基于BP-ANN和出力波动特性的光伏系统短期功率预测模型

目前,光伏系统出力预测在精度方面还远不能满足电力系统调度的要求,已成为阻碍光伏发展的主要瓶颈问题之一。考虑到光伏系统的高度非线性特性,难以用传统的数学模型表征其输出功率与外界条件之间的映射关系。首先以传统反传播神经网络作为建模基础,建立光伏系统出力初步预测模型,再基于由光伏系统历史出力数据统计分析得到的波动量统计规律对初步预测结果进行修正,建立了具有较高精度的光伏系统出力预测模型。进一步进行算例仿真验证,结果表明所建立的光伏系统出力预测模型能够较好地反应现场实际情况。     

基于QPSO-LSSVM的风电场超短期功率预测

准确预测风电场的发电功率,有利于电网的经济和安全调度。为提高风电场超短期功率预测的精度,建立了基于最小二乘支持向量机（LSSVM）的风电场超短期功率预测模型,并采用量子粒子群算法（QPSO）对LSSVM中影响回归性能的参数进行优化。通过对福建某实际风电场超短期功率预测的应用表明,与BP神经网络和QPSO-LSSVM的预测结果相比,QPSO-LSSVM预测模型多种误差指标均较小,具有较高的预测精度和鲁棒性,是一种有效的风电场超短期功率预测方法。     

基于强风波动条件下永磁直驱风力发电机短期出力稳定控制研究

以Elman神经网络算法的风速预测方法作为基础,建立了单台永磁直驱同步发电机(PMSG)风电机组在强风波动条件下运行的数学模型。该模型能够较好地反映实际风电场风速的随机性和突变性。考虑到传统的出力规律与风电在强风模型下出力规律的映射关系,利用传统的出力规律与风电在强风模型下出力规律之间的偏差作为参考值,并引入对PMSG风电机组桨距角、转速的PI控制策略,基于此并考虑到电网调度对风电机组出力的要求,建立了对单台PMSG风电机组在强风波动条件下短期出力进行控制的模型。进一步利用真实短期风速算例仿真,结果表明该模型能够在瞬时风速为25~35 m/s时对风力机出力进行有效平稳的控制。     

节能发电调度下考虑风电功率短期预测的日前市场经济调度模型

为实现电力系统节能减排及提高系统对风电等新能源的消纳能力,可将风电功率不确定性因素考虑到电力系统日前市场经济预调度运行中。在传统机组经济调度模型基础上,充分考虑风电预测误差所引起的不平衡费用,利用机会约束的规划方法来建立含风电场在内的日前经济调度随机优化模型,并选用引力搜索算法来求解所建立的模型。最后结合IEEE—30节点网络调试系统进行模型仿真,并利用仿真结果探讨了正态分布参数、预测功率变化量和惩罚系数对日前市场内预调度成本和风电误差成本的影响,仿真结果验证了模型的有效性。     

基于预测误差概率密度曲线的风电场集群日前有功优化调度

风电场集群日前出力计划是大规模风电基地分层协调有功调度的关键技术。提出了一种基于风电场功率预测误差分布曲线的风电场集群日前有功出力计划的制定方法。首先根据改进后的广义误差分布模型,结合历史实测功率和预测功率拟合出每一个风电场的预测误差概率密度函数,然后按照预测风速大小估计出风电场有功出力的上限,最后以集群内每一个风电场的日前计划指令与实际出力能力偏差的数学期望之和最小为优化目标,采用遗传算法计算得到风电场集群的调度优化指令。结合中国北方某风电集群的实际运行数据进行仿真算例分析,验证了所提方法的有效性。     

基于集群划分的短期风电功率预测方法

风电功率预测的快速全覆盖对区域风电的优化调度意义重大,现有预测算法均无法解决这一问题。为此,采用模糊聚类分析实现对风电场出力特性的有效识别和风电场集群的合理划分,将主成分分析用于区域空间特征气象参数的提取,建立了基于集群划分的区域风电功率预测技术框架。算例结果表明,单个集群的预测精度略低于传统逐风电场建模的预测精度;随着预测范围的扩大,区域集群预测与传统预测方法的精度相当,但建模量明显减少。基于集群划分的短期风电功率预测方法可在保证预测精度的同时,显著提升建模效率。     

考虑预测误差折现效应的风电场柔性并网策略

针对风电并网功率的平滑性需求,提出了一种考虑预测误差折现效应的风电场柔性并网策略。首先,考虑到超短期预测中功率预测误差随时间断面推移而变大的特点,引入t location-scale分布模拟前瞻周期内的风电出力;在此基础上,提出采用氢燃料电池蓄电池构成混合储能系统的策略,以充分发挥二者的互补优势和协同效益;最后,参考经济学资产定价模型,度量未来不同时间断面风电场运行成本的当前效益,并以前瞻周期内经折现之后的风电场运行经济性之和最优为目标函数,对风蓄氢系统进行优化调度。仿真结果表明,与不配置混合储能、不考虑未来经济折现效应的风电场相比,所提的优化策略能够实现更优的风电场柔性并网功能。     

一种实时校正的改进BP神经网络超短期风速预测模型

风电机组出力可由风速计算得出,提高风速预测精度对减小风电并网冲击、合理调度风能资源至关重要。基于风电场气象及风速数据的时间连续性,提出了一种加入误差实时校正环节及风速变化趋势分析的改进方法介绍,在提高风速预测精度的同时有效改善了过校正情况。采用某个风电场的实际运行数据进行了仿真,结果表明,所提出的改进BP神经网络风速预测模型方法具有较好的预测精度。     

考虑风电不确定出力的风电并网协调优化模型

针对风电出力的随机性和间歇性等特点,首先,提出了风电预渗透率的概念,结合风电预测精度,建立了风电预测误差计算模型。其次,考虑到误差随时间的迁移性,建立了风电预测误差增长模型,并建立了基于误差增长的风电不确定出力计算模型。在建立负荷可参与调度的权重区间模型以及引入可调度负荷与储能系统的基础上,建立了风电成本模型和考虑可调度负荷与储能系统风电并网协调优化调度模型。最后,以某地区电力系统为研究对象,采用Matlab对优化模型进行仿真求解,结果表明,所用方法能够有效降低弃风率以及火电备用容量。     

风电场出力预报预评估研究

风电场出力预报预评估可以提高风电场并网系统调度决策质量,对于推动风力发电量增长具有重要理论和实践意义。提出从预报误差对风电场并网电力系统的影响角度,或者从风电场并网系统能够接纳或忍受的风电场出力预报偏差的角度,动态地对出力预报结果进行分析和考察,提出了风电场出力预报的预评估概念、确定预评估标准的一般原则及其判据。在此基础上,具体针对风电并网系统经济调度中,对风电场出力预报在时间尺度和精度尺度方面的要求,提出风电场短期出力预报的预评估标准并建立了对应的判据模型。基于IEEE-30测试系统和“风电有限全额并网     

基于功率波动过程的风电功率短期预测及误差修正

风资源因具有较强的波动性、随机性与间断性等特点而导致风电功率预测精度不高。为减小风电功率波动对电网的冲击,提高电力系统对风电的接受与消纳能力,提出了改进的风电功率短期预测方法与基于波动的误差修正方法。首先将风电功率按不同波动过程进行聚类划分,提取不同波动的特征曲线对功率值进行修正;采用引力搜索算法优化的反向传播神经网络(GSA-BP)作为基本预测方法进行预测;分析不同波动过程下的预测误差表现,建立预测误差与综合气象指标的映射关系。针对不同波动过程建立相应的风电功率误差修正模型,提出了线性模型和GSA-BP非线性模型相结合的方式对预测误差进行修正,最后以功率预测值叠加预测误差修正值作为最终预测结果。该风电功率预测误差修正方法不仅涉及风速风向等常规因素,而且考虑到了风电功率的波动性。     

基于人工神经网络的风电功率短期预测系统

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。该文综述国内外风电功率预测技术的研究现状、基本原理及预测方法;设计风电功率预测系统的框架,建立基于人工神经网络的风电功率预测系统,该系统即将应用于吉林电网调度中心。该系统以数值天气预报为基础,具有良好的人机界面,实现了与能量管理系统(energy management system,EMS)的无缝连接。对测试数据的预测结果表明,该预测系统能够可靠工作,预测结果的均方根误差在15%左右。最后,该文对风电功率预测系统的经济效益进行估算。     

基于VMD-SE-IPSO-BNN的超短期风电功率预测*

准确预测风电功率对风电规模化并网至关重要。为了更精确的对风电功率进行预测,提出一种基于可变模式分解(Variational Mode Decomposition,VMD)-样本熵(Sample Entropy,SE)和改进粒子群算法(Improved Particle Swarm Optimization,IPSO)优化贝叶斯神经网络(Bayesian Neural Network,BNN)的超短期风电功率组合预测模型。首先采用VMD-SE将原始风电功率时间序列分解为一系列不同带宽的模式分量以降低其非线性,然后对全部分量分别建立贝叶斯神经网络模型进行预测,并采用IPSO对神经网络的权值和阈值进行寻优,以求获得最佳的预测效果。实验结果表明,基于VMD-SE的预测模型较采用其他常规分解方式时预测精度明显提高,所提组合预测模型具有较高的预测精度。     

应用粒子群优化算法的短期风电功率预测

根据数值气象预报的风速和风向数据,采用粒子群优化的前向神经网络模型进行短期风电功率预测。分析了数据相关性对预测结果的影响,比较了粒子群优化前后的前向神经网络模型的性能。研究结果表明,经过粒子群优化后的前向神经网络模型比没有优化的前向神经网络有更好的性能,且根据数据相关性较好的测试样本可得到较好的预测结果。风速风向数值预报与输出功率的相关系数越高,基于粒子群优化前向神经网络模型的预测精度越高于没有优化的前向神经网络模型。     

基于灰色神经网络优化组合的风力发电量预测研究

文中提出一种新型灰色神经网络优化组合的风力发电量预测研究,将人工神经网络预测模型和灰色预测模型有效结合,不仅考虑了风力、风向和温度等影响因素,而且将往年风力发电量的历史数据综合考虑,结合两种预测优点,从而提高了预测的准确度并降低预测误差。算例结果证明,这种新型的灰色神经网络优化组合预测值误差低于单一的灰色预测或神经网络预测。     

基于人工神经网络的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。对风速和风电场输出功率预测的方法进行了分类。根据风电场输出功率的影响因素,建立了风电功率预测的神经网络模型。分析了实测功率数据、不同高度的大气数据对预测结果的影响。建立了基于神经网络的误差带预测模型,实现了误差带预测。研究结果表明,神经网络的结构和输入样本对预测结果有一定的影响;实测功率数据作为输入可以提高提前量为30 min的预测精度,而对提前量为1 h的预测精度会降低;把不同高度的数据都作为神经网络的输入比只采用轮毂高度数据的预测精度高;设计的神经网络能够对误差带进行预测。     

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。     

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BP神经网络的风电功率预测仿真分析

介绍了风电功率预测的背景,对风电功率预测进行了理论分析,分析了BP神经网络的原理及基于BP神经网络的风电功率预测流程和预测结果误差的评价指标。以Matlab软件的神经网络工具箱为仿真平台,搭建BP神经网络,进行了功率预测仿真,预测结果均方根误差分别为6．97％、200．59％。两组仿真对比结果表明,基于BP神经网络的风电功率预测在短期预测中是可行的．     

基于SSA-CNN-BiGRU-Attention的超短期风电功率预测模型

针对风电功率预测精度较低的问题,提出一种融合奇异谱分析(SSA)、卷积神经网络(CNN)、双向门控循环单元(BiGRU)及Attention机制的组合预测模型。为抑制风电功率随机波动特性带来的预测功率曲线滞后性问题,采用SSA方法将原始数据序列分解为一系列相对平稳的子分量,并基于各分量模糊熵(FE)值完成各分解分量的有效重构;构建了CNN-BiGRU-Attention模型并用于各重构分量建模预测,其中,CNN网络用以实现各重构分量高维数据特征的有效提取,BiGRU网络用以完成CNN获取的关键特征向量非线性动态变化规律的有效捕捉,Attention机制的引入用于加强对功率数据关键特征的有效学习;通过叠加基于CNN-BiGRU-Attention模型的各重构分量预测值得到最终预测结果。以新疆哈密地区风电场实际运行采集数据为试验样本进行算例分析,结果表明,所提方法可有效缓解风电功率预测结果滞后现象,预测精度全面优于其他预测方法。