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。     

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。     

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DFIG频率模型的风电功率爬坡事件预测方法

随着风力发电的快速发展,风电出力的随机波动性引起的风电功率爬坡事件将威胁电网的稳定运行,因此需要研究能够有效预测风电功率爬坡事件的方法。首先介绍了传统的爬坡事件定义,提出了一种基于频率变化判断爬坡事件的方法。然后建立了计及频率偏差的双馈异步风机(doubly-fed induction generators,DFIG)模型,采用状态估计技术解决含DFIG的频率估计问题,并根据利用状态估计方法计算出的频率偏差,生成相应指标,对风电功率爬坡事件进行预测。最后对含DFIG的IEEE 14、IEEE 30和IEEE 118改进系统进行仿真分析,结果表明,所提方法可成功预测风电功率爬坡事件的发生,并且提高了预测精度。     

基于超短期风电预测和混合储能的风电爬坡优化控制

风电爬坡对电力系统运行的经济性和可靠性有较大的影响,也是对电网造成冲击的重要因素之一,如何减小风电爬坡时的功率波动对电网的冲击成为国内外研究热点。为风电场配备储能系统能够有效抑制风电爬坡时的功率波动。为此,提出一种基于风电功率超短期预测和混合储能系统实现平抑功率在电池和超级电容器之间有效分配方法。首先通过奇异值分解理论风电爬坡事件,提出混合储能系统的动态最佳荷电状态,以使储能设备更好地平抑下一时段风电功率波动。考虑未来风电功率及其预测误差,根据超前充放电控制策略对储能设备当前充放电进行修正,并给出了提前充放电修正公式。仿真结果表明,该方法及其控制策略能有效抑制风电爬坡的功率波动,从而减小风电爬坡事件对电网的冲击,并且能够充分提高混合储能设备的利用效率。     

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。     

风电爬坡事件研究综述及展望

风电爬坡事件易造成系统有功功率不平衡,破坏频率稳定性,甚至引起大规模切负荷,严重威胁着电网的安全稳定经济运行。从定义、预测方法和控制策略3个方面对风电爬坡事件的相关研究进展进行了综述。首先对比分析了爬坡事件的常用定义,明确了其优缺点和适用范围;其次,归纳了爬坡预测方法的研究现状,根据是否由风电功率预测结果判断划分为直接预测方法和间接预测方法两类,总结了常用预测方法评价指标;然后阐述了无储能的有限度爬坡控制策略的基本思想、控制方法和风储联合爬坡控制策略的原理以及研究进展;最后展望了风电爬坡事件未来的重点研究方向。     

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。     

风电功率预测技术综述

对于有大规模风电接入的电网来说,短期风电功率预测对于电力系统的调度和安全稳定运行有重要的影响。文章较全面地综述了国内外对短期风电功率预测技术的研究现状,介绍了与风电功率预测相关的物理方法和统计方法,分析了预测误差产生的原因及其评价方法,对我国的风电功率预测研究与开发工作提出了建议。     

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。     

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。     

风电功率预测技术的应用现状及运行建议

针对我国风电开发中遇到的风电接入困难、电网调度困难等问题,对国内外解决此类问题的风电功率预测技术进行了详细的阐述。指出我国急需开发风电功率预测系统,并根据我们的风电功率预测研究经验提出了我国风电功率预测宜采用风电企业和电网共同实施的运行模式。希望对我国的风电功率预测发展起到一定的促进作用。     

考虑爬坡特性的短期风电功率概率预测

短期风电功率概率预测有助于调度部门提前安排发电计划,提高风电的消纳能力。提出一种考虑爬坡特性的风电功率概率预测方法,首先通过分析不同风电爬坡定义的特点,阐述互补组合预测的思路;然后采用小波神经网络建立风电功率确定性预测模型,并在其基础上建立不同功率分区内风电爬坡率和风电功率预测误差的二维核密度估计概率预测模型;最后由二者的联合概率分布求取后者的条件概率分布,得到风电功率概率预测结果。仿真结果表明,所提模型具有很高的短期风电功率概率预测精度。     

基于分段优化的风电功率爬坡有限度控制策略

风电功率爬坡是一种严重的风电功率波动情况,对电网稳定性产生了严重的影响。风电功率预测能够提前预测功率爬坡事件,为制定功率爬坡控制策略提供爬坡数据。在当前风电功率爬坡的有限度控制策略基础上,提出了基于分段优化的有限度控制策略。根据风电功率爬坡过程中爬坡率的相对大小,对爬坡过程进行合理分段。最小优化目标函数由爬坡率和弃风量构成。通过在不同区段上设置不同的权重因子来调整分段优化目标,利用二次规划算法最后得出功率参考曲线。仿真结果表明,该功率参考曲线降低了爬坡率、减少了弃风量。     

风电预测方法与新趋势综述

风力发电作为一种技术成熟、规模较大的新能源发电形式,目前在世界各国得到了广泛应用和发展。风电具有不确定性的特点,必须对其进行准确的预测才能保证并网后电力系统的正常运行。针对风电预测的传统方法和新的研究趋势开展了综述。首先对物理方法、时间序列方法、人工智能方法和组合方法进行了总结,然后针对目前风电预测的几个重要的发展方向:空间相关性预测、集群预测、不确定性预测和爬坡预测的研究进展进行了重点阐述。对现有的风电功率预测方法进行综述后,进一步对这一领域的研究方向进行了展望。     

基于小波-神经网络的短期风电功率预测研究

为了提高风电功率预测精度,降低电网调度的难度,通过对影响风电功率预测的诸多因素如风速、风向、风电功率、温度等进行分析,进而对风电功率的预测方法进行研究和探讨,提出了基于多变量的小波-神经网络模型的短期风电功率预测方法。通过单变量和多变量的风电功率预测的比较研究,证明BP神经网络预测与小波-神经网络预测这两种方法的预测精度不同。而且,对于同一种方法,输入变量的多少也对预测精度产生影响。通过最终的比较研究得出,采用基于多变量输入的小波-神经网络开展风电功率预测可提高预测精度。     

基于相似性修正的风电功率爬坡事件预测方法

为了满足爬坡预测所需的长期高精度风电功率预测要求,提出基于相似性修正的风电功率爬坡预测方法。该方法首先根据Granger因果检测法提取数值天气预报(numerical weather prediction,NWP)中对风电功率预测有效的气象变量,保证基于气象变量和统计模型的混合预测模型的可实现性,并以支持向量回归模型作为基本预测模型。其次,结合历史数据分析气象背景相似性与爬坡事件相似性,给出相似爬坡事件的选取机制。考虑到较高精度的风电功率预测可提高爬坡预测的性能,为此,结合相似爬坡的功率变化修正风电功率的预测结果,并由误差指标分析验证修正模型的优越性。最后,对实际算例进行仿真分析,验证基于相似性修正的风电功率预测模型的可行性。     

风速及风电功率预测研究综述

随着风力发电功率占比日益提高,风电功率的波动对电网安全运行的影响日益加剧。加大电网的旋转备用容量能够解决风电场出力波动的问题,但直接增加了电网运行成本。因此,对于含大规模风电接入的电网,风速及风电功率的准确预测对保证系统安全稳定运行、降低风电消纳成本有着至关重要的作用。在综合分析大量国内外文献资料的基础上,对风速及风电功率预测方法的研究现状进综述,总结常用预测算法的优缺点,给出风速及风电功率预测误差的评价指标体系,并对风速及风电功率预测的发展前景进行展望。     

风电功率短期预测及非参数区间估计

为满足电网规划的要求,风电功率预测系统不仅需要提供确切的预测值,还应该对预测值包含的风险做出合理的评估。利用人工神经网络预测风速、风向,并根据实测功率曲线获得风电功率预测值。分析了造成风电功率预测结果不确定的影响因素,提出一种基于预测误差分布特性统计分析的非参数置信区间估计方法,对各功率分区内的预测误差概率密度函数进行建模,并在确定性预测基础上求取概率性风电功率预测值。仿真结果验证了该方法的实用性与有效性。     

基于改进KNN算法的风电功率实时预测研究

大规模风电并入电网将对电网的规划建设、分析控制以及电能质量等方面产生显著的影响,高精度的超短期风电功率预测可以对含大规模风电电力系统的安全调度和稳定运行提供可靠的依据。文章对风电功率的超短期预测方法进行了研究,以混沌理论为基础,对相空间重构参数进行了计算,提出了基于改进KNN(KNearest Neighbor)算法的风电功率实时预测方法,并且应用多个评价指标来对预测结果进行评价,以吉林西部某风电场实测数据为例,验证了模型的有效性。