CN115564111A - 风电停运预警方法、装置、设备和存储介质 - Google Patents
风电停运预警方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN115564111A CN115564111A CN202211226347.9A CN202211226347A CN115564111A CN 115564111 A CN115564111 A CN 115564111A CN 202211226347 A CN202211226347 A CN 202211226347A CN 115564111 A CN115564111 A CN 115564111A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power outage
- wind
- recurrence
- level
- 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 49
- 238000009826 distribution Methods 0.000 claims description 83
- 238000004590 computer program Methods 0.000 claims description 34
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 25
- 238000011156 evaluation Methods 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 1
- 230000005526 G1 to G0 transition Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007246 mechanism Effects 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
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种风电停运预警方法、装置、设备和存储介质。所述方法包括:首先,获取地面气象观测站数据以及风电场数据,然后,根据获取到的地面气象观测站数据以及风电场数据,计算年最大风电停运容量序列,接着,根据年最大风电停运容量序列计算不同重现期下风电停运容量重现水平,最后,根据风电低温停运容量预测值和重现水平,确定风电停运的预警等级。采用本方法能够确定风电停运的预警等级,得到预警等级的定量值,方便电网调度部门根据预警等级准备应急预案。
Description
技术领域
本申请涉及电力系统调度运行技术领域,特别是涉及一种风电停运预警方法、装置、设备和存储介质。
背景技术
随着全球能源结构向低碳化转变、能源消费结构不断优化,风电由于资源总量丰富、环保以及运行管理自动化程度高,目前已成为开发和应用非常广泛的可再生能源之一。但是,近年北方若干区域电网经历了数次风电设备因极端寒潮低温天气大规模停运脱网的事件,给电力供应带来了巨大压力。
目前,风电电网调度缺乏对低温的相应的预警机制,无法定量评估低温造成的风电停运事件的严重程度。
发明内容
基于此,有必要针对上述技术问题,提供一种能够定量评估预警等级的风电停运预警方法、装置、设备和存储介质。
第一方面,本申请提供了一种风电停运预警方法。该方法包括:获取地面气象观测站数据以及风电场数据;根据地面气象观测站数据以及风电场数据,计算年最大风电停运容量序列;根据年最大风电停运容量序列计算不同重现期下风电停运容量重现水平;根据风电低温停运容量预测值和重现水平,确定风电停运的预警等级。
在其中一个实施例中,地面气象观测站数据包括地面气象观测站的地理位置和地面气象观测站的日最低气温数据,风电场数据包括风电场的地理位置、风电场中各风电机组的额定容量和各风电机组的低温保护定值,根据地面气象观测站数据以及风电场数据,计算年最大风电停运容量序列,包括:基于泰森多边形进行建模,根据地面气象观测站的地理位置、地面气象观测站的日最低气温数据和风电场的地理位置,得到各风电机组的日最低气温数据;根据各风电机组的额定容量、各风电机组的低温保护定值以及各风电机组的日最低气温数据,计算年最大风电停运容量序列。
在其中一个实施例中,根据年最大风电停运容量序列计算不同重现期下风电停运容量重现水平,包括:基于马尔科夫链蒙特卡洛方法,根据年最大风电停运容量序列,得到分布参数样本;根据分布参数样本,计算不同重现期下风电停运容量重现水平。
在其中一个实施例中,基于马尔科夫链蒙特卡洛方法,根据年最大风电停运容量序列,得到分布参数样本,包括:获取马尔科夫链蒙特卡洛方法的输入参数,输入参数包括马尔科夫链的数量、广义极值分布参数的先验分布、用于评价的马尔科夫链条数以及迭代次数;根据输入参数和年最大风电停运容量序列进行迭代计算,得到分布参数样本。
在其中一个实施例中,根据分布参数样本,计算不同重现期下风电停运容量重现水平,包括:根据分布参数样本,计算预设重现期的风电停运容量的重现水平样本集;根据重现水平样本集,确定预设重现期的重现水平的各不同分位数。
在其中一个实施例中,根据风电低温停运容量预测值和重现水平,确定风电停运的预警等级,包括:根据预设判断准则,确定用于进行预警的重现水平的第一分位数;根据风电低温停运容量预测值以及第一分位数对应的风电停运容量,确定风电停运的预警等级。
第二方面,本申请还提供了一种风电停运预警装置。该装置包括:
获取模块,用于获取地面气象观测站数据以及风电场数据;
第一计算模块,用于根据地面气象观测站数据以及风电场数据,计算年最大风电停运容量序列;
第二计算模块,用于根据年最大风电停运容量序列计算不同重现期下风电停运容量重现水平;
确定模块,用于根据风电低温停运容量预测值和重现水平,确定风电停运的预警等级。
在其中一个实施例中,地面气象观测站数据包括地面气象观测站的地理位置和地面气象观测站的日最低气温数据,风电场数据包括风电场的地理位置、风电场中各风电机组的额定容量和各风电机组的低温保护定值,第一计算模块,具体用于基于泰森多边形进行建模,根据地面气象观测站的地理位置、地面气象观测站的日最低气温数据和风电场的地理位置,得到各风电机组的日最低气温数据;根据各风电机组的额定容量、各风电机组的低温保护定值以及各风电机组的日最低气温数据,计算年最大风电停运容量序列。
在其中一个实施例中,第二计算模块,具体用于基于马尔科夫链蒙特卡洛方法,根据年最大风电停运容量序列,得到分布参数样本;根据分布参数样本,计算不同重现期下风电停运容量重现水平。
在其中一个实施例中,第二计算模块,具体用于获取马尔科夫链蒙特卡洛方法的输入参数,输入参数包括马尔科夫链的数量、广义极值分布参数的先验分布、用于评价的马尔科夫链条数以及迭代次数;根据输入参数和年最大风电停运容量序列进行迭代计算,得到分布参数样本。
在其中一个实施例中,第二计算模块,具体用于根据分布参数样本,计算预设重现期的风电停运容量的重现水平样本集;根据重现水平样本集,确定预设重现期的重现水平的各不同分位数。
在其中一个实施例中,确定模块,具体用于根据预设判断准则,确定用于进行预警的重现水平的第一分位数;根据风电低温停运容量预测值以及第一分位数对应的风电停运容量,确定风电停运的预警等级。
第三方面,本申请还提供了一种计算机设备。该计算机设备包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现上述风电停运预警方法。
第四方面,本申请还提供了一种计算机可读存储介质。该计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述风电停运预警方法。
第五方面,本申请还提供了一种计算机程序产品。该计算机程序产品,包括计算机程序,该计算机程序被处理器执行时上述风电停运预警方法。
上述风电停运预警方法、装置、设备和存储介质,首先,获取地面气象观测站数据以及风电场数据,然后,根据获取到的地面气象观测站数据以及风电场数据,计算年最大风电停运容量序列,接着,根据年最大风电停运容量序列计算不同重现期下风电停运容量重现水平,最后,根据风电低温停运容量预测值和重现水平,确定风电停运的预警等级。这种方式,通过地面气象观测值数据以及风电场数据可以得到不同重现期下风电停运容量的重现水平,然后根据风电低温停运容量预测值和重现水平,可以确定风电停运的预警等级,因此可以得到一个定量的预警等级,方便电网调度部门根据预警等级准备应急预案。
附图说明
图1为一个实施例中风电停运预警方法的流程示意图;
图2为另一个实施例中年最大风电停运容量序列计算步骤的流程示意图;
图3为另一个实施例中重现水平计算步骤的流程示意图;
图4为另一个实施例中重现水平计算步骤的流程示意图;
图5为另一个实施例中重现水平计算步骤的流程示意图;
图6为另一个实施例中预警等级确定步骤的流程示意图;
图7为另一个实施例中风电停运预警方法的流程示意图;
图8为另一个实施例中泰森多边形划分结果图;
图9为另一个实施例中年最大风电低温停运容量结果图;
图10为一个实施例中风电停运预警装置的结构框图;
图11为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
在一个实施例中,如图1所示,提供了一种风电停运预警方法,以该方法应用于终端为例进行说明,可以理解的是,该方法也可以应用于服务器,还可以应用于包括终端和服务器的系统,并通过终端和服务器的交互实现。该方法包括以下步骤:
步骤101,终端获取地面气象观测站数据以及风电场数据。
其中,地面气象观测站数据可以包括地面气象观测站的地理位置和地面气象观测站的日最低气温数据,风电场中可以包括多个风电机组,风电场数据可以包括风电场的地理位置、风电场中各风电机组的额定容量和各风电机组的低温保护定值。风电场中的所有风电机组的地理位置与风电场的地理位置相同,风电机组的低温保护定值用于对风电机组进行低温保护,当检测到环境温度低于低温保护定值时,即控制风电机组停运。
步骤102,终端根据地面气象观测站数据以及风电场数据,计算年最大风电停运容量序列。
其中,年最大风电停运容量序列中的每个数据表示一年中风电停运容量的最大值,例如,以5年为例,年最大风电停运序列可以为{10,30,23,18,9},也即这5年中,第一年风电低温停运容量最大为10GW,第二年风电低温停运容量最大为30GW,依次类推。根据上一步骤获得的地面气象观测站数据以及风电场数据,可以得到风电场的各风电机组的日最低气温数据,从而得到各风电机组的低温停运容量,将某个区域的所有风电机组的低温停运容量求和即得到该区域的日风电停运容量序列,从中抽取最大值,即得到某个区域的年最大风电停运容量。
步骤103,终端根据年最大风电停运容量序列计算不同重现期下风电停运容量重现水平。
其中,重现也即再次出现,不同重现期指再次出现的时间不同,例如重现期为5,表示为“5年一遇”。对上述得到的某个区域的年最大风电停运容量进行拟合,可选的,采用广义极值分布模型进行拟合,从而根据广义极值分布得到的参数样本可以计算不同重现期下的风电停运容量的重现水平。
步骤104,终端根据风电低温停运容量预测值和重现水平,确定风电停运的预警等级。
风电低温停运容量预测值为根据未来寒潮低温天气预测得到的风电机组由于低温导致停运的容量,根据该风电低温停运容量预测值和重现水平,可以确定寒潮低温天气对风电停运影响的预警等级,如属于“几年一遇”,可以得到定量的预警等级。
上述风电停运预警方法,首先,获取地面气象观测站数据以及风电场数据,然后,根据获取到的地面气象观测站数据以及风电场数据,计算年最大风电停运容量序列,接着,根据年最大风电停运容量序列计算不同重现期下风电停运容量重现水平,最后,根据风电低温停运容量预测值和重现水平,确定风电停运的预警等级。这种方式,通过地面气象观测值数据以及风电场数据可以得到不同重现期下风电停运容量的重现水平,然后根据风电低温停运容量预测值和重现水平,可以确定风电停运的预警等级,因此可以得到一个定量的预警等级,方便电网调度部门根据预警等级准备应急预案。
在一个实施例中,地面气象观测站数据包括地面气象观测站的地理位置和地面气象观测站的日最低气温数据,风电场数据包括风电场的地理位置、风电场中各风电机组的额定容量和各风电机组的低温保护定值,根据获取到的数据计算年最大风电停运容量序列的步骤如图2所示,包括:
步骤201,终端基于泰森多边形进行建模,根据地面气象观测站的地理位置、地面气象观测站的日最低气温数据和风电场的地理位置,得到各风电机组的日最低气温数据。
其中,风电场中可以包括多个风电机组,风电场中的所有风电机组的地理位置与风电场的地理位置相同。泰森多边形是对空间平面的一种剖分,其特点是每个泰森多边形内仅含有一个离散点数据,每个泰森多边形内的点到该泰森多边形内的离散点的距离最近,位于泰森多边形边上的点到其两边的离散点的距离相等。
可选的,本申请以地面气象观测站点的地理位置为离散点,可以对全国区域实现基于泰森多边形的划分,落入某一泰森多边形s内的风电机组满足与泰森多边形s内的地面气象观测站点距离最近的建模需求,如下式所示:
dis(xs,ys)<dis(xs,yk) k≠s (1)
其中,k和s表示两个不同的泰森多边形,xs表示落入泰森多边形s内的风电机组的地理位置,ys表示泰森多边形s内的地面气象观测站点的地理位置,yk表示泰森多边形k内的地面气象观测站点的地理位置,dis()为计算两个参数之间的距离。
因此,落入泰森多边形s内的风电机组的轮毂高度处的日最低气温可以由泰森多边形s内的地面气象观测站点记录的日最低气温数据计算得到,如下式所示:
其中,θj(xs)表示落入泰森多边形s内的第j个风电机组的轮毂高度处的日最低气温,θ(ys)表示泰森多边形s内的地面气象观测站的日最低气温,hj(xs)表示落入泰森多边形s内的第j个风电机组的轮毂与泰森多边形s内的地面气象观测站的海拔落差。
上述公式(2)对任意泰森多边形均成立,由此可以得到各风电机组的日最低气温数据。
步骤202,终端根据各风电机组的额定容量、各风电机组的低温保护定值以及各风电机组的日最低气温数据,计算年最大风电停运容量序列。
目前各大厂商的风电机组都设有低温保护,在检测到环境温度低于风电机组的低温保护定值后,控制风电机组停运。风电机组低温保护动作函数可以表示为下式:
可选的,例如计算区域A的风电停运容量序列可以通过下式进行计算:
其中,S(A)表示区域A中包含的风电机组集合。
其中,Y(y)表示第y年对应的时段t序号集合。
在本申请的实施例中,以要计算的区域的年最大风电停运容量序列作为输入,利用马尔科夫链蒙特卡洛方法对年最大风电停运容量的分布参数进行估计,进而基于分布参数估计值计算不同重现期下风电停运容量重现水平,具体步骤如图3所示,包括:
步骤301,终端基于马尔科夫链蒙特卡洛方法,根据年最大风电停运容量序列,得到分布参数样本。
广义极值分布是拟合极值数据的常用选择。估计广义极值分布参数的方法有最大似然估计方法、矩估计方法以及贝叶斯估计方法等。但是,最大似然估计和矩估计方法得到的参数不确定区间依赖于渐进正态性。而基于马尔科夫链蒙特卡洛方法的贝叶斯估计方法可以直接基于模拟数据计算得到的大量参数样本计算参数的置信区间,避免了渐进性问题。因此本申请采用马尔科夫链蒙特卡洛方法,根据年最大风电停运容量序列,得到分布参数样本,具体步骤如图4所示,包括:
步骤401,终端获取马尔科夫链蒙特卡洛方法的输入参数,输入参数包括马尔科夫链的数量、广义极值分布参数的先验分布、用于评价的马尔科夫链条数以及迭代次数。
其中,马尔科夫链的数量为产生的初始样本的数量。输入参数还包括广义极值分布参数的先验分布、用于评价的马尔科夫链条数以及迭代次数。
步骤402,终端根据输入参数和年最大风电停运容量序列进行迭代计算,得到分布参数样本。
根据上一步骤的输入参数,基于马尔科夫链蒙特卡洛方法对年最大风电停运容量序列进行拟合,得到广义极值分布的位置参数、尺度参数和形状参数,即分布参数样本,具体包括以下几步。
其中,上标r1和r2表示随机选取的马尔科夫链索引,γ是从[0.4,1]中随机抽取的常数,ψ是从正态分布N(0,10-6)3中抽取的向量组。
其中,x为年最大风电停运容量序列,π(·)表示先验分布,f(·)表示似然函数。
从[0,1]中随机产生u,确定下一步转移:
第五步:判断马尔科夫链是否平稳。计算比例缩小因子S:
其中,t也即每条马尔科夫链的进化代数;D为用于评价的马尔科夫链条数,且D≤N,B/t为D条马尔科夫链平均值的方差;W为D条马尔科夫链方差的平均值。
当S<1.2时,表示此时样本开始趋于平稳。
第六步:重复第二步~第五步,直到迭代次数达到上限T。
第七步:输出种群中平稳期的所有广义极值分布参数样本{μ,σ,ξ}。
步骤302,终端根据分布参数样本,计算不同重现期下风电停运容量重现水平。
不同重现期下风电停运容量重现水平计算的具体的步骤如图5所示,包括:
步骤501,终端根据分布参数样本,计算预设重现期的风电停运容量的重现水平样本集。
预设重现期即为要计算几年重现水平,下式中以T年为例,T可以根据需要选择,T取不同值即得到不同重现期的重现水平。对于上一步骤得到的所有广义极值分布参数样本中,给定一组广义极值分布的参数{μi,σi,ξi},则T年重现水平的一个样本可以通过下式得到:
对步骤301中得到的所有广义极值分布的参数样本{μ,σ,ξ},分别计算对应的T年重现水平,得到T年重现水平的样本集{RT}。
步骤502,终端根据重现水平样本集,确定预设重现期的重现水平的各不同分位数。
上述实施例中,通过计算不同重现期的重现水平,为风电低温停运事件严重程度的定量判断提供依据。
在一个实施例中,风电停运的预警等级的确定过程如图6所示,包括:
步骤601,终端根据预设判断准则,确定用于进行预警的重现水平的第一分位数。
其中,判断准则包括由T年重现水平的5%分位数构成的标准构成“强保守判断准则”,由T年重现水平的50%分位数构成的标准构成“中等保守判断准则”,由T年重现水平的95%分位数构成的标准构成“弱保守判断准则”。预设判断准则为在实际应用中由电网调度部门选定的一个判断准则,第一分位数为选定的预设判断准则对应的分位数。例如预设判断准则如果为“弱保守判断准则”,则第一分位数为95%。预设判断准则如果为“中等保守判断准则”,则第一分位数为50%。
步骤602,终端根据风电低温停运容量预测值以及第一分位数对应的风电停运容量,确定风电停运的预警等级。
在本申请的实施例中,请参考图7,其示出了本申请实施例提供的风电停运预警方法的流程图,该风电停运预警方法包括以下步骤:
步骤701,终端获取地面气象观测站数据以及风电场数据。
步骤702,终端基于泰森多边形进行建模,根据地面气象观测站的地理位置、地面气象观测站的日最低气温数据和风电场的地理位置,得到各风电机组的日最低气温数据。
步骤703,终端根据各风电机组的额定容量、各风电机组的低温保护定值以及各风电机组的日最低气温数据,计算年最大风电停运容量序列。
步骤704,终端获取马尔科夫链蒙特卡洛方法的输入参数,输入参数包括马尔科夫链的数量、广义极值分布参数的先验分布、用于评价的马尔科夫链条数以及迭代次数。
步骤705,终端根据输入参数和年最大风电停运容量序列进行迭代计算,得到分布参数样本。
步骤706,终端根据分布参数样本,计算预设重现期的风电停运容量的重现水平样本集。
步骤707,终端根据重现水平样本集,确定预设重现期的重现水平的各不同分位数。
步骤708,终端根据预设判断准则,确定用于进行预警的重现水平的第一分位数。
步骤709,终端根据风电低温停运容量预测值以及第一分位数对应的风电停运容量,确定风电停运的预警等级。
为了便于读者理解本申请实施例提供的技术方案,下面将本申请的风电停运预警方法应用于某电网范围内风电机组为例进行说明。收集了某范围内2481个地面气象观测站从1970-2017年的日最低气温实测数据,以及2020年某电网范围内的所有风电场地理位置及额定容量信息。以风电场为单元进行计算,且考虑到低温型风电机组是最广泛应用的机型,而低温型风电机组绝大多数都采用-30℃作为低温保护定值,所以把-30℃作为判断风电机组低温保护动作的依据。
(1)泰森多边形划分结果
该场景下基于地面气象观测站的泰森多边形划分结果,及各泰森多边形关联的风电机组容量如图8所示。
(2)某电网范围内年最大风电停运容量序列计算结果
计算得到的48年的年最大风电停运容量序列如图9所示。
(3)重现水平结果
分析得到的不同重现期的风电低温停运容量的重现水平结果如表1所示。
表1不同重现期的风电低温停运容量的重现水平
重现期(年) | 2 | 5 | 10 | 20 | 30 | 40 | 50 |
5%分位数(GW) | 15.08 | 22.52 | 26.56 | 30.17 | 32.08 | 33.15 | 34.00 |
50%分位数(GW) | 18.06 | 24.65 | 29.53 | 33.57 | 36.12 | 37.40 | 38.67 |
95%分位数(GW) | 18.91 | 28.26 | 33.78 | 39.95 | 43.98 | 46.75 | 48.87 |
(4)预警等级评价
假设某次预测的风电低温停运容量为31GW,若按“强保守判断准则”,属于“20年一遇”预警水平,如果按“中等保守判断准则”,属于“10年一遇”预警水平,如果按“弱保守判断准则”,属于“5年一遇”预警水平。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的风电停运预警方法的风电停运预警装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个风电停运预警装置实施例中的具体限定可以参见上文中对于风电停运预警方法的限定,在此不再赘述。
在一个实施例中,如图10所示,提供了一种风电停运预警装置1000,包括:获取模块1001、第一计算模块1002、第二计算模块1003和确定模块1004,其中:
该获取模块1001,用于获取地面气象观测站数据以及风电场数据。
该第一计算模块1002,用于根据地面气象观测站数据以及风电场数据,计算年最大风电停运容量序列。
该第二计算模块1003,用于根据年最大风电停运容量序列计算不同重现期下风电停运容量重现水平。
该确定模块1004,用于根据风电低温停运容量预测值和重现水平,确定风电停运的预警等级。
在本申请的实施例中,地面气象观测站数据包括地面气象观测站的地理位置和地面气象观测站的日最低气温数据,风电场数据包括风电场的地理位置、风电场中各风电机组的额定容量和各风电机组的低温保护定值,该第一计算模块1002,具体用于基于泰森多边形进行建模,根据地面气象观测站的地理位置、地面气象观测站的日最低气温数据和风电场的地理位置,得到各风电机组的日最低气温数据;根据各风电机组的额定容量、各风电机组的低温保护定值以及各风电机组的日最低气温数据,计算年最大风电停运容量序列。
在本申请的实施例中,该第二计算模块1003,具体用于基于马尔科夫链蒙特卡洛方法,根据年最大风电停运容量序列,得到分布参数样本;根据分布参数样本,计算不同重现期下风电停运容量重现水平。
在本申请的实施例中,该第二计算模块1003,具体用于获取马尔科夫链蒙特卡洛方法的输入参数,输入参数包括马尔科夫链的数量、广义极值分布参数的先验分布、用于评价的马尔科夫链条数以及迭代次数;根据输入参数和年最大风电停运容量序列进行迭代计算,得到分布参数样本。
在本申请的实施例中,该第二计算模块1003,具体用于根据分布参数样本,计算预设重现期的风电停运容量的重现水平样本集;根据重现水平样本集,确定预设重现期的重现水平的各不同分位数。
在本申请的实施例中,该确定模块1004,具体用于根据预设判断准则,确定用于进行预警的重现水平的第一分位数;根据风电低温停运容量预测值以及第一分位数对应的风电停运容量,确定风电停运的预警等级。
上述风电停运预警装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、移动蜂窝网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种风电停运预警方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取地面气象观测站数据以及风电场数据;根据地面气象观测站数据以及风电场数据,计算年最大风电停运容量序列;根据年最大风电停运容量序列计算不同重现期下风电停运容量重现水平;根据风电低温停运容量预测值和重现水平,确定风电停运的预警等级。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于泰森多边形进行建模,根据地面气象观测站的地理位置、地面气象观测站的日最低气温数据和风电场的地理位置,得到各风电机组的日最低气温数据;根据各风电机组的额定容量、各风电机组的低温保护定值以及各风电机组的日最低气温数据,计算年最大风电停运容量序列。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:基于马尔科夫链蒙特卡洛方法,根据年最大风电停运容量序列,得到分布参数样本;根据分布参数样本,计算不同重现期下风电停运容量重现水平。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取马尔科夫链蒙特卡洛方法的输入参数,输入参数包括马尔科夫链的数量、广义极值分布参数的先验分布、用于评价的马尔科夫链条数以及迭代次数;根据输入参数和年最大风电停运容量序列进行迭代计算,得到分布参数样本。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据分布参数样本,计算预设重现期的风电停运容量的重现水平样本集;根据重现水平样本集,确定预设重现期的重现水平的各不同分位数。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据预设判断准则,确定用于进行预警的重现水平的第一分位数;根据风电低温停运容量预测值以及第一分位数对应的风电停运容量,确定风电停运的预警等级。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取地面气象观测站数据以及风电场数据;根据地面气象观测站数据以及风电场数据,计算年最大风电停运容量序列;根据年最大风电停运容量序列计算不同重现期下风电停运容量重现水平;根据风电低温停运容量预测值和重现水平,确定风电停运的预警等级。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于泰森多边形进行建模,根据地面气象观测站的地理位置、地面气象观测站的日最低气温数据和风电场的地理位置,得到各风电机组的日最低气温数据;根据各风电机组的额定容量、各风电机组的低温保护定值以及各风电机组的日最低气温数据,计算年最大风电停运容量序列。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于马尔科夫链蒙特卡洛方法,根据年最大风电停运容量序列,得到分布参数样本;根据分布参数样本,计算不同重现期下风电停运容量重现水平。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取马尔科夫链蒙特卡洛方法的输入参数,输入参数包括马尔科夫链的数量、广义极值分布参数的先验分布、用于评价的马尔科夫链条数以及迭代次数;根据输入参数和年最大风电停运容量序列进行迭代计算,得到分布参数样本。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据分布参数样本,计算预设重现期的风电停运容量的重现水平样本集;根据重现水平样本集,确定预设重现期的重现水平的各不同分位数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据预设判断准则,确定用于进行预警的重现水平的第一分位数;根据风电低温停运容量预测值以及第一分位数对应的风电停运容量,确定风电停运的预警等级。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取地面气象观测站数据以及风电场数据;根据地面气象观测站数据以及风电场数据,计算年最大风电停运容量序列;根据年最大风电停运容量序列计算不同重现期下风电停运容量重现水平;根据风电低温停运容量预测值和重现水平,确定风电停运的预警等级。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于泰森多边形进行建模,根据地面气象观测站的地理位置、地面气象观测站的日最低气温数据和风电场的地理位置,得到各风电机组的日最低气温数据;根据各风电机组的额定容量、各风电机组的低温保护定值以及各风电机组的日最低气温数据,计算年最大风电停运容量序列。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于马尔科夫链蒙特卡洛方法,根据年最大风电停运容量序列,得到分布参数样本;根据分布参数样本,计算不同重现期下风电停运容量重现水平。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取马尔科夫链蒙特卡洛方法的输入参数,输入参数包括马尔科夫链的数量、广义极值分布参数的先验分布、用于评价的马尔科夫链条数以及迭代次数;根据输入参数和年最大风电停运容量序列进行迭代计算,得到分布参数样本。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据分布参数样本,计算预设重现期的风电停运容量的重现水平样本集;根据重现水平样本集,确定预设重现期的重现水平的各不同分位数。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据预设判断准则,确定用于进行预警的重现水平的第一分位数;根据风电低温停运容量预测值以及第一分位数对应的风电停运容量,确定风电停运的预警等级。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是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非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (14)
1.一种风电停运预警方法,其特征在于,所述方法包括:
获取地面气象观测站数据以及风电场数据;
根据所述地面气象观测站数据以及所述风电场数据,计算年最大风电停运容量序列;
根据所述年最大风电停运容量序列计算不同重现期下风电停运容量重现水平;
根据风电低温停运容量预测值和所述重现水平,确定所述风电停运的预警等级。
2.根据权利要求1所述的方法,其特征在于,所述地面气象观测站数据包括地面气象观测站的地理位置和地面气象观测站的日最低气温数据,所述风电场数据包括所述风电场的地理位置、所述风电场中各风电机组的额定容量和所述各风电机组的低温保护定值,所述根据所述地面气象观测站数据以及所述风电场数据,计算年最大风电停运容量序列,包括:
基于泰森多边形进行建模,根据所述地面气象观测站的地理位置、所述地面气象观测站的日最低气温数据和所述风电场的地理位置,得到所述各风电机组的日最低气温数据;
根据所述各风电机组的额定容量、所述各风电机组的低温保护定值以及所述各风电机组的日最低气温数据,计算年最大风电停运容量序列。
3.根据权利要求1所述的方法,其特征在于,所述根据所述年最大风电停运容量序列计算不同重现期下风电停运容量重现水平,包括:
基于马尔科夫链蒙特卡洛方法,根据所述年最大风电停运容量序列,得到分布参数样本;
根据所述分布参数样本,计算所述不同重现期下风电停运容量重现水平。
4.根据权利要求3所述的方法,其特征在于,所述基于马尔科夫链蒙特卡洛方法,根据所述年最大风电停运容量序列,得到分布参数样本,包括:
获取所述马尔科夫链蒙特卡洛方法的输入参数,所述输入参数包括马尔科夫链的数量、广义极值分布参数的先验分布、用于评价的马尔科夫链条数以及迭代次数;
根据所述输入参数和所述年最大风电停运容量序列进行迭代计算,得到所述分布参数样本。
5.根据权利要求3所述的方法,其特征在于,所述根据所述分布参数样本,计算所述不同重现期下风电停运容量重现水平,包括:
根据所述分布参数样本,计算预设重现期的风电停运容量的重现水平样本集;
根据所述重现水平样本集,确定预设重现期的重现水平的各不同分位数。
6.根据权利要求1所述的方法,其特征在于,所述根据风电低温停运容量预测值和所述重现水平,确定所述风电停运的预警等级,包括:
根据预设判断准则,确定用于进行预警的所述重现水平的第一分位数;
根据所述风电低温停运容量预测值以及所述第一分位数对应的风电停运容量,确定所述风电停运的预警等级。
7.一种风电停运预警装置,其特征在于,所述装置包括:
获取模块,用于获取地面气象观测站数据以及风电场数据;
第一计算模块,用于根据所述地面气象观测站数据以及所述风电场数据,计算年最大风电停运容量序列;
第二计算模块,用于根据所述年最大风电停运容量序列计算不同重现期下风电停运容量重现水平;
确定模块,用于根据风电低温停运容量预测值和所述重现水平,确定所述风电停运的预警等级。
8.根据权利要求7所述的装置,其特征在于,所述地面气象观测站数据包括地面气象观测站的地理位置和地面气象观测站的日最低气温数据,所述风电场数据包括所述风电场的地理位置、所述风电场中各风电机组的额定容量和所述各风电机组的低温保护定值,所述第一计算模块,具体用于基于泰森多边形进行建模,根据所述地面气象观测站的地理位置、所述地面气象观测站的日最低气温数据和所述风电场的地理位置,得到所述各风电机组的日最低气温数据;根据所述各风电机组的额定容量、所述各风电机组的低温保护定值以及所述各风电机组的日最低气温数据,计算年最大风电停运容量序列。
9.根据权利要求7所述的装置,其特征在于,所述第二计算模块,具体用于基于马尔科夫链蒙特卡洛方法,根据所述年最大风电停运容量序列,得到分布参数样本;根据所述分布参数样本,计算所述不同重现期下风电停运容量重现水平。
10.根据权利要求9所述的装置,其特征在于,所述第二计算模块,具体用于获取所述马尔科夫链蒙特卡洛方法的输入参数,所述输入参数包括马尔科夫链的数量、广义极值分布参数的先验分布、用于评价的马尔科夫链条数以及迭代次数;根据所述输入参数和所述年最大风电停运容量序列进行迭代计算,得到所述分布参数样本。
11.根据权利要求9所述的装置,其特征在于,所述第二计算模块,具体用于根据所述分布参数样本,计算预设重现期的风电停运容量的重现水平样本集;根据所述重现水平样本集,确定预设重现期的重现水平的各不同分位数。
12.根据权利要求7所述的装置,其特征在于,所述确定模块,具体用于根据预设判断准则,确定用于进行预警的所述重现水平的第一分位数;根据所述风电低温停运容量预测值以及所述第一分位数对应的风电停运容量,确定所述风电停运的预警等级。
13.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。
14.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211226347.9A CN115564111A (zh) | 2022-10-09 | 2022-10-09 | 风电停运预警方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211226347.9A CN115564111A (zh) | 2022-10-09 | 2022-10-09 | 风电停运预警方法、装置、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564111A true CN115564111A (zh) | 2023-01-03 |
Family
ID=84745107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211226347.9A Pending CN115564111A (zh) | 2022-10-09 | 2022-10-09 | 风电停运预警方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564111A (zh) |
-
2022
- 2022-10-09 CN CN202211226347.9A patent/CN115564111A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | Forecasting and uncertainty analysis of day-ahead photovoltaic power using a novel forecasting method | |
CN111461444B (zh) | 风电场的机组功率的预测方法、系统、介质及电子设备 | |
Yoder et al. | Short‐term forecasting of categorical changes in wind power with Markov chain models | |
Dong et al. | Regional wind power probabilistic forecasting based on an improved kernel density estimation, regular vine copulas, and ensemble learning | |
WO2022212251A1 (en) | Climate-based risk rating | |
Parada et al. | Assessing the energy benefit of using a wind turbine micro-siting model | |
TW202105306A (zh) | 發電量預測裝置、發電量預測方法、及程式 | |
Colak et al. | A data mining approach: Analyzing wind speed and insolation period data in Turkey for installations of wind and solar power plants | |
CN116739152A (zh) | 新能源功率预测模型的构建方法和新能源功率预测方法 | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
Li et al. | Prediction of short-term photovoltaic power via self-attention-based deep learning approach | |
CN117332291B (zh) | 一种面向分布式光伏的区域资源监测布局方法及系统 | |
Fawzy et al. | Trio-V wind analyzer: a generic integral system for wind farm suitability design and power prediction using big data analytics | |
CN117791618A (zh) | 电力调度方法、装置、计算机设备和存储介质 | |
CN116316617B (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
CN112884601A (zh) | 一种基于天气区划策略的电力系统运行风险评估方法 | |
Madaus et al. | Hyper-local, efficient extreme heat projection and analysis using machine learning to augment a hybrid dynamical-statistical downscaling technique | |
Wang et al. | Wind Power Forecasting in the presence of data scarcity: A very short-term conditional probabilistic modeling framework | |
Parchure et al. | Self-organising maps for rain event classification in Mumbai City, India | |
CN115564111A (zh) | 风电停运预警方法、装置、设备和存储介质 | |
CN112347706B (zh) | 径流重建方法、装置、计算机设备和存储介质 | |
CN114862043A (zh) | 风电场发电功率预测方法及其系统及计算机可读存储介质 | |
Liu et al. | Hybrid relevance vector machine model for wind power forecasting | |
Kassem et al. | Wind Resource Evaluation in Libya: A Comparative Study of Ten Numerical Methods for the Estimation of Weibull Parameters using Multiple Datasets |
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 |