典型风电场风电功率预测误差研究

比较了风电场并网功率的预测值与实际值,研究了风电场并网功率日预测误差概率及最大日预测误差、风电场并网功率实时预测误差概率分布、风电场预测数据的均方根误差和风电场风功率预测误差的分布特性,并提出了利用储能系统减小风功率预测误差,提高风电功率预测精度。     

基于非参数回归模型的短期风电功率预测

随着风电接入规模的增加,风电功率预测日益重要.非参数估计方法是模型估计和预测的典型方法之一,在国内短期风电功率预测中尚无应用.文中将非参数回归技术应用于短期风电功率预测,包括风电功率点预测和风电功率概率区间预测.首先,基于非参数回归模型,建立风速与风电功率之间的转换模型,得到风电功率的点预测值;其次,基于经验分布模型与非参数回归技术,建立风电功率预测误差的概率分布函数,得到风电功率预测值的概率区间.以内蒙古某风电场为例,验证了将非参数回归技术应用于风电功率预测的有效性.     

基于功率波动过程的风电功率短期预测及误差修正

风资源因具有较强的波动性、随机性与间断性等特点而导致风电功率预测精度不高。为减小风电功率波动对电网的冲击,提高电力系统对风电的接受与消纳能力,提出了改进的风电功率短期预测方法与基于波动的误差修正方法。首先将风电功率按不同波动过程进行聚类划分,提取不同波动的特征曲线对功率值进行修正;采用引力搜索算法优化的反向传播神经网络(GSA-BP)作为基本预测方法进行预测;分析不同波动过程下的预测误差表现,建立预测误差与综合气象指标的映射关系。针对不同波动过程建立相应的风电功率误差修正模型,提出了线性模型和GSA-BP非线性模型相结合的方式对预测误差进行修正,最后以功率预测值叠加预测误差修正值作为最终预测结果。该风电功率预测误差修正方法不仅涉及风速风向等常规因素,而且考虑到了风电功率的波动性。     

基于OVMD-SSA-DELM-GM模型的超短期风电功率预测方法

为了提高风电功率的预测精度,提出了一种基于最优变分模态分解(optimal variational model decomposition,OVMD)、麻雀算法(sparrow search algorithm,SSA)、深度极限学习机(deep extreme learning machine,DELM)和灰色模型(grey model,GM)的超短期风电功率预测方法.该方法通过OVMD对原始风电功率时间序列进行自适应分解;然后针对各分量建立DELM预测模型并利用SSA算法进行参数寻优,并对各个分量的预测结果进行求和重构;利用GM对误差序列进行预测;最后将误差的预测值与原始风电功率的预测值叠加得到最终预测结果.对北方某风电场的风电功率数据进行仿真实验,结果表明,该方法预测效果明显优于传统方法,有效提高了超短期风电功率预测的精确性.     

关于短期及超短期风电功率预测的评述

讨论风电功率预测及其误差对电力系统的影响,从信息流观点解读风电功率预测过程,归纳影响风电功率预测精度的因素,并对风电功率预测的研究现状加以归类与梳理。在此基础上,讨论对风电功率预测结果评价指标的要求,提出误差评估指标应该反映整个时间窗口内的预报质量,并展望风电功率预测可能的突破。     

基于误差叠加修正的改进短期风电功率预测方法

对风电功率进行较为准确的预测是合理调整含有风电的电力系统或微电网系统的调度策略,提高其运行稳定性与经济性的有效手段。在分析传统风电功率预测过程的基础上,从基本预测方法在功率预测过程中的使用策略角度出发,提出了不依赖于基本预测方法的新的改进预测思路。在这种改进方法中,增加了误差预测模型,对传统方法的预测值所包含的误差值进行预测,并将通过误差预测模型得到的预测误差与传统方法的预测值叠加作为改进方法的最终预测结果,并以反向传播(BP)神经网络作为基本预测方法对实际风电场进行实例验证分析。计算结果表明:提出的改进风电功率预测方法能够较大幅度地提高预测精度;提出的改进思路和传统改进思路不同,并不涉及基本预测方法内部特性且无需引入其他辅助方法,因而具有良好的通用性。     

风电功率物理预测模型引入误差量化分析方法

风电功率短期预测是风电调度运行的基础之一,物理预测方法是风电短期功率预测的基本方法之一,在欧美等国家仍作为主要预测方法,分析风电功率物理预测方法的误差源对提升预测精度具有重要作用。针对风电功率物理预测方法的误差来源问题,在分解物理预测关键环节的基础上,分别从物理模型、地转拖曳定律、数值天气预报(NWP)风速、风速-功率转化等方面,采用单一变量原则研究了各环节误差探明方案,通过物理过程推导,提出了一种面向风电功率物理预测模型的误差源分析方法,获得了物理预测方法各环节引入预测误差的量化结果。采用实际算例进行测试的结果显示,所提出的误差源分析方法能够获得误差源量化分析结果,且分析结果与实际相符,验证了方法的准确性。     

风电功率预测误差分析及预测误差评价方法

风电功率预测对含大规模风电的电力系统安全、经济运行有着重要意义。分析了风速和风功率特性、预测模型算法和预测模型输入变量对风功率预测误差的影响;以某风电场实测数据为例,对预测结果采用误差评价指标进行了评价分析,提出通过预测模型修正逐步减小风电功率预测误差的方法,给出了预测模型修正流程图。可为提高风电功率预测精度提供参考,从而使功率预测系统可以更好地服务电力生产。     

风电功率预测误差分析及预测误差评价方法

风电功率预测对含大规模风电的电力系统安全、经济运行有着重要意义。分析了风速和风功率特性、预测模型算法和预测模型输入变量对风功率预测误差的影响;以某风电场实测数据为例,对预测结果采用误差评价指标进行了评价分析,提出通过预测模型修正逐步减小风电功率预测误差的方法,给出了预测模型修正流程图。可为提高风电功率预测精度提供参考,从而使功率预测系统可以更好地服务电力生产。     

基于RR-VMD-LSTM的短期风电功率预测

准确的风电功率预测有利于电力系统运行、峰值调节、安全分析和节能减耗。提出了一种基于鲁棒回归(Robust Regression, RR)和变分模态分解(Variational Mode Decomposition, VMD)的长短时记忆(Long Short-Term Memory, LSTM)模型的风电功率预测方法。先使用RR处理采集数据的缺失值和异常点。再利用VMD得到风电功率序列以消除噪声并挖掘原始序列的主要特征。最后采用LSTM对每个分解序列的历史时间序列进行学习并完成预测,并通过重构所有序列的预测值获得风电功率的最终结果。使用所提出的方法对华北某一风电场风电功率进行预测,将预测结果与其他模型对比。结果表明,使用RR-VMD-LSTM方法能显著改善预测性能,降低风电功率预测误差。     

基于小波-神经网络的风速及风力发电量预测

风能作为可再生清洁能源已得到世界各国的广泛应用。由于风速的不确定性,给保障风力可靠性发电带来了一定的困难。提出了一种较为准确的小波–神经网络法预测风速。该方法利用小波函数将原始波形进行不同尺度的分解,将分解得到的周期分量用时间序列进行预测,其余部分采用神经网络进行预测,最后将信号序列进行重构得到完整的风速预测结果。在神经–网络学习过程中加入了微分进化算法,提高了其收敛速度,解决了局部最小化问题。通过实例分析证明了该算法能较为准确地预测风速。     

基于时间序列分析的风电功率预测模型

风电功率的精确预测对于电网合理调度,降低电网运行成本和保证电网系统安全性等方面有重要的意义。基于风电功率历史数据具有的时间序列特性,应用时间序列法建模,对风电场的发电功率进行短期和中长期预测,同时分析单一机组和汇聚机组对预测效果的影响。实证研究结果表明,利用时间序列分析方法,能比较精确地预测风电场发电功率,且短期内预测平均绝对百分比误差不超过15%,预测的合格率已超过85%,并且集中开发的方式可以减少预测误差。     

基于虚拟预测与小波包变换的风电功率组合预测

为了提高风电功率的预测精度,针对风机功率不稳定性和非线性强的特点,使用小波包变换将风机出力分解成多个频率的子序列,然后运用组合预测方法分别对各子序列进行提前24 h预测,叠加各子序列的预测值,得出实际预测结果。其中组合预测方法权系数是通过虚拟预测的方法由方差倒数法确定。选择广东某风电场实测数据作为案例,对连续7天风电功率进行了预测。结果表明:小波包变换能有效把握风电功率变化规律,对小波包变换后的各子序列的预测结果表明组合预测效果优于单一预测方法。     

基于最小二乘支持向量机的风电场短期风速预测

提出了一种基于最小二乘支持向量机的风电场风速预测方法。以历史风速数据、气压、温度作为输入,对风速和环境条件进行训练,建立预测模型,并且运用网格搜索法确定模型参数。算例结果表明,使用上述方法预测的风速与真实值基本一致。将本文提出方法与BP(back propagation)神经网络法的预测结果进行对比,表明前者具有更高的精度和更强的鲁棒性,因此是一种比较有价值的风速预测方法。     

风电场风速和发电功率预测研究

风速预测对风电场和电力系统的运行都具有重要意义。对风速进行比较准确的预测，可以有效地减轻或避免风电场对电力系统的不利影响，同时提高风电场在电力市场中的竞争能力。基于时间序列法和神经网络法，该文对风速预测进行了研究，提出了预测风速的时序神经网络法。该方法用时间序列法建模，得到风速特性的基本参数，并用这些参数选择神经网络的输入变量；为了提高预测精度，提出了滚动式权值调整手段。该方法有效地提高了风速预测的精度。     

风电场短期风速的混沌预测方法

高精度的短期风速预测对提高含大量风电机组电网的安全稳定性及降低运行成本具有重要意义。文中在对风速时间序列进行相空间重构的基础上,使用混沌加权零阶局域预测法对风速进行预测;进而针对该方法在高嵌入维数下以欧氏距离寻找临近相点进行预测不准确的不足,提出了一种改进加权零阶局域预测法。该方法用相点间关联度来确定临近相点,并且提出了一种新的加权系数计算方法,以提高预测精度。算例分析结果验证了该方法的可行性和有效性。     

时间序列与神经网络法相结合的短期风速预测

利用时间序列－神经网络法研究了短期风速预测。该方法用时间序列模型来选择神经网络的输入变量,选用多层反向传播(back propagation,BP)神经网络和广义回归神经网络(generalized regression neural network,GRNN)分别对采样时间间隔为10 min、20 min和30 min的风速序列进行预测。结果表明,时间序列结合GRNN的方法精度更高,具有一定的实用价值。     

基于风光混合模型的短期功率预测方法研究

准确地预测风力发电及光伏发电的输出功率对提高风光互补供电系统的调度质量具有重要意义。建立了基于BP神经网络的风光混合预测模型,将现有技术中分两次预测的风电功率和光伏功率采用同一个预测模型,同时实现整个区域风电场及光伏电站的输出功率预测,在简化预测方法的同时提高预测准确度。通过某海岛的风电及光伏电站的实际数据验证,计算分析了预测误差。结果表明该方法具有较高的预测精度,对风光混合的功率预测具有一定的学术价值和工程实用价值。     

分散式风电场不同时间等级的多目标无功优化控制

针对具有一定动态无功调节能力的双馈式风力发电机组构成的分散式风电场,为解决其经济稳定运行,提出一种包含风功率预测的不同时间尺度多目标无功优化控制方法。考虑风速变化相关性分组-单机预测风电机组无功输出情况,通过风电机组和SVC共同补偿电网无功需求;根据风电预测无功功率信息,采用多目标无功控制快速有效调节其输出功率以跟踪无功补偿指令。为减少风电场内设备动作次数,选取不同时间级的控制,目标为分钟级无功控制以有功网损最小为优化目标,秒级的无功控制以电压偏差最小、电压稳定裕度最大、短时闪变最小为综合优化目标,毫秒级的无功控制以机组变流器的瞬间最大无功支撑能力为优化目标进行无功分配。工程算例证明所提策略有效的降低网损、提高电压支撑能力并保证电网正常的运行。     

基于脊波神经网络的短期风电功率预测

对风电功率进行较为准确的预测是提高电力系统运行安全性与经济性的有效手段.在分析脊波神经网络原理的基础上,将其应用于风速、风向及风电功率预测.首先建立预测模型分别预测风速及风向,再采用非线性神经网络实现对实际功率曲线的逼近,最后根据风速预测值和实际功率拟合曲线计算功率预测值.仿真结果表明,采用脊波神经网络预测方法相对于小...