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。     

基于偏依赖量的风功率影响因素相关性分析方法

分析各类影响因素与风电功率之间的相关性对于提升风电功率预测的准确度和评估风电机组的性能具有重要意义。针对原有相关性分析没有考虑风电功率时变特性和不能反映影响因素与风电功率之间复杂非线性关系的问题,提出基于影响因素重要性和偏依赖量的相关性分析方法。首先,基于历史数据,利用梯度提升树和人工神经网络训练风电功率模型。其次,基于功率模型提出影响因素重要性指标,识别影响功率的重要因素。然后,利用风电功率对各类影响因素的偏依赖量衡量影响因素的变化对风电功率趋势的非线性影响。最后,采用实际风电功率数据进行验证,实验结果表明所提方法能够识别影响风电功率的重要因素,并可衡量各类因素的变化与风电功率之间的非线性相关关系。     

基于改进Markov链模型的风电功率预测方法

由于风资源本身的随机性和波动性,大规模风电接入将给电力系统的安全、经济运行带来严峻的挑战。因此,对风电功率的准确预测,以及对风电接入后系统状态的预估具有重要意义。首先通过大量历史样本统计,构建基于Markov链模型的风电功率概率预测方法,并在传统的Markov状态空间划分方法的基础上,根据风电出力的分布特点,应用不等分法划分状态空间,通过将风电功率的预测结果与实际结果比对,验证了该方法在提高风电功率预测精度上的有效性。     

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。     

基于t Location-Scale分布的风电功率概率预测研究

风电功率特有的随机波动性,导致风电功率点预测方法的预测精度不高,增加了风电并网的难度,致使风电场弃风现象严重。基于风电功率点预测的基础上,风电功率概率预测可以预测出风电功率的波动范围,为电力系统的安全运行以及电网调度运行给出不确定信息和可靠性评估依据。提出了一种基于t location- scale分布的风电功率概率预测方法,即采用t location-scale函数来描述风电功率预测误差概率分布,并以此建立误差分布,基于已建立的误差分布可以进行概率预测。并引进了覆盖率和平均带宽来评价预测区间的优劣程度。利用吉林省西部某风电场历史数据验证了该方法的可靠性。     

风电功率预测技术综述

对于有大规模风电接入的电网来说,短期风电功率预测对于电力系统的调度和安全稳定运行有重要的影响。文章较全面地综述了国内外对短期风电功率预测技术的研究现状,介绍了与风电功率预测相关的物理方法和统计方法,分析了预测误差产生的原因及其评价方法,对我国的风电功率预测研究与开发工作提出了建议。     

考虑预测误差分布特性的风电场集群调度方法

为应对大规模风电集中并网给电力系统有功功率平衡带来的影响,将风电功率预测信息纳入电力系统日常调度是为应对大规模风电集中并网给电力系统有功功率平衡带来的影响,将风电功率预测信息纳入电力系统日常调度是必然趋势。现有考虑预测信息的风电场集群有功调度方法一般采用确定性风电预测数据,由于风能特性和预测水平限制,难以满足电力系统调度精度需求。因此提出一种考虑风电功率预测误差分布特性的有功功率调度方法,该方法首先通过历史数据统计分析得到风电场风电功率预测误差的概率分布,然后以风电场集群下发有功指令后各风电场输出的风电功率缺额的数学期望之和最小为优化目标,优化分配风电场集群调度指令,减少因风电有功预测误差导致的风电场群输出有功功率与集群调度要求之间的功率差额。通过风电场实际数据验证了所提方法的有效性和先进性。     

基于改进空间资源匹配法的风电集群功率预测技术

大规模风电集群的功率预测,有利于调度部门制定科学合理的发电计划,提升电网的健壮性。基于空间资源匹配法(spatial resources matching algorithm,SRMA)的风电集群功率预测方法,比广泛采用的统计升尺度法具有更高的精度,而且需要的计算资源较少。但是现有的空间资源匹配法,匹配参数单一,不利于预测精度的进一步提升。文章在详细介绍空间资源匹配法的基础上,提出了一种考虑风电功率测量数据的改进空间资源匹配法,并通过52个风电场组成的风电集群开展了0~12 h的风电功率预测。结果表明,改进的空间资源匹配法前4 h的预测精度比传统的匹配法有较大幅度的提升,具有较强的工业应用推广价值。     

基于数据特征提取的风电功率预测误差估计方法

估计风电功率预测误差对电力系统的调度与控制、安全与防御等方面具有重要意义。从风电历史数据和日前预测数据特征提取的角度,研究了日前风电功率预测误差的估计方法。首先,提取并分析影响风电功率预测误差的主要因素,包括风电出力波动程度、风电功率幅值、预测方法等,并通过数据统计分析其相关性。然后,结合风电历史运行数据,采用多元线性回归方法建立风电功率预测误差的估计模型。最后,基于比利时电力运营商Elia公开的风电场实际运行数据,进行了仿真算例分析。所述方法也在中国西北部某省调度系统上应用于备用需求分析,并实现了试运行。     

考虑风电功率序列时间相关性的电力系统动态经济调度

随着高比例可再生能源大规模接入电力系统,其不确定性对经济调度带来了巨大的挑战。针对含风电电力系统经济调度问题,提出了考虑风电功率序列时间相关性的数据筛选方法,并利用versatile-copula分布实现风电功率序列时间相关性建模,以此为基础提出了考虑随机变量相关性的机会约束与风电成本高低估代价计算方法,建立了考虑风电功率序列时间相关性的动态经济调度模型。通过对目标函数和约束条件的转化与分析,将随机优化模型转化为线性约束问题,并利用逐次线性化算法实现准确求解。最后,在含风电的IEEE-30节点和IEEE-118节点算例系统中进行仿真计算,验证了所提考虑风电功率序列时间相关性的调度方法在数据筛选、拟合精度、经济性等方面的有效性。     

计及气象因素和风速空间相关性的风电功率预测模型

建立了一种计及数值天气预报中气象因素和风速空间相关性的组合加权风电功率预测模型。首先,考虑到数值天气预报数据中的风速精确度不高,建立了基于高斯过程的数值天气预报风速修正模型,计入其他气象因素,如风向、温度、湿度、气压等,进行风电预测。同时,基于目标风电场与相邻风电场区域的风速空间相关性分析,求得其最大相关系数点的延迟时间,建立风速空间相关性预测模型。然后,基于数值天气预报偏差修正的风电功率预测模型和空间相关性预测模型,建立组合加权预测模型,并利用拉格朗日乘子法求得组合模型中各个单一模型的加权值。算例结果表明,所提模型及方法能够有效提高风电功率预测的精度。     

风向空间分散性及其对全场风电功率预测误差的影响

风电功率预测对风电场和电力系统的稳定运行都具有重要意义。通过提高风速预测精度可以改善风电功率预测精度。风电场的风不是时刻都垂直有效作用在风机上,风向代表了风速与风机间的夹角,进而决定了垂直作用在风机上的有效风速,因此风向也是影响风电功率预测精度的因素。分析了风向空间分散性及其带来全场风电功率计算和预测误差的机理,给出了各种误差间的相互关系。算例结果表明,考虑风向的空间分散性,比仅以平均风向计算有效风速得到的全场风电功率预测误差小。实例表明,在风速空间分散性基础上考虑风向空间分散性会进一步提高全场风电功率预测精度。     

基于多位置NWP和门控循环单元的风电功率超短期预测

数值天气预报(NWP)对风电功率超短期预测模型精度有着重要影响。为充分利用NWP信息,考虑多个风电场的空间相关性,提出一种基于多位置NWP和门控循环单元的风电功率超短期预测模型。首先,通过随机森林分析多位置NWP信息对风电场发电功率的重要程度,利用累积贡献率提取NWP中的有效信息,将加权的NWP信息与历史功率数据作为预测模型的输入变量。然后,选取改进的灰狼寻优算法对门控循环单元的参数进行优化,建立多变量时间序列预测模型,进行风电场发电功率的超短期预测。最后,选取中国某风电场的实测数据进行算例分析,验证了所提方法的有效性和可行性。     

基于CNN和LightGBM的新型风电功率预测模型

考虑到风力发电具有波动和不确定的特点,难以预测,文章提出了基于卷积神经网络和LightGBM算法相结合的新型风电功率预测模型.通过分析风电场与相邻风电场原始数据的时序特征,构建出新的特征集;应用卷积神经网络(CNN)从输入数据中提取信息,基于数据间的对比结果调整相应参数;为了提高预测结果的准确性和鲁棒性,将LightGBM分类算法加入模型中.对比所提模型与支持向量机以及单一的LightGBM和CNN模型仿真结果,证明所提模型具有更好的精度和相率.     

基于DSA功率预测模型的风电分层有功调度控制策略

为了增强含高渗透率风电电网的消纳能力,提高控制精度与运行经济性,提出了一种改进的基于双层递阶自适应模糊系统（double stage hierarchical ANFIS（adaptive neuro-fuzzy inference system）,DSA）功率预测模型的风电分层有功调度控制策略。将有功调度分为系统层、风电场群层、分群子场层、风机机组层与反馈校正层,结合DSA模型对风电场超短期风电功率进行预测,考虑电网与机组安全运行等约束条件,给出了各个层级之间的协调控制关系与每个层级相应的功率分配方法,同时以滚动优化对误差进行校正。最后通过算例对所提控制策略的有效性进行分析验证,结果显示,所提控制策略在功率波动较大情况下其控制精度高,并且能有效减少风机启停次数,降低系统网损。     

基于误差修正的NNA-ILSTM短期风电功率预测

为更准确预测短期风电功率,提出了一种基于误差修正的NNA-ILSTM短期风电功率预测方法。首先,采用斯皮尔曼（Spearman）等级相关系数法对风电功率影响因素分析,选出相关性较高的参量;其次,对长短期记忆网络添加注意机制与修改损失函数以解决其对有效信息筛选不足的问题,利用神经网络算法（NNA）优化改进的长短期记忆网络（ILSTM）中的神经元数量和时间步长,提高其预测精度以及泛化能力,构建NNA-ILSTM预测模型;最后,分析预测误差与风电功率、风速之间相关性,构建误差修正模型,对NNA-ILSTM模型预测结果进行修正,得到风电功率预测的最终结果。实验结果表明,所提出的模型可以显著提高风电功率预测精度。     

基于CFD流场预计算的风电功率预测误差分布研究

大规模风电并网会对电力系统的安全和经济运行带来不利影响,因此进行风电功率预测具有重要意义。基于CFD流场预计算的风电功率预测方法巧妙地解决了预测效率与精度间的矛盾,具有较好的工程实用性。为进一步改进基于CFD流场预计算的功率预测方法,将其应用于某一风电场进行了为期一年的功率预测,并对预测结果的误差分布进行研究。结果表明:预测方法精度较高,能够较为准确地预测风电场的各种出力方式,满足应用要求;误差频率分布随季节变化,预测功率存在横、纵向误差,不同的来流风速、风向对应不同的预测误差;预测过程应进行非均匀的风况离散,从而实现对预测方法的高效合理利用。     

基于相关向量机的风电功率实时预测研究

风能的波动性和随机性给风电功率预测带来了很大的影响,准确合理的预测可以使系统可靠、持续、稳定运行。提出一种基于相关向量机的超短期风电功率预测方法。相关向量机是在贝叶斯理论的基础上提出的一种概率学习模型,与支持向量机相比,相关向量机具有概率模型稀疏、核函数计算量小等优点。对滚动多步预测模型进行了分析,建立了相关向量机的风电功率预测模型。利用该方法对吉林西部若干风电场进行功率预测,结果表明,所提出的预测模型能有效地提高预测精度,对工程有较高的应用价值。     

基于GA优化SVM的风电功率的超短期预测

研究风电功率预测技术对于减轻其输出电能的随机性对电力系统的影响具有重要意义。首先结合风电监控系统数据库中的历史功率数据和环境参数形成样本数据,同时采用遗传算法优化该模型的核函数类型、核函数参数及错误惩罚因子等参数,建立了GA-SVM模型,提高了模型参数组合优化选择的效率和预测精度。最后结合实例验证,并与标准SVM方法和BP神经网络方法比较。预测效果表明:所提出的GA-SVM优化模型在超短期风电功率预测上具有更优的学习能力和泛化能力。     

基于模糊信息粒化和最小二乘支持向量机的风电功率 联合预测建模

提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率平均值预测和风电功率波动范围预测的联合预测模型建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各个窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值。其次应用最小二乘支持向量机对各个分量分别建立预测模型,并使用自适应粒子群算法对各个分量模型进行优化。最后使用优化后的最小二乘支持向量机模型对风电功率平均值和风电功率波动范围进行联合预测。实例研究表明,该联合预测模型可以有效进行风电功率平均值预测和风电功率波动范围预测的联合预测,并能有效跟踪风电功率变化。