CN109063930A - 一种基于聚类分析的动态风电场总功率预测方法 - Google Patents
一种基于聚类分析的动态风电场总功率预测方法 Download PDFInfo
- Publication number
- CN109063930A CN109063930A CN201811003733.5A CN201811003733A CN109063930A CN 109063930 A CN109063930 A CN 109063930A CN 201811003733 A CN201811003733 A CN 201811003733A CN 109063930 A CN109063930 A CN 109063930A
- Authority
- CN
- China
- Prior art keywords
- power plant
- clustering
- wind
- wind power
- technique 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005096 rolling process Methods 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 239000010755 BS 2869 Class G Substances 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000686 essence Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000005619 thermoelectricity Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于聚类分析的动态风电场总功率预测方法,该方法包括以下步骤:S1:获取各个风电机的现场实际运行数据;S2:根据现场实际运行数据获取各个风电机的运行特性,结合运行特性对所有风电机进行聚类分析,并同时按周期对聚类结果进行滚动更新,获取各个分区域在各个周期内的功率预测结果;S3:将各个分区域的功率预测结果叠加,获取风电场总功率。与现有技术相比,本发明具有快速表述快速变化的风电场、预测结果精度高等优点。
Description
技术领域
本发明涉及一种风电机组功率预测方法,尤其是涉及一种基于聚类分析的动态风电场总功率预测方法。
背景技术
随着时代的进步,人们对能源的需求也日益增大。然而,传统能源正在枯竭,因此清洁能源在社会发展过程中的地位显得愈发重要。继火电、水电以后,风电成为了我国的第三大能源。风力发电已经成为我国可再生能源发电战略的一个重要组成部分。但由于风的波动性和间歇性,导致风电场输出功率不稳定,不稳定的电源并网后会对电力***造成极大的影响。为此电力调度部门依据风电场的输出功率制定相应的调度计划,以减小输出功率的不稳定性对电网的不利影响,若不能对风电场输出功率进行准确的预测,则需要电网具有强大的调峰能力,但目前我国大部分的电网不具备这种能力,从而导致大规模风电接入电网后增加电网运行的难度。因此对风电场输出功率的准确预测具有十分重要的实际应用价值。
风电机组功率预测技术始于欧洲,并成熟于欧洲,目前已有多款风功率预测***开发并投入商业运营,取得不错的成效,与欧洲相对成熟的风功率预测技术相比,我国仍处于探索阶段,现有技术所研发的基于物理、统计混合模型的WPFS***已成功在国内广泛应用;关于“经纬风电功率预测***”结合统计与物理模型,借助实时运行数据及数值天气预报,其日前预测均方根误差在20%左右。其中,灰色预测模型是传统风功率预测模型中最常用的一种。灰色***有其独特的新型建模思想和建模方法,其实质是通过对原始数据进行累加,得到规律性较强的曲线,然后用指数曲线拟合得到模型。
传统的风电场的聚类等值建模为静态模型,因为地形、尾流效应等方面的影响有着较大的弊端。特别是在风电机组运行特性因为某种原因发生变化时,控制器将进行干预而变换控制策略,导致不同运行状态下的特性不尽相同。所以,在每个风电机组的实际运行情况不同时,传统意义上的等值模型无法真实的展现整个风电场机组的运行特性,且无法适应快速变化的风电场。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于聚类分析的动态风电场总功率预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于聚类分析的动态风电场总功率预测方法,该方法包括以下步骤:
(一)获取各个风电机的现场实际运行数据,即能够反映各个风电机组内部运行状况的状态数据,如风速数据、有功功率数据等。
(二)结合运行特性对所有风电机进行聚类分析,并同时按周期对聚类结果进行滚动更新,获取各个分区域在各个周期内的功率预测结果。具体步骤包括:
201)对风电机数据进行初始化,并读取风电场两天的数据作为灰色预测模型样本。
202)按照具有相似运行特性的风电机划分为同一机群的原则进行聚类,获取多个分区域。
优选地,通过计算各风电机组数据的距离函数作为具有相似运行特性的判断,则步骤202)具体包括下列步骤:
a)计算各风电机组数据的距离函数,获取关系矩阵D(0)。
优选地,所述的距离函数的表达式为:
式中,xct为第c台机组t时刻的变量值,xdt为第d台机组t时刻的变量值,p为观察总时。
b)对关系矩阵D(0)中的对象的最小值进行合并聚类,获取新形成的类。
D(0)为对称矩阵。假设D(0)矩阵中的最小对象设为GK和GL,通过合并将GK和GL聚成一个新类,定为GM,其中GM=GK∪GL。
c)将对象的最小值改变行列后的关系矩阵获取新的相关性矩阵。
新形成的类GM与其他类GJ的距离可以表达为:
式中,分别为GK、GL与其他类GJ的距离。
在关系矩阵D(0)中,GK与GL的行和列会改变,行与列对应新相关系数值可由上式算出。其他行列值不变,则可获取新的相关性矩阵,记作D(1)。
d)通过对新的相关性矩阵D(1)按照步骤2)、3)进行循环,直到所有对象合并后结束,获取各个类,进而获取多个分区域。
203)获取各分区域中各机组与该分区域的关联程度,本发明采用关联系数来表征关联程度,将关联系数低的机组剔除,并确认剔除后分区域内的标准机组,标准机组标准机组为与该分区域关联程度最高的n个机组。
优选地,采用皮尔森系数r描述各机组与该分区域的关联系数,其表达式为:
其中,N为有效数据的数量,x、y为该机组的采样变量,i=1,2,…,N。
204)将各个标准机组的输出功率值乘以相应的关联系数后求和,获取各个区域的输出功率。
205)按照每小时为一个周期重复步骤202)~204),更新聚类模型并进行循环,获取各个分区域在各个周期内的功率预测值。
(三)将各个分区域的功率预测结果叠加,获取风电场总功率。
与现有技术相比,本发明具有以下优点:
一、基于同一个机群的所有风电机组具有较为相似的动态性能,本发明将具有相似运行特性的风电机组划分为同一机群的原则进行机组聚类,同时按周期对数据进行滚动更新,相比于传统的静态模型,本发明利用动态的方法能够快速表述快速变化的风电场,进而适应快速变化的风电场;
二、本发明方法结合现场实际运行数据进行了基于***聚类分析的风电机群划分,同时按周期对数据进行滚动更新,以适应风速的波动于风电机的动态性能,通过把有相似运行特性的风电机划分为同一机群的原则,对风电机内部的能够反映其运行状况的风速、有功等数据进行聚类分析,从而实现最终的机群划分,可确保预测结果具有足够的精度,且不过分增加电力***的复杂性。
附图说明
图1为本发明对风电机组进行聚类分析的流程示意图;
图2为本发明实施例中18号标准机组的输出功率图;
图3为本发明实施例中风电场总功率预测结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
本发明涉及一种基于聚类分析的动态风电场总功率预测方法,该方法包括下列步骤:
步骤一、获取各个风电机内部的能够反映其运行状况的风速、有功等数据;
步骤二、对数据进行机组聚类分析,获取分类后风电机组周期内的功率预测结果;如图1所示,具体内容为:
1)首先对风电场数据进行初始化,并读取风电场两天的数据作为灰色预测模型样本。
2)按照具有相似运行特性的风电机划分为同一机群的原则进行机组聚类,分成各个区域。
3)将各个区域中关联系数不高的机组剔除,获取区域的输出值。
将一个区域内关联系数最高的机组视为标准机组,对标准机组的输出功率乘以关联系数再求和,便可以得到这个虚拟风电机的输出,即分区域的输出,将分区域输出再进行求和,即可得到风电场的总功率。
4)最后按照每小时为一个周期重复上述2)、3)两个步骤更新聚类模型进行循环并给出各个周期内的功率预测值。
步骤2)中,聚类分析中聚类依据如下所示:
通过基于距离函数,计算变量之间的关系矩阵D(0)。
距离函数的定义如下:
式中,Xct为第c台机组t时刻的变量值,Xdt为第d台机组t时刻的变量值,p为观察总时。
D(0)为对称矩阵。将D(0)矩阵中的最小对象设为GK和GL。通过合并把GK和GL聚成一个新类,定为GM,其中GM=GK∪GL。
新形成的类GM与其他类GJ的距离可以表达为:
式中,分别为GK、GL与其他类GJ的距离。在D(0)里面,GK与GL的行和列会改变,这个行与列对应新相关系数值可由上式算出。其他行列值不变,这样就出现新相关性矩阵,称为D(1)。最后对D(1)开展上面的循环,一直把所有的对象都合并之后结束,得到各个类。
在进行聚类分析时,选择合适的函数可以使结果更加准确、合理。利用皮尔森系数描述各机组与该类(分区域)的密切程度,即关联系数。
给出的计算公式如下:
其中,N是有效数据的数量,i=1,2,...,N;x,y为该机组的采样变量。
步骤三、将各个分区域的功率预测结果叠加,获取风电场总功率。
本实施例选取风电机运行状态的功率和风速数据作为x、y两种采样变量,并对某风电场6-8月份连续90天采样间隔为15分钟的实测数据为基础,对未来8天共96个数据进行预测。通过实例分析,对本发明方法进行验证。
根据实测数据,按照上述方法,风电场最后的聚类分析结果如表1所示:
表1分区域划分结果
本实施例以2号分区域作为分析对象,其他分区域的分析方法可同理。分析可知,18、23号在该分区的关联性最高。因此,可认为该分区域近似由18号、23号两个机组组成。
以2号分区域的18号机组为例。本实施例利用18号机组提前2小时的数据来预测18号机组未来连续8天,即192个小时的96个数据,功率预测结果如图2所示。其部分预测值如表2所示。
表2 18号机组部分功率实际值与预测值
通过图2及表2可知,本发明有机地将模型自动分为几个灰色预测段,使得每段的预测精度都大大提高,从而使得整个预测精度大大提高。
根据在2号分区域中,18号与23号两个标准机组构成了该分区域的标准机组群。则2号分区域的风功率预测值可以采用标准机组的预测结果与其对应协调因子、乘积的和,协调因子公式如下:
式中,rRMSEi为第i台机组预测值的相对均方根误差;Ri为第i台机组对分区域的相关系数。a1、a2是和为1的正实数,根据具体情况给出;m是分区域中标准机组的个数。
进而可得出其他分区域功率预测结果,叠加即风电场总功率。如图3所示。
为证明本发明方法的优势,本实施例对使用的样本数据同时采用了传统BP方法进行预测,并采用平均绝对误差、平方和误差、最大绝对误差和均方根误差4种误差指标对两种方法的预测结果进行对比,结果如表3所示:
表3预测结果对比表
从表3的对比可知,无论从平均绝对误差、平方和误差指标,还是从最大绝对误差和均方根误差指标来看。本发明方法误差小、精度高、预测效果更佳,收敛速度快,对风电场的实际输出功率具有良好的跟踪性。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的工作人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种基于聚类分析的动态风电场总功率预测方法,其特征在于,该方法包括以下步骤:
S1:获取各个风电机的现场实际运行数据;
S2:根据现场实际运行数据获取各个风电机的运行特性,结合运行特性对所有风电机进行聚类分析,并同时按周期对聚类结果进行滚动更新,获取各个分区域在各个周期内的功率预测结果;
S3:将各个分区域的功率预测结果叠加,获取风电场总功率。
2.根据权利要求1所述的一种基于聚类分析的动态风电场总功率预测方法,其特征在于,步骤S2具体包括以下步骤:
201)对各个风电机的现场实际运行数据进行初始化,并读取风电场两天的数据作为灰色预测模型样本;
202)按照具有相似运行特性的风电机划分为同一机群的原则进行聚类,获取多个分区域;
203)获取各分区域中各机组与该分区域的用以表征关联程度的关联系数,将关联系数低的机组剔除,并确认剔除后分区域内的标准机组;
204)获取各个区域的输出功率;
205)按照每小时为一个周期重复步骤202)~204),更新聚类模型并进行循环,获取各个分区域在各个周期内的功率预测值。
3.根据权利要求2所述的一种基于聚类分析的动态风电场总功率预测方法,其特征在于,步骤202)具体包括下列步骤:
1)计算各风电机组数据的距离函数,获取关系矩阵;
2)对关系矩阵中的对象的最小值进行合并聚类,获取新形成的类;
3)将对象的最小值改变行列后的关系矩阵获取新的相关性矩阵;
4)对新的相关性矩阵按照步骤2)、3)进行循环,直到所有对象合并后结束,获取各个类,进而获取多个分区域。
4.根据权利要求2所述的一种基于聚类分析的动态风电场总功率预测方法,其特征在于,所述的标准机组为与其所在分区域关联系数最高的机组。
5.根据权利要求4所述的一种基于聚类分析的动态风电场总功率预测方法,其特征在于,所述的各个区域的输出功率由各个标准机组的输出功率乘以相应的关联系数后求和获取。
6.根据权利要求3所述的一种基于聚类分析的动态风电场总功率预测方法,其特征在于,所述的距离函数的表达式为:
式中,xct为第c台机组t时刻的变量值,xdt为第d台机组t时刻的变量值,p为观察总时。
7.根据权利要求6所述的一种基于聚类分析的动态风电场总功率预测方法,其特征在于,步骤2)中,假设新形成的类为GM,则新形成的类与其他类GJ的距离DMJ的表达式为:
式中,GK和GL为关系矩阵中的最小对象,且GM=GK∪GL,分别为GK、GL与其他类GJ的距离。
8.根据权利要求5所述的一种基于聚类分析的动态风电场总功率预测方法,其特征在于,步骤203)中,采用皮尔森系数r描述各机组与该分区域的关联系数,其表达式为:
其中,N为有效数据的数量,x、y为该机组的采样变量,i=1,2,…,N。
9.根据权利要求1所述的一种基于聚类分析的动态风电场总功率预测方法,其特征在于,所述的现场实际运行数据为反映各个风电机组内部运行状况的状态数据,包括但不限于风速数据和有功功率数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811003733.5A CN109063930A (zh) | 2018-08-30 | 2018-08-30 | 一种基于聚类分析的动态风电场总功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811003733.5A CN109063930A (zh) | 2018-08-30 | 2018-08-30 | 一种基于聚类分析的动态风电场总功率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063930A true CN109063930A (zh) | 2018-12-21 |
Family
ID=64758709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811003733.5A Pending CN109063930A (zh) | 2018-08-30 | 2018-08-30 | 一种基于聚类分析的动态风电场总功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063930A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110277802A (zh) * | 2019-07-24 | 2019-09-24 | 云南电力技术有限责任公司 | 一种用于风电场有功功率的实时预测方法及*** |
CN110427659A (zh) * | 2019-07-13 | 2019-11-08 | 潍坊学院 | 一种基于聚类分析的三相异步电动机有功功率确定方法 |
CN111934363A (zh) * | 2020-07-29 | 2020-11-13 | 国网甘肃省电力公司电力科学研究院 | 各类型电源空间分布和调节能力约束的多源协调调峰方法 |
CN112215305A (zh) * | 2020-11-16 | 2021-01-12 | 远景能源有限公司 | 基于风机相互预警的虚拟激光雷达***及方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744047A (zh) * | 2013-12-23 | 2014-04-23 | 国家电网公司 | 一种定位运行中超差电能表的方法 |
CN106991508A (zh) * | 2017-05-25 | 2017-07-28 | 华北电力大学 | 一种基于dbscan的风电机组运行状态识别方法 |
CN107194499A (zh) * | 2017-04-28 | 2017-09-22 | 国网冀北电力有限公司 | 区域风电短期功率的预测方法及预测装置 |
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 |
-
2018
- 2018-08-30 CN CN201811003733.5A patent/CN109063930A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103744047A (zh) * | 2013-12-23 | 2014-04-23 | 国家电网公司 | 一种定位运行中超差电能表的方法 |
CN107194499A (zh) * | 2017-04-28 | 2017-09-22 | 国网冀北电力有限公司 | 区域风电短期功率的预测方法及预测装置 |
CN106991508A (zh) * | 2017-05-25 | 2017-07-28 | 华北电力大学 | 一种基于dbscan的风电机组运行状态识别方法 |
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 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110427659A (zh) * | 2019-07-13 | 2019-11-08 | 潍坊学院 | 一种基于聚类分析的三相异步电动机有功功率确定方法 |
CN110427659B (zh) * | 2019-07-13 | 2022-11-25 | 潍坊学院 | 一种基于聚类分析的三相异步电动机有功功率确定方法 |
CN110277802A (zh) * | 2019-07-24 | 2019-09-24 | 云南电力技术有限责任公司 | 一种用于风电场有功功率的实时预测方法及*** |
CN111934363A (zh) * | 2020-07-29 | 2020-11-13 | 国网甘肃省电力公司电力科学研究院 | 各类型电源空间分布和调节能力约束的多源协调调峰方法 |
CN112215305A (zh) * | 2020-11-16 | 2021-01-12 | 远景能源有限公司 | 基于风机相互预警的虚拟激光雷达***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063930A (zh) | 一种基于聚类分析的动态风电场总功率预测方法 | |
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*** | |
CN111681130B (zh) | 一种考虑条件风险价值的综合能源***优化调度方法 | |
CN106505631B (zh) | 智能风电风功率预测*** | |
CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
CN105160149B (zh) | 一种模拟调峰机组的需求响应调度评估体系构建方法 | |
CN110889603A (zh) | 一种基于PCA-Copula理论考虑风电相关性的电力***经济调度方法 | |
CN112348292A (zh) | 一种基于深度学习网络的短期风电功率预测方法和*** | |
CN115345076B (zh) | 一种风速订正处理方法及装置 | |
CN105303250A (zh) | 一种基于最优权系数的风电功率组合预测方法 | |
CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
Khanjarpanah et al. | Sustainable wind plant location optimization using fuzzy cross-efficiency data envelopment analysis | |
CN109492748A (zh) | 一种基于卷积神经网络的电力***的中长期负荷预测模型建立方法 | |
CN108717579A (zh) | 一种短期风电功率区间预测方法 | |
Zhang et al. | Research on AGC performance during wind power ramping based on deep reinforcement learning | |
CN114595891A (zh) | 一种配电网电压及潮流越界风险评估方法、***及设备 | |
CN105279582B (zh) | 基于动态相关性特征的超短期风电功率预测方法 | |
CN108694475B (zh) | 基于混合模型的短时间尺度光伏电池发电量预测方法 | |
Yang et al. | Short‐term photovoltaic power dynamic weighted combination forecasting based on least squares method | |
CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
CN115034422A (zh) | 基于波动识别和误差修正的风电短期功率预测方法和*** | |
CN107846039A (zh) | 考虑风速相关性的集群风电并网建模分析方法及*** | |
CN115313527A (zh) | 考虑湍流风速波动的风电场有功功率分配方法 | |
CN101929684A (zh) | 混烧低热值煤气机组煤耗计算方法 |
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 |
Application publication date: 20181221 |
|
RJ01 | Rejection of invention patent application after publication |