CN103927695A - 基于自学习复合数据源的风电功率超短期预测方法 - Google Patents
基于自学习复合数据源的风电功率超短期预测方法 Download PDFInfo
- Publication number
- CN103927695A CN103927695A CN201410163004.1A CN201410163004A CN103927695A CN 103927695 A CN103927695 A CN 103927695A CN 201410163004 A CN201410163004 A CN 201410163004A CN 103927695 A CN103927695 A CN 103927695A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- wind power
- input
- method based
- 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.)
- Granted
Links
Classifications
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
Abstract
本发明公开了一种基于自学***均模型参数;输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果,对预测结果进行后评估,即分析预测值与实测值之间的误差,如预测误差大于允许的最大误差,则从新进行模型定阶和模型参数估计。通过对风力发电过程中的风电功率进行预测,为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃风电量估计提供关键信息。通过引入复合数据源有效提高风电功率超短期预测精度,从而实现在保障电网安全稳定经济运行的前提下有效提高新能源上网电量目的。
Description
技术领域
本发明涉及新能源发电过程中风电功率预测技术领域,具体地,涉及一种基于自学***均模型的风电功率超短期预测方法。
背景技术
我国风电进入规模化发展阶段以后所产生的大型新能源基地多数位于“三北地区”(西北、东北、华北),大型新能源基地一般远离负荷中心,其电力需要经过长距离、高电压输送到负荷中心进行消纳。由于风、光资源的间歇性、随机性和波动性,导致大规模新能源基地的风电、光伏发电出力会随之发生较大范围的波动,进一步导致输电网络充电功率的波动,给电网运行安全带来一系列问题。
截至2014年4月,甘肃电网并网风电装机容量已达707万千瓦,约占甘肃电网总装机容量的22%,成为仅次于火电的第二大主力电源。目前,甘肃电网风电、光伏发电装机超过甘肃电网总装机容量的1/3。随着新能源并网规模的不断提高,风电、光伏发电不确定性和不可控性给电网的安全稳定经济运行带来诸多问题。准确预估可利用的发电风资源是对大规模风电优化调度的基础。对风力发电过程中的风电功率进行预测,可为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃风电量估计提供关键信息。
发明内容
本发明的目的在于,针对上述问题,提出一种基于自学习复合数据源的风电功率超短期预测方法,以实现在保障电网安全稳定经济运行的前提下有效提高新能源上网电量目的。
为实现上述目的,本发明采用的技术方案是:
一种基于自学***均模型参数;
输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果;
对预测结果进行后评估,即分析预测值与实测值之间的误差,如预测误差大于允许的最大误差,则从新进行模型定阶和模型参数估计;
所述输入数据得到自回归滑动平均模型参数具体包括,步骤101、输入模型训练基础数据;
步骤102、模型定阶;
步骤103、采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计。
根据本发明的优选实施例,所述步骤101输入模型训练基础数据,输入数据包括,风电场基础信息、历史风速数据、历史功率数据和地理信息***数据。
根据本发明的优选实施例,所述步骤102模型定阶:
采用残差方差图法进行模型定阶,具体为设xt为需要估计的项,xt-1,xt-2,...,xt-n为已知历史功率序列,对于ARMA(p,q)模型,模型定阶即确定模型中参数p和q的值;
用系列阶数逐渐递增的模型拟合原始序列,每次都计算残差平方和然后画出阶数和的图形,当阶数由小增大时,会显著下降,达到真实阶数后的值会逐渐趋于平缓,甚至反而增大,
=拟合误差的平方和/(实际观测值个数-模型参数个数),
实际观测值个数指拟合模型时实际使用的观察值项数,对于具有N个观察值的序列,拟合AR(p)模型,则实际使用的观察值最多为N-p,模型参数个数指所建立的模型中实际包含的参数个数,对于含有均值的模型,模型参数个数为模型阶数加1,对于N个观测值的序列,ARMA模型的残差估计式为:
根据本发明的优选实施例,所述步骤103采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计具体步骤为:
将风电场历史功率数据利用数据序列x1,x2,...,xt表示,其样本自协方差定义为
其中,k=0,1,2,...,n-1,xt和xt-k均为数据序列x1,x2,...,xt中的数值;
则
则历史功率数据样本自相关函数为:
其中,k=0,1,2,...,n-1。
AR部分的矩估计为,
令
则协方差函数为
用的估计代替γk,
可得参数
对MA(q)模型系数θ1,θ2,...,θq采用矩估计有
其中k=1,2,...,m,
以上m+1个方程非线性方程,采用迭代法进行求解即得到自回归滑动平均模型参数。
根据本发明的优选实施例,所述输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果的步骤包括,
步骤201、输入功率预测基础数据;
步骤202、对输入的基础数据进行噪声滤波及数据预处理;
步骤203、根据确定的参数建立自回归滑动平均模型,并将处理后的数据输入从而得到预测结果;
步骤204、将预测结果输出至数据库中,并通过图表及曲线展示预测结果、并展示预测与实测结果的对比。
根据本发明的优选实施例,所述输入功率预测基础数据包括资源监测***数据和运行监测***数据,所述资源监测***数据包含风资源监测数据;所述运行监测***数据包括风机监测数据、升压站监测数据和数据采集与监视控制***数据。
根据本发明的优选实施例,所述噪声滤波及数据预处理具体为:噪声滤波模块对监测***实时采集得到的带有噪声的数据进行滤波处理,去除坏数据和奇异值;数据预处理模块对数据进行对齐、归一化处理和分类筛选处理。
根据本发明的优选实施例,所述自回归滑动平均模型为:
其中,和θj(1≤j≤q)是系数,αt是白噪声序列。
本发明的技术方案具有以下有益效果:
本发明的技术方案通过对风力发电过程中的风电功率进行预测,为新能源发电实时调度、新能源发电日前计划、新能源发电月度计划、新能源发电能力评估和弃风电量估计提供关键信息。通过引入复合数据源有效提高风电功率超短期预测精度,从而实现在保障电网安全稳定经济运行的前提下有效提高新能源上网电量目的。
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为本发明实施例所述的基于自学习复合数据源的风电功率超短期预测方法的原理框图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
一种基于自学***均模型参数;
输入风电功率预测所需输入数据到根据自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果;
对预测结果进行后评估,即分析预测值与实测值之间的误差,如预测误差大于允许的最大误差,则从新进行模型定阶和模型参数估计;
输入数据得到自回归滑动平均模型参数具体包括,步骤101、输入模型训练基础数据;
步骤102、模型定阶;
步骤103、采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计。
含大规模风电的电力***运行依赖庞大的、准确的数据集,而风电功率预测若能将这些数据融合利用则可有效提高预测精度。与常规电力***SCADA监测不同,在各类电气、机械和热力等数据之外,风电监测数据还包含大量的资源监测、运行监测及地理信息等。
如图1所示,本发明技术方案提出的风电功率超短期预测可分为两个阶段:模型训练阶段和功率预测阶段。
阶段1:模型训练
步骤1.1:模型训练基础数据输入
风功率预报***模型训练所需输入数据包括,风电场基础信息、历史风速数据、历史功率数据,地理信息***(GIS)数据(风电场/风机坐标、测风塔坐标、升压站坐标等)。将基础数据输入到预测模型中进行模型训练。
步骤1.2:模型定阶
由于事先无法确定需要使用多少已知时间序列的项来建立估计函数,所以需要对模型进行定阶判断。
设xt为需要估计的项,xt-1,xt-2,...,xt-n为已知历史功率序列,对于ARMA(p,q)模型,模型定阶就是确定模型中参数p和q的值。
采用残差方差图法进行模型定阶。假定模型是有限阶自回归模型,如果设置的阶数小于真实阶数,则是一种不足拟合,因而拟合残差平方和必定偏大,此时通过提高阶数可以显著降低残差平方和。反之,如果阶数已经达到真实值,那么再增加阶数,就是过度拟合,此时增加阶数不会令残差平方和显著减小,甚至会略有增加。
这样用系列阶数逐渐递增的模型来拟合原始序列,每次都计算残差平方和然后画出阶数和的图形。当阶数由小增大时,会显著下降,达到真实阶数后的值会逐渐趋于平缓,有时甚至反而增大。残差方差的估计式为:
=拟合误差的平方和/(实际观测值个数-模型参数个数)
“实际观测值个数”是指拟合模型时实际使用的观察值项数,对于具有N个观察值的序列,拟合AR(p)模型,则实际使用的观察值最多为N-p。
“模型参数个数”是指所建立的模型中实际包含的参数个数,对于含有均值的模型,模型参数个数为模型阶数加1。对于N个观测值的序列,相应ARMA模型的残差估计式为:
其中,公式中,Q为拟合误差的平方和函数,和θj(1≤j≤q)是模型系数,N是观测序列长度,是模型参数中的常数项,的常识值是根据不同的和θj(1≤j≤q)进行变化的常数项,不同的和θj(1≤j≤q)对照不同的值。
步骤1.3:模型参数估计
采用矩估计方法对ARMA(p,q)的模型参数进行估计。首先,将风电场历史功率数据利用数据序列x1,x2,...,xt表示,其样本自协方差定义为
其中,k=0,1,2,...,n-1,xt和xt-k均为数据序列x1,x2,...,xt中的数值。
特别的,
则历史功率数据样本自相关函数为:
其中,k=0,1,2,...,n-1。
AR部分的矩估计为
令
则协方差函数为
用的估计代替γk,有
可得参数
对MA(q)模型系数θ1,θ2,...,θq采用矩估计有
其中k=1,2,...,m。
以上共包含m+1个方程,对其参数而言,方程为非线性,采用迭代法进行求解。
具体步骤如下,将方程变形为:
给定θ1,θ2,...,θq和的一组初始值,如
代入以上两式右边,左边所得到的值为第一步迭代值,记为再将该值依次代入上两式的右侧,便得到第二步迭代值,依次类推,直到相邻两次迭代结果小于给定阈值时,取所得的结果作为参数的近似解。
通过上述求解过程发现,要求解时间序列模型的阶数,就要得到时间序列的预测值;要得到时间序列的预测值,必须先建立具体的预测函数;要建立具体的预测函数,必须知道模型的阶数。
根据实践得出,时间序列模型阶数一般不超过5阶。所以在该算法具体实现时,可以首先假设模型为1阶,利用步骤1.3中的参数估计方法得到一阶模型的参数,进而建立估计函数便可以求得一阶模型时间序列模型估计得到各个项的预测值,从而求得一阶模型的残差方差;之后,假设模型为二阶,用上述方法求得二阶模型的残差;以此类推,可以得到1到5阶模型的残差,选残差最小的模型的阶数作为最终模型的阶数。确定模型阶数后,便可计算得到参数θ1,θ2,...,θq的值。
阶段2:功率预测
步骤2.1:功率预测基础数据输入
风电功率预测所需输入数据包括资源监测***数据和运行监测***数据两部分,其中,资源监测***数据包含风资源监测数据;运行监测***数据包括风机监测数据、升压站监测数据和数据采集与监视控制***(SCADA)数据等。
步骤2.2:噪声滤波及数据预处理
噪声滤波模块对实时监测***采集得到的带有噪声的进行滤波处理,去除坏数据和奇异值;数据预处理模块对数据进行对齐、归一化处理和分类筛选等操作,以便使得输入的数据可以为模型所用。
步骤2.3:超短期功率预测
将模型参数估计出来之后,结合已估计的模型阶数,便可得到用于风电功率超短期预测的时间序列方程。根据上述步骤2和步骤3得出的p和q值,以及θ1,θ2,...,θq的值建立自回归滑动平均模型;
自回归滑动平均模型如下:
其中,和θj(1≤j≤q)是系数,αt是白噪声序列。
步骤2.4:预测结果输出及展示
将预测结果输出至数据库中,并通过图表及曲线展示预测结果、展示预测与实测结果的对比。
步骤3:预测结果后评估及模型修正
首先对预测结果进行后评估,分析预测值与实测值之间的误差。如果预测误差大于允许的最大误差,则跳转到模型训练过程,从新进行模型定阶和模型参数估计。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于自学***均模型参数;
输入风电功率预测所需输入数据到根据上述自回归滑动平均模型的参数确定的自回归滑动平均模型中得到预测结果;
对预测结果进行后评估,即分析预测值与实测值之间的误差,如预测误差大于允许的最大误差,则从新进行模型定阶和模型参数估计;
所述输入数据得到自回归滑动平均模型参数具体包括,步骤101、输入模型训练基础数据;
步骤102、模型定阶;
步骤103、采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计。
2.根据权利要求1所述的基于自学习复合数据源的风电功率超短期预测方法,其特征在于,所述步骤101输入模型训练基础数据,输入数据包括,风电场基础信息、历史风速数据、历史功率数据和地理信息***数据。
3.根据权利要求2所述的基于自学习复合数据源的风电功率超短期预测方法,其特征在于,所述步骤102模型定阶:
采用残差方差图法进行模型定阶,具体为设xt为需要估计的项,xt-1,xt-2,...,xt-n为已知历史功率序列,对于ARMA(p,q)模型,模型定阶即确定模型中参数p和q的值;
用系列阶数逐渐递增的模型拟合原始序列,每次都计算残差平方和然后画出阶数和的图形,当阶数由小增大时,会显著下降,达到真实阶数后的值会逐渐趋于平缓,甚至反而增大,
=拟合误差的平方和/(实际观测值个数-模型参数个数),
实际观测值个数指拟合模型时实际使用的观察值项数,对于具有N个观察值的序列,拟合AR(p)模型,则实际使用的观察值最多为N-p,模型参数个数指所建立的模型中实际包含的参数个数,对于含有均值的模型,模型参数个数为模型阶数加1,对于N个观测值的序列,ARMA模型的残差估计式为:
其中,Q为拟合误差的平方和函数,和θj(1≤j≤q)是模型系数,N是观测序列长度,是模型参数中的常数项。
4.根据权利要求3所述的基于自学习复合数据源的风电功率超短期预测方法,其特征在于,所述步骤103采用矩估计方法对定阶的ARMA(p,q)模型参数进行估计具体步骤为:
将风电场历史功率数据利用数据序列x1,x2,...,xt表示,其样本自协方差定义为
其中,k=0,1,2,...,n-1,xt和xt-k均为数据序列x1,x2,...,xt中的数值;
则
则历史功率数据样本自相关函数为:
其中,k=0,1,2,...,n-1;
AR部分的矩估计为,
令
则协方差函数为
用的估计代替γk,
可得参数
对MA(q)模型系数θ1,θ2,...,θq采用矩估计有
其中k=1,2,...,m,
以上m+1个方程非线性方程,采用迭代法进行求解即得到自回归滑动平均模型参数。
5.根据权利要求4所述的基于自学***均模型的参数确定的自回归滑动平均模型中得到预测结果的步骤包括,
步骤201、输入功率预测基础数据;
步骤202、对输入的基础数据进行噪声滤波及数据预处理;
步骤203、根据确定的参数建立自回归滑动平均模型,并将处理后的数据输入从而得到预测结果。
6.根据权利要求5所述的基于自学习复合数据源的风电功率超短期预测方法,其特征在于,还包括,
步骤204、将预测结果输出至数据库中,并通过图表及曲线展示预测结果、并展示预测与实测结果的对比。
7.根据权利要求6所述的基于自学习复合数据源的风电功率超短期预测方法,其特征在于,所述输入功率预测基础数据包括资源监测***数据和运行监测***数据,所述资源监测***数据包含风资源监测数据;所述运行监测***数据包括风机监测数据、升压站监测数据和数据采集与监视控制***数据。
8.根据权利要求6所述的基于自学习复合数据源的风电功率超短期预测方法,其特征在于,所述噪声滤波及数据预处理具体为:噪声滤波模块对监测***实时采集得到的带有噪声的数据进行滤波处理,去除坏数据和奇异值;数据预处理模块对数据进行对齐、归一化处理和分类筛选处理。
9.根据权利要求6所述的基于自学***均模型为:
其中,和θj(1≤j≤q)是系数,αt是白噪声序列。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410163004.1A CN103927695B (zh) | 2014-04-22 | 2014-04-22 | 基于自学习复合数据源的风电功率超短期预测方法 |
US14/682,121 US20150302313A1 (en) | 2014-04-22 | 2015-04-09 | Method of predicating ultra-short-term wind power based on self-learning composite data source |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410163004.1A CN103927695B (zh) | 2014-04-22 | 2014-04-22 | 基于自学习复合数据源的风电功率超短期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927695A true CN103927695A (zh) | 2014-07-16 |
CN103927695B CN103927695B (zh) | 2017-11-24 |
Family
ID=51145909
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410163004.1A Active CN103927695B (zh) | 2014-04-22 | 2014-04-22 | 基于自学习复合数据源的风电功率超短期预测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20150302313A1 (zh) |
CN (1) | CN103927695B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104979850A (zh) * | 2015-07-01 | 2015-10-14 | 国网山东省电力公司经济技术研究院 | 一种储能参与备用的含风电的电力***调度方法 |
CN105719023A (zh) * | 2016-01-24 | 2016-06-29 | 东北电力大学 | 一种基于混合高斯分布的风电功率实时预测误差分析方法 |
CN106704103A (zh) * | 2017-01-05 | 2017-05-24 | 华北电力大学 | 一种基于叶片参数自学习的风电机组功率曲线获取方法 |
Families Citing this family (39)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
USD776136S1 (en) * | 2015-03-02 | 2017-01-10 | Envision Energy (Jiangsu) Co., Ltd. | Display screen with a downtime analyzer graphical user interface |
CN105468866B (zh) * | 2015-12-15 | 2018-12-21 | 长春工业大学 | 一种轨道车辆led驱动电源剩余寿命预测方法 |
CN105574615B (zh) * | 2015-12-16 | 2020-01-24 | 南京理工大学 | 一种基于空间相关性与ga的小波-bp神经网络风电功率预测方法 |
CN105844350B (zh) * | 2016-03-21 | 2019-12-17 | 广西电网有限责任公司电力科学研究院 | 一种基于协方差优选组合模型的短期风功率预测*** |
CN105956252B (zh) * | 2016-04-27 | 2019-04-02 | 哈尔滨工业大学 | 基于生成型深信度网络的超短期风速多尺度预报建模方法 |
CN106650982B (zh) * | 2016-08-30 | 2020-07-07 | 华北电力大学 | 一种基于多点nwp的深度学习功率预测方法 |
CN106655251A (zh) * | 2016-10-31 | 2017-05-10 | 国家电网公司 | 一种光伏电站并网点逆变器谐振概率指数预测方法 |
CN107274079B (zh) * | 2017-03-31 | 2020-10-27 | 国家电网公司 | 基于改进灰色聚类的供电区域划分方法 |
CN107147143B (zh) * | 2017-05-25 | 2019-12-31 | 华侨大学 | 一种风机连锁脱网故障早期预警模型建立方法 |
CN107563561A (zh) * | 2017-09-08 | 2018-01-09 | 广东工业大学 | 一种光伏预测的方法及*** |
CN107657116B (zh) * | 2017-09-26 | 2020-05-08 | 福州大学 | 一种风电场功率曲线仿射建模的方法 |
CN107665379A (zh) * | 2017-09-28 | 2018-02-06 | 南京工程学院 | 一种基于气象特征的风电场风速超短期预测方法 |
CN109840858A (zh) * | 2017-11-29 | 2019-06-04 | 中国电力科学研究院有限公司 | 一种基于高斯函数的风电功率波动聚类方法及*** |
CN108009686B (zh) * | 2017-12-13 | 2021-12-10 | 阳光电源股份有限公司 | 一种光伏发电功率预测方法、装置及*** |
CN108182257A (zh) * | 2017-12-29 | 2018-06-19 | 东北电力大学 | 一种基于区域密度统计方法优化的gsa不良数据检测与辨识方法 |
CN108233417A (zh) * | 2018-01-22 | 2018-06-29 | 华北电力大学(保定) | 一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法 |
CN108537359B (zh) * | 2018-02-28 | 2023-04-07 | 北京信息科技大学 | 基于小波分析和bp神经网络的光伏发电功率预测 |
CN108734359B (zh) * | 2018-06-08 | 2021-10-01 | 上海电机学院 | 一种风电功率预测数据预处理方法 |
CN110717610B (zh) * | 2018-07-11 | 2023-10-31 | 华北电力大学(保定) | 一种基于数据挖掘的风电功率预测方法 |
CN109117992B (zh) * | 2018-07-27 | 2022-01-04 | 华北电力大学 | 基于wd-la-wrf模型的超短期风功率预测方法 |
CN109214566B (zh) * | 2018-08-30 | 2021-02-26 | 华北水利水电大学 | 基于长短期记忆网络的风电功率短期预测方法 |
CN109523053A (zh) * | 2018-09-26 | 2019-03-26 | 国网江苏省电力有限公司 | 一种多能流***负荷预测方法 |
CN110457821B (zh) * | 2019-08-12 | 2021-07-02 | 华北电力大学 | 风功率曲线多目标综合评价方法、装置及服务器 |
CN110795841B (zh) * | 2019-10-24 | 2021-10-22 | 北京交通大学 | 一种间歇性能源出力不确定性的数学建模方法 |
CN111091233B (zh) * | 2019-11-26 | 2023-07-28 | 江苏科技大学 | 一种风电场短期风电预测建模方法 |
CN111291032A (zh) * | 2020-01-23 | 2020-06-16 | 福州大学 | 一种组合型风电场数据清洗方法 |
CN111310109B (zh) * | 2020-03-13 | 2023-03-21 | 中铁二院工程集团有限责任公司 | 一种基于vmd-arma-garch模型的非良态风速建模方法 |
CN111428926B (zh) * | 2020-03-23 | 2021-08-31 | 国网江苏省电力有限公司镇江供电分公司 | 一种考虑气象因素的区域电力负荷预测方法 |
CN111539573B (zh) * | 2020-04-27 | 2022-09-30 | 广州市香港科大***研究院 | 一种风光互补离网***的功率预测方法及*** |
CN111900743B (zh) * | 2020-07-28 | 2021-11-16 | 南京东博智慧能源研究院有限公司 | 一种风电调频潜力预测误差分布估计方法 |
CN111985711B (zh) * | 2020-08-19 | 2024-02-02 | 华北电力大学(保定) | 一种风电功率概率预测模型建立方法 |
CN112132365B (zh) * | 2020-11-24 | 2021-04-16 | 中国电力科学研究院有限公司 | 一种基于多尺度特征的预报风速订正方法和*** |
CN112417768B (zh) * | 2020-12-07 | 2022-04-26 | 天津大学 | 一种基于藤结构Pair-Copula的风电相关性条件采样方法 |
CN112564132B (zh) * | 2020-12-15 | 2023-04-14 | 深圳供电局有限公司 | 一种风电一次调频潜力不确定性建模方法 |
CN112580900B (zh) * | 2021-02-23 | 2021-07-02 | 国能日新科技股份有限公司 | 一种基于单风机建模的短期功率预测方法及*** |
CN113642784B (zh) * | 2021-07-27 | 2023-08-18 | 西安理工大学 | 一种计及风机状态的风电功率超短期预测的方法 |
CN113946795B (zh) * | 2021-09-17 | 2024-06-18 | 山东大学 | 一种超声波飞行时间估计方法 |
CN113964825A (zh) * | 2021-10-21 | 2022-01-21 | 中国电建集团华东勘测设计研究院有限公司 | 基于二次分解和BiGRU的超短期风电功率预测方法 |
CN114564487B (zh) * | 2022-04-29 | 2022-08-02 | 南京信息工程大学 | 预报预测相结合的气象栅格数据更新方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6928398B1 (en) * | 2000-11-09 | 2005-08-09 | Spss, Inc. | System and method for building a time series model |
CN1142511C (zh) * | 2001-02-28 | 2004-03-17 | 清华大学 | 基于自回归滑动平均谱分析的医用红外热图分析方法 |
AU2002360691A1 (en) * | 2001-12-19 | 2003-07-09 | Netuitive Inc. | Method and system for analyzing and predicting the behavior of systems |
US20040102937A1 (en) * | 2002-11-21 | 2004-05-27 | Honeywell International Inc. | Energy forecasting using model parameter estimation |
EP1744058A1 (en) * | 2004-05-07 | 2007-01-17 | Mitsubishi Denki Kabushiki Kaisha | Wind power generation evaluation system and prediction control service system for wind power generator |
US7251589B1 (en) * | 2005-05-09 | 2007-07-31 | Sas Institute Inc. | Computer-implemented system and method for generating forecasts |
JP4995209B2 (ja) * | 2009-01-05 | 2012-08-08 | 三菱重工業株式会社 | 風力発電装置及び風力発電装置の風向推定方法 |
US20130124436A1 (en) * | 2011-11-15 | 2013-05-16 | Fujitsu Limited | Profiling Energy Consumption |
CN103473322A (zh) * | 2013-09-13 | 2013-12-25 | 国家电网公司 | 基于时间序列模型的光伏发电功率超短期预测方法 |
US20160062950A1 (en) * | 2014-09-03 | 2016-03-03 | Google Inc. | Systems and methods for anomaly detection and guided analysis using structural time-series models |
US20160379244A1 (en) * | 2015-06-23 | 2016-12-29 | Bidtellect, Inc. | Method and system for forecasting a campaign performance using predictive modeling |
-
2014
- 2014-04-22 CN CN201410163004.1A patent/CN103927695B/zh active Active
-
2015
- 2015-04-09 US US14/682,121 patent/US20150302313A1/en not_active Abandoned
Non-Patent Citations (1)
Title |
---|
王金翠: "基于实测数据的风电场风速和风功率短期预测研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104979850A (zh) * | 2015-07-01 | 2015-10-14 | 国网山东省电力公司经济技术研究院 | 一种储能参与备用的含风电的电力***调度方法 |
CN105719023A (zh) * | 2016-01-24 | 2016-06-29 | 东北电力大学 | 一种基于混合高斯分布的风电功率实时预测误差分析方法 |
CN106704103A (zh) * | 2017-01-05 | 2017-05-24 | 华北电力大学 | 一种基于叶片参数自学习的风电机组功率曲线获取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103927695B (zh) | 2017-11-24 |
US20150302313A1 (en) | 2015-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103927695A (zh) | 基于自学习复合数据源的风电功率超短期预测方法 | |
Huo et al. | Chance-constrained optimization for multienergy hub systems in a smart city | |
Zhang et al. | Modeling conditional forecast error for wind power in generation scheduling | |
Shi et al. | Hybrid forecasting model for very-short term wind power forecasting based on grey relational analysis and wind speed distribution features | |
CN107732970B (zh) | 一种新能源并网电力***的静态安全概率评估方法 | |
CN103996073A (zh) | 测光网络实时校正自学习arma模型光伏功率预测方法 | |
WO2017054537A1 (zh) | 一种长时间尺度光伏出力时间序列建模方法及装置 | |
CN103927597A (zh) | 基于自回归滑动平均模型的风电功率超短期预测方法 | |
CN103559561A (zh) | 一种光伏电站辐照度的超短期预测方法 | |
CN103473322A (zh) | 基于时间序列模型的光伏发电功率超短期预测方法 | |
CN104573876A (zh) | 基于时序长记忆模型的风电场短期风速预测方法 | |
CN104037790B (zh) | 一种基于时序蒙特卡罗模拟的新能源接纳能力评估方法 | |
Wu et al. | Transmission network expansion planning based on chronological evaluation considering wind power uncertainties | |
CN103258103A (zh) | 基于偏最小二乘回归的戴维南等值参数辨识方法 | |
Stewart et al. | A realistic irradiance-based voltage flicker analysis of PV applied to Hawaii distribution feeders | |
CN103984986A (zh) | 实时校正的自学习arma模型风电功率超短期预测方法 | |
CN103984988A (zh) | 测光网络实时校正arma模型光伏功率超短期预测方法 | |
CN103106314A (zh) | 太阳能光伏电源输出功率的时序概率建模方法 | |
Abdullah et al. | A noniterative method to estimate load carrying capability of generating units in a renewable energy rich power grid | |
Mohan et al. | Solar energy disaggregation using whole-house consumption signals | |
CN103984987A (zh) | 一种测风网络实时校正的arma模型风电功率超短期预测方法 | |
CN103927598A (zh) | 基于自学习径向基核函数的光伏发电功率预测方法 | |
CN103927595A (zh) | 基于自学习复合数据源光伏发电功率超短期预测方法 | |
CN103927596A (zh) | 基于复合数据源自回归模型的风电功率超短期预测方法 | |
CN103927594A (zh) | 基于自学习复合数据源自回归模型的风电功率预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |