风电功率爬坡事件的滑动窗检测与实例分析

风电功率易受自然风况随机多变因素的影响,形成快速变化的爬坡现象,严重时会给电网调控带来较大困难。为更好应对风电功率爬坡带来的风险,需要研究风电功率爬坡事件的高效检测技术。基于通常的风电功率爬坡定义关系,设计了一种采用滑动窗技术的风电功率爬坡事件检测方法及其流程。方法通过风电功率变化率门槛值和滑动窗的合理设置,动态检测风电功率爬坡事件发生的起始时间、幅度、陡度和持续时间等关键信息。利用提出的检测技术,对江苏盐城地区4个风电场2015年1月—2016年3月期间的风电功率爬坡进行实例分析,验证了所提检测技术的正确性。     

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。     

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。     

风电功率爬坡气象场景分类模型及阈值整定研究

为了判定和预报引发风电功率爬坡事件的风速突变的强对流气象类型,考虑风电场实际运行状态、电力系统运行方式以及区域电网的热备用启动速度和承受能力确定风电功率爬坡定义及其爬坡气象场景判定标准。在此定义上,引入支持向量标记法构造了风电功率爬坡场景分类的极小值和极大值的初始化模型,通过合适的显著性参数因子及预分类结果,建立风电功率爬坡场景分类模型。进而根据气象学物理意义分类出典型爬坡气象类型和相关特征因子阈值范围。实例分析表明,风电功率爬坡气象场景分类模型和确定的分类特征因子阈值对预报判别出目标区域风电功率爬坡气象类型有较好的指导作用。     

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。     

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。     

基于局部极差变化率的风电功率波动定量刻画

针对目前风电功率波动性研究中缺乏对其时序演进特征定量刻画的问题,对风电场实测功率数据样本进行分析,提出一种基于局部极差变化率的风电功率持续波动状态的识别方法,提取风电若干个持续出力状态以描述风电功率的持续波动特征。以用来衡量局部极差变化率的幅值和相角为模型输入量,建立灰色多目标决策模型,通过兼顾幅值的变化和相角的变化以寻找模型次优解的方法挖掘出具有代表性的幅值和相角,进而定义表征波动的量即波动系数,并以此来量化风电功率在某一时间段内的波动。给出了使用波动系数修正现行风电场预测预报考核指标的方法。     

考虑电网侧频率偏差的风电功率爬坡事件预测方法

风电功率爬坡事件越来越影响风力机在电网中的运行,随之而来的爬坡事件预测问题成为国内外新的研究热点。综述了风电功率爬坡事件的研究背景、定义和特征,建立了考虑频率偏差量的含风力机的准稳态潮流计算模型,将频率偏差量和滑差修正量引入雅可比矩阵中进行含风力机的潮流计算,采用两种频率偏差指标(PRESF指标和APRESF指标)对爬坡事件进行预测。将所述预测模型应用于5节点和10机39节点系统进行算例仿真,对结果的对比分析验证了该方法的有效性。     

含风电场电力系统的模糊鲁棒优化调度

随着电力系统中风电渗透率的不断提高,如何维护含风电场电力系统的安全稳定运行成为调度部门面临的新挑战。风电功率预测为调度部门提供决策依据,是解决风资源波动性和间歇性的首要方法,但当出现预测方法无法有效预测的风电功率爬坡事件时,依据功率预测值安排的调度方案可能不可行。为此,在传统模糊调度的基础上,提出含风电场电力系统模糊鲁棒调度方法。该方法采用六点模糊数考虑风电功率爬坡事件持续时间的不确定性,生成包含最坏场景的不确定集,并将其用来描述风电功率及安排调度。算例结果表明,考虑风电功率爬坡的模糊鲁棒调度可以有效解决传统调度方案中系统爬坡能力不足的问题。     

基于混沌理论的风电功率超短期多步预测的误差分析

风电功率对电力系统的安全运行、合理调度等方面有不可忽视的影响。掌握风电功率预测误差的分布特性,对风资源的大规模开发利用具有重要意义。利用两种混沌预测方法进行风电功率超短期的预测。并且以东北某风电场的实测风电功率数据为例,分析了超短期风电功率预测误差的概率分布、预测误差与超前预测步数之间的关系、预测误差与风电场出力情况之间的关系以及预测误差与装机容量之间的关系。该研究为揭示风电功率超短期多步预测的误差构成及修正奠定了理论基础。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

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。     

风电功率状态的时域概率特性研究

随着大规模风电的并网,深入认识风电功率的随机特性将有利于更好地预测和利用风电。目前,对于风电功率波动特性的研究较多,对风电功率状态的时域概率特性的研究更侧重于对风电状态转移概率特性的描述。基于风电功率状态的定义,深入研究了风电功率状态持续时间的概率分布描述函数和状态转移概率矩阵。基于多座风电场/群的大量实测功率数据的研究发现:风电功率在某个特定状态可能持续几个小时甚至更长时间,逆高斯分布较适合用于描述风电功率状态持续时间的概率分布,可为系统运行调度风电提供参考信息;风电功率状态转移概率矩阵量化了风电场功率状态的跳变程度,风电功率状态的跳变呈现山脊特性。     

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。     

基于EMD-SA-SVR的超短期风电功率预测研究

针对风电功率的高随机和强波动性,提出一种基于EMD-SA-SVR的风电功率超短期预测方法。采用经验模态分解(Empirical Mode Decomposition, EMD)提取风电功率序列的不同特征。将原始序列分解为多个更具规律的模态,针对每个模态序列建立各自的预测模型,以消除不同特征之间的相互影响。鉴于支持向量回归(Support Vector Regression, SVR)好的泛化能力,研究建立基于SVR的各模态预测模型。进一步采用模拟退火(Simulated Annealing,SA)算法对SVR参数进行优化以解决模型选择的多极值复杂非线性问题,获得各模态分量的最优模型,进而汇总各模态分量的结果得到风电功率预测值。在某风电场历史数据上的对比分析表明,EMD-SA-SVR模型可以有效提高风电功率超短期预测精度。     

基于气象测量场的爬坡时段区域风功率预测

随着大规模风电接入电网,风电爬坡事件的风险不断增大,提高爬坡时段风功率预测精度对电网安全经济运行具有重要作用。提出了一种基于气象测量场的爬坡时段区域风功率预测方法。考虑爬坡时段风速场的动态变化,利用经验正交函数分解,将风速资料阵分解成不同空间模态和主分量,通过多元非线性逐步回归方法建立风速场主分量和区域风功率间的映射关系。考虑风速预测误差,采用区间正交函数分解,将上述模型扩展为处理非确定性数据的预测方法。实际区域风功率预测结果表明,所提出的方法能够显著提高风电爬坡时段风功率预测的精度,对存在风速预测误差的情况具有较强的鲁棒性。     

考虑机组优化选取的含风电电网滚动优化调度方法

提出一种包含调整机组优化选取策略的滚动优化调度方法。根据负荷及风电超短期预测信息,首先考虑等效负荷(负荷+风电)预测偏差和机组调节容量匹配、机组爬坡量和等效负荷波动量匹配,以及减少外送断面越限原则进行调节机组优化选取。在此基础上,以机组调整成本及弃风量最小为目标,建立优化模型并采用改进粒子群优化算法求解。实际算例表明,考虑机组优化选取的滚动优化调度实现了超短期时间尺度上对负荷及风电预测偏差的自动跟踪调节,提高了发电计划的准确性,同时有效降低了综合发电成本和外送断面功率越限的风险,提高了电网运行的经济性和安全性。     

基于频繁模式挖掘的风电爬坡事件统计特性建模及预测

风电爬坡事件的统计特性建模和精准预测有利于电网的安全稳定运行。文中首先通过参数分辨率自适应算法对大型历史风电数据库进行爬坡事件检测,得到风电爬坡事件的历史学习集。对该学习集进行数据挖掘,建立了单个爬坡事件的起点、终点、持续时间以及爬坡间隔的多属性联合统计特性模型,并得到爬坡事件的基本模式。通过关联规则算法建立了多个相邻爬坡事件之间的自相关性统计特性模型。在此基础上,提出了爬坡事件序列预测算法的基本概念和模型。算例结果表明,所提算法能够更为直观地描述爬坡事件的统计特性,且基于事件序列的预测算法能够较好地进行日前的爬坡预测。     

结合交叉局部异常因子和注意力机制的 超短期风电功率预测方法

风电样本数据的质量和风功率预测模型的结构直接影响风电功率预测的精度,提出一种结合交叉局部异常因子(Local Outlier Factor, LOF)和注意力机制的高精度超短期风电功率预测方法。通过交叉LOF算法进行分钟级的风电数据异常孤立点检测,有效提高了样本数据的质量。通过增加注意力机制避免长短期记忆(Long Short-Term Memory, LSTM)算法在编解码过程中固定长度向量导致的数据特性损失问题,从而更有效利用历史数据的特征,提高风功率预测的精度。最后,对真实风场实测数据进行实验分析,验证了所述方法的可行性与准确性。