CN112712215A - 一种风电场功率预测方法 - Google Patents

一种风电场功率预测方法 Download PDF

Info

Publication number
CN112712215A
CN112712215A CN202110058965.6A CN202110058965A CN112712215A CN 112712215 A CN112712215 A CN 112712215A CN 202110058965 A CN202110058965 A CN 202110058965A CN 112712215 A CN112712215 A CN 112712215A
Authority
CN
China
Prior art keywords
power
wind
data
prediction
power plant
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.)
Withdrawn
Application number
CN202110058965.6A
Other languages
English (en)
Inventor
李昊洋
王秀茹
石惠敏
毛王清
庞吉年
王晗雯
徐微微
陈秋平
田野
陈冬冬
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.)
State Grid Jiangsu Electric Power Co ltd Suqian Power Supply Branch
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Suqian Power Supply Branch
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
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 State Grid Jiangsu Electric Power Co ltd Suqian Power Supply Branch, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Suqian Power Supply Branch
Priority to CN202110058965.6A priority Critical patent/CN112712215A/zh
Publication of CN112712215A publication Critical patent/CN112712215A/zh
Withdrawn legal-status Critical Current

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (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

本发明公开了一种风电场功率预测方法，包括步骤一、获取风电场的整场功率数据和整场平均测量风速数据，并进行数据清洗；二、将整场平均测量风速数据间隔划分，进行数据归一化；三、进行离群点检测，再拟合每个月的功率曲线，得到每个月风电场功率预测的基础模型；四、通过每个月风电场功率预测的基础模型得到预测偏差数据集；五、以预测偏差数据集构建极限学习机的训练集；六、构建两个极限学习机模型，训练得到风电场功率预测的偏差校正模型；七、通过风电场功率预测的基础模型和风电场功率预测的偏差校正模型，得到风电场功率的预测值。本发明基于偏差校正技术进行风电场功率预测，参数少，能够取得更好的功率预测效果，效果显著，便于推广。

Description

一种风电场功率预测方法
技术领域
本发明属于新能源发电技术领域，具体涉及一种风电场功率预测方法。
背景技术
为了应对能源危机和环境问题，可再生能源发电在世界范围内得到了飞速发展。作为一种典型的可再生能源发电方式，风力发电在现代电网中的渗透率日益增加。然而，由于风能具有强不确定性，高风电渗透率给电网的稳定运行带来极大挑战，是电力调度部门急需解决的重要问题，实现风电场功率的精确预测是解决这一问题的关键途径。
目前已有的风电功率预测方法主要包括两种：基于物理模型的方法和基于统计分析的方法。基于物理模型的方法根据大气运动方程来预测诸如风速的气象因素，然后计算得到风电功率预测值，此类方法善于应对大时空尺度的风电功率预测问题，当预测时空尺度较小时，该类方法的精度较低，同时，这类方法的计算复杂度较高。基于统计分析的方法善于处理小时空尺度的风电功率预测问题，通过使用历史数据来训练机器学习模型，建立输入特征与输出功率之间的非线性关系，进而实现风电功率的预测，主要方法包括自回归和移动平均(ARIMA)方法、神经网络(NN)、支持向量机(SVM)等。然而，基于统计分析的方法的功率预测结果存在一定的偏差，且该偏差随着预测时长的增加而增大，其预测精度有待于进一步提升。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种风电场功率预测方法，其方法步骤简单，设计合理，实现方便，基于偏差校正技术进行风电场功率预测，参数少，计算量小，与传统的功率预测方法相比，能够取得更好的功率预测效果，效果显著，便于推广。
为解决上述技术问题，本发明采用的技术方案是：一种风电场功率预测方法，包括以下步骤：
步骤一、以年为单位，获取风电场正常运行的整场功率数据和对应时间点的整场平均测量风速数据，并进行数据清洗；
步骤二、将整场平均测量风速数据间隔划分，以月为单位，对每个风速间隔内对应的功率数据进行数据归一化；
步骤三、采用K-NN算法对每个月归一化数据进行离群点检测，再采用logistic函数拟合每个月的功率曲线，得到每个月风电场功率预测的基础模型；
步骤四、通过每个月风电场功率预测的基础模型得到预测偏差数据集；
步骤五、以预测偏差数据集构建极限学习机的训练集；
步骤六、构建两个极限学习机模型，采用步骤五中训练集进行训练，得到风电场功率预测的偏差校正模型；
步骤七、通过风电场功率预测的基础模型和风电场功率预测的偏差校正模型，得到风电场功率的预测值。
上述的一种风电场功率预测方法，步骤一中所述数据清洗的具体过程包括：在时间尺度上，以月为单位，计算该月整场功率数据和对应时间点的整场平均测量风速数据的平均值和标准差，采用三倍标准差法进行剔除，完成对整场功率数据和对应时间点的整场平均测量风速数据的数据清洗。
上述的一种风电场功率预测方法，步骤二中所述数据归一化的具体过程包括：根据公式
Figure BDA0002901766310000021
对间隔内风速对应的功率数据进行数据归一化，得到归一化后的功率数据P'i，其中，Pi为间隔内风速对应的功率数据，mean(Pi)为Pi的均值，std(Pi)为Pi的标准差。
上述的一种风电场功率预测方法，步骤三中所述logistic函数的具体表达式为：
Figure BDA0002901766310000031
其中，P为风电场的输出功率，v为风速，vo为切出风速，a、b和c是需要根据功率和风速数据拟合得到的模型参数。
上述的一种风电场功率预测方法，步骤四中所述通过每个月风电场功率预测的基础模型得到预测偏差数据集的具体过程包括：将每个月的整场平均预测风速数据输入到对应月份的风电场功率预测的基础模型中，得到风电场功率的基础值；将风电场功率的基础值与对应的风电场功率的实际值做差，得到风电场功率预测偏差值，进而得到预测偏差数据集。
上述的一种风电场功率预测方法，步骤五中所述以预测偏差数据集构建极限学习机的训练集的具体过程包括：采用时间序列滑窗的方法，以20为输入特征数，1为间隔进行滑窗，以未来15分钟的预测偏差作为训练目标，得到训练特征集和训练目标集；然后，采用低通滤波器
Figure BDA0002901766310000032
对训练特征集和训练目标集进行滤波处理，得到训练特征集的低频部分和高频部分，以及训练目标集的低频部分和高频部分，训练特征集的低频部分和训练目标集的低频部分对应，组成低频部分训练集；训练特征集的高频部分和训练目标集的高频部分对应，组成高频部分训练集，其中，1/τ为低通滤波器的带宽。
上述的一种风电场功率预测方法，步骤六中所述构建的两个极限学习机模型的基本结构为：每个极限学习机模型均包括20个节点的输入层、45个节点的隐含层和1个节点的输出层，以X表示输入，隐含层的权重用W表示，隐含层的输出H为：H＝WX，输出层的权重β训练得到：β＝TH-1，其中，H-1是矩阵H的伪逆。
上述的一种风电场功率预测方法，步骤七中所述通过风电场功率预测的基础模型和风电场功率预测的偏差校正模型，得到风电场功率的预测值的具体过程包括：
步骤701、将风电场t时刻的平均预测风速数据输入到步骤三中对应月份的风电场功率预测的基础模型中，得到风电场功率基础值PBASE；
步骤702、将t-20，t-19，t-18...，t-1时刻的风电场功率预测偏差作为输入特征输入到步骤五中的低通滤波器中，得到输入特征的高频部分和低频部分；
步骤703、将输入特征的高频部分和低频部分分别输入到对应月份的风电场功率预测的偏差校正模型中，得到高频偏差校正量fELMH和低频偏差校正量fELML；
步骤704、得到最终的风电场功率的预测值为PBASE+fELMH+fELML。
本发明与现有技术相比具有以下优点：
1、本发明方法步骤简单，设计合理，实现方便。
2、本发明充分利用风电场的风速预测数据，在不需要求解大气运动方程的情况下，通过运用风电场动态功率曲线得到风电场功率预测基础模型，在实际使用中，能够以较小的计算代价得到功率预测基础值。
3、本发明充分利用功率预测误差时间序列中存在的相关性，根据高频、低频分解结果，建立基于双极限学习机的功预测偏差校正模型，能够以较为简单的结构提升风电场功率预测的精度。
4、本发明基于偏差校正技术进行风电场功率预测，参数少，计算量小，与传统的功率预测方法相比，能够取得更好的功率预测效果，能够为电力调度部门提供更加准确的风电功率信息，有效提高风电场的经济效益，效果显著，便于推广。
综上所述，本发明方法步骤简单，设计合理，实现方便，基于偏差校正技术进行风电场功率预测，参数少，计算量小，与传统的功率预测方法相比，能够取得更好的功率预测效果，效果显著，便于推广。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明的方法流程图；
图2为本发明的风电场功率预测的基础模型示意图；
图3为风电功率预测值对比图；
图4为风电场功率预测偏差对比图。
具体实施方式
如图1所示，本发明的风电场功率预测方法，包括以下步骤：
步骤一、以年为单位，获取风电场正常运行的整场功率数据和对应时间点的整场平均测量风速数据，并进行数据清洗；
数据清洗的具体过程包括：在时间尺度上，以月为单位，计算该月整场功率数据和对应时间点的整场平均测量风速数据的平均值和标准差，采用三倍标准差法进行剔除，完成对整场功率数据和对应时间点的整场平均测量风速数据的数据清洗。
具体实施时，获取风电场当年1月份至12月份内正常运行的整场功率数据和对应时间点的整场平均测量风速数据，然后，将所有数据分成12组，每组对应一个月份，对每个月份的数据进行数据清洗。
步骤二、将整场平均测量风速数据间隔划分，以月为单位，对每个风速间隔内对应的功率数据进行数据归一化；
数据归一化的具体过程包括：根据公式
Figure BDA0002901766310000051
对间隔内风速对应的功率数据进行数据归一化，得到归一化后的功率数据P'i，其中，Pi为间隔内风速对应的功率数据，mean(Pi)为Pi的均值，std(Pi)为Pi的标准差。
具体实施时，将整场平均测量风速数据以1m/s间隔划分，对每个月份的每个1m/s风速间隔内对应的功率数据进行数据归一化，便于剔除设定风速范围对应的功率数据中的离群点。
步骤三、采用K-NN算法对每个月归一化数据进行离群点检测，再采用logistic函数拟合每个月的功率曲线，得到每个月风电场功率预测的基础模型，该基础模型如图2所示；
logistic函数的具体表达式为：
Figure BDA0002901766310000061
其中，P为风电场的输出功率，v为风速，vo为切出风速，a、b和c是需要根据功率和风速数据拟合得到的模型参数。
步骤四、通过每个月风电场功率预测的基础模型得到预测偏差数据集；具体为：将每个月的整场平均预测风速数据输入到对应月份的风电场功率预测的基础模型中，得到风电场功率的基础值；将风电场功率的基础值与对应的风电场功率的实际值做差，得到风电场功率预测偏差值，进而得到预测偏差数据集。
步骤五、以预测偏差数据集构建极限学习机的训练集；具体为：采用时间序列滑窗的方法，以20为输入特征数，1为间隔进行滑窗，以未来15分钟的预测偏差作为训练目标，得到训练特征集和训练目标集；然后，采用低通滤波器
Figure BDA0002901766310000062
对训练特征集和训练目标集进行滤波处理，得到训练特征集的低频部分和高频部分，以及训练目标集的低频部分和高频部分，训练特征集的低频部分和训练目标集的低频部分对应，组成低频部分训练集；训练特征集的高频部分和训练目标集的高频部分对应，组成高频部分训练集，其中，1/τ为低通滤波器的带宽，τ的取值为2。
具体实施时，获取各类数据的采样周期为15分钟，因此，以未来15分钟的预测偏差作为训练目标。
步骤六、构建两个极限学习机模型，采用步骤五中训练集进行训练，得到风电场功率预测的偏差校正模型；
两个极限学习机模型的基本结构均包括：20个节点的输入层、45个节点的隐含层和1个节点的输出层，以X表示输入，隐含层的权重用W表示，隐含层的输出H为：H＝WX，输出层的权重β训练得到：β＝TH-1，其中，H-1是矩阵H的伪逆。
步骤七、通过风电场功率预测的基础模型和风电场功率预测的偏差校正模型，得到风电场功率的预测值；
步骤701、将风电场t时刻的平均预测风速数据输入到步骤三中对应月份的风电场功率预测的基础模型中，得到风电场功率基础值PBASE；
步骤702、将t-20，t-19，t-18...，t-1时刻的风电场功率预测偏差作为输入特征输入到步骤五中的低通滤波器中，得到输入特征的高频部分和低频部分；
步骤703、将输入特征的高频部分和低频部分分别输入到对应月份的风电场功率预测的偏差校正模型中，得到高频偏差校正量fELMH和低频偏差校正量fELML；
步骤704、得到最终的风电场功率的预测值为PBASE+fELMH+fELML。
具体实施时，得到风电场未来15分钟的功率预测值。
为了验证本发明预测方法的效果，采用中国某风电场一年的功率及风速数据进行试验验证。
获取风电机组一年内的功率和风速数据，按照月份分成12组，采用“3σ”原则进行数据清洗，得到风电机组的正常运行数据；对设定风速范围内的功率数据进行归一化，进而采用K-NN算法进行离群点检测，构造每个月份的风电场功率曲线，得到功率预测基本模型；利用功率预测基本模型，求得预测偏差数据集；构建偏差校正模型训练集；构建极限学习机系统，作为预测偏差校正模型，训练得到偏差校正模型；利用功率预测基本模型和偏差校正模型，得到最终的风电场功率预测值。
图3是风电功率预测值对比图，试验过程中，所采用的测试数据是该风电场某天的数据，该数据并没有用于训练风电场功率预测模型。为了说明本方法的有效性，与传统的基于时间序列和神经网络的方法进行预测，即采用历史的20个功率记录值作为输入，预测未来15分钟的功率值，所采用的神经网络包括20个节点的输入层、45个节点的隐含层和1个节点的输出层，由于基于神经网络的方法并没有引入偏差校正环节，因此，本发明的方法能够获得与实际值更加接近的功率预测值。
图4是两种方法的预测误差对比图，从图4可以看出，本发明的风电场功率预测方法的预测误差比基于神经网络预测方法的预测误差小很多，验证了本发明的有效性。
以上所述，仅是本发明的较佳实施例，并非对本发明作任何限制，凡是根据本发明技术实质对以上实施例所作的任何简单修改、变更以及等效结构变化，均仍属于本发明技术方案的保护范围内。

Claims (8)

1.一种风电场功率预测方法，其特征在于，包括以下步骤：
步骤一、以年为单位，获取风电场正常运行的整场功率数据和对应时间点的整场平均测量风速数据，并进行数据清洗；
步骤二、将整场平均测量风速数据间隔划分，以月为单位，对每个风速间隔内对应的功率数据进行数据归一化；
步骤三、采用K-NN算法对每个月归一化数据进行离群点检测，再采用logistic函数拟合每个月的功率曲线，得到每个月风电场功率预测的基础模型；
步骤四、通过每个月风电场功率预测的基础模型得到预测偏差数据集；
步骤五、以预测偏差数据集构建极限学习机的训练集；
步骤六、构建两个极限学习机模型，采用步骤五中训练集进行训练，得到风电场功率预测的偏差校正模型；
步骤七、通过风电场功率预测的基础模型和风电场功率预测的偏差校正模型，得到风电场功率的预测值。
2.按照权利要求1所述的一种风电场功率预测方法，其特征在于，步骤一中所述数据清洗的具体过程包括：在时间尺度上，以月为单位，计算该月整场功率数据和对应时间点的整场平均测量风速数据的平均值和标准差，采用三倍标准差法进行剔除，完成对整场功率数据和对应时间点的整场平均测量风速数据的数据清洗。
3.按照权利要求1所述的一种风电场功率预测方法，其特征在于，步骤二中所述数据归一化的具体过程包括：根据公式
Figure FDA0002901766300000011
对间隔内风速对应的功率数据进行数据归一化，得到归一化后的功率数据P'i，其中，Pi为间隔内风速对应的功率数据，mean(Pi)为Pi的均值，std(Pi)为Pi的标准差。
4.按照权利要求1所述的一种风电场功率预测方法，其特征在于，步骤三中所述logistic函数的具体表达式为：
Figure FDA0002901766300000021
其中，P为风电场的输出功率，v为风速，vo为切出风速，a、b和c是需要根据功率和风速数据拟合得到的模型参数。
5.按照权利要求1所述的一种风电场功率预测方法，其特征在于，步骤四中所述通过每个月风电场功率预测的基础模型得到预测偏差数据集的具体过程包括：将每个月的整场平均预测风速数据输入到对应月份的风电场功率预测的基础模型中，得到风电场功率的基础值；将风电场功率的基础值与对应的风电场功率的实际值做差，得到风电场功率预测偏差值，进而得到预测偏差数据集。
6.按照权利要求1所述的一种风电场功率预测方法，其特征在于，步骤五中所述以预测偏差数据集构建极限学习机的训练集的具体过程包括：采用时间序列滑窗的方法，以20为输入特征数，1为间隔进行滑窗，以未来15分钟的预测偏差作为训练目标，得到训练特征集和训练目标集；然后，采用低通滤波器
Figure FDA0002901766300000022
对训练特征集和训练目标集进行滤波处理，得到训练特征集的低频部分和高频部分，以及训练目标集的低频部分和高频部分，训练特征集的低频部分和训练目标集的低频部分对应，组成低频部分训练集；训练特征集的高频部分和训练目标集的高频部分对应，组成高频部分训练集，其中，1/τ为低通滤波器的带宽。
7.按照权利要求1所述的一种风电场功率预测方法，其特征在于，步骤六中所述构建的两个极限学习机模型的基本结构为：每个极限学习机模型均包括20个节点的输入层、45个节点的隐含层和1个节点的输出层，以X表示输入，隐含层的权重用W表示，隐含层的输出H为：H＝WX，输出层的权重β训练得到：β＝TH-1，其中，H-1是矩阵H的伪逆。
8.按照权利要求6所述的一种风电场功率预测方法，其特征在于，步骤七中所述通过风电场功率预测的基础模型和风电场功率预测的偏差校正模型，得到风电场功率的预测值的具体过程包括：
步骤701、将风电场t时刻的平均预测风速数据输入到步骤三中对应月份的风电场功率预测的基础模型中，得到风电场功率基础值PBASE；
步骤702、将t-20，t-19，t-18...，t-1时刻的风电场功率预测偏差作为输入特征输入到步骤五中的低通滤波器中，得到输入特征的高频部分和低频部分；
步骤703、将输入特征的高频部分和低频部分分别输入到对应月份的风电场功率预测的偏差校正模型中，得到高频偏差校正量fELMH和低频偏差校正量fELML；
步骤704、得到最终的风电场功率的预测值为PBASE+fELMH+fELML。
CN202110058965.6A 2021-01-17 2021-01-17 一种风电场功率预测方法 Withdrawn CN112712215A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110058965.6A CN112712215A (zh) 2021-01-17 2021-01-17 一种风电场功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110058965.6A CN112712215A (zh) 2021-01-17 2021-01-17 一种风电场功率预测方法

Publications (1)

Publication Number Publication Date
CN112712215A true CN112712215A (zh) 2021-04-27

Family

ID=75549158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110058965.6A Withdrawn CN112712215A (zh) 2021-01-17 2021-01-17 一种风电场功率预测方法

Country Status (1)

Country Link
CN (1) CN112712215A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113107785A (zh) * 2021-05-12 2021-07-13 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
CN113344252A (zh) * 2021-05-18 2021-09-03 平衡机器科技(深圳)有限公司 一种基于虚拟气象技术的风功率预测方法
CN114999182A (zh) * 2022-05-25 2022-09-02 中国人民解放军国防科技大学 基于lstm回馈机制的车流量预测方法、装置及设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113107785A (zh) * 2021-05-12 2021-07-13 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
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
CN113344252A (zh) * 2021-05-18 2021-09-03 平衡机器科技(深圳)有限公司 一种基于虚拟气象技术的风功率预测方法
CN114999182A (zh) * 2022-05-25 2022-09-02 中国人民解放军国防科技大学 基于lstm回馈机制的车流量预测方法、装置及设备

Similar Documents

Publication Publication Date Title
CN112712215A (zh) 一种风电场功率预测方法
CN109214575B (zh) 一种基于小波长短期记忆网络的超短期风电功率预测方法
CN109308522B (zh) 一种基于循环神经网络的gis故障预测方法
CN106529814B (zh) 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法
CN110826791A (zh) 一种基于长短时记忆神经网络的混合风功率预测方法
CN107993012B (zh) 一种时间自适应的电力系统在线暂态稳定评估方法
CN109145516B (zh) 一种基于改进型极限学习机的模拟电路故障识别方法
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
CN111292525A (zh) 基于神经网络的交通流预测方法
CN111415010B (zh) 一种基于贝叶斯神经网络的风电机组参数辨识方法
CN104933483A (zh) 一种基于天气过程划分的风电功率预测方法
CN112989693A (zh) 一种基于ssa-gru-msar的风电功率预测方法
Zhang et al. Wind speed prediction research considering wind speed ramp and residual distribution
CN110009135B (zh) 一种基于宽度学习的风电功率预测方法
CN112669168B (zh) 一种风电功率短期预测方法
CN114861533A (zh) 基于时间卷积网络的风功率超短期预测方法
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
Wang et al. Ultra-short-term wind power forecasting based on deep belief network
CN113344288A (zh) 梯级水电站群水位预测方法、装置及计算机可读存储介质
CN114819374A (zh) 区域新能源超短期功率预测方法及系统
CN113159102A (zh) 一种多时间尺度的光伏功率预测方法及系统
Wibawa et al. Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal
CN110555784B (zh) 基于门控循环神经网络风速修正的风电功率预测方法
CN110555566B (zh) 一种基于b样条分位数回归的光电概率密度预测方法
CN107301499A (zh) 一种基于ami数据的配电馈线统计线损率数据清洗方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210427

WW01 Invention patent application withdrawn after publication