CN111027732B - 一种多风电场出力场景的生成方法及*** - Google Patents
一种多风电场出力场景的生成方法及*** Download PDFInfo
- Publication number
- CN111027732B CN111027732B CN201811171128.9A CN201811171128A CN111027732B CN 111027732 B CN111027732 B CN 111027732B CN 201811171128 A CN201811171128 A CN 201811171128A CN 111027732 B CN111027732 B CN 111027732B
- Authority
- CN
- China
- Prior art keywords
- wind power
- hidden
- probability
- state
- power plants
- 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
- 238000000034 method Methods 0.000 title claims abstract description 64
- 239000011159 matrix material Substances 0.000 claims abstract description 104
- 230000007704 transition Effects 0.000 claims abstract description 104
- 238000009826 distribution Methods 0.000 claims abstract description 98
- 230000001186 cumulative effect Effects 0.000 claims abstract description 46
- 239000013598 vector Substances 0.000 claims description 45
- 238000012549 training Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 11
- 230000005251 gamma ray Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000005457 optimization Methods 0.000 description 6
- 238000000342 Monte Carlo simulation Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
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
-
- 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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Wind Motors (AREA)
Abstract
本发明提供了一种多风电场出力场景的生成方法及***,包括:基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵;基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差;基于各风电场的点预测出力值和所述风电场的预测误差,获得所有风电场的预测出力场景。本发明能够计及不同风电场预测误差之间的相关性,基于高斯隐马尔科夫模型的多个风电场预测出力场景生成方法,对不同风电场之间进行建模,所生成的风电场预测出力场景能够计及不同风电场之间的相关性,所得到的预测出力场景更加科学、合理,准确度高。
Description
技术领域
本发明涉及新能源发电领域,具体涉及一种多风电场出力场景的生成方法及***。
背景技术
传统的电力***短期优化调度需要基于风电出力的点预测结果,由于风电出力具有很强的随机性和波动性,导致点预测出力通常存在较大的误差,进而影响到调度计划的准确性。为考虑风电出力预测误差的不确定性,目前已经提出了基于风电预测出力场景的随机优化调度方法,该方法以一系列的风电预测出力场景为输入,通过优化求解得到在满足所有的风电出力场景期望意义最优下的调度计划。因此,风电预测出力场景是影响随机优化调度结果准确性的关键因素,但是,风电预测出力场景通常是在已有的风电点预测出力基础上加入随机的预测误差得到。
由于一般情况下,风电预测***仅提供点预测出力结果,因此,需要基于点预测出力结果,对不同风电场出力的预测误差进行建模,通过随机生成预测误差得到各风电场预测出力场景。但当电网接入多个距离相近的风电场时,优化模型需要以所有风电场的预测出力场景为输入,而由于距离相对较近,这些风电场通常会受相同天气过程的影响,其预测误差通常具有较强的相关性,但在生成这些风电场的预测出力场景时没有充分考虑相关性因素的影响。因此,所得到的预测出力场景之间相关性与实际偏差较大,影响了优化调度结果的准确性。
发明内容
为了解决现有技术中所存在的,在风电场预测出力场景生成方法中,未考虑各风电场之间预测误差的相关性,所得到的预测出力场景之间相关性与实际偏差较大,影响了优化调度结果的准确性问题,本发明提供一种多风电场出力场景的生成方法及***,首先,建立以风电场预测误差相关性关系为隐状态,以预测误差为输出的高斯隐马尔科夫模型;然后,基于风电场历史出力的预测误差样本来训练高斯隐马尔科夫模型参数;最后,通过蒙特卡洛仿真的方法生成满足预测误差相关性关系的多个风电场预测出力场景。
本发明提供的技术方案是:一种多风电场出力场景的生成方法,包括:
基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵;
基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差;
基于各风电场的点预测出力值和所述风电场的预测误差,获得所有风电场的预测出力场景。
优选的,所述基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵,包括:
基于多个风电场的实际出力值和对应点预测出力值,获得每个风电场的出力预测误差数据;
根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态;
将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态,并设置所述隐状态的个数;
基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练,通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵;
基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布;
基于所述状态转移矩阵计算累积状态转移概率;
其中,所述累积状态转移概率矩阵由累积状态转移概率组成。
优选的,所述基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练,通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵,包括:
步骤101、为高斯隐马尔科夫模型中的状态转移矩阵,高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量设置初始值;
步骤102、计算训练周期内初始时刻下各隐状态的前向概率,并依次向前计算训练周期内其余所有时刻下各隐状态的前向概率;
步骤103、计算训练周期内终止时刻下各隐状态的后向概率,并依次向后计算训练周期内其余所有时刻下各隐状态的后向概率;
步骤104、基于多个风电场的出力预测误差数据构成的观测序列、各隐状态的前向概率和各隐状态的后向概率,计算任意时刻隐状态的条件概率;
步骤105、基于多个风电场的出力预测误差数据构成的观测序列、各隐状态的前向概率和各隐状态的后向概率,计算任意时刻隐状态和所述任意时刻的下一时刻隐状态的联合条件概率;
步骤106、基于所述条件概率和联合条件概率更新高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量;
步骤107、若更新后的高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量满足预设的收敛条件,则循环结束,按当前参数设置高斯隐马尔科夫模型,否则执行步骤102。
优选的,所述前向概率,按下式计算:
式中:αt+1(j):t+1时刻下隐状态为j的前向概率;πj:风电场的隐状态为θj的概率;bj(·):隐状态为j的观测序列服从的概率分布;O1:初始时刻下各风电场出力的历史观测序列;N:隐状态的个数;αt(j):t时刻下隐状态为j的前向概率;aij:状态转移矩阵A中第i行第j列t时刻的隐状态为θi,t+1时刻的隐状态转换为θj的概率;Ot+1:t+1时刻下各风电场出力的历史观测序列;
其中,风电场初始时刻隐状态的概率组成隐状态的概率分布向量。
优选的,所述后向概率,按下式计算:
式中:βt(j):t时刻下隐状态为j的后向概率;aji:状态转移矩阵A中第j行第i列t时刻的隐状态为θj,t+1时刻的隐状态转换为θi的概率;bi(·):隐状态为i的观测序列服从的概率分布;βt+1(i):t+1时刻下隐状态为i的后向概率;Ot+1:t+1时刻下各风电场出力的历史观测序列;T:训练周期的终止时刻;N:隐状态的个数。
优选的,所述任意时刻隐状态的条件概率,按下式计算:
式中:γt(j):t时刻下隐状态j的条件概率;αt(j):t时刻下隐状态为j的前向概率;βt(j):t时刻下隐状态为j的后向概率;αt(i):t时刻下隐状态为i的前向概率;βt(i):t时刻下隐状态为i的后向概率;N:隐状态的个数。
优选的,所述联合条件概率,按下式计算:
式中:ξt(i,j):t时刻下隐状态j的联合条件概率;αt(j):t时刻下隐状态为j的前向概率;aij:状态转移矩阵A中第i行第j列t时刻的隐状态为θi,t+1时刻的隐状态转换为θj的概率;bj(·):隐状态为j的观测序列服从的概率分布;Ot+1:t+1时刻下各风电场出力的历史观测序列;βt+1(j):t+1时刻下隐状态为j的后向概率;αt(r):t时刻下隐状态为r的前向概率;ars:状态转移矩阵A中第r行第s列t时刻的隐状态为θr,t+1时刻的隐状态转换为θs的概率;bs(·):隐状态为s的观测序列服从的概率分布;βt+1(s):t+1时刻下隐状态为s的后向概率;N:隐状态的个数。
优选的,所述基于所述条件概率和联合条件概率更新高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量,按下式更新:
πj=γ1(j),j=1,2,...,N
式中:πj:风电场的相关状态为θj的概率;γ1(j):初始时刻下隐状态j的条件概率;N:隐状态的个数;
式中:aij:状态转移矩阵A中第i行第j列t时刻的隐状态为θi,t+1时刻的隐状态转换为θj的概率;ξt(i,j):t时刻下隐状态j的联合条件概率;γt(j):t时刻下隐状态j的条件概率;
式中:μj:隐状态为j的高斯分布的均值向量;Ot:t时刻下各风电场出力的历史观测序列;
式中:Σj:隐状态为j的高斯分布的协方差矩阵。
优选的,所述累积状态转移概率,按下式计算:
式中:cij:累积状态转移概率矩阵C中第i行第j列的累积状态转移概率;aik:状态转移矩阵A中第i行第k列t时刻的隐状态为θi,t+1时刻的隐状态转换为θk的概率。
优选的,所述多维高斯分布,按下式计算:
bj(O)=N(μj,Σj),1≤j≤N
优选的,所述基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差,包括:
基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态;
基于每一时刻所述多个风电场的相关性状态和对应的多维高斯分布,通过随机抽样生成所述时刻下每个风电场的预测误差。
优选的,所述基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态,包括:
基于隐状态的个数随机生成一个正整数作为预设周期中初始时刻多个风电场的相关性状态;
基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态。
优选的,所述基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态,包括:
步骤201、将所述初始时刻作为已知时刻;
步骤202、生成区间[0,1]内的随机数;
步骤203、所述随机数与所述累积状态转移概率矩阵中已知时刻对应行的所有元素进行比较,当随机数的大小位于所述已知时刻对应行相邻两列元素之间时,则确定下一时刻多个风电场的相关性状态为所述已知时刻对应行相邻两列中前一列对应的值;
步骤204、当所述下一时刻为预设周期的终止时刻时,则循环结束,输出预设周期内所有时刻对应的多个风电场的相关性状态;否则,将所述下一时刻作为已知时刻执行步骤202。
优选的,所述所有风电场的预测出力场景,如下式所示:
式中:Θk:M个风电场的第k组预测出力场景;M个风电场在tT时刻的点预测出力组成的向量;εM(tT):tT时刻M个风电场的预测误差;/>第M个风电场在tT时刻的预测出力;M:风电场的个数;T:预测周期。
优选的,所述基于各风电场的点预测出力值和所述风电场的预测误差,获得所有风电场的预测出力场景,还包括:
基于所有风电场的预测出力场景循环生成预设数量的所有风电场的预测出力场景。
优选的,所述基于所有风电场的预测出力场景循环生成预设数量的所有风电场的预测出力场景,包括:
当所有风电场的预测出力场景的个数等于预设数量时,则获得预设数量的所有风电场的预测出力场景;
当所有风电场的预测出力场景的个数小于预设数量时,则继续基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差,基于每个风电场的点预测出力值和所述风电场的预测误差生成所述场景的预测出力,直到获得预设数量的所有风电场的预测出力场景;
其中,所述预设数量的所有风电场的预测出力场景为{Θ1,Θ2,...,ΘK};
式中:ΘK:M个风电场的第K组预测出力;K:预设的预测出力组数。
基于同一发明构思,本发明还提供了一种多风电场出力场景的生成***,包括:
处理模块,用于基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵;
预测误差模块,用于基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差;
生成场景模块,用于基于各风电场的点预测出力值和所述风电场的预测误差,获得所有风电场的预测出力场景。
优选的,所述处理模块,包括:
生成预测误差数据子模块,用于基于多个风电场的实际出力值和对应点预测出力值,获得每个风电场的出力预测误差数据;
相关性状态子模块,用于根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态;
设置子模块,用于将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态,并设置所述隐状态的个数;
迭代子模块,用于基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练,通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵;
多维高斯分布子模块,用于基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布;
累积状态转移概率子模块,用于基于所述状态转移矩阵计算累积状态转移概率;
其中,所述累积状态转移概率矩阵由累积状态转移概率组成。
与现有技术相比,本发明的有益效果为:
本发明提供的技术方案,基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵;基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差;基于各风电场的点预测出力值和所述风电场的预测误差,获得所有风电场的预测出力场景,该方法能够计及不同风电场预测误差之间的相关性,提高了所生成的风电预测出力场景的准确性。
本发明提供的技术方案,基于高斯隐马尔科夫模型的多个风电场预测出力场景生成方法,对不同风电场之间进行建模,所生成的风电预测出力场景能够计及不同风电场之间的相关性,所得到的预测出力场景更加科学、合理。
本发明提供的技术方案,不受风电场个数的限制,能够同时多个风电场预测出力场景的生成。
本发明提供的技术方案,所生成的预测出力场景很好的反映了各风电场之间预测误差的相关性。
附图说明
图1为本发明多风电场出力场景的生成方法流程图;
图2为本发明中隐马尔科夫模型的结构示意图;
图3为本发明实施例提供的两个风电场的预测出力场景集合效果示意图;
图4为本发明实施例提供的两个风电场预测出力场景的互相关系数结果示意图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
在随机优化调度方法的框架下,电网调度中心会以一系列的风电预测出力场景为输入,通过优化求解得到在满足所有的风电出力场景期望意义最优下的调度计划。由于风电出力具有很强的随机性和波动性,风电预测出力场景通常是在点预测出力的基础上通过加入随机的预测误差得到。目前针对多个风电场生成预测出力场景时,并没有充分考虑各风电场之间的相关性因素,影响了所生成的预测出力场景的准确性,最终导致得到的调度计划误差较大。
目前已有的风电场预测出力场景生成方法中,并未考虑各风电场之间预测误差的相关性,各风电场出力的预测误差是通过独立抽样得到的,因此,所得到的预测出力场景之间相关性与实际偏差较大,影响了优化调度结果的准确性。针对以上不足,本发明提出了一种基于高斯隐马尔科夫模型(Gaussian Hidden Markov Model,GHMM)的多个风电场预测出力场景生成方法,该方法能够计及不同风电场预测误差之间的相关性,所生成的风电预测出力场景能够计及不同风电场之间的相关性,所得到的预测出力场景更加科学、合理,使得通过风电预测出力场景生成的调度方法准确度更高。
实施例1:
图1为本发明多个风电场的多个预测出力场景的生成方法流程图,如图1所示,包括:
S1、基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵;
S2、基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差;
S3、基于各风电场的点预测出力值和所述风电场的预测误差,获得所有风电场的预测出力场景。
具体包括:
步骤101.考虑预测误差相关性的高斯隐马尔科夫模型建模
本发明采用高斯隐马尔科夫模型对多个风电场的相关性进行建模。高斯隐马尔科夫模型是由隐状态序列和观测序列组成的双重随机过程;隐状态序列是由一个隐藏的马尔科夫链进行描述,每个隐状态对应一组观测序列,最后形成一个隐状态序列和观测序列。
高斯隐马尔科夫模型如图2所示,{Q1,Q2,...,Qt}为各时刻下的隐状态序列,是不可观测量;{O1,O2,...,Ot}是观测序列;图中的横向箭头表示在相邻两个时刻下隐状态之间的转换,竖向箭头表示从隐状态向观测量的输出。
高斯隐马尔科夫模型中假设隐状态和观测量具有马尔科夫性,即:
第一个公式表明,任意时刻的状态仅依赖于前一时刻的状态,第二个公式表明,任意时刻的观测量仅依赖于当前时刻的状态。
本发明采用高斯隐马尔科夫模型,其数学模型描述如下:
1)假设隐状态变量的可能取值为θ1,θ2,...,θN,N为隐状态的数目,则t时刻下隐状态的取值范围为Qt∈{θ1,θ2,...,θN};假设观测量包含M个元素,即Ot为M维列向量。
2)初始时刻隐状态的概率分布向量为π=[π1,π2,...,πN]T,其中
πj=P(Q1=θj),1≤j≤N
表示t1时刻的隐状态为θj时的概率。
3)将状态变量用离散的马尔科夫链进行描述,状态转移矩阵A=(aij)N×N,为N×N的矩阵,其中第i行第j的元素为:
aij=P(Qt+1=θj|Qt=θi),1≤i,j≤N
aij表示t时刻状态为θi,t+1时刻状态转换为θj的概率。
4)观测概率B={bj(O),j=1,2,...,N},其中
bj(O)=N(μj,Σj),1≤j≤N
bj(x)表示状态为j时观测变量O服从的概率分布。
本实施例中假设观测变量服从M维高斯分布,其中μj表示状态j对应的高斯分布的均值向量,Σj为状态j对应的高斯分布的协方差矩阵,用μ={μ1,μ2,...,μN}和Σ={Σ1,Σ2,...,ΣN}表示所有N个隐状态对应的高斯分布均值向量和协方差矩阵的集合。
本发明中采用高斯隐马尔科夫模型进行多个风电场相关性的建模,具体建模方法包括:
将多个风电场出力预测误差的相关性状态作为高斯隐马尔科夫模型的隐状态,每个时刻对应一个离散的隐状态,设隐状态个数为N,规定隐状态的取值为1至N之间的正整数,即θ1=1,θ2=2,...,θN=N;
将各个风电场归一化出力的预测误差作为高斯隐马尔科夫模型的观测量,即观测量为当前时刻所有风电场出力的预测误差组成的向量。
此时,所建立的高斯隐马尔科夫模型可用多元组λ=(A,μ,Σ,π)来进行表示。
步骤102、高斯隐马尔科夫模型参数估计
基于时刻1,2,...,T风电场出力预测误差的历史观测序列O={O1,O2,...,OT},对步骤101中所建立的高斯隐马尔科夫模型的参数λ=(A,μ,Σ,π)进行估计。采用前向-后向算法(Baum Welch算法)估计高斯隐马尔科夫模型的参数,其目标是在已知观测序列O的情况下,使得概率P(O|λ)最大。
Baum Welch算法的基本流程如下:
1)随机初始化所有参数λ=(A,μ,Σ,π);
2)计算时刻1的各个隐状态的前向概率:
α1(j)=πjbj(O1),j=1,2,...,N
递推计算时刻2,...,T的前向概率:
3)初始时刻T的各个隐状态的后向概率:
βT(j)=1,j=1,2,...,N
递推计算时刻T-1,T-2,...,1时刻的后向概率:
4)计算在给定模型参数λ=(A,μ,Σ,π)和观测序列O,时刻t状态的条件概率:
5)计算在给定模型参数λ=(A,μ,Σ,π)和观测序列O,时刻t和t+1状态的联合条件概率:
6)更新模型参数λ=(A,μ,Σ,π):
πj=γ1(j),j=1,2,...,N
7)判断更新前后的参数是否收敛,若未收敛,则重复执行步骤2)至7);若收敛,则算法结束。
通过以上的Baum Welch算法,便可得到高斯隐马尔科夫模型的参数λ=(A,μ,Σ,π)。
步骤103、计算高斯隐马尔科夫模型的累积状态转移概率矩阵
高斯隐马尔科夫模型的状态转移矩阵即描述了不同状态的概率转移特性,采用蒙特卡洛仿真的方式随机生成多个风电场的预测出力场景时,需要基于累积状态转移概率矩阵。
由高斯隐马尔科夫模型的状态转移矩阵A=(aij)N×N,计算其对应的累积状态转移概率矩阵C=(cij)N×(N+1)。
累积状态转移矩阵的各元素计算方式如下:
cij为C中的第i行、第j列元素,表示相关性状态在当前时刻为θi,在下一时刻处于θ1,...,θj状态的概率总和。
步骤201、基于蒙特卡洛仿真的多个风电场预测出力场景生成
假设所需生成的风电场预测出力场景对应的时段范围为{t1,t2,...,tT},该时段下所有风电场的点预测出力为:
假设需要生成的风电场预测出力场景个数为K,则场景生成步骤如下:
1)基于风电场历史预测误差数据,通过Baum Welch算法训练模型,得到隐马尔科夫模型参数λ=(A,μ,Σ,π);
2)假设当前生成第k个随机场景,在初始t1时刻,随机生成1至N之间的正整数q1,则t1时刻M个风电场之间的相关性状态Q1=q1,基于多维高斯分布生成随机向量[ε1(t1),ε2(t1),...,εM(t1)],将其作为t1时刻M个风电场的预测误差;
3)假设当前时刻为tl,1≤l≤T,相关性状态Ql=ql,基于[0,1]均匀分布,生成区间[0,1]内的随机数xl,将与累积状态转移概率矩阵C中第ql行的所有元素进行比较,当xl的大小位于该行第y列元素和第y+1列元素之间时,则可确定tl+1时刻相关性状态Ql+1=y;
5)判断tl+1时刻是否为最后一个时刻tT,若不是,则重复步骤3)至5),若是,则得到时刻t1,t2,...,tT下,M个风电场的第k个预测出力场景:
6)判断k是否等于K,若不是,则重复步骤2)至5),若是,则得到时刻t1,t2,...,tT下,M个风电场的K个预测出力场景集合{Θ1,Θ2,...,ΘK}。
由以上步骤可知,所提出方法不受风电场个数的限制,能够同时多个风电场预测出力场景的生成。
本实施例选取某2个风电场进行所提出方法测试,采用全年15分钟的出力预测误差数据来训练高斯隐马尔科夫模型。图3展示了两个风电场某日96点的实际出力、点预测出力和生成的10个风电出力预测场景。其中,点加实线为实际出力曲线,点星加实线为点预测出力曲线,其余实线为10个预测出力场景曲线。结果显示两个风电场的预测出力场景均能较好的覆盖点预测出力和实际预测出力,验证了本专利方法的有效性。
采用互相关系数来描述各风电场之间预测误差的相关性,互相关系数描述了两个时间序列在不同时间间隔下的相关系数大小,能够反映出两个时间序列的相关性随时间的变化情况。附图4展示了两个风电场实际出力、点预测出力和10个预测出力场景的互相关系数结果。其中,加粗的实线为实际出力的互相关系数,有空心方框连成的线为点预测出力的互相关系数,其余虚线为10个预测出力场景的互相关系数。结果显示10个预测出力场景的互相关系数能够较好的覆盖点预测出力和实际出力的互相关系数的变化范围,而且互相关系数随时间的变化趋势相一致,与实际预测出力的互相关系数之间偏差较小。这说明本专利提出的方法所生成的预测出力场景很好的反映了各风电场之间预测误差的相关性,验证了方法的有效性。
实施例2:
1)读取所有风电场的预测误差数据,并用装机容量进行归一化处理;
2)根据步骤101的建模方法,建立以所有风电场出力预测误差为观测量、以风电场之间的相关性关系为状态量的高斯隐马尔科夫模型参数;
3)基于风电场出力预测误差历史数据,根据步骤102中的Baum Welch算法,估计高斯隐马尔科夫模型的参数;
4)基于步骤103中的方法,计算所建立的高斯隐马尔科夫模型的累积状态转移概率矩阵;
5)给定所需生成场景的时刻、场景数量和各风电场的点预测出力结果,基于训练得到的高斯隐马尔科夫模型,采用步骤201中的蒙特卡洛仿真方法,随机生成所有风电场的预测出力场景集合。
实施例3
基于同一种发明构思,本发明还提供了一种多风电场出力场景的生成***,包括:
处理模块,用于基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵;
预测误差模块,用于基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差;
生成场景模块,用于基于各风电场的点预测出力值和所述风电场的预测误差,获得所有风电场的预测出力场景。
实施例中,所述处理模块,包括:
生成预测误差数据子模块,用于基于多个风电场的实际出力值和对应点预测出力值,获得每个风电场的出力预测误差数据;
相关性状态子模块,用于根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态;
设置子模块,用于将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态,并设置所述隐状态的个数;
迭代子模块,用于基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练,通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵;
多维高斯分布子模块,用于基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布;
累积状态转移概率子模块,用于基于所述状态转移矩阵计算累积状态转移概率;
其中,所述累积状态转移概率矩阵由累积状态转移概率组成。
实施例中,所述预测误差模块,包括:
相关性状态子模块,用于基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态;
预测误差子模块,用于基于每一时刻所述多个风电场的相关性状态和对应的多维高斯分布,通过随机抽样生成所述时刻下每个风电场的预测误差。
实施例中,所述相关性状态子模块,包括:
初始时刻单元,用于基于隐状态的个数随机生成一个正整数作为预设周期中初始时刻多个风电场的相关性状态;
其余时刻单元,用于基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (2)
1.一种多风电场出力场景的生成方法,其特征在于,包括:
基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵;
基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差;
基于各风电场的点预测出力值和所述风电场的预测误差,获得所有风电场的预测出力场景;
所述基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵,包括:
基于多个风电场的实际出力值和对应点预测出力值,获得每个风电场的出力预测误差数据;
根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态;
将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态,并设置所述隐状态的个数;
基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练,通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵;
基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布;
基于所述状态转移矩阵计算累积状态转移概率;
其中,所述累积状态转移概率矩阵由累积状态转移概率组成;
所述基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练,通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵,包括:
步骤101、为高斯隐马尔科夫模型中的状态转移矩阵,高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量设置初始值;
步骤102、计算训练周期内初始时刻下各隐状态的前向概率,并依次向前计算训练周期内其余所有时刻下各隐状态的前向概率;
步骤103、计算训练周期内终止时刻下各隐状态的后向概率,并依次向后计算训练周期内其余所有时刻下各隐状态的后向概率;
步骤104、基于多个风电场的出力预测误差数据构成的观测序列、各隐状态的前向概率和各隐状态的后向概率,计算任意时刻隐状态的条件概率;
步骤105、基于多个风电场的出力预测误差数据构成的观测序列、各隐状态的前向概率和各隐状态的后向概率,计算任意时刻隐状态和所述任意时刻的下一时刻隐状态的联合条件概率;
步骤106、基于所述条件概率和联合条件概率更新高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量;
步骤107、若更新后的高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量满足预设的收敛条件,则循环结束,按当前参数设置高斯隐马尔科夫模型,否则执行步骤102;
所述前向概率,按下式计算:
式中:αt+1(j):t+1时刻下隐状态为j的前向概率;πj:风电场的隐状态为θj的概率;bj(·):隐状态为j的观测序列服从的概率分布;O1:初始时刻下各风电场出力的历史观测序列;N:隐状态的个数;αt(j):t时刻下隐状态为j的前向概率;aij:状态转移矩阵A中第i行第j列t时刻的隐状态为θi,t+1时刻的隐状态转换为θj的概率;Ot+1:t+1时刻下各风电场出力的历史观测序列;
其中,风电场初始时刻隐状态的概率组成隐状态的概率分布向量;
所述后向概率,按下式计算:
式中:βt(j):t时刻下隐状态为j的后向概率;aji:状态转移矩阵A中第j行第i列t时刻的隐状态为θj,t+1时刻的隐状态转换为θi的概率;bi(·):隐状态为i的观测序列服从的概率分布;βt+1(i):t+1时刻下隐状态为i的后向概率;Ot+1:t+1时刻下各风电场出力的历史观测序列;T:训练周期的终止时刻;N:隐状态的个数;
所述任意时刻隐状态的条件概率,按下式计算:
式中:γt(j):t时刻下隐状态j的条件概率;αt(j):t时刻下隐状态为j的前向概率;βt(j):t时刻下隐状态为j的后向概率;αt(i):t时刻下隐状态为i的前向概率;βt(i):t时刻下隐状态为i的后向概率;N:隐状态的个数;
所述联合条件概率,按下式计算:
式中:ξt(i,j):t时刻下隐状态j的联合条件概率;αt(j):t时刻下隐状态为j的前向概率;aij:状态转移矩阵A中第i行第j列t时刻的隐状态为θi,t+1时刻的隐状态转换为θj的概率;bj(·):隐状态为j的观测序列服从的概率分布;Ot+1:t+1时刻下各风电场出力的历史观测序列;βt+1(j):t+1时刻下隐状态为j的后向概率;αt(r):t时刻下隐状态为r的前向概率;ars:状态转移矩阵A中第r行第s列t时刻的隐状态为θr,t+1时刻的隐状态转换为θs的概率;bs(·):隐状态为s的观测序列服从的概率分布;βt+1(s):t+1时刻下隐状态为s的后向概率;N:隐状态的个数;
所述基于所述条件概率和联合条件概率更新高斯隐马尔科夫模型中的状态转移矩阵、高斯分布的均值向量、高斯分布的协方差矩阵和隐状态的概率分布向量,按下式更新:
πj=γ1(j),j=1,2,...,N
式中:πj:风电场的相关状态为θj的概率;γ1(j):初始时刻下隐状态j的条件概率;N:隐状态的个数;
式中:aij:状态转移矩阵A中第i行第j列t时刻的隐状态为θi,t+1时刻的隐状态转换为θj的概率;ξt(i,j):t时刻下隐状态j的联合条件概率;γt(j):t时刻下隐状态j的条件概率;
式中:μj:隐状态为j的高斯分布的均值向量;Ot:t时刻下各风电场出力的历史观测序列;
式中:Σj:隐状态为j的高斯分布的协方差矩阵;
所述累积状态转移概率,按下式计算:
式中:cij:累积状态转移概率矩阵C中第i行第j列的累积状态转移概率;aik:状态转移矩阵A中第i行第k列t时刻的隐状态为θi,t+1时刻的隐状态转换为θk的概率;
所述多维高斯分布,按下式计算:
bj(O)=N(μj,Σj),1≤j≤N
所述基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差,包括:
基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态;
基于每一时刻所述多个风电场的相关性状态和对应的多维高斯分布,通过随机抽样生成所述时刻下每个风电场的预测误差;
所述基于所述累积状态转移概率矩阵确定预设周期内每一时刻所述多个风电场的相关性状态,包括:
基于隐状态的个数随机生成一个正整数作为预设周期中初始时刻多个风电场的相关性状态;
基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态;
所述基于初始时刻多个风电场的相关性状态与所述累积状态转移概率矩阵迭代计算获得预设周期中其余时刻多个风电场的相关性状态,包括:
步骤201、将所述初始时刻作为已知时刻;
步骤202、生成区间[0,1]内的随机数;
步骤203、所述随机数与所述累积状态转移概率矩阵中已知时刻对应行的所有元素进行比较,当随机数的大小位于所述已知时刻对应行相邻两列元素之间时,则确定下一时刻多个风电场的相关性状态为所述已知时刻对应行相邻两列中前一列对应的值;
步骤204、当所述下一时刻为预设周期的终止时刻时,则循环结束,输出预设周期内所有时刻对应的多个风电场的相关性状态;否则,将所述下一时刻作为已知时刻执行步骤202;
所述所有风电场的预测出力场景,如下式所示:
式中:Θk:M个风电场的第k组预测出力场景;M个风电场在tT时刻的点预测出力组成的向量;εM(tT):tT时刻M个风电场的预测误差;/>第M个风电场在tT时刻的预测出力;M:风电场的个数;T:预测周期;
所述基于各风电场的点预测出力值和所述风电场的预测误差,获得所有风电场的预测出力场景,还包括:
基于所有风电场的预测出力场景循环生成预设数量的所有风电场的预测出力场景;
所述基于所有风电场的预测出力场景循环生成预设数量的所有风电场的预测出力场景,包括:
当所有风电场的预测出力场景的个数等于预设数量时,则获得预设数量的所有风电场的预测出力场景;
当所有风电场的预测出力场景的个数小于预设数量时,则继续基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差,基于每个风电场的点预测出力值和所述风电场的预测误差生成所述场景的预测出力,直到获得预设数量的所有风电场的预测出力场景;
其中,所述预设数量的所有风电场的预测出力场景为{Θ1,Θ2,...,ΘK};
式中:ΘK:M个风电场的第K组预测出力;K:预设的预测出力组数。
2.一种多风电场出力场景的生成***,用于实现一种如权利要求1所述的一种多风电场出力场景的生成方法,其特征在于,包括:
处理模块,用于基于多个风电场的出力预测误差数据和预先构建的高斯隐马尔科夫模型得到多维高斯分布和累积状态转移概率矩阵;
预测误差模块,用于基于所述多维高斯分布和累积状态转移概率矩阵确定预设周期内每一时刻每个风电场的预测误差;
生成场景模块,用于基于各风电场的点预测出力值和所述风电场的预测误差,获得所有风电场的预测出力场景;
所述处理模块,包括:
生成预测误差数据子模块,用于基于多个风电场的实际出力值和对应点预测出力值,获得每个风电场的出力预测误差数据;
相关性状态子模块,用于根据各风电场的出力预测误差数据确定所述多个风电场之间的相关性状态;
设置子模块,用于将所述相关性状态设置为所述高斯隐马尔科夫模型中隐状态,并设置所述隐状态的个数;
迭代子模块,用于基于每个风电场的出力预测误差数据和所述隐状态的个数对高斯隐马尔科夫模型进行训练,通过前向-后向算法迭代计算所述高斯隐马尔科夫模型的状态转移矩阵、以及每一个隐状态对应的高斯分布的均值向量和协方差矩阵;
多维高斯分布子模块,用于基于每一个隐状态对应的高斯分布的均值向量和协方差矩阵确定多维高斯分布;
累积状态转移概率子模块,用于基于所述状态转移矩阵计算累积状态转移概率;
其中,所述累积状态转移概率矩阵由累积状态转移概率组成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811171128.9A CN111027732B (zh) | 2018-10-09 | 2018-10-09 | 一种多风电场出力场景的生成方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811171128.9A CN111027732B (zh) | 2018-10-09 | 2018-10-09 | 一种多风电场出力场景的生成方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111027732A CN111027732A (zh) | 2020-04-17 |
CN111027732B true CN111027732B (zh) | 2023-06-06 |
Family
ID=70190594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811171128.9A Active CN111027732B (zh) | 2018-10-09 | 2018-10-09 | 一种多风电场出力场景的生成方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027732B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563623B (zh) * | 2020-04-30 | 2022-05-10 | 国网山东省电力公司威海供电公司 | 一种风电***规划的典型场景提取方法及*** |
CN111638646B (zh) * | 2020-05-29 | 2024-05-28 | 平安科技(深圳)有限公司 | 四足机器人行走控制器训练方法、装置、终端及存储介质 |
CN111797132B (zh) * | 2020-06-17 | 2022-05-13 | 武汉大学 | 考虑时空相关性的多可再生能源电站功率场景生成方法 |
CN111652449A (zh) * | 2020-07-17 | 2020-09-11 | 上海积成能源科技有限公司 | 一种基于条件随机场模型预测短期光伏发电***发电量的***模型 |
CN112101673B (zh) * | 2020-09-22 | 2024-01-16 | 华北电力大学 | 一种基于隐马尔可夫模型的电网发展趋势预测方法及*** |
CN112653198A (zh) * | 2020-12-17 | 2021-04-13 | 山东大学 | 一种基于预测箱的风电出力场景生成方法及*** |
CN114896765A (zh) * | 2022-04-19 | 2022-08-12 | 国网甘肃省电力公司电力科学研究院 | 基于灵活时间边界的多场景切换风电序列模拟方法及装置 |
CN115048992A (zh) * | 2022-06-06 | 2022-09-13 | 支付宝(杭州)信息技术有限公司 | 建立时间序列预测模型的方法、时间序列预测方法和装置 |
CN117936100B (zh) * | 2024-03-21 | 2024-05-31 | 深圳达实旗云健康科技有限公司 | 一种基于医疗大数据的危重症早期预警方法及相关装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224760A (zh) * | 2015-10-19 | 2016-01-06 | 重庆大学 | 一种基于风电场的vsc-hvdc并网***可靠性计算方法 |
CN107358060A (zh) * | 2017-09-06 | 2017-11-17 | 大连理工大学 | 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法 |
CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
PT3161527T (pt) * | 2014-06-30 | 2018-10-19 | Siemens Ag | Previsão de energia solar utilizando uma mistura de analisadores de componentes principais probabilísticos |
-
2018
- 2018-10-09 CN CN201811171128.9A patent/CN111027732B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105224760A (zh) * | 2015-10-19 | 2016-01-06 | 重庆大学 | 一种基于风电场的vsc-hvdc并网***可靠性计算方法 |
CN107358060A (zh) * | 2017-09-06 | 2017-11-17 | 大连理工大学 | 一种基于隐马尔科夫模型的对风电功率预测误差区间进行估计的方法 |
CN108564206A (zh) * | 2018-03-27 | 2018-09-21 | 中国农业大学 | 一种基于分布式优化和空间相关性的风电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
《A Hidden Markov Model Representing the Spatial and Temporal Correlation of Multiple Wind Farms》;Jiakun Fang等;《2015 IEEE Power & Energy Society General Meeting》;正文第1页第1段至第5页最后一段 * |
《考虑波动趋势和相关性的多风电场模拟出力数据生成方法》;郭璋 等;《西安交通大学学报》;第52卷(第4期);7-13 * |
Also Published As
Publication number | Publication date |
---|---|
CN111027732A (zh) | 2020-04-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027732B (zh) | 一种多风电场出力场景的生成方法及*** | |
CN106022521B (zh) | 基于Hadoop架构的分布式BP神经网络的短期负荷预测方法 | |
CN112016736B (zh) | 基于门控卷积和注意力机制的光伏发电功率的控制方法 | |
CN111401755B (zh) | 基于马尔科夫链的多新能源出力场景生成方法、装置及*** | |
CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及*** | |
CN111639808A (zh) | 一种考虑时空相关性的多风电场出力场景生成方法及*** | |
CN112100911B (zh) | 一种基于深度bilstm的太阳辐射预测方法 | |
CN107274028A (zh) | 一种基于混合Copula函数的多风场出力预测方法 | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN111798494B (zh) | 广义相关熵准则下的机动目标鲁棒跟踪方法 | |
CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
CN110009181A (zh) | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 | |
CN116702831A (zh) | 一种考虑数据大量丢失的混合短期风电功率预测方法 | |
Tao et al. | Chaotic time series prediction based on radial basis function network | |
CN109840308B (zh) | 一种区域风电功率概率预报方法及*** | |
Yang et al. | Host load prediction based on PSR and EA-GMDH for cloud computing system | |
CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 | |
CN116663709A (zh) | 一种基于强化解码器的电力负荷多步预测方法和装置 | |
CN116739130A (zh) | TCN-BiLSTM网络的多时间尺度负荷预测方法 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及*** | |
CN111027790B (zh) | 一种多个风电场出力的时间序列构建方法及*** | |
CN110829434B (zh) | 一种提高深度神经网络潮流模型扩展性的方法 | |
CN111797564A (zh) | 一种高维分布式光伏出力的相关性样本获取方法及*** | |
CN117057255B (zh) | 一种用于数字孪生模型在线同步的预训练模型获取方法 | |
CN115775051A (zh) | 一种家庭电力负荷概率预测方法及应用 |
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 |