风电爬坡事件多级区间预警方法

大规模风电爬坡事件对电力系统功率平衡问题影响显著,严重时可能导致停电事故。基于区间分析理论,提出了一种风电爬坡事件多级预警方法,对可能造成的危害程度进行预先警告。考虑风电爬坡预测研究现状,采用区间数形式对其不确定性进行描述;针对风电爬坡事件强波动性对电力系统功率控制的影响,以维持静态频率偏差在允许范围内为前提,分析采用不同功率控制措施满足功率平衡所对应的风电爬坡幅度允许区间;确定各等级预警区间的预警界限,并利用区间排序方法计算各预警区间的概率,实现多级预警。算例仿真分析及比较结果表明,所述方法能够给出各级预警区间的界限值及概率分布,物理意义明确,且简便快速,利于实时滚动运行,体现了有效性和实用性。     

基于动态时间规整的风电功率爬坡滚动修正模型

不断提高风电爬坡事件特征量的预测精度对电力系统安全稳定运行意义重大.因此,提出一种爬坡事件特征量与数值天气预报(NWP)气象数据相结合的风电爬坡滚动修正模型.首先,基于PRAA算法获得历史数据库与预测数据库中的所有爬坡事件特征量,建立爬坡特征量预测误差向量矩阵.然后,分析误差向量矩阵与NWP中各气象数据的线性和非线性相关关系,识别影响爬坡特征量预测误差的有效气象指标.最后,基于动态时间规整实现未来与历史数据库中具有相似特征的有效气象指标匹配,得到未来爬坡事件预测误差修正的参考集,并进行滚动修正.算例表明,该修正模型能有效降低爬坡幅值误差,提高爬坡事件预测的精度.     

风电爬坡事件对系统运行充裕性的影响评估

风电爬坡事件具有大波动性和强不确定性的特点,可造成系统中发用电的严重不平衡,从而导致负荷损失。在分析风电爬坡事件特征和爬坡预测研究现状的基础上,建立了风电爬坡事件模型,定量表示爬坡事件表征量与风电功率曲线之间的关系;同时考虑负荷预测的不确定性,采用场景削减方法生成风电爬坡过程对应的典型净负荷场景集。构建了评估系统运行充裕性的指标体系,推导了缓冲失负荷概率指标的计算公式;将系统状态分为充裕、失负荷和临界3种,分别计算各状态对应概率及失负荷严重程度。以甘肃电网为例,典型事件的评估结果验证了所述方法和指标体系的有效性和合理性,分析了常规机组爬坡速率及系统备用比例在防范风电爬坡事件不利影响方面的作用。     

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。     

风电爬坡事件研究综述及展望

风电爬坡事件易造成系统有功功率不平衡,破坏频率稳定性,甚至引起大规模切负荷,严重威胁着电网的安全稳定经济运行。从定义、预测方法和控制策略3个方面对风电爬坡事件的相关研究进展进行了综述。首先对比分析了爬坡事件的常用定义,明确了其优缺点和适用范围;其次,归纳了爬坡预测方法的研究现状,根据是否由风电功率预测结果判断划分为直接预测方法和间接预测方法两类,总结了常用预测方法评价指标;然后阐述了无储能的有限度爬坡控制策略的基本思想、控制方法和风储联合爬坡控制策略的原理以及研究进展;最后展望了风电爬坡事件未来的重点研究方向。     

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DFIG频率模型的风电功率爬坡事件预测方法

随着风力发电的快速发展,风电出力的随机波动性引起的风电功率爬坡事件将威胁电网的稳定运行,因此需要研究能够有效预测风电功率爬坡事件的方法。首先介绍了传统的爬坡事件定义,提出了一种基于频率变化判断爬坡事件的方法。然后建立了计及频率偏差的双馈异步风机(doubly-fed induction generators,DFIG)模型,采用状态估计技术解决含DFIG的频率估计问题,并根据利用状态估计方法计算出的频率偏差,生成相应指标,对风电功率爬坡事件进行预测。最后对含DFIG的IEEE 14、IEEE 30和IEEE 118改进系统进行仿真分析,结果表明,所提方法可成功预测风电功率爬坡事件的发生,并且提高了预测精度。     

考虑风电爬坡事件的鲁棒机组组合

风电功率具有强波动性和不确定性,其强波动性主要表现为较大的爬坡事件,而其强不确定性则表现为风电功率难以精确预测,两者都给电力系统运行带来了新的挑战。针对爬坡事件,建立了考虑风电爬坡事件约束的精确线性化的机组组合模型;针对风电功率难以精确预测,考虑用其预测值以及区间预测上、下限来描述风电场出力,从而通过线性鲁棒优化理论将该随机问题转化为一确定性问题后进行求解。以含风电的10机39节点系统为例进行算例分析,结果表明,对于一般的风电爬坡事件,爬坡事件约束是不起作用的,但对于风电波动速率较大的情况,考虑爬坡事件更能保证系统安全。由于所建模型为一线性混整规划模型,故可实现大规模求解并用于实际系统。     

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。     

高比例风电系统的爬坡备用需求评估

在极端天气情况下,风电功率会在短时间尺度内发生大幅度的变化,出现风电功率高风险爬坡事件,严重威胁电力系统的安全稳定运行。开展爬坡备用的需求评估,有助于减小风电出力波动和预测误差对电网运行带来的不利影响。为保障高比例风电系统的备用充裕度,提出一种基于门控循环单元和非参数核密度估计法的组合区间爬坡备用需求预测方法。首先,将风电功率实际数据和日前预测数据构建成多变量时间序列,基于门控循环单元（gate recurrent unit,GRU）模型提高预测结果的准确度。进而,采用非参数核密度估计方法对风电功率预测误差进行置信区间估计,得出给定置信区间下的风电功率预测区间。最后,根据区间预测结果,预测爬坡事件并提取爬坡特征量,建立爬坡备用需求评估模型,评估得出爬坡备用容量需求。基于西北某省级电网的数据开展了算例测试,验证了所提方法的有效性。     

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。     

基于气象测量场的爬坡时段区域风功率预测

随着大规模风电接入电网,风电爬坡事件的风险不断增大,提高爬坡时段风功率预测精度对电网安全经济运行具有重要作用。提出了一种基于气象测量场的爬坡时段区域风功率预测方法。考虑爬坡时段风速场的动态变化,利用经验正交函数分解,将风速资料阵分解成不同空间模态和主分量,通过多元非线性逐步回归方法建立风速场主分量和区域风功率间的映射关系。考虑风速预测误差,采用区间正交函数分解,将上述模型扩展为处理非确定性数据的预测方法。实际区域风功率预测结果表明,所提出的方法能够显著提高风电爬坡时段风功率预测的精度,对存在风速预测误差的情况具有较强的鲁棒性。     

基于决策树理论的风电功率实时预测方法

风电功率的不确定性会对电网造成冲击,风电功率实时预测是缓解电网调频压力,保证电网稳定运行的重要手段.通过分析两种单一预测模型的特点,提出一种基于历史数据和NWP数据相结合的组合预测模型.分析历史数据的序列特征和适用的预测方法,建立决策树分类模型,在预测时通过时数据序列特征分析,选择最佳预测方法.针对两不同风电场的数据进行预测分析,结果表明,组合模型预测精度高于单一模型,通过决策树模型进行实时序列特征分析,并选配最佳预测模型能有效提高预测精度.     

变尺度时间窗口和波动特征提取的短期风电功率组合预测

精确的风电功率预测对保障大规模风电接入电网后电力系统的安全稳定运行具有重要意义。其中,风速的随机变化是引起风电功率波动和影响风电功率预测精度的最主要原因。针对该问题,提出一种基于变尺度时间窗口和波动特征提取的短期风电功率组合预测方法。首先,通过多重分形谱分析不同天气类型下的风速特征。然后,根据当前风速的特征量采用变尺度滑动时间窗口算法,动态地进行特征提取,由提取结果对风电历史数据进行分类,在此基础上选择特定参数建立对应的功率预测模型。为使模型在功率大幅度波动时刻的预测结果更加精确,提出了基于频谱分析的修正方法。最后,将不同天气类型下的功率预测结果与修正结果进行时序组合。算例结果表明,所述变尺度时间窗口与波动特征提取相结合的短期风电功率组合预测方法可有效提高风速波动剧烈的风电场的风电功率预测精度。     

考虑网内外功率特性的含风场电网日内发电需求滚动预测

由于自然风力、风向的不确定,大规模风场并网运行使得电网和风电调度的难度增大,在最大功率跟踪模式下,更加准确地预测发电出力是重要课题。考虑风场传统日前负荷预测时间尺度较大导致风场实时调度困难的实际,提出了一种在基于日内风场出力的发电需求滚动预测方法,以多级时间尺度为预测依据,建立了考虑风电接入的理想发电需求预测模型,提出了该模型下的滚动预测算法,并结合实际风场数据进行了实际预测,结果表明,提出的预测方法、模型和算法能明显提高发电需求预测精度,为大型风场的科学调度提供了决策依据,具有一定理论价值和工程应用价值。     

基于局部学习和多目标优化的选择性异质集成超短期风电功率预测方法

风能的间歇性、波动性和随机性会对电网造成巨大冲击,准确的风电功率预测对于制定发电计划和统筹调度至关重要,因此提出一种基于进化多目标优化的选择性异质集成(evolutionary multi-objective optimization based selection heterogeneous ensemble,EMO...     

Asymmetric GARCH type models forasymmetric volatility characteristics analysisand wind power forecasting

Wind power forecasting is of great significance to the safety, reliability and stability of power grid. In this study, the GARCH type models are employed to explore the asymmetric features of wind power time series and improved forecasting precision. Benchmark Symmetric Curve (BSC) and Asymmetric Curve Index (ACI) are proposed as new asymmetric volatility analytical tool, and several generalized applications are presented. In the case study, the utility of the GARCH-type models in depicting time-varying volatility of wind power time series is demonstrated with the asymmetry effect, verified by the asymmetric parameter estimation. With benefit of the enhanced News Impact Curve (NIC) analysis, the responses in volatility to the magnitude and the sign of shocks are emphasized. The results are all confirmed to be consistent despite varied model specifications. The case study verifies that the models considering the asymmetric effect of volatility benefit the wind power forecasting performance.