CN103425867A - 一种短期风电功率组合预测方法 - Google Patents
一种短期风电功率组合预测方法 Download PDFInfo
- Publication number
- CN103425867A CN103425867A CN2013102529142A CN201310252914A CN103425867A CN 103425867 A CN103425867 A CN 103425867A CN 2013102529142 A CN2013102529142 A CN 2013102529142A CN 201310252914 A CN201310252914 A CN 201310252914A CN 103425867 A CN103425867 A CN 103425867A
- Authority
- CN
- China
- Prior art keywords
- wind power
- formula
- wind
- short
- sequence
- 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
Images
Landscapes
- Wind Motors (AREA)
Abstract
本发明涉及一种短期风电功率组合预测方法。包括:步骤一:从风电场相关SCADA中提取风功率序列数据;步骤二:对提取的风功率序列数据采用集合经验模态分解进行序列分析;步骤三:对集合经验模态分解得到的各个序列重构相空间;步骤四:对各序列重构相空间后的数据训练所建立的小波神经网络预测模型,叠加各个序列的预测结果,得到风功率预测结果;步骤五:对风电功率预测结果进行误差分析。本发明建模过程简单实用,能快速有效的进行风电功率预测,对于电力***的安全稳定和调度运行具有重要意义,因此具有广泛的推广应用价值。
Description
技术领域
本发明涉及一种短期风电功率组合预测方法。
背景技术
近年来,随着风电装机容量的快速增长,风电在电网中的比例逐年增大。由于风能本身的波动性和随机性,当风电穿透功率超过一定值后,将会对电力***的调度运行和电能质量带来严峻挑战,这严重限制了风电的发展。如果能有效的对风电功率进行预测,不仅可以减少电力***的备用容量、降低***运行成本,而且还可以减轻风电对电网造成的不利影响,有效提高电力***中风电最大装机比例,提高风电竞力。
目前常用的短期风电功率预测模型一般基于统计预测方法,主要有持续法、卡尔曼滤波法、时间序列法、支持向量机回归法、人工神经网络法等。其中持续法是一种较为简单有效的直接预测方法,一般作为基准来衡量其它方法的有效性和先进性;其它几种预测方法的实质是直接拟合风电功率与其影响因素之间的“黑箱”模型,减少中间环节对预测结果的影响,虽然取得了一定的效果,但是由于风功率本身的特性没有得到深度挖掘,预测效果过度依赖于“黑箱”模型的性能,建立的模型往往具有对模型设定形式的敏感性和信息源的不广泛性等缺点。所以短期风功率预测应从深度挖掘风功率特性出发,基于风功率特点,针对性的选择多种算法,通过算法优势互补来建立组合预测模型。
风电功率的非线性和非平稳性特性是影响预测效果的主要原因,对风功率信号进行一定尺度或波动趋势的有效分解可降低信号的非平稳性。集合经验模态分解是对传统经验模态分解方法的巨大改进,有效解决了传统经验模态分解的模态混叠问题,使真实信号得到最大程度的保留。小波神经网络是小波理论和人工神经网络相结合的产物,综合了小波变换视频局域化的优点和神经网络的自学习能力。其基本思想是把小波基函数当作神经元的激励函数来建立起小波变换和神经网络之间的联系。由于小波神经网络继承了小波分解的性质特征,所以能以低分辨率在序列分布松散区域学习,以高分辨率在序列分布密集区域学习,这些特点有利于神经网络更易“捕捉”输入和输出数据之间的内在规律,因此小波神经网络比传统神经网络更智能、高效和灵活。
发明内容
本发明从研究风功率特性出发,提出了一种直接考虑相关历史数据与功率输出的关系、建模方法简单的短期风电功率组合预测方法。是一种基于集合经验模态分解和小波神经网络的新型风功率组合预测模型。首先使用集合经验模态分解降低风功率信号的非平稳性,其次采用相空间重构挖掘各子序列信号的混沌特性,然后运用小波神经网络对各子序列分别进行建模预测,最后将各子序列的预测结果叠加得到最终预测结果。本发明所提的组合预测模型具有较高的预测精度和较大的工程应用潜力。
本发明的上述技术问题主要是通过下述技术方案得以解决的:
一种短期风电功率组合预测方法,包括以下步骤:
步骤1、从风电场SCADA***中进行数据提取并记录,采集并保存风功率序列数据;
步骤2、对所提取的风功率序列进行集合经验模态分解,得到两个以上的子序列和一个余量;
步骤3、分别对各子序列和余量采用C-C法重构相空间;
步骤4、以重构后的相空间为学习样本,训练小波神经网络模型,采用训练好的预测模型进行预测,并将各子序列和余量的预测结果进行叠加,得到风功率预测结果;
步骤5、对风电功率预测结果进行误差分析。
所述步骤2中,对采集的风功率序列进行集合经验模态分解包括以下四个步骤,
步骤2.1、向风功率序列{x(t)}中加入白噪声序列;
步骤2.2、使用经验模态分解将加入白噪声后的风功率序列分解为两个以上的本征模态分量cn(t)和一个剩余分量rN(t);
步骤2.3、重复步骤2.1和步骤2.2共r次,每次加入的白噪声序列的幅值不同;
步骤2.4、将r次分解得到的固有模态分量求整体平均,将其作为原信号的最终固有模态分量。
所述步骤5中,采用如下的三种风功率误差评价方法进行误差分析,
归一化均方根误差eNRMSE、归一化绝对平均误差eNMAE、最大绝对误差eMAE,其定义如下:
eMAE=max(|PMi-PPi|) 式(3)
式(1)、式(2)和式(3)中,PMi为i时刻的实测功率,PPi为i时刻的预测功率,Cap为风机的额定容量,n为预测样本的数量。
所述步骤2.2中,经验模态分解的步骤如下,
步骤2.2.1、求得风功率时间序列{x(t)}中所有的极大值和极小值,采用三次样条函数进行插值拟合上包络线bmax(t)和下包络线bmin(t);
步骤2.2.2、计算上下包络线平均值m(t),其中m(t)=[bmax(t)+bmin(t)]/2,提取h(t)=x(t)-m(t),判断h(t)是否满足固有模态分量条件,如果满足,则h(t)就是第一个固有模态分量,不果不满足,则将h(t)作为原始序列;
步骤2.2.3、重复步骤步骤2.2.1和步骤2.2.2,直到经过n次筛选后的差值hn(t)满足固有模态分量条件,称为一个IMF,记为c1(t)=hn(t);
步骤2.2.4、得到c1(t)后,根据式(4)从信号x(t)中得到剩余分量r1(t);
r1(t)=x(t)-c1(t) 式(4)
步骤2.2.5、将r1(t)重复上述步骤得到其余的IMF分量,当余量rN(t)为单调函数时终止。
与现有技术相比,本发明具有如下优点:
1.本发明直接考虑与相关历史数据与功率输出的关系,建模方法简单。
2.本发明适应性强,可作为一般风电场的功率预测模型。
3.由于不考虑中间的很多建模环节,只考虑输入和输出之间的关系,相对来说,本发明计算速度较快。
4.本发明的实现成本低,易推广。
附图说明
图1为本发明中小波神经网络拓扑结构图。
图2为本发明中小波神经网络学习过程图。
图3为本发明的整体建模流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
实施例:
首先,介绍一下本发明涉及到的相关理论基础。
1.集合经验模态分解原理
经验模态分解本质上是一种自适应信号筛选方法,可将存在于原序列中不同特征的趋势逐级筛选出来,得到具有相同特征的固有模态分量(intrinsic mode function,IMF),固有模态分量需满足(1)和(2)两个条件:(1)整个固有模态分量序列中的零点数与极点数至多相差1个;(2)在任意点,由局部极小值点定义的包络线和局部极大值点定义的包络线均值为0。
对于某风功率时间序列{x(t)},经验模态分解的步骤如下:
1)求得序列{x(t)}中所有的极大值和极小值。采用三次样条函数进行插值拟合上包络线bmax(t)和下包络线bmin(t)。
2)计算上下包络线平均值m(t),其中m(t)=[bmax(t)+bmin(t)]/2,提取h(t)=x(t)-m(t),判断h(t)是否满足固有模态分量条件,是则h(t)就是第一个固有模态分量,不是则将h(t)作为原始序列。
3)重复步骤(1)和步骤(2),直到经过n次筛选后的差值hn(t)满足固有模态分量条件,称为一个IMF,记为c1(t)=hn(t)。
4)得到c1(t)后,根据式(1)从信号x(t)中得到剩余分量r1(t):
r1(t)=x(t)-c1(t) (1)
5)将r1(t)重复上述步骤可得到其余的IMF分量,当余量rN(t)为单调函数时终止。
经验模态分解相对于传统的小波分解算法减少了人为因素对分解结果造成影响,具有一定的先进性,但上述算法在一些情况下会出现模态混叠现象。集合经验模态分解利用噪声特性可以有效避免这一问题。集合经验模态分解步骤如下:
1)向序列{x(t)}中加入白噪声序列;
2)使用EMD(经验模态分解)将加入白噪声后的风功率序列分解为若干个本征模态分量cn(t)和一个剩余分量rN(t);
3)重复步骤1和步骤2共r次,每次加入的白噪声序列的幅值不同;
4)将r次分解得到的IMF求整体平均,将其作为原信号的最终IMF分量;
上述步骤中加入的白噪音序列应服从(0,(αε)2)的正态分布,其中α为噪音的强度参数,ε为信号的标准差。由相关文献可知,当r为100,α从[0.1,0.3]之间选择时能够取得较好的分解结果。因此在本文中选r等于100,α等于0.25。
2.C-C法相空间重构基本原理
对于风速序列{x(t)},其中x(t)=(x1,x2,…,xN),对{x(t)}进行C-C法相空间重构的基本原理是利用嵌入时间序列的关联积分函数同时计算出时间延迟τ和嵌入维数m,进而根据τw=(m-1)τ得到嵌入维数m,关联积分定义如下:
其中:N为数据组的大小,M=N-(m-1)τ,对于序列τ=t,dij=‖Xi-Xj‖,其中:Xi=(xi,xi-τ,…,xi-(m-1)τ),Xj=(xj,xj-τ,…,xj-(m-1)τ),dij为相空间中任意两个相点的距离,r为控制半径。
若x<0,θ(x)=0;若x≥0,θ(x)=1。
对于风速序列{x(t)},将其分成t个不相交的时间序列,定义每个子序列为:
根据BDS(Brock-Dechert-Scheinkman)统计计算每个子序列的检验统计量S(m,N,r,τ)和差量ΔS(m,N,t),得到式(4)到式(6)。
3.小波神经网络算法及改进
小波神经网络是以小波基函数为神经元激励函数的前馈网络模型,小波神经网络综合了小波分析作为“数学显微镜”能进行多尺度数据分析的优势,通过对多尺度特征的学习可对序列潜在的变化特征有更加显性的描述。
设ψ(t)∈L2(R)(L2(R)表示平方可积的实数空间,即能量的信号空间)为小波基函数,ψ(t)满足容许性条件:
其中,ψ(ω)为ψ(t)的傅立叶变换。ψ(t)经过平移伸缩后产生一组小波基函数:
式中:a为尺度因子,λ为伸缩因子。对于信号x(t)∈L2(R),则小波变换为:
三层小波神经网络模型的拓扑结构附图1所示。
图1中,Xi,i=1,2,…,t,是小波神经网络的输入序列,Y是输出序列,wij为输入层和隐含层之间的连接权值,wj为隐含层和输出层的连接权值。在输入信号序列为xi(i=1,2,…,k)时,隐含层的输出计算公式为:
其中,g(j)为隐含层的第j个节点的输出,ψj为小波基函数;aj为ψj的伸缩因子;λj为ψj的平移因子;输出层的计算公式为:
式中,l为隐含层节点数;
小波神经网络学习的基本策略是利用误差函数极小化原理,不断改变小波基的形状和尺度。权值和小波基函数系数修正过程如下:
1)计算小波神经网络拟合误差
2)根据误差e修正第k次迭代的小波神经网络权值和小波基函数系数
式中,是网络预测误差e根据式(14)计算得到的:
式(14)中,η为学习效率。WNN中学习步长η的选择至关重要,η过大会引起不稳定,但收敛速度快;η小收敛速度慢,但可避免不稳定。为克服这一矛盾,可以采用增加动量项的方法进行改进。增加动量项的WNN学习过程公式可以做如下修正:
改进的小波神经网络算法预测模型实现如附图2所示,具体步骤如下:
1)初始化网络。随机初始化ak、λk,以及网络连接权重wij、wj。
2)拟合误差计算。把训练样本输入网络,计算网络预测输出并计算输出和期望输出的误差。
3)修正权值和小波基函数系数。根据式(13)修正网络权值和小波函数参数。
4)判断算法是否结束。当误差函数绝对值小于预先设定的误差ξ或者达到最大迭代次数,是则结束;否,返回步骤2。
下面是本发明的具体实施例的建模过程。
本发明的建模整体流程图如图3所示。具体步骤如下:
1)通过SCADA采集并记录风功率序列历史数据;
2)使用集合经验模态分解降低风功率序列的非平稳性,得到各分量(IMF1-IMFn)和余量rN(t);
3)分别对各分量和余量建立改进的小波神经网络预测模型;为了避免小波神经网络模型输入维数的随意性和序列丢失等问题,采用C-C法重构相空间;
4)将各分量预测结果叠加得到风功率预测值;
5)误差分析;采用三种误差分析指标分析预测误差。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (4)
1.一种短期风电功率组合预测方法,其特征在于:包括以下步骤,
步骤1、从风电场SCADA***中进行数据提取并记录,采集并保存风功率序列数据;
步骤2、对所提取的风功率序列进行集合经验模态分解,得到两个以上的子序列和一个余量;
步骤3、分别对各子序列和余量采用C-C法重构相空间;
步骤4、以重构后的相空间为学习样本,训练小波神经网络模型,采用训练好的预测模型进行预测,并将各子序列和余量的预测结果进行叠加,得到风功率预测结果;
步骤5、对风电功率预测结果进行误差分析。
2.根据权利要求1所述的一种短期风电功率组合预测方法,其特征在于:所述步骤2中,对采集的风功率序列进行集合经验模态分解包括以下四个步骤,
步骤2.1、向风功率序列{x(t)}中加入白噪声序列;
步骤2.2、使用经验模态分解将加入白噪声后的风功率序列分解为两个以上的本征模态分量cn(t)和一个剩余分量rN(t);
步骤2.3、重复步骤2.1和步骤2.2共r次,每次加入的白噪声序列的幅值不同;
步骤2.4、将r次分解得到的固有模态分量求整体平均,将其作为原信号的最终固有模态分量。
3.根据权利要求1或2所述的一种短期风电功率组合预测方法,其特征在于:所述步骤5中,采用如下的三种风功率误差评价方法进行误差分析,
归一化均方根误差eNRMSE、归一化绝对平均误差eNMAE、最大绝对误差eMAE,其定义如下:
eMAE=max(|PMi-PPi|) 式(3)
式(1)、式(2)和式(3)中,PMi为i时刻的实测功率,PPi为i时刻的预测功率,Cap为风机的额定容量,n为预测样本的数量。
4.根据权利要求2所述的一种短期风电功率组合预测方法,其特征在于:所述步骤2.2中,经验模态分解的步骤如下,
步骤2.2.1、求得风功率时间序列{x(t)}中所有的极大值和极小值,采用三次样条函数进行插值拟合上包络线bmax(t)和下包络线bmin(t);
步骤2.2.2、计算上下包络线平均值m(t),其中m(t)=[bmax(t)+bmin(t)]/2,提取h(t)=x(t)-m(t),判断h(t)是否满足固有模态分量条件,如果满足,则h(t)就是第一个固有模态分量,不果不满足,则将h(t)作为原始序列;
步骤2.2.3、重复步骤步骤2.2.1和步骤2.2.2,直到经过n次筛选后的差值hn(t)满足固有模态分量条件,称为一个IMF,记为c1(t)=hn(t);
步骤2.2.4、得到c1(t)后,根据式(4)从信号x(t)中得到剩余分量r1(t);
r1(t)=x(t)-c1(t) 式(4)
步骤2.2.5、将r1(t)重复上述步骤得到其余的IMF分量,当余量rN(t)为单调函数时终止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102529142A CN103425867A (zh) | 2013-06-24 | 2013-06-24 | 一种短期风电功率组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013102529142A CN103425867A (zh) | 2013-06-24 | 2013-06-24 | 一种短期风电功率组合预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103425867A true CN103425867A (zh) | 2013-12-04 |
Family
ID=49650596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013102529142A Pending CN103425867A (zh) | 2013-06-24 | 2013-06-24 | 一种短期风电功率组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103425867A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239962A (zh) * | 2014-08-07 | 2014-12-24 | 河海大学 | 一种基于相关性分析的区域电网总风功率短期预测方法 |
CN104899656A (zh) * | 2015-06-05 | 2015-09-09 | 三峡大学 | 一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法 |
CN104978608A (zh) * | 2015-06-24 | 2015-10-14 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN105678047A (zh) * | 2015-11-25 | 2016-06-15 | 天津大学 | 融合经验模态分解降噪和复杂网络分析的风场表征方法 |
CN106126896A (zh) * | 2016-06-20 | 2016-11-16 | 中国地质大学(武汉) | 基于经验模态分解和深度学习的混合模型风速预测方法及*** |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN108629441A (zh) * | 2018-03-13 | 2018-10-09 | 中南林业科技大学 | 基于聚类分析和小波改进的风机噪音的预测方法和装置 |
CN113723752A (zh) * | 2021-07-26 | 2021-11-30 | 国网江苏省电力有限公司江阴市供电分公司 | 一种组合风电功率预测模型中分解算法性能评估方法 |
CN114897390A (zh) * | 2022-02-17 | 2022-08-12 | 国网冀北电力有限公司承德供电公司 | 基于勒贝格积分的分布式发电功率波动性评估方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855412A (zh) * | 2012-09-21 | 2013-01-02 | 广西电网公司电力科学研究院 | 一种风电功率预测方法及其装置 |
CN103117546A (zh) * | 2013-02-28 | 2013-05-22 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
-
2013
- 2013-06-24 CN CN2013102529142A patent/CN103425867A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855412A (zh) * | 2012-09-21 | 2013-01-02 | 广西电网公司电力科学研究院 | 一种风电功率预测方法及其装置 |
CN103117546A (zh) * | 2013-02-28 | 2013-05-22 | 武汉大学 | 一种超短期风电功率滑动预测方法 |
Non-Patent Citations (5)
Title |
---|
SIDERATOS G,ET AL.: "Using radial basis neural networks to estimate wind power production", 《POWER ENGINEERING SOCIETY GENERAL MEETING》, 31 December 2007 (2007-12-31), pages 5 - 7 * |
刘奎.: "基于混沌和小波神经网络的短期电力负荷预测方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 October 2012 (2012-10-15), pages 042 - 985 * |
常鹏.: "基于多目标优化的含风电场的电力***经济调度", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 June 2013 (2013-06-15), pages 042 - 578 * |
蔡艳平,等.: "集成经验模态分解中加入白噪声的自适应准则", 《振动、测试与诊断》, vol. 31, no. 6, 31 December 2011 (2011-12-31), pages 709 - 714 * |
郑连清,等.: "基于经验模式分解与人工神经网络的短期电力负荷预测", 《电力***保护与控制》, vol. 37, no. 23, 1 December 2009 (2009-12-01) * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239962A (zh) * | 2014-08-07 | 2014-12-24 | 河海大学 | 一种基于相关性分析的区域电网总风功率短期预测方法 |
CN104899656A (zh) * | 2015-06-05 | 2015-09-09 | 三峡大学 | 一种基于总体平均经验模态分解与改进Elman神经网络的风功率组合预测方法 |
CN104978608A (zh) * | 2015-06-24 | 2015-10-14 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN104978608B (zh) * | 2015-06-24 | 2019-03-01 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN105678047A (zh) * | 2015-11-25 | 2016-06-15 | 天津大学 | 融合经验模态分解降噪和复杂网络分析的风场表征方法 |
CN105678047B (zh) * | 2015-11-25 | 2018-03-16 | 天津大学 | 融合经验模态分解降噪和复杂网络分析的风场表征方法 |
CN106126896A (zh) * | 2016-06-20 | 2016-11-16 | 中国地质大学(武汉) | 基于经验模态分解和深度学习的混合模型风速预测方法及*** |
CN106126896B (zh) * | 2016-06-20 | 2019-03-22 | 中国地质大学(武汉) | 基于经验模态分解和深度学习的混合模型风速预测方法及*** |
CN107507097A (zh) * | 2017-07-03 | 2017-12-22 | 上海电力学院 | 一种风电功率短期预测方法 |
CN108629441A (zh) * | 2018-03-13 | 2018-10-09 | 中南林业科技大学 | 基于聚类分析和小波改进的风机噪音的预测方法和装置 |
CN113723752A (zh) * | 2021-07-26 | 2021-11-30 | 国网江苏省电力有限公司江阴市供电分公司 | 一种组合风电功率预测模型中分解算法性能评估方法 |
CN114897390A (zh) * | 2022-02-17 | 2022-08-12 | 国网冀北电力有限公司承德供电公司 | 基于勒贝格积分的分布式发电功率波动性评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103425867A (zh) | 一种短期风电功率组合预测方法 | |
CN103400210A (zh) | 一种短期风速组合预测方法 | |
Mohandes et al. | Estimation of wind speed profile using adaptive neuro-fuzzy inference system (ANFIS) | |
CN106875041A (zh) | 一种短期风速预测方法 | |
CN111353652B (zh) | 一种风电出力短期区间预测方法 | |
CN104268627A (zh) | 一种基于深度神经网络迁移模型的短期风速预报方法 | |
CN105184391A (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
CN101793907A (zh) | 一种风电场短期风速预测方法 | |
CN106846173A (zh) | 基于ewt‑esn的短期风电功率预测方法 | |
Bonanno et al. | Wavelet recurrent neural network with semi-parametric input data preprocessing for micro-wind power forecasting in integrated generation Systems | |
CN102542133B (zh) | 风电场短时风速预测方法及*** | |
CN107766968A (zh) | 基于capso‑rvm组合模型的短期风速预测方法 | |
CN105117593A (zh) | 基于小波变换和粒子群改进灰色模型的短期风速预测方法 | |
CN109272139A (zh) | 一种基于非线性集成深度学习的短期风速预测方法 | |
CN105243259A (zh) | 基于极限学习机的脉动风速快速预测方法 | |
CN102831475B (zh) | 用于风电场功率预测模型的正弦归一化方法 | |
CN105373856A (zh) | 一种考虑游程检测法重构的风电功率短时组合预测方法 | |
CN102915511A (zh) | 一种电力负荷的混沌相空间神经网络模型安全监测方法 | |
CN103927460A (zh) | 一种基于rbf的风电场短期风速预测方法 | |
CN103793887A (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
CN109583588A (zh) | 一种短期风速预测方法及*** | |
CN112149905A (zh) | 一种基于小波变换和小波神经网络的光伏电站短期功率预测方法 | |
Bou-Rabee et al. | One-month-ahead wind speed forecasting using hybrid AI model for coastal locations | |
CN112925824A (zh) | 针对极端天气类型的光伏功率预测方法及*** | |
CN107403244A (zh) | 基于人工神经网络改进灰色模型的短期风速预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20131204 |