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。     

光伏发电出力的条件预测误差概率分布估计方法

光伏发电出力的可预测性较低,相比点预测而言,光伏发电出力的概率性预测能够提供更多的信息,有利于电力系统的安全经济运行。提出了一种基于Copula理论的光伏发电出力的条件预测误差分布估计方法。采用Copula函数对光伏实际出力与点预测的联合概率分布进行建模,实现了任意点预测对应的光伏实际出力的条件概率分布的估计。针对天气状况,对光伏预测精度影响较大的实际情况,采用聚类的方法按天气类型将历史数据进行分类,针对每类天气类型的光伏预测误差分别进行建模以提高预测误差估计的准确度。以2014全球能源预测竞赛(GEFC 2014)中的光伏出力数据进行了实证分析,验证了所提出方法对光伏出力条件预测误差估计的有效性,结果表明提出的方法在校准性和锐度方面均优于常用的正态分布的预测误差估计方法。     

基于CEEMD-DBN模型的光伏出力日前区间预测

光伏输出功率具有随机性和不确定性,这些特点使得建立准确的预测方法变得比较困难,而与传统的确定性点预测方法相比,光伏出力区间预测对电力系统的安全稳定运行及经济调度更为重要。为此,提出了一种基于互补集合经验模态分解(omplementaryensembleempiricalmodedecomposition,CEEMD)和模拟退火(simulated annealing,SA)算法优化后的深度信念网络(deepbeliefnetwork,DBN)的光伏发电出力日前区间预测模型。首先,通过综合因素相似系数筛选出晴天和多云天气的相似日样本集。在此基础上,利用CEEMD将光伏出力序列分解为多个特征不同的分量。然后,使用SA-DBN和核密度估计(kernel density estimation,KDE)对光伏输出功率进行日前区间预测。最后,通过算例数据验证了所提方法的有效性。多座光伏电站的历史数据分析结果表明,所提出的模型可以较为精确地给出基于误差分布的置信区间上下限,且不受光伏电站所处地理位置的影响。     

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.     

基于马尔可夫模型的光伏出力聚类与模拟

恰当地处理光伏数据并建立合理的出力模型是含光伏发电系统运行与规划的基础。该文基于马尔可夫模型和谱聚类算法,综合考虑光伏出力的天气特性、日特性、季节特性,提出了一种光伏出力聚类和模拟方法。首先,从光伏出力中提取幅值、基准出力和波动出力,基于马尔可夫模型针对波动出力进行聚类分析,并利用Alpha值、Silhouette指数、贝叶斯准则确定最佳聚类数;然后,整合聚类结果并搭建基于月内天气状态和日内出力状态的双层马尔可夫模型;最后,利用双层抽样得到中长期光伏模拟时序出力。与传统K-means算法相比,基于马尔可夫模型的谱聚类算法能够更好地解决光伏出力数据可能出现的数据丢失与误测问题,并具有更好的天气区分性。与马尔可夫蒙特卡洛模拟相比,该文所提光伏出力模型能够更好地保持光伏出力的天气特性、时序特性和概率特性,并具有更高的精度。算例分析验证了该文所提模型的有效性。     

考虑可再生能源不确定性的风-光-储-蓄多时间尺度联合优化调度

提出一种计及可再生能源不确定性的风电、光伏、电化学储能和变速抽水蓄能电站多能互补协同的优化调度方法。考虑电化学储能和变速抽水蓄能电站的互补调节特性,建立风-光-储-蓄联合运行的多时间尺度调度架构。在日前调度阶段,考虑风电和光伏出力的相关性,生成基于生成式对抗网络和峰值密度聚类算法的日前风光联合出力典型场景,综合考虑风光出力的不确定性和抽水蓄能电站与电化学储能的容量特性,建立面向调峰需求的随机优化日前调度模型;在日内优化阶段,以最小化弃风弃光与电网备用电能为目标,构建变速抽水蓄能电站出力修正方法,制定电化学储能日内调度计划;在实时校正阶段,基于模型预测控制方法,以日内优化调度结果为参考,对电化学储能出力进行精确控制,最小化风光预测误差的影响。算例分析结果表明,所提方法可以有效减小电网负荷峰谷差,平抑风光联合出力波动,提升可再生能源消纳率。     

基于天气类型聚类和LS—SVM的光伏出力预测

分析了影响光伏出力的气象因素,结合光伏系统实际运行数据和气象信息,提出一种基于天气类型聚类和LS—SVM的光伏出力预测模型。选取太阳辐照时间、温度、相对湿度等作为气象特征向量,通过计算各向量的加权欧氏距离,筛选出最佳聚类集合,确定训练样本,使样本数据能更好地反映待预测日的实际气象信息。取最佳聚类日气象特征、相应光伏出力及待预测日气象特征输入训练好的LS—SVM模型,输出为待预测日对应时刻的光伏出力。最后通过实际算例分析、评估,验证了所提模型和算法的有效性,并通过增加样本数据点获得了更加精确的预测结果。     

基于模糊支持向量机的光伏发电量预测

受到光照强度、温度、湿度和风速等气象因素的影响,光伏发电系统出力具有波动性、间接性和不可控性等特点,光伏发电量预测精度较低。对此,本文采用模糊理论结合支持向量机的方法预测光伏发电量。首先通过模糊C均值聚类算法计算模糊隶属度,然后对原始样本进行聚类,生成模糊样本,再采用支持向量机对模糊样本进行训练,最后利用预测模型预测未来几天的光伏发电量。MATLAB仿真实验预测显示:相对于经典的BP神经网络模型和支持向量机模型,模糊支持向量机预测模型更稳定且预测结果误差更小;该模型克服了传统光伏预测方法中存在的极易陷入极小值以及不确定气象因素影响等缺陷,提高了系统预测精度。     

基于Copula理论的风光联合出力典型场景生成方法

针对目前多风电场出力模型尚不准确,且没有考虑到各风电场出力的相关性,文章研究了同一地区2个风电场的出力相关特性,提出了基于Copula理论的联合出力建模方法;结合实测数据建立了5组风电场联合出力Copula模型,运用拟合优度检验方法选出了最优模型;对该最优模型依概率抽样,并与光伏电场出力样本叠加生成海量数据,结合模糊c-均值聚类算法生成典型出力场景,实现了对多个风电场、光伏电场的出力场景模拟。准确描述风力发电的出力特性,获得风电场出力的典型场景,对风能的消纳及电力系统的安全稳定运行具有重要意义。     

基于波动过程聚类的风电功率预测极大误差估计方法

估计风电功率预测中可能发生的极大误差,有助于优化含风电电力系统的运行调度,提高电网对大规模风电的接纳能力。根据对历史风电功率预测误差分布特征的分析,提出了基于风电预测出力波动过程聚类的极大误差估计方法。首先利用摇摆窗对风电功率预测数据划分不同的波动过程,在此基础上,通过分析预测出力的波动性和功率水平与预测误差分布的相关性,聚类相似分布特性的预测误差,然后利用滑动窗宽的核密度方法拟合预测误差概率密度并估计极大误差。最后以美国BPA地区的风电功率数据为实例,对不同估计方法进行了较全面的分析,验证了该方法的有效性。     

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。     

基于小波去噪-KPCA神经网络的光伏功率预测方法

为了提高光伏发电功率的预测精度,提出了一种基于小波去噪/聚类/核主成分分析(KPCA)神经网络的光伏发电功率预测方法。首先,应用二维小波阈值去噪法预处理光伏出力数据;然后,应用k-means算法将预测模型分为4种不同模式下的子预测模型;引入KPCA对输入空间降维重构,利用粒子群优化(PSO)神经网络算法建立基于聚类/KPCA/神经网络的光伏发电功率预测模型。采用某光伏电站的实例数据进行预测分析,结果表明该模型实现了不同模式下的光伏出力较为精准的预测,显示出良好的预测性能,验证了预测模型的可行性和有效性。     

基于时序动态回归的超短期光伏发电功率预测方法

光伏发电功率预测对于电力系统安全可靠运行以及提高光伏发电产业经济效益具有重要意义。提出一种基于时序动态回归的超短期光伏发电功率预测方法,仅需要历史光伏发电功率数据与数值天气预报作为输入。首先建立光伏发电功率与地表太阳辐射累计值的回归模型,再建立ARIMA模型预测回归残差序列,最后引入傅里叶谐波序列刻画日季节性。根据线性形式与对数形式的回归公式提出两种预测模型,综合二者形成最终的混合预测方法。算例结果表明,与一般时序模型相比,该方法在超短期预测方面预测精度更高。     

考虑输出功率相关性的光伏电站典型场景生成方法研究

含光伏的传统概率潮流计算常使用Beta、Weibull等分布模型,但这些模型难以精确体现不同场景下输出功率特性的变化。针对此问题,文中提出一种光伏输出功率多场景生成方法。该方法将多个光伏电站输出功率的相关性以及相关性跟随外界条件的变化纳入考量范围,可实现多个光伏电站输出功率的精确建模。首先,对光伏电站历史输出功率数据进行基于密度中心的聚类处理,产生的多个聚类中心作为输出功率场景;其次,对不同场景进行核密度估计,建立Copula函数以描述多个输出功率的概率分布;然后,对生成的多场景概率分布模型进行拉丁超立方采样,利用生成的样本进行概率潮流计算,评估含光伏的配电网运行状态;最后,分析算法的稳定性,讨论采样规模对计算结果的影响。结果表明,文中提出的多场景生成方法有助于提升光伏输出功率的建模精度和概率潮流计算精度。     

Area day-ahead photovoltaic power prediction by just-in-time modeling with meso-scale ensemble prediction system

Photovoltaics (PV) output prediction, which is indispensable for power system operation, can affects demand and supply adjustment adversely when large prediction error occurs. Thus, the reduction of large error as well as average error is required in PV power prediction. In 2019, the operation of the Meso-scale Ensemble Prediction System (MEPS) of numerical weather prediction started from the JapanMeteorological Agency, and the amount of forecasting information would be potentially useful for the improvement of PV power prediction. However, very few studies on inputting multiple meteorological elements of the MEPS have been reported. In this paper, we newly develop the prediction model for an area day-ahead PV power output composed of Just-In-Time Modeling (JIT Modeling) with multiple elements of theMEPS. The developed method achieves precise forecasts with low computational load by both selecting meteorological elements valid for improving prediction accuracy and adequately devising the structure of JIT Modeling. Some numerical examples demonstrating the effectiveness of the developed method are also presented. In particular, the proposed method reduces large error significantly.     

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。     

基于分时长短期记忆神经网络的光伏发电超短期功率预测

准确预测光伏发电功率对电力系统运行调度至关重要。提出一种基于Spearman相关系数和分时长短期记忆网络的光伏发电功率预测方法。首先利用Spearman相关系数分析每个时刻下影响光伏发电功率的因素,选取相关度高的影响因素作为长短期记忆网络模型的输入变量;然后,对每个时刻建立一个基于长短期记忆网络的预测模型,实现分时光伏发电功率的预测。最后,利用实际光伏发电站的历史发电功率和数值天气预报数据进行案例分析。结果表明,所提方法比单一长短期记忆网络预测模型具有更高的预测精度。     

基于误差分类的风电功率区间评估

为了提高风电功率的区间评估精度,结合预测误差数据的特性,提出了一种基于误差分类的区间评估方法。首先,引入K-means聚类算法,以欧氏距离为聚类指标对风电预测误差的整体水平进行分类。然后,建立误差区间评估模型,以风电功率数据和历史预测误差为模型输入,以预测误差区间为输出,利用长短期记忆(LSTM)神经网络深度学习模型输入和输出之间的关联。最后,利用Elia网站风电数据进行验证,结果表明,与其他评估模型和传统的误差概率分布方法相比,所提方法更能抓住误差数据的特性,能够得到更为准确的风电功率区间评估结果。     

基于正交级数的光伏电源输出功率概率模型

目前光伏输出功率概率建模中,参数分析方法需预先假设参数分布,非参数分析方法中常用的核密度估计的带宽值选取方法不统一,在此情况下提出一种非参数方法——正交级数密度估计,对数据分布不附加任何假设,基于正交级数理论直接建立光伏电源输出功率的概率模型。利用江西南昌及浙江嘉兴两地的光伏电源输出功率历史实测数据进行仿真,结合拟合优度检验和误差分析,验证了所提模型的准确性和有效性。对于不同时段、不同地区光伏电源输出功率的随机特性,所提方法具有良好的适用性,在样本容量变化时模型保持稳定性。