CN111915070B - 一种采用大气压的空间相关性k近邻日前风速预测方法 - Google Patents

一种采用大气压的空间相关性k近邻日前风速预测方法 Download PDF

Info

Publication number
CN111915070B
CN111915070B CN202010692208.XA CN202010692208A CN111915070B CN 111915070 B CN111915070 B CN 111915070B CN 202010692208 A CN202010692208 A CN 202010692208A CN 111915070 B CN111915070 B CN 111915070B
Authority
CN
China
Prior art keywords
wind speed
local
upstream
atmospheric pressure
wind
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
Application number
CN202010692208.XA
Other languages
English (en)
Other versions
CN111915070A (zh
Inventor
杨正瓴
乔健
王迪
侯谨毅
张军
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.)
Tianjin University
Original Assignee
Tianjin 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 Tianjin University filed Critical Tianjin University
Priority to CN202010692208.XA priority Critical patent/CN111915070B/zh
Publication of CN111915070A publication Critical patent/CN111915070A/zh
Application granted granted Critical
Publication of CN111915070B publication Critical patent/CN111915070B/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
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A30/00—Adapting or protecting infrastructure or their operation

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)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种采用大气压的空间相关性k近邻日前风速预测方法，包含以下步骤：1)读取本地、周边地点的风向、大气压、风速当前观测值，及其历史观测数据；2)根据指向本地的风向，从周边地点优选出本地当前的上游地点，并计算“上游对本地大气压差值”和“上游风速”对“本地风速”的优化延迟时间；3)优选预报模型最小二乘支持向量回归LSSVR的输入变量，即输入到预报模型的“上游对本地大气压差值”和“上游风速”观测值的优化点数；4)采用优选的k近邻，训练本地风速的预报模型；5)将上游对本地大气压差值、上游风速，按照优化延迟时间提前的观测值，代入到预报模型，得到本地未来风速的预报值。

Description

一种采用大气压的空间相关性k近邻日前风速预测方法
技术领域
本发明涉及风电功率预测领域。更具体的说，是一种利用空间相关性，特别是利用上游大气压进行本地短期(日前)风速预测的k近邻新方法。
背景技术
作为一种绿色可再生的低碳能源，风电是受到国际范围重视的一种新能源。我国能源消费区基本上都处在季风区。特别是东南沿海区域，不仅风能资源充沛，还是适合利用空间相关性进行风能预测的区域。准确可靠的风电功率预测，是提高我国电力系统运行水平的关键基础技术。
提高我国风电功率预测准确性可靠性的两个基本步骤：一是提高风的预测效果，二是提高从风速到风力发电机出力(发出的有功功率)的折算。
目前短期风电功率预测的基本方法有两大类：物理方法(以数值天气预报NWP为代表)，统计学方法(主要使用本地的历史资料)。当前的现状为，NWP从2012年前后进入相对停滞时期[4,5]；依据本地历史资料的统计学方法日臻成熟。所以，作为一种独特的预测方法，空间相关性近年基本上被国际范围列为物理方法、统计学方法之后的第三种预测方法。空间相关性预报/预测的基本原理：首先，根据本地、周边地区的风向，确定本地风速的上游；并计算出上游风速对本地风速的优化延迟时间。其次，根据一定数量的历史和当前观测数据，训练出从上游到本地风速的预测模型。最后，根据该预测模型，利用当前上游的最近风速等观测值，预测出本地未来的风速。
实际上，从使用的数据看，风速的空间相关性预测有两大类。一类是只利用历史和当前天气观测值；另一类是利用周边地区的天气未来预报值。第一类只利用天气观测值的方法，是一种独立于NWP、当地历史资料的风速统计学(回归)预测的新方法，具有弥补这两类旧方法“家族性缺陷”的潜力。
在我国季风区，空间相关性预测可以实现提前20小时以上的未来风速预测，可用于短期、超短期的风电功率预测。在我国东部沿海，空间相关性风速预测未来的发展方向是网格式的区域性联合预测。
发明内容
本发明用于提高风速的日前预测效果，基本上是一种独立于数值天气预报NWP、利用本地天气资料的统计学方法的新方法。为实现上述目的，本发明采取以下技术方案：
一种采用大气压的空间相关性k近邻日前风速预测方法，包含以下步骤：1)读取本地、周边地点的风向、大气压、风速当前观测值，及其历史观测数据；2)根据指向本地的风向，从周边地点优选出本地当前的上游地点，并计算“上游对本地大气压差值”和“上游风速”对“本地风速”的优化延迟时间；3)优选预报模型最小二乘支持向量回归LSSVR的输入变量，即输入到预报模型的“上游对本地大气压差值”和“上游风速”观测值的优化点数；4)采用优选的k近邻，训练本地风速的预报模型；5)将上游对本地大气压差值、上游风速，按照优化延迟时间提前的观测值，代入到预报模型，得到本地未来风速的预报值。
步骤1)具体为：读取本地和周边的大气压、风向、风速当前观测数据，及其历史观测资料。
步骤2)具体为：根据风向对本地的偏差，优选出偏差角度较小的周边地点作为上游，记上游地点u对本地的大气压差值为gu,t、上游地点风速为vu,t，本地风速为vt，这里u＝1,2,…,M为优选出的M个上游地点，t＝…,-2,-1,0,1,2,…是观测的时间点；采用样本交叉相关函数SCCF计算大气压差值gu,t和本地风速vt之间的优化延迟时间τgu；并计算上游地点风速vu,t对本地风速vt的优化延迟时间τvu；取τgu、τvu的平均值作为上游地点u对本地的优化延迟时间τu。
步骤3)具体为：采用主成分分析PCA方法优化预报模型LSSVR的输入变量gu,t、vu,t；对归一化后的连续多个观测时间点的大气压差值、上游风速观测值构成的多维时间序列，提取该多维时间序列的第一主成分；再计算该第一主成分对本地风速vt的样本交叉相关函数SCCF；选取SCCF数值超过其最大值90％以上时的连续多个观测时间点数m作为预报模型初选输入变量，记本地的未来风速预报起始时间点为t，采用
Figure RE-GDA0002710670380000021
作为预报本地vt+1的初选输入变量。
步骤4)具体为：对于当前时刻t，采用直接式预报模式，采用0.5小时统计周期的数据，预报本地未来24小时内的风速vt+j，j＝1,2,…,48；以优化出的提前τu的m个gu,t、vu,t，和本地最近的风速观测值vt构成k近邻的参考矢量，并以此模式搜索出与参考矢量相关性最高的k个历史矢量作为k近邻；采用谷本系数(Tanimoto similarity)作为选取k近邻的相关性量化指标；并训练出作为回归预报模型的最小二乘支持向量回归LSSVR。
步骤5)具体为：将
Figure RE-GDA0002710670380000022
输入到训练好的LSSVR模型，即可得到本地的未来风速vt+j。
本发明由于采取以上技术方案，其具有以下优点：
1、本发明采用了上游对本地的大气压差值，在我国季风区可以实现空间距离超出2000千米、提前时间20小时以上的风速空间相关性预测；
2、本发明从上游对本地大气压差值、上游风速观测值两类时间序列中，采用主成分分析PCA的第一主成分与本地风速之间计算样本交叉相关函数SCCF，可以比较客观地进行预报模型(最小二乘支持向量回归LSSVR)输入变量的优选(预测模型定阶)。直接依托了《动力气象学》中风的成因机理性知识。
3、采用k近邻方式利用历史观测资料，可以可靠地提高本地风速的预测效果。在我国季风区，不仅可以实现较长提前时间的本地未来风速预测，而且对大风有可靠的预测效果。
附图说明
图1是本发明的流程图；
图2是风速和大气压差的SCCF图及其局部细节图，(a)为风速SCCF图，(c)为风速SCCF对应的局部细节，(b)大气压差SCCF图，(d)为大气压差SCCF对应的局部细节；
图3是本发明小波变换对延迟时间的验证结果图，(a)为小波相干图，(b)为交叉小波图；
图4是本发明的预测结果与NWP方法预测的对比图；
图5是本发明的预测结果与本地值预测方法的对比图；
具体实施方式
下面结合实施例对本发明进行说明。
步骤1具体为：读取本地和周边的大气压、风向、风速当前观测数据，以及历史观测资料。进行必要的预处理，如异常值、缺失值的修复。
本示例仅以一个上游地点为例。在冬季风时期，用天津的大气压和风速当前观测值与历史值，以及广州的大气压和风速当前观测值与历史值，对广州的未来风速进行日前预测(即，未来0.5到24小时的风速预测)。需要的输入数据为天津、广州的大气压和风速当前以及历史观测值。记t时刻的天津对广州的大气压差值为gTJGZ,t，天津风速为vTJ,t，以及广州风速为vt。
随着技术的发展，目前风电领域数据的观测质量逐渐提高。风向、风速、大气压等观测数据中“坏数据”越来越少。对于少量的异常值、缺失值等采用常见的插值修复即可。
步骤2具体为：根据风向对本地的偏差，优选出偏差角度较小的周边地点作为上游。对我国季风区，冬季风、夏季风时期的季风风向相对固定。从历史资料中可以简单地优选出本地的上游地点。在冬季风时期，呼和浩特、北京、天津等为广州的风速上游。本专利仅以天津进行示例。实际应用中，应该沿着季风路径建立多个测风塔，以提高广州未来风速的预测效果。
采用样本交叉相关函数(sample cross correlation function，SCCF)来计算“天津对广州的大气压差值” gTJGZ,t对于广州风速vt之间的优化延迟时间τgu；以及天津风速vTJ,t对广州风速vt的优化延迟时间τvu。
计算两个时间序列Xt和Yt之间样本交叉相关函数(sample cross correlationfunction，SCCF)的一般公式为
Figure RE-GDA0002710670380000031
其中
Figure RE-GDA0002710670380000032
Figure RE-GDA0002710670380000033
和
Figure RE-GDA0002710670380000034
分别为两段时间序列Xt和Yt的各自平均值，t＝1,2,3,…表示时间点，n为时间序列的长度，正整数参数z取0时表示两段时间序列重合(即为同一时间段)。
本例，Xt分别代入天津对广州的大气压差值gTJGZ,t和天津风速vTJ,t，Yt为广州风速vt。得到的优化延迟时间τgu、优化延迟时间τvu，以及它们的相对稳定区间(下边界、上边界)，可见图2和表1。
表1由样本交叉相关函数得到的天津到广州的优化延迟时间
延迟时间 τ<sub>gu</sub>(h) τ<sub>vu</sub>(h) τ<sub>u</sub>(h)
最大值 24 25 24.5
下边界 18 22 20
上边界 26.5 28.5 27.5
再使用小波相干(Wavelet coherence)、交叉小波(Cross wavelet)变换图，验证τu的可靠性。其中小波参考自http://noc.ac.uk/using-science/crosswavelet-wavelet- coherence
如图3，从两个小波图的箭头可以看出，最明显的相关性周期(底部粗线内的深色区域，对应的周期在80～130小时左右)出现在100小时前后，箭头角度对应的延迟时间在25小时左右。证实了上面SCCF 得到的表1具有合理性。
类似任国瑞等2020年《Spatial and temporal correlation analysis of windpower between different provinces in China》中，空间相关性风速预测一般对优化延迟时间τu前后的本地风速预测效果较好。沿风向建立一系列的上游测风塔，可以可靠地提高本地预测的效果。
步骤3具体为：采用主成分分析PCA方法优化预报模型LSSVR的输入变量gu,t、vu,t。对归一化 (min-max normalization)后的连续多个观测时间点的大气压差值、上游风速观测值构成的多维时间序列，提取该多维时间序列的第一主成分；再计算该第一主成分对本地风速vt的样本交叉相关函数SCCF。选取 SCCF数值超过其最大值90％以上时的连续多个观测时间点数m作为预报模型初选输入变量。记本地的未来风速预测起始时间点为t，则采用
Figure RE-GDA0002710670380000041
Figure RE-GDA0002710670380000042
作为预测本地vt+1的初选输入变量。
其中PCA的计算可参考网站MathWorks：https://ww2.mathworks.cn/help/stats/ pca.html。
对于一维时间序列，预测模型阶数优选的常用方法是赤池信息准则AIC、贝叶斯信息准则BIC。对于本专利中的多维时间序列预测，移植AIC和BIC中的“模型参数个数的惩罚项”思路，在样本交叉相关函数 SCCF相差不大的情况下，尽力选用阶数低的模型。
本例中，二维时间序列{gTJGZ,t,vTJ,t}的第一主成分对广州风速的SCCF，在m＝1,2,…,10范围内，该SCCF的变化在大约10％的范围内波动，即SCCF对m不敏感。所以，选用最简单的模型，即大气压差值和天津风速都选用一阶，此时预测广州未来风速的输入优选变量为
Figure RE-GDA0002710670380000043
步骤4具体为：对于当前时刻t，采用直接式预测模式，采用0.5小时统计周期的数据，预测本地未来24小时的风速vt+j，j＝1,2,…,48。以优化出的提前τu的m个gu,t、vu,t，和本地最近的风速观测值vt构成k近邻的参考矢量
Figure RE-GDA0002710670380000044
并以此模式搜索出与参考矢量相关性最高的k个历史矢量作为k近邻。采用谷本系数(Tanimoto similarity)作为选取k近邻的相关性量化指标。并训练出作为回归预测模型的最小二乘支持向量回归LSSVR。
其中LSSVR可参考网站LS-SVMlab：https://www.esat.kuleuven.be/sista/ lssvmlab。
计算两个时间序列Xt和Yt之间谷本系数(Tanimoto similarity)的一般公式为
Figure RE-GDA0002710670380000045
对未来第j步的预测方程为
Figure RE-GDA0002710670380000046
j＝1,2,...为广州未来风速预测的提前步数(即多步预测的“直接式direct strategy”模式)，k近邻的模式为
Figure RE-GDA0002710670380000051
i＝1,2,...,k为优选出来的“k近邻”集合的顺序地址；预测模型F为一个最小二乘支持向量回归LSSVR。训练第j步预测模型Y1×k＝F(X2×k)的具体输入数据格式为：
Y1×k＝(vt-k+1,…,vt-1,vt) (4)
Figure RE-GDA0002710670380000052
i＝1,2,...,k为优选出来的{“k近邻”集合}的顺序地址。
步骤5具体为：将观测值
Figure RE-GDA0002710670380000053
输入到训练好的第j步直接法预测的最小二乘支持向量回归LSSVR模型F，即可得到本地的未来风速
Figure RE-GDA0002710670380000054
对本示例，冬季风时期广州风速预测的结果见图4和图5。采用的是48点(0.5小时)统计周期的数据，直接预测的最大提前时间是24小时。实际上，空间相关性预测准确性较高的是第18～24小时附近，即表1和图2里相关性最强的时间段。
表2冬季风时期广州风速的提前24小时预测的误差
Figure RE-GDA0002710670380000055
表2表明本发明可以较好地预测出广州的未来风速。
图5和表2的预测效果，可以和清华大学凡航等人2020年《电力系统自动化》网络首发论文“基于时空神经网络的风电场超短期风速预测模型”里的图4、表2，以及附录图A1、图A2、图A3相互印证。

Claims (4)

1.一种采用大气压的空间相关性k近邻日前风速预测方法，包含以下步骤：
1)读取本地、周边地点的风向、大气压、风速当前观测值，及其历史观测数据；
2)根据指向本地的风向，从周边地点中选定本地当前的上游地点，并计算上游对本地大气压差值和上游风速对本地风速的优化延迟时间；具体为：
根据风向对本地的偏差，选定偏差角度小的周边地点作为上游，记上游地点u对本地的大气压差值为gu,t、上游地点风速为vu,t，本地风速为vt，这里u＝1,2,…,M为选定的M个上游地点，t＝…,-2,-1,0,1,2,…是观测的时间点；采用样本交叉相关函数SCCF计算大气压差值gu,t和本地风速vt之间的优化延迟时间τgu；并计算上游地点风速vu,t对本地风速vt的优化延迟时间τvu；取τgu、τvu的平均值作为上游地点u对本地的优化延迟时间τu；
3)确定预报模型最小二乘支持向量回归LSSVR的输入变量，即输入到预报模型的上游对本地大气压差值和上游风速观测值的优化点数；具体为：
采用主成分分析PCA方法优化预报模型LSSVR的输入变量gu,t、vu,t；对归一化后的连续多个观测时间点的大气压差值、上游风速观测值构成的多维时间序列，提取该多维时间序列的第一主成分；再计算该第一主成分对本地风速vt的样本交叉相关函数SCCF；选取SCCF数值超过其最大值90％时的连续多个观测时间点数m作为预报模型初选输入变量，记本地的未来风速预报起始时间点为t，采用
Figure FDA0003509411790000011
Figure FDA0003509411790000012
作为预报本地vt+1的初选输入变量；
4)采用选定的k近邻，训练本地风速的预报模型；
5)将上游对本地大气压差值、上游风速，按照优化延迟时间提前的观测值，代入到预报模型，得到本地未来风速的预报值。
2.根据权利要求1所述的风速预测方法，其特征在于，步骤1)具体为：读取本地和周边的大气压、风向、风速当前观测数据，及其历史观测资料。
3.根据权利要求1所述的风速预测方法，其特征在于，步骤4)具体为：对于当前时刻t，采用直接式预报模式，采用0.5小时统计周期的数据，预报本地未来24小时内的风速vt+j，j＝1,2,…,48；以优化出的提前τu的m个gu,t、vu,t，和本地最近的风速观测值vt构成k近邻的参考矢量，并以此模式搜索出与参考矢量相关性最高的k个历史矢量作为k近邻；采用谷本系数Tanimoto similarity作为选取k近邻的相关性量化指标；并训练出作为回归预报模型的最小二乘支持向量回归LSSVR。
4.根据权利要求1所述的风速预测方法，其特征在于，步骤5)具体为：将{gu,t-τu-m+1、…、gu,t-τu-1、gu,t-τu}，{vu,t-τu-m+1、…、vu,t-τu-1、vu,t-τu}输入到训练好的LSSVR模型，即可得到本地的未来风速vt+j。
CN202010692208.XA 2020-07-17 2020-07-17 一种采用大气压的空间相关性k近邻日前风速预测方法 Active CN111915070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010692208.XA CN111915070B (zh) 2020-07-17 2020-07-17 一种采用大气压的空间相关性k近邻日前风速预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010692208.XA CN111915070B (zh) 2020-07-17 2020-07-17 一种采用大气压的空间相关性k近邻日前风速预测方法

Publications (2)

Publication Number Publication Date
CN111915070A CN111915070A (zh) 2020-11-10
CN111915070B true CN111915070B (zh) 2022-05-31

Family

ID=73280468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010692208.XA Active CN111915070B (zh) 2020-07-17 2020-07-17 一种采用大气压的空间相关性k近邻日前风速预测方法

Country Status (1)

Country Link
CN (1) CN111915070B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324980A (zh) * 2013-04-25 2013-09-25 华北电力大学（保定） 一种风电场风速预测方法
CN107507097A (zh) * 2017-07-03 2017-12-22 上海电力学院 一种风电功率短期预测方法
CN107769254A (zh) * 2017-08-01 2018-03-06 中国农业大学 一种风电集群轨迹预测与分层控制方法
CN107844872A (zh) * 2017-12-19 2018-03-27 上海电机学院 一种用于风力发电的短期风速预报方法
CN110457800A (zh) * 2019-07-30 2019-11-15 天津大学 考虑机械惯性的水平轴风机风速出力折算方法
CN110766200A (zh) * 2019-09-23 2020-02-07 广东工业大学 一种基于K-means均值聚类的风电机组发电功率预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9460478B2 (en) * 2012-12-17 2016-10-04 Arizona Board Of Regents On Behalf Of Arizona State University System and method for wind generation forecasting

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324980A (zh) * 2013-04-25 2013-09-25 华北电力大学（保定） 一种风电场风速预测方法
CN107507097A (zh) * 2017-07-03 2017-12-22 上海电力学院 一种风电功率短期预测方法
CN107769254A (zh) * 2017-08-01 2018-03-06 中国农业大学 一种风电集群轨迹预测与分层控制方法
CN107844872A (zh) * 2017-12-19 2018-03-27 上海电机学院 一种用于风力发电的短期风速预报方法
CN110457800A (zh) * 2019-07-30 2019-11-15 天津大学 考虑机械惯性的水平轴风机风速出力折算方法
CN110766200A (zh) * 2019-09-23 2020-02-07 广东工业大学 一种基于K-means均值聚类的风电机组发电功率预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Fuzzy Model forWind Speed Prediction and Power Generation in Wind Parks Using Spatial Correlation;Ioannis G. Damousis等;《IEEE TRANSACTIONS ON ENERGY CONVERSION》;20040630;第352-361页 *
利用空间相关性的超短期风速预测;陈宁等;《电力系统自动化》;20170625;第124-130页 *
采用k近邻进行空间相关性超短期风速预测;杨正瓴等;《电力自动化设备》;20190331;第175-181页 *

Also Published As

Publication number Publication date
CN111915070A (zh) 2020-11-10

Similar Documents

Publication Publication Date Title
Ren et al. Ensemble methods for wind and solar power forecasting—A state-of-the-art review
Sideratos et al. Probabilistic wind power forecasting using radial basis function neural networks
Munshi et al. Photovoltaic power pattern clustering based on conventional and swarm clustering methods
CN104299044A (zh) 基于聚类分析的风功率短期预测系统及预测方法
CN110685868A (zh) 一种基于改进梯度提升机的风电机组故障检测方法及装置
CN110766175A (zh) 一种基于最优间隔分布机的变桨系统故障检测方法及装置
Kolhe et al. GA-ANN for short-term wind energy prediction
CN105117593A (zh) 基于小波变换和粒子群改进灰色模型的短期风速预测方法
CN114240000A (zh) 一种基于时空图卷积网络的空气质量预测方法
CN109636066A (zh) 一种基于模糊时间序列挖掘的风电输出功率预测方法
CN113361766A (zh) 一种集成机器学习的多模式降水预估方法
CN115271253B (zh) 一种水风光发电功率预测模型构建方法、装置及存储介质
CN115481791A (zh) 一种水风光发电功率联合预测方法、装置和设备
Kim et al. Solar radiation forecasting based on the hybrid CNN-CatBoost model
Ramirez-Vergara et al. Review of forecasting methods to support photovoltaic predictive maintenance
Bellagarda et al. Effectiveness of neural networks and transfer learning to forecast photovoltaic power production
CN111915070B (zh) 一种采用大气压的空间相关性k近邻日前风速预测方法
Oprea et al. A stacked ensemble forecast for photovoltaic power plants combining deterministic and stochastic methods
CN112085350A (zh) 一种大型光伏电站中光伏阵列状态的评估方法
Yuan et al. Short-term wind speed forecasting using STLSSVM hybrid model
Munshi et al. Comparisons among Bat algorithms with various objective functions on grouping photovoltaic power patterns
Islam et al. Location agnostic adaptive rain precipitation prediction using deep learning
CN115759474A (zh) 一种基于Autoformer模型和XGBoost模型的多任务负荷预测方法及其系统
Dokuz et al. Year-ahead wind speed forecasting using a clustering-statistical hybrid method
Haque et al. A hybrid intelligent framework for wind power forecasting engine

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