基于Copula理论的风/光出力预测误差分析方法的研究

准确预测风/光出力能够提高电力系统经济调度的可靠性。本文提出了一种新型的风/光出力预测误差分析方法,在基于点预测数据基础上,针对风电出力和光伏出力点预测精度不高的问题,采用Copula函数分别计算风电出力和光伏出力的实际值和预测值的联合概率分布,采用聚类的方法分别按天气类型和季度分析历史数据,分别对风电出力和光伏出力预测误差进行建模以提高预测精度,同时在各环境下考虑风电场和光伏电站的相关特性,使预测更加准确。以某风/光电站实际出力数据、天气、时间等为样本进行了实例研究,通过与传统预测方法进行对比验证了模型的精确性。     

基于相似时刻的光伏出力概率分布估计方法

针对光伏发电可预测性低的问题,提出了一种综合使用通径分析(path analysis,PA)、k近邻算法(k-Nearest Neighbor,KNN)、神经网络分位数回归(quantile regression neural network,QRNN)和核密度估计(kernel density estimator,KDE)的光伏出力概率分布估计方法,构造出未来1 d任意时刻的光伏出力概率密度函数,可以得到比点预测和区间预测更多的有用信息。首先由通径分析对气象因素进行约减,在降低模型输入维数的基础上减小变量间的耦合作用。然后通过K-means算法按天气类型对历史样本进行聚类,进一步提高相似样本的筛选效果。最后利用神经网络分位数回归和核密度估计对光伏出力的概率分布进行估计。实验结果表明,相比于核密度估计和传统的正态分布估计方法,采用所提方法估计出的概率分布的可靠性和锐度更高。     

基于典型天气类型计及随机预测误差的光伏发电短期预测研究

光伏发电出力与天气类型有直接关系,越是多云或是阴雨天气,光伏出力预测的误差越大。基于典型天气类型的划分,提出了一种计及预测相对误差的考虑“相关影响因子”的光伏出力预测模型。定义了典型天气类型并据此对历史数据进行了划分,提出了光伏出力预测的“相关影响因子”;利用t Location-Scale分布建立了光伏出力预测的相对误差概率模型,采用拉丁超立方技术进行了预测相对误差的样本抽取;将光伏预测的相对误差其与预测值进行叠加得到了最终的预测结果。利用算例证明了所建模型的可行性和有效性。     

考虑空间相关性和天气类型划分的多光伏电站时间序列建模方法

提出了一种考虑多光伏电站在地理位置及天气类型上的相关性、适用于电力系统中长期规划及电网运行方式安排的光伏发电时间序列建模方法。首先分析了光伏发电时间序列相关性的影响因素及表达方式,根据地位位置与天气类型两方面影响因素将光伏出力分为净空出力与相对出力两部分,其中净空出力能够准确表达光伏电站间的空间相关性,相对出力的聚类识别及分解能够有效体现各电站天气类型大概率相同前提下波动出力的随机性。在此基础之上,提出了基于空间相关性及天气类型划分的光伏发电时间序列建模方法,建模生成的光伏发电时间序列不仅继承了原始序列的单电站均值、方差、概率分布及波动等出力特性,而且保留了多个场站在不同时间维度上的出力相关性。最后基于某省光伏电站的实测出力数据进行模拟仿真,分析验证了文中建模方法的有效性。     

考虑空间相关性的分布式光伏发电出力预测及误差评价指标研究

对于待预测的分布式光伏电站,基于已提出的大规模区域光伏分群方法,提出了筛选良好空间相关性光伏电站群的光伏发电出力预测方法。首先,对待预测电站的出力数据进行了天气类型划分;其次,选择与待预测电站具有相关关系的光伏电站作为相关性从站,并采取ARIMA模型识别待预测电站与从站之间的时间、空间关系,继而对待预测电站的出力进行预测;然后,通过多种预测误差指标对比,提出了更符合光伏预测的误差评价指标,即引用误差,以突显高功率输出的预测精度;最后,通过典型电站以及整个区域里所有分布式光伏用户的滚动预测和误差分析,证明了所提方法的普遍适用性。     

计及出力水平影响与自相关性的风电预测误差模拟方法

风电的预测误差不仅受预测出力水平的影响,而且时序上也存在显著的自相关性,基于此,提出一种兼顾两方面特征的风电预测误差模拟方法。充分利用Copula函数在描述变量间相关性方面的优势,通过分析风电出力的预测值与实际值间的联合概率分布,确定不同预测出力水平下预测误差的条件分布函数,对相邻时刻预测误差的相关性进行建模,并结合预测误差的条件分布函数,生成具有特定相关关系的备选数据列。顺次以前一时刻的预测误差为依据,从备选数据列中选取相应数据组成预测误差的模拟序列。算例仿真验证了所提方法的有效性。     

基于时空图网络的分布式光伏发电出力预测

为提高分布式光伏发电出力预测的精度，提出一种针对分布式系统的时空相关性建模方法，并结合深度自注意力网络实现出力预测。首先，分析光伏出力的影响因素及其量化方式，基于注意力机制赋予历史数据不同权重，并针对部分数据缺失及长序列处理等实际应用问题提出相应注意力机制改进策略；然后，计算不同站点间距离及历史出力数据相关性，利用矩阵变换实现特征融合；最后，以某地区分布式光伏系统的实测数据验证了所提方法的有效性，在不同场景、不同天气类型下预测准确率均显著提高。     

基于灰色神经网络组合模型的光伏短期出力预测

光伏发电系统输出功率具有不确定性特征,为了减轻其对电网的影响,有必要进行光伏出力预测。文中提出了一种基于灰色神经网络组合模型的方法对光伏出力进行预测。该方法是对传统直接预测和间接预测方法的结合,考虑了影响光伏出力的主要因素,通过统计与预测日相似天气条件下整点时刻的光伏出力,建立了各时刻出力的灰色模型,然后利用灰色模型的输出和温度数值与实测出力值建立神经网络预测模型,最终得到预测结果。文中采用实际光伏出力数据对灰色模型、神经网络模型、灰色神经网络组合模型3种预测方法进行了结果对比。算例结果表明,所提出的灰色神经网络组合预测模型能够更为精确地对光伏出力进行预测,因而具有潜在的应用价值。     

基于EMD-LSTM的光伏发电预测模型

随着能源消费结构的改变,可再生能源发电的消纳比例逐渐上升。文中以光伏发电功率为研究对象,分析了不同天气状态下的发电功率曲线特性及不同气象因素与光伏发电出力的相关性,进而提出了一种经验模态分解-长短期记忆神经网络(EMD-LSTM)方法融合的光伏发电功率预测模型。首先对预处理后的光伏发电功率历史序列进行重构,并对重构后的出力序列进行EMD分解,针对分解得到的各子序列分别建立长短期记忆神经网络模型,最后将各子序列预测模型得到的结果叠加得到光伏发电功率预测值。采用国内某地区光伏发电的实际出力数据对模型进行了检验,与滑动平均自回归模型(ARIMA)、支持向量机模型(SVM)、LSTM等预测模型相比,文中所提出的模型预测误差小,能有效提高光伏发电功率的预测精度。     

基于多变量灰色模型的光伏短期预测

由于具有随机性与间歇性,属于清洁能源的光伏发电也给电网的稳定运行带来不利影响,因此需要对光伏出力进行准确预测,以便进行合理调度,保障电网安全性与经济收益.通过光伏出力的特性公式与实际物理环境挖掘影响光伏出力的影响因素,针对阴天情况将影响因素进行组合并纳入多变量灰色模型并进行预测建模,对光伏阵列在短期内的出力值进行预测.最后进行模型准确度的评估与误差定量分析,得出该方法可行性较高的结论.     

基于多源气象预报总辐照度修正的光伏功率短期预测

针对单一气象预报源可能存在的误报和偏差问题,提出一种基于多源气象预报总辐照度修正的光伏功率短期预测方法。根据功率序列特征,采用自组织映射神经网络聚类算法实现历史数据广义天气类型划分。按照晴朗程度实现广义天气类型与公共气象服务天气类型预报的匹配对应,并计算不同广义天气类型总辐照度各等级之间的折算系数。在计算各广义天气类型系统误差的基础上,如果预测日数值天气预报广义天气类型分类结果与公共气象服务天气类型预报的一致,则叠加修正总辐照度系统误差;否则,采用树扩展朴素贝叶斯算法计算2种广义天气类型的转移概率,在修正系统误差后利用折算系数计算公共气象服务天气类型预报对应广义天气类型的总辐照度序列,并根据转移概率设定权重系数进一步修正总辐照度序列。建立预测模型,基于遗传算法优化的反向传播神经网络获得光伏功率短期预测结果。利用某光伏电站的实际运行数据和气象预报数据验证了模型的有效性。     

分布函数差异化导向的风电功率预测误差气象条件概率建模方法

从统计学角度分析条件概率分布的差异性对于随机决策问题的重要性,并提出一种分布函数差异化导向的风电功率预测误差气象条件概率建模方法。以预测误差概率分布总体差异程度最大化为目标,利用改进的K-means算法进行气象数据聚类,并基于聚类结果对风电功率预测误差数据进行分箱;采用通用分布拟合不同气象模式的误差概率密度,得到解析化的风电功率预测误差气象条件概率分布。利用支持向量机实现气象模式识别,从而基于数值天气预报为调度计算提供相应气象模式下的误差条件概率模型。以中国华北地区某风电场历史数据为例,验证了所提方法的有效性,且相较于不考虑气象的简单统计频次模型,所提模型可使系统的风电消纳水平得到有效提升。     

基于PNN/PCA/SS-SVR的光伏发电功率短期预测方法

光伏发电功率预测对太阳能开发利用、电网稳定安全运行具有重要意义。提出一种融合了概率神经网络(PNN)、主成分分析法(PCA)、分散搜索(SS)和支持向量机回归(SVR)的光伏输出功率预测模型。首先结合天气信息通过PNN将天气划分为晴、多云、阴、雨4种类型,然后在每种天气类型下,利用PCA对影响光伏出力的多个气象因素,如太阳辐射强度、温度和相对湿度等进行降维、转换成少数几个主成分作为输入向量,最后建立SS算法优化SVR的光伏发电功率短期预测模型。结果表明,该模型实现了对不同天气类型下的光伏出力较为精准的预测,具有一定的可行性及指导意义。     

基于神经网络的光伏阵列发电预测模型的设计

随着光伏发电系统容量的不断扩大,光伏阵列发电预测技术对于减轻光伏阵列输出电能的随机性对电力系统的影响具有重要意义.本文提出了一种加入天气预报信息的神经网络发电预测模型的设计方案.结合历史发电量数据和气象数据分析了影响光伏阵列发电量的各项因素,采用光伏阵列的发电量序列、日类型指数和气温建立了神经网络预测模型,并对训练好的模型进行了测试和评估.预测结果表明,预测模型有较高的精度,能够解决光伏发电的随机化问题,提高系统的稳定运行能力.     

基于双层BP神经网络的光伏电站输出功率预测

光伏电站输出功率对电网调度有很大影响,但受到太阳辐射强度和气象因素的影响,光伏电站输出功率具有随机性和不可控性。为合理利用光伏发电系统,建立一种基于气象预测信息以及BP神经网络的光伏电站输出功率预测模型。通过相关性分析确定影响光伏出力的影响因子,结合历史数据和气象因素进行模型训练和功率预测。文中主要提出一种新的预测模型-双层BP神经网络模型,通过对某光伏电站预测结果与实测值对比,结果表明该方法能有效提高光伏电站输出功率预测精度,对发电计划的制定有较好的参考价值和实用价值。     

基于MIE-LSTM的短期光伏功率预测

提升精细化的光伏预测技术对电力系统的实时调度运行至关重要。它不仅依赖于预测模型的优劣,还依赖于训练样本日与预测日的相似程度。提出一种基于MIE-LSTM的短期光伏功率预测方法。在建立基于互信息熵(Mutual Information Entropy, MIE)的相关性衡量指标基础上,计算出光伏功率与各气象因素间的互信息熵,从而对高维气象数据进行降维处理。然后,利用历史日与预测日多维气象因素间的加权互信息熵筛选出相似日样本。最后,通过长短期记忆(Long-short Term Memory, LSTM)神经网络预测模型训练并建立气象因素与光伏出力之间的映射关系。通过对某实测光伏电站不同天气类型下的发电功率进行预测分析,验证了新方法能够达到理想的预测精度。     

基于自适应扩散核密度估计的时序相关概率最优潮流计算方法

为准确评估光伏与负荷的时序性和相关性对电力系统运行状态的影响,提出一种基于自适应扩散核密度估计的时序相关概率最优潮流计算方法。首先,利用光伏出力的自适应扩散核密度估计模型将高斯核函数转换为线性扩散过程,采用渐进积分误差法(asymptotic mean integrated squared error,AMISE)为扩散核函数选取自适应最优带宽,提高了光伏出力模型的局部适应性;其次,利用Copula理论构建光伏与负荷的时序联合概率分布模型,并获取具有相关性的时序光伏出力与负荷样本,进而提出能够准确计及光伏与负荷时序性和相关性的概率最优潮流计算方法;最后基于我国某地光伏电站实测数据与IEEE30节点系统进行仿真分析,验证了所提出计及光伏出力与负荷时序相关性的概率最优潮流计算方法的准确性与有效性。     

基于光照过程特征分析的光伏功率异常数据识别算法

高质量的光伏功率数据是进行光伏研究的基础,而从光伏电站采集到的数据含有较大比例的异常数据,因此须对光伏功率异常数据进行识别。将不同光照特性的光伏功率数据分别进行建模,对辐照度与功率的概率分布函数进行Copula联合分布函数构建。利用基于经验函数的BFGS参数估计方法对各类Copula函数进行参数估计。参照各Copula函数与经验联合分布函数的欧氏距离与K-S值进行Copula函数选取。结合估计区间最窄原则得出光伏功率条件概率分布90%置信度下的概率功率曲线。根据工程经验以及考虑异常数据时序特性,依照四类异常数据的判别准则,建立异常数据识别模型。利用光伏电站原始数据与人工合成异常数据进行仿真分析,结果表明所提方法能有效、准确地识别出各类异常数据。