考虑大规模集中接入风电功率波动相关性的在线概率安全评估

由于风电功率的波动性和不确定性,大规模风电集中接入对电网安全有很大影响。提出了一种在线概率安全评估方法,能够实时评估大规模集中接入风电的不确定性对电网安全的影响。因为应用风速概率分布和风电功率预测误差概率分布模拟在线风电功率的不确定性有很多困难,所以基于风电出力历史数据研究了风电功率超短期波动的概率分布,并采用Copula函数对多个风电基地功率波动的相关性进行了详细模拟。基于风电功率历史数据,所提方法能够给出短期内可能发生的风电基地的功率波动组合,进而进行概率安全评估计算,在线评估风电功率波动对电网安全的影响。为了提高计算速度,应用多维离散模型简化多风电基地功率波动的联合概率分布。通过在某风电集中接入的省级电网进行实际应用,验证了所提方法的有效性和必要性。     

基于改进KNN算法的风电功率实时预测研究

大规模风电并入电网将对电网的规划建设、分析控制以及电能质量等方面产生显著的影响,高精度的超短期风电功率预测可以对含大规模风电电力系统的安全调度和稳定运行提供可靠的依据。文章对风电功率的超短期预测方法进行了研究,以混沌理论为基础,对相空间重构参数进行了计算,提出了基于改进KNN(KNearest Neighbor)算法的风电功率实时预测方法,并且应用多个评价指标来对预测结果进行评价,以吉林西部某风电场实测数据为例,验证了模型的有效性。     

基于CEEMDAN-IDOA-BiLSTM的超短期风电功率预测

准确可靠的风电功率预测对电力系统调度、风电场的效益和电网的安全稳定运行具有重要意义。为了提高超短期风电功率预测的准确性,提出了一种基于自适应噪声完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN）和改进野狗优化算法（improved dog optimization algorithm,IDOA）优化双向长短时记忆网络（bi-directional long short-term memory,BiLSTM）的组合模型预测超短期风电功率方法。该方法先采用CEEMDAN分解方法将原始的数据分解来降低原始数据的复杂性和不稳定性,将分解后的所有序列进行偏自相关方法分析,选出重要性较大序列作为IDOA-BiLSTM模型的输入,最后通过IDOA-BiLSTM模型进行超短期风电功率预测。采用甘肃某风电场实测数据为数据集,进行训练模型和预测分析,结果表明所提出的超短期风电功率预测模型具有较高的预测精度,具备实际应用的可行性。     

基于动态R藤Copula模型的区域风电集群超短期功率区间预测方法

为应对风电功率不确定性问题带来的电网安全稳定运行风险,近年来区间预测方法受到了广泛关注,但现有研究主要集中于单风电场预测领域,对于区域风电集群功率区间预测方法较少涉及.针对上述问题,建立了动态化的R藤Copula模型,提出了区域风电集群超短期功率区间预测方法.首先,详细阐述了区域风电集群超短期功率区间预测的基本框架.其...     

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。     

考虑功率数据相关性的风电功率超短期预测

通过对风电场内部不同区域风电功率序列的相关性进行分析,确定风电机组的空间差异性对风电功率预测产生影响,提出一种提高风电功率超短期预测效果的分层叠加预测方法。基于东北某风电场实测数据的算例分析表明,相同的风电功率预测方法,使用分层叠加法预测比整场预测误差小,更能提高风电功率超短期预测效果。     

风电功率预测技术综述

对于有大规模风电接入的电网来说,短期风电功率预测对于电力系统的调度和安全稳定运行有重要的影响。文章较全面地综述了国内外对短期风电功率预测技术的研究现状,介绍了与风电功率预测相关的物理方法和统计方法,分析了预测误差产生的原因及其评价方法,对我国的风电功率预测研究与开发工作提出了建议。     

基于动态谐波回归的超短期风电功率预测

准确的风电功率预测对电力系统的安全稳定运行十分重要。从风功率统计特征出发,提出进行风电功率超短期预测的动态谐波回归方法。首先利用风电功率与不同高度风速的三次函数关系构建回归模型;然后采用自回归移动平均 模 型（auto regressive integrated moving average model,ARIMA）对回归的残差建模来充分利用风电功率时间序列的历史信息;最后针对风电功率的日季节性特点,引入傅里叶级数形成最终预测模型。经风电场实际数据计算验证表明,该方法有效弥补了ARIMA方法和回归方法的不足,减小了风电预测均方根误差（root mean squared error,RMSE）,提高了风电预测精度。通过和持续法、ARIMA 2种现有预测方法比较,验证了所提模型具有更高的预测精度,说明该方法具有一定的实际应用价值。     

风电集群短期及超短期功率预测精度改进方法综述

风电集群短期及超短期功率预测是提升电网健壮性的有力手段。该文总结国内外风电集群短期与超短期功率预测技术的现状,从集群和单个风电场两个方面,归纳风电功率预测技术的分类;从预测流程、数据来源、数据流向、物理层次4个方面论述风电集群功率预测系统的整体框架;提出具有泛化意义的风电功率预测的物理层次结构,并从数据层、映射层、特征层、模型层、反馈层5个不同的层面讨论风电功率预测技术的精度提升方法及其发展方向,对短期、超短期风电功率预测、集群功率预测的研究具有一定参考价值。     

基于OVMD-SSA-DELM-GM模型的超短期风电功率预测方法

为了提高风电功率的预测精度,提出了一种基于最优变分模态分解(optimal variational model decomposition,OVMD)、麻雀算法(sparrow search algorithm,SSA)、深度极限学习机(deep extreme learning machine,DELM)和灰色模型(grey model,GM)的超短期风电功率预测方法.该方法通过OVMD对原始风电功率时间序列进行自适应分解;然后针对各分量建立DELM预测模型并利用SSA算法进行参数寻优,并对各个分量的预测结果进行求和重构;利用GM对误差序列进行预测;最后将误差的预测值与原始风电功率的预测值叠加得到最终预测结果.对北方某风电场的风电功率数据进行仿真实验,结果表明,该方法预测效果明显优于传统方法,有效提高了超短期风电功率预测的精确性.     

一种风电功率简易预测模型

风电功率预测逐步成为研究热点,为提高预测精度,预测模型日趋复杂化。通过对风电出力特性的研究,针对风电功率超短期预测问题,提出一种简易预测模型。首先利用滑动平均法将风电功率简单分离成趋势分量和波动分量,并根据两类分量的变化特征分别建立自回归滑动平均模型和极限学习机模型进行预测。算例结果表明该模型能较好的拟合风电出力序列变化情况,具有良好的应用前景。     

基于风电功率预测的电网调度优化控制研究

近年来,由于山西电网风电装机不断翻番,大规模风电并网后对电力系统调峰造成一定程度的压力。电力系统运行既要充分利用风力发电产生的清洁电源,又要保证其他常规电源的安全稳定。传统的调度运行技术不考虑短期和超短期的风电功率预测,通过分析风功率预测与调度关系,然后重点阐述了如何通过超短期风功率预测来协调风电与常规电源的运行,最后通过整数规划将风电场优化控制作为落脚点,从而保证了电网安全、稳定、经济的优化运行,进一步加大电网对清洁能源的消纳。     

基于混沌时间序列的支持向量机短期风速预测模型研究

风电场风速及风电功率预测技术是加强风电并网管理的关键措施之一。为了提高短期风速预测的精度,减小风电并网对电力系统的电能质量及其安全稳定运行带来的影响,提出了基于混沌时间序列的支持向量机短期风速预测模型。该模型针对风速混沌时间序列建模,并采用基于贝叶斯框架的最小二乘支持向量机对风速进行短期预测。仿真实验结果表明,该预测模型有效地提高了短期风速预测的精度。     

基于厚尾均值广义自回归条件异方差族模型的短期风电功率预测

风电功率预测准确度的提高对提高电力系统调度效率具有重要的作用。基于对风电功率时间序列波动性的研究,推广了一种厚尾均值广义自回归条件异方差(GARCH-M)族短期风电功率预测模型,同时,基于波动补偿项的不同形式,将模型拓展为多种类型的厚尾GARCH-M模型。该类模型能够捕捉风电功率时间序列波动性与其条件均值的直接关系,并能够有效刻画具有高峰度特征的实际风电功率序列的厚尾效应,使风电预测准确度提高。结合江苏地区风电场风电功率实际数据,对所提厚尾GARCH-M模型进行了参数估计,论证了存在于风电时间序列中的GARCH-M效应和厚尾效应,给出了风电功率均值和条件方差的预测方案。算例分析结果验证了所提方法的可行性和有效性,表明了考虑厚尾特征的GARCH-M族模型短期预测效果满意。     

基于CEEMD-SBO-LSSVR的超短期风电功率组合预测

为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementaryensembleempiricalmode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satinbower birdoptimizationalgorithm,SBO)及最小二乘支持向量回归(leastsquaressupportvectorregression,LSSVR)模型的超短期风电功率组合预测方法。针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量。引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值。所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差。仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度。     

基于Volterra自适应滤波器的风电功率混沌预测

风电场风电功率短期预测对并网系统的安全、经济和稳定运行具有重要意义。利用C-C法对风电功率时间序列进行了相空间重构;计算了风电功率时间序列的最大Lyapunov指数,两者均证实风电功率时间序列具有混沌特性,可采用混沌方法对其进行预测。利用不同阶数的Volterra自适应滤波器对风电功率进行短期预测。应用于2个不同风电场进行验证,结果显示：Volterra自适应滤波器能够反映出风电功率序列未来变化的趋势,并可以达到较高的一步预测精度,但阶数不同,预测精度不同,阶数越低,精度越高。     

基于低风速功率修正和损失函数改进的超短期风电功率预测

风电功率具有较强的波动性和随机性。为进一步提升风电功率的预测精度,提出一种基于低风速功率修正和损失函数改进的超短期风电功率预测模型。该模型采用卷积神经网络、自注意力机制和双向门控循环单元捕获风电功率序列的长期时序依赖关系。为了解决低风速下待风状态神经网络难以精确拟合的问题,模型通过预测风速并结合当前时段的风电功率对低风速段的预测功率进行修正。针对参数训练的稳定性问题,模型通过改进预测策略和共享权重,引入一种多元非线性的损失函数来提取序列间的关联性。结果表明,所提模型在多项误差指标中均优于对比模型,能够有效提升超短期风电功率的预测效果。     

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。     

考虑时空分布特性的风速预测模型

随着风电并网规模日益增加,风电功率波动对电网的影响将更加显著。风速预测可以辅助电网制定调度和运行控制决策,合理应对风电功率波动,降低风电功率波动对电网安全稳定运行的影响。考虑风电机组的地理分布和风速的时间、空间分布特性,建立等效风速模型。由该模型建立上、下游风电机组的风速关联关系,修正下游风电机组的风速。在此基础上,提出一种基于修正系数的风速预测方法,以提高预测精度。以实际风电场地理数据和风电机组参数为基础的仿真算例验证了该方法的可行性和合理性。     

含核函数切换的风电功率短期预测新方法

为了降低大规模风电接入对电网造成的潜在威胁,提出基于核函数切换机制的混沌时间序列预测新方法,以进一步提高短期风电功率预测性能。首先,结合互信息法和虚假邻近点法实现原始风电功率序列的相空间重构,通过递归图和最大Lyapunov指数验证了风电功率是来自含确定性和随机性的混沌系统,说明了混沌预测方法的可行性。其次,给出了使用核函数进行混沌时间序列预测的实现方法,结合训练样本分析了该方法优于传统预测方法,并结合训练结果提出了使用支持向量机(SVM)训练最优核函数的切换机制,进一步提高了预测精度。最后,以美国BPA数据为实例,通过预测误差指标的对比分析,说明了含切换机制的核函数预测法可有效地实现风电功率短期预测,同时也证明了该方法可较好地提高风电预测性能。