风电功率概率预测研究综述

从风力发电被人们应用起,风电功率预测一直是研究的热议话题.由于风能自身的波动起伏、随机不定,导致风电功率具有一定的不确定性.目前风电功率大部分研究针对其点预测,但考虑风电功率固有的波动特性,其点预测的预测精度有限.然而准确可靠的风电功率预测对于电力系统运行是必不可少的.鉴于风力发电的不确定性,概率预测提供了一种独特的方案,即:提前估算和量化风电并网对系统运行潜在的影响以及风险.故风电功率概率预测将会成为风电功率预测的热门方向.文中归纳总结了风电功率概率预测已有的研究成果,并对风电功率概率预测未解决问题及将来发展趋势进行展望.     

基于CNN–LSTM的风电场发电功率迁移预测方法

随着能源消耗的持续增长和全球气候问题的日趋严峻,以风能为代表的清洁能源装机容量正在稳步提升。为更好地消纳风电,需要准确的风电场发电功率预测为配套设施建设和未来规划制定提供有效依据。针对在缺少风电历史运行数据时预测精度较低的问题,提出一种基于卷积神经网络–长短期记忆神经网络（CNN–LSTM）的规划阶段风电场发电功率预测模型。首先,基于参考电站历史数据提取风速–风电功率实测数据点,采用3次样条插值进行风电功率曲线建模。然后,采用K–means聚类算法,根据风速–风电功率的特性关系划分参考风电场的区域类别。综合考虑风电功率与多维气象因素的特征关系和功率的时序特性,构建CNN–LSTM预测模型,提出基于功率曲线的预测结果修正方法。最后,基于某地风电场实际数据进行算例分析,并与使用标准功率曲线和未进行修正时的预测结果进行对比分析。结果表明：基于风速–风电功率特性的风电场聚类可以实现参考风电场的优化识别;所提模型预测结果优于传统标准功率曲线预测方法,基于功率曲线的修正方法进一步提升了预测效果。基于深度学习算法的规划阶段风电场发电功率迁移预测模型综合考虑了风力发电特性和多维环境因素,其有效性得到了...     

考虑风速波动特性的VMD-GRU短期风电功率预测

提高风电功率预测的精准度能为大规模风电并网提供安全保障,为此提出一种考虑风速波动特性的短期风电功率组合预测方法.首先,定义5种风速波动类型,对数值天气预报中的历史风速序列进行波动类型划分,得到不同风速波动类型的天气时段;其次,将这些天气时段对应的历史风电功率序列进行分类,采用变分模态分解算法对各类风电功率序列进行分频计算,得到特征、频段互异的多个子模态;然后,利用门控循环单元神经网络建立每个子模态预测模型,将各个子模态预测结果进行叠加,得到风电功率预测值;最后,对待测时段的风速序列进行波动类型划分和识别,选取相匹配的功率预测模型计算出最终预测值.利用某实际风电场的数值天气预报风速数据和功率数据进行仿真分析,验证所提组合预测方法的有效性.     

基于循环神经网络的城市轨道交通短时客流预测

为更好地预测城市轨道交通的短时客流情况,提出了基于循环神经网络模型的预测方法。首先,针对轨道交通进出站客流数据,利用Pearson相关系数确定短时客流影响因素;然后,改进K-means聚类算法划分高、中、低客流量三类轨道站点,分析客流时空分布规律及高峰时间段;最后,采用分别基于长短时记忆神经网络（LSTM）与门控循环单元（GRU）的短时客流预测方法,预测不同类型站点在不同时段的客流。实验结果表明：5 min为预测的最佳时间粒度,在此时间粒度下GRU模型整体性能优于LSTM模型。     

基于风速功率关系带的时间序列法预测研究

在运用时间序列法预测风速及风电功率的基础上,采用分层统计法对16台风电机组的风速功率数据进行统计分析,得出基于实测数据的风速功率关系带,用于提取有效历史功率点,达到提高风电功率预测精度的目的．运用MATLAB软件编程实现预测,并选取合适的误差衡量指标进行误差分析．     

轨道交通断面流仿真预测系统中需求生成

针对断面流仿真预测系统中输入起讫点(origin-destination,OD)矩阵的时间跨度与需求生成时间粒度不一致问题,结合进站量短时预测构建需求生成组合策略,将OD矩阵时间跨度离散化为等长子时段,基于自动售检票机实时传输的统计客流量预测短时进站量,确定子时段内需求分配比例,从而使需求生成过程沿着子时段客流波动轨迹变化.以北京市轨道交通某站为例进行实证分析,结果表明:对比既有单一时段内基于泊松分布的需求生成,所构建的需求生成策略与实际客流到达规律吻合度提高了约22.89%;对比多种进站量短时预测模型,认为卡尔曼滤波模型能够满足在线预测的时效与精度需求.     

山西电网风电功率预测及监控系统建设

山西电网风电功率预测及监控系统实现了符合精度要求的风电有功功率的短期和超短期预测,为优化调度系统（OPS）提供决策依据,为风电发电功率计划和控制提供了决策依据和指令下发手段。对风电输出功率进行预测被认为是提高电网调峰能力、增强电网接纳风电的能力、改善电力系统运行安全性与经济性的最有效、经济的手段之一。首先,对风电场出力进行短期预报,将使电力调度部门能够提前为风电出力变化及时调整调度计划,从而减少系统的备用容量、降低电力系统运行成本。这是减轻风电对电网造成不利影响、提高系统中风电装机比例的一种有效途径。其次,从发电企业（风电场）的角度来考虑,将来风电一旦参与市场竞争,与其他可控的发电方式相比,风电的间歇性将大大削弱风电的竞争力,而且还会由于供电的不可靠性受到经济惩罚。提前对风电场出力进行预报,将在很大程度上提高风力发电的市场竞争力。     

基于TPA-MBLSTM模型的超短期风电功率预测

风速变化的间歇性和波动性给风功率的精准预测带来极大挑战,充分挖掘风电功率与风速等关键因素的内在规律是提高风电功率预测精度的有效途径。提出一种结合时间模式注意力（time pattern attention,TPA）机制的多层堆叠双向长短期记忆网络的超短期风电功率预测方法。首先,利用基于密度的含噪声空间聚类方法（density based spatial clustering with noise,DBSCAN）和线性回归算法进行风功率数据集的异常值检测,利用k最邻近（k-nearest neighbor,KNN）插值法重构异常点数据;其次,综合考虑风电功率与各气象特征的内在关联性,在MBLSTM网络中引入TPA机制合理分配时间步长权重,捕捉风电功率时间序列潜在逻辑规律;最后,利用实验仿真数据进行分析验证本文方法的有效性,该方法能够充分挖掘风功率与风速影响因素的关系,从而提高其预测精度。     

基于门控递归单元神经网络的风速误差修正模型短期风电功率预测

随着风力发电的日益普及,风电功率预测已成为辅助电网调度和电力交易的基础.针对短期风电功率预测问题,提出一种基于门控递归单元神经网络的数值天气预报风速误差修正模型.首先,提取数值天气预报风速误差的标准差作为权重,并根据数值天气预报风速时间序列对这些权重进行重新排列,得到权重时间序列.然后,提出基于双向门控递归单元神经网络...     

基于自抗扰控制器的风力发电系统最大功率追踪控制

论述了风力发电系统中风能最大风能捕获的基本原理,介绍了永磁同步发电系统双ＰＷＭ 换 流器结构．使用功率自抗扰控制器和两个电流自抗扰控制器,设计出了永磁同步发电机最大功率追 踪控制系统．自抗扰控制器将风机的机械转矩扰动等外部干扰进行估计和补偿,使得发电机组按照 最大功率点跟踪方式运行,提高了系统跟踪性能,实现了风力发电系统的最大功率输出．通过不同 风速条件下的建模仿真,验证了自抗扰控制算法的有效性和实用性．     

基于时间序列和神经网络法的风电功率预测

为克服风速与风电功率之间的非线性关系对预测精度的影响,建立了基于时间序列法和神经网络法的改进预测模型。用时间序列法建立风速预测模型;利用神经网络法建立风速-风电功率模型,并以风速预测数据为输入量预测风电功率。以某风电场为例,比较分析了该改进模型与传统预测模型的平均绝对误差和相关系数,结果表明该改进预测模型可有效提高预测精度。     

风电机组无传感器功率追踪控制策略

针对传统最佳叶尖速比风能追踪方法需要准确测量风速的问题,从风电机组输出电功率的角度出发,提出了一种基于风速预估的改进叶尖速比风能追踪控制策略.根据风电机组的转速和输出电功率求解验证预估风速,进而实现无传感器叶尖速比风能追踪.仿真结果表明,所提出的改进叶尖速比控制策略在无风速传感器的情况下仍具有良好的追踪精度,同时具有较好的实时性和鲁棒性,能降低测量风速对叶尖速比控制性能的影响,证明了所提出控制策略的有效性.     

基于遗传BP神经网络的短期风速预测模型

为了提高风电场短期风速预测精度,提出将遗传算法和反向传播(BP)神经网络相结合的预测模型.采用自相关性分析找出对预测值影响最大的几个历史时刻风速,以历史时刻的风速、温度、湿度和气压作为BP神经网络预测模型的输入变量;利用遗传算法的全局搜索能力获得BP神经网络优化的初始权值和阈值;采用优化后的BP神经网络分别建立1、2、3 h的短期风速预测模型.实验结果表明,该方法较BP神经网络具有预测精度高、收敛速度快的优点.     

风电功率特性分析及其不确定性解决方案

风力发电对电力系统的不利影响主要源自风电自身功率的随机性,风电并网问题的关键在于如何解决风电功率的不确定性.为此,需要首先对风电的波动特性进行深入分析,然后针对主要矛盾方能提出合理的解决方案.采用频域分析法对风电功率的波动特性进行详细分析,明确风电功率变化的频域分布.介绍风电功率预测和储能技术用于解决风电功率不确定性的应用,并根据频域分析结果给出储能技术选择的原则.风电功率预测与储能技术能够从根本上解决风电功率的不确定性,为风电等不确定性电源并网问题提供新思路.     

基于经验模态分解的PSO-SVM风电功率短期预测

针对风电功率预测对精确度的要求,结合风电机组功率特性曲线及支持向量机非线性拟合,提出了一种基于经验模态分解(EMD)的粒子群算法(PSO)优化支持向量机(SVM)功率短期预测模型。即将EMD分解后的各个风速序列分量通过PSO-SVM模型预测,将得到的各分量预测结果叠加后得到风速预测值,将该值输入功率转化曲线,即可得到最终的风电功率预测结果,以实现对风电机组功率的预测。通过对某地区风电场实际风速为例进行的仿真误差对比分析,得知该组合预测模型不仅有效可行,且有效提高了短期风电功率的预测精度。     

风电场发电功率短期预测组合模型研究

随着风电机组装机容量的持续高速增加以及大规模风电场的建设,各个国家(地区)的电网对风电的重视程度也在增加,风电场发电功率的短期预测对于风电场并网以及电网的调度起着至关重要的作用。提出基于相空间重构理论RBF神经网络功率预测模型,通过判断功率时间序列的混沌属性,还原其规律性,以达到提高预测准确度的要求;结合时间序列模型,建立了组合预测模型。通过对结果进行对比分析,显示组合模型可以得到较高的短期发电功率预测准确度,更好地满足实际现场需要。     

一种新型的风光耦合发电方式

设计了一种新型风光耦合发电方式一太阳能热风发电。它是在太阳能热气流发电的基础上,增设可控进风口形成的。发电系统打开迎向自然风的进风口．使原来的太阳能热气流发电系统能够利用自然风能。发电系统不仅能够进行太阳能发电,而且可以进行太阳能和风能混合发电。介绍了200kW太阳能热风发电系统的结构设计与建设,该系统于2010年10月并网发电,发电运行结果证明了其风光耦合的发电特性。     

考虑尾流效应的海上风电场可靠性评估

提出了考虑尾流效应的风电出力模型,用于电力系统可靠性评估。通过分析复杂风机局部遮挡和尾流效应的影响,建立了考虑复杂地形的部分遮挡尾流效应模型。利用MATLAB软件对不同风速、风向和机组布置下的尾流效应进行了计算,模拟了风场在不同风速和风向下的快速建模。该模型可以更准确地描述风电场风速和风向输出功率的变化,对于调节海上风电场输出的间歇性和随机性有一定的参考作用。     

基于支持向量机的短期风电功率预测

风电场风速及风电机功率预测的准确性对电力系统运行有着重要的意义。基于支持向量机理论,结合江西省某风电场的风速和功率历史数据,建立了支持向量机风速预测模型,预测未来4 h的风速和功率。仿真结果表明:该模型预测的风速和功率平均相对误差分别为6.35%,16.83%,要优于BP神经网络的25.37%,25.43%。