基于相似日选取样本的短期风电功率混沌预测

为减小构成初始条件的样本数据所导致的预测误差,本文借鉴负荷预测中基于相似日选取样本的思想,采用趋势相似度的概念选择相似日作为模型输入量,对短期风电功率进行混沌预测。选择我国某区域风电功率数据作为研究对象,考虑不同预测步长和季节差异,进行了大量的算例仿真,结果验证了该方法提高混沌预测精度的有效性和适用性。     

基于时间序列的风电功率日前预测模型及其应用

风电场发电功率随风速的无序变化是电网无法大规模接纳风电的关键因素,准确地预测风电场输出功率对电力系统大量接入风电有重要意义。针对风电功率无序变化的特征,基于时序分析法分别建立了指数加权移动平均和一阶差分自回归滑动平均的风电功率日前预测模型,进而运用穷举搜索法确定了指数加权移动平均模型的最佳加权因子为0.7,并得到此模型的风电功率预测值。同时,通过样本自相关函数定阶和最小二乘估计的方法,求得一阶差分自回归滑动平均模型的风电功率预测值。结果表明,一阶差分自回归滑动平均模型的风电场功率预测值的均方根误差比指数加权移动平均模型低0.88%,相应的准确率和合格率较高,可见一阶差分自回归滑动平均模型更能提高风电功率的预测精度。     

采用时间序列预测风电场出力

基于时间序列的方法,采用自回归滑动平均(ARMA)模型进行短期风速预测;考虑风力发电机组排列布置时尾流效应的影响、风电场址地面粗糙程度、空气密度、风向变化以及不同型号风机功率特性的差异等因素,采用Jasen尾流模型建立了大型风电场的综合模型。结果表明,合理的风电场布置方案有利于减小尾流效应的影响,从而提高风电场出力。     

基于自适应移动平滑与时间卷积网络误差修正的风电功率预测

为了解决风电功率预测误差对电力系统调度运行影响的问题,提出一种基于自适应移动平滑(adaptive movement smoothing,AMS)和时间卷积网络(temporal convolutional network,TCN)误差修正的风电功率预测方法.该方法首先利用变分模态分解和TCN提取风电功率的时空特性,得...     

运用广义回归神经网络预测风电场功率

运用广义回归神经网络对风电场出力提前了24h预测。对引入数值气象预报信息与不引人数值气象预报信息两种情况的预测结果进行了比较分析。首先,对前15d的风功率数据进行训练,通过交叉验证,建立模型,预测了未来一天的风电场出力。然后加入历史风速数据,对历史风速和风功率进行训练,利用数值气象预报信息,预测未来1d的风功率。通过算例表明,使用广义回归神经网络模型预测未来1d的风电场出力,预测结果能够跟踪实际风功率,同时加入数值气象预报信息的预测结果较不加入数值气象预报信息的神经网络预测,精度有所提高。     

混沌时间序列预测技术

介绍了解决非线性系统辨识与预测问题的各种方法,如混沌时间序列全局、局部、半局部建模预测方法,分析了各种方法的优缺点,这些方法可广泛应用于各工程领域,但在大多数情况下,更适宜使用局部化方法。     

一种新的风电场风速时间序列建模及 超短期预测方法

提出了一种新的风速时间序列建模方法。首先,将归一化后的历史风速时间序列分解为矢量集,按相似性度量原则提取相似性最高的多个矢量作为模型训练样本对的输入,再取相应矢量的下一时刻风速值作为训练样本对的输出,然后采用自适应模糊推理系统来对风速序列建模,再通过多步循环预测实现了风速的超短期预测。以上海地区某风场的实际风速数据为例,验证结果显示预测模型具备良好的精度。     

基于混合高斯分布的风功率横向时间序列概率密度建模研究

鉴于风功率概率分布模型对风电场规划及运行具有重要意义,提出了一种基于混合高斯分布的风功率横向时间序列概率密度建模方法,即利用风电运行数据样本,首先构建基于混合高斯分布的风功率横向时间序列的先验模型,然后利用最小二乘法对先验模型的参数进行估计,再利用相关建模精度指标确定混合高斯模型的最优维度。基于实际算例的仿真结果表明,所构建的风功率概率密度模型具有较高的精度和泛化性能。     

短期预测中的研究

摘要： 为降低风力发电厂并网后对电网稳定性和波动性的影响,风力发电功率的特性分析和预测显得十分重要。论文针对影响风力发电功率的气象因素,引用主成分分析和逐步回归分析2种方法,明确了风速和最低温度与发电功率的因果关系。在进行发电功率预测中以风速作为主因变量的条件,应用指数平滑模型、ARIMA模型、组合预测3种方法分别对风力发电功率进行了预测。组合预测是将前两种预测方法的优点进行组合,使预测结果的精确度得到进一步的提高。     

基于混沌时间序列的电力负荷短期预测方法

针对加权一阶局域法单步预报计算量大且存在累积误差的不足,在相空间重构技术基础上提出了一种加权一阶局域法多步预报模型。通过对统一混沌系统的预测仿真,证明该模型对混沌时间序列多步预报的有效性。采用加权一阶局域法对四川省电力系统日负荷进行了短期预测,实际结果说明加权一阶局域法的预测精度能满足要求。     

Short Term Wind Power Forecasting Using Autoregressive Integrated Moving Average Approach

Wind energy is one of the most promising electricity generating sources as a clean and free alternate compared with the conventional power plants and due to the volatility feature in the wind speeds it will reflect some problems in power systems reliability particularly if the system is deeply penetrated by wind farms. Therefore, wind power forecasting issue become and is still an important scope that will help in ED （economic dispatch）, UC （unit commitment） purposes to get more reliable and economic systems. This paper introduces short term wind power forecasting model, based on ARIMA （autoregressive integrated moving average） which will be applied to hourly wind data from Zaafarana 5 project in Egypt. The proposed model successfully outperforms the persistence model with significant improvement up to 6 h ahead.     

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。     

基于混沌时间序列的地区电网负荷预测

通过采用改进的C-C方法计算得出电网日负荷的最优时延和最佳嵌入维数,从而进行相空间重构,并通过计算最大Lyapunov指数,指出该时间序列的混沌特性。然后采用基于奇异值分解的Volterra方法对某地区电网负荷进行预测。预测结果显示,该方法的预测效果较好,具有较高的预测精度,并能够反映电网未来负荷的变化趋势。     

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。     

基于神经元网络方法的风电场风电功率预报研究

风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。     

风电机组塔架的脉动风速时程模拟

本文简述了谐波合成法中的自回归模型(AR)模拟出给定风速功率谱的风速时程序列,并验证其与目标谱(Davenport谱)的一致性,从而得到作用在各节点的脉动风荷载时程样本的方法。本文采用谐波合成法,建立了脉动风速时程的AR模型,编辑出脉动风速时程模拟程序,并对某风电机组塔架进行脉动时程分析,验证了该脉动风速时程模拟的可行性与有效性。     

基于时间序列模型的风电场风速预测研究

基于时间序列的方法,对风速的长期预测进行了研究,并在工程应用的基础上提出了新的预测思路:首先将风速信号分解成趋势信号和去趋势项随机信号,然后分别用滑动滤波和小波分析这2种方法对分解出的去趋势项随机信号进行数据处理并比较,再用时间序列的方法对趋势项信号和处理后的信号分别进行预测并叠加,得到最后的预测风速信号.结果表明:五项滑动滤波处理数据的方法与Daubechies小波分解法均能实现精度较高的风速长期预测;与小波分解法相比,滑动滤波方法算法的复杂性低,在工程应用上可行性更高.     

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。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

风速时间序列非线性特征分析

针对时间序列风速确定性与随机性相结合的复杂非线性特征,基于相空间重构理论和最大Lyapunov指数对其进行混沌与分形特征分析。首先,以经典Lorenz混沌系统及非混沌完全随机白噪声时间序列为验证算例,通过相空间重构和最大Lyapunov指数法判断以上2种非线性时间序列的混沌特征,分别从定性和定量的角度验证了所提方法的可行性;其次,对美国风能研究中心实测风速数据进行相空间重构,计算其最大Lyapunov指数并估算其可预测时间,最后采用G-P算法分析了实测风速时间序列的饱和关联维数。结果表明:相空间重构理论及最大Lyapunov指数法均可作为判断混沌特征的重要方法,时间序列风速具有明显的混沌分形特征及短期可预测性。