Power prediction of a wind farm cluster based on spatiotemporal correlations

风力发电 人工神经网络 计算机科学 风速 电力系统 星团(航天器) 功率(物理) 气象学 数据挖掘 环境科学 工程类 人工智能 地理 物理 电气工程 量子力学 程序设计语言
作者
Jiaan Zhang,Dong Liu,Zhijun Li,Xu Han,Hui Liu,Cun Dong,Junyan Wang,Chenyu Liu,Yunpeng Xia
出处
期刊:Applied Energy [Elsevier]
卷期号:302: 117568-117568 被引量:54
标识
DOI:10.1016/j.apenergy.2021.117568
摘要

Accurate power prediction of wind farm clusters is important for safe and economic operation of power systems with high wind power penetration. Current superposition and statistical scaling methods used in wind power prediction systems do not fully consider the relationships among wind farms in a cluster, thereby leading to insufficient power prediction accuracies. To improve the power prediction accuracy of wind farm clusters, a new method based on spatiotemporal correlations is proposed herein. First, three correlation coefficients are used to represent spatiotemporal correlation characteristics of wind farms in a wind cluster. The Shapley value method is used to weight these coefficients, and a standard wind farm is found by combining the nominal capacities of the wind farms. Then, considering the spatiotemporal factors that affect wind power generation, a characteristic matrix of the wind farm cluster is constructed, and the key characteristics are extracted using a convolutional neural network (CNN). Considering the time series characteristics of wind power generation, a long and short term memory (LSTM) neural network is used to establish the mapping relationship between key characteristics and power generation, and power prediction of a wind farm cluster is performed. Finally, by utilizing the actual operating data of wind farm clusters in North China as an example, feasibility and effectiveness of the proposed method are verified. The proposed system provides a new high-precision method for future wind farm cluster power predictions.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
爱吃马铃薯完成签到,获得积分10
1秒前
叮当应助鱼鱼鱼采纳,获得10
1秒前
JamesPei应助兰东平采纳,获得10
2秒前
wangke完成签到,获得积分10
2秒前
爱静静应助linn采纳,获得10
3秒前
laogao完成签到,获得积分10
3秒前
Tim完成签到 ,获得积分10
3秒前
慕白完成签到,获得积分10
4秒前
狗儿吖完成签到 ,获得积分10
5秒前
F_ken完成签到 ,获得积分10
6秒前
心愿完成签到,获得积分10
10秒前
愉快的冰萍完成签到 ,获得积分10
11秒前
Jessie完成签到 ,获得积分10
11秒前
好事发生666完成签到,获得积分10
12秒前
脱糕完成签到,获得积分10
13秒前
菲1208发布了新的文献求助10
15秒前
dwl完成签到 ,获得积分10
16秒前
研友_Z1xNWn完成签到,获得积分10
16秒前
GERRARD完成签到,获得积分10
17秒前
TEY完成签到 ,获得积分10
18秒前
20秒前
seattle发布了新的文献求助10
21秒前
郑郑郑幸运完成签到 ,获得积分10
21秒前
21秒前
俭朴的皮卡丘完成签到 ,获得积分10
22秒前
科研通AI2S应助小绵羊采纳,获得10
24秒前
liuchao完成签到,获得积分10
24秒前
YEFEIeee完成签到 ,获得积分10
24秒前
25秒前
FZUer完成签到,获得积分10
25秒前
JIE完成签到 ,获得积分10
27秒前
任伟超完成签到,获得积分10
27秒前
wws完成签到 ,获得积分10
29秒前
小七完成签到,获得积分10
29秒前
酷小裤完成签到,获得积分10
29秒前
健忘的千凡完成签到,获得积分20
29秒前
李虎完成签到 ,获得积分10
30秒前
ChemistryZyh完成签到,获得积分10
30秒前
没头脑和不高兴完成签到 ,获得积分10
31秒前
飞飞飞发布了新的文献求助10
31秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
叶剑英与华南分局档案史料 500
Foreign Policy of the French Second Empire: A Bibliography 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3146969
求助须知:如何正确求助?哪些是违规求助? 2798221
关于积分的说明 7827159
捐赠科研通 2454808
什么是DOI,文献DOI怎么找? 1306480
科研通“疑难数据库(出版商)”最低求助积分说明 627788
版权声明 601565