数据分辨率影响风电功率预测精度分析

目前对风电功率短时预测的研究主要集中在预测方法上,而缺乏对数据本身特性的探讨。从实测数据出发,呈现3种典型分辨率5 min、10 min、15 min,并结合Elman神经网络算法对超短期（4 h）和短期（24 h）的风力发电机输出功率进行预测分析。结果表明：分辨率为10 min的原始数据对风电输出功率的超短期预测具有更好的结果,15 min分辨率的数据对风电功率的短期预测结果更佳。采用合理分辨率的数据后,能够有效地提高风电功率的预测精度。     

基于生成对抗网络的风电爬坡功率预测

风电的波动性和随机性,尤其是功率爬坡事件严重威胁着电网运行的安全和稳定。功率爬坡是极端天气影响下产生的,属于小概率事件。其极低的发生概率导致历史爬坡样本数量严重不足,并制约了传统功率预测模型的预测精度。针对此类问题,提出一种基于生成对抗网络的风电爬坡功率预测方案。将历史爬坡数据和模拟特征量作为输入,通过生成器和判别器的对抗训练,生成大量与历史爬坡数据特征相似的模拟爬坡数据,实现爬坡数据集的扩充。再将扩充后的爬坡数据集输入给长短期记忆神经网络算法,进行风电爬坡功率预测。通过仿真测试,验证了该方法在历史爬坡数据匮乏情况下风电爬坡功率预测的有效性。并与传统预测方法进行了对比,证明了其预测的精确性。     

南方电网风电功率预测系统应用扩展研究

相比北方大型风电大多建于较为平坦内陆区域,南方电网区域内很多风电场则建设在相对复杂的地形环境,其中较有代表性的是高山、丘陵和海岸风电场,给风电功率预测系统的运行提出较大挑战。风电功率预测系统应用扩展性研究目的是使预测系统能在复杂而多变的实际现场应用场景下保持一定精度水平,满足系统用户需求。研究了南方电网区域内典型风资源特性和风电出力特性,根据这些特性,围绕当前预测系统功能流程中的三个主要技术环节——多输入数据源、功率预测建模和预测结果展现,提出应用扩展性研究框架。该项工作可以用于在数值天气预报精度有限的条件下改善预测精度,并且指导预测系统各技术环节中子技术选项的灵活组合方案,提高预测系统在工程现场的应用价值。基于南方电网区域内某风电场历史数据,论证了所提方法的有效性。     

风向偏差角对风机功率预测的影响

提高风电功率预测准确率对风电场和电力系统的稳定运行都具有重要意义。风机偏航系统理论上可使得风机叶片自动适应环境风向的变化,但风向偏差角仍普遍存在。应用国电集团江西省某风电场的实测数据,分析了风向偏差角的分布特征及其对风机输出功率的影响。结果表明：风向偏差角具有显著的正态分布特征及日变化规律,当风速一定时,风向偏差角越大,则风机输出功率越小。进一步将风向偏差角引入预测模型,发现可有效提升风电功率预测的准确性,预测相关系数提升0.9%,均方根误差降低7.9%、平均绝对误差降低8.6%,表明在风电功率预测模型中,考虑风向偏差角的影响具有积极意义。     

基于风电机组状态的超短期海上风电功率预测

提出一种基于风电机组状态的超短期海上风电功率预测模型。首先,综合考虑海上环境因素以及风电机组部件间的相互作用建立指标的预测模型,以长短期记忆神经网络的预测误差作为监测指标的动态劣化度;然后采用模糊综合评价法对风电机组的运行状态进行评估,依据评估结果对风电机组历史运行数据进行划分;最后根据分类后历史运行数据建立基于机组状态的超短期风电功率预测模型。结合国内某海上风电场实例数据进行分析,算例结果表明所提方法可有效提高风电功率预测精度。     

基于VMD-SSA-LSSVM的短期风电预测

为解决由于风电预测中出现的波动性和随机性造成风电功率预测精确度不高的问题,提出一种基于变分模态分解（variational mode decomposition,VMD）、Tent混沌映射、随机游走的麻雀搜索优化算法（sparrow search algorithm,SSA）和最小二乘支持向量机（least squares support vector machines,LSSVM）的组合模型。首先应用鲸鱼优化算法（whales optimization algorithm,WOA）对VMD的核心参数（K值和惩罚系数α）进行自动寻优。经过WOA-VMD对原始风电功率时间序列分解过后,引入改进的麻雀搜索算法SSA优化最小二乘支持向量机LSSVM中的学习参数,然后对分解得到的各个子序列建立SSALSSVM预测模型;最后叠加各个子序列的预测值并得到最终预测值。经实验仿真对比,该文组合模型较现有单一预测模型和普通组合模型在预测精度上有较大提高。     

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...     

提高风出力预测精度的储能系统模糊控制策略

风气象信息的精细化程度不够高会造成风电场风出力预测精度的降低,给电网调度增加了难度。在风电场中配置锌溴电池储能系统是提高风电场日前预报精度的有效措施,对储能装置控制是其关键问题。文章采用模糊控制方法,搭建了储能系统模糊控制规则库,根据电池储能系统荷电状态SOC的变化来控制储能充放电功率;并将所提出的控制策略在新疆达坂城风电场-储能联合发电系统中进行了仿真验证,与传统控制策略进行了对比分析。研究结果表明,采用模糊控制策略的储能系统能够更有效地提高风出力短期预测精度,85%的预测值达到了国家电网要求。     

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、...     

混合储能提高风出力预测精度研究

风气象信息精细化程度不够造成风电场风出力预测精度低,给电网调度增加了难度,采用储能装置可提高预测精度,但是合理又经济地配置储能容量较困难。文章提出在风电场中配置蓄电池和超级电容器混合储能系统,提高风电场日前预报精度;通过高通滤波器得到误差变化较快的成分,由超级电容器来弥补;由蓄电池来弥补剩余变化较慢的误差成分。综合考虑这些误差变化特点及储能充放电功率发生概率特点,合理选取储能额定容量,并且分别搭建了超级电容器和蓄电池储能系统模糊控制规则库,根据各自荷电状态SOC优化分配混合储能充放电功率。最后对新疆某风电场并入混合储能进行了仿真分析,结果表明:采用模糊控制策略的混合储能系统能够更显著有效地提高风出力短期预测精度。     

基于数据分层预处理的短期风功率预测研究

良好的风速和风功率预测是解决风电并网问题的关键。针对样本数据中的无效点影响风功率建模问题,采用分层统计法对风功率进行统计分析后获得了风速—功率关系带,对功率进行修正,根据修正后的数据应用灰色—马尔可夫链模型进行预测,并与比恩法和经验公式法进行对比分析。结果表明,风功率分层统计法可有效地消除坏点数据,预测精度高。     

风电场发电量预测技术研究综述

首先综述了风电在我国的发展现状,分析了目前风电场接入电网急需解决的问题,然后总结了现在风电场发电量预测模型的研究方法。接着分析了风电场发电量预测技术国内外的研究现状和发展趋势,最后提出了基于混沌理论的风电场发电量预测的方法。     

风速廓线在风电场功率预报中的应用

过分析我国内陆河北省张北县和吉林地区风电场内的风速廓线变化特性发现,各高度间风速的差异分布大体相同：各高度间风速差异由夜间到白天逐渐缩小,在中午达到最小,由白天到夜间逐渐增大,并且在各个阶段又相对稳定,即在日出后由地面向上的热量输送逐渐增强,湍流加强,各层间的风速差异减少,并迅速趋于稳定,直至日落湍流减弱。各层间的风速差异迅速增大,并趋于稳定。这一规律的发现对解释涡轮高度不同时间、相同风速条件下风机出力不同及风电功率建模有重要意义。     

风电功率预测预报系统的设计与开发

鉴于风电场的输出功率预测对电网的安全运行具有重要意义,采用C/S结构,在Windows Server 2008 R2操作系统上的.NET3.5框架环境下进行系统开发,以SQL SERVER2008作为整个系统的数据支撑,设计开发了一套适用于不同环境的风电场的输出功率预测预报系统,制订了标准化与可订制的数据通讯接口,提供了独立的后台自动化预报模块,具有6种短期功率预报算法和4种超短期功率预报算法,风电场可根据实际运行情况选择最优的预报方法运行。系统应用结果表明,该系统短期预报的准确率达80%以上,超短期预报的均方根误差在15%以下,能满足国家能源局和国家电网相关要求。     

风电场风速及风电功率预测方法研究综述

由于风能的随机性以及电力系统的非线性等原因,预测风电功率时需要考虑众多的不确定因素影响。现有预测方法主要包括物理预测方法、统计预测方法以及学习预测方法、综合预测法等。基于数字天气预报(NWP-numerical weather prediction)的物理预测方法模型复杂、计算量大,较少用于短期预测;统计预测方法模型简单,数据需求量少,较适合于数据获取有一定困难的情况;人工智能预测方法不依赖于对象的精确模型,适合于随机非线性系统;综合预测方法可一定程度地扬长避短。本文主要就风电场风速及风电功率预测方法研究进行了综合阐述,并在总结前人研究的基础上提出了一些可进一步研究的问题。     

酒泉地区风电场风电功率预报研究

利用NOAA天气预报模式Weather Research andForecasting Model(WRF)结合统计订正方法对酒泉地区短期风电功率预报进行了预报实验。与实际出力比较24 h短期风电功率预报精度较高。并在此基础上利用风电场附近测风塔观测数据通过时间序列发进行了0~4 h超短期预报实验,预报结果显示0~2 h预报结果有利于运行调度。     

大型风电场超短期风电功率预测

针对大规模风电场风电功率的非线性特性,采用最小二乘支持向量机（LS—SVM）的预测模型。由于LS—SVM的参数选择直接影响着模型的预测精度,于是采用一种基于量子粒子群优化方法来选择模型的超参数。为了弥补模型损失的鲁棒性,通过给每个样本误差不同的权系数,建立了具有良好泛化性能的WLS—SVM回归模型,从而进一步提高了模型预测的精度。本文提出一种基于量子粒子群优化（0uantum—behaved Particle Swarm Optimization,QPSO）参数选择的加权最小二乘支持向量机（Weighted Least Squares Support Vector Machine,WLS—SVM）的超短期风电功率预测模型。应用上述方法对内蒙古地区大型风电场进行了预测,结果证明了该方法的有效性。     

基于核极端学习机的短期风电功率预测研究

随着风力发电的大规模发展和并网运行,风电场输出功率的精确预测对电力系统的运行具有重大意义。针对风力发电功率具有非线性和非平稳的特性,利用经验模态分解和核极端学习机结合的方法对短期风力发电功率预测进行研究。通过经验模态分解把风电功率时间序列分解成为一系列相对平稳的子数据序列,对每个子数据序列采用核极端学习机算法分别进行模型建立与预测,把每个预测模型得到的子数据序列预测值相加获得最终的风电功率预测值。基于此方法的某风电场输出功率实例数据预测仿真结果表明,该方法的预测模型能更好地跟踪风电功率的变化,预测误差比单独KELM方法减小7.6%,比EMD-SVM方法减小1.7%,能够在一定程度上提高风电功率预测的准确性。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

风电功率预测技术的应用现状及运行建议

针对我国风电开发中遇到的风电接入困难、电网调度困难等问题,对国内外解决此类问题的风电功率预测技术进行了详细的阐述。指出我国急需开发风电功率预测系统,并根据我们的风电功率预测研究经验提出了我国风电功率预测宜采用风电企业和电网共同实施的运行模式。希望对我国的风电功率预测发展起到一定的促进作用。