您的位置: 专家智库 > >

杨茂

作品数:20 被引量:169H指数:6
供职机构:教育部更多>>
发文基金:国家重点实验室开放基金更多>>
相关领域:电气工程动力工程及工程热物理医药卫生更多>>

文献类型

  • 19篇中文期刊文章

领域

  • 18篇电气工程
  • 2篇动力工程及工...

主题

  • 10篇功率
  • 10篇风电
  • 9篇风电功率
  • 4篇短期风电功率
  • 3篇电网
  • 3篇功率预测
  • 3篇风速
  • 2篇调度
  • 2篇异常数据
  • 2篇优化调度
  • 2篇能源
  • 2篇区间预测
  • 2篇微电网
  • 2篇相依性
  • 2篇聚类
  • 2篇集群
  • 2篇光伏
  • 2篇风电功率预测
  • 2篇层次聚类
  • 2篇出力

机构

  • 19篇教育部
  • 2篇长春华信电力...
  • 2篇中国电力科学...
  • 1篇中国石化胜利...
  • 1篇国网吉林省电...
  • 1篇国网东北分部...
  • 1篇国网辽宁省电...

作者

  • 19篇杨茂
  • 1篇张薇
  • 1篇李浩
  • 1篇赵宇
  • 1篇黄鑫
  • 1篇李一
  • 1篇李凤名

传媒

  • 5篇南方电网技术
  • 3篇电力系统自动...
  • 3篇中国电机工程...
  • 2篇可再生能源
  • 2篇东北电力大学...
  • 1篇高电压技术
  • 1篇电力系统保护...
  • 1篇电网与清洁能...
  • 1篇昆明理工大学...

年份

  • 5篇2024
  • 6篇2023
  • 2篇2022
  • 3篇2021
  • 2篇2020
  • 1篇2019
20 条 记 录,以下是 1-10
排序方式:
计及预测误差时空-条件相依特性的日内光伏出力区间预测方法被引量:2
2023年
由于光伏出力预测误差无法避免,区间预测可以更准确地描述光伏的不确定性,从而对电力系统的决策提供指导,而现有研究方法不能够充分地挖掘光伏功率的物理变化过程,因此提出了一种考虑预测误差时空-条件相依特性的日内光伏出力区间预测框架。首先通过外观相似性更新(appearance similarity update,ASU)模型得到考虑时间相依性的预测误差,再通过长短期记忆(long short-term memory,LSTM)网络模型以及空间相关性的分析得到考虑空间相依性的预测误差,并对预测的出力进行修正,最后依据其误差的条件相依性得到不同置信度下的区间预测。整体框架的效果在新疆光伏电场被验证,其均方根误差能够降低3%以上,同时考虑更新后的预测误差时空-条件相依性的区间预测效果有所提升,验证了所提方法的有效性和可行性。
杨皓然杨茂苏欣
关键词:区间预测
考虑预测误差时空相依性的短期风电功率概率预测被引量:1
2023年
由于风电功率点预测误差无法避免,概率预测可以充分描述风电功率的不确定性,进而对调度部门的决策提供进一步指导。当前的风电功率概率预测方法对其物理变化过程挖掘仍不完整。通过挖掘历史风电功率数据和数值天气预报(numerical weather prediction,NWP)的时空特性,构建了一种考虑误差时空相依性的短期风电概率预测新框架。首先通过门控循环单元(gated recurrent unit,GRU)得到点预测结果;进而,引入多位置NWP,提出了一种考虑时空相依特性的多层次误差场景划分方法;最后,利用Bootstrap抽样法重构形成新的适应建模的误差样本集,进行了不同置信水平下的短期风电功率概率预测。由此得出,在考虑时空相依性的概率预测下,整体框架的效果在中国东北某风电场被验证,对比相同置信水平下,预测精度得到有效明显提高,且评价指标预测区间覆盖率提高0.53%、0.44%、0.32%,预测区间平均带宽缩小2.40%、2.14%,0.06%,证实了所提方法的有效性和可行性。
胡文慧苏欣姜林郭长星杨茂
关键词:层次聚类
基于光照过程特征分析的光伏功率异常数据识别算法被引量:23
2019年
高质量的光伏功率数据是进行光伏研究的基础,而从光伏电站采集到的数据含有较大比例的异常数据,因此须对光伏功率异常数据进行识别。将不同光照特性的光伏功率数据分别进行建模,对辐照度与功率的概率分布函数进行Copula联合分布函数构建。利用基于经验函数的BFGS参数估计方法对各类Copula函数进行参数估计。参照各Copula函数与经验联合分布函数的欧氏距离与K-S值进行Copula函数选取。结合估计区间最窄原则得出光伏功率条件概率分布90%置信度下的概率功率曲线。根据工程经验以及考虑异常数据时序特性,依照四类异常数据的判别准则,建立异常数据识别模型。利用光伏电站原始数据与人工合成异常数据进行仿真分析,结果表明所提方法能有效、准确地识别出各类异常数据。
杨茂黄鑫
关键词:COPULA函数
考虑可再生能源出力不确定的孤岛型微电网优化调度被引量:42
2021年
风电与光伏并网显著增加了电力系统运行调度的不确定性,在某一时隙其所能发出的最大功率往往在某一确定值附近按一定的概率分布随机波动,而经过预测所得到的功率与实际功率之间存在预测误差。当风机与光伏实际所能发出的最大功率小于调度方案中安排的功率时,会影响所制定的调度策略,甚至可能会造成运行成本的大幅上升。为了研究可再生能源出力不确定性对微电网调度的影响,该文将微源按照调频特性分成基础负荷功率电源和调频电源两类,提出基于电源分类的两步式优化调度方法,采用蒙特卡洛法,对考虑可再生能源不确定性的成本函数值的期望和方差进行估计,并通过采样得到一定数量的样本,采用粒子群优化算法(particle swarm optimization,PSO)找到使得样本成本均值最小的调频电源装机计划以及基础负荷功率电源调度计划。最后利用BP神经网络构建调频电源的调频策略。在大量抽样样本背景下,通过算例分析验证所提的两步式调度方法的合理性和有效性。
杨茂王金鑫
关键词:粒子群优化算法需求响应
基于新能源发电品质量化与负荷时序匹配的功率品质划分模型研究
2024年
随着大规模风电、光伏接入电网,新能源消纳问题凸显。为缓解新能源消纳的困境,通过分析新能源发电功率与地区负荷的时序匹配关系,建立新能源发电功率品质划分模型,量化新能源发电功率不确定性对电网运行调控影响,进而制定能够反映新能源厂站功率不确定性规律的储能容量配置方案,以有效提升新能源消纳水平。文中提出了新能源发电功率品质划分模型,采用发电功率波动性和功率预测误差两个维度刻画新能源发电功率品质;分析新能源发电功率与电网负荷时序数据,以及预测误差数据,建立统计模型;确定与电网负荷时序匹配的发电功率曲线,建立新能源发电功率品质指标。
马成廉赵宇宋萌清李浩曾繁军尹波刘利则杨茂孙黎
关键词:品质因子品质指标
基于混沌理论的风电功率超短期预测模式改进研究被引量:7
2022年
准确的风电功率超短期预测对大规模风电并网运行具有重要意义,该文根据预测模式将风电功率超短期预测分为滚动直接预测、滚动多步预测和多采样间隔滚动预测3种。在初步分析的基础上对各预测模式进行针对于混沌序列初值敏感性的适用性改进,使序列的初值相对恒定,从而提高其预测精度。最后,利用吉林省某风电场群的实测数据对改进前后的各混沌预测模型进行分析。算例结果表明,改进后的多采样间隔混沌预测模式具有较好的预测效果,且相较改进前的预测效果有大幅提升,从而验证了所提预测模式改进方法对于提升超短期混沌预测精度的有效性。
杨茂孙志博苏欣
关键词:风电功率
风电功率超短期多步预测误差评估及分析被引量:1
2024年
超短期风电功率预测误差分析有助于改进预测精度,进而降低风电不确定性对电力系统带来的不利影响.以LSTM模型为例,对超短期多步预测的误差特性进行分析.首先,对超短期风电功率预测误差进行静态特性分析,研究了预测误差随预测步长的动态变化特性;然后,提出了数值天气预报在超短期风电功率预测中的误差占比定量评估模型;最后,提出了一种综合考虑形状和时间损失的神经网络损失函数,降低由于输入信息不足引起的时滞和幅值误差.结合吉林省20个风电场的实测数据,对风电功率多步预测误差特性进行全面分析,为风电功率多步预测模型的评估、修正提供了参考.
李凤名车润棋杨茂
关键词:误差分析损失函数
基于风速分频和权值匹配的RBF超短期风电功率预测方法被引量:5
2020年
为了提高风电功率超短期预测的准确率,文章提出了一种基于风速分频特征和权值匹配的RBF超短期风电功率预测方法。该方法的总体结构包括风速分频特征的提取、风速区间的划分、径向基神经网络的训练、分频最优权值决策、仿真计算和误差分析。与现有的仅考虑历史风电功率数据的方法相比,该方法能够跟踪未来的功率趋势,物理意义清晰,并考虑了风速不同频率特征对于功率的影响。算例结果表明,基于风速分频特征和权值分配的RBF超短期风电功率预测方法的预测精度较高,预测结果有效,具有较强的实用性。
杨茂董昊
基于集成聚类及改进马尔科夫链模型的光伏功率短期预测被引量:3
2023年
准确的光伏功率预测是保证新能源电力系统安全稳定运行的重要手段,根据光伏系统出力特点,提出一种基于集成聚类及改进马尔科夫链模型的组合预测方法。首先,通过集成聚类划分表征周期性的趋势序列与表征随机性的随机序列。其次,利用一阶差分处理改进的马尔科夫链模型预测趋势序列,随机序列由差分整合移动平均自回归模型预测。最后,通过对吉林省及青海省光伏电站历史运行数据建模,结果表明基于集成聚类及改进马尔科夫链的方法相较于传统马尔科夫链模型准确率平均提高了7.76%,验证了所提出的模型在不同出力类型、不同地理位置的情况下都具有适用性。
李一杨茂苏欣
基于因果正则化极限学习机的风电功率短期预测方法
2024年
随着风电并网比例的逐年提高,电力系统对风电功率预测的准确性和稳定性提出了更高要求。对于同一风电场而言,为了避免不同特征选择方法所选择的风电场特征子集不同,从因果关系的角度出发,提出了一种基于因果正则化极限学习机(causal regularized extreme learning machine, CRELM)的风电功率短期预测方法。首先将极限学习机(extreme learning machine, ELM)建模为结构因果模型(structural causal model, SCM),在此基础上计算隐藏层神经元与输出层神经元之间的平均因果效应向量。然后将该平均因果效应向量与输出层权重相结合构成因果正则化项,在最小化训练误差的同时最大化网络的因果关系,以进一步提升模型的预测准确性和预测稳定性。最后,以国内蒙西某风电场数据为例,与采用特征选择或不采用特征选择的预测模型相对比,验证了所提方法的有效性和适用性。
杨茂张书天王勃
关键词:极限学习机
共2页<12>
聚类工具0