大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS-SVM）的预测模型。由于LS-SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（Quantum-behaved Particle Swarm Optimization, QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine, WLS- SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

基于QPSO-LSSVM的风电场超短期功率预测

准确预测风电场的发电功率,有利于电网的经济和安全调度。为提高风电场超短期功率预测的精度,建立了基于最小二乘支持向量机（LSSVM）的风电场超短期功率预测模型,并采用量子粒子群算法（QPSO）对LSSVM中影响回归性能的参数进行优化。通过对福建某实际风电场超短期功率预测的应用表明,与BP神经网络和QPSO-LSSVM的预测结果相比,QPSO-LSSVM预测模型多种误差指标均较小,具有较高的预测精度和鲁棒性,是一种有效的风电场超短期功率预测方法。     

基于小波分解的风电场短期功率混合预测模型

为提高预测前1 h风电功率的精度,提出一种基于小波分解(WD)的人工神经网络(ANN)及最小二乘支持向量机(LS-SVM)相结合的预测方法。通过小波分解将功率和风速序列分解为不同频率的子序列,根据风机输出功率特点分析,对低频和高频子序列分别采用ANN法和LS-SVM法进行预测,最后通过重构得到预测结果。利用该方法对东北某风电场提前1 h的功率进行预测,实验结果表明:该模型具有较高的预测精度,与单纯的BP神经网络的模型相比,绝对平均误差从10.25%下降到5.62%。     

基于DA-CNNGRU混合神经网络的超短期风电场功率预测方法

风力发电功率受到风速、风向等气象因素而呈现强波动性与随机性,对超短期风电功率精确预测提出了挑战.针对上述问题,提出一种基于双重注意力机制-CNNGRU混合神经网络的超短期风电功率预测方法.首先,为提升模型对输入数据矩阵的时空特性提取能力,提出一种基于卷积神经网络结合门控循环单元神经网络的组合算法;其次,为提升模型对强相...     

组合模型在风电场发电功率短期预测中的应用

随着风力发电的不断发展以及大规模风电场的建设,风电场发电功率的短期预测对于其发展起着至关重要的作用.提出基于相空间重构理论RBF神经网络功率预测模型,通过判断功率时间序列的混沌属性,还原其规律性,以达到提高预测准确度的要求;结合支持向量机模型,建立了组合预测模型.通过对结果进行对比分析,显示组合模型可以提高短期发电功率预测准确度,更好地满足实际现场需要.     

风电场输出功率超短期预测结果分析与改进

风电场输出功率预测对接入大量风电的电力系统调度及安全稳定运行具有重要意义。文中介绍了2009年10月在现场投运的风电场超短期功率预测系统的多层前馈神经网络模型结构,对系统运行3个月的预测结果进行了分析,对预测模型的系统误差进行了修正,同时采用统计方法修正了风电场尾流效应对预测结果的影响,从而改进了模型的预测精度。改进模型的预测结果得到了改善,均方根误差下降了约6%,平均绝对误差下降了约7%,且预测结果与实测结果相吻合,对于风电场调度具有一定的参考意义。     

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。     

基于误差分类的分布式光伏超短期功率预测

针对分布式光伏系统,使用相关系数确定功率预测模型的样本输入,在没有天气预报,仅依靠天气数据和功率输出的历史记录信息的情况下,采用支持向量机建立了超短期功率预测模型.通过离线的权重系数寻优和基于误差分类的分类器设计,筛选出支持向量机的训练样本,使得建立的模型能够充分反映光伏输出功率的变化规律.实验结果表明,该模型能够获得较高的预测精度,预测样本的分类能够在实际值未知的情况下根据分类结果判断预测值的可信度.     

基于神经网络的酒泉风电基地超短期风电功率预测方法

风电的随机性和波动性给电力系统调度运行带来了一定的困难,以我国首个千万kW级风电基地甘肃酒泉风电基地为例,研究了基于神经网络的酒泉风电基地超短期风电功率预测方法,并对风速和风电功率实时数据进行了分析处理。在此基础上,基于神经网络算法和贝叶斯规则进行了超短期预测建模过程分析。最后,通过预测结果对预测模型进行了验证分析,验证结果表明预测模型合理、预测精度高,该预测结果可以为调度运行人员提供参考。     

结合多重聚类和分层聚类的超短期风电功率预测方法

提出了一种结合多重聚类算法和分层聚类算法的超短期风电功率预测方法。为了处理训练样本动态,识别与待预测时段特征相似的样本,对历史功率序列和历史气象序列分别进行聚类处理。功率序列的聚类指标由欧氏距离和协方差组成,气象序列的聚类采用逐层划分的方法,并将聚类结果组合成多个样本子集。利用分类建模-特征匹配的思路建立多个粒子群优化-反向传播(PSO-BP)神经网络预测模型,并调用与待预测时段特征最相似的预测模型。将所提预测方法用于青海某风电场的实际算例,实验结果表明,该方法可以提高超短期风电预测的准确性。     

基于最小二乘支持向量机的风电功率超短期预测

针对当前风电场发电功率预测时间较长、预测误差较大,易影响风力微电网根据用电负荷变化适时调度及有效电力资源配置的问题,提出了一种基于最小二乘支持向量机(least squares-support vector machine, LS-SVM)的微电网风电功率超短期预测方法。该方法根据风电场数据采集与监视控制(supervisory control and data acquisition, SCADA)系统获取原始功率数据样本,经归一化法预处理,运用网格搜索法确定模型参数,并依据LS-SVM法建立预测系统模型,利用MATLAB工具箱LS-SVM Lab进行仿真实验,跟踪及预测风电功率变化曲线,实现时间跨度小至5分钟的超短期预测。实验验证结果表明,该方法比传统预测方法具有较高的精确度和较强的鲁棒性,为风力微电网优化调度控制工程提供一种新思路。     

京津唐电网风电场群发电功率短期预测

随着风电大规模并网,加强区域性风电场群的发电功率预测对于地区电网的安全稳定经济运行具有重要意义。根据京津唐地区风电场群的特殊性,首先用物理建模方式建立风电场的短期风力预测模型,并将统计升尺度技术与物理模型相结合,以提升预测模型精度的稳定性;之后,采用三层体系架构建立京津唐电网风电功率预测系统,且实现了工程应用。运行结果表明,该方法可以更准确地预测京津唐地区风电发电功率,大幅提升京津唐电网风电消纳能力,有效提高电网调度精益化水平。     

基于统计升尺度方法的区域风电场群功率预测

对区域性风电场群输出功率进行预测是增加风电接入容量,提高大规模风电接入条件下电力系统运行安全性和经济性的有效手段。文中对区域预测建模技术进行研究,利用输出功率相关系数矩阵和预测精度指数进行代表风电场选取和权重系数计算,采用基于少数代表风电场的统计升尺度方法,并利用华北电网2011年1月至6月风电场实际数据进行统计升尺度建模和方法验证。验证结果表明,相比于传统的累加法,统计升尺度方法可改进所实现的区域风电功率预测模型的区域预测精度,同时减少区域预测模型对单个风电场数据完备性的依赖。     

基于风电功率预测的电网调度优化控制研究

近年来,由于山西电网风电装机不断翻番,大规模风电并网后对电力系统调峰造成一定程度的压力。电力系统运行既要充分利用风力发电产生的清洁电源,又要保证其他常规电源的安全稳定。传统的调度运行技术不考虑短期和超短期的风电功率预测,通过分析风功率预测与调度关系,然后重点阐述了如何通过超短期风功率预测来协调风电与常规电源的运行,最后通过整数规划将风电场优化控制作为落脚点,从而保证了电网安全、稳定、经济的优化运行,进一步加大电网对清洁能源的消纳。     

基于BP-ANN的光伏发电功率超短期预测方法

针对光伏发电的间歇性和波动性问题,采用基于BP-ANN建立光伏发电系统输出功率超短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行预测,并提出适用的预测流程及预测误差评估方法。实际应用以及与实时监测数据对比,表明该方法方法误差较小,合格率较高,能够满足应用的要求。     

缺少气象数据场景下的超短期风电预测

本文对单个风力发电序列进行建模,并提出一种基于小波分解、特征提取和XGBoost+逻辑回归LR(logis?tic regression)且不依赖气象数据风力发电预测模型.提出利用小波分解提取原始风电序列的平均分量和高频分量;分别对平均分量和高频分量进行建模;为了提高模型对数据特征的敏感性,提出了一种将手动提取的特征和...     

微电网光伏发电的Adaboost天气聚类超短期预测方法

微电网光伏发电预测精度与天气状态呈高度相关性,非晴空条件下气象因素的随机波动使得超短期预测精度较低。对此,文中提出一种改进Adaboost天气聚类和马尔可夫链的组合预测方法。首先采用滑动平均法提取辐照度特征变量,设计并训练Adaboost改进的K近邻(KNN)分类器,实现历史样本的分类;为进一步提高多云和阴雨天的预测精度,引入天气类型衰减系数对Hottel太阳辐射模型进行校正,形成完整描述各天气类型的辐照度基准模型;建立多阶加权马尔可夫链模型输出辐照度预测值;最后由光电转换模型实现间隔5 min的微电网光伏超短期预测。仿真结果表明,所述预测方法提高了各天气类型下的预测精度,对提高微电网经济调度水平具有重要意义。     

区域电网电能损耗预测方法研究

根据区域电网的特点,提出电能损耗递推预测法,采用状态波动系数建立省间交换电量和线损电量、线损率之间的联系,综合考虑负荷形状系数、等值电阻、平均电压、运行时间、功率因素等方面对线损的影响,在省间交换电量预测的基础上实现线损电量和线损率的预测,为电网节能降损及经济运行提供参考。