检索结果-南通市图书馆

高电压技术 2022年第5期48卷 1884-1892页

作者：王渝红史云翔周旭曾琦方飚毕悦四川大学电气工程学院成都610065 国网四川综合能源服务有限公司成都610031

针对现有预测方法难以批量处理多风机间不同特征的问题,提出了基于时间模式注意力(temporal pattern attention,TPA)机制的双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络多风电机组超短期功率预测方法。首先,基于... 详细信息

针对现有预测方法难以批量处理多风机间不同特征的问题,提出了基于时间模式注意力(temporal pattern attention,TPA)机制的双向长短时记忆(bidirectional long short-term memory,BiLSTM)网络多风电机组超短期功率预测方法。首先,基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)获得风机原始功率信号的不同模态分量,以降低神经网络预测难度。其次,基于TPA机制,从Bi LSTM网络得到的隐藏行向量中提取多风机之间的复杂联系,从而使得具有不同特征的模态可以从不同时间步选择相关信息,进而降低各模态的预测误差。最后,将TPA机制与传统注意力机制应用于分散分布的14台风机区域功率预测任务。研究结果表明:基于本方法的多风电机组超短期功率预测的标准均方根误差仅为0.0546,证明TPA机制能有效提高多风电机组的超短期功率预测精度。

关键词：超短期风电功率预测多风电机组时间模式注意力机制双向长短时记忆集合经验模态分解

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

多风电机组联合功率预测及场景生成方法的研究

多风电机组联合功率预测及场景生成方法的研究

引用

作者：符芳育湖南大学

学位级别：硕士

随着全球环境恶化及能源危机加重,世界各国都在探索新能源来替代传统化石能源,风能因其清洁可再生的优点在新能源中备受瞩目。然而,由于风电功率的波动性和不确定性,在风电装机容量不断提高的同时,给电网的电能质量和安全稳定带来了冲... 详细信息

随着全球环境恶化及能源危机加重,世界各国都在探索新能源来替代传统化石能源,风能因其清洁可再生的优点在新能源中备受瞩目。然而,由于风电功率的波动性和不确定性,在风电装机容量不断提高的同时,给电网的电能质量和安全稳定带来了冲击和挑战。因此,提高风电功率的预测精度和生成能够刻画风电出力不确定性的场景集是提高风电消纳能力的关键。其中,风电功率预测是基于历史数据对未来风电出力进行预测,是预测未来风力发电最有可能的出力数值;而场景生成是基于风电预测功率生成一组能够反映风电功率不确定性的风电出力的场景。本文阐述了风力发电原理和影响风力发电机出力的主要因素,介绍了对原始风电功率数据进行预处理的方法,同时针对同一区域内多个临近的风力发电机的风电功率分别进行了时间相关性分析和空间相关性分析,为后续的风电功率预测和风电场景集生成奠定基础。为了提高多个临近风电机组的风电预测精度和提高预测任务效率,本文提出了一种多路并行且考虑了时间特征信息、空间特征信息和气象特征的超短期风电预测模型。该模型先利用图注意力网络挖掘临近风电机组之间的空间维度关联特征,使得每个风电机组都聚合周围的特征信息;然后,在此基础上利用注意力机制的长短时间网络提取各风电机组自身的时间维度特征,并输出初步预测结果,最后考虑到数值气象信息存在对风电出力的影响特征,利用卷积网络提取其特征进而对初步预测结果进行修正。经过三个网络的处理,使预测模型能够捕获到多个维度的信息特征。经过实验对比,验证了该模型能够提高多风电机组预测精度。为了构建能够准确刻画风电不确定性的场景集,本文提出了一种基于图卷积网络与时序生成对抗网络相结合的多风电机组场景生成模型。该模型将风电机组的预测功率作为条件变量,利用图卷积网络对各风电机组进行空间关系挖掘,提高数据维度使得特征矩阵包含更多信息,并利用时序生成对抗网络对高维数据进行处理,从中提取时间维度特征,进行多风电机组的出力场景生成。为了验证模型效果,本文首先进行风电功率日前预测,得到包含真实值和日前预测值的数据集,并依据日前预测数据生成风电出力场景集,结果表明生成的场景集能从时间维度和空间维度很好地描述实际风电出力的不确定性。

关键词：风电功率预测场景生成图神经网络多风电机组时空特征

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于数据驱动的多风电机组协同控制方法

引用

电源学报 2020年第2期18卷 24-31页

作者：焦小敏耿华马少康许志伟清华大学自动化系北京100084 北京信息科学与技术国家研究中心北京100084

风机的尾流效应会严重降低风电场的发电效率,传统风电场能量管理方法未考虑尾流效应的影响,各风机均采用最大功率点跟踪MPPT(maximum power point tracking)控制方案,风电场整体输出功率并非最优。尾流耦合现象极其复杂,难以用解析模型... 详细信息

风机的尾流效应会严重降低风电场的发电效率,传统风电场能量管理方法未考虑尾流效应的影响,各风机均采用最大功率点跟踪MPPT(maximum power point tracking)控制方案,风电场整体输出功率并非最优。尾流耦合现象极其复杂,难以用解析模型描述,传统基于模型的控制思路难以适用。为此,提出一种基于数据驱动的多风电机组协同控制方法。基于风电场的历史运行数据,采用神经网络辨识多风电机组之间的尾流交互模型。进一步,在风电场层通过粒子群算法在线求解多风电机组协同控制功率优化指令;在机组层由各机组控制器实现指令跟踪,最终实现风电场整体发电功率的优化。仿真结果表明:基于数据驱动方法建立的尾流交互模型,其误差在1%之内;在此基础上,进行多机协同优化控制,相比传统未考虑尾流效应的单机MPPT控制,风电场平均输出功率得到提升,验证了所提控制方法的有效性。

关键词：多风电机组数据驱动尾流效应协同控制

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于CBAM-DSC-UNet模型的时空风速预测算法

引用

太阳能学报 2024年第10期45卷 497-505页

作者：赵陆阳刘长良刘卫亮李洋王昕康佳垚华北电力大学控制与计算机工程学院北京102206 保定市综合能源系统状态检测与优化调控重点实验室保定071000 国家能源集团新能源技术研究院有限公司北京102209

针对时空风速预测任务通常使用的卷积神经网络(CNN)和循环神经网络(RNN)联合建模方法中空间信息损失的问题,提出一种基于CBAM-DSC-UNet模型的时空风速预测算法,用于提升空间信息利用率与模型预测精度。该算法将时空风速预测问题视为视... 详细信息

针对时空风速预测任务通常使用的卷积神经网络(CNN)和循环神经网络(RNN)联合建模方法中空间信息损失的问题,提出一种基于CBAM-DSC-UNet模型的时空风速预测算法,用于提升空间信息利用率与模型预测精度。该算法将时空风速预测问题视为视频预测问题,在提取时空相关性的同时保持空间信息,进而直接输出未来多步的空间风速矩阵。以美国怀俄明州某风电场实际数据为算例进行实验,结果表明,相比其他对比算法,基于CBAM-DSC-UNet模型的时空风速预测算法的平均绝对误差下降8.4%~15.9%,精度有较大提升。

关键词：风力预测卷积神经网络时空数据 UNet 多风电机组

来源：

维普期刊数据库

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：