基于随机预测误差的分布式光伏配网储能系统容量配置方法

储能装置作为一种解决含分布式光伏配网系统功率波动的有效手段,其容量配置关系到补偿功率波动精度和经济性指标。为准确配置储能容量提出一种分布式光伏配网系统中储能设备容量配置方法:通过分析光伏出力短期预测误差和负荷短期预测误差的概率统计规律和随机过程,利用区间估计方法得出储能设备容量配置函数;然后利用该配置函数实现的配置方法,对储能容量在分布式配置和集中式配置两种方法下的预测误差的方差进行比较,可知储能容量分布式配置可以得到更精确的容量配置和更优的功率补偿效果。应用所提配置方法搭建实验样机,并应用于江西电网公司某分布式光伏配网系统中,验证了该方法的正确性和可行性。     

用于跟踪风电场计划出力的电池储能系统容量优化配置

电池储能系统是平抑风电功率预测误差的理想选择,在现有储能电池价格水平前提下,电池储能系统的功率与容量优化配置尤为重要。基于风电场功率预测误差分布特性,依据风电功率预测预报标准中的约束条件和考核指标,分析了电池储能系统功率与风电功率预测误差、风电功率预测误差缩减率、全天预测结果的均方根误差、准确率及合格率的特性关系,储能系统容量与容量需求满足率及容量需求满足增长率的特性关系。为较好平抑风电功率预测误差且使投入成本较低,基于截止正态分布法,提出了一种储能系统功率与容量配置优化方法。该方法可计算用于跟踪风电场计划出力所需的较优储能系统功率与容量。通过实例计算分析,验证了该方法的有效性和可行性。     

光储系统中储能容量优化

引入光伏功率预测误差,分析其概率统计规律,并利用置信区间去估计储能最大发出（吸收）功率的方法,使储能系统既能满足一定置信水平下的功率波动补偿,又优化了容量配置。采用本文提出的方法配置储能系统,然后利用Matlab／Simulink仿真软件建立了相应的光储联合系统模型,并采用实际气象数据驱动模型来进行并网控制的仿真研究,验证了提出方法的可行性。     

考虑光伏预测误差兼顾平抑波动的双层储能运行策略

为满足新能源发电并网要求、保证电力系统稳定运行,针对间歇性新能源发电的不确定性及波动性给电网设备稳定运行带来的安全问题,文中提出一种以补偿预测误差和平抑并网功率波动为目标的双层规划模型。首先,构建容量与误差满足率特性曲线得出最优储能容量,提高储能系统的经济性。其次,上层规划模型以预测误差最小为目标,建立储能系统充放电功率分配策略,并考虑储能电池循环寿命,设置非必要补偿值以避免其过充过放;下层规划模型以并网波动率最小为目标函数,采用模型预测控制算法对补偿后的光伏出力进行超前滚动优化控制,实现对光伏出力波动的平滑。最后,以上述模型为基础建立模型评估指标函数,以新疆某21 MW光伏电站为例进行算例分析,验证了策略的可行性。     

基于空间相关性的分布式光伏实用化功率预测及误差分析

低压接入的分布式光伏容量激增,其出力随机性对调度部门的负荷预测以及电网安全运行带来严峻挑战。提出一种适用于低压接入的分布式光伏功率预测方法,首先基于空间相关性原理为分布式光伏匹配集中式光伏电站作为功率预测参照,通过日发电量数据建立二者的出力关系,推算分布式光伏在运容量;随后利用参照电站的功率预测值对分布式光伏的功率预测进行初步推算;定义分布式光伏容量折算系数,详细推导出该方法的3类误差来源,提出一种基于分时电量比的误差修正策略。以张家口地区分布式光伏为例,验证了修正后的功率预测方法具有较好的预测精度。     

考虑复杂海洋气候条件影响的海上风电场储能容量配置研究

复杂的海洋气候条件会影响到海上风电场风功率预测的精度,储能系统可有效补偿风功率预测误差。提出一种考虑风功率预测误差不确定性的海上风电场储能容量配置方法。首先,通过组合预测模型预测风速,根据风功率-风速关系求得风功率预测值,与实测值比较得到风功率预测误差。然后,以储能配置的功率成本与容量成本之和最小为目标,建立利用储能将风功率预测误差补偿至允许区间内的鲁棒机会约束模型,并采用凸近似和抽样平均方法将模型转换为线性规划形式实现高效求解。最后,在算例中分析台风事件对海上风电场储能配置的影响,验证了所提模型在处理风功率预测误差不确定性时能有效兼顾补偿效果与经济性。研究成果可为今后深远海风电场大规模配置储能提供有力支撑。     

计及预测精度及拓扑结构的光伏电站储能经济配置

光伏电站并网离不开储能系统的支持,为了提高储能配置的精度并降低储能系统的成本,考虑到现有研究的不足,分析了光伏电站出力预测算法误差、储能拓扑结构对储能配置的影响。提出了一种储能的快速配置方法,分析了预测算法误差对储能定容的影响,完善了储能的收益模型;引入了一种双元互补的储能拓扑结构,并分析了该拓扑结构对电池特性以及储能成本模型的影响;建立了以最大经济效益为目标的总投资收益模型,并基于某光伏电站的实际数据确定其最优配置方案。算例结果表明,预测算法误差会引起储能容量及功率增大,从而导致储能系统的成本增大;引入所提储能拓扑结构能有效地提高电池的使用寿命,降低储能系统的成本。     

考虑风功率预测误差分布的储能功率与容量配置法

针对正态分布与拉普拉斯分布用于拟合风功率预测误差较大的不足,采用分区拟合的思想对误差进行分区,并在每个区间中应用β分布拟合后,加权求得全区域的误差分布函数。基于此,建立考虑预测误差分布的风电场储能容量数学模型,其中储能容量表示为缺失容量的函数,并介绍储能容量、误差累计分布函数与荷电状态的关系。提出一种新的系统容量缺额评价指标,用于比较储能容量优化效果。算例分析结果表明,该方法可以在一定概率水平下平抑风功率预测误差带来的功率波动,同时降低对储能系统的要求。     

应用储能系统补偿风电功率预测误差综述

针对风电功率随机性、波动性以及不确定性对电力系统安全稳定运行的影响,风电功率预测误差使大规模风电并网难度增大的现状,根据储能系统具有响应速度快及对能量进行时空平移的特点,在分析风电功率预测误差分布规律的基础上,对储能系统类型的选择、补偿控制策略设计、储能系统功率容量配置等研究成果及发展现状进行了综述,并对未来应用储能系统补偿风电功率预测误差等多方面的关键技术进行了展望。     

光伏发电功率预测及储能系统参与的源-荷平衡分析

为统筹协调光伏发电功率消纳,在光伏电站引入储能系统,结合光伏功率预测,平抑光伏发电功率波动,降低对电网的冲击,进一步提高电网系统稳定性.在光伏发电功率预测中,充分考虑光伏设备离线等突发因素对功率输出的影响,对储能系统接入位置进行比较分析,选择在光伏发电系统并网点前的直流侧接入,相对减少损耗,提高效率.分析结果表明,该方...     

风电功率概率预测方法及展望

风电功率的概率预测能提供风电功率的预测区间或分布函数,国内相关的研究和应用尚处于起步阶段。文中对风电功率概率预测的基本框架、主要模式、难点和热点进行了综述。首先,明确了概率预测的概念及其适用问题。然后,对概率预测的建模方法提出了两种不同的分类方式:按照是否进行条件化假设或参数化假设进行分类,并介绍了概率预测中涉及的新型算法和概率预测的评价指标。最后,结合概率预测发展现状,针对误差分析不精细、概率预测与电力系统结合不充分等不足,总结了今后的发展方向和需要进一步探索的研究内容。     

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。     

含置信区间的改进ARIMA电价预测

电力市场环境下,电价已日益成为市场参与者关注的焦点。准确的电价预测能为各参与者提供重要的参考。国内外对于电价预测的方法有很多。引用国内外相关理论对现有ARIMA预测模型进行了改进。在现有ARIMA电价预测模型的基础上,采用游程检验法判断电价序列的平稳性,采用AIC准则确定ARMA模型的阶数,在误差预测中,借助统计学的区间估计理论,给出了一种含置信区间的电价预测方法,更好地确定了电价序列的上下限,为发电商的竞价提供参考。     

Insolation forecasting by a multi-stage neural network

A single-stage neural network has been proposed to forecast next day insolation. In this paper, a multi-stage neural network is developed to reduce forecasting error further. A first-stage neural network forecasts average atmospheric pressure for the next day from atmospheric pressure data of the previous day. A second-stage neural network forecasts insolation level for the next day from the average atmospheric pressure and weather data of the previous day. A third-stage neural network forecasts next day insolation from the insolation level and weather data of the previous day. Meteorological data of Omaezaki, Shizuoka at April 1994 were chosen as input data. The insolation values forecasted by the multi-stage and the single-stage neural networks are compared with the measurement values. The results show that the forecasting error is reduced to 24% (by the multi-stage) from 33% (by the single-stage). © 1998 Scripta Technica, Electr Eng Jpn, 125(4): 26–33, 1998     

基于误差预测修正的负荷预测研究

电力系统负荷预测对电力系统的可靠和经济运行意义重大。国内外学者对负荷预测理论做了大量研究,提出了许多预测方法。基于这些方法,提出了一种有辅助和修正作用的措施——误差预测修正,即通过对预测产生的误差进行预测和分析,形成预测修正模型,再结合原预测模型预测负荷,以扩大原模型的适用范围和提高它的预测精度。最后通过算例,验证了该方法的科学性和实用性。     

Short-term wind power prediction based on extreme learning machine with error correction

Introduction: Large-scale integration of wind generation brings great challenges to the secure operation of the power systems due to the intermittence nature of wind. The fluctuation of the wind generation has a great impact on the unit commitment. Thus accurate wind power forecasting plays a key role in dealing with the challenges of power system operation under uncertainties in an economical and technical way. Methods: In this paper, a combined approach based on Extreme Learning Machine (ELM) and an error correction model is proposed to predict wind power in the short-term time scale. Firstly an ELM is utilized to forecast the short-term wind power. Then the ultra-short-term wind power forecasting is acquired based on processing the short-term forecasting error by persistence method. Results: For short-term forecasting, the Extreme Learning Machine (ELM) doesn’t perform well. The overall NRMSE (Normalized Root Mean Square Error) of forecasting results for 66 days is 21.09 %. For the ultra-short term forecasting after error correction, most of forecasting errors lie in the interval of [?10 MW, 10 MW]. The error distribution is concentrated and almost unbiased. The overall NRMSE is 5.76 %. Conclusion: The ultra-short- erm wind power forecasting accuracy is further improved by using error correction in terms of normalized root mean squared error NRMSE).     

一种内蕴误差评价的负荷预报方法

提出了一种基于内蕴误差评价的电力系统短期负荷预报方法。该方法建立在对负荷规律性和预报方法有效性全面评估的基础上,使预报和误差评价融于一体。运用该方法可以有效地诊断导致预报误差的主要因素,并在预报前估计预报误差的上下限,从而对发掘提高负荷预报准确度的潜力有所帮助。实例表明,该方法应用于短期负荷预报和预报精度评价是有效的。     

残差修正法在电力负荷预测中的应用

影响电力负荷的因素很多,而且这些因素都具有不确定性,即这些信息具有模糊性。因此,为了准确进行负荷预测,最好采用模糊预测来研究和处理电力负荷预测。一般对于电力系统中期负荷预测采用回归分析模型,但其预测结果往往有很大误差。为了提高电力负荷预测技术的水平,作者以其于实数输出值的模糊回归分析及用三角函数拟合残差的方法,提出了预测电力负荷的模糊线性回归－残差修正预测模型。该模型是在模糊线性回归模型的基础上推导出来的,它可以寻找最合适的线性函数使理想线性回归中的线差和达到最小。通过售电量模糊预测的仿真计算验证了所提出的预测模型的正确性和可行性。     

基于最小误差估计的综合时间序列预测法及其应用

电力需求预测是当前电力企业营销部门面临的重要课题之一,结合现有时间序列预测技术的特点,提出了一种基于最小误差的综合时间序列预测方法,结合某电力企业的实际销售电量进行了分析和预测,证明了提出方法的正确性和可行性。     

基于高斯混合分布模型的风电功率预测误差统计分析研究

针对风电功率预测误差的统计分析,研究了一种基于高斯混合模型的风电功率预测误差分布,采用期望最大化算法,从统计学角度分析了风电功率负荷预测误差数据,并且在理论上证明了该方法的合理性。该方法的优点在于,无论其统计分布是怎样的,所有风电功率预测误差的概率密度函数都可以使用高斯混合模型近似表示,然后进行适当的子模型削减。通过对高斯混合模型与其他各种统计分布模型的性能进行比较,证明了高斯混合模型在风电功率预测误差统计分析应用中的有效性。