超短期风电功率爬坡事件对风电功率实时预测误差的影响研究

阐述了超短期风电功率爬坡事件的研究背景及定义,建立超短期风电功率爬坡事件的检测和统计方法,利用持续法、支持向量机(SVM)和组合预测法3种风电功率实时预测方法,分析发生超短期风电功率爬坡事件时风电功率预测误差指标的变化,定量给出超短期风电功率爬坡事件对风电功率预测误差的影响。实例表明,风电功率爬坡事件具有小概率高风险特性,风电功率预测精度随着超短期风电功率爬坡事件频率的增大而降低。     

基于IBSO-SDT的风电爬坡事件检测方法

为提升风电爬坡事件的检测效果，针对含电池储能的风电场，提出基于改进天牛群优化旋转门算法的爬坡事件检测方法。首先，对天牛群搜索算法进行改进，利用其搜索旋转门算法的最优门宽，并据此提取风电功率的特征数据点；然后，对特征数据点进行处理以消除“凸起”现象，进而连接相邻两个数据点形成一个风电特征时段，将风电特征时段进行分类，结合爬坡方向对其进行编码，并依据编码结果进行合并；接着，结合给出的含电池储能风电场爬坡事件定义，对合并后的风电特征时段进行爬坡事件检测；最后，利用某风电场实际运行数据对检测方法进行仿真，并与多种爬坡事件检测方法进行对比，验证了所提方法的有效性。     

高比例风电系统的爬坡备用需求评估

在极端天气情况下,风电功率会在短时间尺度内发生大幅度的变化,出现风电功率高风险爬坡事件,严重威胁电力系统的安全稳定运行。开展爬坡备用的需求评估,有助于减小风电出力波动和预测误差对电网运行带来的不利影响。为保障高比例风电系统的备用充裕度,提出一种基于门控循环单元和非参数核密度估计法的组合区间爬坡备用需求预测方法。首先,将风电功率实际数据和日前预测数据构建成多变量时间序列,基于门控循环单元（gate recurrent unit,GRU）模型提高预测结果的准确度。进而,采用非参数核密度估计方法对风电功率预测误差进行置信区间估计,得出给定置信区间下的风电功率预测区间。最后,根据区间预测结果,预测爬坡事件并提取爬坡特征量,建立爬坡备用需求评估模型,评估得出爬坡备用容量需求。基于西北某省级电网的数据开展了算例测试,验证了所提方法的有效性。     

基于前置分解组合预测方法的风电功率爬坡预测研究

我国高集中大规模的风电并网发展模式,使风电功率的波动性和不确定性对电网稳定造成越来越大的影响。在目前风电功率爬坡研究的基础上,提出了一种结合前置分解的组合预测算法,并建立了组合预测模型。通过对风电功率爬坡事件的特性分析,对其进行了有效地预测。文章以上海市启东风电场的风电功率数据为实例,通过仿真验证了所提出的组合预测算法能有效地进行风电功率爬坡预测,其预测精度比当前的预测算法有所提高。     

联合气象驱动生成和风速修正辅助的风电功率日前预测

随着风电渗透率的不断提高,准确预测风电功率对于构建高比例新能源的新型电力系统具有重要意义。针对该问题,文章提出一种联合气象驱动生成和风速修正辅助的风电功率日前预测方法,通过分析不同类型风电出力的气象特征,以气象特征作为驱动条件设计生成对抗网络,通过修正的数值天气预报(numericalweather prediction,NWP)信息指导风电功率的生成,根据以修正风速计算的参考功率和历史风电出力的连续性从多组生成风电功率中确定最终预测功率。使用实际风电场数据对所提出的方法进行了测试,并与几种典型的预测方法进行对比验证,结果表明该方法具有更高的准确度。     

考虑相关性的含风电电力系统日前灵活性调度方法

含风电电力系统的传统调度侧重于时段内功率平衡,而忽略了相邻调度时段间的功率波动,因此造成大量弃风,文章针对该问题提出了灵活性调度方法。首先,将风电场依据相关性分组,采用通用生成函数方法建立由风源风速预测信息到每组风电场总出力的爬坡状态概率分布,结合由预测序列建立的负荷爬坡概率分布得到系统净负荷爬坡概率,引入风险价值理论得到系统上下灵活性需求;其次,根据所建立的常规机组和抽水蓄能电站灵活性调节模型,以运行成本与灵活性服务费用之和最小为目标,考虑灵活性需求约束与网络安全约束,提出了一种含风电电力系统灵活性优化调度模型;最后,通过改造的IEEE-118测试系统验证了文章所提出方法的正确性与有效性。     

基于小波深度置信网络的风电爬坡预测方法

为了提高风电爬坡事件预测的准确性,提出一种基于深度学习的具有特征自适应选择的小波深度置信网络(WDBNAFS)算法。首先,分析风电功率混沌特性。然后,对时间序列数据进行小波分解,设计特征自适应选择算法选取建模数据作为预测模型的输入变量。最后,采用深度置信网络构建风电爬坡事件预测模型,设计基于实际生产数据的实验验证所提出算法的有效性。仿真结果表明,所提出算法预测准确率可达90%以上。     

基于SAM-WGAN-GP的短期风电功率预测

针对风电功率预测精度低且模型不稳定的问题，提出基于双阶段注意力机制生成对抗网络（SAM-WGAN-GP）的短期风电功率预测模型。首先，在生成对抗网络的生成模型中引入自注意力机制和时间注意力机制，通过自注意力机制自适应的选择输入特征，并通过时间注意力机制捕获风电数据时间序列的长时间依赖性；判别模型采用卷积神经网络，提高模型的预测精度。其次，将SAM-WGAN-GP网络的生成器损失函数和均方根误差结合作为目标函数，以提高模型的稳定性，同时为解决判别器缓慢学习的问题，引入双时间尺度更新规则（TTUR）以平衡网络的训练过程。最后，以甘肃省酒泉市某风电场的实际运行数据为例，验证SAM-WGAN-GP模型不仅能自适应选择输入特征，而且可捕捉风电数据的长时间依赖性，并提高预测精度。     

基于生成对抗网络和深度残差神经网络的变电站异物检测

变电站电力巡检能够保证变电设备安全运行,及时发现潜在危险和隐患。传统方法主要依靠人工完成,需要较多的人力物力,并且由于变电站异物入侵的偶然性和突发性,传统方法很难预测发生的时间和地点。针对该问题,提出了基于生成对抗网络和深度残差神经网络的变电站异物检测技术。利用深度残差神经网络提出图片的特征,结合区域推荐网络和池化分类器实现目标的分类和定位。利用生成对抗网络生成样本扩充训练数据库,提升了网络的学习能力。最后利用真实变电站的图片数据进行测试,提出的方法具有较高的异物识别准确度,并且比较了不同种类不同数目的训练集,验证了通过生成对抗网络扩充样本的有效性和可行性。     

水电站径流和关联源荷的年时序场景概率预测

为在水电消纳优化调度中充分考虑径流和关联源荷功率的时序波动性和随机性的影响，减少弃水事件发生，提出一种水电站径流与关联源荷年时序场景概率预测方法，模拟生成日均径流量和关联源荷功率的年时序典型场景及其发生概率。通过自组织映射神经网络聚类历史旬场景生成旬典型场景，反映丰枯不同水文条件下径流和关联源荷旬内变化的差异性和典型性；基于马尔可夫转移概率、多场景条件概率和历史年“近大远小”相似性原则，构建旬场景随机生成模型，使模拟场景既能准确拟合实际径流和源荷功率年内时序变化的随机性、季节性和条件相关性等统计特征，又能体现年间趋势性变化规律；结合旬间波动量校验对年时序场景蒙特卡罗模拟，并通过k-means场景缩减获得径流和关联源荷的年时序典型场景及其发生概率。实际水电站算例结果表明，该方法具有精度高、适应性强、预测信息全面等优点。     

Ultra short‐term probability prediction of wind power based on LSTM network and condition normal distribution

Considering the inevitable prediction errors in the traditional point predictions of wind power, in this paper, a new ultra short‐term probability prediction method for wind power is proposed, in which the long short‐term memory (LSTM) network, wavelet decomposition (WT), and principal component analysis (PCA) are combined together for ultra short‐term probability prediction of wind power, a conditional normal distribution model that is developed to describe the uncertainty of prediction errors. First, WT and PCA are jointly used to smooth the original time series, then the point prediction model for subsequence data based on LSTM network is proposed. It is worth pointing out that the input matrix of the model includes many features, such as wind power and wind speed, which will be helpful for improving prediction performance. After optimizing the index of the ultra short‐term probability prediction interval (PI) of wind power by particle swarm optimization (PSO), the conditional normal distribution model of prediction errors is developed. Thus, the ultra short‐term PIs for wind power are obtained. Finally, based on the data of two wind farms in China, simulation results are provided to illustrate the usefulness of the proposed prediction model. It follows from those results that the proposed method can improve the accuracy of prediction, and the reliability of probability prediction for wind power is also improved.     

基于熵权时序模型的超短期风电功率预测

针对风电具有较强的随机性和波动性,传统的单一预测方法难以准确描述其规律且预测精度较低的问题,提出风速熵和功率熵的概念,在时间序列法的基础上分别采用基于风速和基于功率的预测方法,并根据风速熵和功率熵的计算结果动态设置预测点的权值,建立风电功率的熵权时序模型。算例分析结果表明,所提方法能有效提取风速及功率历史数据中的有用信息,提高超短期风电功率预测精度,预测结果的准确率和合格率均优于神经网络法、时间序列法和基于风速法。     

基于特征变权的超短期风电功率预测

针对当前风电功率预测过程中历史信息利用不充分及多维输入权重值固定忽略了不同时间维度的特征重要性的问题,提出一种基于特征变权的风电功率预测模型。该方法利用随机森林（RF）分析不同高度处的风速、风向、温度等气象特征对风电输出功率的影响程度,并利用累积贡献率完成气象特征的提取。对提取的特征及历史功率信息利用奇异谱分析（SSA）去噪,以去噪后的数据作为输入建立级联式FA-CNN-LSTM多变量预测模型对超短期风电功率进行预测。通过在CNN-LSTM网络中增加特征注意力机制（FA）自适应挖掘不同时刻的特征关系,动态调整不同时间维度各输入特征的权重,加强预测时刻关键特征的注意力,从而提升预测性能。基于某风电场实测数据的算例分析表明,所提方法可有效提高超短期风电功率预测精度。     

基于信息融合和堆叠模型的超短期风电功率预测

针对超短期风电功率预测,准确捕捉功率变化因素和建立混合预测模型是提高预测精度的有效手段之一。为了能够继承和整合单个模型的优点以及增强历史信息的表示和利用能力,文章提出了一种基于信息融合和堆叠模型的超短期风电功率预测模型。首先,利用相关性方法选择历史功率序列和历史测风塔数据的特征,作为预测模型的输入;然后,建立两层堆叠的集成模型作为预测模型,并使用交叉验证和超参数优化以增强预测模型的泛化性能;最后,以每个基学习器的输出作为元学习器获得最终预测值的新输入。通过东北某风电场真实数据的验证,以及与单一模型、深度神经网络模型和集成学习模型的对比,验证了所提模型的可行性和有效性。     

考虑风电并网的分时段短期电价预测

考虑了并网风电量对电价影响,并将相关系数作为选取电价影响因素的标准,考虑了历史电价、负荷、并网风电量与负荷的比值等影响电价的因素。分别将负荷与历史清算电价,等效负荷与历史清算电价,负荷、并网风电量与负荷的比值及历史清算电价作为神经网络的输入因子对市场清算电价进行分时段预测。算例采用丹麦电力市场的历史数据,分别对其2010年并网风电量所占比例较大和较小的日期进行预测,验证了选择负荷、并网风电量与负荷的比值及历史清算电价作为预测神经网络的输入变量是恰当的,其预测精度能够满足电力市场实际运行的需要。     

考虑风电不确定性的电热系统经济调度

随着风电等新能源大规模并网,其出力的不确定性给电力系统日前调度带来很大挑战。传统的研究方法多是假设风电功率预测误差服从某种概率分布,但风电功率预测误差受到多种因素影响,概率分布模型无法准确描述其特性。为此,采用基于神经网络的组合预测方法对风电功率误差进行建模,再将预测的风电误差加入到包含热电机组、火电机组、风电、储热装置和电锅炉的热电联合优化调度模型中,最后以实际的10机系统为例进行仿真,分析了风电预测误差对机组出力、风电消纳及调度成本的影响。结果表明,与传统方法相比,所建模型可减少机组燃煤成本与旋转备用成本,降低了经济调度成本,提高了风电消纳水平。     

基于NACEMD-Elman神经网络的风功率组合预测

在电力系统中风电装机容量增长的背景下,高精度的超短期风功率预测是保证系统可靠运行的重要基础。为此,提出一种以复数据经验模态分解的噪声辅助信号分解法(NACEMD)和Elman神经网络为基础的超短期风功率组合预测方法。在风功率序列中添加白噪声,使用NACEMD将其按照不同波动尺度逐级分解,得到不同时频特性的分量,然后利用Elman神经网络对各分量建立预测模型,以各分量的不同时频特性为基准对预测结果进行叠加,得到风功率预测值。实例分析表明,提出的组合预测法既可进一步减轻现有方法中存在的模态混叠现象,具备较高的预测精度。研究成果可为风功率预测提供参考。     

考虑历史相似性加权的超短期风电功率组合预测

提出一种基于历史相似性加权的超短期风电功率组合预测方法。首先,采用数值天气预报数据、风电历史数据分别作为极限学习机、长短期记忆网络的输入特征并产生预测数据;然后,通过加权灰色关联算法提取与待预测点特征近似的历史数据,评估并校正两类预测模型的预测结果。采用美国科罗拉多州某风电场实际运行数据进行训练与验证,并使用不同加权方法进行对比。结果表明,基于历史相似性优化方法可改善预测效果,缩小预测误差分布范围,验证了该文方法的有效性。     

数据驱动的时间注意力卷积风电功率预测模型

由于风电受气象特征影响大,风能波动性和间歇性强,导致快速、精准的风电预测成为一个难题。对此,该文提出一种基于数据驱动的时间注意力卷积网络的风电功率预测方法。首先,将来自风力机和数据采集（SCADA）系统的数据进行清洗;然后采用可并行计算的时间卷积网络,并加入Attention机制突出关键特征的影响,使模型训练速度和预测精度得到有效提升。实验结果表明,该文所提方法与其他方法相比可更准确地减少数据噪声,同时有更高的预测精度和更快的训练速度。     

基于生成对抗网络多变量风电时间序列异常值处理

将孤立森林算法应用于风电数据的异常值检测,利用改进的GRUI神经单元基于WGAN网络进行缺失值插补。在内蒙古风电场的真实数据集上验证了所提方法的有效性,并与KNN、GAN等方法进行对比,验证了模型的有效性,具有更好的插补精度。