CN117807791A - 风电场概率性日前出力生成模拟方法、系统、芯片及设备 - Google Patents

风电场概率性日前出力生成模拟方法、系统、芯片及设备 Download PDF

Info

Publication number
CN117807791A
CN117807791A CN202311856559.XA CN202311856559A CN117807791A CN 117807791 A CN117807791 A CN 117807791A CN 202311856559 A CN202311856559 A CN 202311856559A CN 117807791 A CN117807791 A CN 117807791A
Authority
CN
China
Prior art keywords
wind speed
wind
data
probability
distribution
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
Application number
CN202311856559.XA
Other languages
English (en)
Inventor
曹晓峻
冯凯
刘硕
于松泰
刘宇明
周鹏
马景超
王高琴
刘子杰
杨争林
冯树海
郑亚先
龙苏岩
曾丹
石飞
程海花
杨辰星
史新红
薛必克
郭艳敏
徐骏
张旭
黄文渊
王一凡
冯恒
王子恒
郑恒峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Power Exchange Center Co ltd
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Shandong Electric Power Co Ltd
Original Assignee
Beijing Power Exchange Center Co ltd
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
State Grid Shandong Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Power Exchange Center Co ltd, State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, State Grid Shandong Electric Power Co Ltd filed Critical Beijing Power Exchange Center Co ltd
Priority to CN202311856559.XA priority Critical patent/CN117807791A/zh
Publication of CN117807791A publication Critical patent/CN117807791A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Mathematical Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)

Abstract

本发明公开了一种风电场概率性日前出力生成模拟方法、系统、芯片及设备，获取待仿真风电场以年为时间周期、以一小时为时间粒度的测风塔风速数据与对应的出力数据；基于所述风电场风速数据和出力数据，及Weibull分布模型和风能转换原理，建立风速分布拟合模型和风速‑功率转化模型；根据设定的风速档位区间和风速概率分布模型，进行概率抽样，生成符合风速概率分布的风速值；根据自定义风速场景，生成风电场日前风速的模拟数据。基于所建立的风电场风速‑功率模型，生成风电场的日前风电出力模拟数据。本申请考虑风力发电的不确定性和波动特性，能够进行任一风电场在不同月份具有不同特征场景下的风电日前出力模拟，为概率性电力市场运行场景中风电出力模拟生成问题提供有效的技术方案。

Description

风电场概率性日前出力生成模拟方法、系统、芯片及设备
技术领域
本发明属于电力市场模拟推演技术领域，具体涉及一种风电场概率性日前出力生成模拟方法、系统、芯片及设备。
背景技术
建设面向新型电力系统的电力市场是电力市场演进过程中的新趋势和新挑战。未来高比例新能源场景对电力市场模拟仿真提出新的需求，亟需展开对电力市场全过程概率性场景的生成模拟，风电的概率性出力模拟方法是重点之一。
要实现对风电出力的有效模拟，就必须充分考虑风电的不确定性特征。风电场日前出力模拟能够提供与实际运行状态相符的运行数据，为电网的调度规划工作提供参考。然而，在传统的电力市场仿真中，表示风能的出力情况时，通常使用提前预置的典型曲线数据。这些曲线基于历史数据或统计模型，来模拟风电出力的预期变化和间歇性特点，通过将这些预定义曲线纳入仿真中，用以评估风电出力对整个电力市场的影响。然而，这种方法假定仿真的场景相对固定，通常只能提供固定场景下的风电出力模拟，无法全面考虑到实际情况中的不确定性和概率性。但实际上，风速存在多样性和变化性，其概率分布受季节性变化、地理位置、气候条件等因素的影响，传统方法往往只能提供单一数值或典型曲线，未能充分考虑风速的概率分布特征，无法全面考虑到不同选定场景参数下风电出力的概率分布。此外，由于历史数据和计算方法的限制，传统方法无法灵活应对新情况和新变化。一旦风电场出现非典型的天气条件或其他突发事件，传统方法可能无法准确预测其出力情况，从而导致不可预期的影响。传统方法在处理极端天气事件和新情况也存在一定的不足。
在面对未来高比例新能源场景下电力市场的新形态和新需求，传统预置典型曲线的仿真方法尚不具备电力市场概率性场景的生成模拟能力，尚不能解决概率性系统运行场景生成的问题，无法为考虑不确定性的电力市场下的风电出力模拟提供有效的仿真支撑。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种风电场概率性日前出力生成模拟方法、系统、芯片及设备，在不同的仿真场景下，通过考虑概率波动特性的风电出力，对电力市场的调度规划提供参考，用于解决概率性电力市场运行场景中风电出力模拟生成无法反映其不确定性的技术问题。
本发明采用以下技术方案：
风电场概率性日前出力生成模拟方法，包括以下步骤：
获取待仿真风电场以年为时间周期、以1小时为时间粒度的风电场风速数据和对应的出力数据；
基于得到的风电场风速数据和出力数据，结合Weibull分布模型和风能转换原理建立风速分布拟合模型和风速-功率转化模型；
根据设定的风速档位区间和得到的风速分布拟合模型，进行概率抽样生成符合风电场风速概率分布的风速值；
基于日前风速曲线常见的变化模式得到每个时间点对应相应的风速档位，再基于得到的符合风电场风速概率分布的风速值生成具有自定义风速场景的时间序列；
基于生成的自定义风速场景的时间序列，得到风电场日前风速的模拟数据，输入得到的风速-功率转化模型中，生成风电场的日前风电出力模拟数据。
优选地，建立风速分布拟合模型和风速-功率转化模型具体为：
基于风电场风速数据，拟合Weibull分布模型中的参数λ和k，风速分布采用Weibull分布模型，确定风速Weibull分布的概率密度函数如下：
其中，f(v,k)表示风速Weibull分布的概率密度函数，v为风速，λ为缩放因子，k为形状参数。
优选地，基于风电场风速数据和出力数据，拟合风速-功率转化模型未知参数，风速-功率转化模型具体为：
其中，P(v)为对应风速下的风电出力，a为转换系数，v为风速，vi为切入风速，vr为额定风速，vc为切出风速，Pr为额定功率。
优选地，设定的风速档位区间，进行概率抽样生成符合风电场风速概率分布的风速值具体为：
S301、根据实际风速数据，计算全年的风速平均值vy和各月份的平均风速数据vm；
S302、利用步骤S2得到的风速分布拟合模型，得到Weibull分布的累计分布函数F(v)，取F(v)为10％、30％、60％、90％、100％时对应的风速值，得到全年的各临界风速值v1、v2、v3、v4、v5，从而划分为5个风速档位区间{(0，v1),(v1,v2)，(v2,v3)，(v3,v4)，(v4,v5)}；
S303、统计全年的风速平均值vy和各月份的平均风速数据vm，换算得到各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m；
S304、基于各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m划分风速档位区间{(0，v1),(v1,v2)，(v2,v3)，(v3,v4)，(v4,v5)}，对应的风速档位名称为{极小，小，中，大，极大}；
S305、在各个风速档位下，对风速进行符合威布尔分布的概率抽样，得到各风速档位下的概率性生成数据。
更优选地，累计分布函数F(v)为：
F(v)＝1-exp[-(v/vi)k]
其中，v为风速，vi为切入风速，k为形状参数。
更优选地，各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m计算如下：
其中，m＝1，2，3…12；i为临界风速，i＝1，2，3，4，5。
更优选地，对风速进行符合威布尔分布的概率抽样，得到各风速档位下的概率性生成数据具体为：
利用风速分布拟合模型计算所需累积概率对应的风速值；使用随机数生成器生成设定风速档位内符合所需累积概率的随机数，通过逆变换法将所述随机数转化为符合风速概率分布的风速值。
再优选地，生成设定风速档位内随机数的计算公式如下：
x1＝mmin+(mmax-mmin).*rand(1)
其中，mmin为风速区间的左边界值，mmax为风速区间的右边界值；rand(1)为程序中生成一个随机数的指令。
优选地，生成具有自定义风速场景的时间序列具体为：
设置日前风速曲线的变化模式；在用户选择风速曲线的变化模式后，选择对应模式下的风速档位或者曲线变化特征；
基于选择的对应模式下的风速档位或者曲线变化特征，将每个时刻点对应到风速档位，根据概率抽样方法生成符合风速概率分布的风速时间序列。
第二方面，本发明实施例提供了一种风电场概率性日前出力生成模拟系统，包括：
数据模块，获取待仿真风电场以年为时间周期、以1小时为时间粒度的风电场风速数据和对应的出力数据；
搭建模块，基于数据模块得到的风电场风速数据和出力数据，结合Weibull分布模型和风能转换原理建立风速分布拟合模型和风速-功率转化模型；
概率模块，根据设定的风速档位区间和搭建模块得到的风速分布拟合模型，进行概率抽样生成符合风电场风速概率分布的风速值；
时间模块，基于日前风速曲线常见的变化模式得到每个时间点对应相应的风速档位，再基于概率模块得到的符合风电场风速概率分布的风速值生成具有自定义风速场景的时间序列；
输出模块，基于自定义风速场景的时间序列，得到风电场日前风速的模拟数据，输入搭建模块得到的风速-功率转化模型中，生成风电场的日前风电出力模拟数据。
优选地，搭建模块中，风速-功率转化模型具体为：
其中，P(v)为对应风速下的风电出力，a为转换系数，v为风速，vi为切入风速，vr为额定风速，vc为切出风速，Pr为额定功率。
优选地，概率模块中，设定的风速档位区间，进行概率抽样生成符合风电场风速概率分布的风速值具体为：
根据实际风速数据，计算全年的风速平均值vy和各月份的平均风速数据vm；
利用风速分布拟合模型，得到Weibull分布的累计分布函数F(v)，取F(v)为10％、30％、60％、90％、100％时对应的风速值，得到全年的各临界风速值v1、v2、v3、v4、v5，从而划分为5个风速档位区间{(0，v1),(v1,v2)，(v2,v3)，(v3,v4)，(v4,v5)}；
统计全年的风速平均值vy和各月份的平均风速数据vm，换算得到各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m；
基于各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m划分风速档位区间{(0，v1),(v1,v2)，(v2,v3)，(v3,v4)，(v4,v5)}，对应的风速档位名称为{极小，小，中，大，极大}；
在各个风速档位下，对风速进行符合威布尔分布的概率抽样，得到各风速档位下的概率性生成数据。
优选地，对风速进行符合威布尔分布的概率抽样，得到各风速档位下的概率性生成数据具体为：
利用风速分布拟合模型计算所需累积概率对应的风速值；使用随机数生成器生成设定风速档位内符合所需累积概率的随机数，通过逆变换法将所述随机数转化为符合风速概率分布的风速值。
优选地，时间模块中，生成具有自定义风速场景的时间序列具体为：
设置日前风速曲线的变化模式；在用户选择风速曲线的变化模式后，选择对应模式下的风速档位或者曲线变化特征；
基于选择的对应模式下的风速档位或者曲线变化特征，将每个时刻点对应到风速档位，根据概率抽样方法生成符合风速概率分布的风速时间序列。
第三方面，一种芯片，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上述风电场概率性日前出力生成模拟方法的步骤。
第四方面，本发明实施例提供了一种电子设备，包括计算机程序，所述计算机程序被电子设备执行时实现上述风电场概率性日前出力生成模拟方法的步骤。
与现有技术相比，本发明至少具有以下有益效果：
风电场概率性日前出力生成模拟方法，采用概率性模拟方法生成风电场的日前出力数据，相比于传统的确定性模拟方法，能够更好地反映风力发电的不确定性和变化性。通过对基于实际观测数据和经验模型进行概率性拟合，生成符合实际情况的风速数据，通过合理的数据处理和模型拟合，可以得到符合实际情况的风电出力数据。更准确地模拟了不同风速场景下的风电出力变化，为电力市场运行和规划提供更精细化的参考。本发明允许用户根据需要设定不同的仿真场景，在不同月份内设置不同的风速档位区间，以及自定义风速曲线的变化模式，并支持多个地理区域风电场的模拟。这意味着可以根据实际需求进行灵活的模拟和分析，探索不同的风电场景，提供更多样化的决策支持，具有一定的科学性和实用性，为电力系统规划、市场运营等方面提供重要参考，具备较强的应用前景和推广价值。
进一步的，风速是风电场中影响风能利用效率的关键因素之一，Weibull分布在风速建模具有适用性广泛、灵活性强、拟合效果较好的优势。通过拟合Weibull分布模型中的未知参数，建立风速的概率密度函数，描述和模拟风速的分布，进而对风电场的风能资源进行评估和预测。
进一步的，风速和风电出力之间存在着一定的关系，考虑到模型的灵活性和科学性，采用风速-功率转化物理模型建立起两者之间的数学映射关系。
进一步的，为了更加准确地描述风速的概率分布情况并方便用户选择场景，设定的风速档位区间。
进一步的，为了反映风电场在不同风速条件下的概率性风速情况，为后续的概率性日前出力生成模拟提供基础，在各个风速档位下，对风速进行符合威布尔分布的概率抽样，得到各风速档位下的概率性生成数据。
进一步的，为了模拟用户自定义风速场景的需求，设置日前风速曲线的变化模式，包括平稳恒定、中午剧烈变化、中午缓慢变化、渐增或渐减、单波峰、单波谷、单波峰单波谷、不规则波动等；在用户选择风速曲线的变化模式后，选择该模式下的风速档位或者曲线变化特征；基于选择的风速曲线模式和特征参数，将每个时刻点对应到风速档位，根据概率抽样方法生成符合风速概率分布的风速时间序列。
可以理解的是，上述第二方面至第六方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
综上所述，本发明能够更好地反映风力发电的不确定性和变化性，能够得到符合实际情况的风电出力数据，并允许用户设定不同的仿真场景，以及自定义风速曲线的变化模式，可以根据实际需求进行灵活的模拟和分析，探索不同的风电场景，为电力市场运行和规划提供更精细化的参考。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例中提供的风电场概率性日前出力生成的流程示意图；
图2为本发明实施例中风速档位划分示意图；
图3为本发明实施例中日风速变化模式及典型风速场景示意图；
图4为实施例情况下的日前风电出力示意图，其中，(a)为风速时间序列，(b)为风电场；
图5为本发明一实施例提供的计算机设备的示意图；
图6为本发明根据一实施例提供的一种芯片的框图。
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。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本发明中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种风电场概率性日前出力生成模拟方法，通过对基于实际观测数据和经验模型进行概率性拟合，得到符合实际情况的风电出力数据，更好地反映风力发电的不确定性和变化性。通过风速范围划分为不同的档位区间，更准确地反映风电场的风速特征。允许用户根据需要设定不同的仿真场景，在不同月份内设置不同的风速档位区间，以及自定义风速曲线的变化模式，并支持多个地理区域风电场的模拟，使得用户根据实际需求进行灵活的模拟和分析，探索不同的风电场景。对于提高模拟结果的准确性，增强风电场规划和设计的灵活性，并优化了风电场的预测和运维策略，具有重要的实际应用价值。
请参阅图1，本发明一种风电场概率性日前出力生成模拟方法，包括以下步骤：
S1、获取待仿真风电场以年为时间周期、以1小时为时间粒度的风电场风速数据和对应的出力数据；
在本实施例中，预设时间周期以年为单位，至少包含一个完整年(8760个小时)。
在实际应用中，在风电场建设之前，即风电场的前期规划时，收集测风塔立塔观测自由来流风场的一完整年时间的风速数据，仅作为举例说明，不以此为限制。
S2、基于步骤S1得到的风电场风速数据和出力数据，基于Weibull分布模型和风能转换原理建立风电场风速分布拟合模型和风电场风速-功率转化模型；
在本实施例中，建立风速分布拟合模型和风速-功率转化模型，包括以下步骤：
S201、基于风电场风速数据，拟合Weibull分布模型中的参数λ和k；
风速分布采用Weibull分布模型，其概率密度函数为：
其中，f(v,k)表示风速Weibull分布的概率密度函数，v为风速(m/s)，λ为缩放因子，k为形状参数。
S202、基于风电场风速数据和出力数据，拟合风速-功率转化模型未知参数。
风电场风速-功率转化模型采用如下的风能转换原理：
其中，P(v)为对应风速下的风电出力，a为转换系数，v为风速，vi为切入风速，vr为额定风速，vc为切出风速，Pr为额定功率。
本实施例中预设风速概率分布模型和风能转换模型均为领域内的成熟模型，如Weibull分布模型和风速-功率转化模型模型，在此不做具体限制，依据实际应用需求确定。
S3、根据设定的风速档位区间和步骤S2得到的风电场风速分布拟合模型，进行概率抽样生成符合风电场风速概率分布的风速值；
请参阅图2，设定风速档位区间具体如下：
S301、根据实际风速数据，计算全年的风速平均值vy和各月份的平均风速数据vm；
S302、利用训练好的风速Weibull分布模型，得到Weibull分布的累计分布函数F(v)，取F(v)为10％、30％、60％、90％、100％时对应的风速值，从而得到全年的各临界风速值v1、v2、v3、v4、v5，从而划分为5个风速档位区间{(0，v1),(v1,v2)，(v2,v3)，(v3,v4)，(v4,v5)}；
累计百分比函数F(v)为：
F(v)＝1-exp[-(v/vi)k]
其中，F(v)表示风速小于等于v的累积概率，v为风速，vi为切入风速，k为形状参数。
S303、统计全年的风速平均值vy和各月份的平均风速数据vm，换算得到各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m，计算公式为：
其中，m＝1,2,3……12；i表示临界风速，i＝1,2,3,4,5。
S304、基于各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m划分风速档位区间{(0，v1),(v1,v2)，(v2,v3)，(v3,v4)，(v4,v5)}，对应的风速档位名称为{极小，小，中，大，极大}；
S305、在各个风速档位下，对风速进行符合威布尔分布的概率抽样，得到各风速档位下的概率性生成数据。
概率抽样方法具体为：
利用风速分布拟合模型计算所需累积概率对应的风速值；使用随机数生成器生成设定风速档位内符合所需累积概率的随机数，通过逆变换法将该随机数转化为符合风速概率分布的风速值。其中，生成设定风速档位内随机数的计算公式为：
x1＝mmin+(mmax-mmin).*rand(1)
其中，mmin为风速区间的左边界值，mmax为风速区间的右边界值；rand(1)表示程序中生成一个随机数的指令。
S4、基于日前风速曲线常见的变化模式，设置并生成具有自定义风速场景的时间序列；
S401、设置日前风速曲线的变化模式，例如平稳恒定、中午剧烈变化、中午缓慢变化、渐增或渐减、单波峰、单波谷、单波峰单波谷、不规则波动等；在用户选择风速曲线的变化模式后，选择该模式下的风速档位或者曲线变化特征；
S402、基于选择的风速曲线模式和特征参数，将每个时刻点对应到风速档位，根据概率抽样方法生成符合风速概率分布的风速时间序列。
请参阅图3，为本发明实施例中日风速变化模式及典型风速场景。根据用户选择的日前风速曲线的变化模式和风速档位，转化为各时刻的风速档位区间。根据风速威布尔分布概率抽样方法，生成符合风速概率分布的风速时间序列。
S5、根据自定义风速场景，生成风电场日前风速的模拟数据，输入步骤S2得到的风电场风速-功率转化模型中，生成风电场的日前风电出力模拟数据。
基于建立的风电场风速-功率模型，将生成的风速时间序列代入风速-功率转化模型，生成风电场的日前风电出力模拟数据。
本发明再一个实施例中，提供一种风电场概率性日前出力生成模拟系统，该系统能够用于实现上述风电场概率性日前出力生成模拟方法，具体的，该风电场概率性日前出力生成模拟系统包括数据模块、搭建模块、概率模块、时间模块以及输出模块。
其中，数据模块，获取待仿真风电场以年为时间周期、以1小时为时间粒度的风电场风速数据和对应的出力数据；
搭建模块，基于数据模块得到的风电场风速数据和出力数据，结合Weibull分布模型和风能转换原理建立风速分布拟合模型和风速-功率转化模型；
概率模块，根据设定的风速档位区间和搭建模块得到的风速分布拟合模型，进行概率抽样生成符合风电场风速概率分布的风速值；
时间模块，基于日前风速曲线常见的变化模式得到每个时间点对应相应的风速档位，再基于概率模块得到的符合风电场风速概率分布的风速值生成具有自定义风速场景的时间序列；
输出模块，基于自定义风速场景的时间序列，得到风电场日前风速的模拟数据，输入搭建模块得到的风速-功率转化模型中，生成风电场的日前风电出力模拟数据。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，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)、现成可编程门阵列(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，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于风电场概率性日前出力生成模拟方法的操作，包括：
获取待仿真风电场以年为时间周期、以1小时为时间粒度的风电场风速数据和对应的出力数据；基于得到的风电场风速数据和出力数据，结合Weibull分布模型和风能转换原理建立风速分布拟合模型和风速-功率转化模型；根据设定的风速档位区间和得到的风速分布拟合模型，进行概率抽样生成符合风电场风速概率分布的风速值；基于日前风速曲线常见的变化模式得到每个时间点对应相应的风速档位，再基于得到的符合风电场风速概率分布的风速值生成具有自定义风速场景的时间序列；基于生成的自定义风速场景的时间序列，得到风电场日前风速的模拟数据，输入得到的风速-功率转化模型中，生成风电场的日前风电出力模拟数据。
请参阅图5，终端设备为计算机设备，该实施例的计算机设备60包括：处理器61、存储器62以及存储在存储器62中并可在处理器61上运行的计算机程序63，该计算机程序63被处理器61执行时实现实施例中的储层改造井筒中流体组成计算方法，为避免重复，此处不一一赘述。或者，该计算机程序63被处理器61执行时实现实施例风电场概率性日前出力生成模拟系统中各模型/单元的功能，为避免重复，此处不一一赘述。
计算机设备60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。计算机设备60可包括，但不仅限于，处理器61、存储器62。本领域技术人员可以理解，图5仅仅是计算机设备60的示例，并不构成对计算机设备60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，例如计算机设备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61可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、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)或者其它可编程逻辑器件、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。
存储器62可以是计算机设备60的内部存储单元，例如计算机设备60的硬盘或内存。存储器62也可以是计算机设备60的外部存储设备，例如计算机设备60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，存储器62还可以既包括计算机设备60的内部存储单元也包括外部存储设备。存储器62用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器62还可以用于暂时地存储已经输出或者将要输出的数据。
请参阅图6，终端设备为芯片，该实施例的芯片600包括处理器622，其数量可以为一个或多个，以及存储器632，用于存储可由处理器622执行的计算机程序。存储器632中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器622可以被配置为执行该计算机程序，以执行上述的风电场概率性日前出力生成模拟方法。
另外，芯片600还可以包括电源组件626和通信组件650，该电源组件626可以被配置为执行芯片600的电源管理，该通信组件650可以被配置为实现芯片600的通信，例如，有线或无线通信。此外，该芯片600还可以包括输入/输出(I/O)接口658。芯片600可以操作基于存储在存储器632的操作系统。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关风电场概率性日前出力生成模拟方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
获取待仿真风电场以年为时间周期、以1小时为时间粒度的风电场风速数据和对应的出力数据；基于得到的风电场风速数据和出力数据，结合Weibull分布模型和风能转换原理建立风速分布拟合模型和风速-功率转化模型；根据设定的风速档位区间和得到的风速分布拟合模型，进行概率抽样生成符合风电场风速概率分布的风速值；基于日前风速曲线常见的变化模式得到每个时间点对应相应的风速档位，再基于得到的符合风电场风速概率分布的风速值生成具有自定义风速场景的时间序列；基于生成的自定义风速场景的时间序列，得到风电场日前风速的模拟数据，输入得到的风速-功率转化模型中，生成风电场的日前风电出力模拟数据。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
采用华北地区2020年某风电场的风速观测数据，在MATLAB工具包中进行分布拟合，选取概率密度函数类型为两参数威布尔分布，得到分布函数中的参数λ和k分别为2.56768和7.22667。
通过，得到全年的风速档位配置中各临界风速值，即v1＝3.0m/s、v2＝4.9m/s、v3＝6.9m/s、v4＝9.8m/s、v5＝18.6m/s，从而得到每个月对应的风速档位区间，此处不做一一赘述。
通过选取风速曲线的变化模式和风速档位，例如典型波峰谷风速场景且风速处于较大档，生成符合风速概率分布的风速时间序列，从而得到风电场的日前风电出力模拟数据，如图4所示为该实施例情况下风速时间序列与风电场的日前风电出力。相比于业界常用的预设风力发电量模型给出的模拟结果，本实施例的订正方法能够得到符合实际情况的风电出力数据，更好地反映风力发电的不确定性和变化性，使得模拟结果更为准确，并增强风电场规划和设计的灵活性。
综上所述，本发明一种风电场概率性日前出力生成模拟方法、系统、芯片及设备，在不同的仿真场景下，通过考虑概率波动特性的风电出力，对电力市场的调度规划提供参考，用于解决概率性电力市场运行场景中风电出力模拟生成无法反映其不确定性的技术问题。
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，结合本发明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发明的范围。
在本发明所提供的实施例中，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，在本发明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，本发明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。
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。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (16)

1.风电场概率性日前出力生成模拟方法，其特征在于，包括以下步骤：
获取待仿真风电场以年为时间周期、以1小时为时间粒度的风电场风速数据和对应的出力数据；
基于得到的风电场风速数据和出力数据，结合Weibull分布模型和风能转换原理建立风速分布拟合模型和风速-功率转化模型；
根据设定的风速档位区间和得到的风速分布拟合模型，进行概率抽样生成符合风电场风速概率分布的风速值；
基于日前风速曲线常见的变化模式得到每个时间点对应相应的风速档位，再基于得到的符合风电场风速概率分布的风速值生成具有自定义风速场景的时间序列；
基于生成的自定义风速场景的时间序列，得到风电场日前风速的模拟数据，输入得到的风速-功率转化模型中，生成风电场的日前风电出力模拟数据。
2.根据权利要求1所述的风电场概率性日前出力生成模拟方法，其特征在于，建立风速分布拟合模型和风速-功率转化模型具体为：
基于风电场风速数据，拟合Weibull分布模型中的参数λ和k，风速分布采用Weibull分布模型，确定风速Weibull分布的概率密度函数如下：
其中，f(v,k)表示风速Weibull分布的概率密度函数，v为风速，λ为缩放因子，k为形状参数。
3.根据权利要求1所述的风电场概率性日前出力生成模拟方法，其特征在于，基于风电场风速数据和出力数据，拟合风速-功率转化模型未知参数，风速-功率转化模型具体为：
其中，P(v)为对应风速下的风电出力，a为转换系数，v为风速，vi为切入风速，vr为额定风速，vc为切出风速，Pr为额定功率。
4.根据权利要求1所述的风电场概率性日前出力生成模拟方法，其特征在于，设定的风速档位区间，进行概率抽样生成符合风电场风速概率分布的风速值具体为：
S301、根据实际风速数据，计算全年的风速平均值vy和各月份的平均风速数据vm；
S302、利用得到的风速分布拟合模型，得到Weibull分布的累计分布函数F(v)，取F(v)为10％、30％、60％、90％、100％时对应的风速值，得到全年的各临界风速值v1、v2、v3、v4、v5，从而划分为5个风速档位区间{(0，v1),(v1,v2)，(v2,v3)，(v3,v4)，(v4,v5)}；
S303、统计全年的风速平均值vy和各月份的平均风速数据vm，换算得到各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m；
S304、基于各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m划分风速档位区间{(0，v1),(v1,v2)，(v2,v3)，(v3,v4)，(v4,v5)}，对应的风速档位名称为{极小，小，中，大，极大}；
S305、在各个风速档位下，对风速进行符合威布尔分布的概率抽样，得到各风速档位下的概率性生成数据。
5.根据权利要求4所述的风电场概率性日前出力生成模拟方法，其特征在于，累计分布函数F(v)为：
F(v)＝1-exp[-(v/vi)k]
其中，v为风速，vi为切入风速，k为形状参数。
6.根据权利要求4所述的风电场概率性日前出力生成模拟方法，其特征在于，各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m计算如下：
其中，m＝1，2，3…12；i为临界风速，i＝1，2，3，4，5。
7.根据权利要求4所述的风电场概率性日前出力生成模拟方法，其特征在于，对风速进行符合威布尔分布的概率抽样，得到各风速档位下的概率性生成数据具体为：
利用风速分布拟合模型计算所需累积概率对应的风速值；使用随机数生成器生成设定风速档位内符合所需累积概率的随机数，通过逆变换法将所述随机数转化为符合风速概率分布的风速值。
8.根据权利要求7所述的风电场概率性日前出力生成模拟方法，其特征在于，生成设定风速档位内随机数的计算公式如下：
x1＝mmin+(mmax-mmin).*rand(1)
其中，mmin为风速区间的左边界值，mmax为风速区间的右边界值；rand(1)为程序中生成一个随机数的指令。
9.根据权利要求1所述的风电场概率性日前出力生成模拟方法，其特征在于，生成具有自定义风速场景的时间序列具体为：
设置日前风速曲线的变化模式；在用户选择风速曲线的变化模式后，选择对应模式下的风速档位或者曲线变化特征；
基于选择的对应模式下的风速档位或者曲线变化特征，将每个时刻点对应到风速档位，根据概率抽样方法生成符合风速概率分布的风速时间序列。
10.一种风电场概率性日前出力生成模拟系统，其特征在于，包括：
数据模块，获取待仿真风电场以年为时间周期、以1小时为时间粒度的风电场风速数据和对应的出力数据；
搭建模块，基于数据模块得到的风电场风速数据和出力数据，结合Weibull分布模型和风能转换原理建立风速分布拟合模型和风速-功率转化模型；
概率模块，根据设定的风速档位区间和搭建模块得到的风速分布拟合模型，进行概率抽样生成符合风电场风速概率分布的风速值；
时间模块，基于日前风速曲线常见的变化模式得到每个时间点对应相应的风速档位，再基于概率模块得到的符合风电场风速概率分布的风速值生成具有自定义风速场景的时间序列；
输出模块，基于自定义风速场景的时间序列，得到风电场日前风速的模拟数据，输入搭建模块得到的风速-功率转化模型中，生成风电场的日前风电出力模拟数据。
11.根据权利要求10所述的风电场概率性日前出力生成模拟系统，其特征在于，搭建模块中，风速-功率转化模型具体为：
其中，P(v)为对应风速下的风电出力，a为转换系数，v为风速，vi为切入风速，vr为额定风速，vc为切出风速，Pr为额定功率。
12.根据权利要求10所述的风电场概率性日前出力生成模拟系统，其特征在于，概率模块中，设定的风速档位区间，进行概率抽样生成符合风电场风速概率分布的风速值具体为：
根据实际风速数据，计算全年的风速平均值vy和各月份的平均风速数据vm；
利用风速分布拟合模型，得到Weibull分布的累计分布函数F(v)，取F(v)为10％、30％、60％、90％、100％时对应的风速值，得到全年的各临界风速值v1、v2、v3、v4、v5，从而划分为5个风速档位区间{(0，v1),(v1,v2)，(v2,v3)，(v3,v4)，(v4,v5)}；
统计全年的风速平均值vy和各月份的平均风速数据vm，换算得到各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m；
基于各月份的临界风速值v1,m、v2,m、v3,m、v4,m、v5,m划分风速档位区间{(0，v1),(v1,v2)，(v2,v3)，(v3,v4)，(v4,v5)}，对应的风速档位名称为{极小，小，中，大，极大}；
在各个风速档位下，对风速进行符合威布尔分布的概率抽样，得到各风速档位下的概率性生成数据。
13.根据权利要求10所述的风电场概率性日前出力生成模拟系统，其特征在于，对风速进行符合威布尔分布的概率抽样，得到各风速档位下的概率性生成数据具体为：
利用风速分布拟合模型计算所需累积概率对应的风速值；使用随机数生成器生成设定风速档位内符合所需累积概率的随机数，通过逆变换法将所述随机数转化为符合风速概率分布的风速值。
14.根据权利要求10所述的风电场概率性日前出力生成模拟系统，其特征在于，时间模块中，生成具有自定义风速场景的时间序列具体为：
设置日前风速曲线的变化模式；在用户选择风速曲线的变化模式后，选择对应模式下的风速档位或者曲线变化特征；
基于选择的对应模式下的风速档位或者曲线变化特征，将每个时刻点对应到风速档位，根据概率抽样方法生成符合风速概率分布的风速时间序列。
15.一种芯片，其特征在于，
存储器，其上存储有计算机程序；
处理器，用于执行所述存储器中的所述计算机程序，以实现权利要求1至9中任一项所述方法的步骤。
16.一种电子设备，其特征在于，
包括如权利要求15所述的芯片。
CN202311856559.XA 2023-12-28 2023-12-28 风电场概率性日前出力生成模拟方法、系统、芯片及设备 Pending CN117807791A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311856559.XA CN117807791A (zh) 2023-12-28 2023-12-28 风电场概率性日前出力生成模拟方法、系统、芯片及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311856559.XA CN117807791A (zh) 2023-12-28 2023-12-28 风电场概率性日前出力生成模拟方法、系统、芯片及设备

Publications (1)

Publication Number Publication Date
CN117807791A true CN117807791A (zh) 2024-04-02

Family

ID=90426646

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311856559.XA Pending CN117807791A (zh) 2023-12-28 2023-12-28 风电场概率性日前出力生成模拟方法、系统、芯片及设备

Country Status (1)

Country Link
CN (1) CN117807791A (zh)

Similar Documents

Publication Publication Date Title
CN113937763B (zh) 风电功率预测方法、装置、设备及存储介质
CN108429256B (zh) 电力系统运行优化方法及终端设备
CN115936180A (zh) 光伏发电功率预测方法、装置和计算机设备
CN112945329A (zh) 确定农业机井灌溉水量的方法、装置及终端
Zhang et al. Multi-objective interval prediction of wind power based on conditional copula function
CN114238856A (zh) 风光资源未来预测误差求解方法、装置、设备及存储介质
CN111476411B (zh) 一种光伏电站发电量计算方法及服务器
CN109344875A (zh) 基于聚类分析的日风电出力时序生成方法、装置与介质
CN117807791A (zh) 风电场概率性日前出力生成模拟方法、系统、芯片及设备
CN116523145A (zh) 光伏功率超短期预测方法、装置、计算机设备及存储介质
CN110544958B (zh) 一种电力系统消纳随机出力电源能力的确定方法及装置
CN116826859A (zh) 一种电源碳电协同规划方法、装置、设备及存储介质
CN116307632A (zh) 水电站经济负荷分配方法、装置、电子设备及存储介质
CN115392560A (zh) 一种基于决策树的变流器故障预测方法和系统
CN106897771B (zh) 一种基于混沌遗传算法的新能源样板机选择方法及系统
CN114692979A (zh) 基于多时空尺度的风力发电预测方法及装置
CN110991083A (zh) 一种光伏电站模型确定方法、装置、设备及储存介质
CN115983663B (zh) 基于新能源的发电分析方法及相关设备
CN117910827A (zh) 一种基于gis的沿海地区光伏电站选址方法及系统
CN117117844B (zh) 电网碳排因子计算方法、系统、计算机设备及存储介质
CN115063255B (zh) 一种海上风电场的运维资源优化配置方法、装置及系统
CN117154725B (zh) 水风光多能互补的调度方法、装置、计算机设备及介质
CN117332901B (zh) 采用分层时间聚合策略的新能源小时间尺度功率预测方法
CN110912162B (zh) 一种储能装置方案的确定方法及装置
CN118551864A (zh) 一种基于边缘设备的联邦学习方法、装置、服务器及介质

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