-
公开(公告)号：CN113159452B
公开(公告)日：2022-03-01
申请号：CN202110532494.8
申请日：2021-05-17
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于时空相关性的风电集群功率预测方法，该预测方法分析了风电集群中风电场之间的时空相关性，应用多种类型相关性计算方法进行计算，引入Shapley值法进行加权，使相关性评价更加全面，更加精确的计算风电集群中的相关性。该预测方法考虑影响发电功率的多种因素，将多种因素融合在一起，使风电集群整体时空相关性特征得到提取，从而达到直接风电集群功率预测的效果，避免了现有方法叠加预测造成误差随之叠加的弊端，提高了预测精度。此外，应用卷积神经网络提取风电集群的关键时空相关特征，达到降低维度的目的，使风电集群的时空相关特征可以直接输入进神经网络中，与风电集群功率相对应，更加方便的进行风电集群发电功率预测，使预测精度更高。
-
公开(公告)号：CN112329339A
公开(公告)日：2021-02-05
申请号：CN202011162929.6
申请日：2020-10-27
Applicant: 河北工业大学
IPC: G06F30/27 , G06Q10/04 , G06Q50/06 , G06N3/04 , G01P5/00 , G06F111/08 , G06F113/08
Abstract: 本发明公开一种风电场短期风速预测方法，该预测方法对风速分解后的风速分量进行重新组合，得到两个风速分量，降低了多个风速分量预测误差累积造成的整体预测误差过大，并且将影响风速预测效果的风速随机波动提取出来，提高另一风速分量的预测精度。此外，应用人工鱼群算法优化RBF神经网络提高了神经网络的预测精度和计算效率。对于影响风速预测的随机波动，建立了风速波动量对趋势量的相依概率模型，使风速随机波动预测更加准确，提高了风速预测精度。
-
公开(公告)号：CN113536685B
公开(公告)日：2023-02-07
申请号：CN202110834702.X
申请日：2021-07-23
Applicant: 河北工业大学 , 华能新能源股份有限公司河北分公司
IPC: G06F30/27 , G06Q10/04 , G06Q50/06 , G06N3/045 , G06N3/0442 , G06N3/047 , G06N3/006 , G06F111/08 , G06F113/06 , G06F113/08
Abstract: 本发明为一种基于神经网络外推的风速概率模型的建模方法，该建模方法包括以下内容：将风电场多年的历史风速数据进行分解，获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；针对风速低频分量建立广义的风速‑变化量的联合概率密度模型：针对风速高频分量建立广义的通用描述模型。该建模方法通过离散点进行外推获得的风速概率模型准确度高，对于风速较大或风速较小的情况都能适用。
-
公开(公告)号：CN113159452A
公开(公告)日：2021-07-23
申请号：CN202110532494.8
申请日：2021-05-17
Applicant: 河北工业大学
Abstract: 本发明公开了一种基于时空相关性的风电集群功率预测方法，该预测方法分析了风电集群中风电场之间的时空相关性，应用多种类型相关性计算方法进行计算，引入Shapley值法进行加权，使相关性评价更加全面，更加精确的计算风电集群中的相关性。该预测方法考虑影响发电功率的多种因素，将多种因素融合在一起，使风电集群整体时空相关性特征得到提取，从而达到直接风电集群功率预测的效果，避免了现有方法叠加预测造成误差随之叠加的弊端，提高了预测精度。此外，应用卷积神经网络提取风电集群的关键时空相关特征，达到降低维度的目的，使风电集群的时空相关特征可以直接输入进神经网络中，与风电集群功率相对应，更加方便的进行风电集群发电功率预测，使预测精度更高。
-
公开(公告)号：CN115587738A
公开(公告)日：2023-01-10
申请号：CN202211370289.7
申请日：2022-11-03
Applicant: 河北工业大学
IPC: G06Q10/0631 , G06F16/25 , G06F18/23213 , G06N3/0464 , G06N3/08 , G06Q50/06
Abstract: 本发明为基于时空相关特征融合的风电场动态调节能力评估方法，包括以下内容：1)获得风电场各风电机组的数据，并进行异常数据清洗，获得正常运行数据；2)构建风速‑功率‑理论桨距角的映射关系模型；3)风电机组分群等值；4)风电场调节能力实时评估，构建基于DRN‑GRU网络的风电场理论出力模型；在实时评估过程中，由风速‑功率‑理论桨距角的映射关系模型根据风电机群的等值风速和等值功率得到对应的理论桨距角，修正时空相关特征矩阵，将修正时空相关矩阵输入DRN‑GRU网络的风电场理论出力模型得到风电场理论出力，与当前风电场出力对比，即得到风电场有功调节裕度。根据有功调节裕度对风电场调节能力进行实时评估。
-
Patent Agency Ranking
公开(公告)号：CN113536685A
公开(公告)日：2021-10-22
申请号：CN202110834702.X
申请日：2021-07-23
Applicant: 河北工业大学 , 华能新能源股份有限公司河北分公司
IPC: G06F30/27 , G06Q10/04 , G06Q50/06 , G06N3/04 , G06N3/00 , G06F111/08 , G06F113/06 , G06F113/08
Abstract: 本发明为一种基于神经网络外推的风速概率模型的建模方法，该建模方法包括以下内容：将风电场多年的历史风速数据进行分解，获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；针对风速低频分量建立广义的风速‑变化量的联合概率密度模型：针对风速高频分量建立广义的通用描述模型。该建模方法通过离散点进行外推获得的风速概率模型准确度高，对于风速较大或风速较小的情况都能适用。
-
公开(公告)号：CN112329339B
公开(公告)日：2022-07-19
申请号：CN202011162929.6
申请日：2020-10-27
Applicant: 河北工业大学
IPC: G06F30/27 , G06Q10/04 , G06Q50/06 , G06N3/04 , G01P5/00 , G06F111/08 , G06F113/08
Abstract: 本发明公开一种风电场短期风速预测方法，该预测方法对风速分解后的风速分量进行重新组合，得到两个风速分量，降低了多个风速分量预测误差累积造成的整体预测误差过大，并且将影响风速预测效果的风速随机波动提取出来，提高另一风速分量的预测精度。此外，应用人工鱼群算法优化RBF神经网络提高了神经网络的预测精度和计算效率。对于影响风速预测的随机波动，建立了风速波动量对趋势量的相依概率模型，使风速随机波动预测更加准确，提高了风速预测精度。
-
公开(公告)号：CN113536584B
公开(公告)日：2022-04-15
申请号：CN202110834695.3
申请日：2021-07-23
Applicant: 河北工业大学
IPC: G06F30/20 , G06F30/27 , G06N3/04 , G06N3/08 , G06N3/00 , G06Q10/04 , G06Q50/06 , G06F111/08 , G06F113/04 , G06F113/06
Abstract: 本发明为基于概率模型与多时间窗自相关校验的风速逆向生成方法，该生成方法包括以下内容：采用时间滑动相关方法建立不同尺度时间窗的滑动自相关校验模型；利用风速低频分量建立风速低频分量的风速‑变化量联合概率密度模型；利用风速高频分量建立风速高频分量的通用描述模型；将风速的逆向生成分为风速低频分量的逆向生成与风速高频分量的逆向生成两部分；最后，将逆向生成的风速高频分量与风速低频分量进行累加，得到逆向生成的风速。本发明逆向生成的风速序列可准确反映风速的波动性和随机性，可用于有源配电网和电力系统随机过程生产模拟，在未来电网规划中有着不可替代的作用。
-
公开(公告)号：CN113536686A
公开(公告)日：2021-10-22
申请号：CN202110835160.8
申请日：2021-07-23
Applicant: 河北工业大学 , 华能新能源股份有限公司河北分公司
IPC: G06F30/27 , G06F113/06
Abstract: 本发明为一种风速的概率模型的建模方法，该方法包括以下内容：获得多个不同频率的风速分量，然后将多个风速分量重构为风速低频分量和风速高频分量；将风速的建模分为规律性强的低频分量模型和随机性强的高频分量模型，在建模时分别考虑其波动性和随机性并量化分析风速变化量与风速之间的关系可有效提升建模精度；建立了风速低频分量的风速‑变化量联合概率密度模型和风速高频分量的通用描述模型。本发明方法尤其适用于不确定性较强风速的情形，提高了风速建模的精度。
-
公开(公告)号：CN113536584A
公开(公告)日：2021-10-22
申请号：CN202110834695.3
申请日：2021-07-23
Applicant: 河北工业大学
IPC: G06F30/20 , G06F30/27 , G06N3/04 , G06N3/08 , G06N3/00 , G06Q10/04 , G06Q50/06 , G06F111/08 , G06F113/04 , G06F113/06
Abstract: 本发明为基于概率模型与多时间窗自相关校验的风速逆向生成方法，该生成方法包括以下内容：采用时间滑动相关方法建立不同尺度时间窗的滑动自相关校验模型；利用风速低频分量建立风速低频分量的风速‑变化量联合概率密度模型；利用风速高频分量建立风速高频分量的通用描述模型；将风速的逆向生成分为风速低频分量的逆向生成与风速高频分量的逆向生成两部分；最后，将逆向生成的风速高频分量与风速低频分量进行累加，得到逆向生成的风速。本发明逆向生成的风速序列可准确反映风速的波动性和随机性，可用于有源配电网和电力系统随机过程生产模拟，在未来电网规划中有着不可替代的作用。
-
-
-
-
-
-
-
-
-
Search Results
11
records
(took 0.019 seconds)
