基于改进混沌时间序列的风电功率区间预测方法

风电功率区间预测是预测给定置信水平下风电功率的上限和下限,可以反映风电功率的变化范围,为调度提供有效的辅助信息。考虑风电功率的混沌特性,提出了基于改进混沌时间序列的风电功率区间预测方法。由于风电功率具有强间歇性和波动性,传统的混沌时间序列方法在风电功率区间预测中难以获得好的聚类效果和高的预测精度,影响了功率区间预测的结果。引入蚁群聚类算法和支持向量机,利用蚁群聚类算法的强搜索能力和支持向量机的强预测能力对传统方法进行改进,获得了更好的区间预测结果。将改进方法应用于英国和德国风电场的风电功率区间预测中,对比分析改进方法与基于神经网络的功率区间预测方法和传统方法在不同置信水平下的预测结果,验证了所提改进方法的有效性。     

基于误差分解和Bootstrap方法的风电功率区间预测

风的随机性和间歇性导致了风电功率预测的不确定性,区间预测能量化不确定性引起的预测波动,可为缓解电网调峰压力、消纳弃风提供可靠信息,对电力系统经济运行具有重要意义。将风电功率预测误差分解为模型误差和数据噪声误差,利用Bootstrap重采样获得多个训练样本。采用极限学习机网络获得系统误差方差和数据噪声误差方差,通过风电功率预测值与预测误差值的叠加计算区间上下限,得出满足给定置信水平的风电功率预测区间。实验以新疆某风场历史运行数据为例,通过与Delta、Bayesian、LUBE方法对比,验证了所提方法的区间预测性能和计算效率。     

大电网可靠性蒙特卡洛仿真的概率不确定性分析

系统状态随机抽样是大电网可靠性蒙特卡洛仿真的重要基础环节,抽取的样本容量与仿真结果的精度和仿真耗时密切相关,因此在给定仿真精度时实现样本容量的概率预估和在给定样本容量时实现计算精度的概率预测,是实现计算精度和计算成本综合权衡的关键。基于中心极限定理深入研究随机变量的样本均值与期望值之间误差的概率预测方法,在此基础上分析失负荷概率(loss of load probability,LOLP)指标的方差系数和样本容量之间的关系表达式,导出方差系数给定时的样本容量置信区间公式及样本容量给定时的方差系数置信区间公式。这些公式的导出,对于实现仿真精度和样本容量之间的定量概率分析具有重要意义,通过对RBTS和RTS96可靠性测试系统的评估分析验证所提方法的有效性和正确性,并得出相关结论。     

短期风电功率动态云模型不确定性预测方法

高比例风电并网场景下,电力系统优化运行势必对风电功率预测精度及其不确定性分析结果的可靠性提出更高要求。现有的不确定性预测研究中大多为整体性的误差分析与建模,难以满足模型在各个时刻和各类天气下的适应性。因此,提出了动态云模型的短期风电功率不确定性预测方法。首先,建立各个预测功率区间段内的单点预测误差云模型,利用云模型数字特征(期望、熵、超熵)生成云滴分布图,以此量化预测不确定性态势。然后,计算给定置信水平下的云滴分位点,以及与之相对应的预测功率可能发生波动的置信范围,即风电功率预测不确定性分析结果。根据实时条件更新云模型,可以提高各个运行时刻点不确定性预测结果的可靠性。以中国北方某风电场运行数据为例进行验证,结果表明与传统的分位数回归方法相比,所提方法可靠性有所提升,能够为电力系统调度决策、备用安排等提供更为可靠的指导信息。     

用于跟踪风电场计划出力的电池储能系统容量优化配置

电池储能系统是平抑风电功率预测误差的理想选择,在现有储能电池价格水平前提下,电池储能系统的功率与容量优化配置尤为重要。基于风电场功率预测误差分布特性,依据风电功率预测预报标准中的约束条件和考核指标,分析了电池储能系统功率与风电功率预测误差、风电功率预测误差缩减率、全天预测结果的均方根误差、准确率及合格率的特性关系,储能系统容量与容量需求满足率及容量需求满足增长率的特性关系。为较好平抑风电功率预测误差且使投入成本较低,基于截止正态分布法,提出了一种储能系统功率与容量配置优化方法。该方法可计算用于跟踪风电场计划出力所需的较优储能系统功率与容量。通过实例计算分析,验证了该方法的有效性和可行性。     

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。     

基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计

风电的波动性和不确定性给大规模风电并网带来了挑战,估计风电场上报风电的预测功率误差范围,能够为含风电电力系统的运行调度提供重要信息。因此,提出基于隐马尔可夫模型的日内风电功率预测误差区间滚动估计方法。通过建立隐马尔可夫模型实现一定置信水平下对风电功率误差波动区间的快速估计,并利用局部加权回归散点平滑法对误差区间进行处理。以实际数据为例分析,结果表明所提方法能够给出风电功率预测误差的波动范围,为电力系统的调度与控制、备用容量的配置、风险评估等方面提供更全面的信息。     

Monte－Carlo模拟估计分位秩的方法在计算机上的实现

本文给出了在计算机上通过Ｍｏｎｔｅ－Ｃａｒｌｏ模拟估计分位秩的方法。该方法可方便快捷地计算出任意样本容量，任意给定概率下的分位秩，利用这种算法所得结果与理论值相比，其误差在百分之一以内，所以这种算法可在试验设计中应用。     

考虑山东近海不同风能天气特征的风电功率区间预测模型

风电功率区间预测是应对大规模风电机组并网运行的有效手段之一。针对山东风电并网运行建立了一种考虑山东半岛不同风能特征的风电功率区间预测模型。对比了不同风能条件下半岛内风电场出力特征和风电功率历史预测误差分布特点,发现风电场出力分布范围随风速增加呈"先增后减"趋势,在出力分布范围较大的风速区间内,预测误差也相对较大。以风速、风向和预测功率为特征变量,在利用层次聚类法对样本数据进行聚类分析基础上,采用非参量核密度估计方法,建立了各类样本在不同风向条件下风速-风电功率预测误差的联合概率密度分布模型。将该模型与NARX(nonlinear auto regressive models with exogenous inputs)网络确定性风电功率预测结果相结合,得到一定置信水平的风电功率区间预测结果,最后通过实际算例验证了模型的有效性。     

考虑预测误差时序分布特性的含风电机组组合模型

风功率预测误差的高精度拟合与置信水平的科学选取是保障风电高效参与日前机组组合(UC)的关键问题,该文将在同时考虑上述两方面问题基础上,研究含风电的UC决策模型。首先,基于误差特性分析提出一种时序下的预测误差分段拟合方法,利用t location-scale分布进行拟合,以改善厚尾效应,提高拟合精度,更可在时序上与UC决策相配合;其次,构建了可以同时考虑传统成本、额外备用成本与风险成本的双分位点型UC决策模型,通过不同成本间的制约关系平衡置信水平的选取,通过不同置信水平的划分指导备用分类,通过时变置信水平适应误差时序分段分布,以此使模型更具经济性、针对性与适用性;最后,采用带有启发式搜索原则的改进混合粒子群算法,求解文中的多变量混合整数规划模型,算例结果验证了所提方法的有效性。     

基于SSA-VMD-SE-KELM结合蒙特卡洛法的风电功率区间预测

为降低风电功率序列波动性并提高风电功率预测精度,提出一种基于SSA-VMD-SE-KELM和蒙特卡洛法的组合风电功率区间预测模型。采用麻雀搜索算法（SSA）优化后的变分模态分解（VMD）算法将功率序列分解为理想数量子序列,通过计算样本熵（SE）对其重构,得到新子序列分别建立核极限学习机（KELM）点预测模型,叠加各点预测结果得到最终点预测结果及功率误差序列,使用蒙特卡洛法随机抽样得到对应置信度下的预测区间。以实际采集到的历史数据为例进行预测,实验结果表明:与传统模型相比,此模型所得功率预测区间紧密跟随风电功率变化趋势,其区间覆盖率更高、平均宽度更窄。     

计及预测误差相关性的风电出力不确定性集合建模与评估

先进的鲁棒调度技术是应对出力不确定性最经济、最有效的手段之一;而不确定性集合是刻画风电出力不确定性的基本形式,它不依赖于预测误差的具体分布形式,是制定风电鲁棒调度策略,进而保障系统安全经济运行的重要参考依据。首先,采用实际数据对现有不确定性集合建模方法进行了评估,指出在不确定性集合中若忽略风电预测误差的相关性将导致不合理的结果。在此基础上,基于广义椭球的一般表达式,提出了风电出力不确定性测度的概念,进而给出一种可以准确考虑风电预测误差相关性的不确定性集合建模方法。实际算例表明,在给定置信概率下,所提方法能够保证不确定性集合凸性,大幅压缩不确定性集合的测度,从而显著降低电力系统鲁棒优化决策的保守性。     

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(long short-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。     

基于自适应扩散高斯核密度风电预测误差估计的 风火联合优化调度研究

随着风电大规模并网,风电出力不确定性增加了电力系统调度的难度。针对风荷不确定性对电力系统调度的影响,采用迭代自组织数据分析算法对风电功率预测值及对应风电功率预测误差进行分段。然后采用自适应扩散高斯核密度估计拟合分段后各风电功率区间段内的预测误差。在此基础上,提出一种整体考虑风电及负荷预测误差得到净负荷预测误差、并将净负荷预测误差计入正负旋转备用容量概率约束的优化调度模型。采用机会约束规划将概率约束转换为等价确定性约束进行求解。在IEEE39节点系统进行三种代表性场景的算例仿真,结果表明引入迭代自组织数据分析算法和自适应扩散高斯核密度估计后,备用成本降低6.71%,含碳排放的环境成本降低20.4%,总发电成本降低2.98%。最后分析了置信水平对备用容量和总发电成本的影响。     

基于风速局部爬坡误差校正的风电功率优化预测

准确的风电功率预测对于电力系统安全稳定运行具有重要意义,滞后性是产生风电功率预测误差的主要原因,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关,提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性,并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化,以提高风电功率预测的准确性。算例结果表明,所提方法能够有效提高风电功率预测精度。     

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。     

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。