CN110659672B - 一种风电机组出力分步不确定性预测方法及装置 - Google Patents
一种风电机组出力分步不确定性预测方法及装置 Download PDFInfo
- Publication number
- CN110659672B CN110659672B CN201910821424.7A CN201910821424A CN110659672B CN 110659672 B CN110659672 B CN 110659672B CN 201910821424 A CN201910821424 A CN 201910821424A CN 110659672 B CN110659672 B CN 110659672B
- Authority
- CN
- China
- Prior art keywords
- uncertainty
- wind
- output
- prediction
- wind turbine
- 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 79
- 238000012544 monitoring process Methods 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 68
- 238000010276 construction Methods 0.000 claims description 50
- 238000011156 evaluation Methods 0.000 claims description 43
- 238000005259 measurement Methods 0.000 claims description 41
- 239000002245 particle Substances 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000010801 machine learning Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 5
- 241000039077 Copula Species 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000011157 data evaluation Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种风电机组出力分步不确定性预测方法，包括：提取风电场特定机位风机的风况特征信息，基于提取的风况特征信息进行无监督聚类，并基于不同风况类别分步进行风况不确定性预测建模和风机出力不确定性建模；最终得到风机出力的不确定性预测模型，基于该模型进行预测。本发明另一方面提供一种风电机组出力分步不确定性预测装置。上述方法充分利用单步预测的可察可控性，增强特定机位风机超短期或短期出力预测的灵活性和可控性；同时，通过单步预测不确定性控制改进预测精度，提升最终风机出力预测精度。此外，基于定期时间驱动、预测精度监测的事件驱动等触发方式更新分步预测模型，保障风机出力预测的可靠性。
Description
技术领域
本发明涉及一种风电机组出力预测方法及装置，具体涉及一种风电机组出力分步不确定性预测方法及装置。
背景技术
由于风能的随机波动性，使得规模化风电并网为电网调度、安全与经济运行带来了严峻挑战。风功率预测是增强风电功率可知性、可控性的重要手段。随着数值天气预报精度的不断提高，基于天气预报的中长期风功率预测技术获得长足发展。然而，限于时间、空间尺度，中长期风功率预测难以保证短期、超短期及小微空间的风功率预测精度。近年来，风电快速的规模化增长过后，风电运行质量的提升日益受到重视。为了提高风机控制性能、风电场运行水平，围绕特定风机机位的超短期/短期风功率预测技术日益重要；同时，考虑风能的随机性，风功率的不确定性预测吸引了越来越多的关注。目前，关于特定机位风功率预测的研究大多为直接基于风机出力时间序列的预测，未能充分考虑影响风机出力的各种不确定性因素，因而，预测精度及灵活性、预测结果的表征能力及其使用均受到限制。为了解决这一问题，本发明采用分步预测技术，分别考虑特定机位风机的风况预测不确定性、风机出力曲线不确定性等，研究风机功率的超短期/短期分步不确定性预测技术。
发明内容
将影响风机出力不确定性的因素进行合理归类，主要归结为特定机位的风况条件、风机出力运行条件等因素，进而可分别进行特定机位风机的风况不确定性预测、风机出力特性不确定性建模。通过两步不确定性综合，可以得到风机最终出力的不确定性预测。此方案的实施，使得单步预测能力可察可控，大大增加了风机超短期/短期预测的灵活性和可控性。通过对不同步骤不确定性建模精度的调整，可以提高最终风机出力预测的精度，较好地解决了特定机位风机出力的超短期/短期预测问题。对现有的超短期/短期风机出力预测技术，是一种有益的补充和改进。
本发明提供一种风电机组出力分步不确定性预测方法：
(1)包括以下步骤：
构建风电机组出力分步不确定性预测模型：
提取风电场特定机位风机的风况特征信息；
基于特定机位风机风况特征信息进行风况类别划分；
基于风况类别划分及风况特征信息建立风况不确定性预测模型；
基于风况类别划分及风况特征信息建立风机出力特性不确定性模型；
基于分类别的风况不确定性预测模型和风机出力特性不确定性模型，构建风电机组分步出力不确定性预测模型；
将风电场特定机位风机的风况数据输入上述预测模型，获得预测结果。
(2)如(1)所述的一种风电机组出力分步不确定性预测方法，基于风电场至少一特定机位的风机在不同风况下的测量数据进行风况特征信息提取。
(3)如(1)至(2)任一所述的一种风电机组出力分步不确定性预测方法，测量数据包含若干测量时间，根据测量时间将测量数据划分为若干时间序列片段作为时间信息粒，挖掘提取时间信息粒的特征作为时间信息粒的降维表征，将其作为风况特征信息粒。
(4)如(1)至(3)任一所述的一种风电机组出力分步不确定性预测方法，采用无监督聚类算法对风况特征信息进行风况类型划分。
(5)如(1)至(4)任一所述的一种风电机组出力分步不确定性预测方法，采用聚类的类间或类内评价指标制定目标函数及约束条件，形成优化问题描述，基于智能优化算法求解该优化问题，进而对聚类算法的设定参数进行寻优并得到最优的聚类效果，最终完成对特定机位风机风况类别的最优划分。
(6)如(1)至(5)任一所述的一种风电机组出力分步不确定性预测方法，类间或类内评价指标包括但不限于轮廓系数、邓恩指数、戴维森堡丁指数。
(7)如(1)至(6)任一所述的一种风电机组出力分步不确定性预测方法，采用具有条件概率建模能力的概率统计或机器学习算法，在每一风况类别下，分别进行测量信息的超短期或短期不确定性预测建模，从而构建多风况类别下的风况信息超短期或短期不确定性预测模型，实现特定机位风机风况信息的多模型预测。
(8)如(1)至(7)任一所述的一种风电机组出力分步不确定性预测方法，所采用的具有条件概率建模能力的算法，这些算法能够以条件概率分布的条件期望回归值构建确定性风况预测模型，同时，这些算法能够以一定置信度下条件概率分布的置信边界构建不确定性风况预测模型。
(9)如(1)至(8)任一所述的一种风电机组出力分步不确定性预测方法，采用具有条件概率建模能力的算法，基于确定性预测评价指标和不确定性评价指标，构建加权目标函数、约束条件，并以此形成优化问题描述，进而可采用智能优化算法对风况预测建模算法的设定参数进行寻优。
(10)如(1)至(9)任一所述的一种风电机组出力分步不确定性预测方法，确定性评价指标包含但不限于均方根误差指标、平均绝对值误差指标。不确定性预测评价指标包含但不限于平均区间覆盖率、平均区间覆盖误差、平均区间带宽。
(11)如(1)至(10)任一所述的一种风电机组出力分步不确定性预测方法，采用如k-折交叉验证等模型验证方法检验分风况类别下风况预测模型对不同样本的适应性，保证所建模型的泛化能力和可靠性。。
(12)如(1)至(11)任一所述的一种风电机组出力分步不确定性预测方法，采用具有条件概率建模能力的概率统计或机器学习算法，采用不同风况类别下的测量信息、输出功率进行风机出力特性不确定性建模，从而构建多风况类别下的风机出力特性不确定性模型，实现特定机位风机出力特性的多模型建模。
(13)如(1)至(12)任一所述的一种风电机组出力分步不确定性预测方法，采用具有条件概率建模能力的算法，这些算法能够以条件概率分布的条件期望回归值构建确定性风机出力特性模型，同时，这些算法能够以一定置信度下条件概率分布的置信边界构建不确定性风机出力特性模型。
(14)如(1)至(13)任一所述的一种风电机组出力分步不确定性预测方法，采用具有条件概率建模能力的算法，基于确定性建模性能评价指标和不确定性建模性能评价指标，构建加权目标函数、约束条件，并以此形成优化问题描述，进而可采用智能优化算法对风机出力特性建模算法的设定参数进行寻优。
(15)如(1)至(14)任一所述的一种风电机组出力分步不确定性预测方法，确定性建模性能评价指标包含但不限于均方根误差指标、平均绝对值误差指标；不确定性建模性能评价指标包含但不限于平均区间覆盖率、平均区间覆盖误差、平均区间带宽。
(16)如(1)至(15)任一所述的一种风电机组出力分步不确定性预测方法，采用如k-折交叉验证等模型验证方法检验分风况类别下风机出力特性模型对不同样本的适应性，保证所建模型的泛化能力和可靠性。
(17)如(1)至(16)任一所述的一种风电机组出力分步不确定性预测方法，具有条件概率建模能力的算法包括但不限于条件核密度估计算法、基于Copula联合概率分布的条件概率建模算法、高斯过程回归算法和相关向量机算法。
(18)如(1)至(17)任一所述的一种风电机组出力分步不确定性预测方法，将风况预测模型的输出作为风机出力特性模型的输入，最终得到风机出力的确定性和不确定性预测结果，从而构建多风况类别下的风机出力分步不确定性模型，实现特定机位风机出力的分步多模型预测。
(19)如(1)至(18)任一所述的一种风电机组出力分步不确定性预测方法，基于前述风况类别划分结果，采用分类算法对风况输入信息进行分类，据此进行多模型切换，实现全风况范围下的风机出力的超短期或短期不确定性预测，得到确定性的预测结果以及不确定性的预测区间。
(20)如(1)至(19)任一所述的一种风电机组出力分步不确定性预测方法，针对风况输入信息的分类算法，可采用机器学习分类算法(包括但不限于支持向量机分类、模糊分类)；也可直接根据聚类的类间或类内评价指标，计算新输入数据评价指标的数值并据此进行归类。
(21)如(1)至(20)任一所述的一种风电机组出力分步不确定性预测方法，聚类的类间或类内评价指标为轮廓系数、邓恩指数、戴维森堡丁指数。
(22)如(1)至(21)任一所述的一种风电机组出力分步不确定性预测方法，考虑预测模型的时效性，采用滑动时间窗法增量更新风况信息数据库、风机出力特性数据库，结合时间或事件驱动机制，触发并更新风电机组分步不确定性预测模型，保证所需预测精度。
(23)如(1)至(22)任一所述的一种风电机组出力分步不确定性预测方法，监测风机出力的确定性或不确定性预测精度作为事件驱动触发机制，当预测精度显著变化时，更新风电机组分步不确定性预测模型。
(24)如(1)至(23)任一所述的一种风电机组出力分步不确定性预测方法，设定时间周期作为时间驱动触发条件，当预测模型使用时间达到设定之间周期时，触发并更新风机出力预测模型。
本发明另一方面提供一种风机出力分步不确定性预测装置：
(25)一种风机出力分步不确定性预测装置，执行(1)至(24)任一所述的风机出力分步不确定性预测方法，所述装置包括
数据采集模块，用于采集风电场特定机位风机的风况测量信息；
风况分类模块，接收数据采集模块发送的风况测量信息，提取特定机位风机的风况特征并采用无监督聚类算法进行风况类别划分；
风况预测模型构建模块，接收数据采集模块发送的风况测量信息及风况分类模块发送的风况类型数据，构建不同风况类别下的风况不确定性预测模型；
风机出力特性模型构建模块，接收数据采集模块发送的风况测量信息及风况分类模块发送的风况类型数据，构建不同风况类别下的风机出力特性不确定性模型；
风机出力预测模块，包括分步不确定性模型构建装置，该不确定性模型构建装置将风况不确定性预测模型的输出数据输入风机出力特性不确定性预测模型中，构建分风况类别的的风机出力分步不确定性预测模型；预测装置接收并内置分步不确定性模型构建装置构建的风机出力分步不确定性预测模型，该预测装置能够接收新的风况测量数据，并基于接收的风况数据，通过风机出力分步不确定性预测模型得出最终的风机出力确定性预测结果或不确定性预测区间。
(26)根据(25)所述的一种风机出力分步不确定性预测装置，包括一调试模块，调试模块能够基于时间驱动机制定期触发数据采集模块、风况分类模块、风况预测模型构建模块、风机出力特性模型构建模块、风机出力预测模块，重新构建风机出力分步不确定性预测模型。
(27)根据(25)(26)所述的一种风机出力分步不确定性预测装置，包括一调试模块，调试模块能够采用事件驱动机制，基于确定性或不确定性评价指标监测预测装置的预测精度，在预测精度显著变化时触发数据采集模块、风况分类模块、风况预测模型构建模块、风机出力特性模型构建模块、出力预测模块，重新构建风机出力分步不确定性预测模型。
前述风机出力分步不确定性预测方法及装置能够实现如下技术效果：
(1)考虑特定机位风机风况测量数据中的隐藏信息，定义风况时间信息粒，通过特征提取、无监督聚类进行风况类型划分，有助于构建多模型架构，降低建模不确定性并提高建模精度。
(2)通过风况信息预测、风功率曲线建模等分步不确定性模型，使得分步预测精度可察可控，提高了风机出力预测的灵活性和对不确定性的可控性，有助于通过分步预测能力改进提高最终功率预测能力。
(3)通过时间和事件驱动的模型更新机制，保证了预测模型的时效性，从而有助于保障超短期或短期风机出力预测精度。
附图说明
图1为本发明一种风机出力分步不确定性预测方法的流程图；
图2为本发明一种风机出力分步不确定性预测装置的结构示意图；
图3为本发明一具体实施例中风速时间信息粒的划分类别；
图4为本发明一具体实施例中某类别的风速预测结果；
图5为本发明一具体实施例中某类别的风机风功率曲线建模结果；
图6为本发明一具体实施例中某类别的风机出力超短期预测结果。
具体实施方式
以下配合附图及本发明的优选实施例，进一步阐述本发明为达成预定发明目的所采取的技术手段。
请参阅附图1所示为本发明一种风机出力分步不确定性预测方法的流程图，所述方法包括如下步骤：
构建风电机组出力分步不确定性预测模型：
S1.1提取风电场特定机位风机的风况特征信息：获取风电场特定机位风机在不同风况下的风向、风速等实际测量数据；对隐藏在风况实测数据中的风况类型信息采用主元分析特征提取算法挖掘并提取该特定机位风机的风况特征信息：首先，将实际测量数据根据测量时间划分为若干时间序列片段作为时间信息粒，采用主元分析法提取时间信息粒特征作为时间信息粒的降维表征，将其作为风况特征信息粒。
S1.2基于特定机位风机风况特征信息进行风况类别划分：采用无监督聚类算法(包括但不限于k-均值聚类、仿射传播聚类)对风况特征信息进行风况类型划分；为了优化聚类效果，采用类间或类内评价指标(包括但不限于轮廓系数、邓恩指数、戴维森堡丁指数)制定目标函数及约束条件，形成优化问题描述，基于智能优化算法求解该优化问题，进而对聚类算法的设定参数进行寻优并得到最优的聚类效果，最终完成对特定机位风机风况类别的最优划分。
S1.3基于风况类别划分及风况特征信息建立风况不确定性预测模型：基于风电场特定机位的风况特征信息和风况类型，采用具有条件概率建模能力的算法(包括但不限于条件核密度估计、基于Copula的条件概率建模、高斯过程回归、相关向量机)，对每一风况类别下，分别进行测量信息的超短期或短期不确定性预测建模，从而构建多风况类别下的风况信息超短期或短期不确定性预测模型；以条件概率分布的条件期望回归值作为确定性风况预测模型，以一定置信度下条件概率分布的置信边界构建不确定性风况预测模型。优选地，基于确定性预测评价指标(包括但不限于均方根误差指标、平均绝对值误差指标)和不确定性预测评价指标(包括但不限于平均区间覆盖率、平均区间覆盖误差、平均区间带宽)，构建加权目标函数、约束条件等，形成优化问题描述，采用智能优化算法对风况预测建模算法的设定参数进行寻优，优化风况预测模型的预测精度。进一步优选地，为确保风况预测模型的适应性，采用k-折交叉验证等模型验证方法检验建模效果，保证模型具备良好的泛化能力和可靠性。
S1.4基于风况类别划分及风况特征信息建立风机风功率曲线不确定性模型：基于风况类别划分及风况特征信息，采用具有条件概率建模能力的算法(包括但不限于条件核密度估计、基于Copula的条件概率建模、高斯过程回归、相关向量机)，对不同风况类别下的测量信息、输出功率进行风功率曲线不确定性建模，从而构建多风况类别下的风机风功率曲线不确定性模型；以条件概率分布的条件期望回归值作为确定性风功率曲线模型，以一定置信度下条件概率分布的置信边界构建不确定性风机出力特性模型。优选地，基于确定性评价指标(如均方根误差指标、平均绝对值误差指标等)和不确定性评价指标(如平均区间覆盖率、平均区间覆盖误差、平均区间带宽等)，构建加权目标函数、约束条件等，采用智能优化算法对风功率建模算法的设定参数进行寻优，优化风功率模型建模精度。进一步优选地，为确保风功率模型的预测精度，采用k-折交叉验证等模型验证方法验证建模效果，保证模型具备良好的泛化能力。
S1.5基于分类别的风况不确定性预测模型和风机出力特性不确定性模型，构建风电机组分步出力不确定性预测模型：将风况预测模型的输出，输入风功率曲线不确定性模型，构建多风况类别下的风电机组出力分步不确定性预测模型。然后，基于前述风况类别划分结果，可采用机器学习分类算法(包括但不限于支持向量机分类、模糊分类)；也可直接根据聚类的类间或类内评价指标(包括但不限于轮廓系数、邓恩指数、戴维森堡丁指数)，计算新输入数据评价指标的数值并据此进行归类。
优选地，构建风电机组出力分步不确定性预测模型构建步骤可以进一步包含：
S1.6对风机出力不确定性预测模型进行更新：考虑预测模型的时效性，采用基于滑动时间窗法的时间驱动机制，定期触发并增量更新风况信息数据库、风机出力特性数据库，根据前述S1.1至S1.5步骤重新构建风电机组出力分步不确定性预测模型，保证所需预测精度。同时，采用基于预测精度监测的事件驱动更新机制，监测风机出力的确定性或不确定性预测精度作为事件驱动触发条件，当预测精度显著变化时，更新数据库，根据前述S1.1至S1.5步骤重新构建风机出力不确定性预测模型。
预测步骤：
S1.7,将风电场特定机位风机的风况测量数据输入风电机组出力分步不确定性预测模型，获得确定性预测结果及不确定性预测区间。
如图2所示，本发明另一方面提供一种风机出力分步不确定性预测装置，该装置包括数据采集模块1、风况分类模块2、风况预测模型构建模块3、风机出力特性模型构建模块4、风机出力预测模块5。其中，数据采集模块1与风况分类模块2、风况预测模型构建模块3、风机出力特性模型构建模块4相连，风况分类模块2与数据采集模块1、风况预测模型构建模块3、风机出力特性模型构建模块4相连，风机出力预测模块5与风况预测模型构建模块3、风机出力特性模型构建模块4相连。风机出力预测模块5进一步包括不确定性模型构建装置51、预测装置52。优选地，风机出力预测模块包括调试模块53。
数据采集模块1能够执行S1.1步骤，获取风电场特定机位的不同风况下的风速、功率等的实际测量数据，将实际测量数据根据测量时间划分为若干时间序列片段作为时间信息粒，提取时间信息粒特征获得时间信息粒的降维表征作为风况特征信息粒。数据采集模块1将特征信息传递给风况分类模块2、风况预测模型构建模块3、风机出力特性模型构建模块4。
风况分类模块2接收数据采集模块1传递的风况特征信息，执行S1.2步骤，采用无监督聚类算法，并以类间或类内评价指标制定目标函数及约束条件，优化无监督聚类算法的设定参数，聚类获得划分各种风况类型。风况分类模块2将划分的风况类型传递给风况预测模型构建模块3、风机出力特性模型构建模块4。
风况预测模型构建模块3接收数据采集模块1传递的风况特征信息和风况分类模块2传递的风况类型，执行S1.3步骤，采用具有条件概率建模能力的算法对每一类风况测量信息进行超短期或短期不确定性预测建模，从而构建多风况类别下的风况信息超短期或短期不确定性预测模型；以条件概率分布的条件期望回归值作为确定性风况预测模型，以一定置信度下条件概率分布的置信边界构建不确定性风况预测模型。风况预测模型构建模块3还能够基于确定性预测评价指标、不确定性预测评价指标构建加权目标函数、约束条件等，采用智能优化算法对多风况类别下的预测建模算法的设定参数进行寻优，优化风况预测模型的预测精度。此外，采用k-折交叉验证等模型验证方法检验建模效果，保证风况预测模型的预测精度和良好的泛化能力。风况预测模型构建模块3将构建并优化的风况预测模型传递给风机出力预测模块5。
风机出力特性模型构建模块4接收数据采集模块1传递的风况特征信息和风况分类模块2传递的风况类型，执行S1.4步骤，采用具有条件概率建模能力的算法对每一类风况测量信息、测量信息对应的输出功率进行不确定性建模，从而构建多风况类别下的风机风功率曲线不确定性模型；以条件概率分布的条件期望回归值作为确定性风功率曲线模型，以一定置信度下条件概率分布的置信边界构建不确定性风功率曲线模型。风机出力特性模型构建模块4还能够基于确定性建模性能评价指标、不确定性建模性能评价指标构建加权目标函数、约束条件等，采用智能优化算法对风功率曲线建模算法的设定参数进行寻优，优化风机风功率曲线模型的建模精度。此外，采用k-折交叉验证等模型验证方法检验建模效果，保证风功率曲线模型的建模精度和良好的泛化能力。风机出力特性模型构建模块4将构建并优化的风功率曲线模型传递给风机出力预测模块5。
风机出力预测模块5接收风况预测模型构建模块3输出的风况预测信息和风机出力特性模型构建模块4构建的风功率曲线模型，由不确定性模型构建装置51执行S1.5，将风况预测模型构建模块3构建的风况预测模型传与风机出力特性模型构建模块4构建的风功率曲线模型串联，构建基于多风况类别的风机出力分步不确定性预测模型。不确定性模型构建装置51将风机出力分步不确定性预测模型传递给预测装置52。预测装置52执行S1.7，接收新的风电场风况数据，并对新输入的风况数据进行分类并进行多模型切换，根据风机出力分步不确定性预测模型得到确定性预测结果或不确定性预测区间。
此外，为确保风机出力分步不确定性预测模型精度，调试模块53基于时间或预测模型精度会执行S1.6对风机出力分步不确定性预测模型进行时间驱动或事件驱动更新。调试模块53基于时间更新时，会在指定的单位时间长度内记录风电场的数据，增量更新数据库，在到达指定的单位时间长度后，指令数据采集模块1、风况分类模块2、风况预测模型构建模块3、风机出力特性模型构建模块4、不确定性模型构建装置51执行S1.1至S1.5重新构建风机出力分步不确定性预测模型；调试模块53基于预测精度更新时，会基于风机出力预测精度的确定性或不确定性评价指标等监测预测装置52的预测精度，当预测精度显著变化时，基于增量更新数据库，指令数据采集模块1、风况分类模块2、风况预测模型构建模块3、风机出力特性模型构建模块4、不确定性模型构建装置51执行S1.1至S1.5重新构建风机出力分步不确定性预测模型。
以下结合华北某风电场主流1.5MW风机作为一具体实施例，阐述本发明的技术方案及技术效果，实测运行数据采样周期为10分钟/点，采样时间为2017年1月至3月。
数据采集模块1执行S1.1：选取某风机的风速代表其风况信息。定义风速时间信息粒为Vi＝[vi1,vi2,…,vij,…,vin]＝[vi(k),vi(k+1),…,vi(k+j),…,vi(k+n-1)]且Vi+1＝[vi(k+1),vi(k+2),…,vi(k+j+1),…,vi(k+n)]，得到如下时间信息粒矩阵
采用主元分析法对(1)中的行向量进行特征提取，并得到特征信息粒矩阵F。矩阵F的行向量为V中行向量的线性加权。
风况分类模块2执行S1.2：采用无监督的仿射传播聚类算法对F中的行向量进行聚类。其中，采用轮廓系数作为优化目标，采用粒子群优化算法对聚类效果进行优化。得到不同的风速特征类别，还原为风速时间信息粒，则聚类效果如图3所示，一共得到3个风况类型。
风况预测模型构建模块3执行S1.3：针对上述不同风速时间信息粒的划分类别，分别采用高斯过程回归算法进行多风况类别的风速不确定性预测建模。其中，采用高斯过程回归的期望回归曲线作为风速的确定性预测建模，采用不同置信度下的置信边界作为不确定性预测区间。对于确定性预测性能，采用均方根误差作为评价指标。对于不确定性预测建模，采用平均区间覆盖率、平均区间覆盖误差、平均区间带宽作为评价指标，分别定义如下
ACE(α)＝APICP(α)-α (3)
其中，N为模型输出点数，U、L分别为置信度α下输入xi对应的上边界和下边界。从而，定义下述加权指标
WPI(α)＝λ1RMSE+λ2ACE(α)+λ3AW(α) (5)
采用如(5)所示的加权指标及粒子群优化算法分别对不同预测高斯过程回归模型进行优化，本实施例中某一类风速的预测结果如图4所示。
风机出力特性模型构建模块4执行S1.4：针对上述风速划分类别，提取不同类别下的风速、功率数据，分别采用高斯过程回归算法进行多风况类别下的风机风功率曲线不确定性建模。采用高斯过程回归的期望回归曲线作为风功率曲线的确定性模型，采用一定置信度下的置信边界作为风功率曲线的不确定性模型。对于确定性预测性能，采用均方根误差作为评价指标。对于不确定性预测建模，采用平均区间覆盖率、平均区间覆盖误差、平均区间带宽作为评价指标。最终，采用如(5)所示的加权指标及粒子群优化算法分别对不同预测高斯过程回归模型进行优化，对应于图4的该类别的风功率不确定性建模结果如图5所示。
风机出力分步不确定性预测模块5的不确定性模型构建装置51、预测装置52执行S1.5、S1.7：采用轮廓系数作为判定依据，对新输入的风速时间信息粒进行类别判断，进而当输入的风速时间信息粒变化时，可以进行预测模型的切换。在此基础上，输入一组测试风速时间信息粒，将风速不确定性预测结果、风功率不确定性输出结果等串联，得到最终的风功率预测值如图6所示。
输出预测模块5的调试模块53执行S1.6：本实施例中，基于时间更新时的方案以3个月为滑动时间窗的指定单位时间长度，在指定单位时间长度期间，增量更新建模数据，并进行模型更新。与此同时，在线监测风功率预测精度，当预测精度发生显著变化时，即可启动建模数据库的增量更新并继而进行模型更新。
通过采用本发明的技术方案可以实现如下技术效果，本发明的技术方案考虑风况测量数据中的隐藏信息，定义风况时间信息粒，通过特征提取、无监督聚类等进行风况类型划分，有助于构建多模型预测架构，降低建模不确定性并提高建模精度。通过采用风况信息预测、风功率曲线建模分步不确定性预测，使得每一步预测精度可察可控，提高了风机出力预测的灵活性和对不确定性的可控性，有助于通过分步预测能力改进提高最终风机出力预测精度。通过时间、事件驱动的模型更新机制，保证了预测模型的时效性，从而有助于保障超短期或短期风机出力预测精度。通过k-折交叉验证保证了模型的泛化能力和可靠性。
以上所述仅是本发明的优选实施例而已，并非对本发明做任何形式上的限制，虽然本发明已以优选实施例披露如上，然而并非用以限定本发明，任何本领域的技术人员，在不脱离本发明技术方案的范围内，应当可以利用上述揭示的技术内容作出些许改变或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (23)
1.一种风电机组出力分步不确定性预测方法，其特征在于，所述方法包括以下步骤：
构建风电机组出力分步不确定性预测模型：
提取风电场特定机位风机的风况特征信息；
基于特定机位风机的风况特征信息进行风况类别划分；
基于风况类别划分及风况特征信息建立风况不确定性预测模型；
基于风况类别划分及风况特征信息建立风机出力特性不确定性模型；
基于分类别的风况不确定性预测模型和风机出力特性不确定性模型，构建风电机组出力分步不确定性预测模型；
将风电场特定机位风机的风况数据输入所述风电机组出力分步不确定性预测模型，获得预测结果；
将风况不确定性预测模型的输出作为风机出力特性不确定性模型的输入，最终得到风机出力的确定性和不确定性预测结果，从而构建多风况类别下的风电机组出力分步不确定性预测模型，实现特定机位风机出力的分步多模型预测；
采用滑动时间窗法增量更新风况信息数据库、风机出力特性数据库，结合时间驱动机制，触发并更新风电机组分步不确定性预测模型；
监测风机出力的确定性或不确定性预测精度作为事件驱动触发机制，当预测精度显著变化时，更新风电机组出力分步不确定性预测模型；
设定时间周期作为时间驱动触发条件，当风电机组出力分步不确定性预测模型使用时间达到设定时间周期时，触发并更新风电机组出力分步不确定性预测模型。
2.根据权利要求1所述的风电机组出力分步不确定性预测方法，其特征在于，基于风电场至少一特定机位的风机在不同风况下的测量数据进行风况特征信息提取。
3.根据权利要求2所述的风电机组出力分步不确定性预测方法，其特征在于，测量数据包含若干测量时间，根据测量时间将测量数据划分为若干时间序列片段作为时间信息粒，挖掘提取时间信息粒的特征作为时间信息粒的降维表征，将其作为风况特征信息粒。
4.根据权利要求1所述的风电机组出力分步不确定性预测方法，其特征在于，采用无监督聚类算法对风况特征信息进行风况类型划分。
5.根据权利要求4所述的风电机组出力分步不确定性预测方法，其特征在于，采用聚类的类间或类内评价指标制定目标函数及约束条件，形成优化问题描述，基于智能优化算法求解该优化问题，进而对聚类算法的设定参数进行寻优并得到最优的聚类效果，最终完成对特定机位风机风况类别的最优划分。
6.根据权利要求5所述的风电机组出力分步不确定性预测方法，其特征在于，类间或类内评价指标包括轮廓系数、邓恩指数或戴维森堡丁指数。
7.根据权利要求2所述的风电机组出力分步不确定性预测方法，其特征在于，采用具有条件概率建模能力的概率统计或机器学习算法，在每一风况类别下，分别进行测量数据的超短期或短期不确定性预测建模，从而构建多风况类别下的风况信息超短期或短期不确定性预测模型，实现特定机位风机风况信息的多模型预测。
8.根据权利要求7所述的风电机组出力分步不确定性预测方法，其特征在于，具有条件概率建模能力的算法能够以条件概率分布的条件期望回归值构建确定性风况预测模型，同时，该具有条件概率建模能力的算法能够以一定置信度下条件概率分布的置信边界构建风况不确定性预测模型。
9.根据权利要求7所述的风电机组出力分步不确定性预测方法，其特征在于，采用具有条件概率建模能力的算法，基于确定性预测评价指标和不确定性评价指标，构建加权目标函数和约束条件，并以此形成优化问题描述，进而能够采用智能优化算法对风况预测建模算法的设定参数进行寻优。
10.根据权利要求9所述的风电机组出力分步不确定性预测方法，其特征在于，确定性评价指标包含均方根误差指标和平均绝对值误差指标；不确定性预测评价指标包含平均区间覆盖率、平均区间覆盖误差和平均区间带宽。
11.根据权利要求7至10任一项所述的风电机组出力分步不确定性预测方法，其特征在于，采用k-折交叉验证的模型验证方法检验分风况类别下风况不确定性预测模型对不同样本的适应性，保证所建模型的泛化能力和可靠性。
12.根据权利要求2所述的风电机组出力分步不确定性预测方法，其特征在于，采用具有条件概率建模能力的概率统计或机器学习算法，采用不同风况类别下的测量数据和输出功率进行风机出力特性不确定性建模，从而构建多风况类别下的风机出力特性不确定性模型，实现特定机位风机出力特性的多模型建模。
13.根据权利要求12所述的风电机组出力分步不确定性预测方法，其特征在于，具有条件概率建模能力的算法能够以条件概率分布的条件期望回归值构建确定性风机出力特性模型，同时，该具有条件概率建模能力的算法能够以一定置信度下条件概率分布的置信边界构建风机出力不确定性特性模型。
14.根据权利要求13所述的风电机组出力分步不确定性预测方法，其特征在于，采用具有条件概率建模能力的算法，基于确定性建模性能评价指标和不确定性建模性能评价指标，构建加权目标函数和约束条件，并以此形成优化问题描述，进而采用智能优化算法对风机出力特性建模算法的设定参数进行寻优。
15.根据权利要求14所述的风电机组出力分步不确定性预测方法，其特征在于，确定性建模性能评价指标包含均方根误差指标和平均绝对值误差指标；不确定性建模性能评价指标包含平均区间覆盖率、平均区间覆盖误差和平均区间带宽。
16.根据权利要求12至15任一项所述的风电机组出力分步不确定性预测方法，其特征在于，采用k-折交叉验证的模型验证方法检验分风况类别下风机出力特性不确定性模型对不同样本的适应性，保证所建模型的泛化能力和可靠性。
17.根据权利要求7至10或12至15任一项所述的风电机组出力分步不确定性预测方法，其特征在于，具有条件概率建模能力的算法包括条件核密度估计算法、基于Copula联合概率分布的条件概率建模算法、高斯过程回归算法和相关向量机算法。
18.根据权利要求1所述的风电机组出力分步不确定性预测方法，其特征在于，基于前述风况类别划分结果，采用分类算法对风况输入信息进行分类，据此进行多模型切换，实现全风况范围下的风机出力的超短期或短期不确定性预测，得到确定性的预测结果以及不确定性的预测区间。
19.根据权利要求18所述的风电机组出力分步不确定性预测方法，其特征在于，所述分类算法为支持向量机分类或模糊分类的机器学习分类算法，或直接根据聚类的类间或类内评价指标计算新输入数据评价指标的数值，并据此进行归类。
20.根据权利要求19所述的风电机组出力分步不确定性预测方法，其特征在于，聚类的类间或类内评价指标为轮廓系数、邓恩指数和戴维森堡丁指数。
21.一种风机出力分步不确定性预测装置，其特征在于，执行权利要求1至20任一项所述的风电机组出力分步不确定性预测方法，包括：
数据采集模块，用于采集风电场特定机位风机的风况测量数据；
风况分类模块，接收数据采集模块发送的风况测量数据，提取特定机位风机的风况特征并采用无监督聚类算法进行风况类别划分；
风况预测模型构建模块，接收数据采集模块发送的风况测量数据及风况分类模块发送的风况类型数据，构建不同风况类别下的风况不确定性预测模型；
风机出力特性模型构建模块，接收数据采集模块发送的风况测量数据及风况分类模块发送的风况类型数据，构建不同风况类别下的风机出力特性不确定性模型；
风机出力预测模块，包括风电机组出力分步不确定性预测模型构建装置，该不确定性模型构建装置将风况不确定性预测模型的输出数据输入风机出力特性不确定性预测模型中，构建分风况类别的风电机组出力分步不确定性预测模型；预测装置接收并内置风电机组出力分步不确定性预测模型构建装置构建的风电机组出力分步不确定性预测模型，该预测装置能够接收新的风况测量数据，并基于接收的风况测量数据，通过风电机组出力分步不确定性预测模型，得出最终的风机出力确定性预测结果或不确定性预测区间。
22.根据权利要求21所述的一种风机出力分步不确定性预测装置，其特征在于，还包括调试模块，所述调试模块能够基于时间驱动机制定期触发数据采集模块、风况分类模块、风况预测模型构建模块、风机出力特性模型构建模块和风机出力预测模块，重新构建风电机组出力分步不确定性预测模型。
23.根据权利要求21所述的一种风机出力分步不确定性预测装置，其特征在于，还包括调试模块，所述调试模块能够采用事件驱动机制，基于确定性或不确定性评价指标监测预测装置的预测精度，在预测精度显著变化时触发数据采集模块、风况分类模块、风况预测模型构建模块、风机出力特性模型构建模块和出力预测模块，重新构建风电机组出力分步不确定性预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910821424.7A CN110659672B (zh) | 2019-09-02 | 2019-09-02 | 一种风电机组出力分步不确定性预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910821424.7A CN110659672B (zh) | 2019-09-02 | 2019-09-02 | 一种风电机组出力分步不确定性预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110659672A CN110659672A (zh) | 2020-01-07 |
| CN110659672B true CN110659672B (zh) | 2023-09-26 |
Family
ID=69036613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910821424.7A Active CN110659672B (zh) | 2019-09-02 | 2019-09-02 | 一种风电机组出力分步不确定性预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110659672B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113447813B (zh) * | 2020-09-03 | 2022-09-13 | 中国绿发投资集团有限公司 | 海上风力发电机组的故障诊断方法及设备 |
| CN113107785B (zh) * | 2021-05-12 | 2022-05-31 | 浙江浙能技术研究院有限公司 | 一种风电机组功率性能异常的实时监测方法及装置 |
| CN113847214B (zh) * | 2021-09-15 | 2023-12-29 | 国电投河南新能源有限公司 | 一种大型风力发电机组结冰检测方法 |
| CN114686891B (zh) * | 2022-04-26 | 2022-12-02 | 湖南大学 | 油气管道杂散电流治理方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007233639A (ja) * | 2006-02-28 | 2007-09-13 | Tohoku Electric Power Co Inc | 風力発電出力予測方法、風力発電出力予測装置およびプログラム |
| JP2009138523A (ja) * | 2007-12-03 | 2009-06-25 | Mitsubishi Electric Corp | 風力発電出力予測方法 |
| CN102682185A (zh) * | 2011-03-10 | 2012-09-19 | 华锐风电科技(集团)股份有限公司 | 单风力发电机的风电功率预测方法 |
| 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 |
| CN104217077A (zh) * | 2014-08-29 | 2014-12-17 | 国家电网公司 | 一种反映风速变化特性的风力发电出力随机模型建模方法 |
| CN106684905A (zh) * | 2016-11-21 | 2017-05-17 | 国网四川省电力公司经济技术研究院 | 一种考虑风电预测不确定性的风电场动态等值方法 |
| CN107194507A (zh) * | 2017-05-17 | 2017-09-22 | 华北电力大学（保定） | 一种基于组合支持向量机的风电场短期风速预测方法 |
| CN107274006A (zh) * | 2017-05-23 | 2017-10-20 | 中国地质大学（武汉） | 一种基于贝叶斯推断的多源气象风速融合方法 |
| CN108092319A (zh) * | 2017-12-13 | 2018-05-29 | 国家电网公司 | 一种短期风电功率预测的不确定性分析方法及装置 |
| CN108710973A (zh) * | 2018-05-18 | 2018-10-26 | 武汉大学 | 基于风电天气分型特征选择的风电功率预测方法 |
| CN110084426A (zh) * | 2019-04-26 | 2019-08-02 | 华北电力大学（保定） | 一种基于工况辨识的风电功率区间预测方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101177435B1 (ko) * | 2012-03-06 | 2012-08-27 | 전북대학교산학협력단 | 풍력발전단지의 풍황 예측 방법 |
| US20140336934A1 (en) * | 2013-05-07 | 2014-11-13 | Atomic Energy Council - Institute Of Nuclear Energy Research | Ensemble wind power forecasting platform system and operational method thereof |
-
2019
- 2019-09-02 CN CN201910821424.7A patent/CN110659672B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007233639A (ja) * | 2006-02-28 | 2007-09-13 | Tohoku Electric Power Co Inc | 風力発電出力予測方法、風力発電出力予測装置およびプログラム |
| JP2009138523A (ja) * | 2007-12-03 | 2009-06-25 | Mitsubishi Electric Corp | 風力発電出力予測方法 |
| CN102682185A (zh) * | 2011-03-10 | 2012-09-19 | 华锐风电科技(集团)股份有限公司 | 单风力发电机的风电功率预测方法 |
| 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 |
| CN104217077A (zh) * | 2014-08-29 | 2014-12-17 | 国家电网公司 | 一种反映风速变化特性的风力发电出力随机模型建模方法 |
| CN106684905A (zh) * | 2016-11-21 | 2017-05-17 | 国网四川省电力公司经济技术研究院 | 一种考虑风电预测不确定性的风电场动态等值方法 |
| CN107194507A (zh) * | 2017-05-17 | 2017-09-22 | 华北电力大学（保定） | 一种基于组合支持向量机的风电场短期风速预测方法 |
| CN107274006A (zh) * | 2017-05-23 | 2017-10-20 | 中国地质大学（武汉） | 一种基于贝叶斯推断的多源气象风速融合方法 |
| CN108092319A (zh) * | 2017-12-13 | 2018-05-29 | 国家电网公司 | 一种短期风电功率预测的不确定性分析方法及装置 |
| CN108710973A (zh) * | 2018-05-18 | 2018-10-26 | 武汉大学 | 基于风电天气分型特征选择的风电功率预测方法 |
| CN110084426A (zh) * | 2019-04-26 | 2019-08-02 | 华北电力大学（保定） | 一种基于工况辨识的风电功率区间预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 双馈式异步风电发电机组出力特性仿真研究;孙溧 等;《云南电力技术》;第44卷(第05期);第118-121页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110659672A (zh) | 2020-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110659672B (zh) | 一种风电机组出力分步不确定性预测方法及装置 | |
| CN109726503B (zh) | 缺失数据填补方法及装置 | |
| US8606418B1 (en) | Wind prediction for wind farms through the use of weather radar | |
| CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
| CN108388962B (zh) | 一种风电功率预测系统及方法 | |
| CN111237134A (zh) | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 | |
| CN110059845B (zh) | 基于时序演化基因模型的计量装置时钟误差趋势预测方法 | |
| CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
| CN107909212B (zh) | 基于中尺度风电功率发展过程序列化的爬坡事件预测方法 | |
| CN116128141B (zh) | 风暴潮预测方法、装置、存储介质及电子设备 | |
| CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN116706992A (zh) | 一种分布式光伏集群的自适应功率预测方法、装置和设备 | |
| CN112085108A (zh) | 基于自动编码器及k均值聚类的光伏电站故障诊断算法 | |
| CN109165770A (zh) | 基于AFSA-Elman的新型光伏功率预测方法 | |
| CN117578440A (zh) | 一种基于神经网络的电网负荷预测方法 | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 | |
| CN116435987A (zh) | 一种大规模风电集群超短期风电功率预测方法 | |
| CN117436564A (zh) | 一种水电机组轴系劣化趋势预测方法及装置 | |
| CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
| CN114298413B (zh) | 一种水电机组振摆趋势预测方法 | |
| CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
| CN115374991A (zh) | 一种基于改进统计升尺度的光伏集群出力预测方法 | |
| CN113723670A (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
| CN115598459A (zh) | 一种配电网10kV馈线故障停电预测方法 |
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 |