午夜无码一区二区三区在线观看,18p精品无码在线观看

內容簡介

　　風光發(fā)電受氣象資源影響顯著，具有顯著的隨機性與波動性，大規(guī)模、高比例并網對電力系統(tǒng)安全經濟運行造成挑戰(zhàn)，提升預測精度可有效緩解風光發(fā)電不確定性的負面影響，對于促進風光并網消納、提升風光供電保障能力具有積極意義。另一方面，我國正穩(wěn)步推進電力市場化改革進程，風光場站作為市場主體，其發(fā)電功率預測準確性將直接關乎場站的考核與市場收益。因此，如何充分利用數(shù)值天氣預報信息，分析不同時空尺度下風光出力特性，利用先進模型與算法，準確預測風光發(fā)電功率，量化評估預測結果的不確定性，是電網調度、風光場站以及預測服務提供商持續(xù)關注的重點問題。本書的主題是對風電、光伏新能源發(fā)電的發(fā)電量進行預測。主要內容包括風光新能源發(fā)電預測背景、風光新能源發(fā)電預測基礎、風電功率單值預測、光伏功率單值預測、風光新能源發(fā)電概率預測、風光新能源發(fā)電組合預測和風光新能源發(fā)電爬坡事件預測等。本書的研究成果是對作者團隊研究成果的系統(tǒng)性總結，形成了完備的風光新能源功率預測體系，能夠代表當前風光功率預測先進技術和前沿方向，具有一定參考價值。

作者簡介

　　楊明山東大學電氣工程學院副院長、教授、博士生導師，山東省優(yōu)秀科技工作者，全球前2%ding尖科學家，國家一流課程負責人；長期從事風光新能源功率預測理論研究，擔任《電力系統(tǒng)自動化》“新能源電力系統(tǒng)預測技術及其應用”專輯特約主編、《高電壓技術》“促進可再生能源消納的發(fā)電功率預測技術及應用”專輯特邀主編，以及IEEE Transactions on Power Systems、IEEE Transactions on Industry Applications等期刊副編輯；主持多項與新能源發(fā)電功率預測相關的國家級、省部級縱向項目，包括國家重點研發(fā)計劃“大規(guī)模風電/光伏多時間尺度供電能力預測技術—極端與轉折性天氣下風電/光伏功率爬坡及供電能力不足風險預測技術”、國家自然科學基金項目“短期負荷預測自適應動態(tài)建模理論與方法研究”、國家重點研發(fā)計劃項目“促進可再生能源消納的風電/光伏發(fā)電功率預測技術及應用—多空間尺度風電/光伏短期功率預測及概率預測技術”、山東省重點研發(fā)計劃項目“數(shù)據(jù)驅動的風電預報系統(tǒng)關鍵技術研究”等。

圖書目錄

前言
第1章風光新能源發(fā)電預測背景
1.1 風光新能源發(fā)展現(xiàn)狀
1.1.1 風電發(fā)展現(xiàn)狀
1.1.2 光伏發(fā)展現(xiàn)狀
1.2 風光新能源發(fā)電預測系統(tǒng)發(fā)展歷程
1.2.1 風電預測系統(tǒng)發(fā)展歷程
1.2.2 光伏發(fā)電功率預測系統(tǒng)發(fā)展歷程
1.3 風光新能源發(fā)電預測意義
1.2.3 新能源發(fā)電預測對電力系統(tǒng)安全經濟運行的意義
1.2.4 新能源發(fā)電預測對電力市場高效運行的意義
第2章風光新能源發(fā)電預測基礎
2.1 數(shù)值天氣預報技術
2.1.1 概述
2.2.2 全球尺度數(shù)值氣象模式
2.2.3中尺度數(shù)值氣象模式
2.2.4 面向風光新能源發(fā)電預測的電力氣象預報
2.2 風光新能源發(fā)電預測分類
2.2.1 時間尺度分類
2.2.2 空間尺度分類
2.2.3 預測模型分類
2.2.4 預測形式分類
2.3 風光新能源發(fā)電預測基礎模型
2.3.1 物理模型
2.3.2 統(tǒng)計模型
2.3.3 機器學習與人工智能模型
2.4 風光新能源發(fā)電預測評價體系
2.4.1 單值預測評價
2.4.2 概率預測評價
2.4.2 事件預測評價
2.4.4 考核要求
第3章風電功率單值預測
3.1 風力發(fā)電特性分析
3.1.1 氣象相依特性
3.1.2 時序波動特性
3.2 風電場功率超短期預測
3.2.1 概述
3.2.2 基本算法原理
3.2.3 基于多變量EDM的風電功率單值預測
3.2.4 算例分析
3.3 風電場功率短期預測
3.3.1 概述
3.3.2 基于減法聚類和GK模糊聚類算法的氣象條件分類方法
3.3.3 基于氣象分類和XGBoost的短期風電場功率預測
3.3.4 算例分析
3.4 集群風電場功率預測
3.4.1 概述
3.4.2 時空特征深度挖掘的集群風電功率預測模型
3.4.3 算例分析
第4章光伏功率單值預測
4.1 光伏發(fā)電特性分析
4.1.1 氣象相依特性
4.1.2 時序波動特性
4.2 光伏功率超短期預測
4.2.1 概述
4.2.2 多時間尺度云團移動預測
4.2.3 考慮云遮擋的光伏功率超短期預測
4.2.4 算例分析
4.3 光伏功率短期預測
4.3.1 概述
4.3.2 基于高斯相似度的相似日檢索方法
4.3.3 基于相似日檢索與Light-GBM的光伏功率預測模型
4.3.4 算例分析
4.4. 分布式光伏功率預測
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 分布式光伏平穩(wěn)序列與波動序列插值過程
4.4.4 算例分析
第5章風光新能源發(fā)電概率預測
5.1 稀疏貝葉斯學習
5.1.1 概述
5.1.2 SBL原理
5.1.3 基于SBL的新能源功率概率預測——以風電為例
5.1.4 算例分析——以風電為例
5.2 分位數(shù)回歸
5.2.1 概述
5.2.2 基于非線性分位數(shù)回歸的新能源發(fā)電功率概率預測模型
5.2.3 算例分析——以風電為例
5.3 D-S證據(jù)理論
5.3.1 概述
5.3.2 誤差條件概率預測
5.3.3 D-S證據(jù)理論整合概率分布
5.3.4 算例分析——以風電為例
5.4 核密度估計
5.4.1 概述
5.4.2 基于KDE的新能源發(fā)電功率概率預測模型
5.4.3 算例分析——以光伏為例
第6章風光新能源發(fā)電組合預測
6.1 單值預測組合模型
6.1.1 概述
6.1.2 自適應增強集成模型原理
6.1.3 基于自適應增強的單值集成組合預測
6.1.4 算例分析—以光伏功率預測為例
6.2 概率預測組合模型
6.2.1 概述
6.2.2 擴展BMA模型原理
6.2.3 組合非參數(shù)概率預測—以風電為例
6.2.4 算例分析—以風電功率預測為例
第7章風光新能源發(fā)電爬坡事件預測
7.1 風電爬坡事件預測
7.1.1 概述
7.1.2 風電爬坡事件定義
7.1.3 基于樸素貝葉斯網絡的爬坡事件概率預測模型
7.1.4 算例分析
7.2光伏功率爬坡事件預測
7.2.1 概述
7.2.2 考慮日周期性影響的光伏功率爬坡事件定義
7.2.3 基于信度網絡的光伏功率爬坡事件預測
7.2.4 算例分析
參考文獻