基于混合Copula优化算法的风速预测方法研究

针对风电场中各风电机组风速之间存在的复杂时空相关性问题,提出一种基于混合Copula优化算法的风电场风速预测方法。该方法首先分析单一Copula函数拟合优度检验,选取合适Copula函数进行组合;其次,构建混合Copula函数模型对风电场内多风电机组风速相关性进行分析;最后应用最大期望（EM）算法求解模型相关系数并完成风速预测。结合优化算法,改进Copula函数能很好地解决风速相关性问题,为获取准确风速预测值奠定基础。以中国某地区风电场风电机组实测风速数据为例对所提方法进行验证,实验结果表明该模型可在准确分析风速相关性的基础上提高风速预测准确性。     

基于WRF模拟和注意力机制的短期风速预测

提出一种结合中尺度数值天气预报（WRF）模式和注意力机制（AM）的短期风速预测模型。首先，利用WRF模式模拟多维数据，包括风速、风向、温度和湿度，作为后续算法的输入变量。其次，利用变分模态分解将WRF风速误差及其他相关气象因素分解成不同频率的子模态分量，降低原始数据的复杂性和非平稳特征。随后，使用自适应网格搜索算法对添加注意力机制的双向门限循环单元进行模型结构参数优化。最后，基于所提模型预测误差修正WRF风速。通过算例分析，所提模型在单步和多步预测中精度均优于对比模型，证明了模型的优越性。     

基于小波包变换的最小二乘支持向量机短期风速多步预测和信息粒化预测的研究

讨论风电场短期风速多步预测和信息粒化预测,建模方法采用最小二乘支持向量机回归算法,数据处理方法采用小波包变换算法,在小波变换的基础上有选择地分解高频部分,可进一步提升预测精度。最后,将该文所提的建模方法应用于短期风速多步预测和信息粒化预测。大量实例分析表明,多步预测方法可得到风速预测曲线,适用于含风电场的区域能源连续调度;信息粒化方法可处理冗余数据并得到较准确的风速预测的特征数据,能准确分析不同风电场或不同风电机组的机组特性。     

基于Seq2Seq技术的电力系统暂态稳定评估方法

电力系统暂态稳定的评估识别有助于电网运营商制定系统扰动和故障后的纠正控制措施。引入深度学习思想,提出了一种基于Seq2Seq技术的电力系统暂态稳定评估方法。首先,梳理电力系统暂态稳定评估指标;然后以GRU为神经元,引入注意力机制,建立暂态稳定评估模型。算例验证表明：所提方法能够深入学习到样本数据中的时序性依赖特征,有效抓取特征细节,从而显著提升评估准确率。     

考虑风速相关性的风电接入能力分析

同一地区的风电场一般建立在相互接近的地理位置上,因此其风速往往呈现出一定的相关性。采用Copula函数建立多风电场的风速相关性模型,继而生成具有相关性的风速分布样本空间。考虑风速的随机性与相关性,应用机会约束规划理论,在满足系统安全可靠运行的前提下,以系统可接入的风电机组装机容量最大化作为优化目标,建立了计算风电穿透功率极限的概率最优潮流模型,并采用一种基于随机模拟技术的粒子群优化算法进行求解。以IEEE30节点测试系统为算例,分析风速相关性、风电场接入点和机会约束置信水平对风电接入能力的影响,结果验证了所提模型与算法的合理性与可行性。     

基于变量相关注意力机制的短期风速预测

针对多因素风速预测问题，提出一种基于变量相关注意力机制的短期风速预测模型。该模型通过序列对齐与变量选择模块筛选出与风速相关性强的因素序列并生成其他因素矩阵，采用变分模态分解算法将历史风速序列分解并进一步生成模态分量矩阵。将其他因素矩阵与模态分量矩阵拼接，得到因素矩阵。利用变量相关注意力机制表达因素矩阵与风速序列的相关关系，在此基础上实现风速预测。采用中国南方某风电场一年的实测数据验证了序列对齐与变量选择模块的作用、变分模态分解算法的分解效果以及变量相关注意力机制的特征提取能力。该模型在4个季节的平均绝对误差分别为0.17、0.17、0.13和0.14 m/s，明显优于其他对比模型，充分说明该模型在短期风速预测方面的优越性能。     

基于多任务学习的风速实时预测方法

准确的秒级风速实时预测能够提高风电机组的运行状况和控制品质,为电网做出最优调度决策提供辅助信息。目前风速实时预测时间分辨率通常为分钟级,且在小数据集的情况下模型泛化能力弱。文章以时间分辨率为5 s的风速序列为研究对象,提出了基于多任务学习的风速实时预测方法。该方法结合了变分模态分解方法和长短期记忆神经网络。首先,通过变分模态将风速序列分解为一系列信号;然后,建立多任务学习的共享层,使用长短期记忆神经网络提取各分解信号中的共享参数,深度挖掘分享子序列预测任务间的信息;最后,建立多任务学习的特定任务层,借助多个LSTM并行预测分解后的风速子序列,并将多个预测结果叠加得到风速实时预测结果。算例结果表明:所提多任务学习模型在10步、5步预测中的均方根误差总体均值分别为0.80 m/s和0.71 m/s,与经过变分模态分解和未经过变分模态分解的单任务模型预测相比,所提模型均方根误差总体均值在10步预测中分别降低了35.5%和39.8%,在5步预测中分别降低了24.5%和45.8%。     

基于Attention-GRU风速修正和Stacking的短期风电功率预测

针对使用数值天气预报（NWP）数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制（Attenion）门控逻辑单元（GRU）数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。     

双重不确定性预测下风电场超短期有功优化控制

针对风电场并网友好性提升问题,提出考虑风速预测不确定性和风电机组有功特性不确定性的风电场发电能力评估方案。对风速超短期预测误差和风电机组在各风速区间的出力特性进行双重不确定性分析并建立概率分布模型,进而利用贝叶斯网络构建风电机组超短期出力的双重不确定性概率预测模型。基于风电场各风电机机组超短期出力概率预测模型,以最大概率跟踪电网调度指令为目标设计场站功率分配策略。算例分析表明,所提考虑双重不确定性的概率预测模型对机风电组有功的概率分布描述更准确,该模型在场站控制中可有效提升电网功率指令的完成水平。     

基于卡尔曼滤波修正的多步风电功率预测

针对传统时间序列预测多步风速时不能预测突变风速使风电功率预测误差较大的问题,采用基于数值天气预报(numerical weather prediction,NWP)风速及历史风速修正的卡尔曼滤波法对NWP风速进行多步修正,并通过修正后的NWP风速进行多步功率预测,第16步风速平均绝对误差降低了0.47 m/s,将该修正NWP风速与支持向量回归相结合,构建风电功率预测模型。构建模型与ARIMA模型及NWP直接预测模型相比,误差分别降低了6.8%和8.4%。应用该模型对山东某地区风电场现场数据进行仿真测试,第16步预测准确率达到82.6%。     

风电场邻近风电机组缺测风速集成填充方法

针对风电场中邻近多台风电机组集中出现缺损测量风速的工况,提出基于粒子群优化广义回归神经网络的风电机组缺损测量风速集成填充方法。以"成员等同性"原则引入动态时间规整算法、空间邻点法和Pearson相关系数法,分别搜寻与缺损测量风速风电机组风速演化最为相似的若干台风电机组及对应的测量风速时序,建立基于广义回归神经网络的填充子模型,采用粒子群算法对广义回归神经网络的模型参数和训练集的构成进行全局优化,之后选取较好的子模型构造自适应的熵权集成填充模型。实验结果表明:依据相似性风速序列进行缺损风速的填充能有效提高填充精度;粒子群算法优化广义回归神经网络,不仅提高了子模型的填充效果,更使得模型参数的调节有据可依,能适应不同风电场风速数据的特点;基于熵权的集成填充策略理论依据充分,集成填充的精度和稳定性优于单个子模型。     

基于风速时空关联的多步预测方法

基于风速的空间关联性提出一种新的多位置多步风速组合预测方法.对风场内各风力机进行灰色关联分析,并据此利用昆虫优化算法进行优选重构,获取目标风力机及临近域空间信息.利用卷积神经网络对重构矩阵进行空间特征提取,并输入长短时记忆网络进行多步预测.最后,将所提方法应用于不同风场进行风速预测,通过对比分析验证所提方法的预测精度和...     

计及风电不确定性和风速相关性的微网孤岛多目标潮流优化

风电在微网渗透率不断增高,影响着微网的优化运行。文章针对风电不确定性和风电场之间相关性对微网的影响,提出了基于概率模型的微网孤岛多目标优化模型。分析了风机出力的不确定性和风速相关性,建立了相应的概率模型。建立了多目标模型,优化微网运行成本、总排放和电压偏移量。对文章应用的2PEM+1点估计法和Nataf变换进行了说明,用于模拟风电的相关性,并利用多目标蚁狮算法对建立的模型进行求解。在改进IEEE 33节点系统中进行仿真分析,对比说明了考虑风速相关性与风电场相关性对微网孤岛运行的影响。     

基于数字孪生技术的风电机组建模研究

针对以往风电机组数字孪生建模受不同研究目的或单一软件的功能限制，难以建立风电机组整机模型的问题，提出一种新的风电机组孪生建模方法。该方法首先依托FAST风速性能模块，建立稳态风模型、随机湍流风模型以及风电场实时风速模型；接着采用空气动力学模块和结构动力学模块分别搭建风电机组叶片、塔架等关键部件的几何与动力学模型；最后在Simulink中搭建风电机组电气系统模型及控制策略，由此构建完整的风电机组孪生模型。将该孪生建模方法分别用于WindPACT 1.5 MW双馈风电机组与某风电场Fuhrl?nder 2.5 MW双馈风电机组并进行验证。结果表明：孪生模型在不同风速模型下，各重要生产参数相比设计标准及实际运行数据均具有较高的准确性。此外，通过对风电机组数字孪生系统实时仿真和现场不可测数据的孪生模拟，也进一步表明孪生模型具有可行性和有效性。     

基于序列到序列和注意力机制的超短期风速预测

风速具有较大的波动性,给风速预测带来较大难度。为解决以上问题,该文提出基于序列到序列和注意力机制的深度学习模型来进行超短期风速预测,首先采用1维卷积神经网络和门控循环单元对风速序列数据做编码处理,得到语义向量,然后使用注意力机制和门控循环单元对语义向量做动态解码,最后输出预测值,通过反向传播算法和梯度下降算法训练模型参数。在实际采集的风速数据上对模型的预测精度和性能做评估,实验结果表明:相较于其他模型,该模型提高了超短期风速预测精度和鲁棒性,具有较好的泛化能力,验证了所提模型的有效性。     

风电场风电机组机载风速仪状态自确认

以风电机组机载风速仪为例,提出一种传感器状态自确认方法。利用多台风电机组风速的相关性,通过动态时间规整算法,选定一组风电机组群。构建基于自联想神经网络的风电机组群风速仪预测模型,采用历史正常数据通过麻雀搜寻优化算法对模型进行训练,根据实际值与预测值的关系对风速仪状态进行识别。通过仿真实验证明该方法可识别风速仪模拟异常状态,最后对某风场实际风速进行检测,结果显示能有效识别出风速仪的状态,实现风电机组风速仪状态的自确认。     

考虑风电消纳能力单目标及多目标模糊机组组合模型及应用

从机组经济调度优化的角度入手,研究了风电消纳的合理应对方式。为使机组组合安排能在消纳更多风电的同时兼顾电力系统运行的安全、可靠性准则,并满足一定的经济性,分别以弃风电量、机组运行费用和机组运行风险度三方面为优化目标建立了机组组合的优化模型及这三者共同的多目标优化模型。利用粒子群算法及模糊多目标优化方法对模型进行求解,并将上述模型和算法应用于某10机算例的计算中。分析结果表明,该建模思路能为风电的有效接纳提供有益的指导。     

计及运行环境影响的风力机可靠性建模

根据风力机子系统的不同特性将其分成电力电子系统、机械系统和控制系统3个部分,考虑风速与温度分别对这3个部分的影响,提出计及运行环境影响的风电机组可靠性精确建模方法。为考虑机械系统故障率与风速之间的非线性相关性,该文引入Copula函数进行分析,并利用Copula函数生成相关性样本,从而建立机械系统可靠性模型。根据山西某风场实际风速与温度数据,以2 MW永磁直驱同步风电机组为例,分析不同月份中不同风速与温度情况下风电机组的故障率情况。研究结果表明,使用该文所提方法可得到风速、环境温度与风力机故障率之间的定量关系,从而得到更精确的风力机可靠性模型。     

基于温度归一化的风电机组发电量模型研究

针对环境温度影响风电机组的输出功率及发电量计算的问题,通过分析风速的分布建立威布尔分布模型;分析温度对风电机组输出功率的影响,推导出温度归一化的功率折算公式,将功率折算到统一基准温度下,提出基于温度归一化的风电机组发电量计算模型。以新疆某风电场为算例,分别计算出4台风电机组的发电量,将温度归一化模型和传统算法计算的发电量与实测SCADA数据进行对比,验证温度归一化模型计算发电量的精确性。     

基于CatBoost机器学习模型的风电机组机舱温度异常预警研究

风电机组机舱内部的机械部件众多，以机舱温度为研究对象可以实现对风电机组故障的预警。首先提取风电机组正常运行状态下的机舱温度数据，综合Pearson相关系数和Spearman相关系数，以及轻型梯度增强学习器(LightGBM)和CatBoost算法的特征变量重要性，筛选出与机舱温度相关性较大的20个特征变量，作为风电机组机舱温度的特征变量集合；然后选择CatBoost、LightGBM、随机森林(Random Forest)3个算法分别建立模型，以均方误差(MSE)、均方根误差(RMSE)、平均绝对误差(MAE)、判定系数R2作为评价指标进行综合评价，最终选择评价指标最优的采用CatBoost算法建立的模型作为风电机组机舱温度异常预警模型，并采用实际的风电机组机舱温度异常的历史数据对模型的预警效果进行验证。该模型可在机舱温度预测值与真实值之间偏离程度较大时进行预警，专业检修人员可以根据模型输出的特征变量重要性排序，优先检修相关性较高的部件，实用性较强。