基于数字孪生的光伏发电功率超短期预测

光伏发电功率超短期预测对减小光伏并网对电网冲击及维持电网安全运行具有重要意义。提出一种基于数字孪生的光伏发电功率超短期预测机制,通过构建数字孪生体进行实时、高精度的光伏功率预测。首先根据GA-BP神经网络(geneticalgorithm-backpropagationneuralnetwork)构建光伏发电功率预测虚拟模型,并通过多维度的传感器采集光伏电池以及周围环境的各项孪生数据,同时更新历史数据库。然后以采集到的孪生数据为基础进行功率预测并得到初步预测结果。最后通过相似气象搜索,得到相似情况下的实际功率值和当时的预测功率,进而修正初步预测结果,得到最终预测功率。仿真算例结果表明,所提方法能有效提高光伏发电输出功率超短期预测精度。     

基于数字孪生混合储能的风电功率波动平抑策略

针对风电出力的波动性和预测的不准确性,提出一种基于数字孪生混合储能(digital twin hybrid energy storage,DTHES)的控制策略,对储能设备的运行效率进行优化.该策略综合考虑了风电并网波动、预测模型误差和储能设备的使用效率.首先,将注意力机制(Attention)引入门控循环单元(gat...     

基于LSTM与迁移学习的光伏发电功率预测数字孪生模型

文章提出了一种基于长短期记忆网络(long short term memory network,LSTM),面向光伏发电功率预测的数字孪生模型,并通过迁移学习将此模型应用到其他投入运行时间较短、数据不足的光伏系统发电功率预测中。光伏发电功率由于受到太阳辐照度、温度和一些随机因素的影响,具有较强的间歇性和波动性,因此很难进行精确的光伏功率预测;所提出的数字孪生模型,实现了与光伏系统物理实体的同步和实时更新,因此获得比传统预测方法更准确的预测结果,同时利用从历史数据充足的光伏系统中学到的知识来辅助历史数据有限的光伏系统建立发电功率预测数字孪生模型,不仅可以得到精确的预测结果而且节省了模型训练时间。文中通过Queensland大学开源网站中3个不同站点以及山西晋能清洁能源公司的光伏历史数据验证了所提方法的有效性。     

基于关联分析及堆栈自编码器的气象敏感负荷功率估算方法

气象敏感负荷的逐年增长是夏季电网负荷不断攀升的重要原因,准确估算此类负荷功率对电网运行调度、估计地区需求侧响应能力均有益处。提出了改进典型相关分析方法,建立了负荷-气象非线性关联模型,基于此可计算历史负荷数据中的气象敏感负荷功率。建立了基于堆栈自编码器(SAE)的气象敏感负荷功率估算模型,利用SAE的无监督学习提取日负荷曲线的降维特征,利用关联模型的计算结果作为有标签样本训练估算模型的全连接层,从而由日负荷曲线直接获得气象敏感负荷功率曲线。基于实际电网数据的算例结果验证了所提方法的有效性。     

用于Buck变换器监测的嵌入式概率数字孪生控制器

目前,数字孪生技术已经具备对给定物理系统进行测试和诊断的能力,可以完成对给定物理系统的预测和健康管理。该技术依靠给定物理系统实时更新的数据建立起相应的数字模型,并将数字模型作为与物理系统进行比较的并行参考,通过监测确定物理系统的运行状况。然而在电力电子功率变换器领域,使用此项技术进行控制器监测的研究相对较少,针对此问题,借助概率数字孪生和广义多项式混沌理论,提出一种用于Buck变换器监测的嵌入式概率数字孪生控制器。通过实验验证当功率变换器的占空比和元器件参数发生改变的情况下,所提方案的有效性和可行性。     

基于Apriori算法的气象与电网缺陷关联研究

灾害性气象是造成电网缺陷进而导致电力设备出现故障的最主要因素,本文试图找出灾害性气象因素与电网缺陷的关系,通过改进现有Apriori算法,得到了适应南方沿海电网的关联模型。论文还讨论了样本数(异常气象样本偏少)导致的支持度偏低的问题。文末通过南方某电网实例解释了模型的应用。     

基于LightGBM 的变压器故障预测在数字孪生变电站中的应用

变压器是变电站中主要设备之一,其安全运行对于变电站的运转起着至关重要的作用,因此对变压器故障进行预测对保障变压器的平稳运行有着重要意义.提出基于 LightGBM 的预测模型,将其应用在实际数字孪生变电站中.首先对特征量进行选择,并使用 PCA 对数据进行降维;其次用 LightGBM 算法构建模型并对测试样本进行模型精准度验证,证明了算法的可用性;最后与其他机器学习算法对比,分析模型的不足,并对 LightGBM 算法在变压器故障预警中的深入应用提出了改进方向.     

基于数字孪生的柔性生产线状态感知

柔性生产线的数字孪生可以实现柔性生产过程运行状态的实时感知,并利用孪生数据优化生产.为此,提出了一种基于数字孪生的柔性生产线状态感知方法.首先建立了该方法的体系架构,并对系统实现中的3大关键技术,基于Unity 3D的数字孪生模型搭建、基于OPC UA的异构设备数据实时获取及基于孪生模型的状态感知分别进行了详细论述.最...     

大规模风电接入的电网发电调度研究综述

由于风电出力具有随机性和间歇性,大规模风电接入给传统的电力系统调度运行带来新的挑战。风功率预测精度一定程度上不能满足实际要求,因此文章归纳国内外相关研究成果,并分别从两个方面展开论述,首先论述风电场与常规机组联合调度的模型,包括风电确定性模型和风电不确定性模型,概述了当前的建模方法,并对常用的算法进行总结,然后介绍储能技术及其发展状况,对风电场与储能设备协调配合抑制风电场出力波动的研究进行详细介绍。文章最后为考虑大规模并网风电场的发电调度进一步研究提出了意见和建议。     

基于人工神经网络的风电功率预测

风电场输出功率预测对接入大量风电的电力系统运行有重要意义。对风速和风电场输出功率预测的方法进行了分类。根据风电场输出功率的影响因素,建立了风电功率预测的神经网络模型。分析了实测功率数据、不同高度的大气数据对预测结果的影响。建立了基于神经网络的误差带预测模型,实现了误差带预测。研究结果表明,神经网络的结构和输入样本对预测结果有一定的影响;实测功率数据作为输入可以提高提前量为30 min的预测精度,而对提前量为1 h的预测精度会降低;把不同高度的数据都作为神经网络的输入比只采用轮毂高度数据的预测精度高;设计的神经网络能够对误差带进行预测。     

计及气象因素和风速空间相关性的风电功率预测模型

建立了一种计及数值天气预报中气象因素和风速空间相关性的组合加权风电功率预测模型.首先,考虑到数值天气预报数据中的风速精确度不高,建立了基于高斯过程的数值天气预报风速修正模型,计入其他气象因素,如风向、温度、湿度、气压等,进行风电预测.同时,基于目标风电场与相邻风电场区域的风速空间相关性分析,求得其最大相关系数点的延迟时...     

基于空间相关性的风电功率预测研究综述

由于风电具有很强的随机性和波动性,因此大规模风电并网会对电力系统的运行和稳定性造成很大的影响。如何准确预测区域风电场的功率已经成为当今电力系统亟待解决的研究课题。现有的风电功率预测方法未考虑空间相关因素,预测体系有待进一步完善。基于空间相关性的风电功率预测是一种考虑了本地信息和空间相关信息的综合预测方法。文中给出了基于空间相关性的风电功率预测的定义、概念和基本特点,分别从统计模型、物理模型、空间降尺度过程和空间升尺度过程4个方面详细阐述了基于空间相关性的风电功率预测的实现方法,并对空间相关性在风电功率预测方面应用的最新国内外研究进展作了系统的分析评述。最后,针对该领域尚存在的问题与不足,总结了今后的发展方向和需要进一步探索的研究内容。     

基点气象相似聚合的短期风电功率预测方法

提出了一种基点气象相似聚合的短期风电功率预测方法。先以风电功率预测时间点(简称基点)的气象为核心对历史气象记录按灰色关联度进行相似聚合,以突出基点气象对应的风电功率变化规律。再对聚合中历史记录的气象因素按因子分析法降维、求取独立因素,以去除原始气象因素之间的相关性、降低因果关系的非线性度。然后基于径向基神经网络建立"独立因素-风电功率"的映射关系,从而实现风电功率预测。结合实例对此方法进行了仿真,结果表明,此方法预测得到的风电功率,其准确度比基于主成分的径向基神经网络方法的高、比径向基神经网络方法的更高。     

风电场功率预测物理方法研究

对风电场输出功率进行预测是增加风电接入容量、提高电力系统运行安全性与经济性的有效手段,风电场功率预测的物理方法不受历史数据的限制,可用于新建风电场的功率预测。对基于物理原理的风电场功率预测方法进行研究,提出了适用于工程应用的预测方法,该方法采用解析原理分析风电场局地效应与风电机组尾流影响,具有鲁棒性强、计算时间短等特点。通过与某风电场实测功率比较,表明预测方法可以实现对风电场各种典型出力方式的预测,整体预测与逐点预测的准确性满足功率预测的工程应用要求。受数值天气预报(numerical weather prediction,NWP)计算网格分辨率与模式的影响,预测方法对风电场输出功率快速变化的预测能力相对较差,提高NWP数据的准确性是改善预测结果的有效手段。     

基于FT-GT模型的风电短期功率预测

随着风电接入规模的增加,风电功率预测日益重要。研究了一种基于分形理论(FT)与灰色理论(GT)模型相结合的短期风电功率预测新方法。建立了基于分形理论的风力发电功率预测模型,并对模型进行了求解。使用灰色理论对分形模型的分维数进行优化,提高模型预测精度。使用FT-GT模型和灰色模型两种方法进行预测,并利用真实数据进行预测同时与实际值做出比对分析。仿真结果表明,该风电功率预测方法相对灰色模型具有较高的预测精度。     

基于t Location-Scale分布的风电功率概率预测研究

风电功率特有的随机波动性,导致风电功率点预测方法的预测精度不高,增加了风电并网的难度,致使风电场弃风现象严重。基于风电功率点预测的基础上,风电功率概率预测可以预测出风电功率的波动范围,为电力系统的安全运行以及电网调度运行给出不确定信息和可靠性评估依据。提出了一种基于t location- scale分布的风电功率概率预测方法,即采用t location-scale函数来描述风电功率预测误差概率分布,并以此建立误差分布,基于已建立的误差分布可以进行概率预测。并引进了覆盖率和平均带宽来评价预测区间的优劣程度。利用吉林省西部某风电场历史数据验证了该方法的可靠性。     

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。     

基于SSA-ELM的短期风电功率预测

准确的风电功率预测可以有效地保证电力系统的安全运行,进而影响电网的电力调度,所以高精度的预测方法变得至关重要。针对极限学习机（ELM）随机产生输入权值和阈值导致回归模型不稳定性与预测结果不准确性,以及风电波动性和间歇性等问题,提出一种基于麻雀算法（SSA）优化极限学习机的组合预测模型（SSA-ELM）。利用收敛速度快、精度高、稳定性好的SSA对ELM的权值和阈值进行寻优,实现了对风电功率的精确预测。仿真结果表明,所提出的SSA-ELM模型的预测精度较高、泛化能力强,能够为风电的功率预测及并网安全的稳定运行提供决策支持。     

基于多维时间序列和BP神经网络的短期风电功率预测

由于风电的高度波动性和随机性,大规模的风电功率预测已成为制约中国风电发展的瓶颈。提出一种针对小采样间隔的风电功率数据的多维时间序列BP神经网络预测模型。通过对原始风电功率序列进行处理得到不同时间维度的风电功率均值序列进而组成多维时间序列,采用改进的嵌入维最小预测误差法求取多维时间序列相空间重构时间延迟和嵌入维,利用重构相空间中预测点的近邻点建立BP神经网络预测模型。以实际风电场数据进行验证,证明了该模型可以有效处理风电功率预测问题,算法耗时减少了约9s,同时显著提高预测精度约18.94%。