风电功率预测系统测试平台的研究与应用

为保证风电功率预测系统运行的可靠性以及预测结果的精确度,搭建了风电功率预测系统测试平台,测试平台主要包括对预测系统的功能、预测性能、稳定性、可靠性、易用性等多项测试的软件功能测试以及风电功率预测结果的准确性以及可靠性测试。运用该测试平台对某风电场预测系统进行测试,结果显示该系统风电功率短期和超短期预测结果的平均绝对误差、均方根误差、准确率以及合格率4项指标均满足要求,表明该测试平台能够对风电功率预测系统的各主要指标进行全面地评估。     

一种风电功率简易预测模型

风电功率预测逐步成为研究热点,为提高预测精度,预测模型日趋复杂化。通过对风电出力特性的研究,针对风电功率超短期预测问题,提出一种简易预测模型。首先利用滑动平均法将风电功率简单分离成趋势分量和波动分量,并根据两类分量的变化特征分别建立自回归滑动平均模型和极限学习机模型进行预测。算例结果表明该模型能较好的拟合风电出力序列变化情况,具有良好的应用前景。     

基于混合智能技术的微电网剩余负荷超短期预测

对微电网中分布式电源发电量和短期负荷的准确预报是微电网运行控制和能量管理的重要基础。提出了微电网剩余负荷的概念和计算方法,分析了微电网剩余负荷超短期预测的特点和影响因素。在考虑微电源历史输出功率、微电网历史负荷以及本地气象因素的同时,综合运用k均值聚类分析、遗传算法和人工神经网络建立了微电网剩余负荷超短期预测模型。搭建了一个含有风电、燃气轮机和燃料电池的微电网仿真模型,仿真结果表明,模型中分布式电源发电量和微电网负荷的预测结果与实测数据非常吻合,验证了模型的预测精度。     

考虑风电功率爬坡的功率预测-校正模型

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。     

基于时间序列分析的风电功率预测模型

风电功率的精确预测对于电网合理调度,降低电网运行成本和保证电网系统安全性等方面有重要的意义。基于风电功率历史数据具有的时间序列特性,应用时间序列法建模,对风电场的发电功率进行短期和中长期预测,同时分析单一机组和汇聚机组对预测效果的影响。实证研究结果表明,利用时间序列分析方法,能比较精确地预测风电场发电功率,且短期内预测平均绝对百分比误差不超过15%,预测的合格率已超过85%,并且集中开发的方式可以减少预测误差。     

结合多重聚类和分层聚类的超短期风电功率预测方法

提出了一种结合多重聚类算法和分层聚类算法的超短期风电功率预测方法。为了处理训练样本动态,识别与待预测时段特征相似的样本,对历史功率序列和历史气象序列分别进行聚类处理。功率序列的聚类指标由欧氏距离和协方差组成,气象序列的聚类采用逐层划分的方法,并将聚类结果组合成多个样本子集。利用分类建模-特征匹配的思路建立多个粒子群优化-反向传播(PSO-BP)神经网络预测模型,并调用与待预测时段特征最相似的预测模型。将所提预测方法用于青海某风电场的实际算例,实验结果表明,该方法可以提高超短期风电预测的准确性。     

加权多分位鲁棒ELM的短期负荷预测方法

为获取足够精确的短期负荷预测值作为电力系统规划和运行的依据,提出一种加权多分位鲁棒极限学习机ELM(extreme learning machine)的短期负荷预测方法。首先融合分位回归与鲁棒ELM形成多分位鲁棒ELM基本预测模型,然后通过选取不同的分位值来模拟所有的可能性预测场景,以此得到不同分位场景下的预测值。最后按照“误差大、权值小;误差小、权值大”的误差反馈加权原则对上述不同分位下的预测值进行加权求和,以此得到最终的预测结果。实例证明该混合模型预测方法适用性强,且能取得较高的预测精度。     

基于自适应时序表征和多级注意力的超短期风电功率预测

针对风电功率数据包含的多尺度时间信息难以描述、现有方法未充分考虑气象因素对于风电功率动态耦合的影响而导致的预测性能下降等问题,提出了一种基于自适应时序表征和多级注意力的超短期风电功率预测方法。采用时序嵌入层对风电功率序列进行表征以获取其周期、非周期模式,并引入自注意力捕捉高维风电功率序列的自相关性;利用交叉注意力重构风电功率与气象因素,形成包含两者耦合关系的多维特征序列;利用一维卷积神经网络沿时间、特征方向分别挖掘多维特征序列的时间相关性和空间相关性,进而利用长短期记忆网络提取相应的时序特征,并将所得时序特征经全局注意力去噪和门控机制融合后输入全连接层,分别进行点预测和区间预测。实验结果表明,所提方法能够获得准确的点预测值和可靠的预测区间。     

基于宽度学习系统的光伏发电功率超短期预测

近年来,深度学习被应用于光伏发电预测中,体现出预测精度较高的优点,但也存在训练耗时等问题。对此,提出了一种基于自组织映射与宽度学习系统的光伏发电功率超短期预测模型。首先,采用自组织映射对各时刻的光伏数据进行精细化聚类,提取不同时段与气象条件下的出力波动特征;然后,构建基于宽度学习系统的光伏发电功率多步长预测模型,在网络宽度上扩展节点数目,并通过求解矩阵伪逆训练神经网络,在保证较强高维数据拟合能力的同时,具有较高的计算效率;最后,采用实际光伏发电数据进行算例分析,通过与常用的光伏发电超短期预测方法进行比较,验证所提出的方法在预测精度与训练效率上的优越性。     

计及风电预测误差的电力系统风险规避评估模型

风电功率的短时大幅波动对电网的安全稳定运行造成冲击,为更准确地评估电力系统在较短时间内的风电消纳情况,需考虑风电功率的预测误差。为此,文中提出一种概率区间优化模型,从效益和风险两个维度评估风电预测误差对电力系统运行的影响,旨在得到最优权衡风险和效益的调度方案。在概率区间优化模型中,不确定风电被视为概率区间变量,即每个风电值对应一个分布概率。效益用不确定风电并网前后系统运行费用的差值来量度;风险则用风电的分布概率来衡量。然后,构建基于效益和风险的条件期望作为优化目标。最后,在一个调度系统上进行仿真并与区间优化模型对比,证明了所提出的优化模型的可靠性、鲁棒性和实用性。     

基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测

随着电力行业的不断发展,负荷预测的重要性也不断彰显,作为负荷预测的重要组成部分,短期负荷预测对于电力系统的调度运行、市场交易都有着重要的意义,精确的负荷预测有助于提高发电设备的利用率和经济调度的有效性。由于影响负荷数据的随机因素太多且具有较强非线性的特点,提出一种基于互补集合经验模态分解和长短期记忆神经网络的短期电力负荷预测方法。通过对某市负荷数据进行仿真,将仿真结果与其他传统预测方法结果相对比,最终证明长短期记忆神经网络模型的误差更低,具有较高的预测精度。同时将互补集合经验模态分解下的长短期记忆神经网络方法与其他分解方法下的长短期记忆神经网络模型预测结果进行对比,验证互补集合经验模态分解方法对提升预测精度的有效性。     

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。     

风电场短期风速的改进Volterra自适应预测法

欲提高含大量风电机组电网的安全稳定性及降低其运行成本,高精度的短期风速预测是一种有效的手段。首先在对具有混沌属性的风速时间序列进行相空间重构的基础之上,使用一种混沌时间序列的Voherra自适应滤波预测法对风速进行了预测;然后针对该方法滤波系数不易收敛及预测结果存在时延的缺点,改进了自适应算法的系数更新方法,从而加快了收敛并提高了预测精度。算例分析结果验证了该方法的可行性和有效性。     

基于最小二乘支持向量机的风电功率超短期预测

针对当前风电场发电功率预测时间较长、预测误差较大,易影响风力微电网根据用电负荷变化适时调度及有效电力资源配置的问题,提出了一种基于最小二乘支持向量机(least squares-support vector machine, LS-SVM)的微电网风电功率超短期预测方法。该方法根据风电场数据采集与监视控制(supervisory control and data acquisition, SCADA)系统获取原始功率数据样本,经归一化法预处理,运用网格搜索法确定模型参数,并依据LS-SVM法建立预测系统模型,利用MATLAB工具箱LS-SVM Lab进行仿真实验,跟踪及预测风电功率变化曲线,实现时间跨度小至5分钟的超短期预测。实验验证结果表明,该方法比传统预测方法具有较高的精确度和较强的鲁棒性,为风力微电网优化调度控制工程提供一种新思路。     

考虑网内外功率特性的含风场电网日内发电需求滚动预测

由于自然风力、风向的不确定,大规模风场并网运行使得电网和风电调度的难度增大,在最大功率跟踪模式下,更加准确地预测发电出力是重要课题。考虑风场传统日前负荷预测时间尺度较大导致风场实时调度困难的实际,提出了一种在基于日内风场出力的发电需求滚动预测方法,以多级时间尺度为预测依据,建立了考虑风电接入的理想发电需求预测模型,提出了该模型下的滚动预测算法,并结合实际风场数据进行了实际预测,结果表明,提出的预测方法、模型和算法能明显提高发电需求预测精度,为大型风场的科学调度提供了决策依据,具有一定理论价值和工程应用价值。     

基于QPSO-LSSVM的风电场超短期功率预测

准确预测风电场的发电功率,有利于电网的经济和安全调度。为提高风电场超短期功率预测的精度,建立了基于最小二乘支持向量机（LSSVM）的风电场超短期功率预测模型,并采用量子粒子群算法（QPSO）对LSSVM中影响回归性能的参数进行优化。通过对福建某实际风电场超短期功率预测的应用表明,与BP神经网络和QPSO-LSSVM的预测结果相比,QPSO-LSSVM预测模型多种误差指标均较小,具有较高的预测精度和鲁棒性,是一种有效的风电场超短期功率预测方法。     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。     

中国短期风电功率预测技术现状与误差分析

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。     

考虑异方差效应的风电不确定性建模及其在调度中的应用

随着风电在电力系统中渗透率的不断提升,其不确定性为电网的安全经济运行带来了重大挑战。为获得精准的风电不确定性模型,帮助运行人员实现系统的安全经济运行,文中提出了考虑异方差效应的风电预测误差条件概率分布建模方法。首先,分析了风电预测误差与各类因素的相依性水平,并基于分析结果与动态Copula理论,建立了风电波动性与风电预测误差的动态相依性模型;之后,针对边缘分布所显示出的时域特征,结合差分整合移动平均自回归(ARIMA)模型与广义自回归条件异方差(GARCH)模型,考虑异方差效应,建立了时变边缘分布模型;最后,将两模型相结合,给出了不同波动水平下的风电条件预测误差分布情况,并在不确定性机组组合模型中进行验证,证明了模型的有效性。