不同天气类型下计及PM_(2.5)的直散分离模型研究

利用北京地区5 a水平面辐射及气象环境要素资料,统计散射比与气象环境因子的关系,因子诊断分析表明,散射比与PM_(2.5)存在正相关性。引入PM_(2.5)作为输入变量,建立多种"直散分离"模型,并结合观测资料进行预测检验。结果说明,引入PM_(2.5)可提高"直散分离"模型的预测精度。结合总云量、降水及能见度数据,将天气划分为晴天、多云、阴天和雨天4种类型,进行不同天气类型下各模型预测误差分析,得到不同天气类型下最优"直散分离"模型。综合比较后得出,以清晰度指数、日照百分率和PM_(2.5)为输入层的BP神经网络模型预测北京散射比的效果最好。     

天文、气象环境因子与散射比关系的建模分析

统计收集2010年和2011年北京地区逐时太阳辐射资料,比较多种小时模型在当地条件下的适用性并进行本地化修正,重点探讨天文因子和气象因子对直散分离模型的影响程度,提出一种新的天气类型划分方法,研究同一类天气状况下气象因子的含量特征,分别建立适合的数学模型。结果表明:Erbs模型预测北京地区的小时散射比效果最优;随着太阳太阳高度角的增加,散射比实测值与L1模型预测值的差值由负变正;细化天气类型后,新模型的预测效果明显提高,实用性较强。     

京沪汉地区墙面月平均太阳总辐射的预测模型对比

利用北京、上海、武汉3地的水平面太阳辐射观测值,根据4种斜面辐射模型计算出不同朝向垂直墙面上的辐射预测值。通过分析比较得出:在预测精度要求不高的情况下,4种模型均适用于3地垂直墙面辐射预测;斜面辐射模型预测的结果受纬度影响。依据总云量、降水及能见度数据区分出不同天气类型,用北京地区垂直墙面的辐射观测值对4种模型进行了误差校验。结合天气类型、总云量和PM2.5数据的误差分析结果表明:晴天条件下同性模型的预测精度低,各向异性模型的预测精度高;Liu同性模型更适合用于预测北京地区垂直墙面的总辐射;由于北京地区空气质量差而导致各向异性模型的预测结果趋向于各向同性模型的预测结果。     

多地区气象环境因子与散射比关系的建模分析

统计收集了2001—2015年北京和武汉逐时太阳辐射资料,对两地分别选取典型气象年并据此探讨对比两地散射比受天文气象环境因子的影响程度,在交叉细分天气类型的情况下,分别建立并对比各地区适合的数学模型。结果表明:1)北京地区散射比与清晰度指数相关性更强,线性化程度更好;2)不同地区散射比受太阳高度角影响程度有差异,差异较明显;3)在气象影响因子较多的天气类型下,LMBP网络模型在不同地区适用性较强,在气象影响因子较少时北京地区的线性模型优于改进模型,武汉地区的线性模型在某些天气类型下预测效果不如改进模型。     

基于PCA-LMBP神经网络的北京地区直散分离预测

为确定气象环境变化对散射比的影响程度,提出主成分分析(PCA)与LMBP神经网络相结合的光伏直散分离模型,利用北京地区5年逐日地面辐射资料,通过相关系数矩阵,选出清晰度指数、日照百分率、PM2.5、总云量和气温日较差作为突出气象影响因子,采用PCA法对多维影响因子作预处理,根据贡献率选出3个主成分,将其作为LMBP神经网络的输入参数,进而通过误差分析方法分别对MLR模型、PCA-MLR模型、PCA-BP模型和PCA-LMBP模型进行评估。结果表明,PCA-MLR模型和PCA-LMBP模型的散射比预测值与实测值更吻合,其中基于PCA-LMBP神经网络的直散分离模型预测精度最高、泛化性能最好,具有一定的实际应用价值。     

面向风电功率超短期预测的风电数据时间尺度优选方法

提出一种基于优度指标I的优选方法,通过对不同时间尺度风电数据复杂度和风电功率预测效果的量化对比分析,确定用于风电功率预测的最优时间尺度。基于实测风电数据的算例表明,选取不同数据时间尺度会对风电功率预测精度产生影响,且基于优度指标I以及预测误差的分析结果一致表明15 min的风电数据最适合用于风电功率预测。     

基于多元负荷预测误差的综合能源系统动态时间尺度调度策略

针对综合能源系统中多种复杂的能量耦合关系和负荷预测误差的变化,提出了一种基于长短时记忆网络(LSTM)和多元负荷预测误差的动态时间尺度调度策略.该策略结合负荷预测的平均绝对百分比误差(MAPE)曲线与调度员所要求的误差限值,动态地选择每个月适合于各类能量的最佳时间尺度.根据日前调度计划结果,在日内每个时间尺度上对相关设...     

基于WindPRO软件的不同时间尺度下的风电场产能评估

测风数据的准确性对风电场的产能评估具有重要的意义。文章以某风电场一年内每10 min的测风数据为基准,通过WindPRO软件,分别对3种时间尺度(30 min,1 h,2 h)的测风数据进行评估,对比了不同时间尺度下的发电量误差,分析了不同时间尺度下测风数据发电量的误差范围。当风电场选址区域的测风数据不完整时,研究结果可为测风数据时间尺度的选取提供指导性意见。     

基于PSO-SVR的排汽比焓软测量建模研究

为更好地对汽轮机排汽比焓进行测量,将粒子群优化算法引入支持向量回归SVR模型中,构建与之相匹配的排汽比焓软测量预测模型。根据实例校验方法对该模型展开校验,采用汽轮机15种参数作为输入参数,排汽比焓作为输出参数。对某300 MW机组和200 MW机组数据进行仿真,并将该模型与标准SVR模型和双隐层RBF过程神经网络模型预测结果进行对比,对于300 MW机组,该模型的预测平均相对误差为0.101%,均方根误差为0.110%;对于200 MW机组,该模型的预测平均相对误差为0.057%,均方根误差为0.062%;与其他两种模型相比,PSO-SVR模型的预测平均相对误差和均方根误差均最小。实例证明PSO-SVR的排汽比焓软测量预测模型在精确度以及泛化能力等方面呈现出一定的优势,具有较好的预测能力。     

基于天气分型的水平面总辐射及散射辐射建模分析

为获得无太阳辐射观测地区的水平面总辐射及散射辐射量提出一种组合模型。首先通过日照百分率将天气情况分成3类,在此基础上,探究总云量、气溶胶等气象环境因子对水平面总辐射的影响,构建水平面总辐射线性模型;其次,考虑不同天气类型下气象环境因子的特征,建立基于高斯过程回归（GPR）的散射比和散射系数模型,进而获得散射辐射量;最后,得到每种天气类型下最优水平面总辐射模型与散射辐射模型构成的组合模型。结果表明,所提组合模型可有效提高水平面总辐射与散射辐射的预测精度。     

基于主成分分析合作博弈的电网负荷智能预测方法研究

针对传统预测方法存在预测不准确、误差大的问题,提出一种基于主成分分析合作博弈的电网负荷智能预测方法。基于多分辨分析理论构建电网负荷预测参数模型,通过IGOA优化LSSVM的惩罚因子C和核函数参数δ2,得到更优的电网负荷参数;引入主成分分析合作博弈方法进行电网负荷智能预测。实验显示,采用该方法对数据进行拟合的图像更接近真实图像曲线,说明预测精度高,且误差较小,具有一定的优越性。     

神经网络模型在逐时太阳辐射预测中应用

设计了一种基于遗传算法的神经网络太阳辐射预测模型。该模型结合了历史逐时辐射数据和气象要素数据,并在训练和预测时加入了温度日较差和天气类型预报参数。还设计了预测因子选择方法、输入资料的处理方法和结果误差评估方法。利用武汉站2007年至2008年8月辐射数据对模型进行了训练,并对2009年8月的逐时辐射进行了诊断预报。预测结果表明,预测模型在天气类型稳定的情况下具有较高的精度,能够反映太阳辐射的日变化状况和辐射量级大小,但在天气类型剧烈变化的情况下预测精度有限。     

固体废弃物气化处理半经验模型研究

对固体废弃物的气化处理半经验模型进行了研究.根据固体废弃物气化处理的特点,提出了以质量方程和能量方程为基础的气化处理模型.运用相似理论和因次分析方法建立了固体废弃物气化产气成分的浓度预测公式,建立了气化过程的准则数半经验预测模型.对不同实验工况下的固体废弃物的实验数据进行回归分析,拟合得到了较好的预测效果,回归误差和预测误差均较小.为建立固体废弃物气化模型进行了积极的探索.     

基于风速变化周期的风电场功率分类组合预测模型

基于风速在日时间尺度下的变化周期,提出一种风电场功率分类组合预测模型。该模型采用Morlet小波变换,分析数值天气预报中的风速在日时间尺度下的变化周期及特征;结合主成分分析和谱聚类方法对具有不同周期特征的风速变化过程进行分类;针对不同的风速变化类型分别建立遗传优化BP神经网络、RBF神经网络和支持向量机的预测模型,并选取每类对应的最优算法进行组合,预测功率时根据未来风速过程动态切换相应模型。以中国某风电场为例进行验证,结果表明,按8 h的变化周期对风速变化类型进行分类,可得到较好的分类组合预测结果,其精度较单一预测模型提高0.87%,合格率提高1.05%,验证了所提模型的有效性,为风电场功率预测提供了新思路。     

MCEEMD-HGWO-MGU混合模型在径流预测中的应用

为分析径流非线性特征对预测精度的影响,在改良的互补集成经验模态分解(MCEEMD)基础上,建立混合灰狼优化算法(HGWO)与最小门控单元(MGU)混合的径流预测模型,并利用该模型预测黄河下游三个水文站处的月径流。选取纳什效率系数和合格率评价模型性能,并选择多个误差指标与其他模型进行比较。结果表明,与其他模型相比,MCEEMD-HGWO-MGU模型在径流预测方面表现更好,其纳什效率系数达0.92,合格率达71%,所有误差指标均为最小。此外,考虑到气候变化对径流的影响,引入大气环流因子,筛选出对径流影响较大的因子融合到径流中进行预报,进一步提高模型精度。所构建的MCEEMD-HGWOMGU模型具有较高的稳定性和精度,可作为中长期径流预报和相关水文数据研究的有效工具。     

超超临界燃煤机组直流锅炉水煤比软测量方法研究

以某1 000 MW超超临界燃煤机组直流锅炉为例,提出了2种水煤比软测量方法:根据质量守恒定律和能量守恒定律建立基本计算模型,代入锅炉效率、煤种信息以及利用非线性最小二乘法拟合特性公式得出的工质焓升进行快速计算;利用综合自回归移动平均(ARIMA)模型时间序列法对滤波后水煤比数据进行参数估计和动态预测,并利用误差分析和验证该模型的准确性.采用这2种方法分别从机理分析和时间序列模型辨识角度对水煤比进行了快速计算和预测.结果表明:2种方法均能在一定程度上克服现阶段超超临界燃煤机组直流锅炉水煤比监测方法延迟大、误差大的缺点.     

基于递进式模型结构和时间信息嵌入的非侵入式负荷分解

现有的非侵入式负荷监测算法对多时间尺度的用电规律缺乏关注,且存在电器状态误判率高和功率预测误差大的问题。对已有模型在学习框架、信息嵌入和损失函数3个方面进行优化,提出一种基于递进式模型结构和时间信息嵌入的负荷分解方法。模型由预分解模块和功率预测模块构成,递进地完成判断电器开关状态与估计功率值2个任务。2个模块的网络结构均基于Transformer设计,使用不同的复合损失函数优化。另外,提出了多尺度时间信息编码及嵌入方法,增强模型对用电行为特征的提取能力。基于居民用电数据集REDD和UKDALE的测试结果验证了该方法的有效性。     

风电接入下的时序渐进滚动修正调度模型

以"电量"为纽带,建立了风电接入下的时序渐进滚动调度修正模型。该模型在时间尺度上包含年计划、月计划、日计划以及实时调度计划。时序渐进体现在上一级时间尺度为下一级时间尺度提供计划电量或调度功率,指导下一级时间尺度的调度安排;滚动修正则根据下一级时间尺度提供的实际发电量对上一级进行不断修正。年计划和月计划滚动修正模型侧重于电量的不平衡修正,在各自时间尺度内,结合下一级时间尺度提供的实际已发电量以及最新的风电、负荷预测信息,滚动修正剩余时段的发电计划,保证各机组电量的有效实施。日计划、日内滚动优化调度和实时调度模型侧重于风电功率的消纳,针对风电的随机性和波动性,建立基于场景法的日前机组组合模型和日内滚动优化模型,且仅在日内滚动调度和实时调度阶段考虑合理弃风。最后,通过修改的IEEE-RTS24系统进行算例仿真,验证了该模型的有效性。     

基于GRA-BPNN时变权重的光伏短期出力组合预测

针对并网情况下光伏出力预测精度低和稳定性差问题,提出了一种基于灰色关联分析(GRA)结合BP神经网络(GRA-BPNN)的变权重系数组合预测模型。首先,利用3种单一预测模型对光伏出力分别进行预测,然后,利用GRA-BPNN模型对3个单一模型不同时刻的权重系数进行预测,最后,根据权重系数计算出预测结果。文章利用武汉某并网光伏电站的实测数据对GRA-BPNN变权重组合预测模型预测结果的准确性进行检验。分析结果表明:GRA-BPNN变权重组合预测模型的相对均方根误差和相对平均误差均低于单一模型和等权重组合模型;根据各预测模型的残差直方图可知,GRA-BPNN变权重组合预测模型预测结果中出现较大残差的概率很小,有效地解决了单一模型预测结果不稳定的问题。     

基于混合深度学习的风电功率预测及一次调频应用

为了解决高比例不确定性风电接入电力系统带来强烈调频需求的问题,提出了基于混合深度学习模型的风电功率预测及其一次调频应用方法。首先,采用孤立森林(Isolated Forest, IF)对历史数据进行异常值处理,提高数据质量,其次,构建卷积神经网络(Convolutional Neural Network, CNN)、双向长短期记忆(Bidirectional Long Short Term Memory, BiLSTM)和注意力机制(Attention Mechanism, AM)的混合深度学习模型对风电功率进行预测。最后,依据功率预测精度配置超级电容器储能,设计储能调频控制原则,弥补风电机组自身预测误差,并协同风电机组参与电力系统一次调频。基于预测结果为4台风电发电机组2个负荷区域仿真系统配置超级电容器储能系统,利用digsilent平台进行了风预测误差和负荷波动下的一次调频仿真。结果表明：所提IF-CNN-BiLSTM-AM模型比BP和LSTM基准模型预测误差(MSE)降低了81.53%和51.44%,具有最优的预测性能;设计的风储一次调频模型与原则可有效应对风电预测误差和负荷波动...