基于改进GM-ARMA组合模型的风电功率中长期预测方法*

风电功率预测是提高风电场功率上报准确率和风电场收益、提高大规模风电并网后电力系统的安全和稳定性的有效方法.目前对于风电功率超短期和短期预测的研究已取得了阶段性研究成果,但是对于风电功率中长期预测方面的研究尚未取得实质进展,预测效果难以满足实际工程应用的需要.针对现有风电功率中长期预测方法存在的缺陷,提出了一种基于改进GM-ARMA组合模型的风电功率中长期预测方法,采用遗传算法优化组合模型的参数,以得到最优模型,进而提高了风电功率预测精度.仿真结果表明该方法对年度和月度风电功率预测均有较好的应用效果,比普通GM-ARMA组合模型具有更高的预测精度.     

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。     

基于小波—BP神经网络的短期风电功率预测方法

建立风电功率预测系统并提高其预测精度是大规模开发风电的关键技术之一。基于数值天气预报,建立了反向传播（BP）神经网络风电功率预测模型,并采用某风电场实际数据分析了影响该模型预测精度的因素。针对原始风速及功率序列日特性不明显、BP神经网络不能完全映射其特性的缺陷,提出了一种基于小波—BP神经网络的预测模型。该模型利用小波...     

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。     

基于堆叠稀疏降噪自动编码器的地区风电场群高精度超短期风电功率预测

为解决风电功率预测过程中面临的风电数据量大且复杂化以及如何提高预测精度的问题,基于堆叠稀疏降噪自动编码器提出地区风电场群高精度超短期风电功率预测方法。该方法采用自编码器对输入风电功率数据进行降维提取特征,为进一步增强自动编码器的抗干扰性,对其引入稀疏性约束和降噪技术。该方法能够有效降低数据的解析难度和提高特征提取的可靠性。通过实际算例验证,该预测方法可有效提高多风电场功率预测的精度。     

基于GA-BP和RBF的风力发电时间序列混沌预测组合模型

针对单一模型难以对具有不确定性和随机性等特点的风电功率数据实现精确预测,该文提出基于GA-BP和RBF的风力发电时间序列混沌特性组合预测模型。组合预测模型对原始风电功率数据进行混沌特性判定,使用基于嵌入窗法的C-C求解法对数据进行相空间重构,得到输入数据集。并且,该组合预测模型基于皮尔逊相关系数和模型的不同预测能力,实时更新各模型的权重,提高模型的综合预测能力。实际风电场数据验证表明,组合预测模型对风电功率预测的皮尔逊相关系数为0.985,证明了此组合模型在提升风电预测精度方面具有优越性。     

基于LSTM和非参数核密度估计的风电功率概率区间预测

高精度的风电功率点和区间预测可以为电网优化配置带来更多信息。提出采用长短期记忆（LSTM）网络实现风电功率的点预测,并基于该网络生成1组风电功率预测误差数据集,采用渐进积分均方误差准则的窗宽优化方法实现非参数核密度的估计,求出不同置信度下的风电功率波动区间。实验基于美国某风电场历史数据,通过与BP, Elman神经网络和SVM对比,验证了LSTM网络预测精度更高;基于LSTM网络预测生成的误差数据集,与高斯模型及随机窗宽非参数核密度估计模型相比,结果说明了所提最优窗宽非参数核密度估计模型具有更贴近真实的预测误差分布。     

风电功率预测信息在日前机组组合中的应用

将风电功率预测信息纳入电力系统调度运行是解决风电波动的主要技术之一.受自然条件影响,风电功率预测的精度仍然较低.描述风电功率的不确定性并在机组组合中使用该信息,可提高机组组合决策的鲁棒性.文中分别采用点预测、区间预测和分位点预测描述风电功率的不确定性.在此基础上,分别建立了适合各种风电功率预测信息的机组组合模型.最后,...     

风电功率物理预测模型引入误差量化分析方法

风电功率短期预测是风电调度运行的基础之一,物理预测方法是风电短期功率预测的基本方法之一,在欧美等国家仍作为主要预测方法,分析风电功率物理预测方法的误差源对提升预测精度具有重要作用。针对风电功率物理预测方法的误差来源问题,在分解物理预测关键环节的基础上,分别从物理模型、地转拖曳定律、数值天气预报(NWP)风速、风速-功率转化等方面,采用单一变量原则研究了各环节误差探明方案,通过物理过程推导,提出了一种面向风电功率物理预测模型的误差源分析方法,获得了物理预测方法各环节引入预测误差的量化结果。采用实际算例进行测试的结果显示,所提出的误差源分析方法能够获得误差源量化分析结果,且分析结果与实际相符,验证了方法的准确性。     

变分模态分解在光伏发电功率预测中的应用

准确可靠的光伏发电功率预测对制定高效智能的负荷调度策略具有重要的指导意义。不同于常规方法,提出了一种基于变分模态分解和差分整合移动平均自回归模型的组合预测方法。变分模态分解可将原始信号分解为若干个具有不同中心频率和频率带宽的模态函数;差分整合移动平均自回归模型可对每一个模态函数建立预测模型。实验结果表明本文所提方法在对光伏发电功率预测时,优于基于经验模态分解法和局部均值分解法的预测模型,具有较高的预测准确度和稳健性。     

基于稳健估计时间序列法的风功率预测

基于稳健估计运用时间序列法对风电场出力进行了短期预测。先对数据进行了预处理,用最小二乘法和稳健估计法分别建立了自回归滑动平均模型。通过模型提前预测了下个30min的风电场出力,总共预测了10次。结果表明,基于稳健估计的时间序列建模进行预测的误差大多数都在5%以内,只有一个点达到10.1%,明显比常规的时间序列建模预测的误差要小。说明稳健估计能在建模数据含有少量异常值时,比常规自回归模型预报精度要高。     

基于Bagging混合策略的多风电场稀疏向量自回归概率预测

风电功率预测对电力系统的安全稳定运行具有重要意义。针对多风电场的超短期概率预测问题,提出了一种基于Bagging混合策略和核密度估计(kernel density estimation,?KDE)的稀疏向量自回归预测方法。首先通过时间序列分解和余项自举,生成若干自举时间序列。对于每个时间序列,采用向量自回归(vector autoregression,?VAR)模型进行预测。针对传统模型在风场数量较多时容易出现的过拟合问题,采用稀疏向量自回归模型,筛选最有效的回归系数,得到稀疏系数矩阵。每个时间序列训练的预测模型分别产生点预测结果,对于多重点预测结果,使用KDE方法产生概率密度的预测结果。在真实风电集群数据上,验证所提多场站概率预测方法的有效性,采用分位数得分评估概率预测精度。相关实验结果表明,该方法可以有效提高概率预测精度。     

基于ARIMA和LS-SVM组合模型的短期负荷预测

经实例预测分析发现,利用累积式自回归动平均法(autoregressive integrated moving average,ARIMA)进行电力短期负荷预测时所得误差序列有较明显的周期规律性,针对此现象及其原因,为提高预测精度,提出采用最小二乘支持向量机(least squares support vector machine,LS-SVM)对ARIMA预测误差进行修正的ARIMA-LS-SVM组合模型;利用该改进模型对哈尔滨电网负荷进行实例预测,结果表明:该方法能够提高短期负荷的预测精度,并且具有较强的推广性和应用能力。     

基于传统CNN-LSTM模型和PGAN模型的用电量预测对比研究

为保证新一代智能电网能够根据实时的用电量情况动态的调节区域内电能分配及调度,需要实现高效且精准的用电量预测。传统电网中用电量预测方法是通过人工统计或者对历史同期用电量分析,粗略的计算出可能产生的用电量,不但消耗大量的人力物力,且无法满足智能电网背景下的用电量精准预测。现在采用差分整合移动平均自回归预测模型,长短时记忆网络预测模型和生成对抗网络预测模型等方法对用电量预测问题进行了研究,以取代传统的用电量预测方法。结果表明,智能算法可以大大程度上提高用电量预测的准确性,但要实现短时高效预测,还需在智能电网系统中对智能算法合理使用。     

基于LSTMAttention网络的短期风电功率预测

提出一种基于LSTM-Attention网络的短期风电功率预测方法。首先,使用LSTM网络对数值天气预测(NWP)数据的特征信息进行提取,同时采用注意力机制有效分析了模型输入与输出的相关性,从而获取了更多重要时间的整体特征;其次,使用卷积神经网络(CNN)提取NWP数据的局部特征,并引入压缩和奖惩网络(SE)模块学习特征权重,利用特征重新标定方式提高网络表示能力;最后,将局部特征和整体特征进行特征融合,通过分类器输出分类结果。利用NOAA提供的美国加利福尼亚州某风电场的数据进行案例分析,证明了所提方法的有效性。试验结果表明,与BP神经网络、自回归积分滑动平均模型(ARIMA)模型和LSTM模型相比,LSTM-Attention模型具有更高的预测精度,证明了该方法的有效性。     

基于小波变换的ARMA-LSSVM短期风速预测

对风电场风速的准确预测,可以有效减轻并网后风电对电网的影响,提高风电市场竞争力。提出将时间序列自回归滑动平均模型（Auto Regressive Moving Average, ARMA） 与最小二乘支持向量机模型（Least Square Support Vector Machine,LS-SVM）相结合的混合模型短期风速预测方法。采用小波变换（Wavelet Transform,WT）方法将历史风速序列分解成具有不同频率特征的序列。根据分解后各分量的特点,对于低频趋势分量选取LS-SVM方法进行预测,而高频波动分量则选取ARMA模型进行预测,采用小波重构得到最终预测结果。仿真实例表明,不同的预测方法整体的预测精度不同,而混合模型预测的均方根误差最低为11.5%,与单一预测方法相比,混合模型提高了预测精度。     

基于混合模型的超短期风速区间预测

准确的风速预测能够促进大规模的风电并网,保证电力系统的安全稳定运行。针对传统点预测方法难以表征预测结果概率可信度问题,提出一种基于模糊信息粒化、改进长短期记忆网络与差分自回归移动平均模型的混合区间预测模型。首先,采用自适应噪声的完全集合经验模态分解模型对原始风速数据进行分解,并依据模糊熵重构得到新序列。在此基础上,对每个序列依次进行模糊信息粒化,获得最大值、最小值及平均值。最后,利用改进长短期记忆网络模型预测高频序列,差分自回归移动平均模型预测低频序列与余项,并将所得上下界求和得到最终风速区间。算例分析表明,所提模型得出的风速预测区间能够准确覆盖实测风速,为电力系统调度提供更多有价值的决策信息。     

短期风电功率预测方法

提出了以混沌相空间重构为基础的混沌时间序列预测方法。为提高预测模型的预测精度和泛化能力,利用C-C方法对相空间重构参数的优化进行了综合计算。预测模型采用加权一阶局域法,以某风电场的风电功率数据进行训练和预测。实际算例表明,该综合方法具有很好的预测精度和实用性。     

基于SVR残差修正的光伏发电功率预测模型

作为一种重要的分布式电源,光伏发电发展迅速且当前部分地区的渗透率不断升高,对区域电网的安全稳定运行造成了严重的影响。光伏功率超短期预测可以为区域电力调度提供必要的数据支撑,促进新能源消纳目标的实现。但是光伏电源自身的波动性特性使光伏功率预测的精度难以提高。鉴于此,本文提出了一种考虑功率修正基于差分自回归移动平均模型(ARIMA)的光伏发电功率预测模型。首先,以光伏电站现场采集的功率时间序列数据建立ARIMA模型进行预测日发电功率的初步预测;其次,利用前一个气象相似日的预测残差数据建立支持向量回归模型对预测日的ARIMA预测残差进行预测;最后,对初步预测结果进行修正。现场实际数据建模证明了本文方法的有效性。#$NL关键词：光伏发电; 功率预测; SVR; ARIMA#$NL中图分类号：TM615