申请/专利权人：三峡大学

申请日：2023-09-19

公开（公告）日：2024-01-30

公开（公告）号：CN117474417A

主分类号：G06Q10/067

分类号：G06Q10/067;G06Q50/06;G06N7/01;G06F17/16

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.02.20#实质审查的生效;2024.01.30#公开

摘要：一种基于风电功率时域特性和KDE的风电时序模拟算法，包括：Step1、以历史风电功率数据为基础，统计功率的波动量；Step2、计算状态转移率矩阵和状态转移累计概率矩阵；Step3、进行概率分布函数预测；Step4、根据Step1中得到波动量的概率分布，并对其采用三阶加权高斯分布拟合；Step5、生成所需长度的状态序列；Step6、遍历所有状态得到风电功率离散状态序列；Step7、遍历每个状态叠加相应的波动分量，得到最终的风电序列。针对传统马尔科夫链蒙特卡洛法状态难以跳变、波动过于频繁的问题，对风电功率的时域特性和持续时间分布拟合进行了调整。引入非参数核密度估计法对状态持续时间进行抽样，使抽样模拟生成的风电功率时间序列能够较好的复现原始数据特性。

主权项：1.一种基于风电功率时域特性和KDE的风电时序模拟算法，其特征在于，包括以下步骤：Step1、以历史风电场风电功率数据为基础，定义状态、划分状态数量以及确定所需生成的风电功率序列长度，并统计功率的波动量；Step2、计算状态转移率矩阵和状态转移累计概率矩阵；Step3、根据原始风电功率序列统计状态持续时间次数，并将其归一化后，采用非参数核密度估计法进行概率分布函数预测；Step4、根据Step1中的功率波动量归一化得到波动量的概率分布，并对其采用三阶加权高斯分布拟合；Step5、根据Step2中的状态转移率矩阵生成所需长度的状态序列；Step6、根据Step4中的每个状态从每个状态所估计的概率密度函数中抽样，作为该状态的时间长度，遍历所有状态得到风电功率离散状态序列；Step7、根据Step6得到的风电功率离散状态序列，结合Step4遍历每个状态叠加相应的波动分量，得到最终的风电序列。

全文数据：

权利要求：

百度查询： 三峡大学 一种基于风电功率时域特性和KDE的风电时序模拟算法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD