风光新能源发电先进预测技术

作者简介

插图

参考文献

7.3 本章小结

7.2.4 算例分析

7.2.3 基于信度网络的光伏功率爬坡事件预测

7.2.2 考虑日周期性影响的光伏功率爬坡事件定义

7.2.1 概述

7.2 光伏功率爬坡事件预测

7.1.4 算例分析

7.1.3 基于朴素贝叶斯网络的爬坡事件概率预测模型

7.1.2 风电爬坡事件定义

7.1.1 概述

7.1 风电爬坡事件预测

Chapter 7 第7章 风光新能源发电爬坡事件预测

6.3 本章小结

6.2.4 算例分析——以风电功率预测为例

6.2.3 组合非参数概率预测——以风电为例

6.2.2 扩展BMA模型原理

6.2.1 概述

6.2 概率预测组合模型

6.1.4 算例分析——以光伏功率预测为例

6.1.3 基于自适应增强的单值集成组合预测

6.1.2 自适应增强集成模型原理

6.1.1 概述

6.1 单值预测组合模型

Chapter 6 第6章 风光新能源发电组合预测

5.5 本章小结

5.4.3 算例分析——以光伏为例

5.4.2 基于KDE的新能源发电功率概率预测模型

5.4.1 概述

5.4 核密度估计

5.3.4 算例分析——以风电为例

5.3.3 D-S证据理论整合概率分布

5.3.2 误差条件概率预测

5.3.1 概述

5.3 D-S证据理论

5.2.3 算例分析——以风电为例

5.2.2 基于非线性分位数回归的新能源发电功率概率预测模型

5.2.1 概述

5.2 分位数回归

5.1.4 算例分析——以风电为例

5.1.3 基于SBL的新能源功率概率预测——以风电为例

5.1.2 SBL原理

5.1.1 概述

5.1 稀疏贝叶斯学习

Chapter 5 第5章 风光新能源发电概率预测

4.5 本章小结

4.4.4 算例分析

4.4.3 分布式光伏平稳序列插值与波动序列插值过程

4.4.2 基于小波包算法的分布式光伏功率序列分解

4.4.1 概述

4.4 分布式光伏功率预测

4.3.4 算例分析

4.3.3 基于相似日检索与Light-GBM的光伏功率预测模型

4.3.2 基于高斯相似度的相似日检索方法

4.3.1 概述

4.3 光伏功率短期预测

4.2.4 算例分析

4.2.3 考虑云遮挡的光伏功率超短期预测

4.2.2 多时间尺度云团移动预测

4.2.1 概述

4.2 光伏功率超短期预测

4.1.2 时序波动特性

4.1.1 气象相依特性

4.1 光伏发电特性分析

Chapter 4 第4章 光伏功率单值预测

3.5 本章小结

3.4.3 算例分析

3.4.2 时空特征深度挖掘的风电集群功率预测模型

3.4.1 概述

3.4 风电集群功率预测

3.3.4 算例分析

3.3.3 基于气象分类和XGBoost的短期风电场功率预测

3.3.2 基于减法聚类和GK模糊聚类算法的气象条件分类方法

3.3.1 概述

3.3 风电场功率短期预测

3.2.4 算例分析

3.2.3 基于多变量动态规律建模方法的风电功率单值预测

3.2.2 基本算法原理

3.2.1 概述

3.2 风电场功率超短期预测

3.1.2 时序波动特性

3.1.1 气象相依特性

3.1 风电特性分析

Chapter 3 第3章 风电功率单值预测

2.5 本章小结

2.4.4 考核要求

2.4.3 事件预测评价

2.4.2 概率预测评价

2.4.1 单值预测评价

2.4 风光新能源发电预测评价体系

2.3.3 机器学习与人工智能模型

2.3.2 统计模型

2.3.1 物理模型

2.3 风光新能源发电预测基础模型

2.2.4 预测形式分类

2.2.3 预测模型分类

2.2.2 空间尺度分类

2.2.1 时间尺度分类

2.2 风光新能源发电预测分类

2.1.4 面向风光新能源发电预测的电力气象预报

2.1.3 中尺度（区域）数值气象模式

2.1.2 全球尺度数值气象模式

2.1.1 概述

2.1 数值天气预报技术

Chapter 2 第2章 风光新能源发电预测基础

1.4 本章小结

1.3.2 新能源发电预测对电力市场高效运行的意义

1.3.1 新能源发电预测对电力系统安全经济运行的意义

1.3 风光新能源发电预测意义

1.2.2 光伏发电功率预测系统发展历程

1.2.1 风电预测系统发展历程

1.2 风光新能源发电预测系统发展历程

1.1.2 光伏发展现状

1.1.1 风电发展现状

1.1 风光新能源发展现状

Chapter 1 第1章 风光新能源发电预测背景

PreFace 前言

本书特点

版权页

封面

封面

版权页

本书特点

PreFace 前言

Chapter 1 第1章 风光新能源发电预测背景

1.1 风光新能源发展现状

1.1.1 风电发展现状

1.1.2 光伏发展现状

1.2 风光新能源发电预测系统发展历程

1.2.1 风电预测系统发展历程

1.2.2 光伏发电功率预测系统发展历程

1.3 风光新能源发电预测意义

1.3.1 新能源发电预测对电力系统安全经济运行的意义

1.3.2 新能源发电预测对电力市场高效运行的意义

1.4 本章小结

Chapter 2 第2章 风光新能源发电预测基础

2.1 数值天气预报技术

2.1.1 概述

2.1.2 全球尺度数值气象模式

2.1.3 中尺度（区域）数值气象模式

2.1.4 面向风光新能源发电预测的电力气象预报

2.2 风光新能源发电预测分类

2.2.1 时间尺度分类

2.2.2 空间尺度分类

2.2.3 预测模型分类

2.2.4 预测形式分类

2.3 风光新能源发电预测基础模型

2.3.1 物理模型

2.3.2 统计模型

2.3.3 机器学习与人工智能模型

2.4 风光新能源发电预测评价体系

2.4.1 单值预测评价

2.4.2 概率预测评价

2.4.3 事件预测评价

2.4.4 考核要求

2.5 本章小结

Chapter 3 第3章 风电功率单值预测

3.1 风电特性分析

3.1.1 气象相依特性

3.1.2 时序波动特性

3.2 风电场功率超短期预测

3.2.1 概述

3.2.2 基本算法原理

3.2.3 基于多变量动态规律建模方法的风电功率单值预测

3.2.4 算例分析

3.3 风电场功率短期预测

3.3.1 概述

3.3.2 基于减法聚类和GK模糊聚类算法的气象条件分类方法

3.3.3 基于气象分类和XGBoost的短期风电场功率预测

3.3.4 算例分析

3.4 风电集群功率预测

3.4.1 概述

3.4.2 时空特征深度挖掘的风电集群功率预测模型

3.4.3 算例分析

3.5 本章小结

Chapter 4 第4章 光伏功率单值预测

4.1 光伏发电特性分析

4.1.1 气象相依特性

4.1.2 时序波动特性

4.2 光伏功率超短期预测

4.2.1 概述

4.2.2 多时间尺度云团移动预测

4.2.3 考虑云遮挡的光伏功率超短期预测

4.2.4 算例分析

4.3 光伏功率短期预测

4.3.1 概述

4.3.2 基于高斯相似度的相似日检索方法

4.3.3 基于相似日检索与Light-GBM的光伏功率预测模型

4.3.4 算例分析

4.4 分布式光伏功率预测

4.4.1 概述

4.4.2 基于小波包算法的分布式光伏功率序列分解

4.4.3 分布式光伏平稳序列插值与波动序列插值过程

4.4.4 算例分析

4.5 本章小结

Chapter 5 第5章 风光新能源发电概率预测

5.1 稀疏贝叶斯学习

5.1.1 概述

5.1.2 SBL原理

5.1.3 基于SBL的新能源功率概率预测——以风电为例

5.1.4 算例分析——以风电为例

5.2 分位数回归

5.2.1 概述

5.2.2 基于非线性分位数回归的新能源发电功率概率预测模型

5.2.3 算例分析——以风电为例

5.3 D-S证据理论

5.3.1 概述

5.3.2 误差条件概率预测

5.3.3 D-S证据理论整合概率分布

5.3.4 算例分析——以风电为例

5.4 核密度估计

5.4.1 概述

5.4.2 基于KDE的新能源发电功率概率预测模型

5.4.3 算例分析——以光伏为例

5.5 本章小结

Chapter 6 第6章 风光新能源发电组合预测

6.1 单值预测组合模型

6.1.1 概述

6.1.2 自适应增强集成模型原理

6.1.3 基于自适应增强的单值集成组合预测

6.1.4 算例分析——以光伏功率预测为例

6.2 概率预测组合模型

6.2.1 概述

6.2.2 扩展BMA模型原理

6.2.3 组合非参数概率预测——以风电为例

6.2.4 算例分析——以风电功率预测为例

6.3 本章小结

Chapter 7 第7章 风光新能源发电爬坡事件预测

7.1 风电爬坡事件预测

7.1.1 概述

7.1.2 风电爬坡事件定义

7.1.3 基于朴素贝叶斯网络的爬坡事件概率预测模型

7.1.4 算例分析

7.2 光伏功率爬坡事件预测

7.2.1 概述

7.2.2 考虑日周期性影响的光伏功率爬坡事件定义

7.2.3 基于信度网络的光伏功率爬坡事件预测

7.2.4 算例分析

7.3 本章小结

参考文献

插图

作者简介