基于卷积神经网络特征提取的风电功率爬坡预测

为提高风电功率爬坡预测的准确性,提出了一种基于卷积神经网络、长短期记忆网络和注意力机制的风电功率爬坡预测方法。首先,针对风电功率爬坡发生次数少、特征复杂、预测模型难以对小样本爬坡事件有效学习的问题,使用卷积神经网络对风电功率序列进行特征提取。然后,使用长短期记忆网络建立预测模型,解决风电功率的长时依赖问题,并在模型中加入注意力机制对长短期记忆网络单元的输出进行加权,从而加强风电特征的学习,提高爬坡预测准确度。仿真验证表明,模型对风电功率爬坡预测有较高的准确性。     

基于突变理论的风电爬坡多步预测

风电爬坡实现的多步预测是保障大规模风电并网后电网安全和电能质量的有效手段。提出了一种基于突变理论的风电爬坡多步预测方法,首先将风电爬坡事件视为一种突变现象,采用相关性分析、主成分分析和线性加权累加方法处理中尺度气象数据,确定突变爬坡的相关变量;然后分别建立上行和下行爬坡的突变预测模型,通过综合考虑增大预测步长和减小预测误差,求解多目标优化问题,以训练模型参数,实现风电爬坡的多步预测。仿真结果表明,该方法可以比较有效地预测风电爬坡事件,与统计方法相比具有更大的预测步长和更高的准确率。     

基于趋势特征的风电功率爬坡事件检测方法

风电爬坡事件是风功率波动严重的小概率事件,因此在大数据中快速检测出爬坡事件十分关键。为提高爬坡事件的检测效率,本文根据爬坡事件蕴含显著的趋势信息,提出一种基于SDT和趋势标记相结合的风电爬坡事件检测方法。首先,采用改进的旋转门算法(SDT)对原始风电功率数据进行分段趋势提取,预提取出可能存在的爬坡事件。为避免漏检、处理不重要的分段,引入趋势标记的方法。根据提出的爬坡检测方法,对上海某风场的数据进行爬坡检测试验。结果表明,对爬坡事件进行分段提取趋势既缩短了爬坡检测时间又提高了爬坡检测精度,具有实际意义。     

基于爬坡特征和云模型的风电功率预测误差区间评估

为了满足电力系统优化运行对预测误差区间评估结果越来越高的可靠性要求,改善传统的区间评估方法在发生小概率风电爬坡事件时较差的适应性,提出了一种基于爬坡特征分类和云模型的风电功率预测误差区间评估方法。通过对每类数据分别建立模型以提高不同爬坡类型下评估方法的适应性。首先,利用改进的旋转门算法识别爬坡后得到爬坡特征,并基于爬坡特征对预测误差进行分类,对上爬坡类误差和下爬坡类误差分别建立云模型,对非爬坡类误差采用K-means算法得到不同预测误差类型所对应的区间范围。然后,以风电功率和爬坡特征数据共同作为模型输入,以预测误差类型为输出,建立评估模型,从而得到风电功率预测误差评估区间。最后,利用Elia网站的风电数据进行算例分析。结果表明,所提方法的风电功率误差区间评估效果更优。     

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。     

考虑爬坡特性的短期风电功率概率预测

短期风电功率概率预测有助于调度部门提前安排发电计划,提高风电的消纳能力。提出一种考虑爬坡特性的风电功率概率预测方法,首先通过分析不同风电爬坡定义的特点,阐述互补组合预测的思路;然后采用小波神经网络建立风电功率确定性预测模型,并在其基础上建立不同功率分区内风电爬坡率和风电功率预测误差的二维核密度估计概率预测模型;最后由二者的联合概率分布求取后者的条件概率分布,得到风电功率概率预测结果。仿真结果表明,所提模型具有很高的短期风电功率概率预测精度。     

考虑爬坡特性与预测区间优化的电热水器集群功率区间预测

根据电热水器(EWH)集群功率的波形特征,提出了一种考虑爬坡特性和区间优化的EWH集群功率短期区间预测方法。首先,针对EWH负荷功率的不确定性,提出了一种考虑样本分布多源异构特性的结合集合经验模态分解(EEMD)、主成分分析(PCA)和多核相关向量机(MKRVM)的高精度组合点预测模型。然后,为获得期望预测覆盖率下宽度更窄的预测区间,综合区间预测覆盖率、区间平均宽度和累积宽度偏差等区间评价指标,设计了一种核密度估计(KDE)与粒子群优化相结合的改进预测区间优化方法,改善了MKRVM-KDE区间结构性能,避免了参数选择的随意性。最后,采用EWH聚合功率数据对算法有效性进行了验证。结果表明,该预测方法具有较高的预测精度和较好的清晰度,能够提供高质量的预测区间。     

基于原子稀疏分解和BP神经网络的风电功率爬坡事件预测

超短期风电功率爬坡事件越来越影响风电机组在电网中的运行。当前国内对爬坡事件的定义并不明确,缺少相应的预测方法。阐述了风电功率爬坡事件的物理含义,提出了一种基于原子稀疏分解和反向传播神经网络(BPNN)的组合预测方法,分别建立了原子分量自预测模型、残差分量预测模型和组合预测模型。以实际风电场数据进行验证,对不同预测方法和不同时间空间实测数据进行了较全面的分析,结果表明该方法可以提高预测精度,并能降低绝对平均误差和均方根误差计算值的统计区间。     

基于频繁模式挖掘的风电爬坡事件统计特性建模及预测

风电爬坡事件的统计特性建模和精准预测有利于电网的安全稳定运行。文中首先通过参数分辨率自适应算法对大型历史风电数据库进行爬坡事件检测,得到风电爬坡事件的历史学习集。对该学习集进行数据挖掘,建立了单个爬坡事件的起点、终点、持续时间以及爬坡间隔的多属性联合统计特性模型,并得到爬坡事件的基本模式。通过关联规则算法建立了多个相邻爬坡事件之间的自相关性统计特性模型。在此基础上,提出了爬坡事件序列预测算法的基本概念和模型。算例结果表明,所提算法能够更为直观地描述爬坡事件的统计特性,且基于事件序列的预测算法能够较好地进行日前的爬坡预测。     

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...     

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。     

鲸鱼优化支持向量机的短期风电功率预测

为提高风电预测的精度,提出一种鲸鱼优化支持向量机SVM(support vector machine)的组合预测模型。该模型针对风电序列的非平稳波动特性,首先应用集合经验模态分解技术EEMD(ensemble empirical mode decomposition)将原始风电序列分解为一系列不同特征尺度的子序列;并引入鲸鱼优化算法WOA(whales optimization algorithm)解决SVM中学习参数选择难的问题,进而对各子序列建立WOA_SVM预测模型;最后,叠加各子序列的预测值以得到最终预测值。仿真表明,所提EEMD_WOA_SVM模型具有较高的风电预测精度,显著优于其他基本模型。     

基于经验模式分解和混沌相空间重构的风电功率短期预测

风电场发电功率的短期预测对并网风力发电系统的安全与稳定具有重要意义。根据风电功率时间序列非平稳、非周期的特点,文中运用经验模式分解理论将风电功率时间序列分解为随机分量和趋势分量,对随机分量采用径向基函数神经网络进行混沌预测;趋势分量采用最小二乘支持向量机进行混沌预测,拟合各分量的预测值得到最终的预测结果。以云南某风电场数据对所提出的模型进行验证,证明了该预测模型比传统人工神经网络预测模型具有更高的预测精度,可为风电功率预测提供参考。     

高压输电导线三维工频电磁场计算与测量

为准确计算高压输电线路以及交叉跨越输电线路的工频电磁场,基于模拟电荷法和毕奥-萨瓦定律,根据悬链线方程建立了输电导线的三维电磁场通用计算模型。计算和测量了常规同塔双回线路以及交叉跨越导线下方的工频电磁场分布,结果表明,在垂直档距中央的横向分布上,三维模型计算结果与二维模型导线计算高度取最小对地高度时的计算结果十分接近,且均与实测值比较吻合;交叉跨越导线下方交叉点投影位置,工频电磁场计算值与测量值也吻合较好,验证了交叉跨越导线计算模型的有效性。此外,分析了导线下方工频电磁场计算值与测量值的误差来源,着重讨论了影响三维计算模型计算结果的相关因素,给出了导体线单元剖分段数的合理值。