CN106251242A - 一种风电出力区间组合预测方法 - Google Patents
一种风电出力区间组合预测方法 Download PDFInfo
- Publication number
- CN106251242A CN106251242A CN201610642950.3A CN201610642950A CN106251242A CN 106251242 A CN106251242 A CN 106251242A CN 201610642950 A CN201610642950 A CN 201610642950A CN 106251242 A CN106251242 A CN 106251242A
- Authority
- CN
- China
- Prior art keywords
- wind
- output
- power output
- interval
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000005611 electricity Effects 0.000 claims abstract description 22
- 230000005684 electric field Effects 0.000 claims description 54
- 238000005457 optimization Methods 0.000 claims description 10
- 230000007935 neutral effect Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000000714 time series forecasting Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003585 interneuronal effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000028161 membrane depolarization Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种风电出力区间组合预测方法,针对风力发电受到自然风风速波动影响存在较大不确定性的问题以及预测时间提前所导致的预测精度下降的问题,对风电出力进行范围预测,并基于三种方法实现风电出力预测范围的组合整定,分别基于风速变化比率、基于预测值变化率、基于实际功率优化值三种不同方法得到风电出力的预测区间范围,随后根据历史风电出力数据选择各时段内最优的风电出力预测区间。本发明方法综合风速变化比率、预测值变化率、实际功率等风电出力的不同参数,并从中选取最优的预测区间,有利于实现更加准确的风电出力预测。
Description
技术领域
本发明涉及风力发电出力预测领域,具体而言涉及到基于风速不确定区间预测的风电出力预测,并基于三种不同方法建立风电出力区间组合预测模型。
背景技术
风力发电是清洁发电的主要途径,然而风力发电受到自然风风速的影响,存在很大的不确定性。准确的风电预测是提高风能利用效率的有效途径,也是保证风电接入下电网平衡的重要手段。风力发电企业可以利用预测结果合理安排检修,提高风电场容量系数,降低发电成本。风电出力大小受到天气、季节等因素的影响很大,主要影响因素有:风速;空气密度;风向。其中,对风电出力影响最大的是风速,自然风风速是不恒定的,短时间内变化可能很大,对于风电出力预测是很不利的。
目前主要的风电预测方法有:时间序列预测方法、回归分析方法、灰色理论方法、专家***法、支持向量机等。时间序列预测方法根据历史数据建立数学模型,对未来的目标数据进行预测;回归分析方法,利用数理统计对变量的观测数据进行分析并确定变量间关系;灰色理论方法主要用于对噪声污染过的数据建模;专家***法通过运用储存的专家知识和经验来推理并决策;支持向量机基于统计学习和结构风险最小化原理。除上述方法外,人工神经网络也在风电预测中应用广泛。人工神经网络是具有自学习,自组织和自适应能力的一个非线性动力学***。该方法利用过去数据对神经网络的神经元间的权值进行不断修正,从而获得较为理想的预测模型。大量神经元构成的网络***可以实现非线性映射、分类识别、优化计算等功能,适于求解风电出力预测问题。
发明内容
发明目的:为了对风电出力进行更加准确的预测,本发明提出了一种风电出力区间组合方法,能够提高风电出力区间预测的精度。
技术方案:为实现上述目的,本发明的风电出力区间组合方法,包括以下步骤:
(1)对于某一地区以预设的周期划分风电出力区间的预测时段;
(2)采集各时段的风电出力历史数据以及风电场各风速采集点的风速数据;
(3)对于某一预测时段,利用所采集到的风速数据分别基于风速变化率方法、预测值变化率方法对风电出力预测范围进行整定,利用所采集到的风电出力历史数据基于实际功率方法对风电出力预测范围进行优化;
(4)利用该预测时段上一时段的风电场出力的实际数据和预测数据对三种方法的预测精度进行分析并选择该预测时段的最佳预测方法,将对应的风电出力预测区间作为组合预测的风电出力预测区间。
具体地,步骤(3)中在某一预测时段利用所采集到的风速数据基于风速变化率对风电出力预测范围进行整定,包括以下步骤:
1)计算该预测时段的上一时段的风速序列中各时刻与其前一时刻的风速数据之间的风速变化比率,形成上一时段的风速变化率序列;
2)基于BP神经网络运算,利用该上一时段的风速序列预测该预测时段中各时刻的风速数据,获取该预测时段的风速变化率序列;
3)对该预测时段的风速变化率序列中的风速变化率按照等长度划分风速变化率区间,对落在各区间内的风速变化率进行统计得到概率最大的风速变化率区间,将该区间的中间值作为风速不确定区间系数,对于该预测时段的某个时刻,将该时刻的实测风速乘以该不确定区间系数进行风速整定,得到下一时刻风电场出力的预测区间为:
Ψ(v×(1-d),t)≤Pt+1≤Ψ(v×(1+d),t)
Ψ表示t时刻风速与t+1时刻风电场出力之间的非线性映射关系,该非线性映射关系通过BP神经网络运算得出。
具体地,步骤(3)中在某一预测时段利用所采集到的风速数据基于预测值变化率对风电出力预测范围进行整定,包括以下步骤:
1)计算该预测时段的上一时段中各时刻输出功率的变化率;
2)利用上一时段中各时刻的输出功率变化率以及输出功率预测该预测时段中各时刻的输出功率;
3)计算该预测时段中各时刻的输出功率变化率并按照等长度划分输出功率变化率区间,将落在各区间内的输出功率变化率进行统计得到概率最大的区间,将该区间的上界作为功率整定参数δ;
4)利用功率整定参数δ对风电场出力进行整定,得到该预测时段中的某一时刻k+1风电场出力的预测区间Θ为:
Θ=[(1-δ)·p(k+1),(1+δ)·p(k+1)]。
具体地,步骤(3)中在某一预测时段基于实际功率对风电出力预测范围进行优化,包括以下步骤:
1)利用风电出力历史数据和风速数据对BP神经网络进行训练;
2)利用训练好的BP神经网络依次获取该预测时段中各未知时刻的输出功率预测值;
3)对于该预测时段的某一未知时刻,计算该未知时刻的上一时刻输出功率实际值和输出功率预测值之间的差值,作为该时刻的优化参数δ,利用优化参数δ对该时刻的输出功率预测值进行优化,得到该时刻的风电场出力的预测区间,对于某个未知时刻k的风电场出力的预测区间为:
Θk=[(1-δ)·pk,(1+δ)·pk]。
上述步骤(4)中利用该预测时段上一时段的风电场出力的实际数据和预测区间对三种方法的预测精度进行分析并选择该预测时段的最佳预测方法,具体为:
统计上一时段中各时刻风电场出力的实际数据分别落入三种方法预测区间的总数,将总数最大对应的方法作为该预测时段的最佳预测方法。
有益效果:本发明中的风电出力区间组合方法首先分别基于风速变化比率、基于预测值变化率、基于实际功率优化值三种不同方法利用神经元网络模型以及序列模型得到风电出力的预测区间范围,随后根据历史风电出力数据选择各时段内最优的风电出力预测区间,并对各时段预测基于历史数据选取最优的预测方法,免除了独立使用其中某个预测方法存在一定局限性的缺点,有利于提高风电出力区间预测的精度;本发明中的风电出力区间组合方法针对风电出力不确定性,以出力区间预测代替传统风电确定性预测,更加适应风电出力的偶然性特点;可针对不同的地理环境、风电场装机情况进行分析研究,具有较强的适应性,对于风电出力区间预测方法的改进及推广具有较好的增益效果。
附图说明
图1为本发明中的风电出力区间组合预测方法的流程图;
图2为基于实际功率的风电出力预测范围优化流程图;
图3为实施例1中基于风速变化比率方法在预测时段中实现95%~105%风速区间风电场出力预测结果;
图4为实施例1中基于预测值变化率方法在预测时段中的风电出力区间预测结果;
图5为实施例1基于实际功率的风电出力预测范围优化整定方法在预测时段中的风电出力预测范围优化结果。
具体实施方式
下面结合实施案例对本发明方法作更进一步的说明。
如图1所示,本发明中的风电出力区间组合预测方法包括以下步骤:
(1)划分风电出力区间预测时段,采集各时段的风电出力历史数据以及风电场各风速采集点的风速数据。
风电场出力主要受到风速的影响,风速存在较大不确定性,但对于同一地区同时段(季节)的风速,存在一定的规律,因此,将需要进行风电出力区间预测的时段加以划分,主要基于相同季节(月份)以及相同时段(日期),不同地区季节划分存在差异,时段划分采用2-4天为一周期。
例如:对于某一地区,以8月的1号至4号作为一个时段,以5号至9号作为一个时段,以4天为一个周期依次类推。
(2)利用所采集的风电场各风速采集点的风速数据,分别采用三种不同方法对风电场出力区间进行预测,预测时采用前一时段数据预测后一时段:
a)基于风速变化比率的风电出力预测范围整定
风电场出力预测的准确度与风速预测的准确度息息相关,为了对风电场出力范围进行界定,可首先对风速变化进行预测,基于风速变化预测区间范围实现对风电场出力区间预测。
定义风速变化率:
对某一时段的风速序列v1[k]={v1,v2,v3...vk},即将其序列下一时刻v1[k]'={v2,v3...vk+1}各项与v1[k]={v1,v2,v3...vk}序列先做差值,再计算差值相对于上一时刻风速的比例,得出该时段的风速变化率序列:
ew[k]={ew(2),ew(3),ew(4),...ew(k+1)};
利用某一预测时段的上一时段的风速序列对BP神经网络进行训练,预测该预测时段中各时刻的风速数据,进一步得到该预测时段的风速变化率序列;
对该预测时段的风速变化率序列中的风速变化率按照等长度划分风速变化率区间,例如:将变化率区间分为0%-5%,5%-10%,10%-15%等若干个等长度区间,对落在各区间内的风速变化率进行统计得到概率最大的风速变化率区间为5%-10%,将该区间的中间值7.5%作为风速不确定区间系数d,对于该预测时段的某个时刻,将该时刻的实测风速乘以该不确定区间系数d进行风速整定,得到下一时刻风电场出力的预测区间为:
Ψ(v×(1-d),t)≤Pt+1≤Ψ(v×(1+d),t),
其中,Pt+1即表示t时刻下一时刻的风电场出力,Ψ表示t时刻风速与t+1时刻风电场出力之间的非线性映射关系,该非线性映射关系可以通过BP神经网络运算得出。
b)基于预测值变化率的风电出力预测范围整定
由于风电场的输出功率具有较大的随机性,风速的突变往往会引起输出功率的大幅度变化,这些变化幅度较大的点预测精度也会随之下降。在已知输出功率预测值的基础上,可以利用输出功率的变化率来对风电出力预测范围进行整定。
定义某一时刻k的输出功率变化率:
利用某一预测时段上一时段中各时刻的输出功率变化率以及输出功率预测该预测时段中各时刻的输出功率;
计算该预测时段中各时刻的输出功率变化率并按照等长度划分输出功率变化率区间,将落在各区间内的输出功率变化率进行统计得到概率最大的区间,将该区间的上界作为功率整定参数δ,例如:将输出功率划分为0%-5%,5%-10%,10%-15%等若干个等长度区间,若落在区间5%-10%概率最大,则整定参数δ=10%;
利用功率整定参数δ对风电场出力进行整定,得到该预测时段中的某一时刻k+1的风电场出力的(输出功率)预测区间Θ为:
Θ=[(1-δ)·p(k+1),(1+δ)·p(k+1)]。
c)基于实际功率的风电出力预测范围优化
上述两种方法都仅仅是基于历史数据进行未来某时段的风电出力预测,并未涉及预测时段内风电的实际出力。在预测过程中,可结合已获取的实际风电出力历史数据修正未来时间节点的风电预测区间。
在某一预测时段过去时刻实际输出功率已知的情况下,利用已知时间段[0,k-1]实际输出功率序列p[k-1]={r1,r2,r3...rk-1}来对BP神经网络输出的功率预测区间进行优化。如图2所示,具体包括以下步骤:
1)利用风电出力历史数据和风速数据对BP神经网络进行训练得到输入量风速和输出量风电场出力之间的关系;
2)利用训练好的BP神经网络依次获取该预测时段中各未知时刻的风电场出力预测值;
3)对于该预测时段的某一未知时刻,将该未知时刻的上一时刻风电场出力实际值和风电场出力预测值之间的差值作为该时刻的优化参数δ,利用优化参数δ对该时刻的风电场出力预测值进行优化,得到该时刻的风电场出力的预测区间,对于某个未知时刻k的风电场出力的预测区间为:
Θk=[(1-δ)·pk,(1+δ)·pk]。
例如:对于时刻k,当已知过去n个时间点的风电场出力实际值序列p[k-n,k-1]={pk-n,pk-n+1...pk-1}和预测值序列r[k-n,k-1]={rk-n,rk-n+1...rk-1}时,则某一时刻k-1风电场出力实际值和预测值之间的差值为Δpk-1=pk-1-rk-1。
(3)针对不同的情况,在三种方法的基础上提出风电场出力的区间组合预测。在预测时段各时刻实际风电场出力未知的情况下,可以利用风速变化区间预测或利用预测值变化率整定范围;在预测时段过去时刻实际风电场出力已知的情况下,可利用实际功率来优化后续未知时刻的输出功率预测,并得到整定后的风电场出力范围。
在某个预测时段对某风电场的风电出力进行预测,先分别采用上述三种方法进行风电出力区间预测,上一时段的风电场出力的实际数据和预测数据对三种方法的预测精度进行分析并选择该预测时段的最佳预测方法,将对应的风电出力预测区间作为组合预测的风电出力预测区间。
实施例1:
本实施例中采用Matlab编程仿真平台,选取某个风电场某时段实际数据进行分析,基于实际历史数据分别采用三种方法进行预测,计算三种方法在各时段的实际预测效果,选取该时段最佳的预测区间作为该时段的最优区间预测方法。各时段预测区间以此类推,形成整体的区间预测。
选取历史数据某时段进行分析,分别采用三种方法进行预测,并对预测结果与实际数据进行比较,选取该时段最佳的预测方法(区间)。
(1)利用基于风速变化比率的风电出力预测范围整定方法,首先对风速在每个时间点的变化率进行预测统计,通过BP神经元网络预测现有风速下一时刻的风速变化,并对变化幅度以现有风速为基准计算出比率,对所有比率进行统计,统计出下一时刻风速变化最大可能区间。
经统计下一时刻风速是前一时刻风速比例大部分(概率为48%)位于4%~6%的风速变化率区间,则风速不确定区间系数d取5%。由此可将风速数据给予上下限值,从而得到预测的出力的范围。通过该结果对人工神经网络输入风速测量值的95%~105%作为风速输入上下限,得到的风电出力范围结果如图3所示。
黑色实线为实际风电场出力,灰色区域为将风速上下限作为输入得到的风电出力上下限值,可见实际风电出力值大部分位于浅色区域范围内,表明在风速大幅度波动时可采用预测出力上下限值的方式。模型所得到的风电出力的预测区间,在波动剧烈的位置仍然存在一定误差,但比现有技术中的预测风电出力的方法更能适应风电出力的不确定性,由此采用的风电出力上下限区间平衡风电预测中的不确定性,为***备用容量的选取提供充分依据。
(2)采用基于预测值变化率的风电出力预测范围整定方法考虑风电风电场出力预测值的变化率,通过选择合理的映射关系来反映风电出力的不确定性:当风电场出力变化率处于0-5%范围内概率最大时,对应风电场出力范围为预测值的95%~105%;当风电场出力变化率处于5-10%范围内概率最大时,对应的风电场出力范围为预测值的90%~110%;以此类推,本实施例中当风电场出力变化率处于15-20%范围内概率最大,最大风电场出力范围设定为80%~120%,得到的出力范围结果如图4所示。
从图4中结果可以看出,对于风电出力变化相对较大的点,风电场出力实际值可以更好的落在整定范围内;在出力波动较小的点也可以实现整定区间的有效减小。但依然存在部分时间点的实际功率超出整定范围的情况。
(3)采用基于实际功率的风电出力预测范围优化方法来实现风电场出力范围整定,当情况为在预测时间段内已知风电场过去时刻的实际风电场出力时,以上一时刻风电场出力实际值和预测值之间的差值作为输入,得到对应的风电场出力范围区间。差值范围和整定区间参数的关系对应如下表1所示:
表1 差值范围与整定区间参数表
从图5所示基于实际功率的风电出力预测范围优化方法的区间整定结果可以发现,在已知风电场实际风电场出力的情况下,可以更好的对输出范围做出整定,得到较好的风电场出力预测区间。除极少数风电实际风电场出力值超出了预测范围,大部分的风电场出力实际值都落在了范围之内。
表2 各方法风电出力预测区间准确率统计
由表2综合三者的比较结果:采用基于风速变化比率的风电出力预测范围整定方法5%浮动输入,超出整定范围的数据点有54个(总数据点144个);采用基于预测值变化率的风电出力预测范围整定方法超出整定范围的数据点有70个;采用基于实际功率的风电出力预测范围优化方法超出整定范围的数据点有32个。结果表明当未知风电实时风电场出力的情况下可采用基于风速预测变化区间的预测方法,而在已知风电实际风电场出力的情况下,采用实时值整定预测区间较预测值变化率整定方法可以获得更好的预测结果。综合了三种方法对风电场出力范围进行整定,主要基于风速变化比率预测整定、预测值变化率整定范围和实时值修正整定范围。对某地风电出力可分段采用上述三种方法进行分别预测,并基于历史实际数据考察各方法在不同时段的准确度,选取各时段最优的预测方法进行预测,并组成最终的预测出力区间。
Claims (5)
1.一种风电出力区间组合预测方法,其特征在于,包括以下步骤:
(1)对于某一地区以预设的周期划分风电出力区间的预测时段;
(2)采集各时段的风电出力历史数据以及风电场各风速采集点的风速数据;
(3)对于某一预测时段,利用所采集到的风速数据分别基于风速变化率方法、预测值变化率方法对风电出力预测范围进行整定,利用所采集到的风电出力历史数据基于实际功率方法对风电出力预测范围进行优化;
(4)利用该预测时段上一时段的风电场出力的实际数据和预测数据对三种方法的预测精度进行分析并选择该预测时段的最佳预测方法,将对应的风电出力预测区间作为组合预测的风电出力预测区间。
2.根据权利要求1所述的风电出力区间组合预测方法,其特征在于,步骤(3)中在某一预测时段利用所采集到的风速数据基于风速变化率对风电出力预测范围进行整定,包括以下步骤:
1)计算该预测时段的上一时段的风速序列中各时刻与其前一时刻的风速数据之间的风速变化比率,形成上一时段的风速变化率序列;
2)基于BP神经网络运算,利用该上一时段的风速序列预测该预测时段中各时刻的风速数据,获取该预测时段的风速变化率序列;
3)对该预测时段的风速变化率序列中的风速变化率按照等长度划分风速变化率区间,对落在各区间内的风速变化率进行统计得到概率最大的风速变化率区间,将该区间的中间值作为风速不确定区间系数,对于该预测时段的某个时刻,将该时刻的实测风速乘以该不确定区间系数进行风速整定,得到下一时刻风电场出力的预测区间为:
Ψ(v×(1-d),t)≤Pt+1≤Ψ(v×(1+d),t)
Ψ表示t时刻风速与t+1时刻风电场出力之间的非线性映射关系,该非线性映射关系通过BP神经网络运算得出。
3.根据权利要求1所述的风电出力区间组合预测方法,其特征在于,步骤(3)中在某一预测时段利用所采集到的风速数据基于预测值变化率对风电出力预测范围进行整定,包括以下步骤:
1)计算该预测时段的上一时段中各时刻输出功率的变化率;
2)利用上一时段中各时刻的输出功率变化率以及输出功率预测该预测时段中各时刻的输出功率;
3)计算该预测时段中各时刻的输出功率变化率并按照等长度划分输出功率变化率区间,将落在各区间内的输出功率变化率进行统计得到概率最大的区间,将该区间的上界作为功率整定参数δ;
4)利用功率整定参数δ对风电场出力进行整定,得到该预测时段中的某一时刻k+1风电场出力的预测区间Θ为:
Θ=[(1-δ)·p(k+1),(1+δ)·p(k+1)]。
4.根据权利要求1所述的风电出力区间组合预测方法,其特征在于,步骤(3)中在某一预测时段基于实际功率对风电出力预测范围进行优化,包括以下步骤:
1)利用风电出力历史数据和风速数据对BP神经网络进行训练;
2)利用训练好的BP神经网络依次获取该预测时段中各未知时刻的输出功率预测值;
3)对于该预测时段的某一未知时刻,计算该未知时刻的上一时刻输出功率实际值和输出功率预测值之间的差值,作为该时刻的优化参数δ,利用优化参数δ对该时刻的输出功率预测值进行优化,得到该时刻的风电场出力的预测区间,对于某个未知时刻k的风电场出力的预测区间为:
Θk=[(1-δ)·pk,(1+δ)·pk]。
5.根据权利要求1所述的风电出力区间组合预测方法,其特征在于,步骤(4)中利用该预测时段上一时段的风电场出力的实际数据和预测区间对三种方法的预测精度进行分析并选择该预测时段的最佳预测方法,具体为:
统计上一时段中各时刻风电场出力的实际数据分别落入三种方法预测区间的总数,将总数最大对应的方法作为该预测时段的最佳预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610642950.3A CN106251242B (zh) | 2016-08-08 | 2016-08-08 | 一种风电出力区间组合预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610642950.3A CN106251242B (zh) | 2016-08-08 | 2016-08-08 | 一种风电出力区间组合预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106251242A true CN106251242A (zh) | 2016-12-21 |
CN106251242B CN106251242B (zh) | 2019-12-10 |
Family
ID=58079181
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610642950.3A Active CN106251242B (zh) | 2016-08-08 | 2016-08-08 | 一种风电出力区间组合预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106251242B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
CN108446506A (zh) * | 2018-03-26 | 2018-08-24 | 东北大学 | 一种基于区间反馈神经网络的不确定***建模方法 |
CN108876060A (zh) * | 2018-08-01 | 2018-11-23 | 国网吉林省电力有限公司长春供电公司 | 一种基于大数据的样本采集风电出力概率预测方法 |
CN109449929A (zh) * | 2018-11-22 | 2019-03-08 | 南方电网科学研究院有限责任公司 | 分布式电源对配网馈线利用率影响预测评估方法及产品 |
CN109960818A (zh) * | 2017-12-22 | 2019-07-02 | 北京金风慧能技术有限公司 | 生成风电场的模拟风速数据的方法及装置 |
CN112036607A (zh) * | 2020-07-30 | 2020-12-04 | 南方电网科学研究院有限责任公司 | 基于出力水平的风电出力波动预测方法、装置及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110078226A1 (en) * | 2009-09-30 | 2011-03-31 | International Business Machines Corporation | Sparse Matrix-Vector Multiplication on Graphics Processor Units |
CN105552970A (zh) * | 2016-02-25 | 2016-05-04 | 华北电力科学研究院有限责任公司 | 一种提高风电场功率预测准确度的方法及装置 |
-
2016
- 2016-08-08 CN CN201610642950.3A patent/CN106251242B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110078226A1 (en) * | 2009-09-30 | 2011-03-31 | International Business Machines Corporation | Sparse Matrix-Vector Multiplication on Graphics Processor Units |
CN105552970A (zh) * | 2016-02-25 | 2016-05-04 | 华北电力科学研究院有限责任公司 | 一种提高风电场功率预测准确度的方法及装置 |
Non-Patent Citations (1)
Title |
---|
李艳晴等: "基于卡尔曼滤波的迟滞神经网络风速序列预测", 《北京科技大学学报》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875033A (zh) * | 2016-12-26 | 2017-06-20 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
CN106875033B (zh) * | 2016-12-26 | 2020-06-02 | 华中科技大学 | 一种基于动态自适应的风电集群功率预测方法 |
CN109960818A (zh) * | 2017-12-22 | 2019-07-02 | 北京金风慧能技术有限公司 | 生成风电场的模拟风速数据的方法及装置 |
CN109960818B (zh) * | 2017-12-22 | 2023-06-20 | 北京金风慧能技术有限公司 | 生成风电场的模拟风速数据的方法及装置 |
CN108446506A (zh) * | 2018-03-26 | 2018-08-24 | 东北大学 | 一种基于区间反馈神经网络的不确定***建模方法 |
CN108446506B (zh) * | 2018-03-26 | 2021-06-08 | 东北大学 | 一种基于区间反馈神经网络的不确定***建模方法 |
CN108876060A (zh) * | 2018-08-01 | 2018-11-23 | 国网吉林省电力有限公司长春供电公司 | 一种基于大数据的样本采集风电出力概率预测方法 |
CN108876060B (zh) * | 2018-08-01 | 2021-05-11 | 国网吉林省电力有限公司长春供电公司 | 一种基于大数据的样本采集风电出力概率预测方法 |
CN109449929A (zh) * | 2018-11-22 | 2019-03-08 | 南方电网科学研究院有限责任公司 | 分布式电源对配网馈线利用率影响预测评估方法及产品 |
CN112036607A (zh) * | 2020-07-30 | 2020-12-04 | 南方电网科学研究院有限责任公司 | 基于出力水平的风电出力波动预测方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106251242B (zh) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106251242A (zh) | 一种风电出力区间组合预测方法 | |
Wang et al. | Research and application of a combined model based on multi-objective optimization for multi-step ahead wind speed forecasting | |
Liu et al. | Forecasting power output of photovoltaic system using a BP network method | |
De Giorgi et al. | Error analysis of short term wind power prediction models | |
Gomes et al. | Wind speed and wind power forecasting using statistical models: autoregressive moving average (ARMA) and artificial neural networks (ANN) | |
CN103268366B (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN109657881A (zh) | 一种适用于小样本的神经网络光伏发电预测方法及*** | |
Zhang et al. | GEFCom2014 probabilistic solar power forecasting based on k-nearest neighbor and kernel density estimator | |
CN105512745A (zh) | 基于粒子群—bp神经网络的风电功率区间预测方法 | |
CN102478584B (zh) | 基于小波分析的风电场风速预测方法及*** | |
CN105046953A (zh) | 一种短时交通流组合预测方法 | |
CN101893674A (zh) | 一种区域电网污闪指数预测方法 | |
CN104408562A (zh) | 一种基于bp神经网络的光伏***发电效率综合评估方法 | |
Kolhe et al. | GA-ANN for short-term wind energy prediction | |
CN104732300A (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
Tarade et al. | A comparative analysis for wind speed prediction | |
CN104820877A (zh) | 基于云自适应pso-snn的光伏***发电功率预测方法 | |
CN103793887A (zh) | 基于自适应增强算法的短期电力负荷在线预测方法 | |
Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
CN107832881A (zh) | 考虑负荷水平和风速分段的风电功率预测误差评价方法 | |
Yang et al. | Sub-minute probabilistic solar forecasting for real-time stochastic simulations | |
CN105956708A (zh) | 基于灰关联时间序列的短期风速预测方法 | |
CN103745274A (zh) | 一种用于分散式风电的短期功率预测方法 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 |
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 |