CN106849066A - 一种区域风电功率预测方法 - Google Patents
一种区域风电功率预测方法 Download PDFInfo
- Publication number
- CN106849066A CN106849066A CN201710130285.4A CN201710130285A CN106849066A CN 106849066 A CN106849066 A CN 106849066A CN 201710130285 A CN201710130285 A CN 201710130285A CN 106849066 A CN106849066 A CN 106849066A
- Authority
- CN
- China
- Prior art keywords
- wind power
- power plant
- wind
- data
- region
- 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 32
- 230000005611 electricity Effects 0.000 claims abstract description 31
- 238000006116 polymerization reaction Methods 0.000 claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000003064 k means clustering Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 3
- 238000010248 power generation Methods 0.000 abstract description 2
- 230000005684 electric field Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000009987 spinning Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A30/00—Adapting or protecting infrastructure or their operation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Power Engineering (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Wind Motors (AREA)
Abstract
本申请涉及一种区域风电功率预测方法,属于风力发电技术领域。该方法包括:采集接入同一线路拓扑的区域中各个风电场的风电数据;根据所述各个风电场风电数据中的功率数据和风速数据之间的关联与聚合特性,对所述区域中各个风电场进行分组;根据所述各个风电场组中风电场的风电数据,建立预测模型;根据所述预测模型,预测所述各个风电场组的功率;将预测到的各个风电场组的风电功率叠加,获得区域风电功率预测值。该方法考虑了区域中各个风电场的风速数据与功率数据之间的关联与聚合特性,采用聚类算法实现风电数据的聚合,并通过建立深度神经网络模型实现对区域风电功率的预测,提高了区域风电功率预测的准确性。
Description
技术领域
本申请涉及一种区域风电功率预测方法,属于风力发电技术领域。
背景技术
风力发电属于波动性和间歇性电源,风电出力具有随机性较强、间歇性明显、功率不具备调节能力等特点。风电直接并网会给电力***的稳定性和电能质量带来很大的影响,部分地区甚至选择限制风电场并网功率来保障电网的正常运行。因而对风电功率进行准确的超短期预测能够为电网调度人员提供数据支持,有助于减少电网的旋转备用容量,提高电网***的经济性与稳定性。
目前,风电场的建设通常具有集群性,多个风电场通过同一条线路并入电网***,采集的气象与电气数据信息量大且具有内在关联与聚合特性。在功率预测时以特定线路拓扑为对象,对区域电网中风电场出力进行预测更为快捷、有效。然而,直接预测风电出力的方法未考虑到风电数据的关联与聚合特性,导致其预测精度较低。因此,需要一种新的风电出力预测方法,以提高对区域风电功率超短期预测的准确性。
发明内容
本申请提供了一种区域风电功率预测方法,以提高对区域风电功率超短期预测的准确性。
一种区域风电功率预测方法,包括:
步骤一、采集接入同一线路拓扑的区域中各个风电场的风电数据;
步骤二、根据所述各个风电场风电数据中的功率数据和风速数据之间的关联与聚合特性,对所述区域中各个风电场进行分组;
步骤三、根据所述各个风电场组中风电场的风电数据,建立预测模型;
步骤四、根据所述预测模型,预测所述各个风电场组的功率;
步骤五、将预测到的各个风电场组的风电功率叠加,获得区域风电功率预测值。
可选地,所述线路拓扑为仅接入多个风电场的单一电网传输线路。
可选地,根据所述各个风电场的风电数据中的功率数据和风速数据之间的关联与聚合特性,对所述区域中的风电场进行分组,包括:
根据所述各个风电场的风电数据的功率数据和风速数据之间的关联与聚合特性,采用k均值聚类算法,对所述区域中的风电场进行分组。
可选地,所述k均值聚类算法的步骤包括:根据历史数据确定各个风电场的聚类输入特征向量;确定初始聚类中心;确定新的聚类中心;确定所述区域中各个风电场的分组结果。
可选地,所述历史数据包括:所述各个风电场的功率与所述区域风电功率的历史值之间的相关系数,所述各个风电场的功率数据的平均值、最大值和方差,所述各个风电场的风速数据的平均值、最大值和方差。
可选地,所述预测模型为深度神经网络预测模型,其中,所述深度神经网络预测模型的输入包括:风电场组中主风电场的风速序列和风电功率序列,从风电场的风速数据的平均值、最大值以及方差,从风电场的功率数据的平均值、最大值以及方差;所述深度神经网络预测模型的输出为风电场组功率的预测值;
所述主风电场为风电场组聚类过程中距聚类中心最近的风电场,所述从风电场为所述风电场组中除主风电场外的风电场。
本申请提供的技术方案包括以下有益技术效果:
本申请以特定线路拓扑下的区域内各个风电场为对象,根据所述风电场的功率数据和风速数据的关联与聚合特性对风电场进行分组,并基于深度学习理论建立深度神经预测模型,根据输入数据自主学习最优特征,以充分挖掘、学习数据间的关联与聚合特性,实现对区域风电功率的超短期预测,提高区域风电功率预测的准确性。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是一种区域风电功率预测方法的流程图。
具体实施方式
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本申请的实施例,并与说明书一起用于解释本申请的原理。
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
一种区域风电功率预测方法,包括以下步骤:
步骤一、采集接入同一线路拓扑的区域中各个风电场的风电数据。
可选地,所述线路拓扑为仅接入多个风电场的单一电网传输线路。所述风电场的风电数据包括所述风电场的风速数据、功率数据和所述区域风电功率的历史值。
步骤二、根据所述各个风电场风电数据中的功率数据和风速数据之间的关联与聚合特性,对所述区域中各个风电场进行分组。
关联特性指在一个风电场集群中,由于各个风电场在空间位置上较为接近以及在电网拓扑结构上互相连接,风电场集群中各个子风电场的测风数据与功率监测数据是彼此影响,存在内在的关联关系;聚合特性则指当多个风电场在空间位置上分布相对集中且连接于同一电气联络线时,各个风电场的风速、功率数据会具有一定程度的一致性,可以采用数据聚合的手段将各个风电场的数据进行合并以进行统一的分析处理。
可选地,所述根据所述各个风电场的风电数据的功率数据和风速数据之间的关联与聚合特性,对所述区域中的风电场进行分组,包括:根据所述各个风电场的风电数据的功率数据和风速数据之间的关联与聚合特性,采用k均值聚类算法,对所述区域中的风电场进行分组;其中,所述k均值聚类算法的聚类输入特征向量根据历史数据计算,所述历史数据包括:所述各个风电场的功率与所述区域风电功率的历史值之间的相关系数,所述各个风电场的功率数据的平均值、最大值和方差,所述各个风电场的风速数据的平均值、最大值和方差。
所述k均值聚类算法的具体步骤如下:
(1)确定聚类输入特征向量。所述聚类输入特征向量为各个风电场用于k均值聚类算法的数据。该聚类输入特征向量根据历史数据计算,所述历史数据包括:所述各个风电场的功率与所述区域风电功率的历史值之间的相关系数,所述各个风电场的功率数据的平均值、最大值和方差,所述各个风电场的风速数据的平均值、最大值和方差。
(2)确定初始聚类中心。从所述各个风电场的聚类输入特征向量中选择k个聚类输入特征向量作为初始聚类中心。
(3)确定新的聚类中心。计算所述各个风电场的聚类输入特征向量与当前各个聚类中心间的欧式距离,将所述各个风电场划分至与其聚类输入特征向量距离最近的聚类中心所代表的类别中,当所有风电场均划分至某一类中后,计算各类中风电场聚类特征向量的平均值作为新的聚类中心。
(4)确定风电场的分组结果。重复步骤(3)直至聚类中心不再改变或达到最大重复计算次数,并将此时风电场类别划分的结果作为最终聚类结果,即风电场分组结果。
现结合某地区某条线路上的五个风电场,对该考虑关联与聚合特性的区域风电功率的预测方法的风电场分组方法进行示例性说明。表1所示的数据包括接入同一线路拓扑的区域中各个风电场的功率与区域风电功率历史值的相关系数,各个风电场的功率数据的平均值、最大值以及方差,各个风电场风速数据的平均值、最大值以及方差。
表1各个风电场的历史数据
表1中,相关系数的计算公式如式(1)所示:
其中,rxy为接入同一线路拓扑的区域中各个风电场的功率与区域风电功率历史值的相关系数;xi为各个风电场的功率;是各个风电场功率的平均值;yi为区域风电功率历史值;是区域风电功率历史值的平均值,i=1,2……n(n为风电场个数)。
方差的计算公式如式(2)所示:
其中,D为各个风电场功率/风速的方差;xi为各个风电场的功率/风速;是各个风电场功率/风速的平均值,i=1,2,……,n(n为风电场个数)。
考虑到风电场数据的关联与聚合特性,根据表1所示的5个风电场的数据进行k均值聚类计算对区域内各个风电场进行分组,其中,取k=2,将风电场群分为如下所示两个风电场组:
风电场组1:风电场1、风电场2、风电场3、风电场4;
风电场组2:风电场5。
步骤三、根据所述各个风电场组中风电场的风电数据,建立预测模型
可选地,所述预测模型为深度神经网络预测模型,所述深度神经网络预测模型的输入包括:风电场组中主风电场的风速序列和风电功率序列,从风电场的风速数据的平均值、最大值以及方差,从风电场的功率数据的平均值、最大值以及方差;所述深度神经网络预测模型的输出为风电场组功率的预测值;
所述风速序列是指风电场中测风塔采集的风速数据,该风速数据为每隔一定时间间隔T记录一次的风速数据在T时间内的平均值。
所述风电功率序列是指风电场监测设备记录的风电场输出功率数据,该功率数据为每隔一定时间间隔T记录一次的风电输出功率在T时间内的平均值。
所述主风电场为风电场组的聚类计算过程中距聚类中心最近的风电场,所述从风电场为所述风电场组中除主风电场外的其它风电场。
所述聚类中心是指风电场组中,各个风电场的聚类输入特征向量的平均值。
所述深度神经网络预测模型是深度学习理论中较为常用的深度人工神经网络模型,该模型包括输入层、隐含层(多层)、输出层,且只有相邻层的节点之间有连接,同一层以及跨层节点之间相互无连接。该神经网络预测模型以风电场组为对象进行风电功率预测,充分利用了区域内各个风电场的关联特性;该神经网络预测模型输入不仅包含该风电场组中主风电场数据,还包括了组内其他从风电数据,充分利用了各个风电场风电数据的关联特性。
传统神经网络模型在拟合该类输入输出的映射时易出现过拟合和不收敛的现象,导致模型预测精度较低,因而需要建立更为复杂的深度人工神经网络模型来处理这种映射关系。可选地,在本实施例中,所述深度神经网络预测模型通过在MATLAB平台上编程实现,模型输入层包含40个节点,输出层包含16个节点,即40维输入,16维输出,隐含层为7层,每层包含90个节点。
步骤四、根据所述深度神经网络预测模型,预测所述各个风电场组的功率。
该深度神经网络预测模型可根据输入特征向量自主学习最优特征,以充分挖掘、学习数据间的关联与聚合特性,实现对输入数据与输出数据间的复杂函数关系拟合,以提高对区域风电功率预测的准确性,并实现对区域内风电场风电功率的超短期预测。
从时间尺度角度上划分,一般可将风电功率预测划分为中长期预测、短期预测和超短期预测。其中,超短期预测一般以“小时”、“分钟”为单位,并能够预测未来0-4h的风电输出功率。
具体地,在该步骤中,利用所述深度神经网络模型可预测各个风电场组进行未来4小时时间尺度的超短期功率值。
步骤五、将预测到的各个风电场组的风电功率叠加,得到区域风电功率预测值。
为验证该预测方法的有效性,对区域功率直接预测与所述考虑关联与聚合特性的区域风电功率预测两种方法进行对比,结果如表2所示。
表2预测方法结果比较
预测方法 | MAE | MSE | R |
直接预测 | 0.9743 | 2.3254 | 0.9953 |
考虑关联与聚合特性预测 | 0.8764 | 1.8078 | 0.9963 |
在表2中,MAE(平均绝对误差)的计算公式为式(3),MSE(均方误差)的计算公式为式(4),R为预测功率序列与实际功率序列的互相关系数。
其中,Pt,i为第i时间段实际功率;Pp,i为第i时间段预测功率。
从表2可以看出,与直接预测方法相比,考虑关联与聚合特性的区域风电功率预测方法的MAE和MSE值分别下降了10.05%和22.26%,预测精度明显提升,两种方法结果的R值变化不大,但通过深度学习方法结果获得的R值仍得到了一定的提高。
本申请以特定线路拓扑下的区域内的各个风电场为对象,根据区域内各个风电场的功率数据和风速数据的关联与聚合特性对风电场进行分组,并基于深度学习理论建立深度神经预测模型,根据输入数据自主学习最优特征,以充分挖掘、学习数据间的关联与聚合特性,实现对区域风电功率的超短期预测,提高了风电功率预测的准确性。
需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
应当理解的是,本申请并不局限于上面已经描述的内容,并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (6)
1.一种区域风电功率预测方法,其特征在于,所述方法包括:
采集接入同一线路拓扑的区域中各个风电场的风电数据;
根据所述各个风电场风电数据中的功率数据和风速数据之间的关联与聚合特性,对所述区域中各个风电场进行分组;
根据所述各个风电场组中风电场的风电数据,建立预测模型;
根据所述预测模型,预测所述各个风电场组的功率;
将预测到的各个风电场组的风电功率叠加,获得区域风电功率预测值。
2.根据权利要求1所述的方法,其特征在于,所述线路拓扑为仅接入多个风电场的单一电网传输线路。
3.根据权利要求1-2任一项所述的方法,其特征在于,根据所述各个风电场风电数据中的功率数据和风速数据之间的关联与聚合特性,对所述区域中各个风电场进行分组,包括:
根据所述各个风电场的风电数据的功率数据和风速数据之间的关联与聚合特性,采用k均值聚类算法,对所述区域中的风电场进行分组。
4.根据权利要求3所述的方法,其特征在于,所述k均值聚类算法的步骤包括:
根据历史数据确定各个风电场的聚类输入特征向量;
确定初始聚类中心;
确定新的聚类中心;
确定所述区域中各个风电场的分组结果。
5.根据权利要求4所述的方法,其特征在于,所述历史数据包括:所述各个风电场的功率与所述区域风电功率的历史值之间的相关系数,所述各个风电场的功率数据的平均值、最大值和方差,所述各个风电场的风速数据的平均值、最大值和方差。
6.根据权利要求1所述的方法,其特征在于,所述预测模型为深度神经网络预测模型,其中,
所述深度神经网络预测模型的输入包括:风电场组中主风电场的风速序列和风电功率序列,从风电场的风速数据的平均值、最大值以及方差,从风电场的功率数据的平均值、最大值以及方差;所述深度神经网络预测模型的输出为风电场组功率的预测值;
所述主风电场为风电场组聚类过程中距聚类中心最近的风电场,所述从风电场为所述风电场组中除主风电场外的风电场。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710130285.4A CN106849066A (zh) | 2017-03-07 | 2017-03-07 | 一种区域风电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710130285.4A CN106849066A (zh) | 2017-03-07 | 2017-03-07 | 一种区域风电功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106849066A true CN106849066A (zh) | 2017-06-13 |
Family
ID=59137449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710130285.4A Pending CN106849066A (zh) | 2017-03-07 | 2017-03-07 | 一种区域风电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106849066A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909219A (zh) * | 2017-12-06 | 2018-04-13 | 广东工业大学 | 一种基于双重聚类的日售电量预测方法及*** |
CN108074015A (zh) * | 2017-12-25 | 2018-05-25 | 中国电力科学研究院有限公司 | 一种风电功率超短期预测方法及*** |
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN108985515A (zh) * | 2018-07-24 | 2018-12-11 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及*** |
CN109658006A (zh) * | 2018-12-30 | 2019-04-19 | 广东电网有限责任公司 | 一种大规模风电场群辅助调度方法及装置 |
CN110991122A (zh) * | 2019-11-19 | 2020-04-10 | 浙江大学 | 用神经网络和交叉熵采样的风电电力***可靠性估测方法 |
CN112231976A (zh) * | 2020-10-15 | 2021-01-15 | 华北电力大学(保定) | 一种风电场等效模型的建立方法 |
CN113570132A (zh) * | 2021-07-23 | 2021-10-29 | 华中科技大学 | 一种时空气象特征提取与深度学习的风电功率预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204287917U (zh) * | 2014-10-24 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种基于聚类分组的风电场场级avc***硬件架构 |
CN105654207A (zh) * | 2016-01-07 | 2016-06-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于风速、风向信息的风电功率预测方法 |
-
2017
- 2017-03-07 CN CN201710130285.4A patent/CN106849066A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN204287917U (zh) * | 2014-10-24 | 2015-04-22 | 云南电网公司电力科学研究院 | 一种基于聚类分组的风电场场级avc***硬件架构 |
CN105654207A (zh) * | 2016-01-07 | 2016-06-08 | 国网辽宁省电力有限公司锦州供电公司 | 基于风速、风向信息的风电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
别朝红等: "一种考虑时空分布特性的区域风电功率预测方法", 《西安交通大学学报》 * |
高小力: "大型风电场分组建模方法及其在功率预测中的应用", 《中国优秀硕士学位论文全文数据库》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909219A (zh) * | 2017-12-06 | 2018-04-13 | 广东工业大学 | 一种基于双重聚类的日售电量预测方法及*** |
CN108074015A (zh) * | 2017-12-25 | 2018-05-25 | 中国电力科学研究院有限公司 | 一种风电功率超短期预测方法及*** |
CN108074015B (zh) * | 2017-12-25 | 2023-10-27 | 中国电力科学研究院有限公司 | 一种风电功率超短期预测方法及*** |
CN108448610A (zh) * | 2018-03-12 | 2018-08-24 | 华南理工大学 | 一种基于深度学习的短期风功率预测方法 |
CN108985515A (zh) * | 2018-07-24 | 2018-12-11 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及*** |
CN108985515B (zh) * | 2018-07-24 | 2021-11-26 | 国网河南省电力公司电力科学研究院 | 一种基于独立循环神经网络的新能源出力预测方法及*** |
CN109658006A (zh) * | 2018-12-30 | 2019-04-19 | 广东电网有限责任公司 | 一种大规模风电场群辅助调度方法及装置 |
CN110991122A (zh) * | 2019-11-19 | 2020-04-10 | 浙江大学 | 用神经网络和交叉熵采样的风电电力***可靠性估测方法 |
CN110991122B (zh) * | 2019-11-19 | 2021-08-10 | 浙江大学 | 用神经网络和交叉熵采样的风电电力***可靠性估测方法 |
CN112231976A (zh) * | 2020-10-15 | 2021-01-15 | 华北电力大学(保定) | 一种风电场等效模型的建立方法 |
CN112231976B (zh) * | 2020-10-15 | 2023-06-13 | 华北电力大学(保定) | 一种风电场等效模型的建立方法 |
CN113570132A (zh) * | 2021-07-23 | 2021-10-29 | 华中科技大学 | 一种时空气象特征提取与深度学习的风电功率预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106849066A (zh) | 一种区域风电功率预测方法 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
Zhang et al. | GEFCom2014 probabilistic solar power forecasting based on k-nearest neighbor and kernel density estimator | |
Asghar et al. | Estimation of wind speed probability distribution and wind energy potential using adaptive neuro-fuzzy methodology | |
CN105069236B (zh) | 考虑风电场节点空间相关性的广义负荷联合概率建模方法 | |
CN103942736B (zh) | 一种风电场多机等值建模方法 | |
CN108414848B (zh) | 一种含分布式电源配电网的电能质量多时段综合预警方法 | |
Hayes et al. | Equivalent power curve model of a wind farm based on field measurement data | |
CN106228278A (zh) | 光伏功率预测*** | |
CN102012956A (zh) | 一种考虑风电场输入风速和风向随机波动的风电场等值方法 | |
CN106684905B (zh) | 一种考虑风电预测不确定性的风电场动态等值方法 | |
CN106548418A (zh) | 电力***小干扰稳定评估方法 | |
CN103489046A (zh) | 风电场短期功率预测方法 | |
WO2021128223A1 (zh) | 风电场布局的优化方法、优化***及计算机可读存储介质 | |
CN103996071A (zh) | 一种基于马尔科夫理论的风电场风速预测方法 | |
CN110070223A (zh) | 一种应用于新建风电场的短期功率预测方法 | |
Munir et al. | Solar PV generation forecast model based on the most effective weather parameters | |
CN112287531A (zh) | 一种考虑台风影响的海上风电场多状态可靠性获取方法 | |
CN104021315A (zh) | 基于bp神经网络的电厂厂用电率计算方法 | |
CN109586279B (zh) | 一种互联电网规划方法 | |
CN110909994A (zh) | 基于大数据驱动的小水电群发电量预测方法 | |
Yu et al. | Ultra-short-term wind power subsection forecasting method based on extreme weather | |
Liu et al. | A weight-varying ensemble method for short-term forecasting PV power output | |
Ni et al. | A review of line loss analysis of the low-voltage distribution system | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170613 |