用于含风电场的电力系统概率潮流计算的高斯混合模型

大规模风电并网使电力系统的不确定性显著增加,给电力系统的安全稳定运行带来更大的挑战,用于系统不确定性分析的概率潮流的研究日益重要。该文针对短期风电功率预测误差不对称甚至多峰的概率密度分布特性,提出采用高斯混合模型对预测误差概率密度分布进行拟合。在此基础上,针对各高斯混合模型中子高斯的随机组合结果,采用改进加权最小二乘法计算各组合对应状态变量的概率密度分布。最后,以各组合中子高斯权重系数的乘积为权重,将各组合对应状态变量的概率密度分布加权整合,得到电力系统概率潮流结果。该方法将高斯混合模型与改进加权最小二乘法相结合,很好地拟合了短期风电功率预测误差的概率分布特性,避免了传统加权最小二乘估计中繁琐的迭代寻优过程,大大简化了电力系统概率潮流求解过程。以改进IEEE14节点系统进行算例分析,验证了该方法的准确性和有效性。     

风电功率及其预测误差概率分布研究

进行风电功率及其预测误差概率分布研究对分析风电功率分布特性有重要意义.以风电功率、日功率波动量均值为指标,统计分析风电在不同时间尺度下的波动概率分布;针对正态分布模型对风电功率及其预测误差分布拟合效果较差问题,利用非参数估计法拟合风电功率及其短期预测误差概率分布,并以残差平方和、相关系数为评价指标,对比不同预测模型和采样间隔对应的拟合效果;基于实测数据的分析结果表明,非参数估计法可以有效拟合风电功率及其短期预测误差概率分布,且具有较好的实用性.     

基于风电场功率特性的风电预测误差分布估计

风电功率预测对风电场运行和电网调度决策具有重要影响。基于风电场的功率特性曲线,提出了一种风电预测误差分布的估计方法。首先根据历史运行数据对风电场的功率特性曲线进行拟合;然后按照风电场的切入风速和额定风速将历史实测数据划分为3部分,并利用改进后的广义误差分布等模型提取每一部分风电功率预测误差的概率密度特性,根据其数值特征,设定相应的风电功率修正方法和预测误差分布的估计方法;最后按照待测日预测风速的大小选择对应的修正方法补偿所预测的功率,并估计预测误差的分布范围。结合中国北方某风电场的实际运行数据进行了仿真算例分析,验证了所提方法的有效性。     

基于风电场功率特性的风电预测误差分布估计EI北大核心CSCD

风电功率预测对风电场运行和电网调度决策具有重要影响。基于风电场的功率特性曲线,提出了一种风电预测误差分布的估计方法。首先根据历史运行数据对风电场的功率特性曲线进行拟合;然后按照风电场的切入风速和额定风速将历史实测数据划分为3部分,并利用改进后的广义误差分布等模型提取每一部分风电功率预测误差的概率密度特性,根据其数值特征,设定相应的风电功率修正方法和预测误差分布的估计方法;最后按照待测日预测风速的大小选择对应的修正方法补偿所预测的功率,并估计预测误差的分布范围。结合中国北方某风电场的实际运行数据进行了仿真算例分析,验证了所提方法的有效性。     

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。     

短期风电功率预测误差分布研究

短期风电功率预测一直是风电领域的研究热点,提出采用带位置和尺度参数的t分布描述风电功率预测的误差分布。分别采用差分自回归移动平均模型和BP神经网络,根据风电场实测数据进行功率预测,对两种预测模型产生的误差进行分析,验证了带位置和尺度参数的t分布可以有效描述预测误差分布。短期风电功率预测研究发现,带位置和尺度参数的t分布对误差的拟合优度高于正态分布,其各项参数可作为评价预测算法准确度的指标,通过分析分布参数可以直观了解预测算法的性能。     

考虑功率数据相关性的风电功率超短期预测

通过对风电场内部不同区域风电功率序列的相关性进行分析,确定风电机组的空间差异性对风电功率预测产生影响,提出一种提高风电功率超短期预测效果的分层叠加预测方法。基于东北某风电场实测数据的算例分析表明,相同的风电功率预测方法,使用分层叠加法预测比整场预测误差小,更能提高风电功率超短期预测效果。     

基于高斯混合模型的风电场群功率波动概率密度分布函数研究

如何描述风电功率波动的概率密度分布特性一直是风电联网运行分析领域的难点。在利用概率密度函数法分析风电功率波动特性的基础上,首先验证了采用多种单一分布函数模型拟合风电波动概率密度分布特性的效果较差,并根据列维定理揭示了风电场群出力波动概率密度分布特性呈现多种分布的规律;在此基础上提出采用高斯混合模型替代单一分布函数模型来拟合风电波动概率密度分布特性的方法。仿真结果表明,高斯混合模型具有良好的拟合效果,适用于描述大型风电场群出力波动的概率密度分布特性。     

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。     

基于灰色模型的风速-风电功率预测研究

风场中风速变化带来的风电功率波动是影响风电质量的重要因素。基于灰色模型,对超短时平稳风速进行了一步至四步预测,并且检验了预测误差情况。对不稳定风和阵风进行风速预测,以平稳风为例,根据实际风电功率和对应时序风速的关系建模,得到了风电功率随风速变化的各类模型下的拟合参数。为了提高风电功率的预测精度,通过从分段函数和整体建模两个角度比较各种模型的准确程度,得到了适宜于作为风电功率特性曲线的函数模型。通过预测的超短期风速在两种情况建模时风电功率模拟值与实际值的比较,得到了更适宜作为风电功率特性的模型。用我国某风场     

基于灰色模型的风速-风电功率预测研究

风场中风速变化带来的风电功率波动是影响风电质量的重要因素.基于灰色模型,对超短时平稳风速进行了一步至四步预测,并且检验了预测误差情况.对不稳定风和阵风进行风速预测,以平稳风为例,根据实际风电功率和对应时序风速的关系建模,得到了风电功率随风速变化的各类模型下的拟合参数.为了提高风电功率的预测精度,通过从分段函数和整体建模两个角度比较各种模型的准确程度,得到了适宜于作为风电功率特性曲线的函数模型.通过预测的超短期风速在两种情况建模时风电功率模拟值与实际值的比较,得到了更适宜作为风电功率特性的模型.用我国某风场的数据验证了方法的有效性.     

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。     

基于自适应扩散核密度分布的风电功率预测误差分析研究

针对风电功率预测误差多变分布特点,提出一种基于自适应扩散核密度分布的风电功率预测误差概率模型。利用将高斯核函数转换为线性扩散过程的自适应扩散核密度预测误差分布模型,并采用渐进均方积分误差法为扩散核函数选取自适应最优带宽,提高了风电功率预测误差拟合的局部适应性;其次,分析自适应扩散核密度分布模型在不同预测方法、不同装机容量和不同采样周期下对风电功率预测误差的拟合效果,并与高斯等混合参数模型和固定带宽核密度模型进行对比,验证了所建模型在不同情况下的适用性。     

风电功率预测误差分段指数分布模型

风电预测存在较大误差,对于风电场和电网调度人员而言,预测的不确定性信息比单纯的功率预测值更有指导意义。基于对中小规模风电场短期和超短期功率预测误差分析,提出风电功率预测误差分段指数分布模型,并进行分段指数分布概率密度函数及概率分布函数推导,采用非线性最小二乘法进行参数估计。实例分析中,通过模型精度指标和曲线拟合效果对比了分段指数分布模型与传统误差分布模型,论证了分段指数误差分布模型较传统模型在精度、灵活性方面的优势。     

基于误差修正的NNA-ILSTM短期风电功率预测

为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼（Spearman）等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法（NNA）优化改进的长短期记忆网络（ILSTM）中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。     

基于CEEMDAN-IDOA-BiLSTM的超短期风电功率预测

准确可靠的风电功率预测对电力系统调度、风电场的效益和电网的安全稳定运行具有重要意义。为了提高超短期风电功率预测的准确性,提出了一种基于自适应噪声完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）和改进野狗优化算法（improved dog optimization algorithm,IDOA）优化双向长短时记忆网络（bi-directional long short-term memory,BiLSTM）的组合模型预测超短期风电功率方法。该方法先采用CEEMDAN分解方法将原始的数据分解来降低原始数据的复杂性和不稳定性,将分解后的所有序列进行偏自相关方法分析,选出重要性较大序列作为IDOA-BiLSTM模型的输入,最后通过IDOA-BiLSTM模型进行超短期风电功率预测。采用甘肃某风电场实测数据为数据集,进行训练模型和预测分析,结果表明所提出的超短期风电功率预测模型具有较高的预测精度,具备实际应用的可行性。     

一种改进的风电功率超短期组合预测

为提高风电功率超短期预测精度,针对目前的风电功率超短期组合预测算法都是将各子预测算法的权重设为固定值,导致风电功率超短期预测结果精度不高的问题,提出一种改进的风电功率超短期组合预测算法。该算法包含BP神经网络、天气预报、实测功率外推法等子预测算法,结合实际运行情况判断各子预测算法的执行结果,并根据执行结果动态改变各子预测算法的权重,以保持较高的预测精度。实际应用效果表明：该算法预测精度较高,运行效果较好,4h内的预测均方根误差在10%以内。     

基于风过程方法的风电功率预测结果不确定性估计

以我国多个地区实际运行风电场为研究对象,以实现风电功率预测结果不确定性较优估计为目的,提出了基于风过程方法的风电功率预测结果不确定性估计方法,并给出了各风过程的数学模型。采用风过程方法和功率水平划分方法划分预测误差数据,可有效识别不同特性预测误差。采用非参数回归方法拟合误差概率密度分布,获得了较优的拟合结果。根据实际风电场数据验证文中方法的先进性,其与基于正态分布优化拟合的估计方法的比较结果表明,文中方法的各项评价指标均优于后者。     

基于非参数核密度估计的风电场有功功率双层优化模型

为有效解决风电出力不确定性导致的机组组合问题,基于非参数核密度估计风电功率预测误差概率密度分布,提出一种日前-实时阶段的双层优化模型.首先,基于风电功率预测误差概率密度分布,构建风电功率上下波动域.其次,建立非参数核密度估计风电最佳置信水平的双层优化模型,上层以风电-火电协同运行成本最小为目标,下层以风电和火电输出功率...     

考虑风电功率条件相关性的广义椭球不确定集合建模

近年来,鲁棒优化在电力系统优化调度领域取得了优良的效果。鲁棒优化的一个关键问题是确定风电功率不确定集合,而现有方法难以依据最新风电功率预测信息更新不确定集合。针对这一问题,该文基于条件copula copula模型,构建考虑风电功率条件相关性的广义椭球不确定集合。该方法综合考虑了预测误差的时间相关性,非正态的边缘分布特性,以及与风电功率预测值的条件相关性。此外,提出了条件normal copula模型的解析表达式以及相应采样方法。该方法实现了依据最新预测信息更新不确定集合,提高了模型的准确性,降低了集合的保守度。对某风场历史数据进行仿真分析,结果验证了所提算法的有效性,以及预测误差统计特性对不确定集合拟合效果的影响。