排序方式: 共有7条查询结果,搜索用时 15 毫秒
1
1.
2.
根据风速变化的特点,选择了适于描述波动变化特性时间序列的GARCH方法.分析风速小时变化曲线的残差项,发现其存在着ARCH效应,满足ARCH的建模条件.采用美国夏威夷岛Lalamilo的风速数据,建立了ARCH和GARCH风速变化时间序列模型,预测目的日逐点预测误差的平均值为25.1%.经过与ARIMA算法的比较,预测的精度有所提高.运用风电机组出力与风速的关系,转换后得到了所需要的风电机组出力.对集群性不同的时间序列进行了多次数值计算,发现GARCH模型对波动性序列具有更好的适应性. 相似文献
3.
基于统计聚类分析的短期风电功率预测 总被引:1,自引:0,他引:1
考虑到短期风电功率预测模型建立时,样本的选取对预测模型的精度有较大影响,提出了运用聚类方法对历史风速数据进行处理,实现了历史数据的自动分类.根据预测日的平均风速和最大风速等特征参数,按照相似度最大的原则,选择合适的类别作为预测建模用的训练样本.运用时间序列方法,建立风速预测模型,与不经过预处理的相比,所建立预测精度得到了提高,验证了运用聚类进行数据预处理的正确性.运用风力发电机的出力曲线,得到了未来日的风电功率的预测值,为含风电系统的电力系统运行计划的制定,提供了基础数据支持. 相似文献
4.
根据风速变化的特点, 选择了适于描述波动变化特性时间序列的GARCH方法。分析风速小时变化曲线的残差项, 发现其存在着ARCH效应, 满足ARCH的建模条件。采用美国夏威夷岛Lalamilo的风速数据, 建立了ARCH和GARCH风速变化时间序列模型, 预测日的日逐点预测误差的平均值为25.1%。经过与ARIMA算法的比较, 预测的精度有所提高。运用风电机组出力与风速的关系, 转换后得到了所需要的风电机组出力。对集群性不同的时间序列进行了多次数值计算, 发现GARCH模型对波动性序列具有更好的适应性。 相似文献
5.
考虑到短期风电功率预测模型建立时,样本的选取对预测模型的精度有较大影响,提出了运用聚类方法对历史风速数据进行处理,实现了历史数据的自动分类。根据预测日的平均风速和最大风速等特征参数,按照相似度最大的原则,选择合适的类别作为预测建模用的训练样本。运用时间序列方法,建立风速预测模型,与不经过预处理的相比,所建立预测精度得到了提高,验证了运用聚类进行数据预处理的正确性。运用风力发电机的出力曲线,得到了未来日的风电功率的预测值,为含风电系统的电力系统运行计划的制定,提供了基础数据支持。 相似文献
6.
随着小火电关停以及大规模可再生能源的接入,机组整体启停速度下降且运行不确定性增强,传统的日前与实时两级调度模式下,电网在极端环境下失负荷以及弃风、弃光风险较高。为解决这一问题,提出电能与备用多时间尺度联合优化调度方法,在日前计划基础上,补充设计了周前和日内调度计划,周前计划用于解决极端情况下,大机组启动时间不充裕问题;日内计划用于应对风电等可再生能源的随机性与波动性。并且在联合调度模型中考虑了需求侧响应因素,提升电力系统整体调节能力。最后,通过IEEE-RTS 39节点系统验证了所提方法的有效性。 相似文献
7.
介绍了配电网无功补偿方式,探讨了最佳补偿容量的确定方式,阐述了无功补偿合理配置原则,以保证终端电压的质量和稳定性,减小故障发生的可能性,避免大量无功功率远距离传送,从而减少配电线路的无功功率损耗。 相似文献
1