CN111612255A - 一种基于支持向量回归的风电场功率曲线建模方法 - Google Patents

一种基于支持向量回归的风电场功率曲线建模方法 Download PDF

Info

Publication number
CN111612255A
CN111612255A CN202010445896.XA CN202010445896A CN111612255A CN 111612255 A CN111612255 A CN 111612255A CN 202010445896 A CN202010445896 A CN 202010445896A CN 111612255 A CN111612255 A CN 111612255A
Authority
CN
China
Prior art keywords
regression
model
interval
power plant
wind power
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
Application number
CN202010445896.XA
Other languages
English (en)
Other versions
CN111612255B (zh
Inventor
邵振国
吴剑华
陈飞雄
杨少华
严静
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuzhou University
Original Assignee
Fuzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fuzhou University filed Critical Fuzhou University
Priority to CN202010445896.XA priority Critical patent/CN111612255B/zh
Publication of CN111612255A publication Critical patent/CN111612255A/zh
Application granted granted Critical
Publication of CN111612255B publication Critical patent/CN111612255B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • 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
    • 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
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Feedback Control In General (AREA)
  • Wind Motors (AREA)

Abstract

本发明涉及一种基于支持向量回归的风电场功率曲线建模方法，首先，采集风电场的风速‑功率数据，得到回归曲线用以来拟合区间模型的上下界；之后，在拟合风电场区间模型上下界时，需要求解凸二次规划问题，根据范数的等价性原则，进行二范数到一范数的转化，则转化为一范数得到线性规划问题；然后，将控制模型结构复杂性控制的优化问题应用到回归模型辨识，以最小化最大逼近误差为评判标准，建立回归模型辨识的优化问题；最后，将区间回归模型所对应的上、下边回归模型优化问题，融合到基于结构风险最小化的优化问题，引入多项式内核，得到上下边回归模型新的优化问题。本发明与传统支持向量回归的凸二次规划求解相比，运算效率高，求解速度快。

Description

一种基于支持向量回归的风电场功率曲线建模方法
技术领域
本发明涉及风电场功率曲线建模领域，特别是一种基于支持向量回归的风电场功率曲线建模方法。
背景技术
随着风电技术的不断发展以及风电场规模的不断扩大，风电场的功率波动现象对电网的影响日趋明显。在风电场并网分析中，风电场的等效建模已成为一个重要的研究课题，也就是建立能够表征风电场风速与风机出力之间关系的数学模型，即风电场的风速-功率特性曲线。若对风电场进行详细建模，将极大地增加计算复杂度和计算时间。因此，目前一般采用同调等值方法对风电场内机组进行划分来等效整个风电场的功率输出，或利用传递函数来简化机组模型，从而达到简化风电场模型的目的。风电场的风速-功率特性曲线可以为风机的设计、风机的选址、考核机组性能的优劣、评估机组发电能力的大小、估算机组的损失电量等一系列问题提供重要的参考。
风速具有较强的时空分布不确定性，这使得风电机组几乎时刻遭受着较大程度的扰动。风电场所处地形地貌复杂，机组数目众多，且机组排列之间存在尾流效应的影响，因而风电场输出功率呈现显著的不确定性特征，并造成机组的实际风速-功率曲线与厂家给定的标准功率曲线存在较大差异。区间型风电功率模型在评估风电波动性、随机性对电网的影响方面更有优势，可以为含风电场电力系统的风险分析、经济调度、储能控制策略等方面提供必备的区间范围信息，以调控为手段降低含风电场电为系统的运巧风险，将有助于减小弃风量，降低风电并网成本，突破风电并网的难题。因此，需要建立准确的风速-功率区间曲线模型用于含风电的电网潮流计算，进而寻求最优运行控制措施。
一般的风速-功率曲线模型为确定性模型，而由于风速、风向的不断变化，风机输出功率具有不确定性，造成机组的实际风速-功率曲线与厂家给定的标准功率曲线存在较大差异，影响电力系统风险分析和储能控制的准确性，且给风电并网带来严峻挑战。而当前已有的区间模型，虽然考虑到了风机输出功率的不确定性，建立了较为完备的区间模型，能覆盖风电运行点，提供一定功率波动的区间范围信息，但其区间过大，在进行风险评估时会过于保守，造成储能调控时的资源冗余。
发明内容
有鉴于此，本发明的目的是提供一种基于支持向量回归的风电场功率曲线建模方法，与其他建模方法相比，模型准确性及精度更高，与传统支持向量回归的凸二次规划求解相比，运算效率高，求解速度快。
本发明采用以下方案实现：一种基于支持向量回归的风电场功率曲线建模方法，包括以下步骤：
步骤S1：采集风电场的风速-功率数据{(x1,y1),(x2,y2),…,(xN,yN)}，得到式(1)的回归曲线用以来拟合区间模型的上下界；
f(x)＝wφ(x)+b (1)
步骤S2：在拟合风电场区间模型上下界时，需要求解凸二次规划问题，根据范数的等价性原则，进行二范数到一范数的转化，则转化为一范数得到线性规划问题；
步骤S3：将控制模型结构复杂性控制的优化问题应用到回归模型辨识，以最小化最大逼近误差为评判标准，引入多项式内核，得到上下边回归模型新的优化问题，并通过线性规划对优化问题进行求解；
步骤S4：采用K-折交叉验证对上下边回归模型新的优化问题中的超参数ε，γ，a,c,d进行参数寻优，得到多组参数(βk,b)
步骤S5：选取参数寻优后最优的参数(βk,b)代入上下边回归模型中，最终得到最优的风电场功率区间。
进一步地，所述步骤S2的具体内容为：
在拟合风电场区间模型上下界时，需要求解凸二次规划问题：
Figure BDA0002505245410000031
进行二范数到一范数的转化，则转化为一范数得到线性规划问题：
Figure BDA0002505245410000041
进一步地，所述步骤S3的具体内容为：
采集风电场的风速-功率数据{(x1,y1),(x2,y2),…,(xN,yN)},满足如下非线性系统模型；
yk＝g(xk),k＝1,2,...,N (4)
建立如下最大建模误差的最小化，来得到回归曲线的最优参数(βk,b)；
max|yk-f(xk)| (5)
在满足如下约束条件的情况下，辨识下边回归模型fL(xk)和上边回归模型fU(xk)；
fL(xk)≤g(xk)≤fU(xk) (6)
基于上述支持向量回归的线性规划求解，给出上、下边回归曲线模型的表达式如下，
Figure BDA0002505245410000042
Figure BDA0002505245410000043
通过线性规划对优化问题进行求解，
Figure BDA0002505245410000051
Figure BDA0002505245410000052
对应min-max优化问题(9)可通过最小化λ1，且满足如下不等式约束的线性规划求解，即：
Figure BDA0002505245410000053
对应min-max优化问题(10)可通过最小化λ2，且满足如下不等式约束的线性规划求解，即：
Figure BDA0002505245410000054
所述上边回归模型新的优化问题为：
Figure BDA0002505245410000061
下边回归模型新的优化问题为：
Figure BDA0002505245410000062
同时通过求解公式(13)和公式(14)得到回归曲线的参数(βk,b)，参数(βU,k,bU,)即为(βk,b)，并带入到公式(7)和公式(8)中即得到上、下边回归曲线模型的风电场功率区间。
进一步地，所述步骤S4的具体内容为：
步骤S41：首先将整个训练集即步骤S1采集得到的数据划分为k个互斥且大小相同的子集，其中1个作为测试集，剩下的k-1个作为训练集；
步骤S42：将被寻优的参数对(ε，γ，a,c,d)以递增方式设定；
步骤S43：重复执行步骤S1到S3以及改变参数对(ε，γ，a,c,d)来分别优化上、下边回归模型fU(xk)和fL(xk)；这样一来，训练集中的每个样本都将被用于模型的一次预测得到相应的预测值，并与真实值比较形成交叉验证精度，此处精度分为两个方面，一方面是准确率，即实际点落在区间模型内的准确率，另一方面为均方根误差，反映模型输出与实际测量数据逼近程度；
步骤S44：将最好的交叉验证精度所对应的参数对(βk,b)作为区间模型的最优参数选择。
与现有技术相比，本发明具有以下有益效果：
本发明保证风速-功率区间模型基本覆盖实测数据的同时，缩小了区间模型的区间宽度。本发明适用于各类区间曲线建模，与其他建模方法相比，模型准确性及精度更高，与传统支持向量回归的凸二次规划求解相比，运算效率高，求解速度快。现有对风电功率曲线的研究基本上都只是确定性分析，给出一定风速下对应输出功率的点值，存在较大的风险。本发明的风电功率区间曲线模型，可提供不确定估计区间，丰富了风电功率曲线的信息，提高了估计结果的可靠性。能为机组安全高效运行提供更多依据，降低风功率预测的风险，有利于电力调度部门制订调度计划。
附图说明
图1为本发明实施例的流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示，本实施例提供一种基于支持向量回归的风电场功率曲线建模方法，包括以下步骤：
步骤S1：采集风电场的风速-功率数据{(x1,y1),(x2,y2),…,(xN,yN)}，得到式(1)的回归曲线用以来拟合区间模型的上下界；
f(x)＝wφ(x)+b (1)
步骤S2：在拟合风电场区间模型上下界时，需要求解凸二次规划问题，根据范数的等价性原则，进行二范数到一范数的转化，则转化为一范数得到线性规划问题；
步骤S3：将控制模型结构复杂性控制的优化问题应用到回归模型辨识，以最小化最大逼近误差为评判标准，引入多项式内核，得到上下边回归模型新的优化问题，并通过线性规划对优化问题进行求解；
步骤S4：采用K-折交叉验证对上下边回归模型新的优化问题中的超参数ε，γ，a,c,d进行参数寻优，得到多组参数(βk,b)
步骤S5：选取参数寻优后最优的参数(βk,b)代入上下边回归模型中，最终得到最优的风电场功率区间。
在本实施例中，所述步骤S2的具体内容为：
在拟合风电场区间模型上下界时，需要求解凸二次规划问题：
Figure BDA0002505245410000091
若直接求解上式凸二次规划问题，在工程应用上需要昂贵的设备条件来支撑，且运算速度极慢，得到的回归曲线也会产生冗余描述，并不切合实际应用。因此根据范数的等价性原则，进行二范数到一范数的转化，则转化为一范数得到线性规划问题：
Figure BDA0002505245410000092
采用简化的线性规划求解回归曲线，不仅曲线结构较为简单，且计算复杂性大大降低，运算速度快。
在本实施例中，所述步骤S3的具体内容为：
采集风电场的风速-功率数据{(x1,y1),(x2,y2),…,(xN,yN)},满足如下非线性系统模型；
yk＝g(xk),k＝1,2,...,N (4)
建立如下最大建模误差的最小化，来得到回归曲线的最优参数(βk,b)；
max|yk-f(xk)| (5)
在满足如下约束条件的情况下，辨识下边回归模型fL(xk)和上边回归模型fU(xk)；
fL(xk)≤g(xk)≤fU(xk) (6)
基于上述支持向量回归的线性规划求解，给出上、下边回归曲线模型的表达式如下，
Figure BDA0002505245410000101
Figure BDA0002505245410000102
通过线性规划对优化问题进行求解，
Figure BDA0002505245410000103
Figure BDA0002505245410000104
对应min-max优化问题(9)可通过最小化λ1，且满足如下不等式约束的线性规划求解，即：
Figure BDA0002505245410000111
对应min-max优化问题(10)可通过最小化λ2，且满足如下不等式约束的线性规划求解，即：
Figure BDA0002505245410000112
步骤S4中所述上边回归模型新的优化问题为：
Figure BDA0002505245410000113
下边回归模型新的优化问题为：
Figure BDA0002505245410000121
同时通过求解公式(13)和公式(14)得到回归曲线的参数(βk,b)，参数(βU,k,bU,)即为(βk,b)，并带入到公式(7)和公式(8)中即得到上、下边回归曲线模型的风电场功率区间。
在本实施例中，所述步骤S4的具体内容为：
步骤S41：首先将整个训练集即步骤S1采集得到的数据划分为k个互斥且大小相同的子集，其中1个作为测试集，剩下的k-1个作为训练集；
步骤S42：将被寻优的参数对(ε，γ，a,c,d)以递增方式设定；
步骤S43：重复执行步骤S1到S3以及改变参数对(ε，γ，a,c,d)来分别优化上、下边回归模型fU(xk)和fL(xk)；这样一来，训练集中的每个样本都将被用于模型的一次预测得到相应的预测值，并与真实值比较形成交叉验证精度，此处精度分为两个方面，一方面是准确率，即实际点落在区间模型内的准确率，另一方面为均方根误差，反映模型输出与实际测量数据逼近程度；
步骤S44：将最好的交叉验证精度所对应的参数对(βk,b)作为区间模型的最优参数选择。
较佳的，本实施例可以提高区间模型的精度，且减少运算复杂度。该方法在计算中构建一种新的线性规划求解运算，在降低运算复杂度的同时，使得结果的模型结构较为简单。而后引入最小化最大误差进行模型辨识，保证模型的完备性，控制模型区间精度。该算法适用于各类区间曲线建模，与其他建模方法相比，模型准确性及精度更高，与传统支持向量回归的凸二次规划求解相比，运算效率高，求解速度快。
上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。

Claims (4)

1.一种基于支持向量回归的风电场功率曲线建模方法，其特征在于：包括以下步骤：
步骤S1：采集风电场的风速-功率数据{(x1,y1),(x2,y2),…,(xN,yN)}，得到式(1)的回归曲线用以来拟合区间模型的上下界；
f(x)＝wφ(x)+b (1)
步骤S2：在拟合风电场区间模型上下界时，需要求解凸二次规划问题，根据范数的等价性原则，进行二范数到一范数的转化，则转化为一范数得到线性规划问题；
步骤S3：将控制模型结构复杂性控制的优化问题应用到回归模型辨识，以最小化最大逼近误差为评判标准，引入多项式内核，得到上下边回归模型新的优化问题，并通过线性规划对优化问题进行求解；
步骤S4：采用K-折交叉验证对上下边回归模型新的优化问题中的超参数ε，γ，a,c,d进行参数寻优，得到多组参数(βk,b)
步骤S5：选取参数寻优后最优的参数(βk,b)代入上下边回归模型中，最终得到最优的风电场功率区间。
2.根据权利要求1所述的一种基于支持向量回归的风电场功率曲线建模方法，其特征在于：所述步骤S2的具体内容为：
在拟合风电场区间模型上下界时，需要求解凸二次规划问题：
Figure FDA0002505245400000011
进行二范数到一范数的转化，则转化为一范数得到线性规划问题：
Figure FDA0002505245400000021
3.根据权利要求1所述的一种基于支持向量回归的风电场功率曲线建模方法，其特征在于：所述步骤S3的具体内容为：
采集风电场的风速-功率数据{(x1,y1),(x2,y2),…,(xN,yN)},满足如下非线性系统模型；
yk＝g(xk),k＝1,2,...,N (4)
建立如下最大建模误差的最小化，来得到回归曲线的最优参数(βk,b)；
max|yk-f(xk)| (5)
在满足如下约束条件的情况下，辨识下边回归模型fL(xk)和上边回归模型fU(xk)；
fL(xk)≤g(xk)≤fU(xk) (6)
基于上述支持向量回归的线性规划求解，给出上、下边回归曲线模型的表达式如下(7)(8)，
Figure FDA0002505245400000022
Figure FDA0002505245400000023
通过线性规划对优化问题进行求解，
Figure FDA0002505245400000031
Figure FDA0002505245400000032
对应min-max优化问题(9)可通过最小化λ1，且满足如下不等式约束的线性规划求解，即：
Figure FDA0002505245400000033
对应min-max优化问题(10)可通过最小化λ2，且满足如下不等式约束的线性规划求解，即：
min:λ2
Figure FDA0002505245400000034
所述上边回归模型新的优化问题为：
Figure FDA0002505245400000041
下边回归模型新的优化问题为：
Figure FDA0002505245400000042
同时通过求解公式(13)和公式(14)得到回归曲线的参数(βk,b)，参数(βU,k,bU,)即为(βk,b)，并带入到公式(7)和公式(8)中即得到上、下边回归曲线模型的风电场功率区间。
4.根据权利要求1所述的一种基于支持向量回归的风电场功率曲线建模方法，其特征在于：所述步骤S4的具体内容为：
步骤S41：首先将整个训练集即步骤S1采集得到的数据划分为k个互斥且大小相同的子集，其中1个作为测试集，剩下的k-1个作为训练集；
步骤S42：将被寻优的参数对(ε，γ，，a,c,d)以递增方式设定；
步骤S43：重复执行步骤S1到S3以及改变参数对(ε，γ，，a,c,d)来分别优化上、下边回归模型fU(xk)和fL(xk)；这样一来，训练集中的每个样本都将被用于模型的一次预测得到相应的预测值，并与真实值比较形成交叉验证精度，此处精度分为两个方面，一方面是准确率，即实际点落在区间模型内的准确率，另一方面为均方根误差，反映模型输出与实际测量数据逼近程度；
步骤S44：将最好的交叉验证精度所对应的参数对(βk,b)作为区间模型的最优参数选择。
CN202010445896.XA 2020-05-23 2020-05-23 一种基于支持向量回归的风电场功率曲线建模方法 Active CN111612255B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010445896.XA CN111612255B (zh) 2020-05-23 2020-05-23 一种基于支持向量回归的风电场功率曲线建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010445896.XA CN111612255B (zh) 2020-05-23 2020-05-23 一种基于支持向量回归的风电场功率曲线建模方法

Publications (2)

Publication Number Publication Date
CN111612255A true CN111612255A (zh) 2020-09-01
CN111612255B CN111612255B (zh) 2022-07-26

Family

ID=72200839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010445896.XA Active CN111612255B (zh) 2020-05-23 2020-05-23 一种基于支持向量回归的风电场功率曲线建模方法

Country Status (1)

Country Link
CN (1) CN111612255B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307282A (zh) * 2023-05-19 2023-06-23 济南作为科技有限公司 一种基于机理模型和数据驱动的风电功率预测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100830518B1 (ko) * 2006-12-19 2008-05-21 영남대학교 산학협력단 풍력발전기의 풍속 추정 방법
CN102567636A (zh) * 2011-12-27 2012-07-11 华北电力大学 基于相关向量机的高精度风电场功率区间预测方法
CN107706938A (zh) * 2017-09-05 2018-02-16 清华大学 一种基于分位点回归的风电功率波动区间分析方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100830518B1 (ko) * 2006-12-19 2008-05-21 영남대학교 산학협력단 풍력발전기의 풍속 추정 방법
CN102567636A (zh) * 2011-12-27 2012-07-11 华北电力大学 基于相关向量机的高精度风电场功率区间预测方法
CN107706938A (zh) * 2017-09-05 2018-02-16 清华大学 一种基于分位点回归的风电功率波动区间分析方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
刘小雍等: "关于逼近误差的L_∞范数下界稀疏回归模型辨识", 《信息与控制》 *
刘小雍等: "关于逼近误差的L_∞范数下界稀疏回归模型辨识", 《信息与控制》, no. 01, 15 February 2020 (2020-02-15) *
邵振国等: "基于实测数据的风电场风速-功率特性仿射建模方法", 《电力自动化设备》 *
邵振国等: "基于实测数据的风电场风速-功率特性仿射建模方法", 《电力自动化设备》, no. 06, 10 June 2019 (2019-06-10) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116307282A (zh) * 2023-05-19 2023-06-23 济南作为科技有限公司 一种基于机理模型和数据驱动的风电功率预测方法及系统

Also Published As

Publication number Publication date
CN111612255B (zh) 2022-07-26

Similar Documents

Publication Publication Date Title
CN112348292B (zh) 一种基于深度学习网络的短期风电功率预测方法和系统
CN109558975B (zh) 一种电力负荷概率密度多种预测结果的集成方法
CN110807554B (zh) 基于风电/光伏经典场景集的生成方法及系统
CN105654207A (zh) 基于风速、风向信息的风电功率预测方法
CN109063276B (zh) 适用于长时域风速波动的风电场动态等值建模方法
CN112036658B (zh) 一种基于随差遗忘长短期记忆的风电功率实时预测方法
CN114022021A (zh) 一种基于集成学习的在线机组负荷预测方法
CN102880907B (zh) 风速校正方法和装置
Sogabe et al. Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques
CN116755409B (zh) 一种基于值分布ddpg算法的燃煤发电系统协调控制方法
CN116544934B (zh) 根据电力负荷预测的电力调度方法及系统
CN113988421A (zh) 基于深度学习的风电机组功率智能预测方法
CN113505909B (zh) 一种面向短期风电功率趋势预测的误差补偿方法
CN113449847B (zh) 考虑秒级时间序列风速变化的海上风电功率滚动预测方法
CN111612255B (zh) 一种基于支持向量回归的风电场功率曲线建模方法
CN117930776A (zh) 一种基于模型预测的白酒生产精准供汽预调控方法及系统
CN113991711A (zh) 一种光伏电站储能系统容量配置方法
CN116865343B (zh) 分布式光伏配电网的无模型自适应控制方法、装置及介质
CN117993611A (zh) 一种基于场景时序的灵活热源新能源消纳能力评估方法
CN116522752A (zh) 一种基于机理与数据融合的压缩空气储能系统仿真方法
CN112581311B (zh) 一种多风电场聚合后出力长期波动特性预测方法及系统
Li et al. A wind power prediction model based on optimized N-BEATS network with multivariate inputs
Jiangxia et al. A combination prediction model for wind farm output power
Gao et al. Very-short-term prediction of wind speed based on chaos phase space reconstruction and NWP
CN113256018B (zh) 一种基于条件分位数回归模型的风电功率超短期概率预测方法

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