TWI662423B - 風力發電之預測顯示系統及方法 - Google Patents
風力發電之預測顯示系統及方法 Download PDFInfo
- Publication number
- TWI662423B TWI662423B TW106103821A TW106103821A TWI662423B TW I662423 B TWI662423 B TW I662423B TW 106103821 A TW106103821 A TW 106103821A TW 106103821 A TW106103821 A TW 106103821A TW I662423 B TWI662423 B TW I662423B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- wind power
- forecast
- wind
- wind speed
- Prior art date
Links
Landscapes
- Wind Motors (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種風力發電預測方法，包含：自複數個伺服器擷取複數個輸入資料，輸入資料包含至少一風速即時資料及至少一風速歷史資料；以輸入資料塑模出一類神經網路模型的至少一權重及至少一偏權值；根據權重及偏權值，藉由類神經網路模型對輸入資料進行運算，以得出至少一風速預測資料；根據一校正值，對風速預測資料進行運算，以得出至少一風速預測校正資料；根據一預測有效範圍值，對風速預測校正資料進行運算，以得出至少一預測有效範圍資料；對風速預測校正資料進行運算，以得出至少一風力發電預測校正資料；及對預測有效範圍資料進行運算，以得出至少一風力發電預測有效範圍資料。
Description
本發明係關於一種風力發電預測顯示系統及方法，特別是關於一種可進行預測值校正及預測有效範圍標示之風力發電預測顯示系統及方法。
風力發電屬於間歇性能源，若將風力發電所產生的電力併入電網系統，易導致原電力系統的穩定度降低，同時未知的風能電力供應量亦增加電力調度的困難及相關營運成本。風力發電機輸出不穩定之主要原因在於當風速發生變化時，風力發電機之輸出也隨之變化。而由於地形、溫度、氣壓、緯度等因素對風速之影響存在著非常複雜且高度非線性的關係，因此導致利用傳統物理模式或統計方法進行風速預測時，會碰到相當大的困難。早期以線性或非線性的時間序列模型預測風速時，僅利用歷史資料進行多個領前預測時間點的風速預測，其預測準確度較差，且不易結合氣象資料進行多個領前時間點的預測。
相較於此，類神經網路的人工智慧預測能學習輸入與輸出之間的關係，而不需要提供轉換的數學函式，並可完成複雜的非線性映射，因此更適合用於風速預測。然而，使用類神經網路進行風速預測時，缺乏
可靠的校正方法可對預測結果進行校正。同時，類神經網路亦缺乏可運算出預測有效範圍的方法，以標示出預測結果的有效範圍。
因此，為改善預測風力發電的準確性，需要一種能校正預測結果的風力發電預測顯示方法。同時，亦需要一種能標示出預測結果之有效範圍的風力發電預測顯示方法。
為了解決上述問題，本發明之目的在提供一種風力發電預測顯示系統及方法。
本發明之另一目的在提供一種可校正預測結果之風力發電預測顯示系統及方法。
本發明之再一目的在提供一種可標示出預測結果之有效範圍的風力發電預測顯示系統及方法
根據上述目的，本發明提供一種風力發電預測顯示系統，包含：一預測模組，其包含：一輸入資料儲存模組，從複數個伺服器擷取並儲存複數個輸入資料，輸入資料包含至少一風速即時資料及至少一風速歷史資料；一類神經網路學習模組，根據輸入資料，塑模出至少一權重及至少一偏權值；一預測資料運算模組，根據權重及偏權值，對輸入資料進行運算，以得出至少一風速預測資料；一預測資料校正模組，根據一校正值，對風速預測資料進行運算，以得出至少一風速預測校正資料；及一風力發電運算模組，對輸入資料進行運算，以得出一風力發電即時資料及一風力發電歷史資料，對風速預測資料進行運算，以得出一風力發電預測資料，
對風速預測校正資料進行運算，以得出一風力發電預測校正資料；所述風力發電預測顯示系統並包含：一資料庫，接收及儲存輸入資料及/或風速預測資料及/或風速預測校正資料及/或風力發電即時資料及/或風力發電歷史資料及/或風力發電預測資料及/或風力發電預測校正資料；及一使用者操作介面，接收至少一使用者操作條件，並根據使用者操作條件，以顯示輸入資料及/或風速預測資料及/或風速預測校正資料及/或風力發電即時資料及/或風力發電歷史資料及/或風力發電預測資料及/或風力發電預測校正資料。
達到上述目的之實施例中，其中輸入資料包含至少一風速氣象預報即時資料及至少一風速氣象預報歷史資料。
達到上述目的之實施例中，其中校正值係藉由均方根誤差運算式或平均絕對誤差運算式，對輸入資料及風速預測資料進行運算而得。
達到上述目的之實施例中，其中預測模組進一步包含：一預測有效範圍運算模組，根據一預測有效範圍值，對風速預測校正資料進行運算，以得出至少一預測有效範圍資料。
達到上述目的之實施例中，其中風力發電運算模組對預測有效範圍資料進行運算，以得出風力發電預測有效範圍資料。
達到上述目的之實施例中，其中預測有效範圍值係藉由標準差運算式，對輸入資料及/或風速預測資料及/或風速預測校正資料進行運算而得。
達到上述目的之實施例中，其中預測有效範圍資料包含一預測有效範圍上臨界值資料及一預測有效範圍下臨界值資料，且風力發電預
測有效範圍資料包含一風力發電預測有效範圍上臨界值資料及一風力發電預測有效範圍下臨界值資料。
達到上述目的之實施例中，其中當預測有效範圍下臨界值資料為小於零的數值時，預測有效範圍下臨界值資料修改為數值零，且當該風力發電預測有效範圍下臨界值資料為小於零的數值時，該風力發電預測有效範圍下臨界值資料修改為數值零。
達到上述目的之實施例中，其中資料庫接收及儲存預測有效範圍資料及風力發電預測有效範圍資料，且使用者操作介面根據使用者操作條件，以顯示輸入資料及/或風速預測資料及/或風速預測校正資料及/或預測有效範圍資料及/或風力發電即時資料及/或風力發電歷史資料及/或風力發電預測資料及/或風力發電預測校正資料及/或風力發電預測有效範圍資料。
達到上述目的之實施例中，其中所述顯示輸入資料及/或風速預測資料及/或風速預測校正資料及/或預測有效範圍資料及/或風力發電即時資料及/或風力發電歷史資料及/或風力發電預測資料及/或風力發電預測校正資料及/或風力發電預測有效範圍資料，係以圖形方式顯現。
達到上述目的之實施例中，其中使用者操作條件包含所顯示風場之指示，使用者操作界面根據使用者操作條件，以顯示與所指示之風場相關聯之輸入資料及/或風速預測資料及/或風速預測校正資料及/或風力發電即時資料及/或風力發電歷史資料及/或風力發電預測資料及/或風力發電預測校正資料。
達到上述目的之實施例中，其中所顯示風場之指示係顯示複數個風場之指示，使用者操作界面根據使用者操作條件，以顯示與所指示之複數個風場相關聯之輸入資料及/或風速預測資料及/或風速預測校正資料及/或風力發電即時資料的相加值及/或風力發電歷史資料的相加值及/或風力發電預測資料的相加值及/或風力發電預測校正資料的相加值。
根據本發明之目的，再提供一種風力發電預測顯示系統，包含：一預測模組，其包含：一輸入資料儲存模組，從複數個伺服器擷取並儲存複數個輸入資料，輸入資料包含至少一風速即時資料及至少一風速歷史資料；一類神經網路學習模組，根據輸入資料，塑模出至少一權重及至少一偏權值；一預測資料運算模組，根據權重及偏權值，對輸入資料進行運算，以得出至少一風速預測資料；一預測有效範圍運算模組，根據一預測有效範圍值，對風速預測資料進行運算，以得出至少一預測有效範圍資料；及一風力發電運算模組，對輸入資料進行運算，以得出一風力發電即時資料及一風力發電歷史資料，對風速預測資料進行運算，以得出一風力發電預測資料，對預測有效範圍資料進行運算，以得出一風力發電預測有效範圍資料；所述風力發電預測顯示系統並包含：一資料庫，接收及儲存輸入資料及/或風速預測資料及/或預測有效範圍資料及/或風力發電即時資料及/或風力發電歷史資料及/或風力發電預測資料及/或風力發電預測有效範圍資料；及一使用者操作介面，接收至少一使用者操作條件，並根據使用者操作條件，以顯示輸入資料及/或風速預測資料及/或預測有效範圍資料及/或風力發電即時資料及/或風力發電歷史資料及/或風力發電預測資料及/
或風力發電預測有效範圍資料。
達到上述目的之實施例中，其中輸入資料包含至少一風速氣象預報即時資料及至少一風速氣象預報歷史資料。
達到上述目的之實施例中，其中預測有效範圍值係藉由標準差運算式，對輸入資料及風速預測資料進行運算而得。
達到上述目的之實施例中，其中預測有效範圍資料包含一預測有效範圍上臨界值資料及一預測有效範圍下臨界值資料，且風力發電預測有效範圍資料包含一風力發電預測有效範圍上臨界值資料及一風力發電預測有效範圍下臨界值資料。
達到上述目的之實施例中，其中當預測有效範圍下臨界值資料為小於零的數值時，預測有效範圍下臨界值資料修改為數值零，且當風力發電預測有效範圍下臨界值資料為小於零的數值時，風力發電預測有效範圍下臨界值資料修改為數值零。
達到上述目的之實施例中，其中所述顯示輸入資料及/或風速預測資料及/或預測有效範圍資料及/或風力發電即時資料及/或風力發電歷史資料及/或風力發電預測資料及/或風力發電預測有效範圍資料，係以圖形方式顯現。
達到上述目的之實施例中，其中使用者操作條件包含所顯示風場之指示，使用者操作界面根據使用者操作條件，以顯示與所指示之風場相關聯之輸入資料及/或風速預測資料及/或預測有效範圍資料及/或風力發電即時資料及/或風力發電歷史資料及/或風力發電預測資料及/或風力發
電預測有效範圍資料。
根據本發明之目的，其中所顯示風場之指示係顯示複數個風場之指示，使用者操作界面根據使用者操作條件，以顯示與所指示之複數個風場相關聯之輸入資料及/或風速預測資料及/或預測有效範圍資料及/或風力發電即時資料的相加值及/或風力發電歷史資料的相加值及/或風力發電預測資料的相加值及/或風力發電預測有效範圍資料的相加值。
根據本發明之目的，再提供一種風力發電預測方法，包含：自複數個伺服器擷取複數個輸入資料，輸入資料包含至少一風速即時資料及至少一風速歷史資料；以輸入資料塑模出一類神經網路模型的至少一權重及至少一偏權值；根據權重及偏權值，藉由類神經網路模型對輸入資料進行運算，以得出至少一風速預測資料；根據一校正值，對風速預測資料進行運算，以得出至少一風速預測校正資料；根據一預測有效範圍值，對風速預測校正資料進行運算，以得出至少一預測有效範圍資料；對該風速預測校正資料進行運算，以得出至少一風力發電預測校正資料；及對該預測有效範圍資料進行運算，以得出至少一風力發電預測有效範圍資料。
達到上述目的之實施例中，其中輸入資料包含至少一風速氣象預報即時資料及至少一風速氣象預報歷史資料。
達到上述目的之實施例中，其中校正值係藉由均方根誤差運算式或平均絕對誤差運算式，對輸入資料及風速預測資料進行運算而得。
達到上述目的之實施例中，其中預測有效範圍值係藉由標準差運算式，對輸入資料及/或風速預測資料及/或風速預測校正資料進行運算
而得。
達到上述目的之實施例中，其中預測有效範圍資料包含一預測有效範圍上臨界值資料及一預測有效範圍下臨界值資料，且風力發電預測有效範圍資料包含一風力發電預測有效範圍上臨界值資料及一風力發電預測有效範圍下臨界值資料。
達到上述目的之實施例中，其中當預測有效範圍下臨界值資料為小於零的數值時，預測有效範圍下臨界值資料修改為數值零，且當風力發電預測有效範圍下臨界值資料為小於零的數值時，該風力發電預測有效範圍下臨界值資料修改為數值零。
本發明前述各方面及其它方面依據下述的非限制性具體實施例詳細說明以及參照附隨的圖式將更趨於明瞭。
100‧‧‧類神經網路系統
210‧‧‧訓練資料
220‧‧‧資料伺服器
230‧‧‧風力發電預測顯示系統
250‧‧‧預測模組
252‧‧‧輸入資料儲存模組
254‧‧‧類神經網路學習模組
256‧‧‧預測資料運算模組
257‧‧‧預測資料校正模組
258‧‧‧預測有效範圍運算模組
259‧‧‧風力發電運算模組
260‧‧‧使用者操作介面
262‧‧‧操作模組
264‧‧‧預測資料顯示模組
270‧‧‧資料庫
280‧‧‧使用者
300‧‧‧流程圖
310-360‧‧‧步驟
400‧‧‧風速預測系統
401‧‧‧目前風速
402‧‧‧前1小時風速
403‧‧‧前2小時風速
404‧‧‧1小時後之風速氣象預報
405‧‧‧2小時後之風速氣象預報
406‧‧‧3小時後之風速氣象預報
410‧‧‧類神經網路
422‧‧‧1小時後預測風速
424‧‧‧2小時後預測風速
426‧‧‧3小時後預測風速
428‧‧‧48小時後預測風速
429‧‧‧校正值
430‧‧‧校正模組
442‧‧‧1小時後預測校正風速
444‧‧‧2小時後預測校正風速
446‧‧‧3小時後預測校正風速
448‧‧‧48小時後預測校正風速
449‧‧‧有效範圍值
450‧‧‧預測有效範圍運算模組
462‧‧‧1小時後預測風速有效範圍
464‧‧‧2小時後預測風速有效範圍
466‧‧‧3小時後預測風速有效範圍
468‧‧‧48小時後預測風速有效範圍
500‧‧‧風速預測系統
520‧‧‧風速發電轉換曲線類神經網路模型
540‧‧‧類神經網路
542‧‧‧風速
544‧‧‧風力發電量
610‧‧‧縱軸
620‧‧‧橫軸
631‧‧‧風力發電歷史預測校正資料
632‧‧‧風力發電歷史觀測資料
633‧‧‧風力發電歷史預測有效範圍上臨界值資料
634‧‧‧風力發電歷史預測有效範圍下臨界值資料
635‧‧‧風力發電預測校正資料
636‧‧‧風力發電預測有效範圍上臨界值資料
637‧‧‧風力發電預測有效範圍下臨界值資料
638‧‧‧風力發電預測觀測資料
第一圖為一般類神經網路系統的示意圖。
第二圖為本發明風力發電預測顯示系統一具體實施例的系統架構圖。
第三圖為本發明風力發電預測方法一具體實施例之流程圖。
第四A圖為本發明風速預測一具體實施例的系統模型圖。
第四B圖為本發明風速預測另一具體實施例的系統模型圖。
第五圖為建構風速發電轉換曲線一具體實施例的系統模型圖。
第六圖為本發明風力發電預測顯示系統一具體實施例的預
測結果顯示之示意圖。
本發明之風力發電預測顯示系統及其方法，係利用類神經網路具有在不需要提供轉換的數學函示條件下，即可學習輸入資料與輸出資料之關係的特性，先以大量訓練資料對類神經網路進行訓練，以塑模出各個輸入節點與各個隱藏層神經元的權重、各個隱藏層神經元與輸出節點之權重，及各個節點的偏權值，而後配合即時擷取的風速資料作為各個輸入節點的輸入資料，以進行風速預測，並藉由所得之預測風速，透過風速發電轉換曲線計算出預測風力發電量。以下將配合圖示進一步說明。
第一圖為一般類神經網路系統的示意圖。本發明之風力發電預測顯示系統，係利用如圖示之類神經網路系統100進行訓練，以塑模出各個權重及各個偏權值，於圖示中，類神經網路系統100在第一層具有輸入節點S1、輸入節點S2，在第二層具有隱藏層神經元S3、隱藏層神經元S4、隱藏層神經元S5，在第三層具有輸出節點S6。
應了解類神經網路系統100在此僅為例示，本發明並不限於使用單層的隱藏層神經元，而係可視需求使用一至多層的隱藏層神經元。類神經網路系統100之輸入節點個數、隱藏層神經元個數、輸出節點個數，亦非可限制本發明，本發明之輸入節點個數、隱藏層神經元個數、輸出節點個數可視情況調整為任意個數。
請繼續參考第一圖，類神經網路系統100的各個輸入節點與各個隱藏層神經元均有相對應的權重，例如輸入節點S1與隱藏層神經元S5
具有一權重W15，輸入節點S2與隱藏層神經元S5具有一權重W25。同時，類神經網路系統100的各個隱藏層神經元與輸出節點亦有相對應的權重，例如隱藏層神經元S3與輸出節點S6具有一權重W36，隱藏層神經元S5與輸出節點S6具有一權重W56。此外，各個輸入節點、隱藏層神經元及輸出節點均具有各自的偏權值，例如輸入節點S2具有偏權值θ2，隱藏層神經元S5具有偏權值θ5，輸出節點S6具有偏權值θ6。而一節點傳輸至下個節點的傳輸數值之計算方式如下，假設共有n個節點將各自的傳輸數值傳輸至一節點Y，則節點Y傳輸至下一節點的傳輸數值y之公式為：
其中，Wi為將傳輸數值傳輸至節點Y的n個節點中之第i個節點與節點Y所對應的權重，Xi為該第i個節點傳輸至節點Y的傳輸數值，θ為節點Y的偏權值。
以節點S5為例，輸入節點S1與隱藏層神經元S5所對應的權重為W15，輸入節點S2與隱藏層神經元S5所對應的權重為W25，而隱藏層神經元S5的偏權值為θ5。設輸入節點S1傳輸至隱藏層神經元S5的傳輸數值為X1，而輸入節點S2傳輸至隱藏層神經元S5的傳輸數值為X2，則隱藏層神經元S5傳輸至輸出節點S6的傳輸數值為：(W15．X1+W25．X2)-θ5
在訓練類神經網路系統100的過程中，首先以大量已知的輸入資料及輸出資料作為訓練用的輸入資料與輸出資料，對類神經網路系統100進行訓練，藉此塑模出各個權重及各個偏權值。傳統上可採用傳統梯度
下降演算法以修正各個權重。在塑模出各個權重及各個偏權值後，即可利用類神經網路系統100，以即時的輸入資料，進行輸出資料的預測。
第二圖為本發明風力發電預測顯示系統一具體實施例的系統架構圖，如圖所示，風力發電預測顯示系統230包含一預測模組250；一使用者操作介面260；及一資料庫270。其中預測模組250包含一輸入資料儲存模組252，用以至複數個伺服器擷取及儲存輸入資料，該輸入資料至少包含風速即時資料及風速歷史資料；一類神經網路學習模組254，根據儲存於輸入資料儲存模組252的輸入資料，以塑模出至少一權重及至少一偏權值；一預測資料運算模組256，根據類神經網路學習模組254所塑模出之權重及偏權值，對輸入資料進行運算，以得出預測資料，其中預測資料至少包含風速預測資料；一預測資料校正模組257，根據一校正值，對風速預測資料進行運算，以得出風速預測校正資料；及一預測有效範圍運算模組258，根據一預測有效範圍值，對風速預測資料及/或風速預測校正資料進行運算，以得出預測有效範圍資料。其中權重、偏權值、風速預測資料、風速預測校正資料及有效範圍資料均儲存至資料庫270。使用者操作介面260包含一操作模組262，接收使用者操作條件，該使用者操作條件包含使用者280所選定瀏覽之預測資料及/或歷史資料及/或有效範圍資料；及一預測資料顯示模組264，根據使用者操作條件，至資料庫270擷取選定瀏覽之預測資料及/或歷史資料及/或有效範圍資料，並顯示該些選定瀏覽之預測資料及/或歷史資料及/或有效範圍資料，以供使用者280瀏覽。
其中，預測模組250係藉由大量的訓練資料210對類神經網路
學習模組254進行訓練，藉此塑模出各個權重及各個偏權值。接著，由輸入資料儲存模組252定期至一或多個資料伺服器220擷取各類所需的即時資料並儲存，再由預測資料運算模組256將儲存在輸入資料儲存模組252的資料作為輸入資料，並依據類神經網路學習模組254塑模出的各個權重及各個偏權值，以進一步運算出預測資料，並透過資料庫270儲存該些預測資料。使用者可透過操作模組262決定欲顯示的預測資料及/或歷史資料及/或預測有效範圍資料的範圍，而後，使用者操作介面260將根據使用者選取的預測資料範圍，至資料庫270擷取該些預測資料及/或歷史資料及/或預測有效範圍資料，並透過預測資料顯示模組264將該些預測資料及/或歷史資料呈現給使用者。
第三圖為本發明風力發電預測方法一具體實施例之流程圖。圖中之風速預測方法流程圖300，包含以下步驟：首先，進行步驟310，自複數個伺服器擷取輸入資料。於本實施例中，在步驟310處所擷取之輸入資料包含風速即時資料、風速歷史資料、風速氣象預報即時資料及風速氣象預報歷史資料。
在完成步驟310後，則進行步驟320，以輸入資料塑模出類神經網路的權重及偏權值。在本實施例中，類神經網路之輸入節點為目前風速、前1小時風速、前2小時風速、1小時後之風速氣象預報、2小時後之風速氣象預報，以及3小時後之風速氣象預報。隱藏層神經元個數為5至20個。類神經網路之輸出節點則為1至48小時後之預測風速。接著，進行步驟330，以塑模出之權重及偏權值依類神經網路模型進行預測運算。即可得出1至48
小時後之風速預測資料。
應了解，在此所述之輸入節點個數、隱藏層神經元個數、輸出節點個數，並非可限制本發明，本發明之輸入節點個數、隱藏層神經元個數、輸出節點個數可視情況調整為任意個數。同時，本發明並非僅可用於預測1至48小時後之風速，而係可視需求進行至少數小時至數天、週的風速預測。此外，預測之時間間隔並非僅可限制為1小時，而係可視需求將預測之時間間隔設為每隔數分鐘或數小時或數天進行一次預測。
在完成步驟330後，即進行步驟340，計算出校正值，並以校正值進一步校正預測結果。在一具體實施例中，校正值係以均方根誤差(RMSE：Root Mean Square Error)運算式計算而得。均方根誤差運算式之公式為：
其中，f(i)為風速觀測值，y(i)為風速預測值，N則為所取的樣本數。在此具體實施例中，係以均方根誤差運算式，針對2016年2月至2016年7月之所有1小時後風速預測值及該時間所測得之風速觀測值進行運算，藉此得出1小時後預測風速之均方根誤差值，並以此作為1小時後風速預測資料之校正值。而後將1小時後之風速預測值與1小時後風速預測資料之校正值相加，即為1小時後之風速預測校正值。藉由上述之方式，即可計算出1小時後風速預測資料至48小時後風速預測資料各自的校正值，並可進一步計算出1至48小時後之風速預測校正資料。
在另一具體實施例中，校正值係以平均絕對誤差(MAE：Mean Absolute Error)運算式計算而得。平均絕對誤差運算式之公式為：
其中，f(i)為風速觀測值，y(i)為風速預測值，N為所取的樣本數。在此具體實施例中，係以平均絕對誤差運算式，針對2016年2月至2016年7月之所有1小時後風速預測值及該時間所測得之風速觀測值進行運算，藉此得出1小時後預測風速之平均絕對誤差值，並以此作為1小時後風速預測資料之校正值。而後將1小時後之風速預測值與1小時後風速預測資料之校正值相加，即為1小時後之風速預測校正值。藉由上述之方式，即可計算出1小時後風速預測資料至48小時後風速預測資料各自的校正值，並可進一步計算出1至48小時後之風速預測校正資料。
在完成步驟340後，即進行步驟350，計算出有效範圍值，並以有效範圍值運算出預測有效範圍。其中，預測有效範圍包含預測有效範圍上臨界值及預測有效範圍下臨界值。在一具體實施例中，有效範圍值係以標準差(σ：Standard Deviation)運算式計算而得。標準差運算式之公式為：
其中，e(i)為預測誤差值，亦即風速觀測值減風速預測值所得之值，N為所取的樣本數，μ為預測誤差值之平均值，μ之公式為：
其中，e(i)為預測誤差值，亦即風速觀測值減風速預測值所得之值，N為所取的樣本數。在此具體實施例中，係以標準差運算式，針對2016年2月至2016年7月之所有具有相同的1小時後風速預測值之風速預測資料及該時間所測得之風速觀測值進行運算，藉此得出1小時後預測風速之標準差值，並以此作為1小時後風速預測資料之有效範圍值。例如針對2016年2月至2016年7月之所有1小時後風速預測值為A之風速預測資料及該時間所測得之風速觀測值進行運算，即可得到1小時後風速預測值為A的風速預測資料之標準差，並以此作為1小時後風速預測值為A的1小時後風速預測資料之有效範圍值。而針對2016年2月至2016年7月之所有1小時後風速預測值為B之風速預測資料及該時間所測得之風速觀測值進行運算，即可得到1小時後風速預測值為B的風速預測資料之標準差，並以此作為1小時後風速預測值為B的1小時後風速預測資料之有效範圍值。而後，在計算出1小時後風速預測資料之有效範圍值後，將1小時後之風速預測值，加上1小時後風速預測資料之有效範圍值的兩倍，即為1小時後之預測風速的預測有效範圍上臨界值。將1小時後之風速預測值，減去1小時後風速預測資料之有效範圍值的兩倍，即為1小時後之預測風速的預測有效範圍下臨界值。應注意的是，當預測有效範圍下臨界值小於零時，將該小於零之預測有效範圍下臨界值修改為零。藉由上述之方式，即可計算出1小時後風速預測資料至48小時後風速預測資料各自的有效範圍值，並可進一步計算出1至48小時後風速預測資料各自的預測有效範圍上臨界值資料及預測有效範圍下臨界值資料。
在另一具體實施例中，係針對風速預測校正資料進行預測有
效範圍的運算。在此具體實施例中，係以標準差運算式，針對2016年2月至2016年7月之所有具有相同的1小時後風速預測校正值之風速預測校正資料及該時間所測得之風速觀測值進行運算，藉此得出1小時後預測校正風速之標準差值，並以此作為1小時後風速預測校正資料之有效範圍值。例如針對2016年2月至2016年7月之所有1小時後風速預測校正值為C之風速預測校正資料及該時間所測得之風速觀測值進行運算，即可得到1小時後風速預測校正值為C的風速預測校正資料之標準差，並以此作為1小時後風速預測校正值為C的1小時後風速預測校正資料之有效範圍值。而針對2016年2月至2016年7月之所有1小時後風速預測校正值為D之風速預測校正資料及該時間所測得之風速觀測值進行運算，即可得到1小時後風速預測校正值為D的風速預測校正資料之標準差，並以此作為1小時後風速預測校正值為D的1小時後風速預測校正資料之有效範圍值。而後，在計算出1小時後風速預測校正資料之有效範圍值後，將1小時後之風速預測校正值，加上1小時後風速預測校正資料之有效範圍值的兩倍，即為1小時後之預測校正風速的預測有效範圍上臨界值。將1小時後之風速校正預測值，減去1小時後風速預測校正資料之有效範圍值的兩倍，即為1小時後之預測校正風速的預測有效範圍下臨界值。應注意的是，當預測有效範圍下臨界值小於零時，將該小於零之預測有效範圍下臨界值修改為零。藉由上述之方式，即可計算出1小時後風速預測校正資料至48小時後風速預測校正資料各自的有效範圍值，並可進一步計算出1至48小時後風速預測校正資料各自的預測有效範圍上臨界值資料及預測有效範圍下臨界值資料。
在完成步驟350後，即進行步驟360，利用風速發電轉換曲線計算出風力發電預測結果，其中代表風速與發電量之關係的風速發電轉換曲線係由風機廠商所提供。同時，並可於長期使用風機而導致風機之風速發電轉換曲線失準時，以類神經網路系統塑模出風速發電轉換曲線。而透過風機之風速發電轉換曲線，即可以1至48小時後之風速預測資料運算出1至48小時後之風力發電預測資料，以1至48小時後之風速預測校正資料運算出1至48小時後之風力發電預測校正資料，以1至48小時後之預測有效範圍上臨界值資料運算出1至48小時後之風力發電預測有效範圍上臨界值資料，以1至48小時後之預測有效範圍下臨界值資料運算出1至48小時後之風力發電預測有效範圍下臨界值資料。應注意的是，當風力發電預測有效範圍下臨界值小於零時，將該小於零之風力發電預測有效範圍下臨界值修改為零。
第四A圖為本發明風速預測一具體實施例的系統模型圖。圖中之風速預測系統400係由已訓練完成之類神經網路410進行1至48小時後的風速預測。首先以目前風速401、前1小時風速402、前2小時風速403、1小時後之風速氣象預報404、2小時後之風速氣象預報405，以及3小時後之風速氣象預報406做為輸入資料，透過類神經網路410運算出1小時後預測風速422、2小時後預測風速424、3小時後預測風速426，至48小時後預測風速428。接著，由校正模組430透過均方根誤差運算式或平均絕對誤差運算式運算出校正值429，並藉由校正值429針對1至48小時後預測風速進行校正，以得出1小時後預測校正風速442、2小時後預測校正風速444、3小時後預測
校正風速446，至48小時後預測校正風速448。而後，由預測有效範圍運算模組450透過標準差運算式運算出有效範圍值449，並以有效範圍值449針對1至48小時後預測校正風速進行運算，以得出1小時後預測風速有效範圍462、2小時後預測風速有效範圍464、3小時後預測風速有效範圍466，至48小時後預測風速有效範圍468。
第四B圖為本發明風速預測另一具體實施例的系統模型圖。圖中之風速預測系統500係由已訓練完成之類神經網路410進行1至48小時後的風速預測。首先以目前風速401、前1小時風速402、前2小時風速403、1小時後之風速氣象預報404、2小時後之風速氣象預報405，以及3小時後之風速氣象預報406做為輸入資料，透過類神經網路410運算出1小時後預測風速422、2小時後預測風速424、3小時後預測風速426，至48小時後預測風速428。接著，由預測有效範圍運算模組450透過標準差運算式運算出有效範圍值449，並以有效範圍值449針對1至48小時後預測風速進行運算，以得出1小時後預測風速有效範圍462、2小時後預測風速有效範圍464、3小時後預測風速有效範圍466，至48小時後預測風速有效範圍468。
第五圖為建構風速發電轉換曲線一具體實施例的系統模型圖。在本實施例中，風速發電轉換曲線類神經網路模型520係以風速542作為輸入節點，類神經網路540的隱藏層神經元個數為5個，而輸出節點為輸入之風速的對應風力發電量544。藉由不同風速下的對應發電量，即可以風速發電轉換曲線類神經網路模型520塑模出風速發電轉換曲線。
第六圖為本發明風力發電預測顯示系統一具體實施例的預
測結果顯示之示意圖。在此實施例中，使用者係於2016年8月14日23：30要求進行預測結果顯示，而使用者所選取之預測資料範圍為A、B、C風場自2016年8月14日14：00起，1至48小時後之風力發電預測校正資料及1至48小時前之風力發電預測校正資料。選定完成後，其預測結果係以折線圖的呈現方式顯示。圖中縱軸610標示風力發電量，橫軸620標示時間。顯示之資料包含風力發電歷史預測校正資料631、風力發電歷史觀測資料632、風力發電歷史預測有效範圍上臨界值資料633、風力發電歷史預測有效範圍下臨界值資料634、風力發電預測校正資料635、風力發電預測有效範圍上臨界值資料636、風力發電預測有效範圍下臨界值資料637，以及風力發電預測觀測資料638。
其中，風力發電歷史預測校正資料631為8月12日14：00至8月14日13：00各時間點的A風場1小時後風力發電預測校正資料、B風場1小時後風力發電預測校正資料及C風場1小時後風力發電預測校正資料的相加值。風力發電歷史觀測資料632為8月12日15：00至8月14日14：00各時間點的A風場風力發電觀測資料、B風場風力發電觀測資料及C風場風力發電觀測資料的相加值。風力發電歷史預測有效範圍上臨界值資料633為8月12日14：00至8月14日13：00各時間點的A風場1小時後風力發電歷史預測有效範圍上臨界值資料、B風場1小時後風力發電歷史預測有效範圍上臨界值資料及C風場1小時後風力發電歷史預測有效範圍上臨界值資料的相加值。風力發電歷史預測有效範圍下臨界值資料634為8月12日14：00至8月14日13：00各時間點的A風場1小時後風力發電歷史預測有效範圍下臨界值資料、B風場
1小時後風力發電歷史預測有效範圍下臨界值資料及C風場1小時後風力發電歷史預測有效範圍下臨界值資料的相加值。
另外，風力發電預測校正資料635為8月14日14：00開始，1小時後的A風場風力發電預測校正資料、B風場風力發電預測校正資料及C風場風力發電預測校正資料的相加值，至48小時後的A風場風力發電預測校正資料、B風場風力發電預測校正資料及C風場風力發電預測校正資料的相加值。風力發電預測有效範圍上臨界值資料636為8月14日14：00開始，1小時後的A風場風力發電預測有效範圍上臨界值資料、B風場風力發電預測有效範圍上臨界值資料及C風場風力發電預測有效範圍上臨界值資料的相加值，至48小時後的A風場風力發電預測有效範圍上臨界值資料、B風場風力發電預測有效範圍上臨界值資料及C風場風力發電預測有效範圍上臨界值資料的相加值。風力發電預測有效範圍下臨界值資料637為8月14日14：00開始，1小時後的A風場風力發電預測有效範圍下臨界值資料、B風場風力發電預測有效範圍下臨界值資料及C風場風力發電預測有效範圍下臨界值資料的相加值，至48小時後的A風場風力發電預測有效範圍下臨界值資料、B風場風力發電預測有效範圍下臨界值資料及C風場風力發電預測有效範圍下臨界值資料的相加值。風力發電預測觀測資料638為8月14日14：00至8月14日23：00各時間點的A風場風力發電觀測資料、B風場風力發電觀測資料及C風場風力發電觀測資料的相加值。
應了解，此處之風力發電歷史預測校正資料631雖係使用各時間點的前1小時風力發電預測校正資料，然本發明並非僅限於使用各時間
點的前1小時風力發電預測校正資料，而係可視需求採用該時間點的前數小時或前數天、數週、數月之風力發電預測校正資料。此外，使用者並非僅可選擇顯示複數個風場之預測資料，而係可視需求選擇顯示單個風場之預測資料。本發明之風力發電預測顯示系統並會顯示與使用者所選擇之風場相關聯之預測資料。例如當使用者所選擇顯示之風場僅為D風場時，所顯示之各時間點的風力發電歷史觀測值將為對應時間點的D風場風力發電歷史觀測資料。而所顯示之各時間點的風力發電預測校正值將為對應時間點的D風場風力發電預測校正資料。
至此，本發明之風力發電預測顯示系統與方法已經由上述說明及圖式加以說明。然應了解，本發明各具體實施例僅是作為說明之用，在不脫離本發明申請專利範圍與精神下可進行各種改變，均應包含於本發明之專利範圍中。因此，本說明書所描述的各具體實施例並非用以限制本發明，本發明之真實範圍與精神揭示於以下申請專利範圍。
Claims (23)
- 一種風力發電預測顯示系統，包含：一預測模組，包含：一輸入資料儲存模組，從複數個伺服器擷取並儲存複數個輸入資料，該輸入資料包含至少一風速即時資料及至少一風速歷史資料；一類神經網路學習模組，根據該輸入資料，塑模出至少一權重及至少一偏權值；一預測資料運算模組，根據該權重及該偏權值，對該輸入資料進行運算，以得出至少一風速預測資料；一預測資料校正模組，根據一校正值，對該風速預測資料進行運算，以得出至少一風速預測校正資料；一預測有效範圍運算模組，根據一預測有效範圍值，對該風速預測校正資料進行運算，以得出至少一預測有效範圍資料；及一風力發電運算模組，對該輸入資料進行運算，以得出一風力發電即時資料及一風力發電歷史資料，對該風速預測資料進行運算，以得出一風力發電預測資料，對該風速預測校正資料進行運算，以得出一風力發電預測校正資料；一資料庫，接收及儲存該輸入資料及/或該風速預測資料及/或該風速預測校正資料及/或該風力發電即時資料及/或該風力發電歷史資料及/或該風力發電預測資料及/或該風力發電預測校正資料；及一使用者操作介面，接收至少一使用者操作條件，並根據該使用者操作條件，以顯示該輸入資料及/或該風速預測資料及/或該風速預測校正資料及/或該風力發電即時資料及/或該風力發電歷史資料及/或該風力發電預測資料及/或該風力發電預測校正資料；其中，所述對該風速預測資料進行運算，以得出該風力發電預測資料，以及所述對該風速預測校正資料進行運算，以得出該風力發電預測校正資料，係利用一風速發電轉換曲線以進行；其中該風速發電轉換曲線係根據一風速發電轉換曲線類神經網路模型塑模而得；其中該風速發電轉換曲線類神經網路模型的塑模係獨立於該類神經網路學習模組的塑模；其中該預測有效範圍資料包含一預測有效範圍上臨界值資料及一預測有效範圍下臨界值資料。
- 如申請專利範圍第1項所述之風力發電預測顯示系統，其中該輸入資料包含至少一風速氣象預報即時資料及至少一風速氣象預報歷史資料。
- 如申請專利範圍第1項所述之風力發電預測顯示系統，其中該校正值係藉由均方根誤差運算式或平均絕對誤差運算式，對該輸入資料及該風速預測資料進行運算而得。
- 如申請專利範圍第1項所述之風力發電預測顯示系統，其中該風力發電運算模組對該預測有效範圍資料進行運算，以得出風力發電預測有效範圍資料。
- 如申請專利範圍第1項所述之風力發電預測顯示系統，其中該預測有效範圍值係藉由標準差運算式，對該輸入資料及/或該風速預測資料及/或該風速預測校正資料進行運算而得。
- 如申請專利範圍第4項所述之風力發電預測顯示系統，其中該風力發電預測有效範圍資料包含一風力發電預測有效範圍上臨界值資料及一風力發電預測有效範圍下臨界值資料。
- 如申請專利範圍第6項所述之風力發電預測顯示系統，其中當該預測有效範圍下臨界值資料為小於零的數值時，該預測有效範圍下臨界值資料修改為數值零；當該風力發電預測有效範圍下臨界值資料為小於零的數值時，該風力發電預測有效範圍下臨界值資料修改為數值零。
- 如申請專利範圍第4項所述之風力發電預測顯示系統，其中該資料庫接收及儲存該預測有效範圍資料及該風力發電預測有效範圍資料，且該使用者操作介面根據該使用者操作條件，以顯示該輸入資料及/或該風速預測資料及/或該風速預測校正資料及/或該預測有效範圍資料及/或該風力發電即時資料及/或該風力發電歷史資料及/或該風力發電預測資料及/或該風力發電預測校正資料及/或該風力發電預測有效範圍資料。
- 如申請專利範圍第8項所述之風力發電預測顯示系統，其中所述顯示該輸入資料及/或該風速預測資料及/或該風速預測校正資料及/或該預測有效範圍資料及/或該風力發電即時資料及/或該風力發電歷史資料及/或該風力發電預測資料及/或該風力發電預測校正資料及/或該風力發電預測有效範圍資料，係以圖形方式顯現。
- 如申請專利範圍第1項所述之風力發電預測顯示系統，其中該使用者操作條件包含所顯示風場之指示，該使用者操作界面根據該使用者操作條件，以顯示與所指示之該風場相關聯之該輸入資料及/或該風速預測資料及/或該風速預測校正資料及/或該風力發電即時資料及/或該風力發電歷史資料及/或該風力發電預測資料及/或該風力發電預測校正資料。
- 如申請專利範圍第10項所述之風力發電預測顯示系統，其中該所顯示風場之指示係顯示複數個風場之指示，該使用者操作界面根據該使用者操作條件，以顯示與所指示之該複數個風場相關聯之該輸入資料及/或該風速預測資料及/或該風速預測校正資料及/或該風力發電即時資料的相加值及/或該風力發電歷史資料的相加值及/或該風力發電預測資料的相加值及/或該風力發電預測校正資料的相加值。
- 一種風力發電預測顯示系統，包含：一預測模組，包含：一輸入資料儲存模組，從複數個伺服器擷取並儲存複數個輸入資料，該輸入資料包含至少一風速即時資料及至少一風速歷史資料；一類神經網路學習模組，根據該輸入資料，塑模出至少一權重及至少一偏權值；一預測資料運算模組，根據該權重及該偏權值，對該輸入資料進行運算，以得出至少一風速預測資料；一預測有效範圍運算模組，根據一預測有效範圍值，對該風速預測資料進行運算，以得出至少一預測有效範圍資料；及一風力發電運算模組，對該輸入資料進行運算，以得出一風力發電即時資料及一風力發電歷史資料，對該風速預測資料進行運算，以得出一風力發電預測資料，對該預測有效範圍資料進行運算，以得出一風力發電預測有效範圍資料；一資料庫，接收及儲存該輸入資料及/或該風速預測資料及/或該預測有效範圍資料及/或該風力發電即時資料及/或該風力發電歷史資料及/或該風力發電預測資料及/或該風力發電預測有效範圍資料；及一使用者操作介面，接收至少一使用者操作條件，並根據該使用者操作條件，以顯示該輸入資料及/或該風速預測資料及/或該預測有效範圍資料及/或該風力發電即時資料及/或該風力發電歷史資料及/或該風力發電預測資料及/或該風力發電預測有效範圍資料；其中，所述對該風速預測資料進行運算，以得出一風力發電預測資料，係利用一風速發電轉換曲線以進行；其中該風速發電轉換曲線係根據一風速發電轉換曲線類神經網路模型塑模而得；其中該風速發電轉換曲線類神經網路模型的塑模係獨立於該類神經網路學習模組的塑模；其中該預測有效範圍資料包含一預測有效範圍上臨界值資料及一預測有效範圍下臨界值資料；該風力發電預測有效範圍資料包含一風力發電預測有效範圍上臨界值資料及一風力發電預測有效範圍下臨界值資料。
- 如申請專利範圍第12項所述之風力發電預測顯示系統，其中該輸入資料包含至少一風速氣象預報即時資料及至少一風速氣象預報歷史資料。
- 如申請專利範圍第12項所述之風力發電預測顯示系統，其中該預測有效範圍值係藉由標準差運算式，對該輸入資料及該風速預測資料進行運算而得。
- 如申請專利範圍第12項所述之風力發電預測顯示系統，其中當該預測有效範圍下臨界值資料為小於零的數值時，該預測有效範圍下臨界值資料修改為數值零；當該風力發電預測有效範圍下臨界值資料為小於零的數值時，該風力發電預測有效範圍下臨界值資料修改為數值零。
- 如申請專利範圍第12項所述之風力發電預測顯示系統，其中所述顯示該輸入資料及/或該風速預測資料及/或該預測有效範圍資料及/或該風力發電即時資料及/或該風力發電歷史資料及/或該風力發電預測資料及/或該風力發電預測有效範圍資料，係以圖形方式顯現。
- 如申請專利範圍第12項所述之風力發電預測顯示系統，其中該使用者操作條件包含所顯示風場之指示，該使用者操作界面根據該使用者操作條件，以顯示與所指示之該風場相關聯之該輸入資料及/或該風速預測資料及/或該預測有效範圍資料及/或該風力發電即時資料及/或該風力發電歷史資料及/或該風力發電預測資料及/或該風力發電預測有效範圍資料。
- 如申請專利範圍第17項所述之風力發電預測顯示系統，其中該所顯示風場之指示係顯示複數個風場之指示，該使用者操作界面根據該使用者操作條件，以顯示與所指示之該複數個風場相關聯之該輸入資料及/或該風速預測資料及/或該預測有效範圍資料及/或該風力發電即時資料的相加值及/或該風力發電歷史資料的相加值及/或該風力發電預測資料的相加值及/或該風力發電預測有效範圍資料的相加值。
- 一種風力發電預測方法，包含：自複數個伺服器擷取複數個輸入資料，該輸入資料包含至少一風速即時資料及至少一風速歷史資料；以該輸入資料塑模出一類神經網路模型的至少一權重及至少一偏權值；根據該權重及該偏權值，藉由該類神經網路模型對該輸入資料進行運算，以得出至少一風速預測資料；根據一校正值，對該風速預測資料進行運算，以得出至少一風速預測校正資料；根據一預測有效範圍值，對該風速預測校正資料進行運算，以得出至少一預測有效範圍資料；對該風速預測校正資料進行運算，以得出至少一風力發電預測校正資料；及對該預測有效範圍資料進行運算，以得出至少一風力發電預測有效範圍資料；其中，所述對該風速預測校正資料進行運算，以得出至少一風力發電預測校正資料，係利用一風速發電轉換曲線以進行；其中該風速發電轉換曲線係係根據一風速發電轉換曲線類神經網路模型塑模而得；其中該風速發電轉換曲線類神經網路模型的塑模係獨立於該類神經網路模型的塑模；其中該預測有效範圍資料包含一預測有效範圍上臨界值資料及一預測有效範圍下臨界值資料；該風力發電預測有效範圍資料包含一風力發電預測有效範圍上臨界值資料及一風力發電預測有效範圍下臨界值資料。
- 如申請專利範圍第19項所述之風力發電預測方法，其中該輸入資料包含至少一風速氣象預報即時資料及至少一風速氣象預報歷史資料。
- 如申請專利範圍第19項所述之風力發電預測方法，其中該校正值係藉由均方根誤差運算式或平均絕對誤差運算式，對該輸入資料及該風速預測資料進行運算而得。
- 如申請專利範圍第19項所述之風力發電預測方法，其中該預測有效範圍值係藉由標準差運算式，對該輸入資料及/或該風速預測資料及/或該風速預測校正資料進行運算而得。
- 如申請專利範圍第19項所述之風力發電預測方法，其中當該預測有效範圍下臨界值資料為小於零的數值時，該預測有效範圍下臨界值資料修改為數值零；當該風力發電預測有效範圍下臨界值資料為小於零的數值時，該風力發電預測有效範圍下臨界值資料修改為數值零。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106103821A TWI662423B (zh) | 2017-02-06 | 2017-02-06 | 風力發電之預測顯示系統及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW106103821A TWI662423B (zh) | 2017-02-06 | 2017-02-06 | 風力發電之預測顯示系統及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TW201830273A TW201830273A (zh) | 2018-08-16 |
| TWI662423B true TWI662423B (zh) | 2019-06-11 |
Family
ID=63960616
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW106103821A TWI662423B (zh) | 2017-02-06 | 2017-02-06 | 風力發電之預測顯示系統及方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI662423B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610665B (zh) * | 2021-08-12 | 2024-01-30 | 东北电力大学 | 一种基于多延迟输出回声状态网的风力发电功率预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120123995A1 (en) * | 2010-11-17 | 2012-05-17 | General Electrical Company | Power consumption compliance monitoring system and method |
| US20120230821A1 (en) * | 2011-03-10 | 2012-09-13 | Sinovel Wind Group Co., Ltd. | Wind power prediction method of single wind turbine generator |
| US20140195159A1 (en) * | 2013-01-09 | 2014-07-10 | Iteris, Inc. | Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility |
| CN104680241A (zh) * | 2013-11-29 | 2015-06-03 | 财团法人资讯工业策进会 | 再生能源发电量预测***及方法以及供电配置*** |
| TWI543492B (zh) * | 2013-08-06 | 2016-07-21 | 渥班資產公司 | 用於藉由風力發電設備或風力發電場將電能饋送至電力供應電網之方法及用於將電能饋送至電力供應電網之風力發電設備及風力發電場 |
| US20160223600A1 (en) * | 2015-02-03 | 2016-08-04 | Envision Energy (Jiangsu) Co., Ltd. | Power generation performance evaluation method and apparatus for power generator set |
| TW201635224A (zh) * | 2015-03-18 | 2016-10-01 | 聖約翰科技大學 | 智慧型短期電力發電量預測方法 |
-
2017
- 2017-02-06 TW TW106103821A patent/TWI662423B/zh active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120123995A1 (en) * | 2010-11-17 | 2012-05-17 | General Electrical Company | Power consumption compliance monitoring system and method |
| US20120230821A1 (en) * | 2011-03-10 | 2012-09-13 | Sinovel Wind Group Co., Ltd. | Wind power prediction method of single wind turbine generator |
| US20140195159A1 (en) * | 2013-01-09 | 2014-07-10 | Iteris, Inc. | Application of artificial intelligence techniques and statistical ensembling to forecast power output of a wind energy facility |
| TWI543492B (zh) * | 2013-08-06 | 2016-07-21 | 渥班資產公司 | 用於藉由風力發電設備或風力發電場將電能饋送至電力供應電網之方法及用於將電能饋送至電力供應電網之風力發電設備及風力發電場 |
| CN104680241A (zh) * | 2013-11-29 | 2015-06-03 | 财团法人资讯工业策进会 | 再生能源发电量预测***及方法以及供电配置*** |
| US20160223600A1 (en) * | 2015-02-03 | 2016-08-04 | Envision Energy (Jiangsu) Co., Ltd. | Power generation performance evaluation method and apparatus for power generator set |
| TW201635224A (zh) * | 2015-03-18 | 2016-10-01 | 聖約翰科技大學 | 智慧型短期電力發電量預測方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW201830273A (zh) | 2018-08-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A hybrid wind power forecasting approach based on Bayesian model averaging and ensemble learning | |
| US10288038B2 (en) | Reducing curtailment of wind power generation | |
| US10598157B2 (en) | Reducing curtailment of wind power generation | |
| Optis et al. | The importance of atmospheric turbulence and stability in machine-learning models of wind farm power production | |
| JP4886322B2 (ja) | 風力発電出力予測方法、風力発電出力予測装置およびプログラム | |
| Goliatt et al. | Development of a hybrid computational intelligent model for daily global solar radiation prediction | |
| Yu et al. | The forecast of the electrical energy generated by photovoltaic systems using neural network method | |
| JP2016136001A (ja) | 予測装置 | |
| CN104376389A (zh) | 基于负载均衡的主从式微电网功率负荷预测***及其方法 | |
| US10770898B2 (en) | Methods and systems for energy use normalization and forecasting | |
| CN111415010A (zh) | 一种基于贝叶斯神经网络的风电机组参数辨识方法 | |
| Boutahir et al. | Machine learning and deep learning applications for solar radiation predictions review: morocco as a case of study | |
| CN112307672A (zh) | 基于布谷鸟算法优化的bp神经网络短期风功率预测方法 | |
| CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
| TWI662423B (zh) | 風力發電之預測顯示系統及方法 | |
| CN107358059A (zh) | 短期光伏能量预测方法和装置 | |
| TWI587222B (zh) | 基於類神經網路之水庫水位預測系統及方法 | |
| Meng et al. | Hybrid neural network based on GRU with uncertain factors for forecasting ultra-short-term wind power | |
| CN103489037A (zh) | 一种可发电风资源的预测方法 | |
| Du et al. | Ensemble interpolation of missing wind turbine nacelle wind speed data in wind farms based on robust particle swarm optimized generalized regression neural network | |
| CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及*** | |
| Chaimae et al. | Identification of greenhouse temperature system using time series based on the NARX model | |
| TWI618016B (zh) | 水庫水位之預測顯示系統及方法 | |
| CN112580899A (zh) | 一种融合机器学习模型的中长期风力发电预测方法及*** | |
| Zhao et al. | TransOS-ELM: A short-term photovoltaic power forecasting method based on transferred knowledge from similar days |