考虑风电功率爬坡的功率预测-校正模型

随着大规模风电接入电力系统,风电功率爬坡事件对电网的安全稳定运行带来一定的影响。研究爬坡事件发生时的功率预测已越来越迫切。基于极限学习机理论,提出了一种考虑风电功率爬坡事件的超短期功率预测和校正模型。首先,利用最优旋转门算法对当前爬坡事件进行识别,提取爬坡事件特征值,建立模糊C均值聚类模型以得到同类数据,在此基础上,采用极限学习机算法对上述数据进行训练、预测,通过元组向量时间扭曲法在历史风电功率预测爬坡事件库中寻找与当前风电功率预测结果相似的爬坡事件,得到功率预测历史相似爬坡事件。最后,利用功率预测历史匹配值与实际值之间的特征值误差,对风电功率预测结果进行修正。算例表明,所提方法可准确识别风电功率爬坡事件、有效提高风电功率超短期预测精度。     

基于动态时间规整的风电功率爬坡滚动修正模型

不断提高风电爬坡事件特征量的预测精度对电力系统安全稳定运行意义重大.因此,提出一种爬坡事件特征量与数值天气预报(NWP)气象数据相结合的风电爬坡滚动修正模型.首先,基于PRAA算法获得历史数据库与预测数据库中的所有爬坡事件特征量,建立爬坡特征量预测误差向量矩阵.然后,分析误差向量矩阵与NWP中各气象数据的线性和非线性相关关系,识别影响爬坡特征量预测误差的有效气象指标.最后,基于动态时间规整实现未来与历史数据库中具有相似特征的有效气象指标匹配,得到未来爬坡事件预测误差修正的参考集,并进行滚动修正.算例表明,该修正模型能有效降低爬坡幅值误差,提高爬坡事件预测的精度.     

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。     

基于突变理论的风电爬坡多步预测

风电爬坡实现的多步预测是保障大规模风电并网后电网安全和电能质量的有效手段。提出了一种基于突变理论的风电爬坡多步预测方法,首先将风电爬坡事件视为一种突变现象,采用相关性分析、主成分分析和线性加权累加方法处理中尺度气象数据,确定突变爬坡的相关变量;然后分别建立上行和下行爬坡的突变预测模型,通过综合考虑增大预测步长和减小预测误差,求解多目标优化问题,以训练模型参数,实现风电爬坡的多步预测。仿真结果表明,该方法可以比较有效地预测风电爬坡事件,与统计方法相比具有更大的预测步长和更高的准确率。     

基于爬坡特征和云模型的风电功率预测误差区间评估

为了满足电力系统优化运行对预测误差区间评估结果越来越高的可靠性要求,改善传统的区间评估方法在发生小概率风电爬坡事件时较差的适应性,提出了一种基于爬坡特征分类和云模型的风电功率预测误差区间评估方法。通过对每类数据分别建立模型以提高不同爬坡类型下评估方法的适应性。首先,利用改进的旋转门算法识别爬坡后得到爬坡特征,并基于爬坡特征对预测误差进行分类,对上爬坡类误差和下爬坡类误差分别建立云模型,对非爬坡类误差采用K-means算法得到不同预测误差类型所对应的区间范围。然后,以风电功率和爬坡特征数据共同作为模型输入,以预测误差类型为输出,建立评估模型,从而得到风电功率预测误差评估区间。最后,利用Elia网站的风电数据进行算例分析。结果表明,所提方法的风电功率误差区间评估效果更优。     

高比例风电系统的爬坡备用需求评估

在极端天气情况下,风电功率会在短时间尺度内发生大幅度的变化,出现风电功率高风险爬坡事件,严重威胁电力系统的安全稳定运行。开展爬坡备用的需求评估,有助于减小风电出力波动和预测误差对电网运行带来的不利影响。为保障高比例风电系统的备用充裕度,提出一种基于门控循环单元和非参数核密度估计法的组合区间爬坡备用需求预测方法。首先,将风电功率实际数据和日前预测数据构建成多变量时间序列,基于门控循环单元（gate recurrent unit,GRU）模型提高预测结果的准确度。进而,采用非参数核密度估计方法对风电功率预测误差进行置信区间估计,得出给定置信区间下的风电功率预测区间。最后,根据区间预测结果,预测爬坡事件并提取爬坡特征量,建立爬坡备用需求评估模型,评估得出爬坡备用容量需求。基于西北某省级电网的数据开展了算例测试,验证了所提方法的有效性。     

风机爬坡功率的有限度控制策略

大规模、高集中度风电接入系统,增大了风电爬坡风险。文中分析了风电爬坡特性,以及风机本身的功率控制对爬坡特性的影响。在现有风机平滑控制的基础上,提出一种风机爬坡功率的有限度控制策略。该策略引入预测控制理论,通过预测、在线优化、反馈控制3个模块的配合,优化风机参考功率,使风机有效跟踪参考功率。预测模块采用动态神经网络超短期预测模型得到风功率预测曲线,在线优化模块根据建立的爬坡率和弃风量最小优化模型,通过二次规划算法快速获得优化出力曲线,反馈控制模块产生变速变桨距协调控制规律。仿真结果表明,该控制策略实现了平滑风机出力、增大风机发电量及改善转速特性的目标。     

基于参数自适应旋转门和Bump事件筛选的风电爬坡事件识别

风电爬坡事件的准确识别对于维护电网安全稳定运行具有重大意义。为提升风电爬坡事件检测的准确度,提出一种基于参数自适应旋转门和bump事件筛选的风电爬坡事件识别方法。首先对原始功率数据进行滤波处理,去除不合理数据并减弱噪声影响;然后使用参数自适应选择的旋转门算法,在保留功率波动趋势的同时完成数据压缩;随后设定趋势划分规则并对压缩后数据进行bump事件筛选,建立具有上、下爬坡趋势的数据集;最后根据现有多种定义对风电爬坡事件进行识别。算例结果表明,相较原始旋转门算法,所提方法能够识别到更多爬坡事件的发生,检测率的提升幅度基于定义条件1—3分别为23.28%～53.56%、13.70%～41.51%和12.49%～41.52%。     

风电功率爬坡事件预测时间窗口的选取

为了完整、高效地预测爬坡事件,提出在一个合适的时间窗口内进行风电功率预测和爬坡事件识别的方法,并重点讨论如何选取合适的预测时间窗。首先通过历史爬坡事件的识别,统计爬坡持续时间的分布规律;利用数据相关性分析研究实例样本数据的可预测性;综合2者的结果确定爬坡预测时间窗口取值的可选范围。其次,基于预测时间窗的目标要求,提出可能的分析指标,在给定取值范围内寻找满足要求的最优时间窗口作为所求预测窗。最后以美国BPA地区的风电功率数据为实例,仿真求出该数据集的预测窗口大小为4.5 h,通过多个评估指标验证了该预测时间窗对实例爬坡预测的有效性。该工作为爬坡事件的预测奠定了重要基础。     

基于机会约束混合整数规划的风火协调滚动调度

为降低大规模风电随机性和波动性对电力系统调度的影响,保障电力系统运行的安全性和经济性,提出了考虑风电功率特性的基于机会约束混合整数规划的滚动调度模型。首先,研究了风电功率特性及风电预测误差和风电爬坡事件对系统调度的影响。然后,建立了考虑风电功率特性的机会约束混合整数规划滚动调度模型。通过滚动调度策略,有效减少系统备用容量,降低系统运行成本,提高系统的经济性,模型考虑风电爬坡约束,能有效降低风电爬坡事件的危害,提高系统的安全性。最后,通过算例对所提模型和调度策略的有效性进行了验证,结果表明,模型和调度策略能结合风电功率特性,有效兼顾系统的安全性和经济性。     

基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测

超短期风电功率爬坡事件越来越影响风电机组在电网中的运行。当前国内对爬坡事件的定义并不明确,缺少相应的预测方法。阐述了风电功率爬坡事件的物理含义,提出了一种基于原子稀疏分解和反向传播神经网络(BPNN)的组合预测方法,分别建立了原子分量自预测模型、残差分量预测模型和组合预测模型。以实际风电场数据进行验证,对不同预测方法和不同时间空间实测数据进行了较全面的分析,结果表明该方法可以提高预测精度,并能降低绝对平均误差和均方根误差计算值的统计区间。     

基于趋势特征的风电功率爬坡事件检测方法

风电爬坡事件是风功率波动严重的小概率事件,因此在大数据中快速检测出爬坡事件十分关键。为提高爬坡事件的检测效率,本文根据爬坡事件蕴含显著的趋势信息,提出一种基于SDT和趋势标记相结合的风电爬坡事件检测方法。首先,采用改进的旋转门算法(SDT)对原始风电功率数据进行分段趋势提取,预提取出可能存在的爬坡事件。为避免漏检、处理不重要的分段,引入趋势标记的方法。根据提出的爬坡检测方法,对上海某风场的数据进行爬坡检测试验。结果表明,对爬坡事件进行分段提取趋势既缩短了爬坡检测时间又提高了爬坡检测精度,具有实际意义。     

短期风电功率预测概念和模型与方法

随着并网风电容量的持续增加,风电强随机性给电力系统安全稳定运行带来了挑战,风电功率预测受到广泛的关注。文中较为全面地综述了国内外对风电功率预测的研究现状,着重从风电预测基本理论、风电预测方法和风电预测热点研究问题3个方面展开,主要介绍了确定性风电预测、概率性风电预测、风电爬坡事件预测、大数据和深度学习方法等方面的研究进展。     

风电爬坡事件对系统运行充裕性的影响评估

风电爬坡事件具有大波动性和强不确定性的特点,可造成系统中发用电的严重不平衡,从而导致负荷损失。在分析风电爬坡事件特征和爬坡预测研究现状的基础上,建立了风电爬坡事件模型,定量表示爬坡事件表征量与风电功率曲线之间的关系;同时考虑负荷预测的不确定性,采用场景削减方法生成风电爬坡过程对应的典型净负荷场景集。构建了评估系统运行充裕性的指标体系,推导了缓冲失负荷概率指标的计算公式;将系统状态分为充裕、失负荷和临界3种,分别计算各状态对应概率及失负荷严重程度。以甘肃电网为例,典型事件的评估结果验证了所述方法和指标体系的有效性和合理性,分析了常规机组爬坡速率及系统备用比例在防范风电爬坡事件不利影响方面的作用。     

应对风电功率爬坡事件备用需求分析和预防控制

针对风电功率爬坡事件会严重影响系统有功平衡,甚至导致频率越限或失负荷等问题,提出一种应对风电功率爬坡事件的备用需求分析方法和预防控制策略。首先,基于序列运算理论将爬坡事件在时序上的概率预测结果转化为各时间断面上爬坡量的概率分布,并在此基础上结合风险可接受程度对系统备用需求进行了分析。然后,提出一种应对爬坡事件的预防控制策略,过程中不断根据最新的爬坡事件预测信息对调度计划进行调整,调整量包括风电场减载量、常规机组计划出力和备用容量。以含风电场的IEEE-RTS24为例对所提模型进行了仿真验证,结果表明该方法可对爬坡事件作用下系统运行风险进行准确评估,并可将风险控制在可接受范围内。     

考虑日周期性影响的光伏功率爬坡事件非精确概率预测

光伏功率爬坡事件的可靠预测对电力系统运行决策至关重要。针对现有光伏发电功率爬坡事件预测存在误报与漏报的问题,提出了一种考虑日周期性影响的光伏功率爬坡事件非精确概率预测方法。首先,定义了新的光伏爬坡特征量,以有效剔除光伏发电功率中的日趋势性变化。进而,为了避免光伏爬坡样本数据有限可能引发的预测误差,通过结构学习构建了最优信度网络,对光伏功率爬坡事件进行非精确概率预测;其中,信度网络节点关联的非精确条件概率由多状态随机变量的非精确狄利克雷模型统计得到。最后,根据给定气象条件,推理计算各爬坡状态发生的概率区间。基于某光伏电站数据的算例仿真验证了所述方法的有效性,表明所提方法可有效捕捉光伏发电功率变动中由气象条件引发的突变事件。