基于实测数据的风电场相邻日有功出力相关性研究

随着我国对可再生能源扶持力度的加大,风电装机容量也不断增大.由于我国北方地区冬季的供热需求量很高,致使冬季风能利用率不高、弃风现象严重,为了更加合理地利用风能资源,风电场历史运行数据成为必不可少的资料.利用Copula函数对北方地区某风电场非供热期相邻日有功出力进行计算,得到相邻日之间的联合概率密度分布图、联合分布函数图及相关系数.在此基础上,对相邻日有功出力的相关性进行定量研究,分析其随时间的变化情况,探讨风电场相邻日之间有功出力相关性.通过研究历史相邻日有功出力的相关性为研究未来相邻日有功出力相关性打下基础,同时也为电力系统工程调度运行管理人员提供一定的参考.

基于灰色系统校正-小波神经网络的光伏功率预测

为提高非理想天气条件下的光伏功率预测精度,提出基于灰色系统校正-小波神经网络(wavelet neural network,WNN)的预测方法。首先以基于相似日算法的WNN进行逐时功率预测,并进行累加获得日累加功率。根据光伏出力历史数据,确定各广义天气类型的平均偏差比,并以平均偏差比进行平滑处理后的相邻日功率建立离散灰色系统模型(discrete gray model,DGM),进行日总功率预测并获得及其判断区间。最后以日总功率值判断区间为标准对累加功率值进行校正,得到校正后的各时段的预测值。算例结果验证了所提方法的有效性。

一种光伏功率预测的RBF神经网络校正模型

提出一种基于灰色系统校正的RBF神经网络光伏功率预测模型。从提高预测精度的角度出发,本文采用具有较强拟合能力的RBF神经网络,对非理想条件下光伏出力进行预测。为了进一步提高预测精度,通过以相邻日数据为样本,构建的灰色系统模型,对光伏出力预测结果进行校正,确定最终的光伏功率预测值。通过对预测结果的比较分析,验证所提算法的准确性,减小了单独使用RBF神经网络进行预测所产生的误差。

2010—2019年长沙市相邻两日温差对人群死亡影响的时间序列研究

目的通过描述2010—2019年长沙市气象因素与人群非意外死亡情况,探索相邻两日温差对人群死亡影响的关联强度和模式,为制定人群健康保护策略提供针对性的参考。方法通过泊松广义线性回归模型和分布滞后非线性模型,研究相邻两日温差对不同人群的死亡风险和滞后模式。结果长沙市2010—2019年非意外死亡人数为404328人,其中65岁以上占74.18%,男性占58.98%,呼吸系统疾病死亡占11.11%,心脑血管疾病死亡占54.47%。该研究时长为3652 d,日最高平均温度为35.8℃,日最低温度为-2.80℃。相邻两日温差的变化范围为-12.30℃~10.80℃,每增加1℃能增加人群1.12%的死亡风险(RR=1.0112,95%CI:1.0061~1.0164),其影响在暴露后第4 d达到最大。通过年龄、性别、病因分组研究发现,相邻两日温差对65岁以上、男性、患有呼吸系统疾病人群影响更大。结论相邻两日温差和长沙市非意外死亡人数呈现正相关,且具有明显的滞后效应;当相邻两日温差发生巨大变化时,应该加强患有呼吸系统疾病男性年老人群的保护,以减少相邻两日温差变化的带来影响。