专业术语统计报告_风光发电功率与用电负荷联合预测方法研究

专业术语统计报告_风光发电功率与用电负荷联合预测方法研究一、概要简析【概要分析】哇哦本文档《风光发电功率与用电负荷联合预测方法研究》正围绕着一个超有趣的研究主题展开了一场系统性的探索大冒险呢 文档里总共塞满了 216867 个字符宝宝其中有着 61826 个可爱的中文字符还有 15928 个活泼的英文字词真是中英文手牵手、完美搭配的学术小明星呀 我们从文档里捉住了共计 1764 个专业术语小精灵它们分布在 6 个不同的研究领域乐园里最热闹的地方主要集中在 电力系统(1482次)、概率预测(1478次)、风电功率预测(1469次) 哦。像“风”出现了 1603 次哟和“风电”出现了 591 次呢这样的高频术语小家伙们可是反映了研究中最核心的关注点呢总的来说这篇文献在相关研究领域里可是闪闪发光的学术宝藏通过系统的分析和论述为后来的研究小伙伴们提供了超级重要的理论基础和方法参考锦囊哦【数据统计】总字符数216867中文字符数61826英文字词数15928二、统计图表分析2.1 三类术语层次分布【数据统计】论文名称术语3个 (核心术语风光发电功率、联合预测方法)标题摘要术语511个 (核心术语风电、风速、风电场)正文术语1250个 (核心术语风、风电、风速)术语总数1764个频次占比论文名称 1.1% | 标题摘要 32.8% | 正文 66.1%【可视化图表】类别术语数量频次占比论文名称31671.1%标题摘要511510832.8%正文12501028566.1%总计176415560100%【图表评论】看呀旭日图就像一个大蛋糕展示了三类术语在文档不同部分的层次分布魔法从内向外层层递进分别是论文名称术语、标题摘要术语和正文术语大家庭。最里面的核心层论文名称层级藏着 3 个核心术语小宝石总频次高达 167 次占比 1.1 % 呢其中的核心成员包括“风光发电功率、联合预测方法”它们直接概括了研究最核心的主题就像是皇冠上的明珠。中间扩展层标题摘要层级住着 511 个术语小伙伴总频次 5108 次占比 32.8 %核心代表如“风电、风速、风电场”它们反映了研究的次要关键词和方法论像是给主题穿上了漂亮的外衣。最外层丰富层正文层级最为热闹非凡包含 1250 个术语大家族总频次 10285 次占比 66.1 %核心成员如“风、风电、风速”体现了研究的具体技术细节和实验方法就像是充满了细节的宝藏地图️。 从内向外逐层细化论文名称术语聚焦于研究主题标题摘要术语扩展了研究范围正文术语则深入到具体技术实现形成了完整的术语层次体系清晰地揭示了文档的知识结构真像是一棵茁壮成长的知识大树呀2.2 研究领域分布【领域分析】主要领域电力系统(1482次)、概率预测(1478次)、风电功率预测(1469次)【可视化图表】研究领域术语出现次数电力系统1482可再生能源1464负荷预测1460风电功率预测1469光伏发电功率预测1467概率预测1478总计8820【图表评论】雷达图就像一个神奇的六边形战士盾牌️展示了专业术语在六个研究领域的分布情况直观地反映了文档的学科交叉特性超级酷从图中可以看出术语分布有着这样的小秘密电力系统 出现频次最高达 1482 次表明该领域是研究最坚实的核心基础就像是大树的根。概率预测 和 风电功率预测 的频次分别为 1478 次和 1469 次构成了研究的次要支撑领域像是强壮的树枝。而 负荷预测 频次相对较低为 1460 次说明该领域在本研究中涉及较少像是在旁边悄悄探头的小花。 各领域术语分布虽然有一点点小差异但整体来说非常均衡和谐标准差为 7.7反映了研究的多学科交叉融合特点就像是一场热闹的学术派对这种分布格局表明本研究不仅深耕于核心领域同时广泛吸纳了相关学科的理论与方法形成了一个超级完整的研究体系呢2.3 专业术语分布【集中度分析】前5术语累计频次3206次前5术语累计占比30.9%前10术语累计占比40.7%【可视化图表】排名术语频次1风16032风电5913风速4214风电场3165发电功率2756辐照度2297异常数据2138功率预测2089光伏电站19110风电功率17811风光发电功率13712光伏发电功率11813运行数据11414预测精度8615风速序列82前15累计4762【图表评论】环形图和柱状图像是两个可爱的放大镜展示了高频术语的分布情况与集中度。从图中可以惊喜地发现前5个高频术语累计频次达 3206 次占总频次的 30.9 %呈现出超高的术语集中度它们可是明星中的明星呀⭐前10个高频术语累计占比达 40.7 %进一步证实了研究主题的聚焦性就像大家围着一个篝火讲故事。排名第一的术语“风”出现 1603 次是研究绝对的核心概念C位出道排名第二的术语“风电”出现 591 次排名第三的术语“风速”出现 421 次这三兄弟共同构成了研究的核心术语体系缺一不可哦从排名第 2 开始术语频次明显下降呈现出长尾分布特征就像是一条长长的尾巴表明研究围绕少数核心概念展开而其他术语则是对核心概念的补充和细化。这种分布模式符合学术文献的一般规律体现了研究的深度与广度真是太棒啦2.4 术语共现网络【共现分析】核心节点异常数据最强关联对风电 - 风 (942次)主要聚类以图像增强、注意力机制等为核心的术语聚类共现关系总数28对【可视化图表】术语A术语B共现次数发电功率风317发电功率风光发电功率173辐照度风155辐照度风速130光伏电站风92异常数据风90光伏电站风电场87功率预测发电功率85光伏电站风电84异常数据运行数据42【图表评论】术语共现网络图像是一张充满魔法的蜘蛛网️展示了高频术语之间的关联关系揭示了文档隐藏的知识结构。网络中包含 10 个节点小星星和 28 条连接线形成了一个以“异常数据”为中心的术语聚类大星球。最强关联对为“风电”与“风”它们共现次数达 942 次就像是一对形影不离的好朋友表明这两个概念在研究中有紧密的关联性。从网络结构来看主要形成了 3 个有趣的聚类小团体聚类一以“风”为核心老大包含“风速”、“发电功率”等术语小弟反映了 以风为核心的相关研究 方面的研究趣事聚类二以“风电”为首领包含“其他”、“其他”等术语成员对应 以风电为核心的相关研究 方面的精彩内容聚类三则聚焦于“风电场”相关的研究方向探索未知的领域。各聚类之间通过“异常数据”等术语小手拉小手相互连接形成了完整的知识网络。这种网络结构清晰地展示了研究的核心主题及其相互关系有助于我们理解文档的整体框架和知识体系就像是在看一张藏宝图一样清晰明了️✨2.5 核心概念词云【词云数据统计】词云术语总数20个加权总频次513.7次【可视化图表】排名术语加权频次1风160.32风电59.13风速42.14风电场31.65发电功率27.56辐照度22.97异常数据21.38功率预测20.89光伏电站19.110风电功率17.8【图表评论】词云图就像是一片五彩斑斓的术语花海通过加权频次直观呈现了文档的核心概念体系美极了图中包含 20 个术语花朵加权总频次达 513.7 次真是繁花似锦呀排名前五的术语大明星分别为“风”160.3 次、“风电”59.1 次、“风速”42.1 次、“风电场”31.6 次和“发电功率”27.5 次。这些术语的字号最大、位置最显眼构成了研究的核心概念群就像花园里最盛开的几朵牡丹。从词云的整体分布来看术语按照重要程度由大到小、由中心向四周排列形成了层次分明的视觉结构就像涟漪一样扩散开来。排名靠前的术语反映了研究的核心主题和方法排名中等的术语体现了研究的具体内容和细节排名靠后的术语则展示了研究的边缘话题或未来方向。词云图不仅总结了全文的关键概念也为读者快速把握研究要点提供了直观的视觉引导是理解文档内容的重要辅助工具简直太贴心啦2.6 英文缩写分布【缩写统计】缩写总数30个缩写总频次524次高频缩写 Top 5NWP73次SVM44次FCNN34次RMSE33次MW30次前5缩写累计占比40.8%【可视化图表】排名缩写频次1NWP732SVM443FCNN344RMSE335MW306IEEE297STCM238OIMAD219MAE2010LGBM20前10累计327【图表评论】环形图像是一个装满了英文缩写糖果的罐子展示了它们在文档中的分布情况。文档中共出现 30 个不同的英文缩写小精灵总频次达 524 次真是热闹非凡排名前五的缩写明星分别为“NWP”73 次、“SVM”44 次、“FCNN”34 次、“RMSE”33 次和“MW”30 次前5个缩写累计占比达 40.8 %呈现出超高的集中度它们是罐子里最受欢迎的口味哦从缩写的类型来看主要包括期刊名称缩写如“NWP”、作者姓名缩写如“SVM”、技术术语缩写如“FCNN”和评价指标缩写如“RMSE”等种类丰富多样这些缩写的高频出现反映了文档引用了大量该领域的经典文献采用了通用的技术术语和评价标准体现了研究的规范性和专业性就像是一位穿着得体、举止优雅的学者。缩写的分布特征也为读者理解该领域的学术交流习惯提供了参考真的是很有帮助呢三、原文章节举例3.2 风光电站异常运行数据类型梳理当前所采集到的风电场和光伏电站运行数据中存在着大量的异常数据主要原因为以下两个方面。一是受测量仪器误差、传感器故障、通信中断等因素影响导致在数据的采集阶段或传输阶段出现异常二是当可再生能源消纳空间有限且电网外送能力不足时调度部门下达的弃风弃光指令使风光电站产生大量的异常运行数据。以风电场和光伏电站实际采集到的运行数据为例对风光电站异常运行数据类型进行梳理明确各类型的异常数据形态为后续有针对性的清洗提供理论基础。由于本章中的数据清洗研究最终服务于风光发电功率预测因此分别通过风速-功率散点图与辐照度-功率散点图对风电场与光伏电站的异常运行数据类型进行梳理如图3-1所示。a风电场a) Wind farm辐照度(W/m2)(W / m^2)(W/m2)b) 光伏电站b) Solar plant图3-1 风光电站异常运行数据类型Fig.3-1 Abnormal data types in wind farm and solar plant依据异常数据形态及其出现原因可将风光电站的异常运行数据分为以下四种类型。四、原文章节举例4.2.1 独立时刻下NWP风速误差以中国北部某风电场为例本章中用风电场1指代分别采用正态分布模型和核密度估计模型拟合NWP风速整体误差及各风速段误差的频率分布。风电场1中数据长度为1年时间分辨率为10min10\mathrm{min}10min。NWP风速误差的计算公式如式(4-1)。ve r r o r(t)vN W P(t)−vm(t)(4-1) v _ {\text {e r r o r}} (t) v _ {\text {N W P}} (t) - v _ {m} (t) \tag {4-1}ve r r o r​(t)vN W P​(t)−vm​(t)(4-1)式中verror(t)v_{error}(t)verror​(t)——ttt时刻NWP风速误差(m/s)(\mathrm{m / s})(m/s)νNWP(t)\nu_{NWP}(t)νNWP​(t)一ttt时刻NWP风速(m/s)(\mathrm{m / s})(m/s)νm(t)\nu_{m}(t)νm​(t)一ttt时刻实测风速(m/s)(\mathrm{m / s})(m/s)。首先计算该风电场NWP风速的整体误差绘制误差频率分布直方图并分别采用正态分布模型与核密度估计模型对其进行拟合如图4-1所示。从图中可以看出正态分布模型与核密度估计模型均可实现对NWP风速整体误差频率分布的拟合且核密度估计模型拟合效果更好。风电场1NWP风速整体误差统计特征如下正误差最大值为15.8m/s15.8\mathrm{m / s}15.8m/s平均值为3.38 m/s3.38~\mathrm{m / s}3.38m/s负误差最大值为12.5m/s\mathrm{m / s}m/s平均值为2.54 m/s2.54~\mathrm{m / s}2.54m/s。结合图4-1可得NWP风速整体误差分布范围较大致使独立时刻下NWP风速与实测风速间的对应关系模糊。因此需要对NWP风速误差模式进行进一步分析。图4-1 风电场1中NWP风速整体误差频率分布Fig.4-1 Probability density distribution of the overall NWP wind speed error in wind farm 1以1 m/s1 \mathrm{~m} / \mathrm{s}1m/s为区间将 NWP 风速进行分段分别计算各风速段内 NWP 风速误差绘制其误差箱线图如图 4-2 所示。从图中可以看出即使 NWP 风速在较小的范围内变化1 m/s 1 \mathrm{~m} / \mathrm{s}1m/sNWP 风速误差变化范围依旧很大各风速段内误差范围最小约为9 m/s9 \mathrm{~m} / \mathrm{s}9m/s最大可达21 m/s21 \mathrm{~m} / \mathrm{s}21m/s左右。且不同 NWP 风速段内其误差范围不同随风速段的变化呈现中间较大两侧较小的趋势。在上述研究的基础上选取四个NWP风速区间0-1m/s7-8m/s14-15m/s21-22m/s)对各区间内NWP风速误差做进一步分析绘制误差频率分布直方图并分别采用正态分布模型与核密度估计模型对其进行拟合如图4-3所示。从图中可以看出不同风速段下NWP风速误差频率分布不同且在某些风速段如21−22m/s21 - 22\mathrm{m / s}21−22m/s正态分布模型无法较好的对其分布情况进行拟合。四个区间内NWP风速误差的统计特征如表4-1所示。以NWP风速在7−8m/s7 - 8\mathrm{m / s}7−8m/s为例其正误差与负误差最大值分别为6.64 m/s6.64~\mathrm{m / s}6.64m/s和9.91 m/s9.91~\mathrm{m / s}9.91m/s误差变化范围高达16.55 m/s16.55~\mathrm{m / s}16.55m/s。图4-2 风电场1中各风速区间NWP误差范围Fig.4-2 Range of NWP wind speed error per bin in wind farm 1a) NWP 风速:0−1 m/s0 - 1 \mathrm{~m} / \mathrm{s}0−1m/sb) NWP 风速:7−8 m/s7 - 8 \mathrm{~m} / \mathrm{s}7−8m/sa) NWP wind speed:0−1m/s0 - 1\mathrm{m / s}0−1m/sb) NWP wind speed:7−8m/s7 - 8\mathrm{m / s}7−8m/sc) NWP 风速:14−15 m/s14 - 15 \mathrm{~m} / \mathrm{s}14−15m/sc) NWP wind speed:14−15m/s14 - 15\mathrm{m / s}14−15m/sd) NWP 风速:21−22 m/s21 - 22 \mathrm{~m} / \mathrm{s}21−22m/sd) NWP wind speed:21−22m/s21 - 22\mathrm{m / s}21−22m/s图4-3 风电场1中各风速区间NWP误差频率分布Fig.4-3 Probability density distributions of NWP wind speed error in four bins in wind farm 1表 4-1 风电场 1 中各风速区间 NWP 误差统计数据Table 4-1 Statistics of NWP wind speed error in four bins in wind farm 1NWP 风速区间 (m/s)正误差 (m/s)负误差 (m/s)最大值平均值最大值平均值0-1--9.554.307-86.641.979.912.1814-1512.724.665.971.5521-2213.238.11--五、总结本报告对《风光发电功率与用电负荷联合预测方法研究》进行了一次超级系统的专业术语统计与分析大探险️文档总字符数 216867中文字符 61826 个英文字词 15928 个共提取专业术语 1764 个收获满满高频术语“风”1603 次、“风电”591 次等构成了研究的核心概念体系它们是整篇文档的灵魂人物哦文档涉及 6 个研究领域主要集中在 电力系统(1482次)、概率预测(1478次)、风电功率预测(1469次)体现了多学科交叉的研究特点就像是一个多元化的学术游乐园。术语共现网络包含 10 个节点和 28 条边最强关联对“风电”与“风”共现 942 次形成了以“异常数据”为中心的术语聚类关系网超级紧密️英文缩写共出现 30 个总频次 524 次前五缩写“NWP”73 次等累计占比 40.8 %反映了文档引用的经典文献和技术标准真是博学多才呀 综上本报告通过多维度术语统计全面揭示了文档的知识结构和研究焦点就像是为文档画了一幅清晰的肖像画让大家一眼就能看懂它的奥秘六、原文部分参考文献[1] 康重庆, 姚良忠. 高比例可再生能源电力系统的关键科学问题与理论研究框架[J]. 电力系统自动化, 2017, 41(9): 2-11.[2] PricewaterhouseCoopers.100%100\%100%renewable electricity: a roadmap to 2050 for Europe and North Africa[R]. London, UK, 2010.[3] National Renewable Energy Laboratory. Renewable electricity futures study[R]. Colorado, USA, 2014.[6] Zhao Y, Lehman B, Ball R, et al. Outlier detection rules for fault detection in solar photovoltaic arrays[C]. 2013 Twenty-Eighth Annual IEEE Applied Power Electronics Conference and Exposition (APEC), Long Beach, CA, USA, 17-21 Mar., 2013.[7] 杨茂江博风电功率弃风数据特征识别方法研究[J]. 中国电力2017, 50(5): 95-100.[8] Li GD, Duan ZQ, Liang L, et al. Outlier data mining method considering the output distribution characteristics for photovoltaic arrays and its application[J]. Energy Reports, 2020, 6: 2345-2357.[9] 赵永宁, 叶林, 朱倩雯. 风电场弃风异常数据簇的特征及处理方法[J]. 电力系统自动化, 2014, 38(21): 39-46.[10] 时珉, 尹瑞, 胡傲宇, 等. 基于滑动标准差计算的光伏阵列异常数据清洗办法[J]. 电力系统保护与控制, 2020, 48(6): 108-114.[11] 娄建楼, 胥佳, 陆恒, 等. 基于功率曲线的风电机组数据清洗算法[J]. 电力系统自动化, 2016, 40(10): 116-121.[12] 刘小瑞. 基于数据驱动的风电场功率预测及其在源荷协调中的应用[D]. 湖南湘潭大学2018.[13] Ye X, Lu ZX, Qiao Y, et al. Identification and correction of outliers in wind farm time series power data[J]. IEEE Transactions on Power Systems, 2016, 31(6): 4197-4205.[14] Hu Y, Qiao YL, Liu JZ, et al. Adaptive confidence boundary modeling of wind turbine power curve using SCADA data and its application[J]. IEEE Transactions on Sustainable Energy, 2019, 10(3): 1330-1341.