CN114021447A - 一种新能源光伏发电功率预测方法 - Google Patents
一种新能源光伏发电功率预测方法 Download PDFInfo
- Publication number
- CN114021447A CN114021447A CN202111275044.1A CN202111275044A CN114021447A CN 114021447 A CN114021447 A CN 114021447A CN 202111275044 A CN202111275044 A CN 202111275044A CN 114021447 A CN114021447 A CN 114021447A
- Authority
- CN
- China
- Prior art keywords
- virtual
- seed
- sample set
- deformable
- basic
- 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 29
- 238000010248 power generation Methods 0.000 title claims abstract description 22
- 238000013528 artificial neural network Methods 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000009977 dual effect Effects 0.000 claims abstract description 6
- 230000035772 mutation Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000005855 radiation Effects 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力技术领域,具体涉及一种新能源光伏发电功率预测方法;包括以下步骤:S1:获取含天气突变敏感因子的光伏电站历史数据作为基本训练样本集A;S2:根据基本训练样本集A,筛选可变形基本样本构成可变形基本样本集Deformable;S3:根据可变形基本样本集Deformable选取出变形种子Seedm(m=1,2,...,M),由M组变形种子生成变形种子数据集Seed;S4:根据变形种子数据集Seed的前M‑1组数据Seedm(m=1,2,...,M‑1)依次进行变形,生成M‑1组虚拟变形样本Virtualm(m=1,2,...,M‑1),组成虚拟变形样本集Virtual;S5:根据基本训练样本集A和虚拟变形样本集Virtual中的样本进行双重神经网络训练;S6:利用训练后的神经网络,进行超短期功率预测;本发明提升了恶劣天气条件下功率预测准确度的同时提升了电网的稳定性。
Description
技术领域
本发明属于电力技术领域,具体涉及一种新能源光伏发电功率预测方法。
背景技术
近些年来,新能源发电占比正在逐年提高,光伏发电和风力发电正在稳步发展和推进。但是无论光伏发电还是风力发电由于具有随机性和不稳定性的特点,其所发电并入电网会危及电网稳定性。所以新能源发电需要提前进行功率预测,以便调度等提前规划,保障电网稳定性。目前,神经网络等预测方法,可以对超短期功率做出较好的预测。但基本是晴天或天气变化温和时预测效果较好,当突发暴风雨或其他恶劣天气时预测效果往往误差较大。原因是预测时通常采用某特定时刻的云量、风速、风向、气温、气压、湿度等参考量进行超短期功率预测,对天气突变敏感性较差。而且在选用神经网络等预测方法进行样本训练时,样本很难提供较多突发天气的数据,造成训练后的神经网络很难对突发天气下的功率进行很好预测。因此,如何考虑天气突变因素,选取有效的天气突变敏感因子做为训练样本数据,又如何扩展天气突变情况下的训练样本,提升突发恶劣天气功率预测准确度,保障电网安全稳定运行,是一个急需解决的技术难题。
发明内容
本发明克服了现有技术存在的不足,提供了一种新能源光伏发电功率预测方法。
为了解决上述技术问题,本发明采用的技术方案为:一种新能源光伏发电功率预测方法。包括以下步骤:
S1:选取含天气突变敏感因子的光伏电站历史数据样本做为基本训练样本An(n=1,2,......,N),之后由N组基本训练样本组成基本训练样本集A。
具体的,步骤S1中每组基本训练样本An(n=1,2,......,N)的组成如下:
An={气压变化率n、太阳辐射强度n、云量n、风速n、风向n、气温n、气压n、湿度n、功率n},(n=1,2,.....,N);其中,N为基本训练样本组数,且为自然数;
更进一步的,步骤S1中基本训练样本集A的组成如下:
A={A1,A2,......AN}。
S2:针对步骤S1中的基本训练样本集A,筛选出可变形基本样本Deformablem(m=1,2,.....,M),并由筛选出的M组可变形基本样本生成可变形基本样本集Deformable。
具体的,步骤S2中筛选出每组可变形基本样本Deformablem(m=1,2,.....,M)的方法如下:
依次对步骤S1中的每组基本训练样本An中的“气压变化率n”判定是否超过设定的变形种子筛选死区D(死区D可定义为某个0点对称区间);
如果“气压变化率n”超过设定的变形种子筛选死区D,则第n组基本训练样本An被选为可变形基本样本,并将第n组基本训练样本An中的数据:气压变化率n、太阳辐射强度n、云量n、风速n、风向n、气温n、气压n、湿度n、功率n,依次标记为:可变气压变化率m、可变太阳辐射强度m、可变云量m、可变风速m、可变风向m、可变气温m、可变气压m、可变湿度m、可变功率m(这里m=(1,2,......,M),m初始值为1,每标记完一组可变形基本样本令m+1);
如果“气压变化率n”在设定的变形种子筛选死区D,则第n组基本训练样本An不被选为可变形基本样本;
如果最后选出的可变形基本样本有M组(1<=M<=N)。则每组可变形基本样本Deformablem(m=1,2,.....,M)组成如下:
Deformablem={可变气压变化率m、可变太阳辐射强度m、可变云量m、可变风速m、可变风向m、可变气温m、可变气压m、可变湿度m、可变功率m},(m=1,2,.....,M);
更进一步的,步骤S2中可变形基本样本集Deformable的组成如下:
Deformable={Deformable1,Deformable2,......,DeformableM}。
S3、针对步骤S2筛选出的可变形基本样本集Deformable,在M组可变形基本样本中依次选取出变形种子Seedm(m=1,2,.....,M),最后由M组变形种子生成变形种子数据集Seed。
具体的,步骤S3中选取出变形种子Seedm(m=1,2,.....,M)的方法如下:
针对可变形基本样本集Deformable中的每一组可变形基本样本Deformablem,选取Deformablem中的“可变气压变化率m”、“可变功率m”做为变形种子数据;则变形种子Seedm={可变气压变化率m,可变功率m}(m=1,2,.....,M)。
为方便表述,将可变气压变化率m表达为Sm,将可变功率m表达为Wm,则Seedm的组成如下:
Seedm={Sm,Wm}。(m=1,2,.....,M)
更进一步的,步骤S3中变形种子数据集Seed的组成如下:
Seed={Seed1,Seed2,......SeedM}={{S1,W1},{S1,W1},......,{SM,WM}}。
S4、针对步骤S3生成的变形种子数据集Seed,对M组变形种子数据Seedm(m=1,2,.....,M)中的前M-1组数据Seedm(m=1,2,.....,M-1)依次进行变形,生成M-1组虚拟变形样本Virtualm(m=1,2,......,M-1),最后由M-1组虚拟变形样本组成虚拟变形样本集Virtual。
具体的,步骤S4中每组虚拟变形样本的生成方法如下:
Virtualm={Xm,Ym}(m=1,2,......,M-1) (1-1)
其中,Xm表示第m组虚拟气压变化率,Ym表示第m组虚拟功率,Xm,Ym计算方法如下:
Xm=rpSm
Ym=r3paSm 3+rpcSm (1-2)
其中,Sm表示第m组变形种子Seedm中的可变气压变化率,rp表示气压变化拉伸系数,r为1-10之间的自然数,p为1-10之间的自然数,a、c系数计算公式如下:
其中,Wm表示第m组变形种子Seedm中的可变功率。
更进一步的,虚拟变形样本集Virtual的组成方法如下:
Virtual={Virtual1,Virtual2,.......,VirtualM-1}
S5、进行基本训练样本集A中样本及虚拟变形样本集Virtual中样本的双重神经网络训练。
具体的,针对步骤S1中基本训练样本集A中的基本训练样本进行神经网络功率预测训练;针对步骤S4中虚拟变形样本集Virtual中的虚拟变形样本进行神经网络功率预测训练。
S6、利用步骤S5训练好的神经网络,进行超短期功率预测。
本发明与现有技术相比具有的有益效果是:
1、本发明利用气压变化率做为天气突变敏感因子,通过对基本训练样本进行虚拟变形,再通过基本样本及虚拟变形后样本的双重神经网络训练,能训练出较好预测常规天气及突发恶劣天气功率的神经网络。提升恶劣天气条件下功率预测准确度,提升接入新能源光伏发电的电网的稳定性。
2、本发明利用气压变化率做为天气突变敏感因子,并将该因子纳入训练样本数据,避免了常规训练样本对天气突变不敏感,最终训练出的神经网络在预测突发恶劣天气功率时,预测效果较差的问题。
3、本发明中虚拟变形样本生成方法,有效弥补了常规样本中突发天气样本数据较少的不足。大大增加了突发天气训练样本数据,提高了神经网络在突发天气下的预测准确率。
4、本发明通过基本样本及虚拟变形样本双重神经网络训练的策略,训练出能较好预测常规天气及突发恶劣天气功率的神经网络。
综上所述,本发明预测方法提升了突变天气敏感度,弥补了常规样本中突发天气样本数据较少的不足,不仅能较好预测常规天气下的光伏发电功率,同时也能很好地预测突变天气条件下的光伏发电功率。
附图说明
下面结合附图对本发明做进一步的说明。
图1为本发明所提预测方法流程图。
具体实施方式
如图1所示,一种新能源光伏发电功率预测方法。包括以下步骤:
S1:选取含天气突变敏感因子的光伏电站历史数据样本做为基本训练样本An(n=1,2,......,N),之后由N组基本训练样本组成基本训练样本集A。
具体的,步骤S1中每组基本训练样本An(n=1,2,......,N)的组成如下:
An={气压变化率n、太阳辐射强度n、云量n、风速n、风向n、气温n、气压n、湿度n、功率n},(n=1,2,.....,N);其中,N为基本训练样本组数,且为自然数;
更进一步的,步骤S1中基本训练样本集A的组成如下:
A={A1,A2,......AN}。
S2:针对步骤S1中的基本训练样本集A,筛选出可变形基本样本Deformablem(m=1,2,.....,M),并由筛选出的M组可变形基本样本生成可变形基本样本集Deformable。
具体的,步骤S2中筛选出每组可变形基本样本Deformablem(m=1,2,.....,M)的方法如下:
依次对步骤S1中的每组基本训练样本An中的“气压变化率n”判定是否超过设定的变形种子筛选死区D(死区D可定义为某个0点对称区间);
如果“气压变化率n”超过设定的变形种子筛选死区D,则第n组基本训练样本An被选为可变形基本样本,并将第n组基本训练样本An中的数据:气压变化率n、太阳辐射强度n、云量n、风速n、风向n、气温n、气压n、湿度n、功率n,依次标记为:可变气压变化率m、可变太阳辐射强度m、可变云量m、可变风速m、可变风向m、可变气温m、可变气压m、可变湿度m、可变功率m(这里m=(1,2,......,M),m初始值为1,每标记完一组可变形基本样本令m+1);
如果“气压变化率n”在设定的变形种子筛选死区D,则第n组基本训练样本An不被选为可变形基本样本;
如果最后选出的可变形基本样本有M组(1<=M<=N)。则每组可变形基本样本Deformablem(m=1,2,.....,M)组成如下:
Deformablem={可变气压变化率m、可变太阳辐射强度m、可变云量m、可变风速m、可变风向m、可变气温m、可变气压m、可变湿度m、可变功率m},(m=1,2,.....,M);
更进一步的,步骤S2中可变形基本样本集Deformable的组成如下:
Deformable={Deformable1,Deformable2,......,DeformableM}。
S3、针对步骤S2筛选出的可变形基本样本集Deformable,在M组可变形基本样本中依次选取出变形种子Seedm(m=1,2,.....,M),最后由M组变形种子生成变形种子数据集Seed。
具体的,步骤S3中选取出变形种子Seedm(m=1,2,.....,M)的方法如下:
针对可变形基本样本集Deformable中的每一组可变形基本样本Deformablem,选取Deformablem中的“可变气压变化率m”、“可变功率m”做为变形种子数据;则变形种子Seedm={可变气压变化率m,可变功率m}(m=1,2,.....,M)。
为方便表述,将可变气压变化率m表达为Sm,将可变功率m表达为Wm,则Seedm的组成如下:
Seedm={Sm,Wm}。(m=1,2,.....,M)
更进一步的,步骤S3中变形种子数据集Seed的组成如下:
Seed={Seed1,Seed2,......SeedM}={{S1,W1},{S1,W1},......,{SM,WM}}。
S4、针对步骤S3生成的变形种子数据集Seed,对M组变形种子数据Seedm(m=1,2,.....,M)中的前M-1组数据Seedm(m=1,2,.....,M-1)依次进行变形,生成M-1组虚拟变形样本Virtualm(m=1,2,......,M-1),最后由M-1组虚拟变形样本组成虚拟变形样本集Virtual。
具体的,步骤S4中每组虚拟变形样本的生成方法如下:
Virtualm={Xm,Ym}(m=1,2,......,M-1) (1-1)
其中,Xm表示第m组虚拟气压变化率,Ym表示第m组虚拟功率,Xm,Ym计算方法如下:
Xm=rpSm
Ym=r3paSm 3+rpcSm (1-2)
其中,Sm表示第m组变形种子Seedm中的可变气压变化率,rp表示气压变化拉伸系数,r为1-10之间的自然数,p为1-10之间的自然数,a、c系数计算公式如下:
其中,Wm表示第m组变形种子Seedm中的可变功率。
更进一步的,虚拟变形样本集Virtual的组成方法如下:
Virtual={Virtual1,Virtual2,.......,VirtualM-1}
S5、进行基本训练样本集A中样本及虚拟变形样本集Virtual中样本的双重神经网络训练。
具体的,针对步骤S1中基本训练样本集A中的基本训练样本进行神经网络功率预测训练;针对步骤S4中虚拟变形样本集Virtual中的虚拟变形样本进行神经网络功率预测训练。
S6、利用步骤S5训练好的神经网络,进行超短期功率预测。
综上所述,本发明一方面,针对常规样本中突发天气敏感因子不足的缺点,提出了利用气压变化率做为天气突变敏感因子样本数据的方法。另一方面,针对突发天气样本数据不足的缺点,提出虚拟变形样本生成方法。最后,还给出了基本样本及虚拟变形样本双重神经网络训练策略,训练出能较好预测常规天气及突发恶劣天气功率的神经网络。通过实际仿真,以上实施方式能有效提升恶劣天气条件下功率预测准确度,提升接入新能源光伏发电的电网的稳定性。
上述实施方式仅示例性说明本发明的原理及其效果,而非用于限制本发明。对于熟悉此技术的人皆可在不违背本发明的精神及范畴下,对上述实施例进行修饰或改进。因此,凡举所述技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本发明的权利要求所涵盖。
Claims (5)
1.一种新能源光伏发电功率预测方法,其特征在于,包括以下步骤:
S1:获取含天气突变敏感因子的光伏电站历史数据作为基本训练样本集A;
S2:根据基本训练样本集A,筛选可变形基本样本构成可变形基本样本集Deformable;
S3:根据可变形基本样本集Deformable选取出变形种子Seedm(m=1,2,.....,M),由M组变形种子生成变形种子数据集Seed;
S4:根据变形种子数据集Seed的前M-1组数据Seedm(m=1,2,.....,M-1)依次进行变形,生成M-1组虚拟变形样本Virtualm(m=1,2,......,M-1),由M-1组虚拟变形样本组成虚拟变形样本集Virtual;
S5:根据基本训练样本集A和虚拟变形样本集Virtual中的样本进行双重神经网络训练;
S6:利用训练后的神经网络,进行超短期功率预测。
2.根据权利要求1所述的一种新能源光伏发电功率预测方法,其特征在于,步骤S1中,所述基本训练样本集A包括敏感天气突变因子。
3.根据权利要求1所述的一种新能源光伏发电功率预测方法,其特征在于,步骤S3中,所述变形种子Seedm由可变气压变化率、可变功率两种历史数据组成。
5.根据权利要求1所述的一种新能源光伏发电功率预测方法,其特征在于,步骤S5中,双重神经网络训练包括:针对步骤S1中基本训练样本集中的基本训练样本进行神经网络功率预测训练,针对步骤S4中虚拟变形样本集Virtual中的虚拟变形样本进行神经网络功率预测训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111275044.1A CN114021447B (zh) | 2021-10-29 | 2021-10-29 | 一种新能源光伏发电功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111275044.1A CN114021447B (zh) | 2021-10-29 | 2021-10-29 | 一种新能源光伏发电功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114021447A true CN114021447A (zh) | 2022-02-08 |
CN114021447B CN114021447B (zh) | 2024-06-21 |
Family
ID=80058848
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111275044.1A Active CN114021447B (zh) | 2021-10-29 | 2021-10-29 | 一种新能源光伏发电功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114021447B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
CN104834981A (zh) * | 2015-05-27 | 2015-08-12 | 国家电网公司 | 短期电站光伏功率的主因隐含型预测方法 |
CN112052913A (zh) * | 2020-09-27 | 2020-12-08 | 国网江苏省电力有限公司南京供电分公司 | 一种分布式光伏电站功率数据虚拟采集方法 |
WO2021204226A1 (zh) * | 2020-04-09 | 2021-10-14 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
-
2021
- 2021-10-29 CN CN202111275044.1A patent/CN114021447B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509026A (zh) * | 2011-12-08 | 2012-06-20 | 沈阳工业大学 | 基于最大信息熵原理的风电场短期输出功率预测综合模型 |
CN104834981A (zh) * | 2015-05-27 | 2015-08-12 | 国家电网公司 | 短期电站光伏功率的主因隐含型预测方法 |
WO2021204226A1 (zh) * | 2020-04-09 | 2021-10-14 | 国网江苏省电力有限公司苏州供电分公司 | 基于雷云轨迹跟踪的雷电条件下的光伏功率预测方法 |
CN112052913A (zh) * | 2020-09-27 | 2020-12-08 | 国网江苏省电力有限公司南京供电分公司 | 一种分布式光伏电站功率数据虚拟采集方法 |
Non-Patent Citations (1)
Title |
---|
周慧;王进;顾翔;: "基于数据挖掘的光伏发电预测", 计算机时代, no. 08, 15 August 2018 (2018-08-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN114021447B (zh) | 2024-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ali et al. | Statistical analysis of wind characteristics using Weibull and Rayleigh distributions in Deokjeok-do Island–Incheon, South Korea | |
CN105046374B (zh) | 一种基于核极限学习机模型的功率区间预测方法 | |
Amirinia et al. | Wind and wave energy potential in southern Caspian Sea using uncertainty analysis | |
Li et al. | MEP-type distribution function: a better alternative to Weibull function for wind speed distributions | |
CN103761578B (zh) | 基于多元线性回归的太阳辐照预报方法 | |
Di et al. | Improving WRF model turbine-height wind-speed forecasting using a surrogate-based automatic optimization method | |
CN107194495B (zh) | 一种基于历史数据挖掘的光伏功率纵向预测方法 | |
CN111260126B (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
CN109165774A (zh) | 一种短期光伏功率预测方法 | |
Suomalainen et al. | Synthetic wind speed scenarios including diurnal effects: Implications for wind power dimensioning | |
CN110598898B (zh) | 一种基于开放获取天气数据的光伏预测方法、***以及存储介质 | |
CN111612244B (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
CN107679687A (zh) | 一种光伏出力建模方法以及发电***可靠性评估方法 | |
Jiang et al. | Comprehensive assessment of wind resources and the low-carbon economy: An empirical study in the Alxa and Xilin Gol Leagues of inner Mongolia, China | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和*** | |
CN102749471B (zh) | 一种短期风速、风电功率预测方法 | |
Mayer et al. | Probabilistic modeling of future electricity systems with high renewable energy penetration using machine learning | |
CN106557867B (zh) | 适用中长时间尺度电网分析的光伏发电概率模型建模方法 | |
CN114091316B (zh) | 一种区域光伏发电量计算方法 | |
Liu et al. | A Monte Carlo simulation method for probabilistic evaluation of annual energy production of wind farm considering wind flow model and wake effect | |
Efe et al. | 72hr forecast of wind power in Manisa, Turkey by using the WRF model coupled to WindSim | |
CN114021447A (zh) | 一种新能源光伏发电功率预测方法 | |
CN112884601A (zh) | 一种基于天气区划策略的电力***运行风险评估方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |