💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者
📝目前更新：🌟🌟🌟电力系统相关知识，期刊论文，算法，机器学习和人工智能学习。
🚀支持：🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话，可以关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！👨🎓博主课外兴趣：中西方哲学，送予读者：
👨💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。
或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎
📋📋📋本文目录如下：⛳️⛳️⛳️
目录
1 概述
21 世纪最重要的问题之一是能源生产。事实上，很长一段时间以来，我们已经认识到我们的能源生产系统并不稳定，面对指数级的人口增长和较小程度的气候变化，这种情况不会长期保持稳定。因此，我们必须改变我们的能源生产模式才能拥有一个固定的系统。我们必须记住，我们的能源生产系统是当前不可避免的全球挑战。由于几个原因，能源部门非常复杂。它的复杂性之一是高度技术化的过程，并且每个行业都有其特定的特征。能源是各国经济发展的关键点。当一个国家的电力崩溃时，它会产生许多经济损失。我们可以用县的国内生产总值（GDP）乘以崩溃的时间来衡量这些损失。因此，高效的电网对于保持经济增长至关重要。
如今，短期的风电功率预测是一项至关重要的挑战。特别是风力发电，波动较大，不容易预测。本文基于概率预测框架，并应考虑该随机过程的非线性和双界性质。广义对数正态分布和边界概率质量的离散和连续混合用于提供概率预测。 Pinson (2012) 表明，该方法优于风力发电生产的经典模型，后者假设预测密度的形状遵循正态和 Beta 分布。为了估计位置和尺度参数，设计了简单的自回归和自回归移动平均模型。本文的第一个目的是通过引入风力发电位置的动态结构来扩展 Pinson (2012) 模型。第二个目的是分析所提出模型的预测能力。
本文包括一下内容：
1 概述
2 定义和背景
3 预测方法
4 动态模型
5 评价方法
6 运行结果
7 Matlab代码
8 结论与讨论
2 定义与背景
在本章中，介绍风力发电分布和数据转换的关键假设。自拉普拉斯时代以来，正态分布在理论和应用统计中发挥了重要作用。尽管如此，很明显正态分布不能正确地表示统计域中的所有分布。在 19 世纪末，许多数学家随后尝试构建频率曲线系统，以便提供比正态曲线更广泛的分布。因此，在过去所做的许多工作的基础上，我们可以有一个比正态分布更好的分布来模拟风力发电。一个好的模型应该考虑风数据的一些众所周知的特征。正如引言中提到的，风电变量的一个基本特征是它是双界的，即该变量可以在零（零产量）和其标称容量（最大产量）之间取值。我们可以用 ! 表示标称容量。它可以取决于框架，在某种意义上，如果研究应用于特殊风力涡轮机或一般风电场，或者还应用于风能组合能源。此外，如 Pinson (2012) 所述，风能变量的特征是风速的非线性函数。此外，风能测量和预测由标称容量（！）标准化。因此，变量可以取范围 [0,1] 之间的值。因此，在这项工作的其余部分中，风能测量将始终被视为标准化。这些关于风力发电建模的各种特征表明，预测密度不可能是高斯的。此外，对于风电时间序列的任何时间分辨率和所考虑的任何预测范围，这一关键结果都是正确的。特别是，Pinson (2012) 展示了广义 logit 正态分布优于风力发电建模的经典分布，后者是正态分布和 Beta 分布。数学描述见第六部分。
3 预测方法
许多作者，如 Lange (2005) 和 Pinson (2006)，已经证明预测误差分布的标准差与其条件期望直接相关。这种特殊性与时期、范围和预测模型无关。因此，与风力发电相关的预测密度不应忽视这一特征。特别是，Pinson (2012) 提到了这个问题，对风能时间序列使用合适的 GL 变换通过假设变换后的预测密度的方差独立于其平均值来减轻影响。考虑到这些特征，我们假设风力发电的预测密度在时间
为：
详细解释见第六部分。
4 动态模型
5 评价方法
6 运行结果
6.1 算例1结果
6.2 算例2
8 结论与讨论
9 Matlab代码实现
博客主页：电气辅导帮
3036
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
