CN115296298A - 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 PDFInfo
- Publication number
- CN115296298A CN115296298A CN202211107198.4A CN202211107198A CN115296298A CN 115296298 A CN115296298 A CN 115296298A CN 202211107198 A CN202211107198 A CN 202211107198A CN 115296298 A CN115296298 A CN 115296298A
- Authority
- CN
- China
- Prior art keywords
- layer
- wind
- model
- output
- neural network
- 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 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 23
- 241001123248 Arma Species 0.000 claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 239000010410 layer Substances 0.000 claims description 100
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000005311 autocorrelation function Methods 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000005314 correlation function Methods 0.000 claims description 6
- 230000010365 information processing Effects 0.000 claims description 6
- 239000011229 interlayer Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 230000000644 propagated effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 230000005684 electric field Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000002803 fossil fuel Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- H02J3/381—Dispersed generators
-
- 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
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请属于风电场功率预测技术领域，尤其是涉及一种风电场功率预测方法，包括S1、获取风电场气象记录数据，具体为某个时间段内的风速大小、方向以及温度和气压数据，并将其记录于风电场SCADA系统中，这些数据均具有按照时间排序以及取值离散的特性；S2、建立ARMA模型；S3、针对处理信息采取BP神经网络的基本原理和训练步骤，输入层各神经元负责接收来自外界的输入信息。本发明中，利用两个自回归移动平均模型分别进行预测，由于不清楚两个时间序列预测的值的权重，又充分利用了神经网络特点，把两个预测值作为神经网络的输入值，又神经网络通过历史数据决定各个时间序列的权重，很好的提高了实时预测的准确性。
Description
技术领域
本发明涉及风电场功率预测技术领域，具体涉及一种风电场功率预测方法。
背景技术
鉴于化石燃料的日益枯竭及其带来的环境污染问题，各地都在不遗余力地发展可再生能源发电技术。风能是一种无污染、可再生的能源，风力发电具有不消耗其他能源，不产生污染物、没有辐射等优势。且风能资源特别丰富，据统计全球的风能约为274X109MW，其中可利用的风能为2X107MW，因此大力发展风电产业将其作为替代化石能源的重要手段是可行的。
风力发电作为一种清洁的可再生的发电形式，近几年来发展迅猛，但是由于风力发电的输出功率的不稳定性，使得其大量并网的难度增大，安全性和可靠性得不到保障，从而制约了风电的大面积推广应用。故此对风电的输出功率的预测显得尤为重要，研究出一种准确、有效的风电功率预测系统，可以将风力发电的应用提升到一个新的高度，因此风电功率预测研究的需求更加迫切，而准确有效地预测出风电场的输出功率不但可帮助电力系统调度运行人员做出最有效决策，亦可为电力市场条件下并网风电功率趸售提供相关依据。
发明内容
本公开的主要目的在于提供了一种风电场功率预测方法，以有效解决发明人在上述背景技术提出的问题。
为达成上述目的，本发明采用的技术方案如下：
一种风电场功率预测方法，所述预测方法包括：
S1、获取风电场气象记录数据，具体为某个时间段内的风速大小、方向以及温度和气压数据，并将其记录于风电场SCADA系统中，这些数据均具有按照时间排序以及取值离散的特性；
S2、建立ARMA模型，通过检验变量的自相关函数以及偏相关函数确定模型的阶次，而模型参数的确定采用最小二乘法，ARMA模型能够描述线性的动态过程，风速或风电功率的时间序列具有非平稳随机序列的特点，于此建立风速或风电功率预测的ARMA模型需要进行数据序列增加趋势性以及周期性的非平稳化处理；
S3、针对处理信息采取BP神经网络的基本原理和训练步骤，输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元，中间层是内部信息处理层负责信息变换，根据信息变化能力的需要中间层设计为单隐层或多隐层结构；
S4、最后一个隐层传递至输出层各神经元的信息，经过进一步处理后完成学习的正向传播处理过程，由输出层向外界输出信息处理结果，其中当实际输出与期望输出不符时，进入误差的方向传播阶段，误差通过输出层，按误差梯度下降的方式修正隔层权值，向隐层、输入层逐层反传。
优选的，所述BP神经网络的训练步骤如下：初始化网络权值，阈值、计算精度和最大训练次数；输入样本，计算中间层的输出；计算输出层的输出；计算中间层到输出层的误差信号；调整权值、阈值；输入其他样本并返回第二步，计算网络全局误差。
优选的，所述ARMA的数学表达式为：
其中，Xt表示时间序列，如风速序列；
表示自回归项AR，aj为常数，Xt-j为t-j时刻的观测值，
为过去观测值的线性组合；bk为常数，et为白噪声序列，
表示白噪声序列的滑动平均项MA。AR模型描述的是系统对过去自身状态的记忆，MR模型描述的是系统对过去时刻进入系统的噪声的记忆，而ARMA模型是系统对过去自身状态以及进入系统的噪声的记忆，一个时间序列在某时刻的值可以用p个历史观测值的线性组合加一个白噪声序列的q项滑动平均来表示，该时间序列即为ARMA(p，q)过程。
优选的，所述时间序列模型建立过程中，在对风速预测时，假设风速X(t)的样本函数为x(t)，采样值为x1，x2...xt，具体实施时，取有限个采样值构成有限序列x1，x2...xN。模型识别的判别依据是序列的自相关函数和偏相关函数，其相关定位为：
xt和xt+k之间的协方差称为滞后k的自协方差，定位为：
γk＝cov(xt，xt+k)＝R[(xt-ux)(xt+k-ux)]
对于平稳时间序列，滞后k的自相关函数的定义为：PK＝γk/γ0
优选的，所述ARMA(p，q)模型的识别与估计是在架设随机扰动项是一白噪声的基础上进行，若估计的模型正确，残差应代表一白噪声序列，若通过估计的模型计算的样本残差不代表一白噪声，则说明模型的识别与估计有误，需要重新识别与估计。
优选的，所述BP神经网络的转移函数公式为：
中间层转移函数，其中xj为网络输入，vij为输入层到中间层的网络权值，θj为中间层阈值；
输出层转移函数，其中yj为网络输出，wjk为中间层到输出层的网络权值，TK为输出层阈值。
优选的，判断网络全局误差如果小于计算精度，或于最大训练次数，结束，否则返回第二步继续训练。
优选的，BP算法是基于信息正向传播和误差BP算法，对于输入信号，先向前传播到隐含层，经作用函数后再把隐含层的输出信息传播至输出层，若输出层得不到期望的输出，则转入BP将误差信号沿原来通路返回，通过修改各层神经元的权值，以降低误差信号。
优选的，基于神经网络预测的一些改进方法包括，建立神经网络模型预测气象数据，根据所得气象预测数据再建神经网络模型预测风电功率的双神经网络预测模型，针对一个电场显示有效性。
优选的，风速是影响风力发电输出功率大小的重要因素，因而风速必须作为一个输入变量，而风向则影响风电机中扇叶的受力情况和尾流的大小，所以风向也需要作为一个输入变量，同时还有空气密度、气压、温度等一些天气因素的影响综合作用在风电机上。
鉴于此，与现有技术相比，本发明的有益效果是：
(一)、本申请中，提出了神经网络或其改进模型的应用，另外多种方法的综合可以做到取长补短，在风速及风电场功率预测方面显示出更好的效果。
(二)、本申请中，把原始时间序列按照天数和时间段数分成了两个时间序列，利用两个自回归移动平均模型分别进行预测，由于不清楚两个时间序列预测的值的权重，又充分利用了神经网络特点，把两个预测值作为神经网络的输入值，又神经网络通过历史数据决定各个时间序列的权重，很好的提高了实时预测的准确性。
(三)、本申请中，使用了逐渐增加隐含层神经元个数的办法，这个方法较为稳妥，同时一般较少的几个隐层神经元个数就可达到较好的训练结果，当再增加隐层神经元个数时，预测误差不减反增。
附图说明
图1所示为本发明提供的风电场功率预测方法的主要步骤流程图；
图2所示为BP神经网络结构示意图；
图3所示为BP神经网络的训练流程图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
请参阅图1-3，本发明提供以下实施例：
一种风电场功率预测方法，预测方法包括：
S1、获取风电场气象记录数据，具体为某个时间段内的风速大小、方向以及温度和气压数据，并将其记录于风电场SCADA系统中，这些数据均具有按照时间排序以及取值离散的特性；
S2、建立ARMA模型，通过检验变量的自相关函数以及偏相关函数确定模型的阶次，而模型参数的确定采用最小二乘法，ARMA模型能够描述线性的动态过程，风速或风电功率的时间序列具有非平稳随机序列的特点，于此建立风速或风电功率预测的ARMA模型需要进行数据序列增加趋势性以及周期性的非平稳化处理；
S3、针对处理信息采取BP神经网络的基本原理和训练步骤，输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元，中间层是内部信息处理层负责信息变换，根据信息变化能力的需要中间层设计为单隐层或多隐层结构；
S4、最后一个隐层传递至输出层各神经元的信息，经过进一步处理后完成学习的正向传播处理过程，由输出层向外界输出信息处理结果，其中当实际输出与期望输出不符时，进入误差的方向传播阶段，误差通过输出层，按误差梯度下降的方式修正隔层权值，向隐层、输入层逐层反传。
具体的，BP神经网络的训练步骤如下：初始化网络权值，阈值、计算精度和最大训练次数；输入样本，计算中间层的输出；计算输出层的输出；计算中间层到输出层的误差信号；调整权值、阈值；输入其他样本并返回第二步，计算网络全局误差。
具体的，ARMA的数学表达式为：
其中，Xt表示时间序列，如风速序列；
表示自回归项AR，aj为常数，Xt-j为t-j时刻的观测值，
为过去观测值的线性组合；bk为常数，et为白噪声序列，
表示白噪声序列的滑动平均项MA。AR模型描述的是系统对过去自身状态的记忆，MR模型描述的是系统对过去时刻进入系统的噪声的记忆，而ARMA模型是系统对过去自身状态以及进入系统的噪声的记忆，一个时间序列在某时刻的值可以用p个历史观测值的线性组合加一个白噪声序列的q项滑动平均来表示，该时间序列即为ARMA(p，q)过程。
具体的，时间序列模型建立过程中，在对风速预测时，假设风速X(t)的样本函数为x(t)，采样值为x1，x2...xt，具体实施时，取有限个采样值构成有限序列x1，x2...xN。模型识别的判别依据是序列的自相关函数和偏相关函数，其相关定位为：
xt和xt+k之间的协方差称为滞后k的自协方差，定位为：
γk＝cov(xt，xt+k)＝R[(xt-ux)(xt+k-ux)]
对于平稳时间序列，滞后k的自相关函数的定义为：PK＝γk/γ0
具体的，ARMA(p，q)模型的识别与估计是在架设随机扰动项是一白噪声的基础上进行，若估计的模型正确，残差应代表一白噪声序列，若通过估计的模型计算的样本残差不代表一白噪声，则说明模型的识别与估计有误，需要重新识别与估计。
具体的，BP神经网络的转移函数公式为：
中间层转移函数，其中xj为网络输入，vij为输入层到中间层的网络权值，θj为中间层阈值；
输出层转移函数，其中yj为网络输出，wjk为中间层到输出层的网络权值，TK为输出层阈值。
具体的，判断网络全局误差如果小于计算精度，或于最大训练次数，结束，否则返回第二步继续训练。
具体的，BP算法是基于信息正向传播和误差BP算法，对于输入信号，先向前传播到隐含层，经作用函数后再把隐含层的输出信息传播至输出层，若输出层得不到期望的输出，则转入BP将误差信号沿原来通路返回，通过修改各层神经元的权值，以降低误差信号。
具体的，基于神经网络预测的一些改进方法包括，建立神经网络模型预测气象数据，根据所得气象预测数据再建神经网络模型预测风电功率的双神经网络预测模型，针对一个电场显示有效性。
具体的，风速是影响风力发电输出功率大小的重要因素，因而风速必须作为一个输入变量，而风向则影响风电机中扇叶的受力情况和尾流的大小，所以风向也需要作为一个输入变量，同时还有空气密度、气压、温度等一些天气因素的影响综合作用在风电机上。
提出了神经网络或其改进模型的应用，另外多种方法的综合可以做到取长补短，在风速及风电场功率预测方面显示出更好的效果；
把原始时间序列按照天数和时间段数分成了两个时间序列，利用两个自回归移动平均模型分别进行预测，由于不清楚两个时间序列预测的值的权重，又充分利用了神经网络特点，把两个预测值作为神经网络的输入值，又神经网络通过历史数据决定各个时间序列的权重，很好的提高了实时预测的准确性；
使用了逐渐增加隐含层神经元个数的办法，这个方法较为稳妥，同时一般较少的几个隐层神经元个数就可达到较好的训练结果，当再增加隐层神经元个数时，预测误差不减反增，鉴于此，这种逐渐试验的办法能够实行的。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种风电场功率预测方法，其特征在于，所述预测方法包括：
S1、获取风电场气象记录数据，具体为某个时间段内的风速大小、方向以及温度和气压数据，并将其记录于风电场SCADA系统中，这些数据均具有按照时间排序以及取值离散的特性；
S2、建立ARMA模型，通过检验变量的自相关函数以及偏相关函数确定模型的阶次，而模型参数的确定采用最小二乘法，ARMA模型能够描述线性的动态过程，风速或风电功率的时间序列具有非平稳随机序列的特点，于此建立风速或风电功率预测的ARMA模型需要进行数据序列增加趋势性以及周期性的非平稳化处理；
S3、针对处理信息采取BP神经网络的基本原理和训练步骤，输入层各神经元负责接收来自外界的输入信息，并传递给中间层各神经元，中间层是内部信息处理层负责信息变换，根据信息变化能力的需要中间层设计为单隐层或多隐层结构；
S4、最后一个隐层传递至输出层各神经元的信息，经过进一步处理后完成学习的正向传播处理过程，由输出层向外界输出信息处理结果，其中当实际输出与期望输出不符时，进入误差的方向传播阶段，误差通过输出层，按误差梯度下降的方式修正隔层权值，向隐层、输入层逐层反传。
2.根据权利要求1所述的一种风电场功率预测方法，其特征在于：所述BP神经网络的训练步骤如下：初始化网络权值，阈值、计算精度和最大训练次数；输入样本，计算中间层的输出；计算输出层的输出；计算中间层到输出层的误差信号；调整权值、阈值；输入其他样本并返回第二步，计算网络全局误差。
3.根据权利要求1所述的一种风电场功率预测方法，其特征在于：所述ARMA的数学表达式为：
其中，Xt表示时间序列，如风速序列；
表示自回归项AR，aj为常数，Xt-j为t-j时刻的观测值，
为过去观测值的线性组合；bk为常数，et为白噪声序列，
表示白噪声序列的滑动平均项MA。AR模型描述的是系统对过去自身状态的记忆，MR模型描述的是系统对过去时刻进入系统的噪声的记忆，而ARMA模型是系统对过去自身状态以及进入系统的噪声的记忆，一个时间序列在某时刻的值可以用p个历史观测值的线性组合加一个白噪声序列的q项滑动平均来表示，该时间序列即为ARMA(p，q)过程。
4.根据权利要求3所述的一种风电场功率预测方法，其特征在于：所述时间序列模型建立过程中，在对风速预测时，假设风速X(t)的样本函数为x(t)，采样值为x1，x2...xt，具体实施时，取有限个采样值构成有限序列x1，x2...xN。模型识别的判别依据是序列的自相关函数和偏相关函数，其相关定位为：
xt和xt+k之间的协方差称为滞后k的自协方差，定位为：
γk＝cov(xt，xt+k)＝R[(xt-ux)(xt+k-ux)]
对于平稳时间序列，滞后k的自相关函数的定义为：PK＝γk/γ0
5.根据权利要求4所述的一种风电场功率预测方法，其特征在于：所述ARMA(p，q)模型的识别与估计是在架设随机扰动项是一白噪声的基础上进行，若估计的模型正确，残差应代表一白噪声序列，若通过估计的模型计算的样本残差不代表一白噪声，则说明模型的识别与估计有误，需要重新识别与估计。
6.根据权利要求2所述的一种风电场功率预测方法，其特征在于：所述BP神经网络的转移函数公式为：
中间层转移函数，其中xj为网络输入，vij为输入层到中间层的网络权值，θj为中间层阈值；
输出层转移函数，其中yj为网络输出，wjk为中间层到输出层的网络权值，TK为输出层阈值。
7.根据权利要求6所述的一种风电场功率预测方法，其特征在于：判断网络全局误差如果小于计算精度，或于最大训练次数，结束，否则返回第二步继续训练。
8.根据权利要求7所述的一种风电场功率预测方法，其特征在于：所述BP算法是基于信息正向传播和误差BP算法，对于输入信号，先向前传播到隐含层，经作用函数后再把隐含层的输出信息传播至输出层，若输出层得不到期望的输出，则转入BP将误差信号沿原来通路返回，通过修改各层神经元的权值，以降低误差信号。
9.根据权利要求2所述的一种风电场功率预测方法，其特征在于：基于神经网络预测的一些改进方法包括，建立神经网络模型预测气象数据，根据所得气象预测数据再建神经网络模型预测风电功率的双神经网络预测模型，针对一个电场显示有效性。
10.根据权利要求1所述的一种风电场功率预测方法，其特征在于：风速是影响风力发电输出功率大小的重要因素，因而风速必须作为一个输入变量，而风向则影响风电机中扇叶的受力情况和尾流的大小，所以风向也需要作为一个输入变量，同时还有空气密度、气压、温度等一些天气因素的影响综合作用在风电机上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211107198.4A CN115296298A (zh) | 2022-09-11 | 2022-09-11 | 一种风电场功率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211107198.4A CN115296298A (zh) | 2022-09-11 | 2022-09-11 | 一种风电场功率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115296298A true CN115296298A (zh) | 2022-11-04 |
Family
ID=83834369
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211107198.4A Pending CN115296298A (zh) | 2022-09-11 | 2022-09-11 | 一种风电场功率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115296298A (zh) |
-
2022
- 2022-09-11 CN CN202211107198.4A patent/CN115296298A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108898251B (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
| CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
| CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
| CN107944648B (zh) | 一种大型船舶航速油耗率预测方法 | |
| CN109146162B (zh) | 一种基于集成循环神经网络的概率风速预测方法 | |
| CN111582551B (zh) | 风电场短期风速预测方法、系统及电子设备 | |
| CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
| CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 | |
| CN115099296A (zh) | 基于深度学习算法的海浪高度预测方法 | |
| CN113657662A (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
| CN112036595A (zh) | 基于多位置数值天气预报短期风电功率预测方法和系统 | |
| CN115936177A (zh) | 一种基于神经网络的光伏输出功率预测方法及系统 | |
| Chen et al. | Effect of input features on the performance of the ANN-based wind power forecasting | |
| CN108832623B (zh) | 一种物理-统计混合两阶段风电功率预测方法 | |
| CN114897204A (zh) | 一种海上风电场短期风速预测方法和装置 | |
| CN113962441A (zh) | 一种基于历史数据分析的短期辐照度预测方法及预测系统 | |
| CN113297805A (zh) | 一种风电功率爬坡事件间接预测方法 | |
| CN112215281A (zh) | 一种风机叶片结冰故障检测方法 | |
| CN116757321A (zh) | 太阳直接辐射量预测方法、系统、设备及存储介质 | |
| CN117154680A (zh) | 一种基于非平稳Transformer模型的风电功率预测方法 | |
| CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
| CN116467933A (zh) | 基于深度学习的风暴潮增水预测方法及系统 | |
| CN113095534A (zh) | 一种ARIMA与改进Elman神经网络组合的风电功率预测方法 | |
| CN115965177A (zh) | 基于注意力机制改进的自回归误差补偿风电功率预测方法 | |
| CN115296298A (zh) | 一种风电场功率预测方法 |
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 |