CN115293424A - 一种新能源最大发电能力计算方法、终端及存储介质 - Google Patents
一种新能源最大发电能力计算方法、终端及存储介质 Download PDFInfo
- Publication number
- CN115293424A CN115293424A CN202210927422.8A CN202210927422A CN115293424A CN 115293424 A CN115293424 A CN 115293424A CN 202210927422 A CN202210927422 A CN 202210927422A CN 115293424 A CN115293424 A CN 115293424A
- Authority
- CN
- China
- Prior art keywords
- data
- wind
- historical
- generating set
- sample set
- 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
- 238000010248 power generation Methods 0.000 title claims abstract description 92
- 238000004364 calculation method Methods 0.000 title claims abstract description 84
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 61
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000012706 support-vector machine Methods 0.000 claims description 49
- 238000012360 testing method Methods 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 33
- 238000010586 diagram Methods 0.000 claims description 29
- 238000010606 normalization Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- -1 chemical engineering Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000003746 surface roughness Effects 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
- 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
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Wind Motors (AREA)
Abstract
本申请提供一种新能源最大发电能力计算方法、终端及存储介质。该方法包括:获取多个历史时刻的历史数据,其中,历史数据包括风力发电机组的风电功率数据以及风力发电机组所在区域的风速数据和风向数据,筛选部分历史时刻的历史数据作为目标数据,其中,目标数据为同等条件的历史数据中风电功率数据最大的历史数据,同等条件的历史数据为风速数据和风向数据均相同的历史数据,基于目标数据生成样本集,并基于样本集构建最大发电能力计算模型,最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测风力发电机组在所述待预测时刻的最大发电能力。本申请能够提高最大发电能力计算的准确性以及提高电力系统整体频率的稳定性。
Description
技术领域
本申请涉及新能源功率预测技术领域,尤其涉及一种新能源最大发电能力计算方法、终端及存储介质。
背景技术
随着我国能源技术的不断推进,新能源方面迎来了发展良机,对新能源发电的输出功率进行准确预测是降低不确定性影响的有效手段,建立基于气象资源信息和光伏、风电设备发电特性的发电能力边界快速计算模型,是确定广域大规模新能源可用容量的先决条件。因此,准确的新能源最大发电能力预测对于确定合理的调度计划和确保电网安全经济运行具有重要意义。
传统的新能源功率预测方法主要为物理预测法,物理预测法是通过建立物理模型,模拟风电场风能资源分布以及风能资源输出功率转化过程的预测方法,但是该方法对由初始信息所引起的系统误差非常敏感,受风电场地表条件的描述影响大,且以往人们研究的重心往往放在如何预测实时功率,该实时功率不能满足计算新能源可用调频容量,对电力系统整体频率的稳定性造成一定影响。
发明内容
本申请提供了一种新能源最大发电能力计算方法、终端及存储介质,以解决预测新能源实时功率不能为电网运行人员提供新能源调频所需的可用容量依据和对电力系统整体频率的稳定性造成一定影响的问题。
第一方面,本申请提供了一种新能源最大发电能力计算方法,包括:
获取多个历史时刻的历史数据,其中,所述历史数据包括风力发电机组的风电功率数据以及所述风力发电机组所在区域的风速数据和风向数据;
筛选部分历史时刻的历史数据作为目标数据,其中,所述目标数据为同等条件的历史数据中风电功率数据最大的历史数据,所述同等条件的历史数据为风速数据和风向数据均相同的历史数据;
基于所述目标数据生成样本集,并基于所述样本集构建最大发电能力计算模型,所述最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测所述风力发电机组在所述待预测时刻的最大发电能力。
在一种可能的实现方式中,所述筛选部分历史时刻的历史数据作为目标数据包括:
构建立体直角坐标系,将所述风力发电机组的风电功率数据、所述风力发电机组所在区域的风速数据和风向数据分别作为该立体直角坐标系的Z轴数据、X轴数据和Y轴数据,绘制所述风力发电机组的风速-风向-出力三维散点图;
在所述风速-风向-出力三维散点图中拟合得到上包络面;
选取落于所述上包络面中以及上方的散点所对应的历史数据作为目标数据。
在一种可能的实现方式中,
所述选取落于所述上包络面中以及上方的散点所对应的历史数据作为目标数据,包括:
选取满足预设条件的散点对应的历史数据作为目标数据,其中,所述预设条件为:
z-f(x,y)≥0
其中,x,y,z为所述风速-风向-出力三维散点图中的一个散点,z为所述风力发电机组的风电功率数据,x为所述风力发电机组所在区域的风速数据,y为所述风力发电机组所在区域的风向数据,f(x,y)为所述上包络面的函数表达式。
在一种可能的实现方式中,所述基于所述目标数据生成样本集,并基于所述样本集构建最大发电能力计算模型,包括:
对所述目标数据进行归一化处理,生成样本集,其中,所述样本集中的数据包括所述风力发电机组的风电功率归一化值、所述风力发电机组所在区域的风速归一化值和所述风力发电机组所在区域的风向归一化值,所述样本集分为训练样本集和测试样本集;
以所述训练样本集和所述测试样本集,构建最大发电能力计算模型。
在一种可能的实现方式中,所述以所述训练样本集和所述测试样本集,构建最大发电能力计算模型,包括:
构建支持向量机模型;
以所述训练样本集中的风速归一化值和风向归一化值作为所述支持向量机模型的输入值,所述训练样本集中的风电功率归一化值作为所述支持向量机模型的输出的标签,对所述支持向量机进行训练,得到训练后的支持向量机模型;
以所述测试样本集中的风速归一化值和风向归一化值作为所述训练后的支持向量机模型的输入值,通过对所述训练后的支持向量机进行测试,确定所述训练后的支持向量机为最大发电能力计算模型。
在一种可能的实现方式中,所述方法还包括:
获取所述风力发电机组所在区域在待预测时刻的风速数据和风向数据;
将所述风力发电机组所在区域在待预测时刻的风速数据和风向数据输入所述最大发电能力计算模型,以得到所述风力发电机组在所述待预测时刻的最大发电能力。
在一种可能的实现方式中,所述获取多个历史时刻的历史数据,包括:
从数据采集与监视控制系统中获取所述风力发电机组在多个历史时刻的风电功率数据;
从数值天气预报系统中获取所述风力发电机组所在区域在所述多个历史时刻的风速数据和风向数据。
第二方面,本申请提供了一种新能源最大发电能力计算装置,包括:获取模块、筛选模块和构建模块:
所述获取模块,用于获取多个历史时刻的历史数据,其中,所述历史数据包括风力发电机组的风电功率数据以及所述风力发电机组所在区域的风速数据和风向数据;
所述筛选模块,用于筛选部分历史时刻的历史数据作为目标数据,其中,所述目标数据为同等条件的历史数据中风电功率数据最大的历史数据,所述同等条件的历史数据为风速数据和风向数据均相同的历史数据;
所述构建模块,用于基于所述目标数据生成样本集,并基于所述样本集构建最大发电能力计算模型,所述最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测所述风力发电机组在所述待预测时刻的最大发电能力。
第三方面,本申请提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面,本申请提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本申请提供一种最大发电能力计算方法、装置、终端及存储介质,通过获取多个历史时刻的历史数据,筛选部分历史时刻的历史数据作为目标数据,基于目标数据生成样本集,并基于样本集构建最大发电能力计算模型,其中,最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测风力发电机组在待预测时刻的最大发电能力。这样就可以在气象要素预报存在误差的前提下提高最大发电能力计算的准确性,也为风电可用调频容量的计算提供了数据支撑,通过构建最大发电能力计算模型的思路,将筛选出有效样本集对最大发电能力进行计算,在最大发电计算模型的基础上提高了可用调频容量计算的准确性,从而提高了电力系统整体频率的稳定性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的新能源最大发电能力计算方法的实现流程图;
图2是本申请实施例提供的新能源最大发电能力计算方法的实现流程图;
图3是本申请实施例提供的新能源最大发电能力计算方法的结构示意图;
图4是本申请实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
图1为本申请第一实施例提供的新能源最大发电能力计算方法的实现流程图,详述如下:
在步骤101中,获取多个历史时刻的历史数据,其中,历史数据包括风力发电机组的风电功率数据以及风力发电机组所在区域的风速数据和风向数据。
其中,风电功率数据是通过数据采集与监视控制系统在风力发电机组中获取的,风速数据和风向数据是通过数值天气预报系统中获取的,且风电功率数据对应一组风速数据和风向数据。
在步骤102中,筛选部分历史时刻的历史数据作为目标数据,其中,目标数据为同等条件的历史数据中风电功率数据最大的历史数据,同等条件的历史数据为风速数据和风向数据均相同的历史数据。
其中,同等条件的历史数据,表示在一组风速数据和风向数据下,存在两种情况:
第一种情况,存在唯一的一个风电功率数据,则此时的历史数据是唯一的一组;
第二种情况,存在多个风电功率数据,则此时的历史数据也是有多组。
在步骤103中,基于目标数据生成样本集,并基于样本集构建最大发电能力计算模型,最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测风力发电机组在待预测时刻的最大发电能力。
其中,对于目标数据生成样本集:
对于机器学习模型来说,样本集包括训练样本集和测试样本集。
对于本实施例来说,使用的机器学习模型是支持向量机模型,由支持向量机在构建最大发电能力计算模型。
本申请提供一种最大发电能力计算方法,通过获取多个历史时刻的历史数据,筛选部分历史时刻的历史数据作为目标数据,基于目标数据生成样本集,并基于样本集构建最大发电能力计算模型,其中,最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测风力发电机组在待预测时刻的最大发电能力。这样就可以在气象要素预报存在误差的前提下提高最大发电能力计算的准确性,也为风电可用调频容量的计算提供了数据支撑,通过构建最大发电能力计算模型的思路,将筛选出有效样本集对最大发电能力进行计算,在最大发电计算模型的基础上提高了可用调频容量计算的准确性,从而提高了电力系统整体频率的稳定性。
图2为本申请第二实施例提供的新能源最大发电能力计算方法的实现流程图,详述如下:
在步骤201中,获取多个历史时刻的历史数据,其中,历史数据包括风力发电机组的风电功率数据以及风力发电机组所在区域的风速数据和风向数据。
在一种可能的实现方式中,获取多个历史时刻的历史数据,包括:
从数据采集与监视控制系统中获取风力发电机组在多个历史时刻的风电功率数据;
从数值天气预报系统中获取风力发电机组所在区域在多个历史时刻的风速数据和风向数据。
其中,数据采集与监视控制系统,即SCADA(SupervisoryControl And DataAcquisition)系统,是以计算机为基础的DCS与电力自动化监控系统,应用领域很广,可以应用于电力、冶金、石油、化工、燃气、铁路等领域的数据采集与监视控制以及过程控制等诸多领域。
在电力系统中,SCADA系统应用最为广泛,技术发展也最为成熟。在运动系统中占重要地位,可以对现场的运行设备进行监视和控制,以实现数据采集、设备控制、测量、参数调节以及各类信号报警等各项功能,即我们所知的“四遥”功能,RTU(远程终端单元)、FTU(馈线终端单元)是SCADA系统的重要组成部分.在现今的变电站综合自动化建设中起了相当重要的作用。
由于电力系统中数据采集与监视控制系统应用最为广泛,所以从数据采集与监视控制系统中获取风力发电机组在多个历史时刻的风电功率数据。
然后,数值天气预报(numerical weather prediction),是指根据大气实际情况,在一定的初值和边值条件下,通过大型计算机作数值计算,求解描写天气演变过程的流体力学和热力学的方程组,预测未来一定时段的大气运动状态和天气现象的方法。
数值天气预报与经典的以天气学方法作天气预报不同,它是一种定量的和客观的预报,正因为如此,数值天气预报首先要求建立一个较好的反映预报时段的(短期的、中期的)数值预报模式和误差较小、计算稳定并相对运算较快的计算方法。其次,由于数值天气预报要利用各种手段(常规的观测,雷达观测,船舶观测,卫星观测等)获取气象资料,因此,必须恰当地作气象资料的调整、处理和客观分析。第三,由于数值天气预报的计算数据非常之多,很难用手工或小型计算机去完成,因此,必须要有大型的计算机。
根据大气实际情况,在一定初值和边值条件下,通过数值计算,求解描写天气演变过程的流体力学和热力学方程组,预报未来天气的方法。和一般用天气学方法并结合经验制作出来的天气预报不同,这种预报是定量和客观的预报。预报所用或所根据的方程组和大气动力学中所用的方程组相同,即由连续方程、热力学方程、水汽方程、状态方程和3个运动方程(见大气动力方程)所构成的方程组。方程组中,含有7个预报量(速度沿x、y、z三个方向的分量u、v、w和温度T、气压P、空气密度ρ以及比湿q)和7个预报方程。方程组中的粘性力F、非绝热加热量Q和水汽量S,一般都当做时间、空间和这7个预报量的函数,这样,预报量的数目和方程的数目相同,因而方程组是闭合的。
本实施例中从基于数值天气预报方法的数值天气预报系统中获取风力发电机组所在区域的风速数据和风向数据。
对于风速数据和风向数据获取的分辨周期,可以根据需求不同选择不同的分辨周期,本实施例中的数值天气预报数据的分辨周期为15min,还可以是10min、20min、30min等。
最后,本实施例中的风力发电机组所在区域在所述多个历史时刻的风速数据和风向数据和风力发电机组在多个历史时刻的风电功率数据是一一对应的。
在步骤202中,构建立体直角坐标系,将风力发电机组的风电功率数据、风力发电机组所在区域的风速数据和风向数据分别作为该立体直角坐标系的Z轴数据、X轴数据和Y轴数据,绘制风力发电机组的风速-风向-出力三维散点图。
在步骤203中,在风速-风向-出力三维散点图中拟合得到上包络面。
在步骤204中,选取落于上包络面中以及上方的散点所对应的历史数据作为目标数据。
其中,根据获取的风力发电机组的多个历史时刻的历史数据,以风速为X轴、风向为Y轴、风力发电机组的风电功率数据为Z轴构建立体直角坐标系,绘制分辨率为15min的风力发电机组风速-风向-出力三维散点图,对该三维散点图运用多项式平面拟合的原理构建上包络面,同时可得该包络面的函数表达式f(x,y)。
由于不同季度风力发电机组周围植被变化较大,风电场地表粗糙度变化较大,风速数据和风向数据均会受到不同程度的影响。为减小粗糙度对最终预测结果的间接影响,在绘制三维散点图之前,可以将该风力发电机组的信息参数以季度为时限计量单位分组,绘制各个季度分辨率为15min的风力发电机组风速-风向-出力三维散点图,对该季度的散点图进行上包络面处理,可得该风力发电机组在该季度下某一具体气象条件下的出力情况。
对于对三维散点图进行上包络面处理后,得到的目标数据中的风电功率数据要求是多个历史时刻的历史数据中的风力发电机组在同等风速和风向条件下的风电功率数据的最大值。
在一种可能的实现方式中,选取落于上包络面中以及上方的散点所对应的历史数据作为目标数据,包括:
选取满足预设条件的散点对应的历史数据作为目标数据,其中,预设条件为:
z-f(x,y)≥0
其中,x,y,z为风速-风向-出力三维散点图中的一个散点,z为风力发电机组的风电功率数据,x为风力发电机组所在区域的风速数据,y为风力发电机组所在区域的风向数据,f(x,y)为上包络面的函数表达式。
其中,对于上述绘制的三维散点图进行上包络面处理,可以得到该风力发电机组在某一具体风速、风向条件下的风电功率数据的最大值。以风速风向作为主导参数,对样本数据进行选择。要求散点c(x,y,z)满足条件z-f(x,y)≥0,选取所绘制三维散点图上包络面中所有满足要求的散点,找到该散点所对应的一系列参数,包括:风力发电机组的风电功率数据、风力发电组所在区域的风速数据和风力发电机组所在区域的风向数据。
例如,对于散点c0(x0,y0,z0),要求满足的条件是z0-f(x0,y0)≥0,选取所绘制三维散点图上包络面中所有满足要求的散点,可以得到对于该散点c0对应的风力发电机组在同等风速和风向条件的风电功率数据的最大值;对于c1(x1,y1,z1),要求满足的条件是z1-f(x1,y1)≥0,选取所绘制三维散点图上包络面中所有满足要求的散点,可以得到对于该散点c1对应的风力发电机组在同等风速和风向条件的风电功率数据的最大值。
在步骤205中,基于目标数据生成样本集,并基于样本集构建最大发电能力计算模型,最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测风力发电机组在待预测时刻的最大发电能力。
其中,对于目标数据生成样本集:
对于机器学习模型来说,样本集包括训练样本集和测试样本集。
在一种可能的实现方式中,基于所述目标数据生成样本集,并基于样本集构建最大发电能力计算模型,包括:
对目标数据进行归一化处理,生成样本集,其中,样本集中的数据包括风力发电机组的风电功率归一化值、风力发电机组所在区域的风速归一化值和风力发电机组所在区域的风向归一化值,样本集分为训练样本集和测试样本集;
以训练样本集和测试样本集,构建最大发电能力计算模型。
其中,归一化方法有两种形式,一种是把数变为(0,1)之间的小数,一种是把有量纲表达式变为无量纲表达式。主要是为了数据处理方便提出来的,把数据映射到0~1范围之内处理,更加便捷快速,应该归到数字信号处理范畴之内。
对上述进行上包络面处理后得到的目标数目进行归一化处理,并将归一化处理后的数据作为样本集。
对模型数据的输入输出分析时,可将数据进行归一化处理,这有利于加快训练收敛速度,提高建模效率和预测精度。
在对风力发电机组的风电功率归一化时,可将数据采集与监视控制系统中量测的风力发电机组的风电功率数据与目标数据中的风电功率数据,即为多个历史时刻的历史数据中的风力发电机组在同等风速和风向条件下的风电功率数据的最大值作比,将其结果作为风力发电机组的风电功率归一化值。
在对风力发电机组所在区域的风速归一化时,可将数值天气预报系统预测的风速值与气象观测历史最大风速值作比,将其结果作为风速归一化值。
在对风力发电机组所在区域的风向归一化时,可以取风向的正弦值和余弦值作为归一化的风向指标。
将上述的风电功率归一化值和对应的风速归一化值、对应的风向归一化值生成样本集,将该样本集分成训练样本集和测试样本集,运用在构建的最大发电能力计算模型中进行训练测试。
在一种可能的实现方式中,以训练样本集和所述测试样本集,构建最大发电能力计算模型,包括:
构建支持向量机模型;
以训练样本集中的风速归一化值和风向归一化值作为支持向量机模型的输入值,训练样本集中的风电功率归一化值作为支持向量机模型的输出的标签,对支持向量机进行训练,得到训练后的支持向量机模型;
以测试样本集中的风速归一化值和风向归一化值作为训练后的支持向量机模型的输入值,通过对训练后的支持向量机进行测试,确定训练后的支持向量机为最大发电能力计算模型。
其中,支持向量机(Support Vector Machine,SVM),是一类按监督学习方式对数据进行二元分类的广义线形分类器,其决策边界是对学习样本求解的最大边距超平面。
SVM使用铰链损失函数计算经验风险并在求解系统中加入了正则化项以优化结构风险,是一个具有稀疏性和稳健性的分类器,可以通过核方法进行非线性分类,是常见的核学习方法之一。
虽然支持向量机学习算法需要的内存容量较大,学习速度较慢,但是支持向量机有较强的局部寻优能力,在样本数目较少的情况下学习能力较为突出。而在进行步骤202-204的筛选工作后,样本数目不再庞大,为达到最大发电能力的计算要求,仅有一少部分样本点被保留下来,这便要求该最大发电能力计算模型所选择的学习算法必须在较少的样本数目时保持较好的学习能力。
为了验证支持向量机在本实施例中的优越性,可以在训练支持向量机时,与BP神经网络的学习结果进行对比分析,具体如下:
对于上述样本集,分别以训练样本集中的风力发电机组所在区域的风速归一化值和风力发电机组所在区域的风向归一化值作为支持向量机机器学习模型和BP神经网络机器学习模型的输入,训练样本集中的风力发电机组的风电功率归一化值作为支持向量机机器学习模型和BP神经网络机器学习模型的输出的标签,对两种机器学习模型进行训练;
运用上述样本集中的测试样本集数据,分别以测试样本集中的风力发电机组所在区域的风速归一化值和风力发电机组所在区域的风向归一化值作为训练后的支持向量机机器学习模型和训练后的BP神经网络机器学习模型的输入,对两种机器学习模型进行测试;
计算出相同输入变量下支持向量机机器学习模型和BP神经网络机器学习模型相应的输出结果,分别记为P1、P2,可以得到两种机器学习模型下测试集预测值Pi(i=1,2)和期望值Pe的对比曲线图和预测误差图;
此外,还可以运用MATLAB对两种机器学习模型的相关系数r和最大预测误差δmax等误差指标进行衡量。
对于运用MATLAB对两种机器学习模型的相关系数r进行求解,根据第二公式确定相关系数,该相关系数能够反映预测最大发电能力和进行三维散点图上包络面处理后得到的风电功率数据的最大值波动趋势的相关程度,第二公式为
其中,PM,i为测试样本集序号为i的风力发电机组的实测风电功率归一化值,PP,i为测试样本集序号为i的风力发电机组的预测风电功率归一化值,n为测试样本集数目,为测试样本集的风力发电机组的实测风电功率归一化值的平均值,PP为测试样本集的风力发电机组的预测风电功率归一化值的平均值。
对于运用MATLAB对两种机器学习模型的最大预测误差δmax进行求解,根据第三公式确定最大预测误差δmax,该最大预测误差主要反映最大发电能力预测单点的最大偏离情况,第三公式为
δmax=max(|PM,i-PP,i|)
其中,max()为最大值函数。
通过对两种机器学习模型下测试集预测值Pi(i=1,2)和期望值Pe的对比曲线图和预测误差图的对比,或者运用MATLAB对两种机器学习模型的相关系数r和最大预测误差δmax等误差指标进行衡量,都可以得到在本实施例中,运用支持向量机机器学习模型更加有优越之处。
在一种可能的实现方式中,该方法还包括:
获取风力发电机组所在区域在待预测时刻的风速数据和风向数据;
将风力发电机组所在区域在待预测时刻的风速数据和风向数据输入最大发电能力计算模型,以得到风力发电机组在所述待预测时刻的最大发电能力。
根据上述训练得到最大发电能力计算模型,然后获取风力发电机组所在区域未来需要预测时刻的风速数据和风向数据,将其输入至最大发电能力计算模型中,可以得到该预测时刻的风力发电机组的最大发电能力。
本申请提供一种最大发电能力计算方法,通过获取多个历史时刻的历史数据,筛选部分历史时刻的历史数据作为目标数据,基于目标数据生成样本集,并基于样本集构建最大发电能力计算模型,其中,最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测风力发电机组在待预测时刻的最大发电能力。这样就可以在气象要素预报存在误差的前提下提高最大发电能力计算的准确性,也为风电可用调频容量的计算提供了数据支撑,通过构建最大发电能力计算模型的思路,将筛选出有效样本集对最大发电能力进行计算,在最大发电计算模型的基础上提高了可用调频容量计算的准确性,从而提高了电力系统整体频率的稳定性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
以下为本申请的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图3示出了本申请实施例提供的新能源最大发电能力计算装置的结构示意图,为了便于说明,仅示出了与本申请实施例相关的部分,详述如下:
如图3所示,一种新能源最大发电能力计算装置3包括:获取模块31、筛选模块32和构建模块33:
获取模块31,用于获取多个历史时刻的历史数据,其中,历史数据包括风力发电机组的风电功率数据以及风力发电机组所在区域的风速数据和风向数据;
筛选模块32,用于筛选部分历史时刻的历史数据作为目标数据,其中,目标数据为同等条件的历史数据中风电功率数据最大的历史数据,同等条件的历史数据为风速数据和风向数据均相同的历史数据;
构建模块33,用于基于目标数据生成样本集,并基于样本集构建最大发电能力计算模型,最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测风力发电机组在待预测时刻的最大发电能力。。
本申请提供一种最大发电能力计算装置,通过获取多个历史时刻的历史数据,筛选部分历史时刻的历史数据作为目标数据,基于目标数据生成样本集,并基于样本集构建最大发电能力计算模型,其中,最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测风力发电机组在待预测时刻的最大发电能力。这样就可以在气象要素预报存在误差的前提下提高最大发电能力计算的准确性,也为风电可用调频容量的计算提供了数据支撑,通过构建最大发电能力计算模型的思路,将筛选出有效样本集对最大发电能力进行计算,在最大发电计算模型的基础上提高了可用调频容量计算的准确性,从而提高了电力系统整体频率的稳定性。
在一种可能的实现方式中,筛选模块用于:
构建立体直角坐标系,将风力发电机组的风电功率数据、风力发电机组所在区域的风速数据和风向数据分别作为该立体直角坐标系的Z轴数据、X轴数据和Y轴数据,绘制风力发电机组的风速-风向-出力三维散点图;
在风速-风向-出力三维散点图中拟合得到上包络面;
选取落于上包络面中以及上方的散点所对应的历史数据作为目标数据。
在一种可能的实现方式中,筛选模块还用于:
选取满足预设条件的散点对应的历史数据作为目标数据,其中,预设条件为:
z-f(x,y)≥0
其中,x,y,z为风速-风向-出力三维散点图中的一个散点,z为风力发电机组的风电功率数据,x为风力发电机组所在区域的风速数据,y为风力发电机组所在区域的风向数据,f(x,y)为上包络面的函数表达式。
在一种可能的实现方式中,构建模块用于:
对目标数据进行归一化处理,生成样本集,其中,样本集中的数据包括风力发电机组的风电功率归一化值、风力发电机组所在区域的风速归一化值和风力发电机组所在区域的风向归一化值,样本集分为训练样本集和测试样本集;
以训练样本集和测试样本集,构建最大发电能力计算模型。
在一种可能的实现方式中,构建模块还用于:
构建支持向量机模型;
以训练样本集中的风速归一化值和风向归一化值作为支持向量机模型的输入值,训练样本集中的风电功率归一化值作为支持向量机模型的输出的标签,对支持向量机进行训练,得到训练后的支持向量机模型;
以测试样本集中的风速归一化值和风向归一化值作为训练后的支持向量机模型的输入值,通过对训练后的支持向量机进行测试,确定训练后的支持向量机为最大发电能力计算模型。
在一种可能的实现方式中,该方法还包括:
获取风力发电机组所在区域在待预测时刻的风速数据和风向数据;
将风力发电机组所在区域在待预测时刻的风速数据和风向数据输入最大发电能力计算模型,以得到风力发电机组在待预测时刻的最大发电能力。
在一种可能的实现方式中,获取模块用于:
从数据采集与监视控制系统中获取风力发电机组在多个历史时刻的风电功率数据;
从数值天气预报系统中获取风力发电机组所在区域在多个历史时刻的风速数据和风向数据。
图4是本申请实施例提供的终端的示意图。如图4所示,该实施例的终端4包括:处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个新能源最大发电能力计算方法实施例中的步骤,例如图1所示的步骤101至步骤103。或者,所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能,例如图3所示模块/单元31至33的功能。
示例性的,所述计算机程序42可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器41中,并由所述处理器40执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序42在所述终端4中的执行过程。例如,所述计算机程序42可以被分割成图3所示的模块/单元31至33。
所述终端4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端4可包括,但不仅限于,处理器40、存储器41。本领域技术人员可以理解,图4仅仅是终端4的示例,并不构成对终端4的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端4的内部存储单元,例如终端4的硬盘或内存。所述存储器41也可以是所述终端4的外部存储设备,例如所述终端4上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器41还可以既包括所述终端4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个新能源最大发电能力计算方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种新能源最大发电能力计算方法,其特征在于,包括:
获取多个历史时刻的历史数据,其中,所述历史数据包括风力发电机组的风电功率数据以及所述风力发电机组所在区域的风速数据和风向数据;
筛选部分历史时刻的历史数据作为目标数据,其中,所述目标数据为同等条件的历史数据中风电功率数据最大的历史数据,所述同等条件的历史数据为风速数据和风向数据均相同的历史数据;
基于所述目标数据生成样本集,并基于所述样本集构建最大发电能力计算模型,所述最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测所述风力发电机组在所述待预测时刻的最大发电能力。
2.根据权利要求1所述的方法,其特征在于,所述筛选部分历史时刻的历史数据作为目标数据包括:
构建立体直角坐标系,将所述风力发电机组的风电功率数据、所述风力发电机组所在区域的风速数据和风向数据分别作为该立体直角坐标系的Z轴数据、X轴数据和Y轴数据,绘制所述风力发电机组的风速-风向-出力三维散点图;
在所述风速-风向-出力三维散点图中拟合得到上包络面;
选取落于所述上包络面中以及上方的散点所对应的历史数据作为目标数据。
3.根据权利要求2所述的方法,其特征在于,所述选取落于所述上包络面中以及上方的散点所对应的历史数据作为目标数据,包括:
选取满足预设条件的散点对应的历史数据作为目标数据,其中,所述预设条件为:
z-f(x,y)≥0
其中,x,y,z为所述风速-风向-出力三维散点图中的一个散点,z为所述风力发电机组的风电功率数据,x为所述风力发电机组所在区域的风速数据,y为所述风力发电机组所在区域的风向数据,f(x,y)为所述上包络面的函数表达式。
4.根据权利要求1所述的方法,其特征在于,所述基于所述目标数据生成样本集,并基于所述样本集构建最大发电能力计算模型,包括:
对所述目标数据进行归一化处理,生成样本集,其中,所述样本集中的数据包括所述风力发电机组的风电功率归一化值、所述风力发电机组所在区域的风速归一化值和所述风力发电机组所在区域的风向归一化值,所述样本集分为训练样本集和测试样本集;
以所述训练样本集和所述测试样本集,构建最大发电能力计算模型。
5.根据权利要求4所述的方法,其特征在于,所述以所述训练样本集和所述测试样本集,构建最大发电能力计算模型,包括:
构建支持向量机模型;
以所述训练样本集中的风速归一化值和风向归一化值作为所述支持向量机模型的输入值,所述训练样本集中的风电功率归一化值作为所述支持向量机模型的输出的标签,对所述支持向量机进行训练,得到训练后的支持向量机模型;
以所述测试样本集中的风速归一化值和风向归一化值作为所述训练后的支持向量机模型的输入值,通过对所述训练后的支持向量机进行测试,确定所述训练后的支持向量机为最大发电能力计算模型。
6.根据权利要求1所述方法,其特征在于,所述方法还包括:
获取所述风力发电机组所在区域在待预测时刻的风速数据和风向数据;
将所述风力发电机组所在区域在待预测时刻的风速数据和风向数据输入所述最大发电能力计算模型,以得到所述风力发电机组在所述待预测时刻的最大发电能力。
7.根据权利要求1所述的方法,其特征在于,所述获取多个历史时刻的历史数据,包括:
从数据采集与监视控制系统中获取所述风力发电机组在多个历史时刻的风电功率数据;
从数值天气预报系统中获取所述风力发电机组所在区域在所述多个历史时刻的风速数据和风向数据。
8.一种新能源最大发电能力计算装置,其特征在于,包括:获取模块、筛选模块和构建模块:
所述获取模块,用于获取多个历史时刻的历史数据,其中,所述历史数据包括风力发电机组的风电功率数据以及所述风力发电机组所在区域的风速数据和风向数据;
所述筛选模块,用于筛选部分历史时刻的历史数据作为目标数据,其中,所述目标数据为同等条件的历史数据中风电功率数据最大的历史数据,所述同等条件的历史数据为风速数据和风向数据均相同的历史数据;
所述构建模块,用于基于所述目标数据生成样本集,并基于所述样本集构建最大发电能力计算模型,所述最大发电能力计算模型用于基于待预测时刻的风速数据和风向数据,预测所述风力发电机组在所述待预测时刻的最大发电能力。
9.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210927422.8A CN115293424A (zh) | 2022-08-03 | 2022-08-03 | 一种新能源最大发电能力计算方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210927422.8A CN115293424A (zh) | 2022-08-03 | 2022-08-03 | 一种新能源最大发电能力计算方法、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115293424A true CN115293424A (zh) | 2022-11-04 |
Family
ID=83826901
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210927422.8A Pending CN115293424A (zh) | 2022-08-03 | 2022-08-03 | 一种新能源最大发电能力计算方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293424A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703007A (zh) * | 2023-08-01 | 2023-09-05 | 中国电力科学研究院有限公司 | 一种风电集群预测模型的构建方法、功率预测方法及装置 |
CN116991841A (zh) * | 2023-09-25 | 2023-11-03 | 温州市工业与信息技术发展有限公司 | 一种用于混合风数据模型的数据智能清洗方法 |
-
2022
- 2022-08-03 CN CN202210927422.8A patent/CN115293424A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116703007A (zh) * | 2023-08-01 | 2023-09-05 | 中国电力科学研究院有限公司 | 一种风电集群预测模型的构建方法、功率预测方法及装置 |
CN116703007B (zh) * | 2023-08-01 | 2023-12-15 | 中国电力科学研究院有限公司 | 一种风电集群预测模型的构建方法、功率预测方法及装置 |
CN116991841A (zh) * | 2023-09-25 | 2023-11-03 | 温州市工业与信息技术发展有限公司 | 一种用于混合风数据模型的数据智能清洗方法 |
CN116991841B (zh) * | 2023-09-25 | 2023-12-19 | 温州市工业与信息技术发展有限公司 | 一种用于混合风数据模型的数据智能清洗方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348292B (zh) | 一种基于深度学习网络的短期风电功率预测方法和系统 | |
CN115293424A (zh) | 一种新能源最大发电能力计算方法、终端及存储介质 | |
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
He et al. | A combined model for short-term wind power forecasting based on the analysis of numerical weather prediction data | |
CN107507097A (zh) | 一种风电功率短期预测方法 | |
Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
Richmond et al. | Evaluation of an offshore wind farm computational fluid dynamics model against operational site data | |
WO2020228568A1 (zh) | 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练系统和预测系统及存储介质 | |
He et al. | A power forecasting approach for PV plant based on irradiance index and LSTM | |
CN113449920A (zh) | 一种风电功率预测方法、系统及计算机可读介质 | |
Moustris et al. | Wind power forecasting using historical data and artificial neural networks modeling | |
Li et al. | Nonparametric importance sampling for wind turbine reliability analysis with stochastic computer models | |
CN116885711A (zh) | 一种风电功率预测方法、装置、设备和可读存储介质 | |
CN116307282A (zh) | 一种基于机理模型和数据驱动的风电功率预测方法及系统 | |
CN115510732B (zh) | 一种基于深度学习的方舱红外特性仿真快速算法 | |
CN116760006A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
Zhu et al. | Multi-resolution spatio-temporal prediction with application to wind power generation | |
CN115841580A (zh) | 一种基于标记分布的轴承剩余使用寿命预测方法 | |
CN117175535A (zh) | 一种风电群体功率预测方法、系统、设备及介质 | |
CN114552570A (zh) | 一种海上风电功率预测管理系统 | |
Cho et al. | Application of Parallel ANN-PSO to Hourly Solar PV Estimation | |
CN111401624A (zh) | 一种风功率预测的方法、装置及计算机可读存储介质 | |
Liu et al. | Short-Term Wind Speed and Wind Power Prediction Based on Meteorological Model Modification | |
Alina et al. | Software prototype development for non-centralized objects of wind flow amplification |
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 |