基于主成分分析和谱聚类的短期风功率预测

风电场的大规模建设使得风电渗透率大大提高,为保证系统的安全稳定运行及风电消纳,需要对风电功率进行预测。为解决传统预测方法中数据维度过高的问题,提出一种基于主成分分析和谱聚类进行数据降维的预测方法。首先,基于主成分分析提取风电场各机组功率序列的主成分,实现对功率样本信息和预测对象的降维;其次,考虑风速波动特性和各机组的空间分布特征,对风速信息进行谱聚类,以实现样本数据的进一步降维;然后,基于风功率主成分信息与风速聚类结果,建立基于Elman神经网络的风电功率主成分预测模型,并通过逆变换最终得到风电场各机组功率的预测结果。利用江苏南通某海上风电场实际数据验证该方法,结果表明,预测结果的均方根误差明显降低,所提方法可以提高风电功率预测精度。     

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。     

基于数值天气预报风速和蒙特卡洛法的短期风电功率区间预测

随着风电在现代电网的渗透率越来越高,电力系统优化运行对风电功率区间预测的可靠性提出了更高要求。现有的风电功率区间预测通常针对历史数据整体的误差,或者基于不同的出力水平进行分类误差建模,难以反映预测模型对于不同风况下的适应性。鉴于此,提出了一种基于数值天气预报(NWP)风速和蒙特卡洛法的短期风电功率区间预测模型。首先,按照NWP风速对历史时段的点预测误差进行层次聚类,利用经验分布模型对不同风况下的误差进行概率分布拟合。然后,对待预测时刻的NWP风速所对应的累计经验分布概率值进行蒙特卡洛抽样,并在给定的置信水平下求取短期内各个待预测时点可能发生的功率波动区间。最后,以中国吉林省某风电场运行数据为例,与常用的概率预测方法相比,验证了所提方法的可靠性。     

基于多维时间序列和BP神经网络的短期风电功率预测

由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。     

基于特征聚类的区域风电短期功率统计升尺度预测

区域风电功率预测对于保障风电消纳及电网安全经济运行具有重要意义。由于新建风电场在并网初期尚未建立预测系统及各风电场预测精度参差不齐,经典的单场功率累加法预测精度并不高。提出一种基于风电功率数据特征聚类的区域风电功率统计升尺度预测方法,首先使用经验正交函数(empirical orthogonal function,EOF)法解析区域内风电出力特征,然后采用层次聚类法划分子区域,并利用风电场的相关系数和预测精度选取代表风电场,最后根据代表风电场的预测功率及权重系数完成区域风电功率的升尺度预测。应用冀北电网2015年的实际数据进行统计升尺度建模和方法验证。结果表明,相比累加法,文中提出的统计升尺度方法可改进区域风电功率预测精度,同时减少区域预测模型对单风电场数据完备性和预测精度的依赖。     

基于天气分型的风电功率预测方法

对风电场输出功率进行预测是保证大规模风电集中并网后电力系统安全稳定运行的有效手段。提出了种基于天气分型的风电功率预测算法,以数值天气预报(numerical weather prediction,NWP)中的风速向量和压力日变化为基础,采用主成分分析对样本进行降维处理,以聚类分析的方法对天气类型进行分类,针对不同的天气类型分别建立预测模型,并与单预测模型进行对比。研究结果表明,主成分分析结合聚类分析的方法可实现对天气现象的有效分类;对于较为稳定的天气现象,聚类模型较单模型的预测精度提高显著,而对于不稳定的天气现象,聚类模型预测精度提高有限;对总体样本而,基于天气分型的预测方法较常规方法精度提高2%以上。     

基于CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题，提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线，使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线；利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解，减少数据波动所带来的预测误差；建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型，并使用改进麻雀搜索算法(ISSA)优化网络参数，再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明，所提预测模型的预测精度相比其他对比模型更高，且有着更好的泛化能力。     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。     

基于改进k-means聚类的风电功率典型场景在日前调度中的应用

针对含风电电源的电网日前调度优化问题,应用聚类分析获得风电功率典型场景进行风电功率预测,并将预测结果用于日前调度优化具有重要意义。提出一种基于改进k-means聚类算法的风电功率典型场景生成方法,对周期内的风电数据通过场景生成和缩减,得到少数几个能反映周期内历史数据特征的风电功率典型场景集;然后以系统运行成本最小为目标,建立适应风电接入的日前机组组合模型,模拟风电接入后电力系统实际运行情况。最后通过算例比较风电功率点预测、区间预测和典型场景预测在电力系统日前调度中的经济运行优化结果,验证了所提方法的有效性和实用价值。     

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。     

基于机器学习的集群式风光一体短期功率预测技术

针对区域风、光电站群的功率预测,由于各站建站时间不同、单站预报精度残次不齐,导致传统的单站功率累加法预测精度和运行效率不高的问题,采用基于机器学习的二分K均值聚类算法分别对区域内的风电场和光伏电站群进行合理划分,结合区域内各电站历史功率数据及区域总历史功率数据的相关性,选取出各区域的代表电站。在对数值预报要素进行优化订正后,采用BP神经网络法建立基于风电场和光伏电站集群划分的短期功率预测框架模型。结果表明：采用该方法的集群式风电和光伏短期功率预测准确率高于或接近于传统单站累加的预测精度,且该方法在保证预测精度的同时,能够显著提高建模效率。     

基于PCC-RBF网络的风电功率短期预测方法

风电功率预测对风电场安全平稳运行、电网调度具有重要意义。针对风电功率短期预测指标选择不合理、预测精确度偏低的问题,提出一种基于皮尔逊相关系数(PCC)和径向基函数(RBF)神经网络的风电功率短期预测方法。该方法利用PCC筛选出与风电功率密切相关的3个指标,即电流、温度、风速,然后以这3个指标作为预测模型的输入对风电功率进行RBF样本训练与短期预测。试验结果表明,所提的预测模型预测误差更小,预测精度更高,能够满足风电功率短期预测的要求,具有广泛的应用前景。     

基于数值天气预报的风能预测系统

随着世界范围内风电事业的飞速发展,大量大容量风电机组直接接入高压输电网络,是对电网安全运营、电能质量保证的重大挑战,迫切需要使用风能预测系统来对风电机组的发电功率进行预测。提出一种基于数值天气预报以及人工神经网络的混合型风能预测系统。该系统以基于数值天气预报的风速和风向预测数据作为输入数据,以自组织神经网络作为预处理模型,以径向基函数网络模型作为预测模型,并依据特定风电机组或风场的发电量的历史数据对输出数据进行修正。用该预测系统对河北某风电场进行了实例计算,得到可接受的预测结果,表明系统可行。     

基于长短期记忆网络和LightGBM组合模型的短期负荷预测

短期负荷预测是电网安全调度与平稳运行的基础,为进一步提升负荷预测的精度,提出了基于长短期记忆(LSTM)网络和轻梯度提升机(LightGBM)的组合预测模型。首先,根据LSTM网络和LightGBM模型的输入结构,将预处理后的负荷数据、温度数据、日期数据以及节假日信息分别输入2个模型中,通过训练得出各自的预测结果。然后,采用最优加权组合法确定权重系数,并得出组合模型的预测值。最后,采用实际负荷数据进行算例分析,结果表明所提方法能够有效结合2种模型的优点,在保留对时序数据整体感知的同时兼顾非连续特征的有效信息,与其他模型相比具有更高的预测精度。     

基于小样本集的网侧风电功率预测方法

风电功率预测多采用统计预测模型,为了达到可接受的预测精度,需要大量的历史数据对模型进行训练,不适用于缺少历史数据的新建风电场,为此提出基于小样本集的网侧风电功率预测方法。基于风电场少量的历史数据,运用支持向量机方法建立了网侧风电功率预测通用模型,并用此通用模型对风电场功率进行初步预测;在通用模型预测的基础上,利用区域内风电场的特征参数对这一网侧通用模型进行辨识和修正,从而得到区域电网网侧风电功率预测结果。实际算例验证了基于小样本集的预测方法的可行性,实际预测精度较好,说明该方法适于历史数据样本较小的风电场的功率预测,能够减少功率预测中统计预测方法对数据的依赖。     

基于小波包分解和改进Elman神经网络的风电场风速和风电功率预测

准确预测风电场风速和风电功率对做好风电场运行维护、合理安排开停机计划以及确保电力系统的安全稳定运行具有重要意义。提出了基于小波包分解和改进Elman神经网络的新型风电场风速和风电功率预测方法并给出了具体应用步骤。首先利用小波包分解理论对经过初步处理的历史风速数据进行分解处理,根据相关性剔除随机数据,保留最优分解树;随后提出带扰动的PSO训练算法用以提高Elman神经网络的训练速度,并解决PSO算法易陷入局部最优解的问题;最后利用不同结构的Elman神经网络寻找最优分解树不同频段下的风速规律进而获得风速和风电功率预测结果。南方某风电场算例表明该方法具有更高的预测精度,能够正确反映风速和风电功率规律。     

基于自适应权重的CNN-LSTM&GRU组合风电功率预测方法

准确预测风电功率可以提高电网运行的安全性和可靠性.为进一步提高短期风电功率预测精度,针对目前单一模型难以获得最优预测结果的问题,提出一种CNN-LSTM&GRU多模型组合短期风电功率预测方法.首先,利用卷积神经网络(convolutional neural network,CNN)提取数据局部特征,并结合长短期记忆(l...