优选状态数的MCMC算法在风电功率序列生成中的应用

传统马尔科夫链蒙特卡洛(MCMC)法的状态数选择常依赖于人工经验,应用于风电功率序列建模时难以较好地同时模拟原始风电功率序列的概率分布特性和自相关特性。针对该问题,提出一种优选状态数的MCMC(OSN-MC)算法。首先给出MCMC方法状态数的选取范围,其次在该范围内以生成序列与原始序列的自相关函数的误差平方和最小为原则确定优选状态数,然后利用各状态对应功率范围内的累积分布函数抽样生成随机风电功率,提高优选状态数下生成风电功率序列对于原始序列分布特性的模拟精度。应用OSN-MC法和MCMC法对中国、美国和欧洲的12个风电场生成风电功率序列,并与原始实测序列进行特性比较,结果表明:OSN-MC法生成的风电功率序列对原始序列的分布特性和自相关特性的模拟效果均优于MCMC法所生成的风电功率序列。     

基于时序-支持向量机的风电场发电功率预测

准确的风电场风电功率预测可以有效地减轻风电场对电力系统的不利影响,同时提高风电在电力市场中的竞争力。基于时间序列法和支持向量机法, 对风电功率预测进行研究,提出预测风电功率的时序-支持向量机预测方法。该方法用时间序列法建模,选取影响风电功率最大的参数作为支持向量机预测模型的输入变量;为提高预测精度,提出基于时间点运动轨迹演化的方法选取与预测时刻功率相似的样本作为模型的训练样本。实例验证结果表明,该方法有效地提高了风电功率预测精度。     

基于改进马尔科夫链的风电功率时间序列模型

模拟风电功率时间序列在风电并网系统的规划和评估研究中具有重要意义,针对原始马尔科夫链在风电功率建模上无法保留其自相关性的不足,构建了一种基于改进马尔科夫链的风电功率时间序列模型。首先分析了风电功率的季节特性、日特性和波动特性;然后将风电功率数据按照不同月份及时段进行了细致划分,生成相应的状态转移概率矩阵;最后,对风电功率波动量的概率分布进行拟合,并叠加波动量,建立了基于改进马尔科夫链的风电功率时间序列模型。实例分析表明,本文所建新模型生成的风电功率序列能够保留历史序列自相关性,同时在一般统计参数、概率密度分布和自相关性三方面的准确性也优于已有模型。     

计及风电场状态的风电功率超短期预测

风电功率的随机波动性是风电功率预测精度提高的瓶颈问题。一方面,风速的波动性使得风电功率是波动的;另一方面,风电场将风能转化为电能的能力也会在一定程度上造成风电功率波动。该文首先分析在功率预测中计及风电场状态的必要性,然后利用随机矩阵理论评估风电场状态,以此为基础提出计及风电场状态的风电功率超短期预测方法。算例结果表明,该方法可以有效的提升风电功率超短期预测精度。     

单机风电功率人工智能预测模型综述

单机风电功率预测依据风机轮毂风速的历史数据预测风电功率。风速与功率的高比例关系使得电力调度系统对风电功率预测精度的要求较高,此外,风速具有间隙波动性和随机性,使得风速和风电功率序列呈现出很强的非线性。人工智能在处理非线性预测问题上具有优势,对单机风电功率预测建模有一定的价值。本文介绍了基于人工智能的单机风电功率预测模型的建立过程,阐述了模糊逻辑等人工智能方法在单机风电功率预测中的应用与特点,探讨了单机风电功率预测模型存在的问题,提出了对提高单机风电功率预测模型性能的一些见解。     

基于Volterra自适应滤波器的风电功率混沌预测

风电场风电功率短期预测对并网系统的安全、经济和稳定运行具有重要意义。利用C-C法对风电功率时间序列进行了相空间重构;计算了风电功率时间序列的最大Lyapunov指数,两者均证实风电功率时间序列具有混沌特性,可采用混沌方法对其进行预测。利用不同阶数的Volterra自适应滤波器对风电功率进行短期预测。应用于2个不同风电场进行验证,结果显示：Volterra自适应滤波器能够反映出风电功率序列未来变化的趋势,并可以达到较高的一步预测精度,但阶数不同,预测精度不同,阶数越低,精度越高。     

基于相空间重构的风电功率波动特性分析及其对预测误差影响EI北大核心CSCD

精确的风电功率预测是保证含大规模风电电力系统安全稳定运行的重要基础。为提高风电功率预测精度,已开展了诸多研究,新的预测方法不断涌现。但任何方法都无法保证无差预报,究其原因,风电功率的预测精度不但和预测方法有关,还与风电功率波动特性有关。该文阐述了评价风电功率波动特性的必要性;在相空间重构基础上,利用递归图和递归率对风电功率时间序列波动特性分别进行了定性和定量的刻画,以表征风电功率波动新模态产生的机率;分析了不同空间尺度下递归率的变化规律,建立了分析风电功率时间序列波动特性与预测误差关系的方法,最后给出了利用递归率为风电场管理机构确定切实可行且公平的预测精度考核指标提供依据的方法。文章算例说明了方法的有效性。     

基于K-means MCMC算法的中长期风电时间序列建模方法研究

构建风电功率时间序列模型对电力系统中长期规划、年/月调度和安全稳定运行具有重要意义。针对传统马尔科夫链-蒙特卡洛法(Markovchain-MonteCarlo,MCMC)法存在的缺陷,提出一种基于粒子群优化的K-means MCMC风电时间序列建模新方法。首先,对历史风电功率数据进行聚类,并对聚类后的不同类别风电功率序列选取最优状态数,分别建立状态转移矩阵;其次,用拟合度较好的混合高斯分布拟合多时间尺度的风电最大波动率的概率分布特性;最后,采用基于类间转移概率矩阵的MCMC方法依次生成模拟风电出力时间序列;同时,在生成模拟序列过程中叠加高频波动分量,使模拟序列延续历史风电序列的波动特性。通过对比本所提方法和传统MCMC法分别生成的模拟风电出力序列以及历史风电功率序列,验证了所提方法的有效性和准确性。     

基于时间序列的多采样尺度风电功率多步预测研究

风力发电联网运行是实现风能大规模开发利用的主要途径,准确的风电功率实时预测是实现风能大规模合理调度的有效手段。文章建立了基于时间序列的多采样尺度风电功率多步预测模型。对于周期分量利用建模域均值法进行预测,剩余分量通过平稳性检验后利用多采样尺度时间序列法进行预测。利用两个不同风场的实测风电功率数据,进行不同时间段的实时预测,与持续法和时间序列法的滚动预测模型相比,该预测模型能有效地提高预测精度。     

基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测

随着风电渗透率的不断提高,如何对风电出力进行精准可靠预测是电力系统调度部门所面临的巨大挑战。当前,中国已具备较为成熟的风电功率预测解决方案,但其在转折性天气时段仍会出现极端预测偏差。同时,转折性天气数据集相对于常规功率预测数据集而言属于小样本,如何在小样本数据集下实现准确建模是精度提升的关键。针对上述问题,提出一种基于多场景敏感气象因子优选及小样本学习与扩充的转折性天气日前风电功率预测方法,该方法通过优选与构造多重场景转折性天气过程下的气象敏感特征,利用时间序列生成对抗网络对多场景气象敏感特征小样本集进行扩充,并采用长短期记忆神经网络对扩充后的敏感气象因子与风电观测出力序列之间的非线性关系进行建模。采用吉林某风电场数据进行算例验证,结果表明所提模型能够在一定程度上提高包含转折性天气的日前风电功率预测精度。