CN110263998B - 多源数值天气预报集合双层修正方法 - Google Patents
多源数值天气预报集合双层修正方法 Download PDFInfo
- Publication number
- CN110263998B CN110263998B CN201910531956.7A CN201910531956A CN110263998B CN 110263998 B CN110263998 B CN 110263998B CN 201910531956 A CN201910531956 A CN 201910531956A CN 110263998 B CN110263998 B CN 110263998B
- Authority
- CN
- China
- Prior art keywords
- weather forecast
- data
- numerical weather
- numerical
- forecast data
- 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.)
- Active
Links
- 238000012937 correction Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000009897 systematic effect Effects 0.000 claims description 4
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000010248 power generation Methods 0.000 abstract description 2
- 239000010410 layer Substances 0.000 description 12
- 238000003066 decision tree Methods 0.000 description 10
- 238000012549 training Methods 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013076 uncertainty analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
提出了一种多源数值天气预报集合双层修正方法,属于新能源发电技术领域,所述方法包括:采集多源数值天气预报数据与对应的实际测风数据;根据多源数值天气预报数据形成的集合和对应的实际测风数据,对数值天气预报数据进行第一层修正;根据第一层修正后的多源数值天气预报数据划分不同的天气场景;分析不同天气场景下各个空间位置处多源数值天气预报数据与相应实际测风数据间的相关性;按照相关性排序,针对每一种天气场景,建立数值天气预报互修正模型,对数值天气预报数据进行第二层修正。本方法提高了天气预报的准确度,提升了风电场功率的预测精度。
Description
技术领域
本发明属于新能源发电技术领域,尤其涉及一种多源数值天气预报集合双层修正方法。
背景技术
大规模可再生能源接入电网是各国电力***未来发展的突出特征之一。随着风电在世界各国的电力供应占比逐年提升,风电固有的间歇性和波动性导致大规模风电并网会对电网的安全、稳定和经济运行造成很大冲击,准确的风电功率预测是解决该问题的必要手段之一。数值天气预报(NWP)是风电功率预测及其不确定性分析的关键输入,也是风电功率预测误差的最主要来源。多数情况下,数值天气预报带来的误差是预测算法的两倍以上,因此提高数值天气预报精度是提高风电场功率预测精度的关键环节。
国内外现有的数值天气预报修正主要是通过统计方法结合实测风速对单一位置点数值天气预报的***误差进行修正。该类方法通常仅仅采用单一来源的数值天气预报,通过分别建立某一位置点历史序列中同一时刻数值天气预报数据和实测数据间的映射关系,进而对未来时刻的数值天气预报数据进行修正。但我国幅员辽阔,气候类型和地形条件复杂多样,大大增加了数值天气预报(NWP)及后续风电功率预测的难度。现有的数值天气预报修正方法存在以下问题:单一来源数值天气预报对复杂天气条件的适应性有限,成为影响风电功率预测精度的重要因素之一;从物理建模过程来看,中尺度气象模式的计算分辨率过低,地形、粗糙度、尾流等局地因素无法体现在其所描述的流场中,导致单一位置点数值天气预报数据往往缺失了大型风电场范围内实际风波动过程的时空耦合关系,或需要耗费大量计算资源进行求解,需要考虑多点位处实际风况的相关性特征针对上述微尺度因素进行再次修正。
发明内容
为了解决上文提出的问题,本发明提出一种多源数值天气预报集合双层修正方法。
根据本发明的一个方面,提出了一种多源数值天气预报集合双层修正方法,该方法包括:步骤一:采集多个空间位置处的多源数值天气预报数据与对应的实际测风数据,对上述数据进行清洗和预处理;步骤二:针对所述空间位置,根据该位置处的多源数值天气预报数据形成的集合NWP数据和对应的实际测风数据,建立数值天气预报自订正模型,对数值天气预报数据进行第一层修正;步骤三:根据第一层修正后的多源数值天气预报数据集合结果划分不同的天气场景;步骤四:分析不同天气场景下各个空间位置处多源数值天气预报数据集合结果与相应实际测风数据间的相关性;步骤五:按照相关性排序,选取不同天气场景下与实测风速数据最为相似的数值天气预报数据,针对每一种天气场景,建立数值天气预报互修正模型,对数值天气预报数据进行第二层修正。
根据本发明的一个方面,所述多源数值天气预报数据是指不同初始场、不同参数方案、不同时次、或者不同计算模型下的数值天气预报结果。
根据本发明的一个方面,在步骤一中,所述清洗和预处理包括对异常数据的识别和删除以及对缺失数据的插补。
根据本发明的一个方面,在步骤二中,以所述空间位置处的多源数值天气预报数据形成的集合为输入,对应位置处实际测风数据为学习目标,建立数值天气预报自订正模型,消除数值模拟过程中的***性误差。
根据本发明的一个方面,所述实际测风数据包括风电场运行数据中测风仪测量并记录的实际测风数据和测风塔位置处测风仪测量并记录的实测风数据。
根据本发明的一个方面,在步骤三中,采用模糊C均值聚类算法将数值天气预报数据划分为不同的天气场景,给定数值天气预报数据集X={x1,x2,…,xn},其中n为样本的数量,k为天气场景的类别数目,mj,j=1,2…,k为每个聚类的中心,μj(xi)是第i个样本对应第j类的隶属度函数,则基于隶属度函数的聚类损失函数Jf为:
其中b>1,为控制聚类结果的模糊程度的常数。
令Jf对mj和μj(xi)的偏导数为0,求得上式极小值的必要条件:
则模糊C均值聚类算法的步骤为:
(1)给定聚类类别数k,设定迭代收敛条件,初始化各个聚类中心;
(2)重复下面的运算,直到各个样本的隶属度值稳定:
A.用当前的聚类中心根据公式(4)计算隶属度函数;
B.用当前的隶属度函数根据公式(3)重新计算各个聚类的中心。
当算法收敛时,就得到了各类的聚类中心和各个样本对于各类的隶属度值,从而完成模糊聚类划分。
根据本发明的一个方面,在步骤四中,通过计算多源数值天气预报数据集合结果与实际测风数据的皮尔逊相关系数,构建二维相关性评价矩阵。
根据本发明的一个方面,在步骤五中,针对某种天气场景,以该天气场景下数值天气预报数据与实测风速数据最为相似位置处的数值天气预报数据和待校验的其他位置处的数值天气预报数据为输入,待校验的其他位置处的实际测风数据为学习目标,建立该天气场景下的数值天气预报互修正模型。
由此可见,本发明针对现有技术中存在的问题,采用多种源的数值天气预报数据来提高其对复杂天气条件的适应性,采用多个空间位置处数值天气预报数据,在独立位置自订正的基础上进行不同天气场景的多点位数值天气预报互校验,以修正微尺度因素,此外,本发明的数值天气预报修正包括双层修正,即利用历史测风数据进行自订正和多点位数值天气预报的互校验,从而提高了天气预报的准确度,提升了风电场功率的预测精度。
附图说明
图1为多源数值天气预报集合双层修正方法的流程图。
具体实施方式
下面结合附图和具体的实施例对本发明的技术方案作进一步的详细描述。
图1为多源数值天气预报集合双层修正方法的流程图,如图1所示,所述方法包括如下步骤:
步骤一:采集多个空间位置处的多源数值天气预报数据与对应的实际测风数据,对上述数据进行清洗和预处理。
具体而言,采集空间位置的多源数值天气预报数据(NWP-1,NWP-2,…,NWP-n)与对应位置处的实测测风数据,根据范围检验、相关性检验及趋势检验准则识别异常数据并将其删除,使用最近邻插补算法及线性插补算法插补缺失数据,还原可还原的数据,以保证后续步骤学习模型输入数据与标签数据的准确对应。所述多源数值天气预报数据是指不同初始场、不同参数方案、不同时次、或者不同计算模型下的数值天气预报结果,具体包括风速、风向、气温、气压、湿度及空气密度数据。
步骤二:针对所述空间位置,根据该位置处的多源数值天气预报数据形成的集合NWP数据和对应的实际测风数据,建立数值天气预报自订正模型,对数值天气预报数据进行第一层修正。
具体而言,针对某个空间位置,以该位置处的多源数值天气预报数据形成的集合为输入,对应位置处实际测风数据(风速、风向、气温、气压、湿度及空气密度数据)为学习目标,采用随机森林算法,建立数值天气预报自订正模型,消除数值模拟过程中的***性误差。如图1所示,风电场运行数据中有测风仪器测量并记录的实测风数据(风速、风向等),测风塔数据是测风塔位置处测风仪器测量并记录的实测风数据(风速、风向等),本文中的多个空间位置指的是各台风电机组和各个测风塔。
利用Bootstrap抽样方法从数值天气预报与实际测风数据训练集合S中随机选取N个训练样本子集S1,S2,…,SN用于构建N棵决策树,每个训练子集的大小约为原始训练集的三分之二,每次抽样均为随机且放回抽样,这样使得训练子集中的样本存在一定的重复,目的是为了使森林中的决策树不至于产生局部最优解;然后将这些决策树组合在一起,以各棵树输出结果的平均值作为随机森林回归的结果;为保证决策树构建时的随机性,避免过拟合问题,在每一棵决策树构建时,从m种属性中随机选取m1种作为随机特征变量参与决策树节点的***过程,称为随机属性子空间抽样,其中m1取小于等于log2(m+1)的最大正整数;此外随机决策树的数量N需要做调整;最后基于随机森林算法的回归结果为:
式中:X为输入变量,h(X;θk)为单棵决策树模型,其中k=1,2,…,N,N为决策树棵数,θk为单棵决策树的参数。
步骤三:根据第一层修正后的多源数值天气预报数据集合结果划分不同的天气场景。
在一个实施例中,步骤三采用模糊C均值聚类算法将数值天气预报数据划分为不同的天气场景,给定数值天气预报数据集X={x1,x2,…,xn},其中n为样本的数量,k为天气场景的类别数目,mj,j=1,2…,k为每个聚类的中心,μj(xi)是第i个样本对应第j类的隶属度函数,则基于隶属度函数的聚类损失函数Jf可写为:
其中b>1,为控制聚类结果的模糊程度的常数。
令Jf对mj和μj(xi)的偏导数为0,求得上式极小值的必要条件:
则模糊C均值聚类算法的步骤为:
(1)给定聚类类别数k,设定迭代收敛条件,初始化各个聚类中心;
(2)重复下面的运算,直到各个样本的隶属度值稳定:
A.用当前的聚类中心根据公式(4)计算隶属度函数;
B.用当前的隶属度函数根据公式(3)重新计算各个聚类的中心;
当算法收敛时,就得到了各类的聚类中心和各个样本对于各类的隶属度值,从而完成模糊聚类划分。
步骤四:分析不同天气场景下各个空间位置处多源数值天气预报数据集合结果与相应实际测风数据间的相关性。
根据一个实施例,通过计算两者的皮尔逊相关系数,构建二维相关性评价矩阵。
步骤五:按照相关性排序,选取不同天气场景下与实测风速数据最为相似的数值天气预报数据,即不同空间位置处与实际测风数据最为相似的位置的数值天气预报作为互修正模型的输入,针对每一种天气场景,建立数值天气预报互修正模型,对数值天气预报数据进行第二层修正。
根据一个实施例,针对某种天气场景,以该天气场景下数值天气预报数据与实测风速数据最为相似点位处的数值天气预报数据和待校验的其他点位处的数值天气预报数据为输入,待校验的其他点位处的实际测风数据为学习目标,采用随机森林算法,建立该天气场景下的数值天气预报互修正模型,此外,还可以使用其他算法进行修正,例如深度学习算法中的堆叠自动编码机等。
上述具体实例仅为说明,不作为对本发明保护范围的限制。本领域技术人员可根据需要对本申请所提出的具体实例进行修改或调整,这些修改或调整同样落入本申请所要求保护的范围之内。
Claims (8)
1.一种多源数值天气预报集合双层修正方法,其特征在于,该方法包括:
步骤一:采集多个空间位置处的多源数值天气预报数据与对应的实际测风数据,对上述数据进行清洗和预处理;
步骤二:针对所述空间位置,根据该位置处的多源数值天气预报数据形成的集合NWP数据和对应的实际测风数据,建立数值天气预报自订正模型,对数值天气预报数据进行第一层修正;
步骤三:根据第一层修正后的多源数值天气预报数据集合结果划分不同的天气场景;
步骤四:分析不同天气场景下各个空间位置处多源数值天气预报数据集合结果与相应实际测风数据间的相关性;
步骤五:按照相关性排序,选取不同天气场景下与实测风速数据最为相似的数值天气预报数据,针对每一种天气场景,建立数值天气预报互修正模型,对数值天气预报数据进行第二层修正。
2.根据权利要求1所述的方法,其特征在:
所述多源数值天气预报数据是指不同初始场、不同参数方案、不同时次、或者不同计算模型下的数值天气预报结果。
3.根据权利要求1所述的方法,其特征在于:
在步骤一中,所述清洗和预处理包括对异常数据的识别和删除以及对缺失数据的插补。
4.根据权利要求1所述的方法,其特征在于:
在步骤二中,以所述空间位置处的多源数值天气预报数据形成的集合为输入,对应位置处实际测风数据为学习目标,建立数值天气预报自订正模型,消除数值模拟过程中的***性误差。
5.根据权利要求4所述的方法,其特征在于:
所述实际测风数据包括风电场运行数据中测风仪测量并记录的实际测风数据和测风塔位置处测风仪测量并记录的实测风数据。
6.根据权利要求1所述的方法,其特征在于:
在步骤三中,采用模糊C均值聚类算法将数值天气预报数据划分为不同的天气场景,给定数值天气预报数据集X={x1,x2,…,xn},其中n为样本的数量,k为天气场景的类别数目,mj,j=1,2…,k为每个聚类的中心,μj(xi)是第i个样本对应第j类的隶属度函数,则基于隶属度函数的聚类损失函数Jf为:
其中b>1,为控制聚类结果的模糊程度的常数;
令Jf对mj和μj(xi)的偏导数为0,求得上式极小值的必要条件:
则模糊C均值聚类算法的步骤为:
(1)给定聚类类别数k,设定迭代收敛条件,初始化各个聚类中心;
(2)重复下面的运算,直到各个样本的隶属度值稳定:
A.用当前的聚类中心根据公式(4)计算隶属度函数;
B.用当前的隶属度函数根据公式(3)重新计算各个聚类的中心;
当算法收敛时,就得到了各类的聚类中心和各个样本对于各类的隶属度值,从而完成模糊聚类划分。
7.根据权利要求1所述的方法,其特征在于:
在步骤四中,通过计算多源数值天气预报数据集合结果与实际测风数据的皮尔逊相关系数,构建二维相关性评价矩阵。
8.根据权利要求1所述的方法,其特征在于:
在步骤五中,针对某种天气场景,以该天气场景下数值天气预报数据与实测风速数据最为相似位置处的数值天气预报数据和待校验的其他位置处的数值天气预报数据为输入,待校验的其他位置处的实际测风数据为学习目标,建立该天气场景下的数值天气预报互修正模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910531956.7A CN110263998B (zh) | 2019-06-19 | 2019-06-19 | 多源数值天气预报集合双层修正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910531956.7A CN110263998B (zh) | 2019-06-19 | 2019-06-19 | 多源数值天气预报集合双层修正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110263998A CN110263998A (zh) | 2019-09-20 |
CN110263998B true CN110263998B (zh) | 2024-02-13 |
Family
ID=67919417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910531956.7A Active CN110263998B (zh) | 2019-06-19 | 2019-06-19 | 多源数值天气预报集合双层修正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110263998B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110934061A (zh) * | 2019-12-26 | 2020-03-31 | 裕华生态环境股份有限公司 | 园林灌溉节水*** |
CN111309852B (zh) * | 2020-03-16 | 2021-09-03 | 青岛百洋智能科技股份有限公司 | 生成可视化决策树集模型的方法、***、装置及存储介质 |
CN112613633A (zh) * | 2020-09-30 | 2021-04-06 | 江苏金风软件技术有限公司 | 风电场的气象要素预测方法和装置 |
CN113610287A (zh) * | 2021-07-27 | 2021-11-05 | 远景智能国际私人投资有限公司 | 光功率预报方法、装置、计算机设备及存储介质 |
CN113537648B (zh) * | 2021-09-16 | 2021-12-24 | 国能日新科技股份有限公司 | 一种基于集合数据的风速预测方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009138523A (ja) * | 2007-12-03 | 2009-06-25 | Mitsubishi Electric Corp | 風力発電出力予測方法 |
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测*** |
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
CN104951846A (zh) * | 2015-06-02 | 2015-09-30 | 国电南京自动化股份有限公司 | 微电网短期功率和负荷预测***及误差分类动态修正方法 |
CN106339568A (zh) * | 2015-07-08 | 2017-01-18 | 中国电力科学研究院 | 一种基于混合背景场的数值天气预报方法 |
CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
CN107506878A (zh) * | 2017-10-11 | 2017-12-22 | 华中科技大学 | 一种考虑风光平滑效应的电力***多源调度方法 |
CN108009689A (zh) * | 2017-12-22 | 2018-05-08 | 北京金风慧能技术有限公司 | 风速修正模型训练、风速修正方法、装置及风力发电机组 |
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
CN109685257A (zh) * | 2018-12-13 | 2019-04-26 | 国网青海省电力公司 | 一种基于支持向量机回归的光伏发电功率预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2013207551B2 (en) * | 2012-07-20 | 2015-12-17 | Tata Consultancy Services Limited | Method and system for adaptive forecast of wind resources |
-
2019
- 2019-06-19 CN CN201910531956.7A patent/CN110263998B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009138523A (ja) * | 2007-12-03 | 2009-06-25 | Mitsubishi Electric Corp | 風力発電出力予測方法 |
CN102269124A (zh) * | 2011-06-30 | 2011-12-07 | 内蒙古电力勘测设计院 | 超短期风电场发电功率预测*** |
CN103268366A (zh) * | 2013-03-06 | 2013-08-28 | 辽宁省电力有限公司电力科学研究院 | 一种适用于分散式风电场的组合风电功率预测方法 |
CN104951846A (zh) * | 2015-06-02 | 2015-09-30 | 国电南京自动化股份有限公司 | 微电网短期功率和负荷预测***及误差分类动态修正方法 |
CN106339568A (zh) * | 2015-07-08 | 2017-01-18 | 中国电力科学研究院 | 一种基于混合背景场的数值天气预报方法 |
CN106803129A (zh) * | 2015-11-26 | 2017-06-06 | 中国电力科学研究院 | 一种基于多源数值天气预报的风电功率集合预测方法 |
CN107506878A (zh) * | 2017-10-11 | 2017-12-22 | 华中科技大学 | 一种考虑风光平滑效应的电力***多源调度方法 |
CN108009689A (zh) * | 2017-12-22 | 2018-05-08 | 北京金风慧能技术有限公司 | 风速修正模型训练、风速修正方法、装置及风力发电机组 |
CN108205717A (zh) * | 2017-12-30 | 2018-06-26 | 国网江苏省电力公司无锡供电公司 | 一种光伏发电功率多时间尺度预测方法 |
CN109685257A (zh) * | 2018-12-13 | 2019-04-26 | 国网青海省电力公司 | 一种基于支持向量机回归的光伏发电功率预测方法 |
Non-Patent Citations (5)
Title |
---|
刘晓楠等.基于非参数核密度估计与数值天气预报的风速预测修正方法.《电力自动化设备》.2017,第37卷(第10期),第15-20页. * |
张浩.基于深度学习的风电功率预测方法研究.《CNKI优秀硕士学位论文全文库》.2018,(第3期),全文. * |
杨家然等.基于数值天气预报及模糊聚类的风电功率智能组合预测.《太阳能学报》.2017,第38卷(第3期),第669-675页. * |
王一妹.基于CFD流场预计算的复杂地形风电场功率预测方法研究.《CNKI优秀硕士学位论文全文库》.2015,(第1期),全文. * |
阎洁.风电场功率预测不确定性分析方法及其应用研究.《CNKI优秀硕士学位论文全文库》.2012,(第12期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN110263998A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110263998B (zh) | 多源数值天气预报集合双层修正方法 | |
CN106529719B (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN103268366A (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
CN112186761B (zh) | 一种基于概率分布的风电功率场景生成方法及*** | |
CN114021483A (zh) | 基于时域特征与XGBoost的超短期风电功率预测方法 | |
CN114298140A (zh) | 一种考虑机组分类的风电短期功率预测校正方法 | |
CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
CN115115090A (zh) | 一种基于改进lstm-cnn的风功率短期预测方法 | |
CN115013258A (zh) | 一种风电机组机前风速智能软测量方法、装置及服务器 | |
CN115995810A (zh) | 一种考虑气象波动自适应匹配的风电功率预测方法及*** | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN110991743B (zh) | 一种基于聚类分析和优化神经网络的风电功率短期组合预测方法 | |
CN111062509A (zh) | 一种基于改进神经网络的风功率中短期预测方法及*** | |
CN115544895B (zh) | 光伏电站年出力保证率模型优化方法 | |
CN113449466B (zh) | 基于pca和混沌gwo优化relm的太阳辐射预测方法及*** | |
CN106251238B (zh) | 风电场建模序列离散化步长的选取及模型误差分析方法 | |
CN115146742A (zh) | 适用于场群控制的海上风电场机组分组与旗舰机选取方法 | |
CN111178601A (zh) | 一种基于气象数据后处理的风电机组功率预测方法 | |
Deepak et al. | Improved Wind Power Generation Prediction through Novel Linear Regression over Ridge Regression | |
CN117688504B (zh) | 基于图结构学习的物联网异常检测方法及装置 | |
CN117390967B (zh) | 海上风电短期功率预测方法、装置、设备及存储介质 | |
CN117893030B (zh) | 基于大数据的电力***风险预警方法 | |
CN106447234A (zh) | 基于层次聚类法的风电场弃风电量评估方法 | |
Huang et al. | An Ensemble Learning Approach for Wind Power Forecasting |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |