-
公开(公告)号：CN103258142A
公开(公告)日：2013-08-21
申请号：CN201310218741.2
申请日：2013-06-04
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于天气模式的风电场短期风速预测方法，它涉及基于天气模式的风电场短期风速预测方法，本发明要解决现有风速预测方法没有考虑到风速时间序列在不同的天气条件下会呈现出不同的变化规律，以及模糊聚类给出的聚类结果是球形的，不适合建立回归预测模型的问题。基于天气模式的风电场短期风速预测方法按以下步骤进行：一、对每一个风速样本点进行特征表达；二、使用GPCA算法对特征空间进行子空间分割，将每一样本点投影到对应的子空间中；三、在每一个子空间中，对子空间中的样本点建立一个支持向量机预测模型；四、根据当前时刻样本点对每一个子空间的隶属度，进行集成预测，给出预测结果。本发明可应用于大规模风电资源应用领域。
-
公开(公告)号：CN103678940B
公开(公告)日：2016-08-31
申请号：CN201310749932.1
申请日：2013-12-31
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于有效湍流强度瞬时模型的风速波动不确定性估计方法。涉及基于有效湍流强度瞬时模型的风速波动不确定性估计方法。为解决以现有理论模型为基础的风速波动的不确定性估计方法，在风速小的区域和风速大的区域均给出相同宽的误差带，存在过大的预报误差，既不符合实际情况也不能用于帮助电网制定合理的调度计划的问题，本发明通过Mallat小波分解和重构算法得到湍动残差的瞬时标准差，并根据平均风速，利用有效湍流强度模型拟合，实现了对风速波动的不确定性估计。本发明用于风电场功率预测，从而帮助电网制定合理的调度计划，确定旋转备用，安全经济地保证电网的运行。
-
Patent Agency Ranking
公开(公告)号：CN103258142B
公开(公告)日：2016-03-23
申请号：CN201310218741.2
申请日：2013-06-04
Applicant: 哈尔滨工业大学
Abstract: 基于天气模式的风电场短期风速预测方法，它涉及基于天气模式的风电场短期风速预测方法，本发明要解决现有风速预测方法没有考虑到风速时间序列在不同的天气条件下会呈现出不同的变化规律，以及模糊聚类给出的聚类结果是球形的，不适合建立回归预测模型的问题。基于天气模式的风电场短期风速预测方法按以下步骤进行：一、对每一个风速样本点进行特征表达；二、使用GPCA算法对特征空间进行子空间分割，将每一样本点投影到对应的子空间中；三、在每一个子空间中，对子空间中的样本点建立一个支持向量机预测模型；四、根据当前时刻样本点对每一个子空间的隶属度，进行集成预测，给出预测结果。本发明可应用于大规模风电资源应用领域。
-
公开(公告)号：CN103678940A
公开(公告)日：2014-03-26
申请号：CN201310749932.1
申请日：2013-12-31
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于有效湍流强度瞬时模型的风速波动不确定性估计方法。涉及基于有效湍流强度瞬时模型的风速波动不确定性估计方法。为解决以现有理论模型为基础的风速波动的不确定性估计方法，在风速小的区域和风速大的区域均给出相同宽的误差带，存在过大的预报误差，既不符合实际情况也不能用于帮助电网制定合理的调度计划的问题，本发明通过Mallat小波分解和重构算法得到湍动残差的瞬时标准差，并根据平均风速，利用有效湍流强度模型拟合，实现了对风速波动的不确定性估计。本发明用于风电场功率预测，从而帮助电网制定合理的调度计划，确定旋转备用，安全经济地保证电网的运行。
-
公开(公告)号：CN103413174B
公开(公告)日：2016-02-17
申请号：CN201310389450.X
申请日：2013-08-30
Applicant: 哈尔滨工业大学
IPC: G06N3/08
Abstract: 基于深度学习方法的短期风速多步预测方法，涉及一种短期风速的多步预测方法。为了解决目前的风速预测方法存在风速预测效果差的问题。它包括：一：基于深度学习方法，建立具有多输入多输出结构的深度神经网络回归模型；二：采用逐层贪心方法，结合被测风电场的近期实际风速数据对建立的深度神经网络回归模型进行训练，通过所述模型的非线性映射功能，学习得到所述模型的序列之间的映射关系，来确定深度神经网络回归模型；三：根据确定的深度神经网络回归模型，对被测风电场的实际风速进行多步预测，得到所述被测风电场的风速预测结果。它用于风电场短期风速的预测。
-
公开(公告)号：CN103699800A
公开(公告)日：2014-04-02
申请号：CN201310750044.1
申请日：2013-12-31
Applicant: 哈尔滨工业大学
IPC: G06F19/00
Abstract: 基于频域多尺度风速信号可预报性的超短期风速预测方法，属于分析和测量控制技术领域，涉及基于频域多尺度风速信号可预报性的超短期风速预测方法。为解决现有预测方法未考虑频域多尺度的可预报性问题和统计预报模型中输入空间的数据维数选取需要依靠经验而导致的预测精度低、模型训练时间长的问题，通过增加可预报性分析和自相关性分析技术步骤避免了高频分量预测的步数过长而导致叠加后反而对预测结果产生负面影响有效提高了超短期风速预测的精度并减少了模型训练的时间。本发明主要用于风电场对电场功率的预测，从而帮助电网制定合理的调度计划，确定旋转备用，安全经济地保证电网的运行。
-
公开(公告)号：CN103413174A
公开(公告)日：2013-11-27
申请号：CN201310389450.X
申请日：2013-08-30
Applicant: 哈尔滨工业大学
IPC: G06N3/08
Abstract: 基于深度学习方法的短期风速多步预测方法，涉及一种短期风速的多步预测方法。为了解决目前的风速预测方法存在风速预测效果差的问题。它包括：一：基于深度学习方法，建立具有多输入多输出结构的深度神经网络回归模型；二：采用逐层贪心方法，结合被测风电场的近期实际风速数据对建立的深度神经网络回归模型进行训练，通过所述模型的非线性映射功能，学习得到所述模型的序列之间的映射关系，来确定深度神经网络回归模型；三：根据确定的深度神经网络回归模型，对被测风电场的实际风速进行多步预测，得到所述被测风电场的风速预测结果。它用于风电场短期风速的预测。
-
-
-
-
-
-
Search Results
7
records
(took 0.022 seconds)
