基于SDAE深度学习与多重集成的风电集群短期功率预测

风电功率预测(wind power prediction,WPP)技术是电力系统调度与安全运行的关键性因素,为了更好地提升风电功率预测技术的精度,在集成学习的基础上提出了一种多重集成的集群短期WPP方法.所提方法包含4步:第1步,利用变分模式分解、经验模态分解和小波变换将原始风电序列分解为多个子序列;第2步,根据子序列...     

基于超短期风电预测功率的储能系统跟踪风电计划出力控制方法

为最大程度地提高风电跟踪计划出力能力,基于超短期风电预测功率建立了包含5个控制系数的储能系统充放电控制策略,并提出了利用粒子群优化算法实时优化储能系统充放电控制系数的方法,以减少日前短期风电预测误差。以典型风电场出力为例进行仿真分析,对固定系数方法及滚动优化系数方法进行了比较,并分析了影响预测精度的因素,结果验证了所提方法的可行性。     

基于R藤Copula-DBN时空相关性建模的风光荷功率概率预测

计及时空相关性的多维风光荷功率概率预测可全面描述风光荷不确定性,为电力系统安全稳定和经济运行提供保障.提出一种基于R藤Copula-动态贝叶斯网络(DBN)时空相关性建模的风光荷功率概率预测方法.基于R藤Copula模型和传递熵刻画多维变量的空间相关性,建立初始状态的贝叶斯网络;将初始贝叶斯网络在时间点序列上进行延拓,...     

基于预测信息二维坐标动态划分的风电集群功率超短期预测

风电集群的大规模并入电网对功率预测的准确度提出了更高的要求。为能充分利用预测功率信息和数值天气预报(numerical weather prediction,NWP)信息,该文提出一种基于功率变化趋势和风速变化波动的二维坐标的风电场动态分群方法。将4h时间尺度的预测过程分成4个等长时间尺度的循环过程,在每次1h的循环过程中应用平衡迭代规约和聚类(balanced iterative reducing and clustering using hierarchies,BIRCH)对各场站的二维坐标聚类,完成对集群的划分,根据划分结果构建训练集,通过门控循环单元(gate recurrent unit,GRU)模型完成各子集群的功率预测,重复这一过程直至完成4h的超短期功率预测。算例结果表明,所提方法的预测精度相比静态划分提升1.8%,相比统计升尺度提升4.31%,可有效提高风电集群的功率超短期预测准确度。     

风电集群有功功率模型预测协调控制策略

大规模风电的不确定性会造成其有功功率跟踪控制指令偏差大,导致输电断面功率越限,传统控制方法难以有效抑制风电随机性带来的功率波动.为此,该文提出一种风电集群有功功率模型预测协调控制策略.以超短期风电功率预测信息为基础,充分利用当前时间断面以及未来4个时间断面的预测信息,提出基于功率变化趋势因子的风电场动态分群方法,制定多...     

基于BP-AHP风机状态评估的超短期风电功率动态预测研究

针对传统风电功率预测仅考虑气象因素，且无法计及风电机组真实出力状态导致预测精度较差问题，本文提出一种计及风机状态的超短期风电功率动态预测方法。首先，为能够精确评估风机状态，将BP(error back propagation, BP)算法引入层次分析法(analytic hierarchy process, AHP)的评估结构中，构建BP-AHP风机状态评估模型，实现单台风机状态评估；然后，综合考虑地形及机组排布等因素，将风电场所有风机的状态取均值作为风电场状态，利用皮尔逊相关系数衡量所评估状态与功率之间的相关性以验证评估模型合理性，并采用XGBoost构建计及风机状态的动态预测模型；最后，以陕西地区某风电场实测数据进行算例分析，验证了所提方法的可行性及有效性。     

基于BP-ANN的光伏发电功率超短期预测方法

针对光伏发电的间歇性和波动性问题,采用基于BP-ANN建立光伏发电系统输出功率超短期预测模型,利用输出功率的历史值、过往及预测日气象信息,对输出功率进行预测,并提出适用的预测流程及预测误差评估方法。实际应用以及与实时监测数据对比,表明该方法方法误差较小,合格率较高,能够满足应用的要求。     

基于修正晴空模型的超短期光伏功率预测方法

文中旨在提高晴空或有薄云这类小波动场景下的光伏功率超短期预测精度.虽然,太阳辐射的日周期性和年周期性使光伏功率序列具有确定性分量,但是电站和当地气象的详细参数随时间变化且难以获取.为此,提出一个仅依赖少量参数的改进晴空功率计算模型,并在此基础上构建了在线更新参数的预测算法,预测小波动天气下光伏电站未来4h的功率.采用中国吉林省某电站的数据进行了测试,结果表明:所提模型得到的晴空功率曲线可以较准确地拟合小波动天气下的电站出力,而基于在线更新参数的光伏预测结果可以使小波动天气第4个小时的预测误差降低到约3.78％,弥补了相邻晴天方法在一些场景下误差超过5％甚至达到10％的不足.文中所提方法不仅可以提高小波动天气下光伏功率超短期预测精度,也为复杂天气条件下的预测提供了更准确的基准值.     

基于误差前馈预测的多时空尺度风电集群有功功率分层控制策略

随着风电渗透率的提高,风电场存在的可预测性和可调度性差等问题已经凸显。针对上述因素导致风电消纳水平降低的问题,文章提出结合误差前馈预测的风电集群有功功率分层控制策略。首先,提出考虑风电变化趋势的误差前馈模型,将其与小波包分解和持续法模型相结合组成超短期功率预测模型,并根据历史数据的训练情况赋予误差前馈限值。其次,基于此预测模型提出一种多时空尺度的有功功率分层控制策略,该策略在已有调度指令的前提下,通过将控制层分为集群层、场群层和子场层,实现对各风电场的协调控制。最后,基于东北某风电基地的实际运行数据通过MATLAB和CPLEX进行仿真分析,结果证明所提方法改善了风电消纳水平和风电场储能协调出力。     

基于时序动态回归的超短期光伏发电功率预测方法

光伏发电功率预测对于电力系统安全可靠运行以及提高光伏发电产业经济效益具有重要意义。提出一种基于时序动态回归的超短期光伏发电功率预测方法,仅需要历史光伏发电功率数据与数值天气预报作为输入。首先建立光伏发电功率与地表太阳辐射累计值的回归模型,再建立ARIMA模型预测回归残差序列,最后引入傅里叶谐波序列刻画日季节性。根据线性形式与对数形式的回归公式提出两种预测模型,综合二者形成最终的混合预测方法。算例结果表明,与一般时序模型相比,该方法在超短期预测方面预测精度更高。     

基于时空神经网络的风电场超短期风速预测模型

随着风电场的大规模接入,提高风电场风速的预测精度对于促进可再生能源的消纳具有重大意义。传统的预测方法通常根据风电场单一高度的历史风速进行预测,当预测的时间尺度达到三四小时的时候,预测误差较大。不同高度的风速、风向数据蕴含了风电场内部的时空相关性,数值天气预报数据也体现了风电场周边的大气运动对风速发展规律的影响。文中在输入数据层面,同时引入了不同高度的风速、风向数据和数值天气预报数据。为了充分挖掘数据中的规律,提出了一种新的时空神经网络,采用深度卷积神经网络和双向门控循环单元,分别提取风速、风向等历史数据以及数值天气预报的时空特征,并利用融合后的特征进行风速预测。最后,利用中国东北某风电场的实际测量数据,验证了算法的有效性。     

地区电网风电场功率超短期预测方法

针对某地区电网并入多个风电场的情况,论证分析了所有风电场总输出功率变化较单一风电场输出功率变化具有更好的规律性,引入风电总量与风电分配因子这2个概念,提出超短期风电场功率预测模型和求解方法.主要内容包括:风电总量、风电分配因子以及它们之间的随机关联规律;最小二乘支持向量机和卡尔曼滤波技术对风电总量和风电分配因子的自适应动态预测算法;基于关联规律间接实现风电场输出功率的超短期预测.通过实例验证,表明所提出的预测方法无论是在风电场功率预测精度、还是在预测误差分布范围方面都有明显改进.     

Wind Speed Forecasting Based on ARMA-ARCH Model in Wind Farms

Wind speed forecasting is signif icant for wind farm planning and power grid operation. The research in this paper uses Eviews software to build the ARMA (autoregressive moving average) model of wind speed time series, and employs Lagrange multipliers to test the ARCH (autoregressive conditional heteroscedasticity) effects of the residuals of the ARMA model. Also, the corresponding ARMA-ARCH models are established, and the wind speed series are forecasted by using the ARMA model and ARMA-ARCH model respectively. The comparison of the forecasting accuracy of the above two models shows that the ARMA-ARCH model possesses higher forecasting accuracy than the ARMA model and has certain practical value.     

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。     

基于切换输出机制的超短期风电功率预测

超短期风电功率预测可为机组控制和能源经济调度提供重要指导.为削弱风能波动性对于超短期风电功率预测精度的影响,提出了一种引入风速信息的切换输出机制,基于风速与功率的物理模型,分析了风速波动特征.对于波动特征超出门限值的时点,根据机组的惯性运行特性,构建不同风速变化情景下的风速-功率转化模型;对于平缓出力阶段,考虑到时序建...     

基于神经元网络方法的风电场风电功率预报研究

风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。     

基于有限差分运行域的风电场全风况超短期出力动态区间建模

风电功率具有波动大、不确定性强等特点,场级超短期出力在风电机组风况、出力方面的时延性及时空分散性尚未有效解决。首先,针对周期性风向数据,对机组进行风向聚类并划分风向扇区。其次,提出两步相关性分析法,确定对场级出力影响大且相对独立的多元特征风速。然后,基于有限差分运行域定义回归向量,采用长短期记忆神经网络进行超短期时序动态建模,并结合非参数条件核密度估计法和半参数Copula估计法构建区间模型。最后,通过算例仿真验证了动态区间模型的有效性与可靠性。该模型适用分钟级至秒级的风电场动态响应特性建模,对风电场快速一次调频、无功调压等研究具有指导意义。     

基于OVMD-SSA-DELM-GM模型的超短期风电功率预测方法

为了提高风电功率的预测精度,提出了一种基于最优变分模态分解(optimal variational model decomposition,OVMD)、麻雀算法(sparrow search algorithm,SSA)、深度极限学习机(deep extreme learning machine,DELM)和灰色模型(...     

风电场超短期风速预测的相空间优化邻域局域法

基于相空间重构技术和局域预测法,提出一种风电场超短期风速预测的新方法。该方法通过优化的相空间邻域寻找预测状态点在相空间中的邻域点,并建立支持向量回归（SVR）模型。通过考察伪近邻点的比重来选取合适的邻域半径,保证了邻域点与预测状态点的高度相似性,而SVR模型则具有很强的高维非线性拟合能力。实例分析表明,该方法与其他方法相比具有较好的超短期风速预测效果。     

基于独立稀疏SAE的多风电场超短期功率预测

为应对多风电场超短期预测模型中输入和输出变量众多、变量间的时空关系复杂等问题,提出一种基于独立稀疏堆叠自编码器的多风电场超短期功率预测方法.该方法基于降维编码、特征预测和重构解码相结合的预测框架,首先设计了一种独立稀疏双层堆叠自编码器提取多维风电功率的空间独立特征,并将其作为预测对象分别预测,最后将特征预测的结果重构解...