-07-11 | 华北电力大学 | 基于校正算法的短期风力发电机输出功率预测方法 |
CN106447063A (zh) * | 2015-08-11 | 2017-02-22 | 华北电力大学(保定) | 一种并网型风电场短期风速组合预测方法 |
CN105633950A (zh) * | 2015-12-21 | 2016-06-01 | 长沙理工大学 | 考虑风电注入不确定性的多目标随机模糊动态最优潮流 |
CN107730048A (zh) * | 2017-10-26 | 2018-02-23 | 华中科技大学 | 一种风电‑电动汽车联合系统随机鲁棒优化调度方法 |
CN108074048A (zh) * | 2018-02-06 | 2018-05-25 | 国网四川省电力公司技能培训中心 | 计入风速相关特性的风电并网电力系统安全风险评估方法 |
Non-Patent Citations (1)
Title |
---|
基于生成型深信度网络的回归算法鲁棒性分析;万杰 等;《科学技术与工程》;20150831;第15卷(第22期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110365041A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110365041B (zh) | 基于gan场景模拟的风电多场景鲁棒调度方法 | |
CN104077632B (zh) | 一种基于深度神经网络的风电场功率预测方法 | |
CN110516840A (zh) | 基于改进随机森林方法的风光发电出力的短期预测方法 | |
CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
CN112329977A (zh) | 一种面向极端场景的风电功率预测系统 | |
CN103401236A (zh) | 一种基于风电场流动相关性的风电场机组分组方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN105574615A (zh) | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 | |
CN105825002B (zh) | 一种基于动态灰关联分析法的风电场动态等值建模方法 | |
CN114169614B (zh) | 一种基于风力机尾流模型优化的风电场优化调度方法及系统 | |
CN112232488A (zh) | 基于深度学习与数据驱动的新能源出力场景生成方法 | |
CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
CN109902340A (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
CN107895202A (zh) | 基于多视角风速模式挖掘的短期风速预测方法 | |
CN110460038A (zh) | 一种涉及新能源并网的多场景输电网扩展规划方法 | |
CN104794546B (zh) | 一种基于深度置信网络分类方法的风功率爬坡预测方法 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
CN110991701A (zh) | 一种基于数据融合的风电场风机风速预测方法及系统 | |
CN113379142A (zh) | 一种基于风速修正和融合模型的短期风电功率预测方法 | |
CN109063930A (zh) | 一种基于聚类分析的动态风电场总功率预测方法 | |
CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN108832623B (zh) | 一种物理-统计混合两阶段风电功率预测方法 | |
CN114021818A (zh) | 一种考虑时空分布特征的风电功率多步预测方法 | |
CN114066257A (zh) | 一种电-气综合能源分布鲁棒优化调度方法、装置 |
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 |