CN112801352A - 一种面向海上风机场内协同控制的功率预测方法 - Google Patents
一种面向海上风机场内协同控制的功率预测方法 Download PDFInfo
- Publication number
- CN112801352A CN112801352A CN202110055906.3A CN202110055906A CN112801352A CN 112801352 A CN112801352 A CN 112801352A CN 202110055906 A CN202110055906 A CN 202110055906A CN 112801352 A CN112801352 A CN 112801352A
- Authority
- CN
- China
- Prior art keywords
- data
- offshore wind
- power prediction
- neural network
- cooperative control
- 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 32
- 238000010219 correlation analysis Methods 0.000 claims abstract description 6
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 8
- 230000015654 memory Effects 0.000 claims description 6
- 230000010339 dilation Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 230000007787 long-term memory Effects 0.000 claims description 2
- 230000035515 penetration Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
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
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Wind Motors (AREA)
Abstract
本发明涉及一种面向海上风机场内协同控制的功率预测方法,该方法通过海上风电场SCADA数据相关性分析筛选出与机组状态强相关的机组参数,用以训练机组状态模型;同时通过TCN提取风电场内机组之间的时间序列特性和空间序列特性,构建了风电场时空特性风功率预测模型。在预测时首先通过数值天气预报数据预测机组状态,再整合数值天气预报数据和机组状态联合预测风机功率。与现有技术相比,本发明所提方法可用于海上风电场的精准调度,为大规模海上风电参与调频提供技术支撑,提升高风电穿透率下的电力系统稳定性。
Description
技术领域
本发明涉及海上风电场功率预测技术领域,尤其是涉及一种面向海上风机场内协同控制的功率预测方法。
背景技术
我国海上风电靠近东南沿海负荷中心,开发区位优势明显。到2030年,中国海上风电装机总量将达到58.8GW,成为世界海上风电累计装机容量最大的国家。江苏、上海与广东电网的海上风电渗透率将接近20%。
随着高压直流输电通道的大规模建设,我国东南沿海电网已发展成为典型的弱同步、多直流馈入受端电网,这对海上风电的友好接入提出了更高的需求。
对风电功率进行预测,将其纳入调度计划,是提升受端电网的风电接纳能力,改善电力系统运行的安全性和经济性的前提。在此基础上,提升风功率预测技术的分辨率和准确性可实现风电场内经济优化调度,同时为电网带来更为有效的惯性相应和频率支撑。
风功率预测一般可以分为物理模型法和统计模型法。海水的高比热容、海上风流热效应及尾流效应显著导致物理模型法预测难以完全适应。统计模型法是通过神经网络等发掘发电量与气象信息潜在关联,从而实现预测的方法。有的做法是通过支持向量机、人工神经网络、小波神经网络等实现风功率预测建模及预测。有的做法是通过长短期神经网络(LSTM)对多变量时间序列进行动态建模,实现了风电功率的超短期预测。有的做法是融合传统门控循环单元神经网络和卷积神经网络,提升了模型对原始数据的特征提取和降维能力。有的做法是提出了一种新的非线性归一化方法,解决了风电场功率数值分布不均的问题,同时采用一种基于增量处理方式的双隐层BP神经网络,提高了预测精度。上述研究预测对象均为风电场整体出力,若要实现场内机组协调控制,还需将分辨率提升至每台机组处,这就需要充分考虑风电场内机组的空间分布。
在机组状态与功率预测结合方面,有的做法是通过比较机组实际运行数据与健康状态模型预测值的残差来实现风机状态评估及故障诊断。有的做法是结合概率和模糊理论,依据概率不确定性融合得到综合健康状态指标,量化机组性能的劣化程度,揭示了机组健康状况与其性能之间的联系。这说明风电机组功率与机组的状态之间联系紧密,在进行风功率预测时,机组状态是必须考虑的关键因素。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向海上风机场内协同控制的功率预测方法。
本发明的目的可以通过以下技术方案来实现:
一种面向海上风机场内协同控制的功率预测方法,该方法包括以下步骤:
步骤1:获取相关风电场的SCADA数据;
步骤2:针对SCADA数据通过相关性分析筛选出与机组状态强相关的数据量,将其中30天内数据划分为长时间尺度数据,24小时内的数据划分为短时间尺度数据,同时进一步划分对应的训练集和验证集;
步骤3:利用长时间尺度数据对应的训练集和验证集训练时间卷积神经网络功率预测模型,利用短时间尺度数据对应的训练集和验证集训练长短期记忆神经网络机组状态模型;
步骤4:基于实际天气预报数据,输入至所述机组状态模型中预测得出机组状态数据;
步骤5:结合实际天气预报数据和所述机组状态数据,输入至所述功率预测模型中预测得出机组输出功率。
进一步地,所述的步骤3中的时间卷积神经网络功率预测模型的主要结构采用适用于历史数据记忆的膨胀卷积加残差模块模型。
进一步地,所述的步骤3中的时间卷积神经网络功率预测模型的激活函数为:
式中,W(1)、W(2)和V分别为对应量的权重矩阵,b和e分别为对应量的偏差因子。
进一步地,所述的步骤3中的时间卷积神经网络功率预测模型的扩张卷积的计算公式为:
式中,k为滤波器大小,d为膨胀系数,s为元素,F(s)为空洞卷积操作。
进一步地,所述的步骤3中的时间卷积神经网络功率预测模型采用平均绝对误差来反应预测值误差的实际情况。
进一步地,所述的平均绝对误差,其对应的数学描述公式为:
式中,MAE(X,h)为平均绝对误差,m为数据总数,h(xi)为数据总体,yi为数据总体的均值。
进一步地,所述的步骤3中的时间卷积神经网络功率预测模型采用分位数回归来进行回归分析操作。
进一步地,所述的分位数回归,是通过求取样本到回归曲线的垂直距离加权求和得到,其对应的数学描述公式为:
进一步地,所述的步骤3中的时间卷积神经网络功率预测模型的空洞系数为d=[1,2,4,8,16,32,64,128]。
进一步地,所述的步骤3中的时间卷积神经网络功率预测模型的卷积核大小为k=3。
与现有技术相比,本发明具有以下优点:
(1)本发明海上双馈电机转子绕组匝间短路故障辨识方法,将转子绕组匝间短路故障引起的电压、电流两侧磁链观测差为故障特征量,该特征量可以精确识别双馈电机转子绕组匝间短路故障,且可以准确定位故障相,在获取特征量时滤除了转速测量误差,从而避免了测量误差对故障辨识的影响,以便及时做出处理,提高双馈电机的使用寿命,避免灾难性故障的发生减少因故障造成的经济损失。
(2)本发明面向海上风电大规模接入受端电网的友好并网需求。首先,通过SCADA数据相关度分析,筛选出与机组功率强相关的数据量,短时间尺度的数据用于训练机组健康度模型;对风电场内所有机组,通过高维度时间卷积神经网络实现考虑机组状态及场群时空特性的机组级功率预测。可为后续场内风机精细化调度提供基础支撑。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1为本发明对海上风机运行数据相关性分析结果;
图2为本发明海上风电场功率预测流程图;
图3为本发明时间卷积神经网络模型结构图;
图4为本发明是否考虑机组状态的预测结果对比图,其中,图4(a)为各个情况下的数据集示意图,图4(b)为一天内整场功率预测图;
图5为本发明与传统长短期神经网络预测结果对比图,其中,图5(a)为风电场各机组一天内真实功率热力图,图5(b)为TCN预测结果,图5(c)为单机LSTM预测结果,图5(d)为全场功率预测结果比较结果;
图6为本发明与传统长短期神经网络预测误差对比图,其中,图6(a)为TCN预测结果,图6(b)为LSTM预测误差;
图7为与传统长短期神经网络95%置信区间下的预测结果对比图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
此外,术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂,而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平,并不是表示该结构一定要完全水平,而是可以稍微倾斜。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
时间卷积神经网络(Temporal convolutional network,TCN)是一种新型的可以用于解决时间序列预测的算法。同时,TCN提供了一种统一的方法来分层捕获时空信息。其特点主要为:①卷积网络不同层之间具有因果关系,不会遗漏历史信息和使用未来信息。②其每个输出层都可以保持和输入层一样多的长宽被继续传递,架构可以根据需要调整为任意长度。
TCN主要结构有适用于序列的因果卷积,以及适用于历史数据记忆的膨胀卷积加残差模块模型。由于风电场运行时间跨度长,SCADA数据众多,采用后者模型以便于更多的记忆历史数据。TCN的结构如图3所示,每块TCN含有L个卷积层,其空系数d=[1,……,2L],图3中以8层为例,空洞系数d=[1,2,4,8,16,32,64,128]。
如图2所示为本发明一种海上风电场功率预测方法的流程图,该方法包括如下步骤:
1)获取相关风电场SCADA数据;
2)通过相关性分析筛选出与机组状态强相关的数据量,30天内数据划分为长时间尺度数据,24小时内数据划分为短时间尺度数据。同时划分训练集和验证集;其相关性计算方式为:
3)用长时间尺度数据训练时间卷积神经网络(Temporal convolutionalnetwork,TCN)功率预测模型,用尺度数据训练长短期记忆神经网络(Long Short-TermMemory,LSTM)机组状态模型;
4)通过数值天气预报结合机组状态模型,预测机组状态数据,作为功率预测模型的输入数据;
5)结合数值天气预报数据、机组状态预测数据,通过功率预测模型预测机组输出功率。
步骤3)中TCN功率预测模型具体如下:
301)由于风电场运行时间跨度长,SCADA数据众多,采用后者模型以便于更多的记忆历史数据。TCN主要结构采用适用于历史数据记忆的膨胀卷积加残差模块模型。
302)其激活函数为:
式中,W(1)、W(2)和V分别为对应量的权重矩阵,b和e分别为对应量的偏差因子。
303)扩张卷积计算公式为:
式中,k为滤波器大小,d为膨胀系数,s为元素,F(s)为空洞卷积操作。
空洞系数d=[1,2,4,8,16,32,64,128],卷积核大小k=3,可感受风机一天内所有数据点。
304)平均绝对误差(Mean Absolute Error,MAE)为绝对误差的平均值,可以很好的反应预测值误差的实际情况。其计算方法为:
式中,MAE(X,h)为平均绝对误差,m为数据总数,h(xi)为数据总体,yi为数据总体的均值。
由于海上风电场运行时间长,采样频率密集,数据众多,同时有大量异常数据,而MAE对于数据中的异常点有较强的鲁棒性。同时变速率学习可有效改善MAE梯度固定的缺陷。
305)分位数回归是回归分析的常用方法之一,是通过求取样本到回归曲线的垂直距离加权求和得到的。其公式为:
算例采用上海某海上风电场SCADA数据进行验证。仿真结果如图4-7所示。
不考虑机组状态时,数据集含有风速、风向、变桨角度及待预测的风电功率。考虑机组状态的数据集含1.1节中所有数据。从图4(a)中可以看出,不考虑机组状态时,由于数据集信息更少,网络收敛速度更快。但是在约100次训练之后出现了过拟合的情况,其训练集与测试集MAE存在明显差距,这是由于其数据量不足以满足模型权重参数的训练需求。
考虑机组状态影响时,其数据量更大,增加了神经网络参数,在训练开始时收敛速度慢,但是经过一段时间训练后,其训练集误差与不考虑机组状相当,且其测试集预测误差与训练集相当,几乎无过拟合的情况。
图4(b)为一天内整场功率预测图,可以看出考虑机组状态时误差更小,且在风速骤变时的表现明显优于未考虑机组误差情况。这说明机组状态对于功率预测影响显著,采用考虑机组状态的模型可有效提高预测的准确性。
图5(a)为风电场各机组一天内真实功率热力图,图5(b)为TCN预测结果,图5(c)为单机LSTM预测结果。可以看出,TCN预测等功率线明晰、且与真实数据基本一致,说明其对于0-100分钟、800-1000分钟两段风速高峰以及机组出力的空间特性均实现了较好捕捉。而LSTM模型等功率线边界模糊,对于峰值预测误差较大。同时,对于11号、20号机组的工况识别出现明显误差,这是由于LSTM对于长时间数据的训练能力不足。图5(d)为全场功率预测结果比较,可以看出,在都考虑机组状态影响时,由于风电场集群的平滑效应,LSTM虽可以大致预测整场出力趋势,但是对于风速骤变的响应差于TCN模型,其预测精度可用于制定发电计划,难以满足更高分辨率的风功率预测需求。
图6(a)和图6(b)结合为TCN与LSTM预测误差比较,可以看出LSTM预测误差波动较大,在风速骤变时误差更大,且从空间上无明显规律;TCN算例中,风电场时空特性掩盖了单台机组的细微波动,但其预测误差总体平稳,仅在风速出现骤变时出现了较小范围的增大。
图7为全场功率预测比较,在全部风机预测结果叠加时LSTM的预测区间宽度略有改善,但同时LSTM预测区间包络线也更加平滑,缺失了重要的风速波动信息;TCN在整场功率预测时,其预测包络线仍能较好的还原真实数据波动,较好的保留了风速骤变的信息。同时不论是在单机还是整场预测上,TCN在风速骤变下的区间宽度更窄,性能更加优越。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种面向海上风机场内协同控制的功率预测方法,其特征在于,该方法包括以下步骤:
步骤1:获取相关风电场的SCADA数据;
步骤2:针对SCADA数据通过相关性分析筛选出与机组状态强相关的数据量,将其中30天内数据划分为长时间尺度数据,24小时内的数据划分为短时间尺度数据,同时进一步划分对应的训练集和验证集;
步骤3:利用长时间尺度数据对应的训练集和验证集训练时间卷积神经网络功率预测模型,利用短时间尺度数据对应的训练集和验证集训练长短期记忆神经网络机组状态模型;
步骤4:基于实际天气预报数据,输入至所述机组状态模型中预测得出机组状态数据;
步骤5:结合实际天气预报数据和所述机组状态数据,输入至所述功率预测模型中预测得出机组输出功率。
2.根据权利要求1所述的一种面向海上风机场内协同控制的功率预测方法,其特征在于,所述的步骤3中的时间卷积神经网络功率预测模型的主要结构采用适用于历史数据记忆的膨胀卷积加残差模块模型。
5.根据权利要求1所述的一种面向海上风机场内协同控制的功率预测方法,其特征在于,所述的步骤3中的时间卷积神经网络功率预测模型采用平均绝对误差来反应预测值误差的实际情况。
7.根据权利要求1所述的一种面向海上风机场内协同控制的功率预测方法,其特征在于,所述的步骤3中的时间卷积神经网络功率预测模型采用分位数回归来进行回归分析操作。
9.根据权利要求1所述的一种面向海上风机场内协同控制的功率预测方法,其特征在于,所述的步骤3中的时间卷积神经网络功率预测模型的空洞系数为d=[1,2,4,8,16,32,64,128]。
10.根据权利要求1所述的一种面向海上风机场内协同控制的功率预测方法,其特征在于,所述的步骤3中的时间卷积神经网络功率预测模型的卷积核大小为k=3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110055906.3A CN112801352A (zh) | 2021-01-15 | 2021-01-15 | 一种面向海上风机场内协同控制的功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110055906.3A CN112801352A (zh) | 2021-01-15 | 2021-01-15 | 一种面向海上风机场内协同控制的功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112801352A true CN112801352A (zh) | 2021-05-14 |
Family
ID=75809716
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110055906.3A Pending CN112801352A (zh) | 2021-01-15 | 2021-01-15 | 一种面向海上风机场内协同控制的功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801352A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330094A (zh) * | 2021-11-18 | 2022-04-12 | 国家电网有限公司 | 一种基于tcn-gru联合模型的风电功率短期预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测系统 |
CN103971293A (zh) * | 2014-04-25 | 2014-08-06 | 河海大学 | 一种考虑天气的风电场可靠性建模方法 |
CN110362048A (zh) * | 2019-07-12 | 2019-10-22 | 上海交通大学 | 风机关键部件状态监测方法及装置、存储介质和终端 |
US20200065374A1 (en) * | 2018-08-23 | 2020-02-27 | Shenzhen Keya Medical Technology Corporation | Method and system for joint named entity recognition and relation extraction using convolutional neural network |
CN111950764A (zh) * | 2020-07-03 | 2020-11-17 | 国网冀北电力有限公司 | 一种极端天气条件电网风电功率预测修正方法 |
-
2021
- 2021-01-15 CN CN202110055906.3A patent/CN112801352A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测系统 |
CN103971293A (zh) * | 2014-04-25 | 2014-08-06 | 河海大学 | 一种考虑天气的风电场可靠性建模方法 |
US20200065374A1 (en) * | 2018-08-23 | 2020-02-27 | Shenzhen Keya Medical Technology Corporation | Method and system for joint named entity recognition and relation extraction using convolutional neural network |
CN110362048A (zh) * | 2019-07-12 | 2019-10-22 | 上海交通大学 | 风机关键部件状态监测方法及装置、存储介质和终端 |
CN111950764A (zh) * | 2020-07-03 | 2020-11-17 | 国网冀北电力有限公司 | 一种极端天气条件电网风电功率预测修正方法 |
Non-Patent Citations (4)
Title |
---|
COLIN LEA 等: "用于动作分割和检测的时间卷积网络", 《PROCEEDINGS OF THE IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》 * |
王浩 等: "计及冰雪天气影响的风电场短期出力模型", 《电力系统保护与控制》 * |
郝令昕 等: "《分位数回归模型》", 30 April 2017 * |
黄睿 等: "计及湍流强度的风电功率短期预测", 《电网技术》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330094A (zh) * | 2021-11-18 | 2022-04-12 | 国家电网有限公司 | 一种基于tcn-gru联合模型的风电功率短期预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111237134B (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 | |
CN114219147B (zh) | 一种基于联邦学习的配电站故障预测方法 | |
CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及系统 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN113156917A (zh) | 基于人工智能的电网设备故障诊断方法及系统 | |
CN110362045B (zh) | 一种考虑海洋气象因素的海上双馈风电机组故障判别方法 | |
CN104978608A (zh) | 一种风电功率预测装置及预测方法 | |
CN113988273A (zh) | 基于深度学习的冰灾环境主动配电网态势预警及评估方法 | |
CN117669960A (zh) | 一种基于多变量气象因子的新能源功率预测方法 | |
CN111861023A (zh) | 基于统计学的混合风电功率预测方法、装置 | |
CN111275295A (zh) | 一种基于反距离权重插值的分布式光伏故障诊断方法 | |
CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
CN117977587B (zh) | 基于深度神经网络的电力负荷预测系统及方法 | |
CN115603446A (zh) | 基于卷积神经网络和云边协同作用的配电台区运行监测系统 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
CN115313930A (zh) | 一种大型汽轮发电机励磁电流实时预测方法 | |
CN105958474B (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
CN112801352A (zh) | 一种面向海上风机场内协同控制的功率预测方法 | |
CN117856222A (zh) | 光伏出力预测方法、装置、电子设备及存储介质 | |
CN107069710B (zh) | 计及新能源时空相关性的电力系统状态估计方法 | |
CN115853722A (zh) | 基于特征选择和stacking模型融合的风电机组故障诊断方法 | |
CN112580875B (zh) | 一种配电装置的故障预测方法及系统 | |
CN114254772A (zh) | 一种基于svm的配电网装置设备故障分析方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210514 |
|
RJ01 | Rejection of invention patent application after publication |