基于特征聚类的区域风电短期功率统计升尺度预测

区域风电功率预测对于保障风电消纳及电网安全经济运行具有重要意义。由于新建风电场在并网初期尚未建立预测系统及各风电场预测精度参差不齐,经典的单场功率累加法预测精度并不高。提出一种基于风电功率数据特征聚类的区域风电功率统计升尺度预测方法,首先使用经验正交函数(empirical orthogonal function,EOF)法解析区域内风电出力特征,然后采用层次聚类法划分子区域,并利用风电场的相关系数和预测精度选取代表风电场,最后根据代表风电场的预测功率及权重系数完成区域风电功率的升尺度预测。应用冀北电网2015年的实际数据进行统计升尺度建模和方法验证。结果表明,相比累加法,文中提出的统计升尺度方法可改进区域风电功率预测精度,同时减少区域预测模型对单风电场数据完备性和预测精度的依赖。     

基于集群划分和LightGBM-KDE的区域风电中期概率预测

随着新能源保供电重要性日渐增强,调度人员对中期风电功率预测的需求程度也进一步加深。针对气象资源时空分布时序差异性波动大以及随着预测前瞻时间的延迟,区域风电功率预测不确定性合理评估难的问题,提出了基于集群划分和LightGBM-KDE的区域风电中期概率预测。首先对空间气象特征参数进行有效识别,并对风电集群出力波动性进行研究,利用减法聚类对风电场集群进行合理划分;然后基于集群划分结果,利用LightGBM算法建立中期风电功率预测模型;最后对功率预测误差采用非参数核密度估计计算概率密度分布,最终建立基于集群划分和LightGBM-KDE的240 h区域风电中期概率预测模型。算例结果表明,所提方法在区域风电中期概率预测中具有更高的精度。     

基于统计升尺度方法的区域风电场群功率预测

对区域性风电场群输出功率进行预测是增加风电接入容量,提高大规模风电接入条件下电力系统运行安全性和经济性的有效手段。文中对区域预测建模技术进行研究,利用输出功率相关系数矩阵和预测精度指数进行代表风电场选取和权重系数计算,采用基于少数代表风电场的统计升尺度方法,并利用华北电网2011年1月至6月风电场实际数据进行统计升尺度建模和方法验证。验证结果表明,相比于传统的累加法,统计升尺度方法可改进所实现的区域风电功率预测模型的区域预测精度,同时减少区域预测模型对单个风电场数据完备性的依赖。     

基于机器学习的集群式风光一体短期功率预测技术

针对区域风、光电站群的功率预测,由于各站建站时间不同、单站预报精度残次不齐,导致传统的单站功率累加法预测精度和运行效率不高的问题,采用基于机器学习的二分K均值聚类算法分别对区域内的风电场和光伏电站群进行合理划分,结合区域内各电站历史功率数据及区域总历史功率数据的相关性,选取出各区域的代表电站。在对数值预报要素进行优化订正后,采用BP神经网络法建立基于风电场和光伏电站集群划分的短期功率预测框架模型。结果表明：采用该方法的集群式风电和光伏短期功率预测准确率高于或接近于传统单站累加的预测精度,且该方法在保证预测精度的同时,能够显著提高建模效率。     

基于小样本集的网侧风电功率预测方法

风电功率预测多采用统计预测模型,为了达到可接受的预测精度,需要大量的历史数据对模型进行训练,不适用于缺少历史数据的新建风电场,为此提出基于小样本集的网侧风电功率预测方法。基于风电场少量的历史数据,运用支持向量机方法建立了网侧风电功率预测通用模型,并用此通用模型对风电场功率进行初步预测;在通用模型预测的基础上,利用区域内风电场的特征参数对这一网侧通用模型进行辨识和修正,从而得到区域电网网侧风电功率预测结果。实际算例验证了基于小样本集的预测方法的可行性,实际预测精度较好,说明该方法适于历史数据样本较小的风电场的功率预测,能够减少功率预测中统计预测方法对数据的依赖。     

基于风场景识别的动态风电功率概率预测方法

传统风电功率预测是确定的、静态的、非条件性的,无法代表不同外部状态的发电过程,缺失预测误差的概率性信息。针对上述问题,提出了一种动态的基于风场景识别的风电功率概率预测方法。首先建立基于K means的风场景识别模型,根据风速和风向识别自然风特征,据此划分风电场风况类别。然后针对各风况类别建立基于相关向量机的概率预测模型。在实际预测中,根据实时风况动态调整概率预测模型参数。以中国西北某风电场为例进行验证,结果表明,该方法提高了单点预测精度、概率预测可靠性和技术分数、运行效率,为预测细化建模提供新的解决思路。     

考虑预测误差分布特性的风电场集群调度方法

为应对大规模风电集中并网给电力系统有功功率平衡带来的影响,将风电功率预测信息纳入电力系统日常调度是为应对大规模风电集中并网给电力系统有功功率平衡带来的影响,将风电功率预测信息纳入电力系统日常调度是必然趋势。现有考虑预测信息的风电场集群有功调度方法一般采用确定性风电预测数据,由于风能特性和预测水平限制,难以满足电力系统调度精度需求。因此提出一种考虑风电功率预测误差分布特性的有功功率调度方法,该方法首先通过历史数据统计分析得到风电场风电功率预测误差的概率分布,然后以风电场集群下发有功指令后各风电场输出的风电功率缺额的数学期望之和最小为优化目标,优化分配风电场集群调度指令,减少因风电有功预测误差导致的风电场群输出有功功率与集群调度要求之间的功率差额。通过风电场实际数据验证了所提方法的有效性和先进性。     

基于灰色－辨识模型的风电功率短期预测

为了准确预测风电机组的输出功率,针对实际风场,给出一种基于灰色GM(1,1)模型和辨识模型的风电功率预测建模方法,采用残差修正的方法对风速进行预测,得出准确的风速预测序列。同时为了提高风电功率预测的精度,引入FIR-MA迭代辨识模型,从分段函数的角度对风电场实际风速-风电功率曲线进行拟合,取得合适的FIR-MA模型。利用该模型对额定容量为850 kW的风电机组进行建模,采用平均绝对误差和均方根误差,以及单点误差作为评价指标,与风电场的实测数据进行比较分析。仿真结果表明,基于灰色-辨识模型的风电机组输出功率预测方法是有效和实用的,该模型能够很好地预测风电机组的实时输出功率,从而提高风电场输出功率预测的精确性。     

计及邻近风电场信息与CNN-BiLSTM的短期风电功率预测

高精度的短期风电功率预测对保障电力系统安全至关重要,因此提出了一种计及邻近风电场信息与CNN-BiLSTM的短期风电功率预测方法,在深度学习预测建模环节除了采用目标风电场的NWP作为输入特征,还引入了邻近风电场的高相关特征。首先综合风速序列、功率序列间的相关性和距离,计算区域内各邻近风电场和目标风电场的复合相似度,并依据相似度排序选择高度相似的邻近风电场作为信息来源;再采用CEEMDAN频域信号分解和时间序列特征扩充构造高维特征集合,并引入浮动搜索特征选择算法对强相关特征进行优选;最后基于被选核心特征,开展基于CNN-BiLSTM深度神经网络的功率预测建模。算例结果表明,相较不引入邻近风电场信息的传统预测方法,所提方法能有效提升预测精度。     

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。     

基于最优平滑阶数的风电功率曲线建模策略研究

由于同一风速下的风电功率存在较大范围的波动,传统风电功率曲线建模方法难以获得较高的精度。提出一种基于最优平滑阶数的风电功率曲线建模策略,首先基于时间序列平滑的预处理方法得到新的输入风速,并以相关系数最大为目标函数选择最优的平滑阶数,再利用BP神经网络拟合得到风电功率曲线。基于西南地区某风电场单机实测数据的仿真研究表明,以最优平滑预处理得到的风速为输入建立的风电功率曲线模型精度显著高于已有方法中以原始风速为输入建立的风电功率曲线模型。     

考虑功率数据相关性的风电功率超短期预测

通过对风电场内部不同区域风电功率序列的相关性进行分析,确定风电机组的空间差异性对风电功率预测产生影响,提出一种提高风电功率超短期预测效果的分层叠加预测方法。基于东北某风电场实测数据的算例分析表明,相同的风电功率预测方法,使用分层叠加法预测比整场预测误差小,更能提高风电功率超短期预测效果。     

基于Copula-SVM的短期风电功率场景预测方法

风电场输出功率具有随机性、间歇性以及可控性弱等特点,提高风电功率预测精度对含有大规模并网风电的电力系统安全经济运行具有重要意义。基于支持向量机(SVM)建立短期风电功率的均值预测模型,利用Copula函数对多时段风电功率的预测误差进行相依性建模,结合风电功率的预测均值和预测误差相依性结构,形成短期风电功率场景集合,可以直接用于机组组合等决策过程中。基于某实际风电场进行仿真分析,结果表明,考虑预测误差相依结构的场景集合能够包含风电功率实际值曲线,显示了方法的有效性。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于 Elman神经元网络的短期风电功率预测模型。运用多层 Elman 神经网络模型对西北某风电场实际 1 h 和 24 h 的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层 Elman 神经网络模型预测效果最佳。这表明利用 Elman 回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

基于改进GM-ARMA组合模型的风电功率中长期预测方法*

风电功率预测是提高风电场功率上报准确率和风电场收益、提高大规模风电并网后电力系统的安全和稳定性的有效方法.目前对于风电功率超短期和短期预测的研究已取得了阶段性研究成果,但是对于风电功率中长期预测方面的研究尚未取得实质进展,预测效果难以满足实际工程应用的需要.针对现有风电功率中长期预测方法存在的缺陷,提出了一种基于改进GM-ARMA组合模型的风电功率中长期预测方法,采用遗传算法优化组合模型的参数,以得到最优模型,进而提高了风电功率预测精度.仿真结果表明该方法对年度和月度风电功率预测均有较好的应用效果,比普通GM-ARMA组合模型具有更高的预测精度.     

风电集群短期及超短期功率预测精度改进方法综述

风电集群短期及超短期功率预测是提升电网健壮性的有力手段。该文总结国内外风电集群短期与超短期功率预测技术的现状,从集群和单个风电场两个方面,归纳风电功率预测技术的分类;从预测流程、数据来源、数据流向、物理层次4个方面论述风电集群功率预测系统的整体框架;提出具有泛化意义的风电功率预测的物理层次结构,并从数据层、映射层、特征层、模型层、反馈层5个不同的层面讨论风电功率预测技术的精度提升方法及其发展方向,对短期、超短期风电功率预测、集群功率预测的研究具有一定参考价值。     

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。     

计及风电场状态的风电功率超短期预测

风电功率的随机波动性是风电功率预测精度提高的瓶颈问题。一方面,风速的波动性使得风电功率是波动的;另一方面,风电场将风能转化为电能的能力也会在一定程度上造成风电功率波动。该文首先分析在功率预测中计及风电场状态的必要性,然后利用随机矩阵理论评估风电场状态,以此为基础提出计及风电场状态的风电功率超短期预测方法。算例结果表明,该方法可以有效的提升风电功率超短期预测精度。     

基于堆叠稀疏降噪自动编码器的地区风电场群高精度超短期风电功率预测

为解决风电功率预测过程中面临的风电数据量大且复杂化以及如何提高预测精度的问题,基于堆叠稀疏降噪自动编码器提出地区风电场群高精度超短期风电功率预测方法。该方法采用自编码器对输入风电功率数据进行降维提取特征,为进一步增强自动编码器的抗干扰性,对其引入稀疏性约束和降噪技术。该方法能够有效降低数据的解析难度和提高特征提取的可靠性。通过实际算例验证,该预测方法可有效提高多风电场功率预测的精度。     

基于ARIMA与双层BP神经网络相结合的风电功率预测方法

为满足风电运行、维护及调度管理需要,提高风电功率预测精度,提出了一种基于ARIMA与BP神经网络的组合风电功率预测方法。介绍了时间序列法与BP神经网络法的基本原理,采用了新的结合方式,综合考虑了风速、风向、以及风电场当地的物理限制,建立了预测模型。通过对某风电场的实测数据进行分析预测及对比,结果表明,该方法能有效提高风电功率预测精度,具有较好的实际应用价值。