基于奇异值分解与卡尔曼滤波修正多位置NWP的短期风电功率预测

考虑到数值天气预报网格点位置和系统误差对短期风电功率预测精度的影响,提出一种基于奇异值分解与卡尔曼滤波修正多位置数值天气预报的短期风电功率预测模型。首先通过奇异值分解对多位置数值天气预报数据进行特征提取与降维处理;然后使用卡尔曼滤波方法修正数值天气预报风速数据,降低数值天气预报的系统误差;最后基于极端随机森林算法,利用修正的数值天气预报数据搭建短期风电功率预测模型。通过对某风电场进行仿真,并与单位置、未降维、未修正模型比较,结果表明降维修正模型的预测效果最好,平均误差和均方根误差分别为7.94%和9.96%。     

基于Attention-GRU风速修正和Stacking的短期风电功率预测

针对使用数值天气预报（NWP）数据进行风电功率预测时,NWP风速与实际风速存在偏差导致预测精度欠佳,提出一种基于注意力机制（Attenion）门控逻辑单元（GRU）数值天气预报风速修正和Stacking多算法融合的短期风电功率预测模型。首先,分析NWP预报风速和实际风速的皮尔逊相关系数,建立Attention-GRU风速修正模型,提高预报风速精度。其次,考虑风向、温度、湿度、气压、空气密度等气象因素,基于Stacking框架,提出融合XGBoost、LSTM、SVR、LASSO的多算法风电功率预测模型,同时采用网格搜索与交叉验证优化模型参数。最后,选取西北和东北两个典型风电场数据进行验证,算例结果表明,所提出模型能改善NWP风速精度并提升风电功率预测效果。     

基于WRF模拟和注意力机制的短期风速预测

提出一种结合中尺度数值天气预报（WRF）模式和注意力机制（AM）的短期风速预测模型。首先，利用WRF模式模拟多维数据，包括风速、风向、温度和湿度，作为后续算法的输入变量。其次，利用变分模态分解将WRF风速误差及其他相关气象因素分解成不同频率的子模态分量，降低原始数据的复杂性和非平稳特征。随后，使用自适应网格搜索算法对添加注意力机制的双向门限循环单元进行模型结构参数优化。最后，基于所提模型预测误差修正WRF风速。通过算例分析，所提模型在单步和多步预测中精度均优于对比模型，证明了模型的优越性。     

基于卡尔曼滤波修正的多步风电功率预测

针对传统时间序列预测多步风速时不能预测突变风速使风电功率预测误差较大的问题,采用基于数值天气预报(numerical weather prediction,NWP)风速及历史风速修正的卡尔曼滤波法对NWP风速进行多步修正,并通过修正后的NWP风速进行多步功率预测,第16步风速平均绝对误差降低了0.47 m/s,将该修正NWP风速与支持向量回归相结合,构建风电功率预测模型。构建模型与ARIMA模型及NWP直接预测模型相比,误差分别降低了6.8%和8.4%。应用该模型对山东某地区风电场现场数据进行仿真测试,第16步预测准确率达到82.6%。     

超短期最优预报下风电场功率预制修正策略

文章兼用软硬件方法对风电场功率预报进行修正,针对数值天气预报存在一定误差、风能输出功率波动较大、较难精确获取风速与发电机功率输出之间动态关系模型等关键问题,基于数值天气预报历史统计数据,利用BP神经网络,结合前一时段实际风速及输出功率对预制功率进行分时段误差动态修正,提出提高风电场风电功率预报准确度的风储系统,建立改进的风电功率预报系统;同时基于风电场输出功率历史统计数据,利用数理统计方法确定应用于风电场功率预制误差二次修正的储能电池最佳容量,以此提高风电场功率预报精度,达到最优预报目标。采用风电场的实际运行数据,通过MATLAB平台仿真,验证了修正算法策略的效果及可行性。     

基于风速误差校正和ALO-LSSVM的风电功率预测

风资源的随机波动性引起的相位滞后性问题,导致风电功率预测精度不高,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风功率变化密切相关,提出一种非参数核密度估计和数值天气预报(NWP)相结合的方法,并对预测风速误差进行校正,改善了预测风速的相位滞后性;然后将校正后的风速和风功率作为输入数据进行风电功率预测;采用蚁狮算法(ALO)优化最小二乘支持向量机(LSSVM)参数,从而建立基于风速误差校正和ALO-LSSVM组合的风电功率预测模型。算例结果表明,所提方法风功率预测精度更高。     

梯度提升树算法在陕北风电场短期风电功率预测中的应用

为了对地形和气候条件复杂的陕北风电场短期风电功率进行准确预测,通过将（weather research and forecasting,WRF）模式输出结果和同期实测风电功率资料相结合,利用梯度提升树算法进行预报气象场和实测风电功率之间的统计关系分析,从而建立了一套陕北风电场短期风电功率预测模型。以陕北靖边某风电场为例,预测结果表明：所提模型年平均预测准确率伟15.7%;月平均归一化均方根误差在20%以下。模型对风电场风电功率预测精度较好。     

基于数值天气预报及模糊聚类的风电功率智能组合预测

提出一种基于数值天气预报及模糊聚类的风电功率智能组合预测方法。以数值天气预报(NWP)数据为基础,利用模糊减法聚类的方法将原始数值天气预报(NWP)数据分成若干典型天气类型;针对不同的天气类型分别建立T-S模糊模型、时间序列模型、多元线性回归模型、灰色模型;利用智能优化算法进行多模型的优化组合,得到最优组合预测模型。对国内某风电场的风电功率预测结果表明,所提出的预测方法可行、有效,具有较好的预测精度。     

基于数值天气预报的风电功率预测建模研究

基于数值天气预报的支持向量机风电功率预测方法,利用空间分辨率较高的数值天气预报来提高风电功率预测的准确性;通过优化选取NWP的网格点、物理层面及其之上的物理量对预测模型进行简化,提高预测程序的运行速度。采用辽宁省某风场的历史数据,验证了所设计预测算法的有效性,为数值天气预报用于风电功率建模提供了试验支撑。     

基于改进降噪自编码器和多元时序聚类的海上风电功率预测

针对海上数值天气预报（NWP）精度低、气象因素复杂等特点,提出一种基于改进的双向降噪自编码器（BDAE）和多元时序聚类的短期海上风电功率预测方法。首先,利用Toeplitz矩阵逆协方差聚类（TICC）进行风况相似性分类,即根据30、70、100 m海上NWP风速进行多元序列实时分割与聚类;然后,针对不同风况类型分别建立可提取过去、未来双向有效信息的改进BDAE修正模型,以修正轮毂高度风速的预测误差;最后,基于修正后的轮毂高度风速以及其余NWP数据,利用TICC算法划分气象相似类型,并在此基础上建立对应的海上风电功率预测模型。采用国内某海上风电场数据进行实验验证,结果表明所提方法能提高海上风电功率预测精度,具有一定工程实用价值。     

A WIND-POWER FORECAST SYSTEM BASED ON THE METEOROLOGICAL NUMERICAL MODEL

基于高分辨率中尺度气象模式,利用卡尔曼滤波订正技术和经验统计规律订正技术,通过动态加入实时观测资料对数值模式预报风速进行滚动订正,建立基于气象数值模式的风电功率预测系统,开展风电场未来72h风速及风电功率预测.利用该系统在上海崇明风电场进行为期两个月的预报试验,结果表明:数值模式预报风速与观测值之间的误差随着预报时效增长逐渐加大,并在不同时段模式的系统误差分布规律也有所差别,模式预报风速与误差之间有一定的统计关系.经过滚动订正预报模型订正后,预报发电量误差比模式本身预报发电量误差明显减小,风速及发电功率预报质量明显提高.     

风电功率预测技术综述与改进建议

随着大规模风电接入电力系统,为了保证电网安全、稳定运行,需要对风电功率进行预测。阐述了不同分类标准下的风电功率预测方法,分析了基于历史数据和基于数值天气预报的功率预测方法,归纳了风电功率预测的主要模型及其优缺点,研究了预测误差的评价指标。认为合理选择预测模型和进行模型性能优化是风电功率预测的关键。在综述国内外风电功率预测技术的研究现状后,针对国内当前对风电场功率预测模型研究与开发工作,提出了改进建议。     

联合气象驱动生成和风速修正辅助的风电功率日前预测

随着风电渗透率的不断提高,准确预测风电功率对于构建高比例新能源的新型电力系统具有重要意义。针对该问题,文章提出一种联合气象驱动生成和风速修正辅助的风电功率日前预测方法,通过分析不同类型风电出力的气象特征,以气象特征作为驱动条件设计生成对抗网络,通过修正的数值天气预报(numericalweather prediction,NWP)信息指导风电功率的生成,根据以修正风速计算的参考功率和历史风电出力的连续性从多组生成风电功率中确定最终预测功率。使用实际风电场数据对所提出的方法进行了测试,并与几种典型的预测方法进行对比验证,结果表明该方法具有更高的准确度。     

基于物理原理的风电场短期风速预测研究

对符合功率预测要求的短期风速预测进行研究,提出了基于物理原理的预测方法,该方法以数值天气预报(Numerical-Weather-Prediction,NWP)风速为输入数据,采用粗糙度变化模型与地形变化模型反映风电场局地效应对大气边界层风的影响;通过与不同风况下的实测风速进行比较,表明预测结果基本能满足预测精度的要求,但预测准确性会随风速变化剧烈程度的增强而有所降低;根据误差分析,NWP风速的准确性是影响预测结果的最主要因素。     

基于集对分析聚类法的超短期风电功率区间预测

高精度的风电功率预测是保证含高渗透率风电电力系统安全经济运行的重要手段。文章在传统ARIMA算法的基础上,引入集对分析理论对风电功率进行超短期区间滚动预测。首先采用改进的K-means算法,建立风电功率与风速、风向之间的集对关系;在点预测结果的基础上,估计区间上下限,经过误差调整,最后得到区间预测结果。文章引入3个模型评价指标对不同方法进行比较。算例表明,所提出的基于集对分析聚类算法的超短期风电功率区间预测能够得到更精确的预测区间。     

基于中微尺度耦合模式的风电场风资源评估方法研究

针对传统风资源评估方法采用假设的入流风廓线模型而无法考虑宏观大气环流对风电场内风流动影响的问题,文章基于中尺度WRF模式和微尺度CFD模型,研究了基于中微尺度耦合模式的风资源评估方法。首先,建立基于WRF模式的中尺度数值模拟方法和基于CFD方法的微尺度风资源评估方法;其次,研究了中微尺度数值模拟方法的耦合原理,构建了从中尺度模拟结果中提取微尺度建模计算边界附近风速廓线的方法,建立了中微尺度耦合风资源评估流程;最后,通过某复杂山地风电场进行验证。验证结果表明,中尺度模拟结果可以改善微尺度CFD模型的入流边界条件,并有效降低风资源评估的误差。     

基于混合高斯分布的风电功率实时预测误差分析

针对风电功率实时预测误差随预测方法不同呈现不同分布特性,提出基于混合高斯分布的风电功率实时预测误差分布模型,采用期望最大化算法估计混合高斯分布模型的参数,以位于吉林省、黑龙江省和辽宁省的3个风电场的实测数据为例,分析不同预测方法下风电功率实时预测误差的分布特性,三权值高斯分布的评价指标——绝对值平均误差、均方根误差及相关系数均最优,验证了模型基于不同预测方法下预测误差的有效性和适用性。     

考虑风力发电随机性的超短期风电功率区间预测研究

首先给出一种评估风电功率区间预测效果的新优化准则,基于人工蜂群算法-神经网络构建简易风电功率区间预测模型,将区间预测模型与马尔科夫链预测模型相结合,对区间内数值点进行概率分析,并通过置信区间修正马尔科夫链预测结果。仿真结果表明,该预测方法不仅能准确预测风电功率置信区间,还可从概率的角度对置信区间内数值点进行分析,提高风电功率预测精度,为优化系统提供依据。     

基于多重联合概率与改进加权HMM的风电功率预测方法

为解决传统风电功率预测中气象因素与功率数据结合应用时相互约束性不足且风电功率序列的历史时序信息随时间逐步衰减的问题，提出一种基于多重联合概率与改进加权隐马尔可夫模型（HMM）的风电功率预测方法。首先，提出多重联合概率方法将数值天气预报（NWP）中的气象因素进行逐步联合，并改进HMM中的释放概率，使NWP气象数据与功率时间序列融合以互相约束；然后，采用条件熵改进粗糙集以计算多步预测的合理属性权重，加权运算多步预测值，以获得风电功率预测值；最后，经过风电场实际算例验证，通过将NWP数据与功率数据相互融合、互相约束，可有效地提高风电功率预测精度。     

基于FCM-等值风速模型的风功率日前预测

由于风速的随机性、间歇性,以及风电场内各机组风速、功率的分散性,给风功率预测带来了较大难度。在计算风速线性相关的权值基础上,提出了改进模糊C均值聚类算法（fuzzy c-means,FCM）的风速模型,建立了风电场等值风速与改进FCM风速的关系函数。以某风电场实测数据进行验证,结果表明：所提风电功率预测方法算法简单;该方法预测精度提高了71.35%。在该风电场不同日周期下,验证了所提预测方法的有效性和普适性。