运用广义回归神经网络预测风电场功率

运用广义回归神经网络对风电场出力提前了24 h预测。对引入数值气象预报信息与不引入数值气象预报信息两种情况的预测结果进行了比较分析。首先,对前15 d的风功率数据进行训练,通过交叉验证,建立模型,预测了未来一天的风电场出力。然后加入历史风速数据,对历史风速和风功率进行训练,利用数值气象预报信息,预测未来1 d的风功率。通过算例表明,使用广义回归神经网络模型预测未来1 d的风电场出力,预测结果能够跟踪实际风功率,同时加入数值气象预报信息的预测结果较不加入数值气象预报信息的神经网络预测,精度有所提高。     

基于线性回归的风电功率预测误差修正方法

风电功率预测精度的好坏直接关系到发电计划的合理制定和风电功率的优先调度.为提高风电功率的预测精度,文中利用模式输出统计方法对风电功率的预测误差进行分析,根据模式输出统计方法可自动修正数值预报偏差特点,提出了基于线性回归的风电输出功率预测误差修正方法.基于实际风电场历史数据的研究表明,该方法数学原理简单、适用性强,可有效改善风电功率的预测精度,具有很好的工程实用价值.     

应用粒子群优化算法的短期风电功率预测

根据数值气象预报的风速和风向数据,采用粒子群优化的前向神经网络模型进行短期风电功率预测。分析了数据相关性对预测结果的影响,比较了粒子群优化前后的前向神经网络模型的性能。研究结果表明,经过粒子群优化后的前向神经网络模型比没有优化的前向神经网络有更好的性能,且根据数据相关性较好的测试样本可得到较好的预测结果。风速风向数值预报与输出功率的相关系数越高,基于粒子群优化前向神经网络模型的预测精度越高于没有优化的前向神经网络模型。     

基于相似数据的支持向量机短期风速预测仿真研究

风电场功率预报是减小大规模风电并网对电网造成不良影响的有效手段,提高短期风速预测的精度是保障风电场功率预报的重要基础。提出了基于相似数据并结合小波分析的支持向量机短期风速预测方法。该方法从大量的数据样本中提取相似数据创建训练样本,采用小波分解技术将风速信号分解成低频趋势信号和高频随机信号,分别采用支持向量机理论建模,合成得到风速预测数据。仿真结果表明,相似数据有效地提高了数据的相关度,小波分解使支持向量机模型更好地拟合风速信号的低频和高频特性,提高了预测精度。通过与某风电场的实际风速数据验证,表明模型具有较强的泛化能力,程序运行时间可满足工程需要。     

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。     

基于融合模型的风电场输出功率短期预测方法

风电场功率短期预测对并网风力发电系统的运行有着重要意义,在考虑风速、温度、海拔等影响风电功率的主要因素的基础上,为提高风电场短期输出功率的预测精度,提出基于风速与风电功率的融合预测模型。首先针对风电功率的直接预测,采用自回归时间序列和广义回归神经网络的组合模型来预测;然后再利用该组合模型预测风速,根据风速与风电功率的关系间接求出预测的风电功率;最后将前两种组合预测模型进行再次组合,得到融合预测模型。以吉林洮北风电场的短期功率预测为例,运用Matlab软件编程实现本文所提出的算法,验证模型的准确性与可行性,得到融合预测模型的预测相对误差为7.156%,可有效提高大型风电场输出功率的预测精度。     

基于Elman和实测风速功率数据的短期风功率预测

为提高风电场发电功率预测的精度,提出一种基于Elman神经网络和实测风速功率数据的短期风功率预测方法。根据风速和风电功率历史数据来拟合风电机的风速功率曲线;建立基于Elman神经网络的短期风功率预测模型,并利用遗传算法对网络参数进行优化。最后,将文中预测模型应用到实测数据验证模型的有效性,结果表明了模型的先进性。     

基于PF-RBF神经网络的短期风电功率预测

为了提高风电功率的预测精度,研究了一种基于粒子滤波（PF）与径向基函数（RBF）神经网络相结合的风电功率预测方法。使用PF算法对历史风速数据进行滤波处理,将处理后的风速数据结合风向、温度的历史数据,归一化后构成风电功率预测模型的新的输入数据;利用处理后的新的输入数据和输出数据,建立PF-RBF神经网络预测模型,预测风电场的输出功率。仿真结果表明,使用该预测模型进行风电功率预测,预测精度有一定的提高,连续120 h功率预测的平均绝对百分误差达到8.04%,均方根误差达到10.67%。     

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。     

基于相似日和风速连续性的风电场短期功率预测

对风电场进行短期功率预测能够有效减小风电场出力波动对电力系统的影响,降低电力系统的运行成本和旋转备用。综合考虑天气因素以及风速连续性的影响,提出基于相似日和风电连续性的风电场短期功率预测方法。首先,完成BP神经网络训练样本的选择,然后利用预测日前一天的风速作为输入,完成预测日功率的预测,最后将此模型运用于威海某风电场,并与仅考虑风速连续性得到的预测结果相比较,分析预测误差,结果表明前者预测精度更高。     

基于风速云模型相似日的短期风电功率预测方法

风电功率预测是解决风电不确定性影响的重要基础和必要手段,高比例风电并网条件下对每个时刻点的预测精度要求都将更为严格。训练样本是影响预测精度的关键因素之一,但由于实际天气系统的复杂多样性和类属模糊性,定向选择与调度时段内风况相似的训练样本对预测精度至关重要。因此,提出了基于云模型定向选取风速相似日数据作为训练样本的短期风电功率预测方法,能够对指定时段内风速随机性和模糊性特征进行学习和建模,通过对历史数据的定向筛选和精细化利用提升预测精度。首先,以日为单位建立历史风速的云模型数据库;然后,建立云模型相似度量化指标,用于判断与待预测时段风速云模型最为相似的历史数据序列,以此为训练样本建立短期风电功率预测模型。在实际预测中,每日根据天气预报信息滚动更新训练样本和预测模型,提高预测精度。最后,选择中国北方某风电场运行数据进行实例分析,结果证明了所提方法能够提高风电功率预测精度,具有一定的工程实用价值。     

计及气象因素和风速空间相关性的风电功率预测模型

建立了一种计及数值天气预报中气象因素和风速空间相关性的组合加权风电功率预测模型。首先,考虑到数值天气预报数据中的风速精确度不高,建立了基于高斯过程的数值天气预报风速修正模型,计入其他气象因素,如风向、温度、湿度、气压等,进行风电预测。同时,基于目标风电场与相邻风电场区域的风速空间相关性分析,求得其最大相关系数点的延迟时间,建立风速空间相关性预测模型。然后,基于数值天气预报偏差修正的风电功率预测模型和空间相关性预测模型,建立组合加权预测模型,并利用拉格朗日乘子法求得组合模型中各个单一模型的加权值。算例结果表明,所提模型及方法能够有效提高风电功率预测的精度。     

基于时空神经网络的风电场超短期风速预测模型

随着风电场的大规模接入,提高风电场风速的预测精度对于促进可再生能源的消纳具有重大意义。传统的预测方法通常根据风电场单一高度的历史风速进行预测,当预测的时间尺度达到三四小时的时候,预测误差较大。不同高度的风速、风向数据蕴含了风电场内部的时空相关性,数值天气预报数据也体现了风电场周边的大气运动对风速发展规律的影响。文中在输入数据层面,同时引入了不同高度的风速、风向数据和数值天气预报数据。为了充分挖掘数据中的规律,提出了一种新的时空神经网络,采用深度卷积神经网络和双向门控循环单元,分别提取风速、风向等历史数据以及数值天气预报的时空特征,并利用融合后的特征进行风速预测。最后,利用中国东北某风电场的实际测量数据,验证了算法的有效性。     

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。     

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。     

融合深度误差反馈学习和注意力机制的短期风电功率预测

为提高风电功率预测精度,提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法。首先,以风电场数值天气预报(numerical weather prediction, NWP)为原始输入,基于双层长短期记忆网络(longshort-term memory, LSTM)模型对风电功率进行初步预测。其次,利用极端梯度提升(eXtreme gradient boosting, XGBoost)算法构建误差估计模型,以便在给定未来一段时间内NWP数据的情况下对初步预测误差进行快速估计。然后,利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将初步预测误差分解为不同频段的误差序列,并将其作为附加性反馈输入,对风电功率进行二次预测。进一步在二次预测模型中引入注意力机制,为风电功率预测序列与误差序列动态分配权重,由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征。最后,仿真结果表明所提方法可显著提高短期风电功率预测的可靠性。     

基于随差遗忘长短期记忆的风电功率实时预测

由于标准长短期记忆(long short-term memory, LSTM)遗忘门更新方式不能实时反映预测误差对模型预测的修正作用,提出随差遗忘长短期记忆(Error Following Forget Gate-based LSTM, EFFG-based LSTM)的风电功率实时预测模型。用上一时刻的风电功率预测值与实际值的误差来更新遗忘门,从而降低上一时刻预测误差对此时风电功率预测精度的影响,提升风电功率滚动预测精度,并采用某实际风电场的历史风电功率数据和数值预报气象数据进行了验证,结果表明:基于EFFG-based LSTM网络风电功率实时预测模型预测值的均方根误差小于3%,满足系统调度相关要求;准确率、合格率达到90%以上,比基于支持向量机和标准LSTM模型具有更高的预测精度。