基于改进深度受限玻尔兹曼机算法的光伏发电短期功率概率预测

光伏发电功率受自然环境影响具有明显的波动性、间歇性与随机性,对光伏发电进行短期功率的概率预测可以有效缓解给电网调度、能量管理等方面带来的诸多不利影响。提出一种基于改进深度受限玻尔兹曼机(RBM)算法的光伏发电短期功率概率预测模型,通过灰色关联系数法寻找待预测日的相似日,并利用遗传算法对RBM算法进行参数优化,避免模型参数寻优陷入局部最优,以提高预测模型的预测精度。仿真算例表明,所提模型可以更好地反映光伏发电功率的概率分布。     

考虑光伏出力相关性的配电网概率潮流

分布式光伏发电出力随机性强,且同一区域内的光伏出力相关性显著。考虑光伏接入的配电网概率潮流研究,关键在于相关非正态的光伏输入随机变量的处理。采用Nataf变换进行相关非正态输入随机变量的抽样,并与点估计方法相结合,提出了考虑光伏出力相关性的配电网概率潮流计算方法。与传统处理相关问题的正交变换相比,Nataf变换能够反映相关系数在不同变量空间中的变化,因此,在处理相关非正态随机变量方面,Nataf变换比正交变换法更为精确。通过对含有分布式光伏发电的IEEE 33节点算例系统的计算,验证了Nataf变换的优越性。进一步,分析了不同光照强度相关系数、负荷功率波动大小以及估计点个数对概率潮流计算结果精度的灵敏度。     

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BLSTM-随机森林的短期光伏发电输出功率预测

光伏发电功率具有不确定性和波动性,准确预测光伏发电功率对提高光伏并网效率和保持电网安全运行具有重要作用.对江苏某地区光伏发电站的功率特性进行分析,使用小波降噪处理历史功率曲线,并对各气象条件使用灰色关联分析筛选出强相关影响因素,减少输出功率噪声和无关气象条件对功率预测的影响.将小波降噪处理后的历史输出功率及强相关特性构建数据集,建立基于双向长短期记忆网络(BLSTM)与随机森林的短期光伏发电功率预测模型,并与其他模型的预测误差进行比较.仿真结果表明,提出的BLSTM-随机森林的短期光伏功率预测模型具有较高的预测精度.     

光伏发电有功功率预测及其在电网频率控制中的应用

针对光伏发电有功功率预测准确率低的问题,提出了基于马尔科夫修正的小波神经网络光伏发电有功功率预测算法。将历史数据分为晴朗、多云等天气类型,分别进行训练,建立网络模型,再根据预测日天气预报采用不同的网络模型预测。光伏的大规模并网将会对电力系统的有功平衡造成很大的扰动,调度部门借助光伏发电有功功率的准确预测进而对自动发电控制进行超前控制可以有效降低频率的波动,减轻自动发电控制机组的调节压力。实际算例对算法进行了验证,并仿真了有功扰动下的频率恢复特性,表明了基于光伏发电有功功率预测的自动发电控制超前控制方法的有效性。     

基于周期信息增强的Informer光伏发电功率预测

针对光伏发电功率预测方法难以捕捉层次时序信息导致预测精度提升受限的问题，提出基于周期信息增强的Informer光伏发电功率预测方法。首先，提取光伏发电功率序列标量投影、局部时间戳和全局时间戳建立周期信息增强的预测模型嵌入层；然后，通过Informer模型概率稀疏自注意力主动筛选光伏发电功率与特征变量间重要联系，采用卷积层和池化层对模型变量维度和网络参数进行自注意力蒸馏；最后通过解码层生成式机制进一步预测单序列和长序列发电功率。通过仿真验证，所提模型预测精度更高，能够对光伏发电功率进行长时间预测。     

基于通用分布的光伏发电系统出力模型的研究

光伏发电系统出力模型具有广泛的用途,最重要的用途是在给定的一组气象条件下预测光伏发电系统的输出功率,是实现光伏功率准确预测的重要环节。此外,光伏发电系统出力模型还广泛用于光伏发电系统组件预购比较、系统状态监测以及投资回报时间等方面。建立了基于通用分布的光伏发电系统出力概率模型,通过对历史辐照度分箱、采用通用分布对各箱内实际出力拟合以及逆变换抽样,构造了刻画光伏出力的概率场景集;进一步提出了基于辐照度分箱的温度校正系数对模型进行修正。以实际光伏数据对模型进行了检验,结果表明该模型计算速度快,计算精度高,具有较高的实际应用价值。     

光/储混合系统中的储能控制技术研究

在含有高渗透率光伏发电的配电网中,安装储能系统可以减小光伏功率波动对电网的冲击。为了实现储能对光伏发电功率的平滑作用,提出一种基于低通滤波与短时功率预测技术的储能控制方法,大幅度消除了传统低通滤波方法造成的延时,同时可降低光伏功率预测误差对控制效果的影响,提高了平滑效果,节省了储能安装容量。仿真结果显示该策略能有效降低光伏发电功率的波动性,降低电池过充或过放现象的发生概率。     

基于LSTM与迁移学习的光伏发电功率预测数字孪生模型

文章提出了一种基于长短期记忆网络(long short term memory network,LSTM),面向光伏发电功率预测的数字孪生模型,并通过迁移学习将此模型应用到其他投入运行时间较短、数据不足的光伏系统发电功率预测中。光伏发电功率由于受到太阳辐照度、温度和一些随机因素的影响,具有较强的间歇性和波动性,因此很难进行精确的光伏功率预测;所提出的数字孪生模型,实现了与光伏系统物理实体的同步和实时更新,因此获得比传统预测方法更准确的预测结果,同时利用从历史数据充足的光伏系统中学到的知识来辅助历史数据有限的光伏系统建立发电功率预测数字孪生模型,不仅可以得到精确的预测结果而且节省了模型训练时间。文中通过Queensland大学开源网站中3个不同站点以及山西晋能清洁能源公司的光伏历史数据验证了所提方法的有效性。     

基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电短期预测

为提高部分数据缺失情况下智能电网光伏发电功率预测精度,提出一种基于双维度顺序填补框架与改进Kohonen天气聚类的光伏发电功率预测模型。采用双维度顺序填补方法补齐缺失数据,基于完整数据分析光伏发电功率影响因素,建立改进Kohonen天气聚类模型,并利用S-Kohonen实现预测日天气类型识别,将聚类历史日数据与预测日气象数据作为输入,采用多种群果蝇优化广义回归神经网络(MFOA-GRNN)模型对预测日光伏发电功率进行预测。仿真结果表明,所提方法能有效提高预测精度,为实现数据缺失情况下智能电网光伏发电功率的精准预测提供了一种思路。     

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。     

基于典型气象周的GRNN光伏发电量预测模型

由于光伏发电量具有波动性,且现有的光伏发电量预测技术存在气象因素考虑不全面、特征提取不充分等问题,为提高光伏发电量预测精度,文中提出一种改进的典型气象年方法(TMY Method)生成典型气象年数据,并结合广义回归神经网络(GRNN)进行光伏发电量预测。首先,选择6种历史气象指标,利用Finkelstein-Schafer统计方法选择典型气象周,并生成典型气象年数据;然后,使用因子分析法对会影响光伏发电量的气象指标进行筛选,对筛选出的气象指标和日光伏发电量进行标准化处理后,将其作为GRNN模型的初始输入量,得到预测日的光伏发电量;最后,利用江苏省南京市的历史气象数据及日发电量数据对所设计的模型进行训练和预测。结果表明,与标准TMY Method-GRNN预测方法相比,文中所提预测方法有较好的预测性能。     

基于概率潮流法的含分布式光伏的配电网电压状态评估

为克服高渗透分布式电源接入所导致的传统配电网运行状态评估方法存在盲区的困难,对计及分布式电源随机特性的配电网电压质量的状态定量评估方法进行研究。首先引入一种半不变量结合Gram-Charlier级数展开的概率潮流计算方法,并建立含系统电压平均越限概率、节点电压置信区间和节点电压最大越限概率指标的评估体系。然后以分布式光伏为代表,构建了其有功出力服从Beta分布的概率模型,并定义一种改进的计及光伏波动特性的光伏渗透率指标,由此定量评估不同光伏渗透率对配电网电压质量的影响。最后验证该算法用于配电网电压质量状态评估的可行性。     

基于动态时间规整的风电功率爬坡滚动修正模型

不断提高风电爬坡事件特征量的预测精度对电力系统安全稳定运行意义重大.因此,提出一种爬坡事件特征量与数值天气预报(NWP)气象数据相结合的风电爬坡滚动修正模型.首先,基于PRAA算法获得历史数据库与预测数据库中的所有爬坡事件特征量,建立爬坡特征量预测误差向量矩阵.然后,分析误差向量矩阵与NWP中各气象数据的线性和非线性相关关系,识别影响爬坡特征量预测误差的有效气象指标.最后,基于动态时间规整实现未来与历史数据库中具有相似特征的有效气象指标匹配,得到未来爬坡事件预测误差修正的参考集,并进行滚动修正.算例表明,该修正模型能有效降低爬坡幅值误差,提高爬坡事件预测的精度.     

基于突变理论的风电爬坡多步预测

风电爬坡实现的多步预测是保障大规模风电并网后电网安全和电能质量的有效手段。提出了一种基于突变理论的风电爬坡多步预测方法,首先将风电爬坡事件视为一种突变现象,采用相关性分析、主成分分析和线性加权累加方法处理中尺度气象数据,确定突变爬坡的相关变量;然后分别建立上行和下行爬坡的突变预测模型,通过综合考虑增大预测步长和减小预测误差,求解多目标优化问题,以训练模型参数,实现风电爬坡的多步预测。仿真结果表明,该方法可以比较有效地预测风电爬坡事件,与统计方法相比具有更大的预测步长和更高的准确率。     

基于包络线聚类的多模融合超短期光伏功率预测算法

针对传统功率预测方法以气象因素进行聚类划分时各气象因素权重难以分配以及单模型预测精度较差的问题,提出一种基于光伏功率包络线聚类的多模融合超短期光伏功率预测算法.对异常特征数据进行预处理,采用Pearson相关系数与XGB Feature Importance模块分析光伏功率和各特征之间的相关关系,并构建新特征;介绍包络线理论,并根据光伏功率包络线参数进行聚类划分,将聚类后的数据作为输入,借鉴Stacking集成学习框架构造XGBoost+LightGBM+LSTM融合模型对光伏功率进行预测;将所提算法与气象因素聚类和功率区间聚类下的各预测算法进行实验对比;为了避免训练过程中模型超参数的影响,采用K折交叉验证对数据的训练集、验证集和测试集进行划分.仿真结果表明,所提算法较气象因素和功率区间聚类法能有效提高复杂天气情况下光伏功率预测精度,且多模融合效果总体优于单独算法模型.     

基于模糊C-均值聚类的时序概率潮流快速计算方法

为衡量光伏出力与负荷的时序变化特性对电力系统运行状态的影响,基于模糊C-均值聚类算法提出一种时序概率潮流快速计算方法.将一天分为24个时段,采用自适应扩散核密度估计法分别建立光伏出力与负荷的概率密度分布模型,提高概率模型局部适应性,并通过Copula理论描述二者之间的相关关系;利用模糊C-均值聚类法划分光伏出力与负荷场景,利用场景聚类中心与场景发生概率代替蒙特卡洛模拟过程进行概率潮流计算,大幅减少计算次数.基于我国西北某地实际测量数据和IEEE 30节点系统进行仿真分析,结果表明所提方法能在保证准确性的前提下,提高时序概率潮流的计算速度.     

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。     

基于集成学习的分布式光伏发电功率日前预测

对于光伏发电功率精准的日前预测有助于电网设计未来调度计划，降低新能源发电对电网的冲击，提高消纳率。提出一种Boosting集成学习框架下的光伏发电功率日前预测方法。首先，根据光伏出力主要受天气影响的特点，通过皮尔逊系数获得相关性强的气象因素，利用k-means++对与光伏发电功率相关性极强的总水平辐照度进行聚类以获得相似日数据集；然后，将极限学习机（extreme learning machine，ELM）引入Boosting框架，构建光伏出力日前预测模型（B-ELMs）；最后，利用真实光伏电站运行数据验证模型有效性，该模型在试验过程中展现出良好的适应性，最高决策系数（R²）达0.9819。实验结果表明，由于集成学习框架的存在，B-ELMs能对复杂天气下的规律性弱、波动性强的光伏出力曲线提供较为精确的预测结果；同时，相较于深度学习网络，B-ELMs的收敛速度更快，在维持较快训练速度的同时保障更为精确的预测结果。