CN114971370A - 一种新能源风电功率曲线计算方法 - Google Patents

一种新能源风电功率曲线计算方法 Download PDF

Info

Publication number
CN114971370A
CN114971370A CN202210677555.4A CN202210677555A CN114971370A CN 114971370 A CN114971370 A CN 114971370A CN 202210677555 A CN202210677555 A CN 202210677555A CN 114971370 A CN114971370 A CN 114971370A
Authority
CN
China
Prior art keywords
wind speed
wind
power
smoothing
data
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
Application number
CN202210677555.4A
Other languages
English (en)
Inventor
张家安
宁阮浩
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.)
Hebei University of Technology
Original Assignee
Hebei University of Technology
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 Hebei University of Technology filed Critical Hebei University of Technology
Priority to CN202210677555.4A priority Critical patent/CN114971370A/zh
Publication of CN114971370A publication Critical patent/CN114971370A/zh
Pending 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/70—Wind energy
    • Y02E10/72—Wind turbines with rotation axis in wind direction

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Wind Motors (AREA)

Abstract

本发明为一种新能源风电功率曲线计算方法，该方法先将数据进行清洗，再将清洗好的数据进行基于时间序列的处理，能够提高计算准确性，基于时间序列，在计算输出功率前对风速进行预处理，并利用处理好的风速作为输入量来计算风电功率，与其他将未经处理的风速作为输入量的方法相比能够提高计算的准确性，能够根据风速准确计算风电机组输出功率。使用时间序列平滑预处理得到新的输入风速，使其能够包含过去时刻风速与当前时刻风速的综合信息，进而能够更加精确的计算风电机组的输出功率，使得到的风电功率曲线能更准确地描述风机实际运行时风速与风电功率的对应关系，能够对同一风速下出现的不同风电功率做出合理解释和准确映射。

Description

一种新能源风电功率曲线计算方法
技术领域
本发明属于新能源发电技术领域，具体涉及一种新能源风电功率曲线计算方法。
背景技术
目前已有的计算方法得到的风电功率曲线是同一时刻风速到功率的静态计算方法，无法对同一风速下出现的不同风电功率做出合理解释和准确映射。风电机组在同一风速下呈现宽范围的分布主要由两方面的原因导致：一方面风机叶片捕获的风能不仅与风速相关，还与空气密度、风向、风机偏航角度等多个因素具有一定的相关性，不过总体上风速起到了主导性作用；在另一方面，由于风电机组及其控制系统时刻处于动态过程中，导致同一风速下风机的有功出力也有可能是不同的，而且风速波动越大，风机动态过程越剧烈，同一风速下风电出力分布的范围也就越大。即使忽略时间常数较小的控制动态，风电机组本身的机械惯性就决定了风机的出力不仅与当前时刻的风速有关，还与过去若干时刻的风速相关，目前多是用人工智能神经网络的方法来得到风电功率曲线，直接使用原始数据来进行计算，不对数据进行预处理准确性不高，或者现有的预处理方式的精度偏低，基于这一点，本发明提出使用平滑预处理的得到新的输入风速，使其能够包含过去时刻风速与当前时刻风速的综合信息，进而能够更加精确的计算风电机组的输出功率，使得到的风电功率曲线能更准确地描述风机实际运行时风速与风电功率的对应关系。
发明内容
本发明的目的在于，提供一种新能源风电功率曲线计算方法，该方法先将数据进行清洗，再将清洗好的数据进行基于时间序列的处理，能够提高计算准确性，基于时间序列，在计算输出功率前对风速进行预处理，并利用处理好的风速作为输入量来计算风电功率，与其他将未经处理的风速作为输入量的方法相比能够提高计算的准确性，能够根据风速准确计算风电机组输出功率。
为实现上述目的，本发明采用以下技术方案
一种新能源风电功率曲线计算方法，该方法包括以下步骤：
步骤一：获取风电机组的风速功率数据，并对数据进行清洗处理
风电机组的实测功率曲线分布杂乱无序，无法直接用于机组性能分析。风电功率曲线是动态的，常受到天气、空气密度、环境温度、系统控制等一系列因素的影响，采集得到的风速功率数据并不能直接用来进行功率曲线分析，需要先对其进行清洗处理。
获取风电机组的风速功率数据构成原始数据集(原始数据集为未经处理的，直接从风机处获得的数据)，设定风速区间间隔，根据风速区间和设定的风速区间间隔可将原始数据集划分为h个状态量，有D＝{D(1),D(2),D(3),...,D(h)}；设风电运行数据分布于状态量D(h)，假设该状态量内的散点数据集合为E＝{(x1,y1),(x2,y2),...,(xk,yk)}，k为功率曲线散点数量，xk代表风速，yk代表相应风速对应的功率；
按在每个状态量内对散点数据集合中的散点，按功率大小进行降序排列，将排序后的数据集合称为E'＝{(x1',y1'),(x2',y2'),...,(xk',yk')，其中y'k为降序排列后的功率，x'k代表降序排列后的风速，且满足y′i＜yi-1′,i∈(2,k)；
依次计算前i个降序排列坐标点中功率的组内方差，以前i个降序排列坐标点中功率的组内方差作为该点对应的组内方差，i＝2…k，共有k-1个组内方差，所得组内方差构成组内方差集；
所有组内方差中斜率突变位置的两个组内方差值的数据相差甚远，选取前一个组内方差值作为初始阈值S；
通过将所有组内方差与初始阈值S进行比较，找出不大于初始阈值S的最大组内方差γ值，那么第γ值所对应的点以后的点都为异常数据，将其全部舍弃，识别出了一个风速区间的状态量D(h)中所有的异常数据；
对所有的状态量重复以上步骤，得出该机组的全部异常数据，将每个状态量中正常和异常的数据进行归类整理后，得到机组功率曲线正常数据集和异常数据集，实现数据清洗的功能。
最大组内方差γ的计算公式为公式(1)
Figure BDA0003695351540000021
其中u为不大于初始阈值S的最大组内方差γ中的功率曲线散点数量，
Figure BDA0003695351540000022
为从新风电功率数据y′1到y′u的平均值，y′u为第u个点的功率，S为初始阈值。
步骤二：时间序列平滑预处理
对机组功率曲线正常数据集的风速进行预处理，利用时间序列进行平滑预处理得到风电功率曲线模型的输入风速，计算表达式如公式(2)所示：
Figure BDA0003695351540000023
式中：θ为平滑阶数，即平滑点的个数；v为实际风速，t为时间，vsθ为时间序列平滑预处理后的输入风速；
令θ逐渐增加，获得不同的时间序列平滑预处理后的输入风速vsθ，然后将其带入式(3)中，计算皮尔逊相关系数r，找到皮尔逊相关系数r最大时所对应的平滑阶数θ，此即为最优平滑阶数：
Figure BDA0003695351540000031
式中：P'代表实测风电功率；N代表机组功率曲线正常数据集中数据的个数。
平滑阶数是重要的指标，平滑阶数不同，平滑后得到的风速与功率间单值映射关系也相应有所区别。为了获得误差最小的功率曲线，有必要确定最优的风速平滑阶数。
以最优平滑阶数通过公式(2)获得最终时间序列平滑处理后的输入风速。
步骤三：根据流体力学，按照公式(4)根据步骤2获得的最终时间序列平滑处理后的输入风速vsθ算出新的风电功率P，由图4可知算出的风电功率与实测风电功率P'相差不大，曲线横轴为vsθ，纵轴为P。
Figure BDA0003695351540000032
ρ代表穿过风机的自然风的密度；S代表风轮的扫风面积，vsθ为最终时间序列平滑预处理后的输入风速；Cp是所选风机的风能利用系数；vin为机组切入风速；vn为机组额定风速；vout为机组切出风速；Pn为风电机组额定功率。
叶尖速比与风能利用系数Cp有着密不可分的关系，它等于叶片顶端的速度除以风接触叶片之前很远距离上的速度，两者间的关系为：
Figure BDA0003695351540000033
式中，λ代表叶尖速比，β代表叶轮桨距角，不同的λ、β对应不同的Cp曲线。
与现有方法相比，本发明的有益效果在于
(1)针对风电机组性能分析过程繁琐低效，数据清洗不彻底的问题，本发明中以最优组内方差(Optimal InterclassVariance)OIV对风电功率曲线分析的数据清洗方式，不仅减少了计算步骤，节省了计算时间，而且能够准确识别出机组异常状态。
(2)考虑到同一风速下的风电功率存在较大范围的波动，用传统方法计算风电功率曲线难以获得较高的精度，本发明通过对原始风速数据进行基于时间序列平滑的预处理，能够得到综合过去时刻风速及当前时刻风速信息的新的输入风速，在一定程度上近似考虑了风机的动态特性，有效提升了输入风速和风电功率之间的相关性，缩减了相同输入风速下风电功率的波动范围，经过计算能够得到新的误差较小的风电功率曲线，提高了曲线的准确度。
附图说明
图1为数据清洗流程图。
图2为平滑阶数与相关系数的关系图。
图3为经处理后的风电功率曲线。
图4为风电功率曲线估计值和实测值对比。
具体实施方式
下面结合实施例及附图进一步解释本发明，但并不以此作为对本申请保护范围的限定。
选取中国华北某风电场单台风机2017年4月的实测风速和功率为数据基础，采样间隔为1s，取其中连续的5000个采样点作为样本数据进行本文所提出计算方式的验证。
步骤一：风电机组的实测功率曲线分布杂乱无序，无法直接用于机组性能分析。风电功率曲线是动态的，常受到天气、空气密度、环境温度、系统控制等一系列因素的影响，采集得到的风速功率数据并不能直接用来进行功率曲线分析，需要先对其进行清洗处理。
取风速区间间隔T＝0.5m/s，方差阈值S＝60，根据风速区间可将原始数据集划分为h个状态量，所有状态量的集合用D表示，则有D＝{D(1),D(2),D(3),...,D(h)}。设风电运行数据分布于D(h)，假设该状态量内共有散点数据集合E＝{(x1,y1),(x2,y2),...,(xk,yk)}，k为功率曲线散点数量，xk代表风速，yk代表相应风速对应的功率。
按D(h)中的风电运行数据功率大小进行降序排列，将排序后的数据集合称为E'＝{(x1',y1'),(x2',y2'),...,(xk',yk')，使其满足y′i＜yi-1′,i∈(2,k)，加‘后为降序排列后新的运行数据的必要条件。依次计算前i个降序排列坐标点中功率的方差值，以前i个降序排列坐标点中功率的组内方差作为该点对应的组内方差，i＝2…k，共有k-1个组内方差，所得组内方差构成组内方差集；
所有组内方差中斜率突变位置的两个组内方差值的数据相差甚远，选取前一个组内方差值作为初始阈值S；一般将组内方差全算出后，斜率k指均匀上升呈一元函数，斜率突然变大的一个，有两个数据相差甚远，选取前一个数据的编号值作为S。
通过将所有组内方差与初始阈值S进行比较，找出不大于初始阈值S的最大组内方差γ值，那么第γ值所对应的点以后的点都为异常数据，将其全部舍弃，识别出了一个风速区间的状态量D(h)中所有的异常数据；实现数据清洗的功能。
最大组内方差γ的计算公式为公式(1)
Figure BDA0003695351540000051
其中u为不大于初始阈值S的最大组内方差γ中的功率曲线散点数量，也即当前正常数据的数量，
Figure BDA0003695351540000052
为从新风电功率数据y′1到y′u的平均值，y′u为第u个点的功率，S为初始阈值。算出不大于阈值S的最大γ值，对应的组内方差曲线(以散点编号为横坐标，以组内方差值为纵坐标)中，那么第γ点以后的点都为异常数据，由此便识别出了风速区间状态量D(h)中所有的异常数据。对所有的状态量重复以上步骤，得出该机组的全部异常数据，将每个状态量中正常和异常的数据进行归类整理后，得到机组功率曲线正常数据集和异常数据集，过程整体步骤如图1所示。
步骤二：时间序列平滑预处理
对机组功率曲线正常数据集的风速进行预处理，利用时间序列进行平滑预处理得到风电功率曲线模型的输入风速vsθ，计算表达式如下：
Figure BDA0003695351540000053
式中：θ为平滑阶数，即平滑点的个数；v为实际风速。平滑阶数是重要的指标，平滑阶数不同，平滑后得到的风速与功率间单值映射关系也相应有所区别。为了获得误差最小的功率曲线，有必要确定最优的风速平滑阶数。最优平滑阶数的确定可以转化为整数优化问题,如式(3)所示，令θ逐渐增加，获得不同的时间序列平滑预处理后的输入风速vsθ，然后将其带入式(3)中，计算皮尔逊相关系数r，找到皮尔逊相关系数r最大时所对应的平滑阶数θ，此即为最优平滑阶数：
Figure BDA0003695351540000054
式中：r代表皮尔逊相关系数；P'代表实测风电功率；N代表机组功率曲线正常数据集中数据的个数。本文选取的风电场的实测数据，N＝50000，不同平滑阶数处理得到的输入风速vsθ与风电功率P的皮尔逊相关系数计算值如图2所示。
由图2可以看出，当平滑阶数为20时相关系数达到最高点，随着平滑阶数再增加，输入风速与功率的相关性会逐渐减小，因此得到最优平滑阶数为20。
步骤三：根据流体力学，按照公式(4)根据步骤2获得的最终时间序列平滑处理后的输入风速vsθ算出新的风电功率P(即风电机组输出机械功率)，由图4可知算出的风电功率与实测风电功率P'相差不大，曲线横轴为vsθ，纵轴为P。
Figure BDA0003695351540000061
ρ代表穿过风机的自然风的密度；S代表风轮的扫风面积，Cp是所选风机的风能利用系数；vin为机组切入风速；vn为机组额定风速；vout为机组切出风速；vsθ为最终时间序列平滑预处理后的输入风速；Pn为风电机组额定功率。
叶尖速比与风能利用系数Cp有着密不可分的关系，它等于叶片顶端的速度除以风接触叶片之前很远距离上的速度，两者间的关系为：
Figure BDA0003695351540000062
式中，λ代表叶尖速比，λI为代值，无具体含义，β代表叶轮桨距角，不同的λ、β对应不同的Cp曲线。
用最优平滑阶数处理后的风速作为输入，根据上述式(4)式(5)计算得到的风电功率曲线如图3中黑色线条所示，与直接使用清洗后的数据未进行平滑处理获得的风电功率曲线相比准确度更高，具有较强的应用价值。
在得到风速序列的情况下，由式(2)式(3)计算得到最优平滑后的风速序列的输入风速vsθ，然后根据图3中的风电功率曲线可得到相应的风电功率序列。利用风电功率曲线计算得到的功率pred与实测功率true的对比如图4所示。
由图4可以看出：利用本发明风电功率曲线计算得到的功率序列与实测功率序列的变化趋势基本相同，且二者在数值上也十分贴近。因此本文得到的风电功率曲线的准确度较高，具有较强的应用价值。准确度提高10％以上。
本发明未述及之处适用于现有技术。

Claims (3)

1.一种新能源风电功率曲线计算方法，该方法包括以下步骤：
步骤一：获取风电机组的风速功率数据，并对数据进行清洗处理
获取风电机组的风速功率数据构成原始数据集，设定风速区间间隔，根据风速区间和设定的风速区间间隔可将原始数据集划分为h个状态量，有D＝{D(1),D(2),D(3),...,D(h)}；设风电运行数据分布于状态量D(h)，假设该状态量内的散点数据集合为E＝{(x1,y1),(x2,y2),...,(xk,yk)}，k为功率曲线散点数量，yk代表风速，yk代表相应风速对应的功率；
按在每个状态量内对散点数据集合中的散点，按功率大小进行降序排列，将排序后的数据集合称为E'＝{(x1',y1'),(x2',y2'),...,(xk',yk')，其中y’k为降序排列后的功率，x’k代表降序排列后的风速，且满足y′i＜yi-1′,i∈(2,k)；
依次计算前i个降序排列坐标点中功率的组内方差，以前i个降序排列坐标点中功率的组内方差作为该点对应的组内方差，i＝2…k，共有k-1个组内方差，所得组内方差构成组内方差集；
所有组内方差中斜率突变位置的两个组内方差值的数据相差甚远，选取前一个组内方差值作为初始阈值S；
通过将所有组内方差与初始阈值S进行比较，找出不大于初始阈值S的最大组内方差γ值，那么第γ值所对应的点以后的点都为异常数据，将其全部舍弃，识别出了一个风速区间的状态量D(h)中所有的异常数据；
对所有的状态量重复以上步骤，得出该机组的全部异常数据，将每个状态量中正常和异常的数据进行归类整理后，得到机组功率曲线正常数据集和异常数据集，实现数据清洗的功能；
步骤二：时间序列平滑预处理
对机组功率曲线正常数据集的风速进行预处理，利用时间序列进行平滑预处理得到风电功率曲线模型的输入风速，计算表达式为公式(2)：
Figure FDA0003695351530000011
式中：θ为平滑阶数，即平滑点的个数；v为实际风速，t为时间，vsθ为时间序列平滑预处理后的输入风速；
令θ逐渐增加，获得不同的时间序列平滑预处理后的输入风速，然后将其带入式(3)中，计算皮尔逊相关系数r，找到皮尔逊相关系数r最大时所对应的平滑阶数θ，此即为最优平滑阶数：
Figure FDA0003695351530000021
式中：P'代表实测风电功率；N代表机组功率曲线正常数据集中数据的个数；
以最优平滑阶数带入公式(2)获得最终时间序列平滑处理后的输入风速；
步骤三：根据流体力学及步骤二获得的最终时间序列平滑处理后的输入风速vsθ算出新的风电功率P，获得新能源风电功率曲线。
2.根据权利要求1所述的新能源风电功率曲线计算方法，其特征在于，新能源风电功率曲线横轴为vsθ，纵轴为P，P按照公式(4)获得；
Figure FDA0003695351530000022
ρ代表穿过风机的自然风的密度；S代表风轮的扫风面积，vsθ为最终时间序列平滑预处理后的输入风速；Cp是所选风机的风能利用系数；vin为机组切入风速；vn为机组额定风速；vout为机组切出风速；Pn为风电机组额定功率；
Figure FDA0003695351530000023
式中，λ代表叶尖速比，β代表叶轮桨距角。
3.根据权利要求1所述的新能源风电功率曲线计算方法，其特征在于，最大组内方差γ的计算公式为公式(1)
Figure FDA0003695351530000024
其中，u为不大于初始阈值S的最大组内方差γ中的功率曲线散点数量，
Figure FDA0003695351530000025
为从新风电功率数据y′1到y′u的平均值，y′u为第u个点的功率，S为初始阈值。
CN202210677555.4A 2022-06-15 2022-06-15 一种新能源风电功率曲线计算方法 Pending CN114971370A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210677555.4A CN114971370A (zh) 2022-06-15 2022-06-15 一种新能源风电功率曲线计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210677555.4A CN114971370A (zh) 2022-06-15 2022-06-15 一种新能源风电功率曲线计算方法

Publications (1)

Publication Number Publication Date
CN114971370A true CN114971370A (zh) 2022-08-30

Family

ID=82963223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210677555.4A Pending CN114971370A (zh) 2022-06-15 2022-06-15 一种新能源风电功率曲线计算方法

Country Status (1)

Country Link
CN (1) CN114971370A (zh)

Similar Documents

Publication Publication Date Title
CN109740175B (zh) 一种面向风电机组功率曲线数据的离群点判别方法
CN107885959B (zh) 一种基于置信等效功率曲线带的风电建模及性能评估方法
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
CN107944175B (zh) 一种考虑风湍流强度的风机真实功率曲线获取方法
CN108549962B (zh) 基于历史分段序列搜索和时序稀疏化的风电功率预测方法
CN111322205B (zh) 风电机组风向标零位误差辨识方法及校正方法
CN110365053B (zh) 基于延迟优化策略的短期风电功率预测方法
CN112186761B (zh) 一种基于概率分布的风电功率场景生成方法及系统
CN111709454B (zh) 一种基于最优copula模型的多风电场出力聚类评估方法
CN111260503A (zh) 一种基于聚类中心优化的风电机组功率曲线离群点检测方法
CN113313139A (zh) 基于机组动态特性的风电功率预测不确定性量化方法
CN112267972B (zh) 一种风电机组功率曲线异常智能判定方法
CN115013258B (zh) 一种风电机组机前风速智能软测量方法
CN110212592B (zh) 基于分段线性表达的火电机组负荷调节最大速率估计方法及系统
CN114386718A (zh) 一种结合粒子群神经网络的风电场输出功率短时预测算法
CN113158590B (zh) 一种基于混合模型预测不同转速下离心泵效率预测的方法
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
CN113076639B (zh) 基于分段线性表示的风电机组运行评估方法及系统
CN113505909B (zh) 一种面向短期风电功率趋势预测的误差补偿方法
CN117927322A (zh) 一种基于燃气-蒸汽联合循环效率优化方法及系统
CN114971370A (zh) 一种新能源风电功率曲线计算方法
CN110414734B (zh) 一种计及风资源利用率预测评估的方法
CN111738556A (zh) 一种基于机头微气候评估风机发电能力的方法
CN111062509A (zh) 一种基于改进神经网络的风功率中短期预测方法及系统
CN115898787A (zh) 一种风电机组静态偏航误差动态识别方法及装置

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