基于集群动态划分与BLSTM深度学习的风电集群短期功率预测

风电集群的整体功率预测对区域风电的优化调度具有重要意义,现有集群预测方法并未考虑集群内各风电场数值天气预报(numerical weather prediction, NWP)信息在时间序列上的差异性波动,并按此进行集群的合理划分。为此,提出了基于天气过程动态划分的风电集群短期功率预测方法。首先将96 h时间尺度的待预测样本均分成16份等时长的子样本;然后对每份子样本分别进行集群的聚类与划分;再依据划分结果构建各子样本所含子集群的训练集;最后通过双向长短期记忆(bidirectional long short-term memory,BLSTM)人工神经网络对各子集群进行功率预测。算例结果表明,所提方法在4 h超短期预测、24 h日前预测、96 h短期预测中相较统计升尺度法可分别提高1.69%、0.77%和0.59%的精度。论文研究可为风电集群划分和短期功率预测提供参考。     

风电集群短期及超短期功率预测精度改进方法综述

风电集群短期及超短期功率预测是提升电网健壮性的有力手段。该文总结国内外风电集群短期与超短期功率预测技术的现状,从集群和单个风电场两个方面,归纳风电功率预测技术的分类;从预测流程、数据来源、数据流向、物理层次4个方面论述风电集群功率预测系统的整体框架;提出具有泛化意义的风电功率预测的物理层次结构,并从数据层、映射层、特征层、模型层、反馈层5个不同的层面讨论风电功率预测技术的精度提升方法及其发展方向,对短期、超短期风电功率预测、集群功率预测的研究具有一定参考价值。     

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.     

基于双变量经验模态分解和最小二乘支持向量机的风电功率区间预测

准确的功率预测是应对大规模风电并网问题的重要方法,但目前风电功率预测精度仍存在较大误差。为了更精确地对风电功率进行超短期预测,提出一种基于双变量经验模态分解技术和最小二乘支持向量机的组合区间预测方法。首先,通过比例系数法构造复值区间,解决了区间构造的难题;其次,利用双变量经验模态分解和样本熵分别将上、下限结果分解重构,凸显了数据的特征信息;再次,针对各特征分量分别建立基于深度信念网络和最小二乘支持向量机的组合预测模型进行预测;最后,将各分量的预测结果组合得到一定置信率下的预测区间。实际算例表明,与现有的区间预测方法比,所提区间预测方法有效提高了区间覆盖率,达到了更准确的预测精度。     

数据分辨率影响风电功率预测精度分析

目前对风电功率短时预测的研究主要集中在预测方法上,而缺乏对数据本身特性的探讨。从实测数据出发,呈现3种典型分辨率5 min、10 min、15 min,并结合Elman神经网络算法对超短期(4 h)和短期(24 h)的风力发电机输出功率进行预测分析。结果表明:分辨率为10 min的原始数据对风电输出功率的超短期预测具有更好的结果,15 min分辨率的数据对风电功率的短期预测结果更佳。采用合理分辨率的数据后,能够有效地提高风电功率的预测精度。     

风电功率预测关键技术及应用综述

随着风电装机规模的不断增长,其并网后带来的安全运行和消纳利用问题日益突出,高比例风电接入的功率预测准确性愈发重要。现阶段,风电功率预测在平衡系统电力供应和负荷需求之间发挥了至关重要的作用;未来,风电短期和超短期功率预测在备用市场、现货市场及辅助服务市场中将发挥更大的作用,是风电参与市场交易的重要支撑手段。论文对风电功率预测的技术路线和关键应用进行了全环节综述和阶段性总结,介绍了适用于风电功率预测的数值天气预报关键技术环节,分析了面向不同预测对象的风功率转换模型及技术路线,探讨了不同预测模型的应用场景及性能评价方法。最后从未来应用发展需求的角度,提出了我国风电功率预测精度提升的相关建议。     

限出力条件下风电场集群有功功率优化分配方法

受电网建设与风电场建设不协调、外送通道输送能力不足等因素影响,风电场弃风问题日益严峻,且短期内无法得到有效解决。结合中国大规模风电基地开发建设特点,建立了一种基于超短期功率预测的限出力条件下的风电场集群有功功率优化分配方法。该方法将限出力条件下的风电场集群有功出力最大化、线损最小化作为目标函数,将系统安全、风电场输出功率、风电机组频繁启停、低预测功率作为约束条件,许计及了联络线上有功功率损耗以及超短期有功功率预测误差的影响。以中国西北地区某风电场集群进行的箅例分析验证了方法的有效性和可行性。     

考虑功率数据相关性的风电功率超短期预测

通过对风电场内部不同区域风电功率序列的相关性进行分析,确定风电机组的空间差异性对风电功率预测产生影响,提出一种提高风电功率超短期预测效果的分层叠加预测方法。基于东北某风电场实测数据的算例分析表明,相同的风电功率预测方法,使用分层叠加法预测比整场预测误差小,更能提高风电功率超短期预测效果。     

基于误差前馈预测的多时空尺度风电集群有功功率分层控制策略

随着风电渗透率的提高,风电场存在的可预测性和可调度性差等问题已经凸显。针对上述因素导致风电消纳水平降低的问题,文章提出结合误差前馈预测的风电集群有功功率分层控制策略。首先,提出考虑风电变化趋势的误差前馈模型,将其与小波包分解和持续法模型相结合组成超短期功率预测模型,并根据历史数据的训练情况赋予误差前馈限值。其次,基于此预测模型提出一种多时空尺度的有功功率分层控制策略,该策略在已有调度指令的前提下,通过将控制层分为集群层、场群层和子场层,实现对各风电场的协调控制。最后,基于东北某风电基地的实际运行数据通过MATLAB和CPLEX进行仿真分析,结果证明所提方法改善了风电消纳水平和风电场储能协调出力。     

基于网格聚类的峡谷风电短期功率预测方法

为解决峡谷风电受峡谷尾流影响而造成的风电短期功率预测准确率低的问题,提出了一种基于网格聚类的峡谷风电短期功率预测方法。对峡谷风电站的历史气象、预测功率、实际功率数据进行预处理,以提升预测模型的训练效果。按照经纬度进行峡谷风电站地域网格聚类,获得峡谷风电网格特征。在此基础上,采用长短期记忆网络对每个网格进行功率预测,并进行网格功率叠加与误差修正,峡谷风电站短期功率预测实际准确率达到88.35%,其运行效果表明:所提出的预测方法能够有效地提高峡谷风电短期功率的预测精度。