CN116702957A - 面向极端天气的新能源功率预测方法、设备和存储介质 - Google Patents
面向极端天气的新能源功率预测方法、设备和存储介质 Download PDFInfo
- Publication number
- CN116702957A CN116702957A CN202310564626.4A CN202310564626A CN116702957A CN 116702957 A CN116702957 A CN 116702957A CN 202310564626 A CN202310564626 A CN 202310564626A CN 116702957 A CN116702957 A CN 116702957A
- Authority
- CN
- China
- Prior art keywords
- extreme weather
- ice
- data
- icing
- power
- 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 45
- 238000009825 accumulation Methods 0.000 claims abstract description 40
- 239000012808 vapor phase Substances 0.000 claims abstract description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 238000000513 principal component analysis Methods 0.000 claims description 4
- 239000011248 coating agent Substances 0.000 claims description 3
- 238000000576 coating method Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000013506 data mapping Methods 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 3
- 238000007710 freezing Methods 0.000 claims description 3
- 230000008014 freezing Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000003116 impacting effect Effects 0.000 claims description 2
- 238000009417 prefabrication Methods 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供面向极端天气的新能源功率预测方法、设备和存储介质,包括:获取预测日气相数据,进行极端天气类型判别;将极端天气类型的判别结果输入预制的覆冰物理模型,获取结冰质量和积冰密度;将极端天气类型的判别结果输入预制的功率预测模型,获取设备的初始功率预测值;基于结冰质量和积冰密度订正初始功率预测值,得到最终的设备的功率预测值。本发明可在极端天气下进行准确且合理的高精度新能源发电功率预测,对保障电网的安全调度、维护电网的稳定运行和提高新能源电站利用率有可观效果。
Description
技术领域
本发明涉及新能源功率预测技术领域,具体涉及面向极端天气的新能源功率预测方法、设备和存储介质。
背景技术
目前,我国能源相关二氧化碳排放量每年10亿吨,电力作为我国煤炭消费与碳排放占比最大的单一行业,碳排放占比超40%。大力发展以风能、太阳能为代表的新能源电力,促进高比例可再生能源并网消纳,将成为降低电力系统碳排放的当务之急。
极端天气事件的发生,不仅威胁着发电场站、电网输电线路的安全,也进一步增加新能源发电功率预测的难度。寒潮大风给风力发电带来如下三方面影响:一是急剧的降温叠加高湿环境,使风电机组叶片和机舱风速仪等传感设备大规模覆冰,叶片覆冰导致叶片载荷不均衡或气动特性改变,机舱风速仪覆冰使系统检测风束低于切入风速,均造成机组切出运行。二是低温使风电机组齿轮箱、主轴等核心部件脆性增加,为了确保风电机组在极端低温下的安全性,在低于设定温度时,风机的低温保护动作将触发风电机组切机脱网。三是局部极大风速高于风电机组设计的最大运行风速,风电机组为了确保自身设备的安全,使机组切机停运;寒潮后期,处于极冷无风状态,风电出力下降,负荷需求进一步增大。
准确且合理的高精度新能源发电功率预测对保障电网的安全调度、维护电网的稳定运行和提高新能源电站利用率具有重要意义,因此亟须一种适用于面向极端天气的新能源功率预测修正方法。
发明内容
本发明的目的在于解决现有方法的欠缺,提供了面向极端天气的新能源功率预测方法、设备和存储介质,本发明可在极端天气下进行准确且合理的高精度新能源发电功率预测,对保障电网的安全调度、维护电网的稳定运行和提高新能源电站利用率有可观效果。
为解决达到上述目的,第一方面,本发明提供了面向极端天气的新能源功率预测方法,包括以下步骤:
获取预测日气相数据,进行极端天气类型判别;
将极端天气类型的判别结果输入预制的覆冰物理模型,获取结冰质量和积冰密度;
将极端天气类型的判别结果输入预制的功率预测模型,获取设备的初始功率预测值;
基于结冰质量和积冰密度订正初始功率预测值,得到最终的设备的功率预测值。
进一步地,所述功率预测模型的预制包括:
获取风力发电的特征数据,根据特征对风电发电预测的影响程度进行特征筛选;
基于包括相关性分析、主成分分析和特征重要性评分的方法辨别最佳特征组合;
基于最佳特征组合构建新特征;
基于构建的新特征,结合stacking机制,将包括xgboost、lightgbmlstm和随机森林算法进行组合,构建功率预测模型。
进一步地,所述新特征包括24小时温差数据和/或48小时温差数据。
进一步地,所述风力发电的特征数据包括:
风力发电机的桨距角、输出功率的实时数据和历史数据,以及关联发电机系统的包括气温、风速、风向和相对湿度的气象数据。
进一步地,所述气象数据包括:
历史极端天气的特征数据,
以及获取历史常规气象数据和历史极端天气数据后,基于历史常规气象数据对极端天气数据进行样本扩充后的数据。
进一步地,所述基于历史常规气象数据对极端天气数据进行样本扩充,包括:
通过生成对抗网络模型学习历史常规气象数据与极端天气数据之间的场景数据映射关系,进而根据常规气象数据生成极端天气场景数据。
进一步地,所述覆冰物理模型包括:
μice=(0.00675+0.3e-0.32R)ρicecmin(cmax+cmin);
其中:Mturbine为结冰质量;为最大结冰质量;t为结冰时间;α1、α2和α3分别表示过冷却水滴的碰撞率、捕获率及冻结系数;w为水滴质量分数;v为碰撞的水滴速度;A为水滴碰撞物体有效截面积;μice为叶中位置单位长度的积冰质量;R为叶片半径;ρice为积冰密度,可取为700kg/m3;cmax为最大弦长;cmin为叶尖弦长;Mblade为单个叶片积冰量;B为叶片数目。
进一步地,基于结冰质量和积冰密度订正初始功率预测值,包括:
失速型风机积冰情况下的功率曲线订正:
Pice=P(1-g1Mturbine);
变速变桨型风机积冰情况下的初始功率曲线订正:
若积冰量小于积冰质量阈值:
若积冰量大于或等于积冰质量阈值:
Pice=P(1-g4Mturbine) Mturbine≥Mlim;
其中,Pice为覆冰后功率;P为覆冰前功率;Vn,ice为覆冰后的额定风速;Vn为覆冰前的额定风速;Mturbine为结冰质量;g1~g4为比例系数,Mlim为积冰质量阈值。
第二方面,本发明提供一种设备,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行第一方面中任一项所述方法的步骤。
第三方面,本发明提供一种存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现第一方面任一项所述方法的步骤。
与现有方法相比,本发明所达到的有益效果是:
本发明提供了面向极端天气的新能源功率预测方法、设备和存储介质,本发明通过并通过对抗生成网络,结合历史常规天气数据对极端天气数据进行样本扩充,降低极端天气样本较少带来的模型稳定性差影响;
本发明建立stacking机制,提出适用于新能源功率数据的多模型策融合预测策略,实现xgboost、lightgbmlstm、随机森林等多种算法的自由融合预测方法,相比较单模型算法可获得更优越的性能,同时具备良好的泛化能力;
本发明结合覆冰物理模型及覆冰风电机组功率修正模型,进一步计算覆冰下风机出力,可实现寒潮等极端天气下风电出力精准预测。
附图说明
图1为本发明实施例提供的面向极端天气的新能源功率预测方法的工作流程图;
图2为本发明实施例提供的面向极端天气的新能源功率预测方法中对极端天气样本进行扩充的流程图。
具体实施方式
以下结合附图对本发明实施例做进一步详述:需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,不能以此限定本发明的保护范围。
实施例一:
本发明提供一种面向极端天气的新能源功率预测方法,如图1至图2所示所示,本发明基于timeGAN对抗生成网络,通过历史常规气象数据对极端天气数据进行样本扩充,建立历史极端天气数据库;建立stacking机制,提出适用于新能源功率数据的多模型策融合预测策略,实现xgboost、lightgbmlstm、随机森林等多种算法的自由融合预测方法;最后结合覆冰物理模型及覆冰风电机组功率修正模型,进一步计算覆冰下风机出力,实现寒潮等极端天气下风电出力精准预测。
在具体设计时,如图1所示,包括如下步骤:
在进行具体步骤前首先进行模型构建:
在本发明中,主要针对极端天气状况进行分析,由于极端天气状况相对于常规天气状况其样本较少,所以要先对极端天气数据进行样本扩充,具体包括:
B1:获取极端天气的原始样本,并进行数据标识和规整;
B2:获取历史常规气象样本;
B3:如图2所示,基于timeGAN算法,采用常规气象数据与极端天气数据融合方法,以历史极端天气数据为目标利用数据量较大的常规气象数据,通过生成对抗网络模型,学习常规气象数据与极端天气数据之间的场景数据映射关系,进而根据常规气象数据生成极端天气场景数据,实现极端天气样本的扩充,构建极端天气样本数据库,以提供丰富的极端天气样本数据,降低极端天气样本较少带来的模型稳定性差影响。
B4:在建立极端天气样本库后,对极端天气样本数据机型尽心数据清洗,获取风力发电的特征数据:
所述风力发电的特征数据包括风力发电机的桨距角、输出功率的实时数据和历史数据,以及关联发电机系统的包括气温、风速、风向和相对湿度的气象数据。
B5:在获取风力发电的特征数据后,依据特征对风电发电预测的影响程度进行特征筛选,获取有效特征;
针对有效特征,通过相关性分析、主成分分析(PCA)、特征重要性评分等方法来辨别最佳特征组合。
B5:在辨别出最佳特征组合后,通过特征变换、特征交叉或特征组合等方法构建新的特征,进一步提高预测模型的性能,常用方法包括归一化、标准化、对数变换、多项式变换等。本发明通过上述方法构造24小时和/或48小时变温特征,作为新特征,可有效描述极端天气时序过程,有利于预测模型精度提升。
B6:在新特征构建完成后,为进一步提高预测模型的性能,本发明结合多个算法模型构建功率预测模型:
基于构建的新特征,结合stacking集成学习算法,将xgboost、lightgbmlstm和随机森林算法进行组合,实现xgboost、lightgbmlstm、随机森林等多算法权重自适应,构建功率预测模型,这种组合多个算法模型获得的预测信息相比较单算法模型具备更优越的性能,以及良好的泛化能力。
通过上述步骤完成功率预测模型的构建,结合下述数据进行功率预测:
步骤1:获取待预测日的气象数据,判别当天的极端天气类型。
步骤2:将极端天气类型的判定结果输入覆冰物理模型,获取结冰质量和积冰密度:
所述覆冰物理模型包括:
式中:Mturbine为结冰质量,t为结冰时间,α1、α2、α3分别表示过冷却水滴的碰撞率,捕获率及冻结系数,w为水滴质量分数,v为碰撞的水滴速度,A为水滴碰撞物体有效截面积。
μice=(0.00675+0.3e-0.32R)ρicecmin(cmax+cmin);
式中:uice为叶中位置单位长度的积冰质量;R为叶片半径;ρice为积冰密度,可取为700kg/m3;cmax为最大弦长;cmin为叶尖弦长;Mblade为单个叶片积冰量;B为叶片数目。
步骤3:将极端天气类型的判定结果输入预制的功率预测模型,获取设备的初始功率预测值。
步骤4:基于结冰质量和积冰密度订正初始功率预测值,得到最终的设备的功率预测值:
失速型风机和变速变桨距型风机在积冰情况下的输出功率均要低于正常情况且输出功率的下降程度与积冰量有关。
对失速型风机,在不同风速区段因积冰导致的风机输出功率下降比例近似相同,假设输出功率下降量与积冰量为线性关系,则积冰情况下对失速型风机的功率曲线修正如下:
Pice=P(1-g1Mturbine);
式中,g1为比例系数,可由测试数据得到。
对变速变桨型风机,当积冰较少时,风机的额定风速将会增大,假设其推移量与积冰量成线性关系,在切入风速和额定风速之间的风机出力下降量也假设与积冰量为线性关系;当积冰严重时,风机的输出功率下降严重,无法达到额定功率,也采用线性处理方法,则积冰情况下对变桨型风机的功率曲线修正为:
若积冰量小于积冰质量阈值:
若积冰量大于或等于积冰质量阈值:
Pice=P(1-g4Mturbine) Mturbine≥Mlim;
式中:,Pice为覆冰后功率;P为覆冰前功率;Vn,ice为覆冰后的额定风速;Vn为覆冰前的额定风速;Mturbine为结冰质量;g2~g4为比例系数,Mlim为积冰质量阈值,可由测试数据得到。
实施例二:
本发明提供一种设备,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行实施例一中任一项所述方法的步骤。
实施例三:
本发明提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例一任一项所述方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.面向极端天气的新能源功率预测方法,其特征是在于:包括以下步骤:
获取预测日气相数据,进行极端天气类型判别;
将极端天气类型的判别结果输入预制的覆冰物理模型,获取结冰质量和积冰密度;
将极端天气类型的判别结果输入预制的功率预测模型,获取设备的初始功率预测值;
基于结冰质量和积冰密度订正初始功率预测值,得到最终的设备的功率预测值。
2.根据权利要求1所述的面向极端天气的新能源功率预测方法,其特征在于:
所述功率预测模型的预制包括:
获取风力发电的特征数据,根据特征对风电发电预测的影响程度进行特征筛选;
基于包括相关性分析、主成分分析和特征重要性评分的方法辨别最佳特征组合;
基于最佳特征组合构建新特征;
基于构建的新特征,结合stacking机制,将包括xgboost、lightgbmlstm和随机森林算法进行组合,构建功率预测模型。
3.根据权利要求2所述的面向极端天气的新能源功率预测方法,其特征在于:
所述新特征包括24小时温差数据和/或48小时温差数据。
4.根据权利要求2所述的面向极端天气的新能源功率预测方法,其特征在于:
所述风力发电的特征数据包括:
风力发电机的桨距角、输出功率的实时数据和历史数据,以及关联发电机系统的包括气温、风速、风向和相对湿度的气象数据。
5.根据权利要求4所述的面向极端天气的新能源功率预测方法,其特征在于:
所述气象数据包括:
历史极端天气的特征数据,
以及获取历史常规气象数据和历史极端天气数据后,基于历史常规气象数据对极端天气数据进行样本扩充后的数据。
6.根据权利要求5所述的面向极端天气的新能源功率预测方法,其特征在于:
所述基于历史常规气象数据对极端天气数据进行样本扩充,包括:
通过生成对抗网络模型学习历史常规气象数据与极端天气数据之间的场景数据映射关系,进而根据常规气象数据生成极端天气场景数据。
7.根据权利要求1所述的面向极端天气的新能源功率预测方法,其特征在于:
所述覆冰物理模型包括:
μice=(0.00675+0.3e-0.32R)ρicecmin(cmax+cmin);
其中:Mturbine为结冰质量;为最大结冰质量;t为结冰时间;α1、α2和α3分别表示过冷却水滴的碰撞率、捕获率及冻结系数;w为水滴质量分数;v为碰撞的水滴速度;A为水滴碰撞物体有效截面积;μice为叶中位置单位长度的积冰质量;R为叶片半径;ρice为积冰密度,可取为700kg/m3;cmax为最大弦长;cmin为叶尖弦长;Mblade为单个叶片积冰量;B为叶片数目。
8.根据权利要求1所述的面向极端天气的新能源功率预测方法,其特征在于:
基于结冰质量和积冰密度订正初始功率预测值,包括:
失速型风机积冰情况下的功率曲线订正:
Pice=P(1-g1Mturbine);
变速变桨型风机积冰情况下的初始功率曲线订正:
若积冰量小于积冰质量阈值:
若积冰量大于或等于积冰质量阈值:
Pice=P(1-g4Mturbine) Mturbine≥Mlim;
其中,Pice为覆冰后功率;P为覆冰前功率;Vn,ice为覆冰后的额定风速;Vn为覆冰前的额定风速;Mturbine为结冰质量;g1~g4为比例系数,Mlim为积冰质量阈值。
9.一种设备,其特征在于:包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1~8任一项所述方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于:该程序被处理器执行时实现权利要求1~8任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564626.4A CN116702957A (zh) | 2023-05-18 | 2023-05-18 | 面向极端天气的新能源功率预测方法、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310564626.4A CN116702957A (zh) | 2023-05-18 | 2023-05-18 | 面向极端天气的新能源功率预测方法、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116702957A true CN116702957A (zh) | 2023-09-05 |
Family
ID=87842472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310564626.4A Pending CN116702957A (zh) | 2023-05-18 | 2023-05-18 | 面向极端天气的新能源功率预测方法、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116702957A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117638926A (zh) * | 2024-01-25 | 2024-03-01 | 国能日新科技股份有限公司 | 基于覆冰与功率耦合建模的新能源功率预测方法及装置 |
-
2023
- 2023-05-18 CN CN202310564626.4A patent/CN116702957A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117638926A (zh) * | 2024-01-25 | 2024-03-01 | 国能日新科技股份有限公司 | 基于覆冰与功率耦合建模的新能源功率预测方法及装置 |
CN117638926B (zh) * | 2024-01-25 | 2024-04-05 | 国能日新科技股份有限公司 | 基于覆冰与功率耦合建模的新能源功率预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ashuri et al. | Multidisciplinary design optimization of large wind turbines—Technical, economic, and design challenges | |
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 | |
CN116702957A (zh) | 面向极端天气的新能源功率预测方法、设备和存储介质 | |
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 | |
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 | |
CN105023099B (zh) | 一种考虑湍流强度的风力发电机出力评估方法 | |
CN104504464A (zh) | 基于风区风带风速规律的风功率预测方法 | |
Mathew et al. | Matching the characteristics of low wind speed turbines with candidate wind regimes | |
CN117060407B (zh) | 一种基于相似日划分的风电集群功率预测方法及系统 | |
CN110273818B (zh) | 一种基于轴变换粗细度分类的风机叶片结冰故障监测方法 | |
Kazda et al. | Possible improvements for present wind farm models used in optimal wind farm controllers | |
CN111178601B (zh) | 一种基于气象数据后处理的风电机组功率预测方法 | |
CN114943174A (zh) | 一种用于寒潮小样本情况下的风机出力损失预测方法 | |
Benmedjahed et al. | Temporal Assessment of Wind Energy Resource in Algerian Desert Sites: Calculation and Modelling of Wind Noise | |
CN111539577A (zh) | 基于风速变化率和高斯过程回归的短期风电功率预测方法 | |
CN111178593A (zh) | 一种光伏系统输出功率预测方法及装置 | |
Peng et al. | Short-Term Prediction of Generator Blade Ice Fault Based on Multi-AN | |
CN112884262A (zh) | 一种风电机组载荷适应性确定方法和系统 | |
CN113922416B (zh) | 基于数值气象预报的恶劣天气的风电切机预警方法 | |
CN110674605A (zh) | 一种基于运行参数的风机功率建模方法 | |
CN110210657A (zh) | 一种基于单机模型的风机功率预测方法、系统及计算机存储介质 | |
CN113309661B (zh) | 一种提升风力发电机组发电量的方法 | |
CN117689076A (zh) | 山地风电场风机叶片覆冰预测方法和程序产品 | |
Kovalev et al. | Analysis of the comparative efficiency of wind turbines based on the basic and modified DEA model | |
Dai et al. | Power Forecasting of Wind Turbines Based on Multi-Input Predictors and Wind Speed Variation Trends |
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 |