CN116596165B - 一种风力发电功率预测方法及系统 - Google Patents
一种风力发电功率预测方法及系统 Download PDFInfo
- Publication number
- CN116596165B CN116596165B CN202310868046.4A CN202310868046A CN116596165B CN 116596165 B CN116596165 B CN 116596165B CN 202310868046 A CN202310868046 A CN 202310868046A CN 116596165 B CN116596165 B CN 116596165B
- Authority
- CN
- China
- Prior art keywords
- wind speed
- wind
- wake
- model
- prediction
- 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 32
- 238000010248 power generation Methods 0.000 title claims abstract description 32
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- 238000012876 topography Methods 0.000 claims abstract description 6
- 230000000694 effects Effects 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000007787 long-term memory Effects 0.000 claims description 3
- 230000006403 short-term memory Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 8
- 230000004888 barrier function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/06—Wind turbines or wind farms
-
- 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
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/28—The renewable source being wind energy
Abstract
本发明公开了一种风力发电功率预测方法及系统,涉及新能源发电控制技术领域。该方法包括以下步骤:获取风电机组信息、风况信息和地形信息;基于反向传播神经网络构建风速模型并进行预测,得到初步风速预测结果;根据地形信息确定风电机组坐标和相对位置关系,并确定尾流叠加情况;对初步风速预测结果进行修正并重构风速模型;利用重构后的风速模型进行风速预测得到最终的风速预测结果;根据最终的风速预测结果通过风电功率预测模型进行风力发电功率预测。本发明克服了低风速地区由于地形复杂多变、风速风向变化频繁和湍流强度大等特点难以对风速进行准确计算从而造成风力发电功率预测不够准确的问题。
Description
技术领域
本发明涉及新能源发电控制技术领域,尤其涉及一种风力发电功率预测方法及系统。
背景技术
随着风电大力发展,风电场建设规模的扩大,在分析风电场接入电力系统时,需要考虑风电场输出功率波动范围大的特点。风能具有间歇性和随机波动性,风速的变化直接导致风电场的有功功率和无功功率的变化,输出功率很不稳定。风电场的风力发电功率预测是保障高比例新能源电力系统安全、可靠运行的核心技术。
风力发电功率预测的准确度由多个因素所决定,而风速预测精度是决定功率预测准确度的关键因素。在风电场中前面的风电机组要遮挡后面的风电机组,坐落在下风向的风电机组的风速就低于坐落在上风向的风电机组的风速。风电机组相距越近,前面风电机组对后电机组风速的影响越大,这种现象称为尾流效应。现有的一些风力发电功率预测在预测过程中考虑了尾流效应带来的影响。然而在一些年平均风速在5m/s至7m/s风速区间内低风速区域,其复杂多变的地形、变化频繁风速风向和强度大的湍流使得难以准确进行风速预测,从而无法得到稳定且高效的风力发现功率预测。因此,如何考虑地形因素和尾流效应对低风速地区的风速进行预测和修正从而得到高效的风力发电功率预测结果成为亟待解决的问题。
发明内容
针对现有技术存在的不足,本发明的目的是提供一种风力发电功率预测方法及系统,利用反向传播(Back Propagation,BP)神经网络构建风速预测模型,并综合考虑地形因素和尾流效应对风速进行修正,从而得到更为准确的风力发电功率预测结果。
为了实现上述目的,本发明是通过如下的技术方案来实现:
本发明第一方面提供了一种风力发电功率预测方法,包括以下步骤:
获取风电机组信息、风况信息和地形信息;
根据获取的信息基于反向传播神经网络构建风速模型,采用风速模型对当前风速进行预测,得到初步风速预测结果;
根据地形信息确定风电机组坐标和相对位置关系,根据风电机组相对位置关系确定尾流叠加情况;
根据尾流叠加情况对初步风速预测结果进行修正,根据风速预测的修正结果对风速模型进行重构;
利用重构后的风速模型进行风速预测得到最终的风速预测结果;
根据最终的风速预测结果通过风电功率预测模型进行风力发电功率预测。
进一步的,根据获取的信息基于反向传播神经网络构建风速模型的具体过程为:
确定风速影响因子,获取风电机组的风速影响因子数据;
构建每个区域的反向传播神经网络并进行训练;
采用训练好的反向传播神经网络作为风速模型对风速影响因子数据预测结果进行风速预测,得到初步风速预测结果。
更进一步的,风速影响因子包括湍流强度、地势高度和障碍物遮挡情况。
更进一步的,地势高度计算方式为,根据地形起伏程度和机组相互之间遮挡情况,采用聚类算法对风电机组进行地势分类。
更进一步的,所述反向传播神经网络的训练过程为:
构建反向传播神经网络架构,采用风速影响因子数据对反向传播神经网络进行权值训练,得到训练好的反向传播神经网络。
进一步的,根据地形信息确定风电机组坐标和相对位置关系,根据风电机组相对位置关系确定尾流叠加情况的具体步骤为:
根据地形信息生成流场坐标系,得到风电机组坐标;
采用高斯分布构建尾流效应模型,利用尾流效应模型根据风电机组的分布情况和坐标得到尾流叠加情况。
更进一步的,利用尾流效应模型根据风电机组的分布情况和坐标得到尾流叠加情况的具体过程为:
以每排风电机组为单位,依次利用尾流效应模型计算尾流速度分布与偏转情况;
计算不同排机组之间的尾流影响情况;
根据不同排机组之间的尾流影响情况结合每排尾流速度分布与偏转情况计算尾流叠加情况。
更进一步的,将尾流叠加情况通过尾流叠加方法对初步风速预测结果进行叠加得到风速预测的修正结果。
进一步的,基于长短期记忆网络构建风电功率预测模型。
本发明第二方面提供了一种风力发电功率预测系统,包括:
数据获取模块,被配置为获取风电机组信息、风况信息和地形信息;
初步风速预测模块,被配置为根据获取的信息基于反向传播神经网络构建风速模型,采用风速模型对当前风速进行预测,得到初步风速预测结果;
尾流效应模块,被配置为根据地形信息确定风电机组坐标和相对位置关系,根据风电机组相对位置关系确定尾流叠加情况;
模型重构模块,被配置为根据尾流叠加情况对初步风速预测结果进行修正,根据修正结果对风速模型进行重构;
风速预测模块,被配置为利用重构后的风速模型进行风速预测得到最终的风速预测结果;
发电功率预测模块,被配置为根据最终的风速预测结果通过风电功率预测模型进行风力发电功率预测。
以上一个或多个技术方案存在以下有益效果:
本发明公开了一种风力发电功率预测方法及系统,针对低风速地区由于地形复杂多变、风速风向变化频繁和湍流强度大等特点难以对风速进行准确计算从而造成风力发电功率预测不够准确的问题,通过利用反向传播神经网络构建风速预测模型,并综合考虑地形因素和尾流效应对风速进行修正,从而得到更为准确的风力发电功率预测结果。本发明在尾流效应计算和风速预测模型构建的过程中,充分分析了地形因素对风电机组带来的影响,并且添加了风电机组分布情况分析,准确得到尾流的叠加情况,相比于传统风速计算方法对流场风电机组仅进行单一尾流效应的分析,本发明的计算结果更为准确合理,能够高效的得到最终的风速和风力发电功率计算结果。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为本发明中风力发电功率预测方法流程图。
具体实施方式
应该指出,以下详细说明都是示例性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
应当说明的是,本发明实施例中,涉及到风电场等相关的数据,当本发明以上实施例运用到具体产品或技术中时,需要获得用户许可或者同意,且相关数据的收集、使用和处理需要遵守相关法律法规和标准。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合;
实施例一:
本发明实施例一提供了一种风力发电功率预测方法,如图1所示,包括以下步骤:
S1:获取风电机组信息、风况信息和地形信息;根据获取的信息基于反向传播神经网络构建风速模型,采用风速模型对当前风速进行预测,得到初步风速预测结果。
S2:根据地形信息确定风电机组坐标和相对位置关系,根据风电机组相对位置关系确定尾流叠加情况。
S3:根据尾流叠加情况对初步风速预测结果进行修正,根据风速预测的修正结果对风速模型进行重构;利用重构后的风速模型进行风速预测得到最终的风速预测结果。
S4:根据最终的风速预测结果通过风电功率预测模型进行风力发电功率预测。
S1中,风电机组信息包括风电机组结构信息和分布信息,其结构信息通过厂家的生产信息获得,分布信息通过风电机组现场分布状况数据采集得到。
在一种具体的实施方式中,根据获取的信息基于反向传播神经网络构建风速模型的具体过程为:
(1)确定风速影响因子,获取每个区域中风电机组的风速影响因子数据。其中,风速影响因子包括湍流强度、地势高度和障碍物遮挡情况。
具体的,湍流强度根据现有的湍流模型和现场采集的风况信息以及风电机组信息来计算。地势高度通过现场仪器进行采集风电机组的高度。地势高度计算方式为,根据地形起伏程度和机组相互之间遮挡情况,采用k-means聚类算法对风电机组进行地势分类。将相似高度的风电机组分为一类。障碍物遮挡情况通过风电机组的东南西北四个方向进行障碍物数量和面积统计,当计算某一风电机组的障碍物数量和面积时,其他对其有遮挡影响的风电机组作为障碍物,同时,其他山体、建筑物等其他遮挡物体,也被当做障碍物进行统计。被遮挡情况用于后续的尾流叠加效应情况计算。风电机组的遮挡情况不同,会受到不同的尾流影响。
众所周知,风电机组存在尾流耦合关系时,湍流强度会随之受到影响,而地势的高低和障碍物也影响着尾流效应的计算结果,因此需要通过计算尾流叠加情况对根据当前风速影响因子计算得到的风速进行修正。
(3)构建每个区域的反向传播神经网络并进行训练。
在一种具体的实施方式中,构建反向传播神经网络架构,反向传播神经网络包括输入层,隐含层和输出层。信息由 BP 神经网络输入层正向传递到隐含层,然后由隐含层传递到输出层,而训练误差则反向由输出层传递至隐含层,再由隐含层传递至输入层。
采用风速影响因子数据对反向传播神经网络进行权值训练。将上述采集(同期采集或者历史数据采集)和分类好的湍流强度、地势高度和障碍物遮挡情况输入至反向传播神经网络,训练得到需要的风速模型。
(4)采用训练好的反向传播神经网络作为风速模型对风速影响因子数据预测结果进行风速预测,得到初步风速预测结果。
S2中,根据地形信息确定风电机组坐标和相对位置关系,根据风电机组相对位置关系确定尾流叠加情况的具体步骤为:
a)根据地形信息生成流场坐标系,得到风电机组坐标。
采用高斯分布构建尾流效应模型,具体的,采用现有Bastankhah尾流模型为基础构建尾流效应模型。利用尾流效应模型根据风电机组的分布情况和坐标得到尾流叠加情况。其具体过程为:
b)以每排风电机组为单位,依次利用尾流效应模型计算尾流速度分布与偏转情况;其中,根据风轮面位置处尾流的偏转角计算尾流偏移量,以尾流偏移量衡量尾流偏转情况。
c)计算不同排机组之间的尾流影响情况;根据不同排机组之间的尾流影响情况结合每排尾流速度分布与偏转情况计算尾流叠加情况。
需要特别说明的是,Bastankhah尾流模型为现有尾流模型,其中心思想是确定尾流中心并将流场分为远尾流区和近尾流区,根据环境风速、尾流速度和偏移量计算不同坐标下风电机组尾流的速度衰减率,从而确定风电机组之间互相影响的尾流叠加效应。
S3中,将尾流叠加情况通过尾流叠加方法对初步风速预测结果进行叠加得到风速预测的修正结果。
在一种具体的实施方式中,通过根据尾流效应模型计算尾流速度损失,假设下游位置的尾流速度损失等于上游各机组尾流在下游位置处速度损失的平方和,从而计算得到流场中各点的实际风速值。
将实际风速值根据之前风速模型预测的初步风速预测结果进行修正,重新训练反向传播神经网络,对其结构和权值进行调整,得到重构后的风速模型。
S4中,基于长短期记忆网络构建风电功率预测模型。
长短期记忆网络包括输入门、遗忘门和输出门,输入风电功率影响因素,电功率影响因素如风速、气压、温度、湿度、叶片结构等特征。通过前向传播对特征进行提取分析,最终得到预测的风电功率。其中,风速数据由之前重构的风速模型预测得到。
实施例二:
本发明实施例二提供了一种风力发电功率预测系统,包括:
数据获取模块,被配置为获取风电机组信息、风况信息和地形信息;
初步风速预测模块,被配置为根据获取的信息基于反向传播神经网络构建风速模型,采用风速模型对当前风速进行预测,得到初步风速预测结果;
尾流效应模块,被配置为根据地形信息确定风电机组坐标和相对位置关系,根据风电机组相对位置关系确定尾流叠加情况;
模型重构模块,被配置为根据尾流叠加情况对初步风速预测结果进行修正,根据修正结果对风速模型进行重构;
风速预测模块,被配置为利用重构后的风速模型进行风速预测得到最终的风速预测结果;
发电功率预测模块,被配置为根据最终的风速预测结果通过风电功率预测模型进行风力发电功率预测。
以上实施例二中涉及的各步骤与方法实施例一相对应,具体实施方式可参见实施例一的相关说明部分。
本领域技术人员应该明白,上述本发明的各模块或各步骤可以用通用的计算机装置来实现,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (2)
1.一种风力发电功率预测方法,其特征在于,包括以下步骤:
获取风电机组信息、风况信息和地形信息;其中,风电机组信息包括风电机组结构信息和分布信息;
根据获取的信息基于反向传播神经网络构建风速模型,采用风速模型对当前风速进行预测,得到初步风速预测结果;根据获取的信息基于反向传播神经网络构建风速模型的具体过程为:确定风速影响因子,获取风电机组的风速影响因子数据;构建每个区域的反向传播神经网络并进行训练;采用训练好的反向传播神经网络作为风速模型对风速影响因子数据预测结果进行风速预测,得到初步风速预测结果;其中,风速影响因子包括湍流强度、地势高度和障碍物遮挡情况;地势高度计算方式为,根据地形起伏程度和机组相互之间遮挡情况,采用聚类算法对风电机组进行地势分类;所述反向传播神经网络的训练过程为:构建反向传播神经网络架构,采用风速影响因子数据对反向传播神经网络进行权值训练,得到训练好的反向传播神经网络;
根据地形信息确定风电机组坐标和相对位置关系,根据风电机组相对位置关系确定尾流叠加情况;具体步骤为:根据地形信息生成流场坐标系,得到风电机组坐标;采用高斯分布构建尾流效应模型,利用尾流效应模型根据风电机组的分布情况和坐标得到尾流叠加情况;利用尾流效应模型根据风电机组的分布情况和坐标得到尾流叠加情况的具体过程为:以每排风电机组为单位,依次利用尾流效应模型计算尾流速度分布与偏转情况;计算不同排机组之间的尾流影响情况;根据不同排机组之间的尾流影响情况结合每排尾流速度分布与偏转情况计算尾流叠加情况;
根据尾流叠加情况对初步风速预测结果进行修正,根据风速预测的修正结果对风速模型进行重构;具体为,将尾流叠加情况通过尾流叠加方法对初步风速预测结果进行叠加得到风速预测的修正结果;
利用重构后的风速模型进行风速预测得到最终的风速预测结果;
根据最终的风速预测结果通过风电功率预测模型进行风力发电功率预测;其中,基于长短期记忆网络构建风电功率预测模型。
2.一种风力发电功率预测系统,用于执行如权利要求1所述的风力发电功率预测方法,其特征在于,包括:
数据获取模块,被配置为获取风电机组信息、风况信息和地形信息;
初步风速预测模块,被配置为根据获取的信息基于反向传播神经网络构建风速模型,采用风速模型对当前风速进行预测,得到初步风速预测结果;
尾流效应模块,被配置为根据地形信息确定风电机组坐标和相对位置关系,根据风电机组相对位置关系确定尾流叠加情况;
模型重构模块,被配置为根据尾流叠加情况对初步风速预测结果进行修正,根据修正结果对风速模型进行重构;
风速预测模块,被配置为利用重构后的风速模型进行风速预测得到最终的风速预测结果;
发电功率预测模块,被配置为根据最终的风速预测结果通过风电功率预测模型进行风力发电功率预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868046.4A CN116596165B (zh) | 2023-07-17 | 2023-07-17 | 一种风力发电功率预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310868046.4A CN116596165B (zh) | 2023-07-17 | 2023-07-17 | 一种风力发电功率预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116596165A CN116596165A (zh) | 2023-08-15 |
CN116596165B true CN116596165B (zh) | 2023-10-13 |
Family
ID=87611999
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310868046.4A Active CN116596165B (zh) | 2023-07-17 | 2023-07-17 | 一种风力发电功率预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116596165B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117353302B (zh) * | 2023-12-04 | 2024-02-13 | 北京东润环能科技股份有限公司 | 新能源发电功率的预测方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
CN108520319A (zh) * | 2018-04-02 | 2018-09-11 | 太原理工大学 | 基于大数据的风电场微观选址研究方法 |
CN109783828A (zh) * | 2017-11-13 | 2019-05-21 | 北京普华亿能风电技术有限公司 | 一种风电场中风电功率预测方法及系统 |
CN112801332A (zh) * | 2020-11-18 | 2021-05-14 | 国网江苏省电力有限公司江阴市供电分公司 | 一种基于灰度共生矩阵的短期风速预测方法 |
CN112836434A (zh) * | 2021-02-22 | 2021-05-25 | 中国电建集团华东勘测设计研究院有限公司 | 融合时序特征和统计特征的风电超短期功率预测方法 |
WO2022145681A1 (ko) * | 2020-12-29 | 2022-07-07 | 한국전자기술연구원 | 물리 및 데이터 혼합 모델 기반 풍력발전단지 하루 전 발전량 예측 방법 및 시스템 |
WO2022151890A1 (zh) * | 2021-01-13 | 2022-07-21 | 中国长江三峡集团有限公司 | 一种风电场发电量评估及微观选址模型建立方法 |
CN116227357A (zh) * | 2023-03-13 | 2023-06-06 | 哈尔滨工业大学(深圳) | 一种风电场尾流预测方法、模型及其系统 |
-
2023
- 2023-07-17 CN CN202310868046.4A patent/CN116596165B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104699936A (zh) * | 2014-08-18 | 2015-06-10 | 沈阳工业大学 | 基于cfd短期风速预测风电场的扇区管理方法 |
CN109783828A (zh) * | 2017-11-13 | 2019-05-21 | 北京普华亿能风电技术有限公司 | 一种风电场中风电功率预测方法及系统 |
CN108520319A (zh) * | 2018-04-02 | 2018-09-11 | 太原理工大学 | 基于大数据的风电场微观选址研究方法 |
CN112801332A (zh) * | 2020-11-18 | 2021-05-14 | 国网江苏省电力有限公司江阴市供电分公司 | 一种基于灰度共生矩阵的短期风速预测方法 |
WO2022145681A1 (ko) * | 2020-12-29 | 2022-07-07 | 한국전자기술연구원 | 물리 및 데이터 혼합 모델 기반 풍력발전단지 하루 전 발전량 예측 방법 및 시스템 |
WO2022151890A1 (zh) * | 2021-01-13 | 2022-07-21 | 中国长江三峡集团有限公司 | 一种风电场发电量评估及微观选址模型建立方法 |
CN112836434A (zh) * | 2021-02-22 | 2021-05-25 | 中国电建集团华东勘测设计研究院有限公司 | 融合时序特征和统计特征的风电超短期功率预测方法 |
CN116227357A (zh) * | 2023-03-13 | 2023-06-06 | 哈尔滨工业大学(深圳) | 一种风电场尾流预测方法、模型及其系统 |
Non-Patent Citations (2)
Title |
---|
《考虑地形影响的阵列风机场全域尾流叠加模型》;梁泽韬;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;1-80 * |
Daniel Tabas等.《Wind Energy Prediction in Highly Complex Terrain by Computational Fluid Dynamics》.energies.2019,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN116596165A (zh) | 2023-08-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Wind turbine power modelling and optimization using artificial neural network with wind field experimental data | |
Alessandrini et al. | A novel application of an analog ensemble for short-term wind power forecasting | |
Wang et al. | Wind speed forecasting based on multi-objective grey wolf optimisation algorithm, weighted information criterion, and wind energy conversion system: A case study in Eastern China | |
CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN116596165B (zh) | 一种风力发电功率预测方法及系统 | |
CN112348292A (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 | |
CN110555515A (zh) | 一种基于eemd和lstm的短期风速预测方法 | |
CN113205210B (zh) | 复杂地形风电场风速与功率预测方法、系统、设备及存储介质 | |
Xu et al. | Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals | |
Saeed et al. | Wind energy potential and economic analysis with a comparison of different methods for determining the optimal distribution parameters | |
Nai-Zhi et al. | A data-driven analytical model for wind turbine wakes using machine learning method | |
CN102938562A (zh) | 一种区域内风电总功率的预测方法 | |
CN112862274A (zh) | 一种基于WRF-LES和DeepAR相结合的风功率预测方法 | |
Liu et al. | Deep neural network for forecasting of photovoltaic power based on wavelet packet decomposition with similar day analysis | |
CN108269197A (zh) | 风电机组功率特性评估方法及装置 | |
Dong et al. | Ensemble wind speed forecasting system based on optimal model adaptive selection strategy: Case study in China | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
Yuan et al. | A PSO-LSTM model of offshore wind power forecast considering the variation of wind speed in second-level time scale | |
Wibawa et al. | Long Short-Term Memory to Predict Unique Visitors of an Electronic Journal | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
Qu et al. | Research on short‐term output power forecast model of wind farm based on neural network combination algorithm | |
CN115544895B (zh) | 光伏电站年出力保证率模型优化方法 | |
Tao et al. | A hybrid wind power prediction method | |
Liu et al. | Cost and capacity optimization of regional wind-hydrogen integrated energy system | |
CN115713029A (zh) | 一种考虑迟延的风电场随机模型预测优化控制方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |