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。