CN114188989B - 一种考虑相关性的分布式光伏电站出力预测方法 - Google Patents
一种考虑相关性的分布式光伏电站出力预测方法 Download PDFInfo
- Publication number
- CN114188989B CN114188989B CN202111530623.6A CN202111530623A CN114188989B CN 114188989 B CN114188989 B CN 114188989B CN 202111530623 A CN202111530623 A CN 202111530623A CN 114188989 B CN114188989 B CN 114188989B
- Authority
- CN
- China
- Prior art keywords
- photovoltaic power
- power station
- dimension
- space
- temperature
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000005286 illumination Methods 0.000 claims abstract description 52
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 36
- 238000005070 sampling Methods 0.000 claims abstract description 24
- 239000011159 matrix material Substances 0.000 claims abstract description 18
- 238000006243 chemical reaction Methods 0.000 claims abstract description 11
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/004—Generation forecast, e.g. methods or systems for forecasting future energy generation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/04—Circuit arrangements for ac mains or ac distribution networks for connecting networks of the same frequency but supplied from different sources
- H02J3/06—Controlling transfer of power between connected networks; Controlling sharing of load between connected networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/46—Controlling of the sharing of output between the generators, converters, or transformers
- H02J3/466—Scheduling the operation of the generators, e.g. connecting or disconnecting generators to meet a given demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/40—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation wherein a plurality of decentralised, dispersed or local energy generation technologies are operated simultaneously
-
- 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
- Y02E10/00—Energy generation through renewable energy sources
- Y02E10/50—Photovoltaic [PV] energy
- Y02E10/56—Power conversion systems, e.g. maximum power point trackers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Photovoltaic Devices (AREA)
Abstract
本发明涉及一种考虑相关性的分布式光伏电站出力预测方法,包括以下步骤:步骤S1:根据n个光伏电站同一时间段的光照强度以及温度绘制2n维闭合曲面;步骤S2:基于步骤S1得到的绘制2n维闭合曲面,进一步获取两两光伏电站光照之间的相关角,以及同个光伏电站内温度和光照的相关角;步骤S3:将步骤S2得到的数据变量标准化后,形成随机空间和仿射空间之间转换的B矩阵,利用B矩阵转换到仿射空间上,变成相互独立的变量;步骤S4:在仿射空间取样,再通过逆转换、逆标准化,得到最初随机空间的采样点;步骤S5:根据最初随机空间的采样点,计算光伏的出力范围。本发明能够得到更准确的光伏电站输出功率范围,有效提高光伏电站运行可靠性。
Description
技术领域
本发明涉及电力技术领域,具体涉及一种考虑相关性的分布式光伏电站出力预测方法。
背景技术
由于近年国家采取了光伏扶贫项目、光伏发电领跑等政策措施,使得光伏产业飞速发展。相比于集中式光伏,与建筑结合率高的分布式光伏更能被配电网接受。而光伏电站的出力与光照、温度密切相关,具有很强的随机性。对于不确定潮流计算来说,相比模糊潮流、概率潮流,仅需要输入变量的上下界便能确定潮流范围的区间潮流更具有工程意义,但是对于在同一个区域内的分布式光伏,它上面的光照强度是有一定关联性的,并不是绝对独立的,如果不考虑各个光伏板上面光照的相关性,便会导致潮流计算结果的范围过于保守,不够准确。
发明内容
有鉴于此,本发明的目的在于提供一种考虑相关性的分布式光伏电站出力预测方法,实现获取准确的光伏电站输出功率范围,进一步能用在光伏电站的负荷预测或者是用在潮流计算中,能使结果的范围更贴近真实范围,减少保守性,有效提高可靠性。
为实现上述目的,本发明采用如下技术方案:
一种考虑相关性的分布式光伏电站出力预测方法,包括以下步骤:
步骤S1:根据n个光伏电站同一时间段的光照强度以及温度绘制2n维闭合曲面;
步骤S2:基于步骤S1得到的绘制2n维闭合曲面,进一步获取两两光伏电站光照之间的相关角,以及同个光伏电站内温度和光照的相关角;
步骤S3:将步骤S2得到的数据变量标准化后,形成随机空间和仿射空间之间转换的B矩阵,利用B矩阵转换到仿射空间上,变成相互独立的变量;
步骤S4:在仿射空间取样,再通过逆转换、逆标准化,得到最初随机空间的采样点;
步骤S5:根据最初随机空间的采样点,计算光伏的出力范围。
进一步的,所述步骤S1具体为:
将光伏电站从1~n编号,获取m个时刻的各个电站的光照强度以及温度的数据X,得到2n个X,即每个X中都有m个数据,且每个X中的第i个数据都是都一个时刻的
把编号为1的光伏电站的光照强度和温度作为高维坐标系的第一和第二个维度,编号为2的光伏电站的光照强度和温度为第三和第四个维度,以此类推,得到一个2n维的高维坐标系,并将m个同一时刻的各维数据在高维图中标出。
进一步的,所述步骤S2具体为:
同个维度之间全相关,相关角为0度,除了同个维度之间,同个光伏电站的温度和光照之间,不同电站的光照之间的维度,其余维度之间认定为不相关,相关角为90度
式3为相关角的矩阵,及其各项取值;
选择两个维度,并设定一个维度为基准,以第x维和第y维为例,将第x维设为基准维度,则m个数据点的坐标为(xm,ym),各点到原点的距离如下:
找出距离坐标原点最近的一个点a,即
以及除此点之外,各离第一和第二维度坐标系最近的两个点b、c,即
将点a与点b相比,选择离第一维坐标轴更近的点,过该点做一条平行于第一维坐标轴的直线,即
L1:{y=e|e=min(ya,yb)} (7)
将直线沿着第二维的坐标轴平移直到包住离第一维坐标轴最远的点,得到第二条直线
L2:{y=e|e=max(yi),i∈(1,m)} (8)
接着连接ac做第三条直线
并平移直线ac直到包住离第二维坐标轴最远的点h,得到第四条直线即
xi≤xh i∈(1,m),h∈i (10)
通过四条直线得到一个平行四边形,并进一步获取相关角。
进一步的,所述步骤S3具体为:
设X为某个光伏电站的温度或者光照强度的取值范围,对于每个X进行区间变量标准化的方法如下:
标准化后的区间变量
使用获得的相关角,依据构建广义随机空间的仿射变换技术,获得由随机空间向仿射空间转换的转换矩阵B,并将随机空间的转换为仿射空间的/>
进一步的,所述转换矩阵B获取,具体如下:
设{O:e1,e2,…,e2n}为随机空间的坐标系,{O:e'1,e'2,…,e'2n}为仿射空间的坐标系,两者的转换关系为:
(e'1,e'2,…,e'2n)T=B(e1,e2,…,e2n)T (13)
所以,
又因为bij是权系数,加上自身的相关角是90度,一个光伏电站的光照强度和另一个光伏电站的温度之间的相关角是0度,只考虑同一个光伏电站温度和光照强度以及两两不同光伏电站的光照强度的相关角,所以有如下关系式:
通过式(18)便能将随机空间标准化后的变量转化为仿射空间的变量。
进一步的,所述步骤S4具体为:将标准化后的随机空间的变量投影到仿射空间后,在仿射空间内进行随机取样,直至取到N个采样点为止,并将每个取样点经过式(17)逆转换回随机空间的标准变量,并通过逆标准化转换为随机空间的采样点,得到n个光伏电站的光照和温度范围;
逆标准化的公式如下:
进一步的,所述步骤S5具体为:将n个光伏电站的光照和温度范围带入式(1)的光伏电站的输出功率计算式,得到各个电站的输出功率范围
S为当前光照强度;T为温度,Iplinfl是光生电流。
本发明与现有技术相比具有以下有益效果:
本发明能够得到更准确的光伏电站输出功率范围,有效提高光伏电站运行可靠性。
附图说明
图1是本发明方法流程图;
图2是本发明一实施例中相关获取示意图。
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。
请参照图1,本发明提供一种考虑相关性的分布式光伏电站出力预测方法,包括以下步骤:
步骤S1:根据n个光伏电站同一时间段的光照强度以及温度绘制2n维闭合曲面;
在本实施例中,设同一区域内有n个光伏电站,将光伏电站从1~n编号,获取m个时刻的各个电站的光照强度以及温度的数据X,得到2n个X,即每个X中都有m个数据,且每个X中的第i个数据都是都一个时刻的。
把编号为1的光伏电站的光照强度和温度作为高维坐标系的第一和第二个维度,编号为2的光伏电站的光照强度和温度为第三和第四个维度,以此类推,得到一个2n维的高维坐标系,并将m个同一时刻的各维数据在高维图中标出。
步骤S2:基于步骤S1得到的绘制2n维闭合曲面,进一步获取两两光伏电站光照之间的相关角,以及同个光伏电站内温度和光照的相关角;
在本实施例中,因为同一个区域的不同光伏电站,他们的光照强度具有一定的相关性,所以需要获取各个光伏电站光照强度之间的相关角;而对于同一个光伏电站,他的温度和光照强度也有一定的关联性,所以需要获取同个光伏电站温度和光照强度之间的相关角;同个维度之间的相关角为0,其余维度之间认定为不相关,所以相关角为90度。
式3为相关角的矩阵,及其各项取值,θij的获取步骤如下所示。
选择两个维度,并设定一个维度为基准,以第x维和第y维为例,将第x维设为基准维度,则m个数据点的坐标为(xm,ym),各点到原点的距离如下:
,找出距离坐标原点最近的一个点a,即
以及除此点之外,各离第一和第二维度坐标系最近的两个点b、c,即
将点a与点b相比,选择离第一维坐标轴更近的点,过该点做一条平行于第一维坐标轴的直线,即
L1:{y=e|e=min(ya,yb)} (7)
将直线沿着第二维的坐标轴平移直到包住离第一维坐标轴最远的点,得到第二条直线。
L2:{y=e|e=max(yi),i∈(1,m)} (8)
接着连接ac做第三条直线
并平移直线ac直到包住离第二维坐标轴最远的点h,得到第四条直线即
xi≤xh i∈(1,m),h∈i (10)
通过四条直线可以得到一个平行四边形,如图2所示,θ角即为相关角。
步骤S3:将步骤S2得到的数据变量标准化后,形成随机空间和仿射空间之间转换的B矩阵,利用B矩阵转换到仿射空间上,变成相互独立的变量;
在本实施例中,使用获得的相关角,依据构建广义随机空间的仿射变换技术,获得由随机空间向仿射空间转换的转换矩阵B,并将随机空间的X转换为仿射空间的Y。
得到B矩阵的具体步骤如下:
设{O:e1,e2,…,e2n}为随机空间的坐标系,{O:e'1,e'2,…,e'2n}为仿射空间的坐标系,两者的转换关系为:
(e'1,e'2,…,e'2n)T=B(e1,e2,…,e2n)T (13)
所以,
又因为bij是权系数,加上自身的相关角是90度,一个光伏电站的光照强度和另一个光伏电站的温度之间的相关角是0度,只考虑同一个光伏电站温度和光照强度以及两两不同光伏电站的光照强度的相关角,所以有如下关系式:
通过式(18)便能将随机空间标准化后的变量转化为仿射空间的变量。
步骤S4:在仿射空间取样,再通过逆转换、逆标准化,得到最初随机空间的采样点;
在本实施例中,将标准化后的随机空间的变量投影到仿射空间后,在仿射空间内进行随机取样,直至取到N个采样点为止,并将每个取样点经过式(17)逆转换回随机空间的标准变量,并通过逆标准化转换为随机空间的采样点,得到n个光伏电站的光照和温度范围;
逆标准化的公式如下:
步骤S5:根据最初随机空间的采样点,计算光伏的出力范围。
在本实施例中,所述步骤S5具体为:将n个光伏电站的光照和温度范围带入式(1)的光伏电站的输出功率计算式,得到各个电站的输出功率范围
S为当前光照强度;T为温度,Iplinfl是光生电流。
以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)
1.一种考虑相关性的分布式光伏电站出力预测方法,其特征在于,包括以下步骤:
步骤S1:根据n个光伏电站同一时间段的光照强度以及温度绘制2n维闭合曲面;
步骤S2:基于步骤S1得到的绘制2n维闭合曲面,进一步获取两两光伏电站光照之间的相关角,以及同个光伏电站内温度和光照的相关角;
步骤S3:将步骤S2得到的数据变量标准化后,形成随机空间和仿射空间之间转换的B矩阵,利用B矩阵转换到仿射空间上,变成相互独立的变量;
步骤S4:在仿射空间取样,再通过逆转换、逆标准化,得到最初随机空间的采样点;
步骤S5:根据最初随机空间的采样点,计算光伏的出力范围;
所述步骤S3具体为:
设X为某个光伏电站的温度或者光照强度的取值范围,对于每个X进行区间变量标准化的方法如下:
标准化后的区间变量
使用获得的相关角,依据构建广义随机空间的仿射变换技术,获得由随机空间向仿射空间转换的转换矩阵B,并将随机空间的X转换为仿射空间的
所述转换矩阵B获取,具体如下:
设{O:e1,e2,…,e2n}为随机空间的坐标系,{O:e'1,e'2,…,e'2n}为仿射空间的坐标系,两者的转换关系为:
(e'1,e'2,…,e'2n)T=B(e1,e2,…,e2n)T (13)
所以,
又因为bij是权系数,加上自身的相关角是90度,一个光伏电站的光照强度和另一个光伏电站的温度之间的相关角是0度,只考虑同一个光伏电站温度和光照强度以及两两不同光伏电站的光照强度的相关角,所以有如下关系式:
通过式(18)便能将随机空间标准化后的变量转化为仿射空间的变量;所述步骤S4具体为:将标准化后的随机空间的变量投影到仿射空间后,在仿射空间内进行随机取样,直至取到N个采样点为止,并将每个取样点经过式(17)逆转换回随机空间的标准变量,并通过逆标准化转换为随机空间的采样点,得到n个光伏电站的光照和温度范围;
逆标准化的公式如下:
2.根据权利要求1所述的一种考虑相关性的分布式光伏电站出力预测方法,其特征在于,所述步骤S1具体为:
将光伏电站从1~n编号,获取m个时刻的各个电站的光照强度以及温度的数据X,得到2n个X,即每个X中都有m个数据,且每个X中的第i个数据都是都一个时刻的
把编号为1的光伏电站的光照强度和温度作为高维坐标系的第一和第二个维度,编号为2的光伏电站的光照强度和温度为第三和第四个维度,以此类推,得到一个2n维的高维坐标系,并将m个同一时刻的各维数据在高维图中标出。
3.根据权利要求1所述的一种考虑相关性的分布式光伏电站出力预测方法,其特征在于,所述步骤S2具体为:
同个维度之间全相关,相关角为0度,除了同个维度之间,同个光伏电站的温度和光照之间,不同电站的光照之间的维度,其余维度之间认定为不相关,相关角为90度
式3为相关角的矩阵,及其各项取值;
选择两个维度,并设定一个维度为基准,以第x维和第y维为例,将第x维设为基准维度,则m个数据点的坐标为(xm,ym),各点到原点的距离如下:
找出距离坐标原点最近的一个点a,即
以及除此点之外,各离第一和第二维度坐标系最近的两个点b、c,即
将点a与点b相比,选择离第一维坐标轴更近的点,过该点做一条平行于第一维坐标轴的直线,即
L1:{y=e|e=min(ya,yb)} (7)
将直线沿着第二维的坐标轴平移直到包住离第一维坐标轴最远的点,得到第二条直线
L2:{y=e|e=max(yi),i∈(1,m)} (8)
接着连接ac做第三条直线
并平移直线ac直到包住离第二维坐标轴最远的点h,得到第四条直线即
xi≤xh i∈(1,m),h∈i (10)
通过四条直线得到一个平行四边形,并进一步获取相关角。
4.根据权利要求1所述的一种考虑相关性的分布式光伏电站出力预测方法,其特征在于,所述步骤S5具体为:将n个光伏电站的光照和温度范围带入式(1)的光伏电站的输出功率计算式,得到各个电站的输出功率范围
S为当前光照强度;T为温度,Iplinfl是光生电流。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111530623.6A CN114188989B (zh) | 2021-12-14 | 2021-12-14 | 一种考虑相关性的分布式光伏电站出力预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111530623.6A CN114188989B (zh) | 2021-12-14 | 2021-12-14 | 一种考虑相关性的分布式光伏电站出力预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114188989A CN114188989A (zh) | 2022-03-15 |
CN114188989B true CN114188989B (zh) | 2024-04-12 |
Family
ID=80605061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111530623.6A Active CN114188989B (zh) | 2021-12-14 | 2021-12-14 | 一种考虑相关性的分布式光伏电站出力预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114188989B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2007287139A1 (en) * | 2006-08-25 | 2008-02-28 | Toyota Jidosha Kabushiki Kaisha | Power system |
CN102981549A (zh) * | 2012-12-05 | 2013-03-20 | 上海交通大学 | 一种光伏最大功率点实时跟踪预测控制方法 |
CN107563565A (zh) * | 2017-09-14 | 2018-01-09 | 广西大学 | 一种考虑气象因素变化的短期光伏分解预测方法 |
JP2019041520A (ja) * | 2017-08-28 | 2019-03-14 | 東京瓦斯株式会社 | 電源装置、電力供給制御装置 |
CN110188964A (zh) * | 2019-06-06 | 2019-08-30 | 河北工业大学 | 一种基于相关性的光伏出力预测方法 |
CN113131482A (zh) * | 2019-12-30 | 2021-07-16 | 东北电力大学 | 一种考虑光伏出力特性的概率最优潮流计算方法和系统 |
CN113612191A (zh) * | 2021-08-30 | 2021-11-05 | 广东电网有限责任公司 | 一种配电网的快速恢复供电方法及装置 |
-
2021
- 2021-12-14 CN CN202111530623.6A patent/CN114188989B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2007287139A1 (en) * | 2006-08-25 | 2008-02-28 | Toyota Jidosha Kabushiki Kaisha | Power system |
CN102981549A (zh) * | 2012-12-05 | 2013-03-20 | 上海交通大学 | 一种光伏最大功率点实时跟踪预测控制方法 |
JP2019041520A (ja) * | 2017-08-28 | 2019-03-14 | 東京瓦斯株式会社 | 電源装置、電力供給制御装置 |
CN107563565A (zh) * | 2017-09-14 | 2018-01-09 | 广西大学 | 一种考虑气象因素变化的短期光伏分解预测方法 |
CN110188964A (zh) * | 2019-06-06 | 2019-08-30 | 河北工业大学 | 一种基于相关性的光伏出力预测方法 |
CN113131482A (zh) * | 2019-12-30 | 2021-07-16 | 东北电力大学 | 一种考虑光伏出力特性的概率最优潮流计算方法和系统 |
CN113612191A (zh) * | 2021-08-30 | 2021-11-05 | 广东电网有限责任公司 | 一种配电网的快速恢复供电方法及装置 |
Non-Patent Citations (2)
Title |
---|
Feng Zheng,Yiqiang Chen,Tao Ye,Yachao Zhang, Fang Guo,Yi Zhang.Design of Hybrid Control Algorithm for Fault Ride-Through of Photovoltaic System.IEEE Access.2019,第7卷124196-124206. * |
考虑不确定性的谐波潮流计算研究综述;张慧祥, 张孔林, 张逸;电气应用;第36卷(第3期);60-66 * |
Also Published As
Publication number | Publication date |
---|---|
CN114188989A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
CN106447098B (zh) | 一种光伏超短期功率预测方法及装置 | |
Park et al. | Predictive model for PV power generation using RNN (LSTM) | |
WO2023201552A1 (en) | County-wide photovoltaic prediction method based on cluster division and data enhancement | |
CN109272258B (zh) | 基于K-means聚类的区域风光发电资源评估方法 | |
CN104050604A (zh) | 基于概率潮流的电力系统静态安全评估方法 | |
Yongsheng et al. | A Short‐Term Power Output Forecasting Model Based on Correlation Analysis and ELM‐LSTM for Distributed PV System | |
CN112653198A (zh) | 一种基于预测箱的风电出力场景生成方法及系统 | |
CN115660232A (zh) | 风电功率的超短期预测方法、装置及系统 | |
CN114188989B (zh) | 一种考虑相关性的分布式光伏电站出力预测方法 | |
CN109767353A (zh) | 一种基于概率分布函数的光伏发电功率预测方法 | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 | |
CN116050592A (zh) | 一种多维度光伏功率预测方法及系统 | |
CN113361946B (zh) | 一种基于分布式光伏并网系统的电能质量评估方法及装置 | |
CN109980683A (zh) | 一种风电场功率不确定预测方法 | |
CN116128211A (zh) | 基于风光不确定性预报场景的风光水联合短期优化调度方法 | |
CN115173421A (zh) | 一种基于渐进拉丁超立方采样的概率最优潮流计算方法 | |
CN110991122B (zh) | 用神经网络和交叉熵采样的风电电力系统可靠性估测方法 | |
Chen et al. | Variation-cognizant probabilistic power flow analysis via multi-task learning | |
CN104991885B (zh) | 一种生成多个风电场出力场景的方法 | |
CN117541115A (zh) | 基于改进模糊聚类算法的风光机组联合出力的量化方法 | |
CN115409644A (zh) | 一种光伏电站发电功率的计算方法及装置 | |
CN117521525A (zh) | 一种基于Copula函数的风电出力场景生成方法 | |
Wu et al. | Short-term Photovoltaic Power Prediction Based on IFCM and BA-Elman |
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 |