CN111881568A - 一种提高风功率预测精度的方法及系统 - Google Patents
一种提高风功率预测精度的方法及系统 Download PDFInfo
- Publication number
- CN111881568A CN111881568A CN202010713110.8A CN202010713110A CN111881568A CN 111881568 A CN111881568 A CN 111881568A CN 202010713110 A CN202010713110 A CN 202010713110A CN 111881568 A CN111881568 A CN 111881568A
- Authority
- CN
- China
- Prior art keywords
- wind
- power
- fan
- target area
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000012530 fluid Substances 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000004088 simulation Methods 0.000 claims description 16
- 241001522296 Erithacus rubecula Species 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000000053 physical method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000011437 continuous method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及风电功率预测技术领域,具体公开了一种提高风功率预测精度的方法,包括:获取目标区域的天气预测背景场数据和每台风机的功率曲线模型;利用WRF模型对天气预测背景场数据进行计算,得到目标区域的天气预测结果;从天气预测结果中提取风速、风向、温度以及气压要素;利用CFD模型对上述要素进行计算,得到每台风机点位的风向和风速数据;将上述数据输入到对应的功率曲线模型中,得到单台风机的预测功率;将所有的单台风机的预测功率相加,得到目标区域全场的预测风功率。本发明还公开了一种提高风功率预测精度的系统。本发明提供的提高风功率预测精度的方法,考虑到了每台风机的差异性,提高了风功率的预测精度。
Description
技术领域
本发明涉及风电功率预测技术领域,更具体地,涉及一种提高风功率预测精度的方法及系统。
背景技术
随着风电产业的飞速发展,并网型风电场规模不断扩大,风电占电力系统发电总量的比例也逐年增加;风电场穿透功率不断加大,给电力系统带来的一系列问题日益突出,严重威肋、电力系统安全、稳定、经济、可靠运行,对风电功率进行及时准确的预测,可以显著增强电力系统的安全性、稳定性、经济性和可控性。
近年来,国内外基于风电功率预测的方法问题进行了深入的研究,根据风电功率预测的模型不同可以分为物理方法、统计方法及上述组合模型方法;物理法通过中尺度数值天气预报数据和现场观测数据,预测风机输出功率,该方法的优点在于不需要历史功率数据,但由于其高度依赖中尺度数值天气预报数据,其精度受数值天气预报精度的制约;统计方法只采用历史功率时间序列预测未来的出力,建模简单,但预测精度较低;统计方法包括持续法、移动平均法、自回归移动平均法,人工智能等;目前针对大型风电场的风速和功率预测,常用预测方法是对风电场整场进行风速和功率预测,这种预测方法无法考虑到每台风机的差异性,特别是在地形复杂的区域。
发明内容
针对现有技术中存在的上述弊端,本发明提供了一种提高风功率预测精度的方法及系统,通过提取每个风机点位的风向和风速数据,对单台风机进行风功率预测,将所有的单台风机的预测功率相加得到全场的预测风功率,考虑到了每台风机的差异性,提高了风功率的预测精度。
作为本发明的第一个方面,提供一种提高风功率预测精度的方法,包括:
获取目标区域的天气预测背景场数据;
通过SCADA系统获取每台风机的历史运行参数,并依据所述历史运行参数构建每台风机的功率曲线模型;
利用WRF模型对所述天气预测背景场数据进行计算,得到目标区域的天气预测结果;
从所述天气预测结果中提取风速、风向、温度以及气压要素;
利用CFD模型对所述风速、风向、温度以及气压要素进行微尺度流场计算,得到目标区域全场的精细化流场模拟计算结果;
从所述精细化流场模拟计算结果中获取每台风机点位的风向和风速数据;
将每台风机点位的风向和风速数据输入到对应的功率曲线模型中,得到单台风机的预测功率;
依据所有的单台风机的预测功率,确定出目标区域全场的预测风功率。
进一步地,所述利用WRF模型对所述天气预测背景场数据进行计算,得到目标区域的天气预测结果,包括:利用WRF模型对所述天气预测背景场数据降尺度,将12km分辨率的所述天气预测背景场数据降尺度为3km分辨率,并对所述3km分辨率的天气预测背景场数据进行计算。
进一步地,所述利用CFD模型对所述风速、风向、温度以及气压要素进行微尺度流场计算,得到目标区域全场的精细化流场模拟计算结果之前,包括:获取制作所述CFD模型所需的精细化网格,精细化网格精度为50米,将所述精细化网格输入到所述CFD模型中。
进一步地,所述每台风机的历史运行参数包括:历史风速、历史风向和历史功率。
进一步地,所述天气预测背景场数据包括初始场数据和边界场数据。
作为本发明的第二个方面,提供一种提高风功率预测精度的系统,包括:
第一获取模块,用于获取目标区域的天气预测背景场数据;
构建模块,用于通过SCADA系统获取每台风机的历史运行参数,并依据所述历史运行参数构建每台风机的功率曲线模型;
第一计算模块,用于利用WRF模型对所述天气预测背景场数据进行计算,得到目标区域的天气预测结果;
提取模块,用于从所述天气预测结果中提取风速、风向、温度以及气压要素;
第二计算模块,用于利用CFD模型对所述风速、风向、温度以及气压要素进行微尺度流场计算,得到目标区域全场的精细化流场模拟计算结果;
第二获取模块,用于从所述精细化流场模拟计算结果中获取每台风机点位的风向和风速数据;
第三计算模块,用于将每台风机点位的风向和风速数据输入到对应的功率曲线模型中,得到单台风机的预测功率;
确定模块,用于依据所有的单台风机的预测功率,确定出目标区域全场的预测风功率。
本发明提供的提高风功率预测精度的方法及系统具有以下优点:通过提取每个风机点位的风向和风速数据,对单台风机进行风功率预测,将所有的单台风机的预测功率相加得到全场的预测风功率,考虑到了每台风机的差异性,提高了风功率的预测精度。
附图说明
附图是用来提供对本发明的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明,但并不构成对本发明的限制。
图1为本发明提高风功率预测精度的方法的流程图。
具体实施方式
为更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及功效,以下结合附图及较佳实施例,对依据本发明提出的提高风功率预测精度的方法及系统其具体实施方式、结构、特征及其功效,详细说明如后。显然,所描述的实施例为本发明的一部分实施例,而不是全部的实施例。基于本发明的实施例,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,都属于本发明的保护范围。
在本实施例中提供了一种提高风功率预测精度的方法,如图1所示,提高风功率预测精度的方法包括:
步骤S110:获取目标区域的天气预测背景场数据;
步骤S120:通过SCADA系统获取每台风机的历史运行参数,并依据所述历史运行参数构建每台风机的功率曲线模型;
步骤S130:利用WRF模型对所述天气预测背景场数据进行计算,得到目标区域的天气预测结果;
步骤S140:从所述天气预测结果中提取风速、风向、温度以及气压要素;
步骤S150:利用CFD模型对所述风速、风向、温度以及气压要素进行微尺度流场计算,得到目标区域全场的精细化流场模拟计算结果;
步骤S160:从所述精细化流场模拟计算结果中获取每台风机点位的风向和风速数据;
步骤S170:将每台风机点位的风向和风速数据输入到对应的功率曲线模型中,得到单台风机的预测功率;
步骤S180:依据所有的单台风机的预测功率,确定出目标区域全场的预测风功率。
优选地,所述利用WRF模型对所述天气预测背景场数据进行计算,得到目标区域的天气预测结果,包括:利用WRF模型对所述天气预测背景场数据降尺度,将12km分辨率的所述天气预测背景场数据降尺度为3km分辨率,并对所述3km分辨率的天气预测背景场数据进行计算。
具体地,WRF模型的嵌套方式为三层嵌套,网格精度分别为27km、9km及3km,选取适合目标区域的参数化方案,包括微物理方案及边界层方案等,接下来进行WRF模拟计算,得到目标区域的风场及温度场等气象要素。
具体地,所述目标区域的天气预测背景场数据为目标区域全球尺度数值天气预测的背景场数据。
具体地,将所有的单台风机的预测功率相加,得到目标区域全场的预测风功率。
优选地,WRF模型为中尺度气象模型,CFD模型为流体力学模型,SCADA系统为数据采集监视系统。
优选地,所述利用CFD模型对所述风速、风向、温度以及气压要素进行微尺度流场计算,得到目标区域全场的精细化流场模拟计算结果之前,包括:获取制作所述CFD模型所需的精细化网格,精细化网格精度为50米,将所述精细化网格输入到所述CFD模型中。
优选地,所述每台风机的历史运行参数包括:历史风速、历史风向和历史功率。
优选地,所述天气预测背景场数据包括初始场数据和边界场数据。
具体地,通过SCADA系统获取每台风机的历史运行参数,并对历史数据进行清洗,利用机器学习算法构建每台风机的的风速-功率模型。
作为本发明的另一实施例,提供一种提高风功率预测精度的系统,其中,包括:
第一获取模块,用于获取目标区域的天气预测背景场数据;
构建模块,用于通过SCADA系统获取每台风机的历史运行参数,并依据所述历史运行参数构建每台风机的功率曲线模型;
第一计算模块,用于利用WRF模型对所述天气预测背景场数据进行计算,得到目标区域的天气预测结果;
提取模块,用于从所述天气预测结果中提取风速、风向、温度以及气压要素;
第二计算模块,用于利用CFD模型对所述风速、风向、温度以及气压要素进行微尺度流场计算,得到目标区域全场的精细化流场模拟计算结果;
第二获取模块,用于从所述精细化流场模拟计算结果中获取每台风机点位的风向和风速数据;
第三计算模块,用于将每台风机点位的风向和风速数据输入到对应的功率曲线模型中,得到单台风机的预测功率;
确定模块,用于依据所有的单台风机的预测功率,确定出目标区域全场的预测风功率。
本发明提供的提高风功率预测精度的方法及系统,通过中尺度气象模式(WRF)耦合流体力学模式(CFD)的方法得到精细化的风速预测数据,提取每个风机点位的风向和风速数据,对单台风机进行风功率预测,将所有的单台风机的预测功率相加得到全场的预测风功率,考虑到了每台风机的差异性,提高了风功率的预测精度。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,当可利用上述揭示的技术内容作出些许更动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 (6)
1.一种提高风功率预测精度的方法,其特征在于,包括:
获取目标区域的天气预测背景场数据;
通过SCADA系统获取每台风机的历史运行参数,并依据所述历史运行参数构建每台风机的功率曲线模型;
利用WRF模型对所述天气预测背景场数据进行计算,得到目标区域的天气预测结果;
从所述天气预测结果中提取风速、风向、温度以及气压要素;
利用CFD模型对所述风速、风向、温度以及气压要素进行微尺度流场计算,得到目标区域全场的精细化流场模拟计算结果;
从所述精细化流场模拟计算结果中获取每台风机点位的风向和风速数据;
将每台风机点位的风向和风速数据输入到对应的功率曲线模型中,得到单台风机的预测功率;
依据所有的单台风机的预测功率,确定出目标区域全场的预测风功率。
2.根据权利要求1所述的提高风功率预测精度的方法,其特征在于,所述利用WRF模型对所述天气预测背景场数据进行计算,得到目标区域的天气预测结果,包括:利用WRF模型对所述天气预测背景场数据降尺度,将12km分辨率的所述天气预测背景场数据降尺度为3km分辨率,并对所述3km分辨率的天气预测背景场数据进行计算。
3.根据权利要求1所述的提高风功率预测精度的方法,其特征在于,所述利用CFD模型对所述风速、风向、温度以及气压要素进行微尺度流场计算,得到目标区域全场的精细化流场模拟计算结果之前,包括:获取制作所述CFD模型所需的精细化网格,精细化网格精度为50米,将所述精细化网格输入到所述CFD模型中。
4.根据权利要求1所述的提高风功率预测精度的方法,其特征在于,所述每台风机的历史运行参数包括:历史风速、历史风向和历史功率。
5.根据权利要求1所述的提高风功率预测精度的方法,其特征在于,所述天气预测背景场数据包括初始场数据和边界场数据。
6.一种提高风功率预测精度的系统,其特征在于,包括:
第一获取模块,用于获取目标区域的天气预测背景场数据;
构建模块,用于通过SCADA系统获取每台风机的历史运行参数,并依据所述历史运行参数构建每台风机的功率曲线模型;
第一计算模块,用于利用WRF模型对所述天气预测背景场数据进行计算,得到目标区域的天气预测结果;
提取模块,用于从所述天气预测结果中提取风速、风向、温度以及气压要素;
第二计算模块,用于利用CFD模型对所述风速、风向、温度以及气压要素进行微尺度流场计算,得到目标区域全场的精细化流场模拟计算结果;
第二获取模块,用于从所述精细化流场模拟计算结果中获取每台风机点位的风向和风速数据;
第三计算模块,用于将每台风机点位的风向和风速数据输入到对应的功率曲线模型中,得到单台风机的预测功率;
确定模块,用于依据所有的单台风机的预测功率,确定出目标区域全场的预测风功率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713110.8A CN111881568A (zh) | 2020-07-22 | 2020-07-22 | 一种提高风功率预测精度的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010713110.8A CN111881568A (zh) | 2020-07-22 | 2020-07-22 | 一种提高风功率预测精度的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111881568A true CN111881568A (zh) | 2020-11-03 |
Family
ID=73155301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010713110.8A Pending CN111881568A (zh) | 2020-07-22 | 2020-07-22 | 一种提高风功率预测精度的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881568A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348292A (zh) * | 2021-01-07 | 2021-02-09 | 中国电力科学研究院有限公司 | 一种基于深度学习网络的短期风电功率预测方法和系统 |
CN112685977A (zh) * | 2021-01-14 | 2021-04-20 | 国家气候中心 | 风电场风资源非定常数值模拟方法和装置 |
CN113309661A (zh) * | 2021-03-09 | 2021-08-27 | 明阳智慧能源集团股份公司 | 一种提升风力发电机组发电量的方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120230821A1 (en) * | 2011-03-10 | 2012-09-13 | Sinovel Wind Group Co., Ltd. | Wind power prediction method of single wind turbine generator |
KR20140005517A (ko) * | 2012-07-04 | 2014-01-15 | 경상대학교산학협력단 | 웹기반 온라인 전력에너지 공급지장비용 추정 정보시스템 및 전력에너지 공급지장비용 추정 방법 |
CN103810542A (zh) * | 2014-03-07 | 2014-05-21 | 北京动力京工科技有限公司 | 风电场风功率预测系统及实现方法 |
US20160333855A1 (en) * | 2015-05-15 | 2016-11-17 | General Electric Company | Digital wind farm system |
CN107194097A (zh) * | 2017-05-27 | 2017-09-22 | 中国大唐集团科学技术研究院有限公司 | 基于风电场气动模拟和风速风向数据的分析方法 |
CN110533347A (zh) * | 2019-09-10 | 2019-12-03 | 浙江运达风电股份有限公司 | 一种风电场风资源计算方法、装置、设备及可读介质 |
CN111461444A (zh) * | 2020-04-07 | 2020-07-28 | 上海电气风电集团股份有限公司 | 风电场的机组功率的预测方法、系统、介质及电子设备 |
-
2020
- 2020-07-22 CN CN202010713110.8A patent/CN111881568A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120230821A1 (en) * | 2011-03-10 | 2012-09-13 | Sinovel Wind Group Co., Ltd. | Wind power prediction method of single wind turbine generator |
KR20140005517A (ko) * | 2012-07-04 | 2014-01-15 | 경상대학교산학협력단 | 웹기반 온라인 전력에너지 공급지장비용 추정 정보시스템 및 전력에너지 공급지장비용 추정 방법 |
CN103810542A (zh) * | 2014-03-07 | 2014-05-21 | 北京动力京工科技有限公司 | 风电场风功率预测系统及实现方法 |
US20160333855A1 (en) * | 2015-05-15 | 2016-11-17 | General Electric Company | Digital wind farm system |
CN107194097A (zh) * | 2017-05-27 | 2017-09-22 | 中国大唐集团科学技术研究院有限公司 | 基于风电场气动模拟和风速风向数据的分析方法 |
CN110533347A (zh) * | 2019-09-10 | 2019-12-03 | 浙江运达风电股份有限公司 | 一种风电场风资源计算方法、装置、设备及可读介质 |
CN111461444A (zh) * | 2020-04-07 | 2020-07-28 | 上海电气风电集团股份有限公司 | 风电场的机组功率的预测方法、系统、介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
马文通等: ""基于CFD动力降尺度的复杂地形风电场风电功率短期预测方法研究"", 《气象学报》, vol. 74, no. 1, pages 89 - 102 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112348292A (zh) * | 2021-01-07 | 2021-02-09 | 中国电力科学研究院有限公司 | 一种基于深度学习网络的短期风电功率预测方法和系统 |
CN112348292B (zh) * | 2021-01-07 | 2021-08-06 | 中国电力科学研究院有限公司 | 一种基于深度学习网络的短期风电功率预测方法和系统 |
CN112685977A (zh) * | 2021-01-14 | 2021-04-20 | 国家气候中心 | 风电场风资源非定常数值模拟方法和装置 |
CN112685977B (zh) * | 2021-01-14 | 2023-12-08 | 国家气候中心 | 风电场风资源非定常数值模拟方法和装置 |
CN113309661A (zh) * | 2021-03-09 | 2021-08-27 | 明阳智慧能源集团股份公司 | 一种提升风力发电机组发电量的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881568A (zh) | 一种提高风功率预测精度的方法及系统 | |
AU2017352549B2 (en) | Method and device for calculating power generation of wind farm | |
CN105243502B (zh) | 一种基于径流区间预测的水电站调度风险评估方法及系统 | |
Chen et al. | Short-Term Wind Power Forecasting Using Gaussian Processes. | |
CN104299044A (zh) | 基于聚类分析的风功率短期预测系统及预测方法 | |
CN102411729B (zh) | 基于自适应线性逻辑网络的风电功率预测方法 | |
CN106875033A (zh) | 一种基于动态自适应的风电集群功率预测方法 | |
CN103955009A (zh) | 一种从数值预报产品中提取出台风客观预报信息的方法 | |
CN106779148A (zh) | 一种多模型多特征融合的高速铁路沿线风速预测方法 | |
CN103020743B (zh) | 风电场超短期风速预测方法 | |
Lawan et al. | Wind power generation via ground wind station and topographical feedforward neural network (T-FFNN) model for small-scale applications | |
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 | |
CN115470731A (zh) | 一种基于微气象的风场风电功率预测方法及系统 | |
CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
CN103996087A (zh) | 一种新能源发电功率预测方法及系统 | |
CN114398736A (zh) | 基于时变模型参数的滚动轴承剩余寿命预测方法 | |
CN107403244A (zh) | 基于人工神经网络改进灰色模型的短期风速预测方法 | |
Ghadi et al. | A new method for short-term wind power forecasting | |
Ansari et al. | Wind power forecasting using artificial neural network | |
CN116451608A (zh) | 一种复杂地形的混合风功率预测方法及装置 | |
CN116454872A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN116307257A (zh) | 一种特定天气下的风电场的输出功率预测方法及装置 | |
KR101010407B1 (ko) | 빌딩풍 이용 풍력 발전 시스템의 설치 방법 | |
CN115912334A (zh) | 风电场出力保证率的预测模型创建方法及预测方法 | |
CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及系统 |
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 | ||
CB02 | Change of applicant information |
Address after: Room 607 and 608, 26th floor, 487 Tianlin Road, Xuhui District, Shanghai 200023 Applicant after: Jiyuan (Shanghai) data Technology Co.,Ltd. Address before: Room 607 and 608, 26th floor, 487 Tianlin Road, Xuhui District, Shanghai 200023 Applicant before: Mintou (Shanghai) data Technology Co.,Ltd. |
|
CB02 | Change of applicant information |