基于典型代表电站和改进SVM的区域光伏功率短期预测方法

准确的区域光伏功率预测作为解决光伏并网消纳和多能互补问题的技术之一受到越来越多的关注,提出一种基于典型代表电站和改进支持向量机(SVM)的区域光伏功率短期预测方法.通过K-means聚类将同一地区光伏电站划分到不同汇聚区,使用历史数据和3种数学相关系数计算得到各汇聚区典型代表电站,并通过4类光伏功率指标分析各典型代表电站与汇聚区的一致性,基于此,以改进SVM代替传统的滚动预报形成区域功率预测模型.实际算例分析表明,所提方法可提升区域光伏功率短期预测精度.     

新投产风电场的短期风速预测模型建立

常规的风电场功率预测建模主要方法是将数值天气预报产生的气象要素输入基于历史scada数据建立统计模型,得到全场预报总功率。但是新投产的风电场没有历史scada数据,而风电场功率预测的准确性主要依赖于短期风速预报的精度。因此,为提高新投产风电场功率预测的准确性,短期风速预报的建立是基于数值气象预报的物理模型和统计模型相结合的方式。首先,通过数值气象模式输出风电场测风塔处轮毂高度层的气象要素;其次,通过建立神经网络模型和多元线性回归两种统计方法对模式输出数据进行修正;最后,对误差的来源进行分类分析。在江苏某风场的测试结果表明,较传统的方式,预测精度有了明显的提高,该方法能够消除数值气象预报的振幅偏差,但相位偏差仍是误差的主要来源。     

基于近邻传播聚类与LSTNet的分布式光伏电站群短期功率预测

为了应对分布式光伏渗透率不断提高带给电网运行的挑战,提出了一种基于近邻传播聚类与长短期时间序列网络(LSTNet)的区域分布式光伏电站群短期功率预测模型。首先,利用近邻传播算法划分区域内不同季节的分布式光伏电站群,并通过皮尔逊相关系数确定光伏出力的强相关气象因子,结合双线性插值法加密对应光伏电站群的气象数据。然后,通过LSTNet挖掘光伏功率和气象因子序列的长期和短期时空依赖,并叠加自回归的线性分量,实现了群内多个光伏电站的同时预测。最后,利用美国国家能源部可再生能源实验室的实测数据集验证了所提方法的有效性。实验比较表明,所提预测模型具有较高的预测精度和鲁棒性。     

基于改进灰色神经网络组合模型的光伏电站短期出力预测

针对单一灰色模型和神经网络模型自身的缺陷对传统灰色神经网络组合模型预测精度的影响问题,提出一种基于改进的灰色神经网络组合模型的光伏电站短期出力预测方法。通过把历史日最高和最低气温以及功率数据作为输入,将改进后的单一灰色模型和神经网络模型进行串联组合。采用粒子群优化算法对该组合模型的权值和阈值进行优化,得到改进的灰色神经网络组合模型,可实现提前一天功率预测。某光伏电站群的实测数据验证了该预测方法能够有效提高预测精度。     

基于数据增强的分布式光伏电站群短期功率预测(二):网格化预测

在数据增强的基础上,提出了地域全覆盖的网格化分布式光伏电站群短期功率预测方法。该方法将大区域分为小网格,基于曲线特征距离筛选全区域相似日,降低个别网格数据扭曲的影响,采用三维卷积神经网络建立网格化辐照预测到网格化光伏功率输出的映射关系,最后通过发电起止时刻校正进一步提高精度。仿真计算显示,所提方法相较于现有无辐照预测、单网格独立预测等方法有效提高了分布式光伏电站群功率预测的准确性和鲁棒性。     

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。     

基于集群划分的短期风电功率预测方法

风电功率预测的快速全覆盖对区域风电的优化调度意义重大,现有预测算法均无法解决这一问题。为此,采用模糊聚类分析实现对风电场出力特性的有效识别和风电场集群的合理划分,将主成分分析用于区域空间特征气象参数的提取,建立了基于集群划分的区域风电功率预测技术框架。算例结果表明,单个集群的预测精度略低于传统逐风电场建模的预测精度;随着预测范围的扩大,区域集群预测与传统预测方法的精度相当,但建模量明显减少。基于集群划分的短期风电功率预测方法可在保证预测精度的同时,显著提升建模效率。     

基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测

准确预测光伏发电功率对电网调度具有十分重要的意义.该文提出一种基于灰色关联分析和GeoMAN模型的光伏发电功率短期预测方法.首先,利用灰色关联分析对某地区多光伏电站进行空间相关性分析,选取与待预测光伏电站高度相关的周边电站;然后,基于GeoMAN模型动态提取待预测光伏电站的时空特征和外部气象因素,GeoMAN模型采用编解码结构,利用编码器动态提取待预测光伏电站的站内特征和与周边相关电站的站间空间特征,利用解码器提取输入变量的时间特性,并融合晴空指数和数值天气预报动态输出光伏发电预测功率;最后,采用实际光伏电站进行案例分析,结果表明该文所提出的预测方法与传统LSTM模型相比,实现了更高精度的光伏发电功率短期预测.     

基于相似数据的支持向量机短期风速预测仿真研究

风电场功率预报是减小大规模风电并网对电网造成不良影响的有效手段,提高短期风速预测的精度是保障风电场功率预报的重要基础。提出了基于相似数据并结合小波分析的支持向量机短期风速预测方法。该方法从大量的数据样本中提取相似数据创建训练样本,采用小波分解技术将风速信号分解成低频趋势信号和高频随机信号,分别采用支持向量机理论建模,合成得到风速预测数据。仿真结果表明,相似数据有效地提高了数据的相关度,小波分解使支持向量机模型更好地拟合风速信号的低频和高频特性,提高了预测精度。通过与某风电场的实际风速数据验证,表明模型具有较强的泛化能力,程序运行时间可满足工程需要。     

基于数据增强的分布式光伏电站群短期功率预测(一):方法框架与数据增强

目前我国的分布式光伏短期功率预测多缺乏功率与气象要素的历史实测和预报数据,难以直接复制集中式光伏的成熟技术路线,现有无辐照预测路线误差较大.本系列论文分为上下两篇阐述一种基于数据增强的分布式光伏电站群预测技术.此文为上篇,研究数据增强技术,包括基于时空相关性的缺失功率数据重构方法和基于三维神经网络的辐照预测加密模型,实...     

基于GA-BP和POS-BP神经网络的光伏电站出力短期预测

当前在光伏电站出力短期预测方面较多的采用BP或者优化的BP神经网络算法,存在采用的优化算法单一、缺乏多种优化算法比较选优、预测误差大的问题。基于本地5 k W小型分布式光伏电站,综合考虑影响光伏出力的太阳光辐射强度、环境温度、风速气象相关因素和光伏电站历史发电数据,分别采用BP以及遗传算法和粒子群算法优化的BP神经网络算法—GA-BP和POS-BP构建了晴天、多云、阴雨三种天气条件下光伏出力短期预测模型。实测结果表明,三种神经网络算法预测模型在三种不同天气条件下均达到了一定的预测精度。其中GA-BP、POS-BP相比传统的BP预测模型降低了预测误差,且POS算法相比GA算法对于BP神经网络预测模型的优化效果更好,进一步降低了预测误差,适用性更强。     

基于自适应滚动匹配预测修正模式的光伏区间预测

为解决传统点预测方式难以量化光伏发电功率不确定性的问题以及提高预测精度,提出一种基于自适应滚动匹配预测修正模式的光伏区间预测方法.通过结合小波能量的谱聚类方法对历史光伏数据集进行聚类,构建不同类别的模型输入和区间输出并采用宽度学习系统进行训练;建立不同类别、不同置信区间、不同预测功率区间的stable误差分布,并结合优...     

基于改进混沌时间序列的风电功率区间预测方法

风电功率区间预测是预测给定置信水平下风电功率的上限和下限,可以反映风电功率的变化范围,为调度提供有效的辅助信息。考虑风电功率的混沌特性,提出了基于改进混沌时间序列的风电功率区间预测方法。由于风电功率具有强间歇性和波动性,传统的混沌时间序列方法在风电功率区间预测中难以获得好的聚类效果和高的预测精度,影响了功率区间预测的结果。引入蚁群聚类算法和支持向量机,利用蚁群聚类算法的强搜索能力和支持向量机的强预测能力对传统方法进行改进,获得了更好的区间预测结果。将改进方法应用于英国和德国风电场的风电功率区间预测中,对比分析改进方法与基于神经网络的功率区间预测方法和传统方法在不同置信水平下的预测结果,验证了所提改进方法的有效性。     

基于误差分类的风电功率区间评估

为了提高风电功率的区间评估精度,结合预测误差数据的特性,提出了一种基于误差分类的区间评估方法。首先,引入K-means聚类算法,以欧氏距离为聚类指标对风电预测误差的整体水平进行分类。然后,建立误差区间评估模型,以风电功率数据和历史预测误差为模型输入,以预测误差区间为输出,利用长短期记忆(LSTM)神经网络深度学习模型输入和输出之间的关联。最后,利用Elia网站风电数据进行验证,结果表明,与其他评估模型和传统的误差概率分布方法相比,所提方法更能抓住误差数据的特性,能够得到更为准确的风电功率区间评估结果。     

基于高斯混合模型聚类的风电场短期功率预测方法

对任意来流条件下的风电场发电功率进行准确预测,是提高电网对风电接纳能力的有效措施。针对大型风电场的功率预测采用单点位风速外推预测代表性差的局限,提出基于高斯混合模型(GMM)聚类的风电场短期功率预测方法。方法结合数据分布特征,利用GMM聚类将大型风电场划分为若干机组群,借助贝叶斯信息准则指标评价,获得风电场内最优机组分组方案。实际算例验证表明,按照小时级、月度级、年度级等时间尺度进行统计,所建立的GMM聚类模型均极大地提高了未分组的风电功率预测模型的准确性。相较于应用广泛的k-means聚类、层次凝聚聚类等方法,GMM聚类方法在分组功率预测中表现出了显著优势,为大型风电场短期功率预测模型的优化及运行经济性的提升提供了技术支持与依据。     

基于时序生成对抗网络的月度风光发电功率场景分析方法

针对月度风光发电功率模拟面临的变量维度高、时空特征复杂等难题,提出一种基于时序生成对抗网络的月度风光发电功率场景分析方法。采用基于RV系数的聚类技术提取代表性日发电状态,基于Markov链刻画风光日发电状态转移规律;引入缩放点积注意力机制与时序卷积网络,构建时序生成对抗网络,模拟日内风光发电功率的时序性及空间相关性;提出月度风光发电功率场景的随机生成方法。考虑电网中长期分析需求,建立月度风光发电功率场景的优化削减方法。最后,采用我国东北地区6座风电场和6座光伏电站的历史发电功率数据,验证所提方法的有效性和正确性。     

计及历史数据熵关联信息挖掘的短期风电功率预测

对风电功率历史数据进行关联信息挖掘,将有助于提高短期风电功率预测的准确度和计算效率。为解决风电功率预测模型的输入、输出变量的相关性冗余问题,尝试采用了一种基于信息熵和互信息的熵相关系数指标,旨在量化评估不同历史日风电样本与待预测日参考样本间的复杂非线性映射关系,并与线性相关系数、秩相关系数、欧氏距离指标进行了对比研究。同时,设计了一种BP神经网络改进模型,通过亲密样本筛选、隐含层结构寻优、网络权重赋初值等环节,克服了传统预测模型的训练数据冗余度大、收敛速度慢问题,提高了预测模型的泛化能力和计算效率。对某风电场实测数据的算例分析表明,所提出的方法在改善短期风电功率预测性能方面具有应用可行性。     

基于Copula理论的风/光出力预测误差分析方法的研究

准确预测风/光出力能够提高电力系统经济调度的可靠性。本文提出了一种新型的风/光出力预测误差分析方法,在基于点预测数据基础上,针对风电出力和光伏出力点预测精度不高的问题,采用Copula函数分别计算风电出力和光伏出力的实际值和预测值的联合概率分布,采用聚类的方法分别按天气类型和季度分析历史数据,分别对风电出力和光伏出力预测误差进行建模以提高预测精度,同时在各环境下考虑风电场和光伏电站的相关特性,使预测更加准确。以某风/光电站实际出力数据、天气、时间等为样本进行了实例研究,通过与传统预测方法进行对比验证了模型的精确性。