基于时空注意力卷积模型的超短期风电功率预测

随着风电利用率的不断提高,风电输出功率的准确预测对电力系统的调度和稳定运行具有重要意义。然而,风力发电的随机性和波动性容易影响功率预测结果的准确性。该文提出一种基于时空相关性的风电功率预测方法,由时空注意力模块和时空卷积模块组成。首先,利用空间注意力层和时间注意力层对不同风机之间的时空相关性进行聚合提取。其次,通过空间卷积层和时间卷积层有效捕捉风电数据之间的空间特征和时间演变规律。最后,采用中国两处实际风电场运行数据对预测方法进行实验验证。结果表明,相比于传统预测方法,时空注意力和时空卷积的融合使该文所提出的预测方法具有较高的预测精度和较好的稳定性。     

基于数据驱动的超短期风电功率预测综述

以数据驱动为主要特征的超短期风功率预测是大规模风电并网运行的关键基础之一。按照预测流程,从数据挖掘、机器学习算法及风速-功率曲线等角度分析现有数据驱动方法的思想及局限性。总结离线数据驱动/深度学习算法和在线应用的预测思路,给出风电场数据筛选的评价手段,归纳深度学习算法的最新研究进展。最后分析超短期风功率预测的当前定位:"由模型驱动向数据驱动过渡,由机器学习算法向深度学习算法转移",并指出合理的算法更迭和深层次的数据融合将是未来的研究趋势。     

基于神经网络的酒泉风电基地超短期风电功率预测方法

风电的随机性和波动性给电力系统调度运行带来了一定的困难,以我国首个千万kW级风电基地甘肃酒泉风电基地为例,研究了基于神经网络的酒泉风电基地超短期风电功率预测方法,并对风速和风电功率实时数据进行了分析处理。在此基础上,基于神经网络算法和贝叶斯规则进行了超短期预测建模过程分析。最后,通过预测结果对预测模型进行了验证分析,验证结果表明预测模型合理、预测精度高,该预测结果可以为调度运行人员提供参考。     

基于信息熵的历史数据选取对超短期风电功率预测精度影响研究

风电功率超短期预测通常依据历史数据滚动预测得到,因此,历史数据的时间分辨率对预测结果的准确性有显著影响.首先给出"预测信息熵"指标,预测信息熵兼顾不同时间分辨率下数据序列的信息含量和超短期预测时预测步数2个因素,表征不同时间分辨率的功率序列在超短期风电功率预测时的精确预测能力,最后提出基于"预测信息熵"选择超短期风电功...     

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EMD-SA-SVR的超短期风电功率预测研究

针对风电功率的高随机和强波动性,提出一种基于EMD-SA-SVR的风电功率超短期预测方法。采用经验模态分解(Empirical Mode Decomposition, EMD)提取风电功率序列的不同特征。将原始序列分解为多个更具规律的模态,针对每个模态序列建立各自的预测模型,以消除不同特征之间的相互影响。鉴于支持向量回归(Support Vector Regression, SVR)好的泛化能力,研究建立基于SVR的各模态预测模型。进一步采用模拟退火(Simulated Annealing,SA)算法对SVR参数进行优化以解决模型选择的多极值复杂非线性问题,获得各模态分量的最优模型,进而汇总各模态分量的结果得到风电功率预测值。在某风电场历史数据上的对比分析表明,EMD-SA-SVR模型可以有效提高风电功率超短期预测精度。     

融合深度误差反馈学习和注意力机制的短期风电功率预测

为提高风电功率预测精度,提出了一种有机融合深度反馈学习与注意力机制的短期风电功率预测方法。首先,以风电场数值天气预报(numerical weather prediction, NWP)为原始输入,基于双层长短期记忆网络(longshort-term memory, LSTM)模型对风电功率进行初步预测。其次,利用极端梯度提升(eXtreme gradient boosting, XGBoost)算法构建误差估计模型,以便在给定未来一段时间内NWP数据的情况下对初步预测误差进行快速估计。然后,利用自适应白噪声完备集成经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)将初步预测误差分解为不同频段的误差序列,并将其作为附加性反馈输入,对风电功率进行二次预测。进一步在二次预测模型中引入注意力机制,为风电功率预测序列与误差序列动态分配权重,由此引导预测模型在学习过程中充分挖掘学习与误差相关的关键特征。最后,仿真结果表明所提方法可显著提高短期风电功率预测的可靠性。     

基于时空相关性的风电功率超短期自适应预测方法

为了充分并有效地利用大量风电场之间的时空相关性,在提高风电功率预测精度的同时保障计算效率,提出一种基于时空相关性的风电功率超短期自适应预测方法。以向量自回归模型为基础,对区域内大量风电场之间的时空相关关系进行表征。为减小因空间信息冗余造成的目标风电场预测模型过拟合,引入稀疏化建模技术来优化参考风电场数据的权重系数。此外,采用递归估计算法对预测模型进行自适应训练。根据最新实测功率数据实时更新预测模型系数,不仅可以动态适应预测环境的变化,还可以分散计算负担。采用某区域内100个风电场的实际数据对预测方法进行分析和验证。结果表明,相对于对比方法,所提出的预测方法具有更高的预测精度,且能够降低对密集型计算资源的需求。     

基于混沌CSO优化时序注意力GRU模型的超短期风电功率预测

高精度的风电功率预测对风电的并网运营至关重要.为提取风电功率输入序列隐含的时间信息,建立以门控循环单元为基础的预测模型;并在模型输入侧引入时序注意力机制,通过与输入进行加权的方式提高模型对关键历史时间节点的敏感性.为加速模型收敛,在训练的早期利用动态混沌纵横交叉算法优化预测模型的权值和阈值;同时,通过构造多指标共同作用并联合待优化参数的正则项作为目标适应度函数,以避免优化过程中模型泛化性问题的出现.以某风电场采集间隔为1h和10min的实测数据进行实验,结果表明所提组合预测方法性能优于其他对比模型,并对其有效性进行了验证.     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS-SVM）的预测模型。由于LS-SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（Quantum-behaved Particle Swarm Optimization, QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine, WLS- SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

基于GA优化SVM的风电功率的超短期预测

研究风电功率预测技术对于减轻其输出电能的随机性对电力系统的影响具有重要意义。首先结合风电监控系统数据库中的历史功率数据和环境参数形成样本数据,同时采用遗传算法优化该模型的核函数类型、核函数参数及错误惩罚因子等参数,建立了GA-SVM模型,提高了模型参数组合优化选择的效率和预测精度。最后结合实例验证,并与标准SVM方法和BP神经网络方法比较。预测效果表明:所提出的GA-SVM优化模型在超短期风电功率预测上具有更优的学习能力和泛化能力。     

结合交叉局部异常因子和注意力机制的 超短期风电功率预测方法

风电样本数据的质量和风功率预测模型的结构直接影响风电功率预测的精度,提出一种结合交叉局部异常因子(Local Outlier Factor, LOF)和注意力机制的高精度超短期风电功率预测方法。通过交叉LOF算法进行分钟级的风电数据异常孤立点检测,有效提高了样本数据的质量。通过增加注意力机制避免长短期记忆(Long Short-Term Memory, LSTM)算法在编解码过程中固定长度向量导致的数据特性损失问题,从而更有效利用历史数据的特征,提高风功率预测的精度。最后,对真实风场实测数据进行实验分析,验证了所述方法的可行性与准确性。     

基于时序-支持向量机的风电场发电功率预测

准确的风电场风电功率预测可以有效地减轻风电场对电力系统的不利影响,同时提高风电在电力市场中的竞争力。基于时间序列法和支持向量机法, 对风电功率预测进行研究,提出预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模,选取影响风电功率最大的参数作为支持向量机预测模型的输入变量;为提高预测精度,提出基于时间点运动轨迹演化的方法选取与预测时刻功率相似的样本作为模型的训练样本。实例验证结果表明,该方法有效地提高了风电功率预测精度。     

基于CNN-BiLSTM-Attention的超短期电力负荷预测

超短期电力负荷预测对电力系统的快速响应和实时调度至关重要,准确预测负荷能保障电力系统的安全并提高用电效率。为获得准确可靠的负荷预测结果,针对电网负荷数据非线性和时序性等特征,提出了一种基于CNN-BiLSTM-Attention(AC-BiLSTM)的新型超短期电力负荷预测方法。该方法首先将卷积神经网络(CNN)和双向长短期记忆(BiLSTM)网络相结合充分提取负荷数据本身的时空特征。然后引入注意力(Attention)机制自动为BiLSTM隐藏层状态分配相应的权重,以区分不同时间负荷序列的重要性,能够有效减少历史信息的丢失并突出关键历史时间点的信息。最后通过全连接层输出最终负荷预测结果。以某地区真实负荷数据为例进行了实验分析。通过两种实验场景对比,验证了该方法具有较高的预测精度,可以为电力系统规划和稳定运行提供可靠的依据。     

基于小波与最小资源分配网络的超短期风电功率预测研究

针对风电场实际风速和风电功率序列的波动性、间歇性等特点以及RBF神经网络结构一旦确定隐节点个数就不可变等缺陷,提出了基于小波分析和最小资源分配网络的超短期风电功率预测方法。首先将历史风速和风电功率序列进行小波去噪及多频分解,得到多组高频信号和一组低频信号。然后对各频信号分别建立神经网络预测模型对未来4 h风电功率进行超短期预测。最后将各预测结果通过小波重构得到最终的超短期预测功率。实验结果证明,该方法能有效提高预测精度。     

基于互信息属性分析与极端学习机的超短期风速预测

超短期风速预测对保证风电并网运行可靠性和维持电力系统安全稳定具有重要的意义,针对风速预测中不同因素对风速影响程度不同的特点,本文提出一种基于互信息属性分析与极端学习机的超短期风速预测方法。首先,选取与风速相关的68种候选属性因素,分别计算其相对于风速序列的互信息值,根据互信息,衡量属性对风速的影响程度,并选择输入属性;然后,由互信息值计算属性权值;之后,采用加权处理后的属性值来训练极端学习机,构建风速预测模型;最后,采用新模型预测未来4h内风速。采用北纬39.91°、西经105.29°的美国风能技术中心的实测数据开展实验,实验结果表明,新方法具有良好的预测精度,能够满足实际风速预测需要。     

超短期风电功率爬坡事件检测和统计分析

随着风电渗透率的逐渐增加,超短期风电功率爬坡事件对电力系统的影响愈来愈显著。当前国内对爬坡事件没有明确定义,且缺少相应的检测方法和统计分析。阐述了爬坡事件的定义,提出了一种超短期风电功率爬坡事件检测方法,并从爬坡持续时间、爬坡变化率和爬坡幅值三个方面对上爬坡和下爬坡两种爬坡类型进行了统计。最后分析了超短期风电功率爬坡事件的日、月分布规律。实例证明,所提出的检测方法可以快速准确地检测出风电功率爬坡事件及其特征值。统计结果表明,上爬坡事件和下爬坡事件的爬坡持续时间、爬坡变化率和爬坡幅值三个爬坡特征具有较高对称性,但两类爬坡事件高发在一天之中不同的时段,也表现出明显的日、月分布特征。