基于OVMD-SSA-DELM-GM模型的超短期风电功率预测方法

为了提高风电功率的预测精度,提出了一种基于最优变分模态分解(optimal variational model decomposition,OVMD)、麻雀算法(sparrow search algorithm,SSA)、深度极限学习机(deep extreme learning machine,DELM)和灰色模型(grey model,GM)的超短期风电功率预测方法.该方法通过OVMD对原始风电功率时间序列进行自适应分解;然后针对各分量建立DELM预测模型并利用SSA算法进行参数寻优,并对各个分量的预测结果进行求和重构;利用GM对误差序列进行预测;最后将误差的预测值与原始风电功率的预测值叠加得到最终预测结果.对北方某风电场的风电功率数据进行仿真实验,结果表明,该方法预测效果明显优于传统方法,有效提高了超短期风电功率预测的精确性.     

基于爬坡特征和云模型的风电功率预测误差区间评估

为了满足电力系统优化运行对预测误差区间评估结果越来越高的可靠性要求,改善传统的区间评估方法在发生小概率风电爬坡事件时较差的适应性,提出了一种基于爬坡特征分类和云模型的风电功率预测误差区间评估方法。通过对每类数据分别建立模型以提高不同爬坡类型下评估方法的适应性。首先,利用改进的旋转门算法识别爬坡后得到爬坡特征,并基于爬坡特征对预测误差进行分类,对上爬坡类误差和下爬坡类误差分别建立云模型,对非爬坡类误差采用K-means算法得到不同预测误差类型所对应的区间范围。然后,以风电功率和爬坡特征数据共同作为模型输入,以预测误差类型为输出,建立评估模型,从而得到风电功率预测误差评估区间。最后,利用Elia网站的风电数据进行算例分析。结果表明,所提方法的风电功率误差区间评估效果更优。     

超短期风电功率爬坡事件检测和统计分析

随着风电渗透率的逐渐增加,超短期风电功率爬坡事件对电力系统的影响愈来愈显著。当前国内对爬坡事件没有明确定义,且缺少相应的检测方法和统计分析。阐述了爬坡事件的定义,提出了一种超短期风电功率爬坡事件检测方法,并从爬坡持续时间、爬坡变化率和爬坡幅值三个方面对上爬坡和下爬坡两种爬坡类型进行了统计。最后分析了超短期风电功率爬坡事件的日、月分布规律。实例证明,所提出的检测方法可以快速准确地检测出风电功率爬坡事件及其特征值。统计结果表明,上爬坡事件和下爬坡事件的爬坡持续时间、爬坡变化率和爬坡幅值三个爬坡特征具有较高对称性,但两类爬坡事件高发在一天之中不同的时段,也表现出明显的日、月分布特征。     

考虑爬坡特性的短期风电功率概率预测

短期风电功率概率预测有助于调度部门提前安排发电计划,提高风电的消纳能力。提出一种考虑爬坡特性的风电功率概率预测方法,首先通过分析不同风电爬坡定义的特点,阐述互补组合预测的思路;然后采用小波神经网络建立风电功率确定性预测模型,并在其基础上建立不同功率分区内风电爬坡率和风电功率预测误差的二维核密度估计概率预测模型;最后由二者的联合概率分布求取后者的条件概率分布,得到风电功率概率预测结果。仿真结果表明,所提模型具有很高的短期风电功率概率预测精度。     

基于压缩感知的短期风电功率预测相似数据分析方法

准确及时的短期风电功率预测对包含大规模风电的电力系统运行调度、检修计划、备用安排有着重要意义。引入温度、风速、风向及其各自的最大变化范围等对风电功率影响较大的因素作为风电模式特征,利用其时段周期性,提出一种基于压缩感知的相似数据分析方法,用以为预测模型提取历史基础数据。文中提出的基于压缩感知的相似数据分析方法以风电模式特征为数据类别,预测目标时间段数据为原始信息,利用时段周期性历史样本数据构造冗余字典,通过匹配追踪,求得观测值作为相似数据。实验结果表明,相对于一般的相似数据分析方法,本方法提取的相似数据更为切合实际情况,进而可以提高短期风电功率预测的精度,为风电场运行和调度提供更优的数据参考。     

基于动态谐波回归的超短期风电功率预测

准确的风电功率预测对电力系统的安全稳定运行十分重要。从风功率统计特征出发,提出进行风电功率超短期预测的动态谐波回归方法。首先利用风电功率与不同高度风速的三次函数关系构建回归模型;然后采用自回归移动平均 模 型（auto regressive integrated moving average model,ARIMA）对回归的残差建模来充分利用风电功率时间序列的历史信息;最后针对风电功率的日季节性特点,引入傅里叶级数形成最终预测模型。经风电场实际数据计算验证表明,该方法有效弥补了ARIMA方法和回归方法的不足,减小了风电预测均方根误差（root mean squared error,RMSE）,提高了风电预测精度。通过和持续法、ARIMA 2种现有预测方法比较,验证了所提模型具有更高的预测精度,说明该方法具有一定的实际应用价值。     

基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。     

基于WOA-AM-BiLSTM的短期风电功率预测

针对传统的超短期风电功率预测方法难以应对大量强波动性数据,以及对时间序列处理能力有限的问题,提出了一种深度学习模型WOA-AM-BiLSTM对风电功率进行短期预测。使用双向长短期记忆网络可提取时序数据的双向信息,选择性地增强重要特征信息的权重,再利用鲸鱼优化算法进行超参数寻优使AM-BiLSTM模型预测误差最小。通过软件仿真验证了所提风电功率预测模型具有较高的预测精度。     

基于风速升降特征的短期风电功率预测

为提高短期风电功率预测精度,提出了基于风速升降特征的短期风电功率预测方法。该方法分析风速上升或下降对风力发电的影响,根据风速升降特征,为风速添加标记值,增加训练样本维度,从而提高功率预测精度。用上海某风电场2014年9月至2015年9月数据对算法进行验证,并对比最小二乘支持向量机(LSSVM)、极限学习机(ELM)、遗传BP神经网络(GA-BP)三种方法的预测结果。实验结果表明,在风电功率预测中引入风速升降特征能够明显提高了模型的预测精度,适合风电场的短期功率预测。     

基于SAIGM-KELM的短期风电功率预测

针对时序下风电功率的随机性和波动性问题,提出一种基于自适应智能灰色系统(SAIGM)和遗传算法优化核极限学习机(GA-KELM)的混合风电功率预测模型。首先,以灰色关联性分析不同季度下风向量与数值气象预报(NWP)对风电功率的影响为基础,采用自适应智能灰色系统预测风速,并将预测的风速与相连时序下的风向和NWP有效整合作为预测样本。其次,利用遗传算法优化核极限学习机搭建风电功率预测模型,并将实际风向量与NWP有效整合作为预测模型的训练样本。最后,利用优化后的预测模型实现不同季节的风电功率预测。实验表明混合预测模型可实现对风电功率的短期预测,预测结果具有准确性和可靠性。     

风电爬坡事件对系统运行充裕性的影响评估

风电爬坡事件具有大波动性和强不确定性的特点,可造成系统中发用电的严重不平衡,从而导致负荷损失。在分析风电爬坡事件特征和爬坡预测研究现状的基础上,建立了风电爬坡事件模型,定量表示爬坡事件表征量与风电功率曲线之间的关系;同时考虑负荷预测的不确定性,采用场景削减方法生成风电爬坡过程对应的典型净负荷场景集。构建了评估系统运行充裕性的指标体系,推导了缓冲失负荷概率指标的计算公式;将系统状态分为充裕、失负荷和临界3种,分别计算各状态对应概率及失负荷严重程度。以甘肃电网为例,典型事件的评估结果验证了所述方法和指标体系的有效性和合理性,分析了常规机组爬坡速率及系统备用比例在防范风电爬坡事件不利影响方面的作用。     

基于优先级排序的聚类风电机组爬坡有限度控制策略研究

风电爬坡是一种严重的功率波动情况,为提高风电机组出力的稳定性,降低风电爬坡对电网的影响,针对风电爬坡过程中风电机组控制能力有限的问题,提出了基于优先级排序的聚类风电机组爬坡有限度控制策略。首先建立有限度控制模型,将爬坡过程分为3个阶段;其次根据风电场的历史数据,综合采用相似性度量方法和模糊C均值算法将风电机组分为3类;再次基于优先级排序方法对各类风电机组制定相应的有限度控制策略;最后通过算例仿真,验证了文中策略可以有效地预防高爬坡率出现,提高风电场系统运行的可控性和稳定性。     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要。针对极限学习机（ELM）随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法（SSA）优化极限学习机的组合预测模型（SSA-ELM）。利用收敛速度快、精度高、稳定性好的SSA对ELM的权值和阈值进行寻优,实现了对风电功率的精确预测。仿真结果表明,所提出的SSA-ELM模型的预测精度较高、泛化能力强,能够为风电的功率预测及并网安全的稳定运行提供决策支持。     

风力发电机输出功率条件子集区间估计方法

根据风力发电机的风速和输出功率历史数据,对风机输出功率均值与风速的关系进行最小二乘参数辨识,以此为基础求出风机输出功率偏差与风速的关系。采用Python概率分析确定风机输出功率偏差各子集的概率分布类型,估计其特征参数,以求出其概率密度函数,进而对风机输出功率偏差进行概率置信区间预测。基于风机输出功率均值与风速的关系和风机输出功率偏差子集的置信区间估计模型,实现了根据风速预报值对风机输出功率的置信区间进行预测。用实际风机的历史纪录对所提方法进行了测试和验证。结果表明:基于风速将风机输出功率偏差划分成多个子集,可提高风机输出功率概率置信区间预测的精准度。     

光热电站促进风电消纳的电力系统优化调度*

针对风电并网消纳困难问题,文中利用光热电站中蓄热系统的可调度性和电加热装置自身的消纳能力,提出一种光热电站促进风电消纳的电力系统优化调度方法。该方法以一种光热-风电系统结构为基础,分析光热电站的内部简化模型和风电功率爬坡事件的短时间尺度辨识方法。然后以系统综合成本最低为目标,考虑各种机组的运行特性和约束条件,建立光热-风电优化模型,对系统进行优化调度。利用MATLAB优化工具箱在IEEE-RTS24节点系统上对该方法进行仿真验证。结果表明,高比例风电并网时,光热电站的参与可以缓解系统中火电机组快速出力调节的压力,在保证系统运行经济性的同时,促进风电并网消纳。     

风电并网关键技术：风电的直接概率预测

风电是一种重要的可再生能源,但风电具有的高波动性和随机性使其大规模并网运行面临各种困难和挑战。准确的风电功率预测是减少风电并网风险的关键技术之一。由于风电功率时间序列的高度波动性,传统的基于点预测方法无法提供可靠的风电功率预测结果。基于概率区间的风力发电预测技术能够同时量化预测误差和相关概率,从而降低由于预测误差带来的各种风险,可以更有效地支持电力系统应对各种不确定性和风险。首先总结风电功率预测技术的最新发展,然后提出了一个基于超级学习机和进化计算的方法直接生成风电预测区间。相较于已有的方法,所提出的算法优点在于能够直接通过一次性优化过程产生预测区间,从而在保证高有效性的前提下简化了模型和计算量,避免了传统方法中包含的误差数据分析等高计算量的步骤。通过丹麦实际风电场数据对所提出的方进行了各种测试,结果表明该方法能够高效和准确地提供风电功率概率预测区间。     

风储联合发电系统电池荷电状态和功率偏差控制策略

提出了一种新型的基于风电功率预测偏差和电池荷电状态(SOC)反馈的储能系统控制策略,通过预测结果计算风电功率的变化偏差,得出完全补偿波动所需的储能系统充放电功率,引入补偿系数联合求解获得储能系统的充放电控制指令。同时,建立了补偿系数的动态优化模型,包括长时间尺度下基于输出功率波动和电池容量变化指标的基准补偿系数寻优模型,短时间尺度下基于电池SOC指标和充放电状态的补偿系数快速修正模型。算法采用的最优求解和SOC指标具有广泛的适应性,便于推广不同容量储能系统在风电功率平滑中的应用,可以兼顾储能电池的寿命和输出功率的平滑性。算例结合风电场的功率实测数据,进行储能系统配置仿真,验证了该控制策略能够最大程度发挥储能系统能力,在维持电池能量稳定前提下,平抑风电场输出功率的波动。     

基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测

超短期风电功率爬坡事件越来越影响风电机组在电网中的运行。当前国内对爬坡事件的定义并不明确,缺少相应的预测方法。阐述了风电功率爬坡事件的物理含义,提出了一种基于原子稀疏分解和反向传播神经网络(BPNN)的组合预测方法,分别建立了原子分量自预测模型、残差分量预测模型和组合预测模型。以实际风电场数据进行验证,对不同预测方法和不同时间空间实测数据进行了较全面的分析,结果表明该方法可以提高预测精度,并能降低绝对平均误差和均方根误差计算值的统计区间。     

一种多输出模型的风电功率超短期预测方法

高精度的风电功率预测对于电力系统的安全经济运行具有重要意义。基于大量风电功率历史数据,结合相关性分析和K近邻算法,提出一种新的多输出模型的风电功率超短期多步预测方法。以东北地区2个风电场实测风电功率数据为例进行分析计算,使用国家能源局提供的风电功率实时预测评价指标对两种多步预测方式进行评价。结果表明该方法预测精度高,方法简单,具有一定的工程实用价值。     

基于FKNN算法的风电功率短期预测

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。