基于高密度数值天气预报的分布式光伏功率预测主站研究应用

基于高密度的商业数值天气预报信息构建分布式光伏功率预测主站,对珠海全网、区域和分布式光伏电源进行短期、超短期功率预测,提高区域单点电源点预测精度,为后期研究大规模发电间歇性、波动性等新能源(风电、光伏等)接入电网后对电网运行及负荷预测精度的影响奠定基础。     

考虑分散接入配电网的光伏系统对母线负荷预测影响的功率预测技术研究

基于提出的功率渗透率指标和负荷数据重构方法,分析分散接入配电网的光伏系统对常规负荷预测模型及其精度的影响。在分布式光伏渗透率分别为0%、5%、10%、15%、20%、24.46%、30%、35%、40%、50%、60%和75%下,短期负荷预测精度呈现明显下降趋势,可见,分布式光伏有功出力有必要作为负荷补偿原始负荷。文章提出基于BP神经网络的分布式光伏短期功率预测模型,详细分析其模型训练和验证过程,通过分析典型日的分布式光伏功率预测精度,该模型具备工程化应用能力。     

基于改进相似时刻法的分布式光伏功率短期预测方法

针对分布式光伏电站输出功率影响因素较多、影响程度差异较大，导致预测精度低等问题，提出了基于改进相似时刻法的分布式光伏功率短期预测方法。首先，将基于通径分析确定的简单相关系数作为阈值，筛选出气象、时间、负荷中与光伏输出功率相关性较强的主要影响因素。其次，基于简单相关系数优化权重的优劣解距离法（technique for order preference by similarity to ideal solution, TOPSIS）确定气象相关度；基于模糊排序法量化的时间因子线性加权确定时间相关度，基于电流参数直接量化确定负荷相关度。再次，由3个维度的相关度参数加权得到综合影响相关度，并建立短期光伏功率预测模型。最后，以某分布式光伏电站实测数据为例，验证了基于改进相似时刻法的分布式光伏功率短期预测具有较高预测精度。     

基于分布式光伏功率分区拟合的统调负荷预测方法

分布式光伏的大规模接入对地区统调负荷预测准确率带来极大影响,因此提出了一种基于分布式光伏功率分区拟合的统调负荷预测方法.首先将分布式光伏覆盖区域进行分区,针对每个小区域,采用区域内集中式光伏功率预测数据对分布式光伏出力进行类比预测;然后将各个小区域内分布式光伏出力预测数据进行累加得到全地区分布式光伏出力预测值;最后在此基础上对地区统调负荷进行预测.该方法在张家口地区负荷预测工作中取得了良好效果,有效提高了地区统调负荷预测准确率.     

基于随机预测误差的分布式光伏配网储能系统容量配置方法

储能装置作为一种解决含分布式光伏配网系统功率波动的有效手段,其容量配置关系到补偿功率波动精度和经济性指标。为准确配置储能容量提出一种分布式光伏配网系统中储能设备容量配置方法:通过分析光伏出力短期预测误差和负荷短期预测误差的概率统计规律和随机过程,利用区间估计方法得出储能设备容量配置函数;然后利用该配置函数实现的配置方法,对储能容量在分布式配置和集中式配置两种方法下的预测误差的方差进行比较,可知储能容量分布式配置可以得到更精确的容量配置和更优的功率补偿效果。应用所提配置方法搭建实验样机,并应用于江西电网公司某分布式光伏配网系统中,验证了该方法的正确性和可行性。     

基于短期负荷预测的超短期负荷预测曲线外推法（Only in Chinese）

针对短期和超短期负荷预测的特点，提出了一种基于短期负荷预测的超短期负荷预测曲线外推算法。该算法充分利用了短期负荷预测已取得的成果，解决了传统采用负荷历史数据进行超短期负荷预测时在拐点、天气剧烈变化和节假日期间负荷预测精度下降的问题。为了提高负荷预测精度，还讨论了在进行超短期负荷预测时，对历史坏数据的处理以及对短期负荷预测中对拐点预测不准的修正等实用性问题。通过在四川电网调度自动化系统中的应用结果表明，该方法速度快，精度高，运行可靠稳定，具有较强的适应性。     

基于天气融合和LSTM网络的分布式光伏短期功率预测方法

分布式光伏发电功率高精度预测对配电网安全稳定运行有重要意义。针对分布式光伏发电设备的功率预测问题,基于天气信息和深度学习方法提出了一种分布式光伏短期功率预测方法。首先将天气进行分类融合,实现训练集的全面覆盖;然后基于长短期记忆网络（long short-term memory,LSTM）深度学习方法构建分布式光伏短期功率预测模型;最后实现分布式光伏功率预测。     

电力短期负荷预测相似日选取算法

短期负荷预测是电力系统安全经济运行的基础,相似日选取的准确与否直接影响到短期负荷预测算法的精度。针对短期负荷预测的特点,提出一种能便于考虑各种因素影响的新算法。分析了气象、日类型等因素对负荷影响的常见规律,便于识别主导负荷变化的因素,建立了在短期负荷预测中选取相似日的新方法。理论和实例均表明,该方法适应性较强,能够通过历史数据分析从历史日中选取最合适的相似日,对提高短期负荷预测的精度具有较大价值。     

基于长短期记忆神经网络的配电网负荷预测方法研究

高渗透率分布式光伏接入配电网后,将削减配电网负荷。由于光伏出力与配电网负荷均具有强随机性,且与温度、太阳辐照等相关气象因素耦合特性不同,导致配电网净负荷随机性提高、预测难度增加。为满足强波动性配电网净负荷短时预测需要,提出基于长短期记忆(long short term memory,LSTM)神经网络短期预测模型构建新方法。采用LSTM分别构建小时前配电网负荷预测模型和短期光伏出力预测模型,并分别使用交叉验证方法优化各个LSTM预测器结构超参数;最后,以两者预测结果相减,获得配电网净负荷。实测数据实验表明,相较于支持向量回归(SVR)等方法,采用LSTM的新方法能够自适应挖掘历史负荷、光伏出力特征与预测对象间的相关性,避免了复杂的特征选择环节,且预测精度优于SVR预测方法。     

参与配电网电压调节的分布式光伏发电系统新型控制策略

针对分布式光伏发电系统接入配电网对电压分布带来的影响,提出一种参与配电网电压调节的分布式光伏发电并网控制策略。该策略的功率外环综合考虑了分布式光伏发电系统出力波动以及负荷变化等因素对配电网电压的影响,电流内环采用模型预测电流控制方法实现对参考电流指令的跟踪。该策略具有良好的动静态性能和跟踪精度,且避免了比例积分控制中繁琐的控制参数整定。最后在RTDS仿真平台上搭建了含分布式光伏发电系统的配电网模型,仿真验证了所提控制策略的有效性。     

基于极限学习机的光伏发电短期预测校正方法

光伏发电短期预测在电力系统实时调度中具有重要意义。受诸多因素影响,光伏发电短期预测精度还无法达到光伏电站要求,对光伏并网调度带来较大影响。针对这一问题,提出了基于极限学习机（ELM）的光伏发电短期预测校正方法。说明了光伏发电短期预测中的误差特征,并利用提出的校正方法对原来光伏发电短期预测结果进行了优化。通过与其他方法的对比,验证了此方法的有效性,说明了论文方法能够有效提高光伏发电短期预测精度。     

基于Kmeans-SSA-LSSVM的光伏短期功率预测

光伏发电受多种气象因素和环境因素的影响,具有明显的间歇性、随机性和波动性。为了提高光伏短期功率预测的准确性,提出了一种基于Kmeans-SSA-LSSVM的预测模型,以提高预测精度。首先使用Kmeans算法对天气进行分类,然后利用SSA优化后的LSSVM对各天气类型分别进行功率预测。结果表明与BP、SVM、PSO-SVM相比,Kmeans-SSA-LSSVM提高了光伏短期功率预测模型的精度,对电力系统并网调度有重要意义。     

基于弹性系数的电力系统短期负荷预测方法

针对电力系统负荷变化具有明显的分形自相似性的特点，提出了一种新的基于弹性系数的短期负荷预测方法。运用此方法对实际负荷进行预测，通过对预测结果的各种性能指标的分析，表明此方法具有较高的预测精度，尤其是提高了双休日的预测精度，从而为特殊假日的负荷预测提供了新思路。     

一种基于决策树技术的短期负荷预测算法

提出了一种基于决策树技术的短期电力负荷预测新方法,能有效地考虑非负荷因素对短期负荷预测的影响.文中详细介绍了决策树技术的原理及其在短期负荷预测中的实现方法.实际电力系统应用结果数据表明,该方案能够有效提高短期负荷预测的精度.     

电力系统短期负荷预测的模糊神经网络方法

针对电力系统短期负荷预测问题，考虑到气象因素对负荷的影响，提出了一种模糊神经网络的短期负荷预测方法，首先根据评价函数选取相似日学习样本，然后利用隶属函数对影响负荷的特征因素向蜈的分量进行模糊处理，采用反向传播算法，对24点每点建立一个预测模型。提高了学习效能，本方法适合在短期负荷预测中使用，具有较好的预测精度。     

基于分布式光伏典型日曲线的统调负荷预测方法

电力负荷预测是电力系统的一项重要工作,分布式光伏电源大规模接入电网后极大地增加了电网负荷预测的难度。在分布式光伏电源出力数据采集汇总困难的情况下,采用选取2个特定日的统调负荷曲线相减得到差值曲线并对其进行修正的方法,近似模拟出分布式光伏电源典型日曲线。实践证明,利用分布式光伏电源典型日曲线辅助电网统调负荷预测,能够有效提高统调负荷预测的准确率。     

考虑信息时移的分布式光伏机理-数据混合驱动短期功率预测

分布式光伏短期功率预测缺乏同时空气象数据。传统方法直接借助邻近集中式光伏站点数据进行功率预测,忽略了地理位置偏移带来的气象信息时移,难以满足预测精度要求。文中提出了一种考虑气象信息时移的混合预测方法。在机理驱动模型中,采用最优时移对气象数据进行偏移修正;在数据驱动模型中,引入时间模式注意力机制削弱气象数据偏移的影响。然后,通过Stacking集成学习框架将两种方法进行融合,形成机理-数据混合驱动模型,进一步提高预测稳定性及准确率。基于分布式光伏和公共气象站点实际数据进行的案例分析表明,所提方法能够有效利用偏移地理位置的气象数据,实现更高精度的分布式光伏发电功率预测。     

分布式光伏变负荷工况发电功率预测系统设计

对分布式光伏系统变负荷工况发电功率进行准确预测,能避免输出失稳。提出一种基于线空间重构和谱特征提取的分布式光伏系统变负荷工况发电功率预测方法,并结合DSP数字处理器进行预测系统设计。构建光伏系统变负荷工况发电功率的输出时间序列模型,用嵌入式的相空间重构技术进行光伏发电阵变负荷工况发电功率输出负载的异常特征提取,用变负荷工况判断方法进行功率瞬时特征检测,在相空间中提取发电功率时间序列的非线性特征,实现对发电功率时间序列的准确预测。在DSP开发环境下进行发电功率预测系统的优化设计。结果表明,采用该预测系统能有效实现分布式光伏系统变负荷工况发电功率预测,预测精度较高,过程收敛性较好。     

基于PSR和DBN的超短期母线净负荷预测

随着电网优化调度的精细化、智能化和计及电力系统安全性与经济性的电网高级应用的广泛采用及分布式能源的大量接入,母线负荷预测的精度要求不断提高而负荷的不确定性和非线性特征进一步增强。针对上述问题,文中提出一种基于相空间重构(PSR)和深度信念网络(DBN)的超短期母线负荷预测模型,首先采用C-C法对净负荷时间序列进行PSR,然后利用DBN对重构后的数据进行拟合并得出负荷的预测值。文中利用某市变电站实测负荷数据检验了该超短期母线负荷预测模型的有效性,证明该模型在分布式电源渗透率较高且母线负荷波动较大的情况下仍然有较高的预测精度。     

组合数值天气预报与地基云图的光伏超短期功率预测模型

为减轻光伏电站被云团遮挡导致发电功率突然衰减所造成的影响,提高光伏超短期的预测精度和预测有效时间长度,文中提出数值天气预报与地基云图相结合的光伏超短期功率预测模型。该模型首先基于临近晴空工况光伏超短期功率预测方法实现未来4h预测,接着使用数值天气预报云量信息和地基云图等方法预测未来4h内云团遮挡电站导致的功率衰减,并进行临近校正,以提高光伏超短期功率预测的精度。研究结果表明,文中所述模型具有很好的可行性和实用性,为光伏电站0~4h超短期功率精确预测提供了一种方法。