基于Spark大数据平台的风功率预测模型研究

引入Spark云计算技术进行并行化计算,提高处理大规模数据的能力。改进传统BP神经网络算法,将菌群优化算法与神经网络算法结合提高风电功率预测的能力。     

基于改进EEMD-SE-ARMA的超短期风功率组合预测模型

针对风力发电功率时间序列具有非线性和非平稳性的特性,提出了一种改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)-样本熵(Sample Entropy,SE)-ARMA的风电功率超短期组合预测模型。将EEMD分解中添加的白噪声信号改为添加绝对值相等的正负两组白噪声信号,并将MEEMD分解过程中的EMD步骤使用端点延拓和分段三次埃尔米特插值进行改进,形成一种改进的EEMD分解算法(即MEEMD)。利用MEEMD-SE将风力发电功率时间序列分解为一系列复杂度差异明显的风电子序列;针对每一个不同的子序列建立适当的ARMA预测模型;将各预测分量进行叠加重构,得到最终的风电功率预测值。通过算例分析及与其他几种预测模型预测结果的对比,证明MEEMD-SE-ARMA组合预测模型可以有效地提高风力发电功率超短期预测的精度。     

基于深度门控循环单元神经网络的短期风功率预测模型

随着新能源的不断发展,大量大容量风电机组并入电网运行,给电网的安全可靠运行以及风力发电的可持续发展都提出了新的挑战。提出一种风功率预测模型,该模型以风电场风功率历史数据以及风速、风向等数值天气预报数据作为输入对风功率进行预测。考虑到风功率预测中输入数据的波动性和不确定性,在传统门控循环单元(GRU)神经网络的基础上融合卷积神经网络(CNN),以提高模型对原始数据的特征提取和降维能力,并引入dropout技术减少模型中的过拟合现象。工程实例分析表明,所提模型在预测准确度和运算速度方面均优于长短记忆神经网络模型。     

一种基于时变概率权的短期风功率组合预测模型

高精度的短期风功率预测有利于实现接入大量风机的电力系统优化调度。针对自回归滑动平均(auto-regressive and moving average,ARMA)、反向传播(back propagation,BP)神经网络、最小二乘支持向量机(least squares support vector machine,LS-SVM)等单一模型预测不稳定的问题,以及协方差、概率权组合模型权重固定的不足,结合风功率的日变化特性,提出一种基于时变概率权的组合预测模型。实际算例表明:组合模型能有效提高风功率预测的精度,而时变概率权组合模型能够动态调整各单一模型的权重,进一步提高预测精度。     

新型大功率高准确度可编程三相标准功率源

本文介绍ＷＡＶＥ－３５００型三相标准功率源的性能、原理及设计特点。功率源中以无源补偿方式实现Ｉ／Ｖ转换器铁芯中的“零磁通”、Ｖ／Ｖ转换器原边绕组中的“零电流”，从而明显地减少了相位误差，提高了准确度；以大功率确保输出大电流（１００Ａ），提高了输出电流的稳定性和准确度；降低晶振频率来提高抗高频干扰能力，加上工艺上的良好屏蔽与隔离，使本功率源具有高的技术性能。该功率源属于第三代ＡＴＳ（自动测试装置），     

风电场风功率实时预测效果综合评价方法

超短期风电功率预测对含大规模风电的电力系统安全经济运行有着重要意义。但目前对预测结果的评价均停留在常规统计学指标上,缺乏合理的评价体系来评价某特定风电场所选取预测模型的优劣。简述了目前风电功率预测结果评价指标的不足,提出一种基于预测误差评价和预报考核等指标的风电场输出功率实时预测效果评估方法,为不同地区风电场根据其风电输出功率变化的特点,选择预测模型以及风电场输出功率预测效果的工程检验提供依据。最后,利用吉林省某风电场实测数据,采用该评估方法对不同预测模型的实时预测结果进行分析评价,实现了该风电场不同预测模型间的择优,验证了该评价方法的指导价值。     

考虑功率分布特性的微网风电功率预测模型

针对微网中风电功率预测模型输入数据分布不均匀特性导致其预测精度低的问题,在不改变原始数据的情况下,提出一种混合归一化方法改善输入数据的分布特性。目前风电预测模型主要使用的是单一的BP神经网络模型,考虑到该模型有容易陷入局部最优、预测精度低等缺点,提出混沌遗传-BP神经网络风电功率预测模型,采用混沌遗传算法优化神经网络权值与阈值,因而该模型在全局区域内能保证较好的预测精度且不会陷入局部最小。算例结果表明:该混合归一化方法能够有效地改善输入数据的分布特性,且所提预测模型有更优的预测性能。     

基于功率预测模型的并网逆变器直接功率控制

传统的直接功率控制（DPC）存在开关频率随采样时间、负载参数和系统状态变化而变化,产生分散的谐波成份的问题。本文提出了一种基于功率预测模型的三相并网逆变器直接功率控制策略。该控制策略将一定的预测算法与瞬时功率理论结合,以逆变器交流侧输出电压为控制对象,建立功率预测模型,得到参考输出电压,同时为了减小开关损耗,选择对称式电压空间矢量序列控制逆变器输出电压,从而控制瞬时功率有效跟踪参考功率值。仿真结果分析,该控制策略有较好的动静态性能,可实现恒定的开关频率,与直接功率控制相比体现出更好的谐波抑制效果。     

基于功率滤波的风力场功率平滑控制

为了减少风电场输出波动,在分析风力发电机功率波动频谱的基础上,提出了结合桨距控制和速度控制的风电场有功功率平滑控制策略.仿真结果表明,所提出的控制方案能有效降低风电场输出有功功率的波动.     

基于CEEMDAN-ISSA-BiLSTM的风电功率组合预测模型

针对风电功率存在间歇性、非线性和波动性而难以准确预测的问题,提出一种遵循“序列分解-网络预测-序列重构”的风电功率预测模型。针对风电场集群中的不同风电机组出力特性曲线,使用迭代自组织数据分析聚类算法(ISODATA)聚类得到典型出力曲线;利用自适应噪声完全集成经验模态分解(CEEMDAN)算法对聚类得到的原始风电序列数据进行模态分解,减少数据波动所带来的预测误差;建立各模态分量的双向长短期记忆网络(BiLSTM)预测模型,并使用改进麻雀搜索算法(ISSA)优化网络参数,再将各模态分量的预测结果叠加得到风电功率的最终预测结果。算例结果表明,所提预测模型的预测精度相比其他对比模型更高,且有着更好的泛化能力。     

基于FOA-Elman神经网络的光伏发电功率预测模型

光伏发电功率对光伏发电的可靠性起着决定性作用。针对Elman神经网络收敛速度慢、训练时间较长的问题,利用果蝇算法(FOA)来优化Elman神经网络的权值和阈值,从而提高运行效率。建立了基于FOA-Elman神经网络的光伏发电功率预测模型,并给出了算法设计及编码方案。仿真实验结果表明,FOA-Elman模型预测精度比传统Elman神经网络模型预测精度高,更适合于光伏发电功率预测。     

基于Attention-LSTM的光伏超短期功率预测模型

超短期光伏发电功率预测有利于电网的调度管理,提高电力系统运行效率及经济性.针对传统长短时记忆(LSTM)神经网络在处理长序列输入时易忽略重要时序信息的缺陷,文章提出了一种结合注意力机制(Attention)与LSTM网络的功率预测模型.采用皮尔森相关系数法(Pearson)分析了实验的历史数据集,剔除无关变量,对数据集...     

基于博弈论赋权的光伏功率组合预测模型

针对单一预测方法的局限性,本文采用物理方法和统计方法相结合的预测方法,建立光伏发电功率组合预测模型,并在预测模型中考虑电站的限电及检修计划。采用理论功率法、基于改进相似日的BP神经网络法、基于改进相似日的支持向量机对预测日的光伏功率分别进行预测,通过提出的博弈论组合赋权法来计算各模型的权重。通过某光伏电站的实际数据验证,计算分析了预测误差,结果表明,通过组合赋权法得到的权重克服了单一权重的片面性,使得综合评价更合理、科学,在限电情况下仍具有较高的预测精度,对光伏发电系统的功率预测具有一定的学术价值和工程实用价值。     

基于BP神经网络的光伏短期功率预测模型

大规模光伏发电系统的应用,有助于缓解传统能源枯竭而引起的能源危机,但其具有很强的随机性和不确定性,为了减轻其对电网的影响,大规模接入光伏,有必要对光伏发电功率进行预测,以便采取相应的应对措施。目前,光伏发电功率预测的方法大致分为两种,即直接预测和间接预测。间接预测,需要先预测光伏发电的影响因子,特别是辐照度,但是,现阶段国内对辐照度的预测暂时不具备工程可行性,这使得国内对间接预测的研究较少,主要集中在直接预测方面。直接预测,即直接建立模型来预测光伏发电,不需要也不用预测光伏发电影响因子,而是通过对历史发电数据和气象信息进行统计分析。     

基于RF-ANFIS-PSO组合超短期光伏功率预测模型

光伏发电受到光照强度、环境温度和湿度等多方因素影响与制约,具有波动性、间歇性、不确定性以及能量密度低等特征,并网后会对电网造成一定程度的冲击。因此,准确预测光伏输出功率对于维护电网安全稳定运行、电网调度合理化和降低电网运行经济成本均具有重要意义。文中采用随机森林、自适应神经模糊推理算法以及粒子群优化算法进行数据训练和模型优化,搭建了一种超短期光伏发电功率预测的组合模型。通过内蒙古地区某光伏发电站的实际输出功率与RF-ANFIS-PSO模型预测结果比对,验证了其准确性和有效性。     

基于多层感知机的多维条件下电能表准确度预测模型

传统电能表的检定工作均是在试验条件人为可控的实验室内进行,但电能表实际运行的条件可能与实验室条件存在多维参数差异。目前对在多维条件下如何进行电能表仪器检定工作以及相关的量值溯源的研究开展的比较有限,但电力生产过程中对于复杂工况下准确计量的需求逐渐提升。近年来,随着机器学习、人工智能领域的技术进步,为多维条件下计量工作的开展提供了一种有效途径。首先针对实际运行当中对电能表准确度产生影响的各种因素进行了机理分析,探讨了多层感知机模型预测电能表准确度的可行性;然后提出基于多层感知机算法的电能表准确度预测模型,采用有监督学习完成训练过程;最后利用电能表准确度实验数据进行仿真训练,验证了模型的准确性和有效性;填补了国内相关领域的空白。     

基于云推理的短期风电功率预测模型

针对风速、风向和风功率之间的关联知识,提出了一种短期风电功率预测的云推理模型。利用云变换将风速等历史数据转换成多个云的定性概念,并用云的合并方法得到跃升概念,再用极大判定法进行概念隶属判定,得到约简数据库,用Apriori算法挖掘得到风速、风向和风功率之间的关联规则,最后形成云推理的规则发生器,利用规则发生器的不确定性推理来完成未来24个小时的风电功率预测。实验得到一系列有稳定倾向的预测值集合,取其期望值与Arima模型和RBF神经网络的预测值比较,相对误差均有不同程度的减小,显示了该模型较高的实用和推广价值。     

基于负荷预测模型特性的组合预测新方法

提高短期负荷预测精度和计算速度一直是研究的热点问题之一.针对不同负荷预测方法的预测特性,提出了特性互补的组合预测新思路,建立了基于二阶自适应系数法和移动样本倒指数法的组合预测模型,采用最优组合预测与递归等权组合预测相结合的方法确定组合系数,并进行实时监测修正.结合甘肃电网的实际进行了短期负荷预测,结果表明,该方法计算速度快、预测精度高,具有一定的工程实用价值.     

基于时间序列分析的风电功率预测模型

风电功率的精确预测对于电网合理调度,降低电网运行成本和保证电网系统安全性等方面有重要的意义。基于风电功率历史数据具有的时间序列特性,应用时间序列法建模,对风电场的发电功率进行短期和中长期预测,同时分析单一机组和汇聚机组对预测效果的影响。实证研究结果表明,利用时间序列分析方法,能比较精确地预测风电场发电功率,且短期内预测平均绝对百分比误差不超过15%,预测的合格率已超过85%,并且集中开发的方式可以减少预测误差。     

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。