共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
随着风电穿透功率的不断提高,研究适用于在线安全稳定预警系统的超短期风电功率预测方法,并将其应用于超短期安全稳定校核功能,对于提高电网安全稳定性、提升电网接纳风电能力具有重要意义。基于ARIMA时间序列模型建立了超短期风电功率预测模型。结合在线系统对超短期风电功率预测算法的要求,讨论了白噪声扰动序列在线计算方法,以及模型对不同工况的适应性。探讨了所提方法在在线安全稳定预警系统中的应用功能。以宁夏电网风电场运行数据为研究对象,分三种工况对比了该方法与持续法预测效果,证明了该方法的有效性。 相似文献
3.
风电场输出功率预测精度的提高能够极大的减轻风力发电对电网的冲击,提高风电并网的安全性和可靠性。针对KNN(K-Nearest Neighbor algorithm)算法存在的不足进行改进,提出了FKNN(Fast K-Nearest Neighbor algorithm)算法并将其应用到风电短期功率预测当中。首先,FKNN算法基于相似数据原理,针对每个预测样本,只需遍历一次训练样本集,得出K值最大时的相似历史样本优先级队列。然后,通过逐渐缩减优先级队列的长度,产生其他K值对应的相似样本优先级队列。其次,从产生的优先级队列中获取多数类样本,并应用其输出功率的平均值对预测样本的输出功率进行预测。最后,通过对吉林省某风电场的大量历史数据进行预测分析,充分证明该算法的简单性和实用性。 相似文献
4.
风电功率预测是缓解弃风现象的有效手段。文中针对风电波动性,提出了一种在模糊C均值聚类算法(Fuzzy C-Means algorithm,FCM)中引入湍流值IT的风电功率预测方法。在FCM算法中引入湍流值IT对训练样本进行聚类,可以进一步增强训练样本与预测样本间的相似性,避免因训练样本减少,导致风电功率波动性影响能力增大的情况。以山西某风电场实测数据为依据,在MATLAB平台上通过支持向量机(Support Vector Machine,SVM)对FCM的聚类结果进行训练和预测,仿真结果表明,FCM-IT-SVM能有效增强风电功率的相似性,减小预测误差。 相似文献
5.
随着大规模风电接入电力系统,风电功率爬坡事件对电网的安全稳定运行带来一定的影响。研究爬坡事件发生时的功率预测已越来越迫切。基于极限学习机理论,提出了一种考虑风电功率爬坡事件的超短期功率预测和校正模型。首先,利用最优旋转门算法对当前爬坡事件进行识别,提取爬坡事件特征值,建立模糊C均值聚类模型以得到同类数据,在此基础上,采用极限学习机算法对上述数据进行训练、预测,通过元组向量时间扭曲法在历史风电功率预测爬坡事件库中寻找与当前风电功率预测结果相似的爬坡事件,得到功率预测历史相似爬坡事件。最后,利用功率预测历史匹配值与实际值之间的特征值误差,对风电功率预测结果进行修正。算例表明,所提方法可准确识别风电功率爬坡事件、有效提高风电功率超短期预测精度。 相似文献
6.
针对复杂多因素(气象信息、时间序列的混沌特性等)影响风电功率的短期预测,及风电时间序列的长期依赖问题,提出基于相空间重构和双向长短期记忆(bidirectional long short-term memories, BiLSTM)神经网络的风电功率短期预测方法。以全球能源预测竞赛的数据集为背景,基于嵌入定理从风电功率序列中重构出相空间,以展示其内在的混沌特性,其中相空间重构的参数依据C-C法确定;对选取的气象预测数据(未来风速、风向)进行归一化处理,并组合重构后的风电功率数据作为BiLSTM的输入量,重构前的功率数据作为输出量,训练预测模型。在全球能源预测竞赛2012提供的wf1数据集上进行日前预测实验,测试集前30 d的平均均方根误差为0.119 4,测试集107 d的平均均方根误差为0.140 9,相较于ANN、BiLSTM、RF和KNN,相空间重构-BiLSTM (Re-BiLSTM)的预测准确度和精度更高,验证了所提出的短期风电功率预测模型的有效性、适用性和泛化性。 相似文献
7.
8.
《中国电机工程学报》2016,(23)
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。 相似文献
9.
针对含风电电源的电网日前调度优化问题,应用聚类分析获得风电功率典型场景进行风电功率预测,并将预测结果用于日前调度优化具有重要意义。提出一种基于改进k-means聚类算法的风电功率典型场景生成方法,对周期内的风电数据通过场景生成和缩减,得到少数几个能反映周期内历史数据特征的风电功率典型场景集;然后以系统运行成本最小为目标,建立适应风电接入的日前机组组合模型,模拟风电接入后电力系统实际运行情况。最后通过算例比较风电功率点预测、区间预测和典型场景预测在电力系统日前调度中的经济运行优化结果,验证了所提方法的有效性和实用价值。 相似文献
10.
基于风速云模型相似日的短期风电功率预测方法 总被引:2,自引:0,他引:2
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。 相似文献
11.
12.
超短期风电功率预测对于电力系统生产调度计划的制定具有重要意义,风电出力具有较强的随机性、波动性、不可控性。风电不确定性对风电时序关系的影响,给风电功率预测精度提出了挑战。针对上述问题,提出了基于离散小波变换(discrete wavelet transformation,DWT)、双深度Q网络(doubledepth Qnetwork,DDQN)、时序卷积网络(temporal convolutionalnetwork, TCN)和注意力机制(Attention)的DWT-DDQN-TCN-Attention(DWT-DTCNA)超短期风功率预测方法。首先,利用DWT将风电数据序列分解为不同频率的风电数据集,对不同频率的风电数据集做自相关函数分析,提取高自相关性的风功率训练子集作为预测模型的输入。其次,根据DWT分解后得到的不同频率风功率数据集分别训练相应的TCNA的风电超短期预测模型,深度挖掘风电功率时序关系,获得精度更高、更稳定的预测结果。为减少深度学习模型的参数对预测精度的影响,采用DDQN算法优化预测模型的参数。最后,利用DWT将不同频率超短期风功率预测结果进行重构,获得了预测... 相似文献
13.
为了降低大规模风电接入对电网造成的潜在威胁,提出基于核函数切换机制的混沌时间序列预测新方法,以进一步提高短期风电功率预测性能。首先,结合互信息法和虚假邻近点法实现原始风电功率序列的相空间重构,通过递归图和最大Lyapunov指数验证了风电功率是来自含确定性和随机性的混沌系统,说明了混沌预测方法的可行性。其次,给出了使用核函数进行混沌时间序列预测的实现方法,结合训练样本分析了该方法优于传统预测方法,并结合训练结果提出了使用支持向量机(SVM)训练最优核函数的切换机制,进一步提高了预测精度。最后,以美国BPA数据为实例,通过预测误差指标的对比分析,说明了含切换机制的核函数预测法可有效地实现风电功率短期预测,同时也证明了该方法可较好地提高风电预测性能。 相似文献
14.
15.
随着风力发电功率占比日益提高,风电功率的波动对电网安全运行的影响日益加剧。加大电网的旋转备用容量能够解决风电场出力波动的问题,但直接增加了电网运行成本。因此,对于含大规模风电接入的电网,风速及风电功率的准确预测对保证系统安全稳定运行、降低风电消纳成本有着至关重要的作用。在综合分析大量国内外文献资料的基础上,对风速及风电功率预测方法的研究现状进综述,总结常用预测算法的优缺点,给出风速及风电功率预测误差的评价指标体系,并对风速及风电功率预测的发展前景进行展望。 相似文献
16.
基于非参数回归模型的短期风电功率预测 总被引:12,自引:6,他引:6
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. 相似文献
17.
18.
风电功率预测是风电调度运行的基础,对提高中国风电消纳水平具有重要作用。以短期风电功率预测为研究对象,针对短期风电功率预测涉及的主要技术环节,分别梳理了国内外的研究历程,对比分析了国内外短期功率预测技术的优势。在此基础上,介绍了中国风电功率预测系统的建设情况和实际应用中的预测误差情况,从时间、空间、概率分布3个维度分析了误差的特点,从输入数据、功率预测模型2个环节分析了误差产生原因,并总结了全球面临的共性问题和中国面临的特有问题。最后从应用角度出发,对中国短期风电功率预测精度提升策略给出了相关的建议。 相似文献
19.
精确的风电功率预测对保障大规模风电接入电网后电力系统的安全稳定运行具有重要意义。其中,风速的随机变化是引起风电功率波动和影响风电功率预测精度的最主要原因。针对该问题,提出一种基于变尺度时间窗口和波动特征提取的短期风电功率组合预测方法。首先,通过多重分形谱分析不同天气类型下的风速特征。然后,根据当前风速的特征量采用变尺度滑动时间窗口算法,动态地进行特征提取,由提取结果对风电历史数据进行分类,在此基础上选择特定参数建立对应的功率预测模型。为使模型在功率大幅度波动时刻的预测结果更加精确,提出了基于频谱分析的修正方法。最后,将不同天气类型下的功率预测结果与修正结果进行时序组合。算例结果表明,所述变尺度时间窗口与波动特征提取相结合的短期风电功率组合预测方法可有效提高风速波动剧烈的风电场的风电功率预测精度。 相似文献
20.
《电网技术》2021,45(3):855-862,中插2-中插3
为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementaryensembleempiricalmode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satinbower birdoptimizationalgorithm,SBO)及最小二乘支持向量回归(leastsquaressupportvectorregression,LSSVR)模型的超短期风电功率组合预测方法。针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量。引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值。所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差。仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度。 相似文献